MAKALAH METODOLOGI PENELITIAN

“ANALISIS MULTIVARIAT”

Disusun oleh:
Kelompok 4
Ema Sinthiana A I1B016080
Yustria Puji A I1B016081
Erlin Shinta D I1B016082
Alanish Shahnia T I1B016083
Amiyan Luhur B I1B016084
Resqi Mayonita I1B016085
Zaitun Rumakat I1B016087
Agus Sugeng T I1F018018
Erry Fauzian I1F018019
M. Amin Effendi I1F018020
Dian Ambarwaty I1F018022
Priyo Sugondo I1F018013

KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS ILMU-ILMU KESEHATAN
JURUSAN KEPERAWATAN
PURWOKERTO
2019
 BAB I
PENDAHULUAN
A. Latar Belakang
Tahap analisis data pada umumnya dapat dibagi menjadi tiga tahap.
Ketiga tahap tersebut adalah deskriptif, analisis bivariat, dan analisis
multivariat. Deskriftif berbicara tentang gambaran suatu variabel, analisis
bivariat berbicara tentang hubungan antara banyak variabel bebas dengan
suatu variabel terikat. Suatu penelitian mungkin hanya menggunakan analisis
deskriprif saja (penelitian deskriptif). Penelitian lainnya mungkin cukup
menggunakan deskriptif dan bivariat. Penelitian lainnya mungkin
memerlukan analisis lengkap, mulai dari analisis deskriptif sampai dengan
multivariat (Sopyudin, 2014)
Secara umum, analisis multivariat atau metode multivariat berhubungan
dengan metode-metode statistik yang secara bersama-sama (simultan)
melakukan analisis terhadap dua variabel pada setiap objek atau orang. Jadi,
bisa dikatakan analisis multivariat marupakan perluasan dari analisis univariat
(seperti uji t) atau bivariat (seperti metode korelasi dan regresi sederhana).
Analisis multivariat adalah analisis multivariabel dalam satu atau lebih
hubungan. Analisis ini berhubungan dengan semua teknik statistik yang
secara simultan menganalisis sejumlah pengukuran pada individu atau objek.
(Santoso, 2017).
B. Tujuan
1. Mahasiswa mengetahui definisi analisis multivariat
2. Mahasiswa mengetahui jenis analisis multivariate berupa regresi linear dan
regresi logistik.
3. Mahasiswa mampu menjelaskan prasyarat uji regresi linear dan regresi
logistik
4. Mahasiswa mampu membaca hasil analisis data multivariat
 BAB II
ISI DAN PEMBAHASAN
A. Pengertian
Secara umum, analisis multivariat atau metode multivarial berhubungan
dengan metode-metode statistik yang secara bersama-sama melakukan
analisis terhadap lebih dari dua variabel. Jadi dapat dikatakan analisis
multivariat merupakan perluasan dari analisis univariat atau bivariat. Analisis
multivariat adalah analisis multi variabel dalam satu atau lebih hubungan.
Analisis ini berhubungan dengan semua teknik statistik yang secara stimulan
menganalisis sejumlah pengukuran pada individu atau objek (Santosa, 2018).
Analisis statistik multivariat merupakan metode dalam melakukan
penelitian terhadap lebih dari dua variabel secara bersamaan. Dengan
menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh
beberapa variabel terhadap variabel lainnya dalam waktu yang bersamaan.
Berdasarkan hubungan antar variabel, analisis multivariat dapat dibedakan
menjadi dependence techniques dan interdependence techniques. Dalam
dependence techniques, terdapat dua jenis variabel, yaitu variabel terikat dan
variabel bebas. Dependence techniques ini digunakan untuk menyelesaikan
permasalahan-permasalahan mengenai hubungan antara dua kelompok
variabel tersebut. Sedangkan dalam interdependence techniques, kedudukan
setiap variabel sama, tidak ada variabel terikat dan variabel bebas. Biasanya
interdependence techniques ini digunakan untuk melihat saling keterkaitan
hubungan antar semua variabel tanpa memperhatikan bentuk variabel yang
dilibatkan (Simamora, 2005).
B. Jenis Multivariat
Terdapat dua analisis multivariat yang sering digunakan dalam
penelitian kedokteran dan kesehatan, yaitu analisis regresi logistik dan
analisis regresi linear. Pemilihan kedua analisis tersebut ditentukan oleh skala
pengukuran variabel terikatnya.
a. Analisis regresi logistik adalah variabel terikatnya yang berupa
variabel kategorik, maka regresi yang digunakan adalah analisis
regresi logistik.
 b. Analisis regresi linear adalah variabel terikatnya yang berupa
variabel numerik, maka regresi yang digunakan adalah analisis
regresi linear.

