Uji normalitas
Hipotesis :
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Analyze non parametric test legacy dialog 1 sample KS masukkan IMT dan
total kolesterol OK
Hasil : P value IMT= 0.636 dan P value total kolesterol = 0.512 (>0.05), H0 diterima
Kesimpulan : Data berdistribusi normal
Tujuan : Untuk mengetahui adanya hubungan antara pendidikan dan IMT dengan total
kolesterol
Variabel:
- Independen : Pendidikan (Kategorik Ordinal) dan IMT (Numerik Rasio)
- Dependen : Total kolesterol (Numerik Rasio)
Uji : Uji Multivariat Regresi Linier
Hipotesis :
Asumsi : Variabel dependen skala numerik, independensi, distribusi normal, liniearitas,
tidak multikolinearitas
1. Independensi
Output :
Karena semua asumsi terpenuhi, maka model diatas layak digunakan. Selanjutnya
melihat seberapa besar persamaan yg diperoleh mampu menjelaskan total
kolesterol.
Kesimpulan :
R = 0.401 Hubungan keeratannya sedang
R2 = 0.160 artinya, variabel pendidikan dan IMT dapat menjelaskan varians total
kolesterol sebesar 16% saja, 84% sisanya dijelaskan oleh variabel yang tidak diteliti.
Uji Regresi Logistik
Tujuan : Mengetahui hubungan antara umur, pendidikan, dan pekerjaan dengan status ASI
Variabel :
- Dependen : Status ASI (Kategorik nominal)
- Independen : Umur (Numerik), Pendidikan (Kategorik ordinal), dan Pekerjaan
(Kategorik nominal)
Uji : Uji Multivariat Regresi Logistik
Hipotesis :
Asumsi : Variabel dependen skala nominal dikotom
Seleksi Bivariat
1. Umur-Status ASI
- Variabel : Numerik-kategorik pakai spearman aja!!!
- Uji yang dilakukan : Uji T-Independen
Analyze Compare Means Independent sample T test Masukkan umur ke Test
Variable, Status ASI ke Grouping variable Define Group Group 1 = 0, Group 2=1 Ok
StatusASI
Pendidikan SD Count 4 6 10
SMP Count 3 8 11
SMA Count 11 5 16
PT Count 6 7 13
Total Count 24 26 50
Chi-Square Tests
N of Valid Cases 50
StatusASI
Total Count 24 26 50
Chi-Square Tests
N of Valid Cases 50
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 12,00.
Berdasarkan seleksi bivariat diatas, variabel yang akan dimasukkan ke dalam analisis regresi
logistik adalah variabel pendidikan dan pekerjaan (p<0.25).
(Analize - Regression – Binary logistic - masukkan variabel status asi ke dalam kotak
dependen dan masukkan semua variabel independen ke dalam kotak covariates)
(Jika ada variabel yg kategorik, klik Categorical – pindah semua variabel kategorik ke
tabel Categorical covariates – klik Last – Continue)
(Klik option – ceklis Classification, Hosmer-Lemeshow, Correlation – continue – OK)
Output:
Interpretasi:
Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan status ASI
adalah variabel pekerjaan dengan p= 0.02 (<0.05). Variabel yang paling dominan
berhubungan dengan status ASI adalah pekerjaan dilihat dari analisis didapatkan Odds Ratio
(OR) dari variable pekerjaan adalah 4.479, artinya Ibu yang bekerja beresiko untuk tidak
memberikan ASI eksklusif sebesar 4.5 kali lebih tinggi dibandingkan ibu yang tidak
bekerja
Regresi Logistik
Tujuan Penelitian : untuk analisis hubungan antara 1 atau beberapa variabel independen
yang berjenis kategorik/numerik dengan 1 variabel dependen yang
berjenis kategorik dikotom (contoh : hidup/mati, sehat/sakit, bblr/non
bblr)
Contoh
Tujuan : untuk mengetahui hubungan antara usia, pendidikan dan pekerjaan dengan
status asi
Variabel
- Independen : Usia (rasio)
Pendidikan (ordinal)
Pekerjaan (nominal)
- Dependen : Status ASI (nominal)
Asumsi
- Variabel independen : skala bebas
- Variabel dependen : skala nominal dikotom
Hipotesis Penelitian
H0 = tidak ada hubungan antara usia, pendidikan dan pekerjaan dengan status asi
H1 = ada hubungan antara usia, pendidikan dan pekerjaan dengan status asi
Pertama kali yang dilakukan setelah entry data adalah analisis bivariat, bisa dengan uji t,
uji korelasi atau uji chi square tergantung data yang digunakan adalah numerik-
kategorik. Syarat variabel yang bisa dimasukkan ke analisis analisis regresi logistic
adalah variabel yang mempunyai nilai p < 0.25
- Uji korelasi Spearman untuk mengetahui hubungan antara umur (numerik) dengan
status asi (kategorik). Kenapa pilih Spearman, coba lihat asumsi korelasi Spearman
(kedua data berskala interval/rasio tetapi tidak berdistribusi normal, ada data
berskala ordinal/nominal)
Correlations
Umur StatusAsi
N 50 50
N 50 50
P < 0.25 jadi variabel umur bisa dimasukkkan ke analisis regresi logistic.
- Uji Chi square untuk melihat hubungan antara pendidikan dengan status asi dan
untuk melihat hubungan antara pekerjaan dengan status asi (kategorik-kategorik)
Analyze -> descriptive statistics -> crosstabs -> masukkan variabel pendidikan dan
pekerjaan ke row dan variabel status asi ke column
Row : variabel independen
Column : variabel dependen
Klik kotak statistic -> pilih Chi-square -> klik Continue ->
Klik kotak cells -> pilih observed dan row -> klik continue
Klik OK
N of Valid Cases 50
Lihat sig pada Pearson chi square (kalau >20% yang nilai expected count < 5
maka yang dibaca Fischer’s Exact Test dan di tabel kebetulan ga ada Fischer’s
Exact Text)
P < 0.25 -> 0.177 maka variabel pendidikan bisa dimasukkan ke analisis regresi
logistik
Cara lihat expected count bisa lihat dari tabel diatas yang diwarnain teksnya atau
bisa dilihat dari tabel dibawah
Teks yang diwarnain diatas adalah nilai expected count < 5 (hanya 1 dari 8 jadi
hanya 12,5% atau <20%) maka yang dilihat sig pada Pearson chi square.
N of Valid Cases 50
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 12.00.
Lihat sig pada Pearson chi square (kalau >20% yang nilai expected count < 5
maka yang dibaca Fischer’s Exact Test tetapi expected count yang < 5 ga ada jadi
yang dibaca Pearson Chi square)
P < 0.25 -> 0.005 maka variabel pekerjaan bisa dimasukkan ke analisis regresi
logistik
Pada bagian reference category pilih last? (kenapa last? Dilihat dari pas entry
data kita masukin yang tidak berisiko atau sebagai pembanding di first atau last.
Misalnya pendidikan kan 1 : SD, 2 : SMP, 3 : SMA, 4 : PT. Nah yang lebih tidak
berisiko untuk status asi yang tidak eksklusif yaitu PT jadi reference