C. Langkah-langkah dalam SPSS

1. Regresi Linear
Kasus: Seorang peneliti ingin mengetahui cara yang lebih sederhana untuk
menghitung nilai bersihan kreatinin. Selama ini, untuk menghitung
bersihan kreatinin, seorang dokter harus menampung urine selama 24 jam.
Menampung urine selama 24 jam terkadang tidak efisien karena dokter
memerlukan nilai bersihan kreatinin lebih cepat dari 24 jam. Tujuan
penelitian adalah untuk mengetahui cara memprediksi nilai bersihan
kreatinin dengan menggunakan variabel kreatinin serum sesaat, berat
badan, dan usia pasien.
Langkah-langkah :
1. Langkah pertama kita uji normalitas data dulu sebelum kita analisis
bivariat. Karena analisis bivariat menggunakan uji pearson, syarat uji
person data harus terdistribusi normal.
Analyze Descriptive StatisticsExplore
2. Setelah itu masukkan Data Usia ke Dependent List kemudian klik
Plots, pada Descriptive pilih Stem-And-Leaf Dan Histogram. Lalu
pada Boxplot pilih Factor Level Together, Normality Plots with Tests.
Selanjutnya klik Continue lalu Ok.

3. Lihat nilai signifikan semua variabel . Kita menggunakan Shapiro-

Wilk karena jumlah respondenya <50. Umur nilainya (p=0,224) berat
badan nilainya (p=0,420) kreatinin serum nilainya (p=0,834) bersihan
kreatini nilainya (p=0,149). Karena nilai p>0,05 berarti keempat data
telah terdistribusi secara normal. Jadi layak untuk di analisis bivariat
menggunakan uji pearson.
4. Sebelum melakukan analisis multivariat harus dilakukan analisis
bivariat. Lakukan uji analisis pearson karena kedua variabel
merupakan data numerik.
Analyze  Correlate  Bivariate

5. Masukan semua variabel dan ceklis pearson  OK

6. Lihat nilai signifikan variabel bersihan kreatinin dengan variabel yang
lain. Cari nilai signifikan yang < 0,25 (yang akan digunakan dalam
analisis multivariate)

Yang bisa digunakan adalah umur dan kreatinin serum dengan nilai
signifikan 0,073 dan 0,00
7. Klik analyze  regression  Linear
8. Masukan variabel dependent dan independent nya
9. Klik method kemudian ubah menjadi backward  OK
 Lihat nilai signifikansinya apakah <0,25 atau tidak. Disini umur tidak
ada di step 2 karena pada step 1 dia punya nilai signifikasi 0,307.
Jadi variabel yang dapat digunakan untuk memprediksi bersihan
kreatinin adalah variabel kreatinin serum dengan korelasi sebesar
-0,963. Artinya korelasi kuat (karena mendekati 1) dan berbanding
terbalik (karena -).
2. Regresi Logistik
Kasus: Tujuan adalah untuk mengetahui fakor-faktor dapat dijadikan
sebagai predictor terjadinya syok pada pasien anak demam berdarah.
Variabel yang diteliti adalah jenis kelamin, perdarahan, trombositopenia,
hemokonsentrasi, dan hepatomegali pada saat pasien masuk perawatan.
Desain penelitian yang digunakan adalah kasus kontrol.
Langkah-langkah :
1. Sebelum melakukan analisis multivariat harus dilakukan analisis
bivariate. Dilakukan uji analisis chi-square karena variabelnya
merupakan data kategorik.
Analyze  descriptive statistics  crosstabs

2. Masukan variabel jenis kelamin, perdarahan, trombositopeni,

hepatomegali, dan hematokrit ke dalam kolom Row dan variabel syok
ke dalam kolom Column  statistics  ceklis pada chi-square 
continue
3. Cells  ceklis pada observed, expected, dan row  continue  ok

4. Output: lihat pada tabel Chi-square test masing-masing variabel. Lalu

lihat pada baris Pearson chi-square di bagian Asymp.Sig (2-sided).
Yang bisa digunakan dalam analisis multivariat adalah yang nilai
p<0.25. Nilai p dari variabel jenis kelamin adalah 0.752, variabel
perdarahan 0.002, trombositopeni 0.052, hepatomegali 0.001, dan
hematokrit 0.001. kesimpulannya, yang dapat dimasukan dalam uji
multivariar adalah variabel perdarahan, trombositopeni, hepatomegali,
dan hematokrit.
 Jenis kelamin

Chi-Square Tests
Asymp. Sig. Exact Sig. (2- Exact Sig. (1-
Value df (2-sided) sided) sided)
a
Pearson Chi-Square .100 1 .752
Continuity Correctionb .014 1 .905
Likelihood Ratio .100 1 .752
Fisher's Exact Test .844 .452
Linear-by-Linear .100 1 .752
Association
N of Valid Cases 160
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 15,20.
b. Computed only for a 2x2 table
Perdarahan

Chi-Square Tests
Asymp. Sig. Exact Sig. (2- Exact Sig. (1-
Value df (2-sided) sided) sided)
Pearson Chi-Square 9.231a 1 .002
Continuity Correctionb 7.756 1 .005
Likelihood Ratio 8.124 1 .004
Fisher's Exact Test .005 .004
Linear-by-Linear 9.173 1 .002
Association
N of Valid Cases 160
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 6,00.
b. Computed only for a 2x2 table

Trombositopeni
 Chi-Square Tests
Asymp. Sig. Exact Sig. (2- Exact Sig. (1-
Value df (2-sided) sided) sided)
a
Pearson Chi-Square 3.768 1 .052
Continuity Correctionb 2.993 1 .084
Likelihood Ratio 3.614 1 .057
Fisher's Exact Test .060 .044
Linear-by-Linear 3.744 1 .053
Association
N of Valid Cases 160
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 10,40.
b. Computed only for a 2x2 table

Hepatomegali

Chi-Square Tests
Asymp. Sig. Exact Sig. (2- Exact Sig. (1-
Value df (2-sided) sided) sided)
Pearson Chi-Square 10.285a 1 .001
Continuity Correctionb 8.976 1 .003
Likelihood Ratio 9.738 1 .002
Fisher's Exact Test .003 .002
Linear-by-Linear 10.221 1 .001
Association
N of Valid Cases 160
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 10,40.
b. Computed only for a 2x2 table

Hematokrit
 Chi-Square Tests
Asymp. Sig. Exact Sig. (2- Exact Sig. (1-
Value df (2-sided) sided) sided)
a
Pearson Chi-Square 11.082 1 .001
Continuity Correctionb 9.740 1 .002
Likelihood Ratio 10.590 1 .001
Fisher's Exact Test .002 .001
Linear-by-Linear 11.013 1 .001
Association
N of Valid Cases 160
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 11,00.
b. Computed only for a 2x2 table
5. Uji Multivariate: analyze  regression  binary logistic

6. Masukan variabel syok (reg) ke dalam kolom Dependent dan variabel

yang lolos dalam uji bivariat ke dalam kolom covariates  pilih
Bacward LR pada Method  option  ceklis pada Hosmer-
Lemeshow goodnes-of-fit dan Ci for exp (B)  continue
7. Save  ceklis pada probabilitas  continue

8. Categorical  masukan semua variabel di kolom covariates ke kolom

categorical covariates  continue  ok
 Variables in the Equation
Exp(B 95% C.I.for EXP(B)
B S.E. Wald df Sig. ) Lower Upper
Step 1a perdarahan(1 1.180 .483 5.959 1 .015 3.255 1.262 8.397
)
hepatomegali 1.272 .490 6.739 1 .009 3.569 1.366 9.325
(1)
trombosit(1) -.092 .529 .031 1 .861 .912 .324 2.569
hematokrit(1) 1.167 .467 6.236 1 .013 3.213 1.285 8.031
Constant -2.669 .403 43.916 1 .000 .069
a
Step 2 perdarahan(1 1.189 .481 6.114 1 .013 3.285 1.280 8.434
)
hepatomegali 1.233 .435 8.019 1 .005 3.432 1.462 8.057
(1)
hematokrit(1) 1.137 .434 6.870 1 .009 3.117 1.332 7.295
Constant -2.675 .401 44.602 1 .000 .069
a. Variable(s) entered on step 1: perdarahan, hepatomegali, trombosit, hematokrit.
9. Hasilnya akan seperti ini
10. Output: hasilnya pada ke empat variabel yang lolos ke multivariat
ternyata ada 1 variabel yaitu trombosit yang nilai p nya lebih dari 0.25.
Kesimpulannya adalah variabel perdarahan, heoatomegali, dan
hematokrit adalah variabel yang paling berpengaruh pada kejadian
syok.

BAB III
PENUTUP
A. KESIMPULAN
Tahap analisis data pada umumnya dapat dibagi menjadi tiga tahap. Ketiga
tahap tersebut adalah deskriptif, analisis bivariat, dan analisis multivariat.
Penelitian lainnya mungkin memerlukan analisis lengkap, mulai dari analisis
deskriptif sampai dengan multivariate. Analisis multivariat atau metode
multivariat berhubungan dengan metode-metode statistik yang secara bersama-
sama (simultan) melakukan analisis terhadap dua variabel pada setiap objek atau
orang. Jadi, bisa dikatakan analisis multivariat marupakan perluasan dari analisis
univariat (seperti uji t) atau bivariat (seperti metode korelasi dan regresi
sederhana). Analisis multivariat adalah analisis multivariabel dalam satu atau
lebih hubungan.
B. SARAN
Menyadari bahwa penulis masih jauh dari kata sempurna, kedepannya
penulis akan lebih fokus dan details dalam menjelaskan tentang makalah di atas
dengan sumber-sumber yang lebih banyak yang tentunya dapat
dipertanggungjawabkan.

DAFTAR PUSTAKA

Dahlan M. Sopiyudin (2014). Statistik Untuk Kedokteran dan Kesehatan :

Deskriptif,Bivariat, dan Multivariat Edisi ke 6. Jakarta.

Santoso Singgih (2017). Statistik Multivariat dengan SPSS: Jakarta.

Santoso, S. (2018). Mahir Statistik Multivariat Dengan SPSS. Jakarta: PT Elex
Media Komputindo.

Simamora, B. (2005). Analisis Multivariat Pemasaran. Jakarta: Gramedia.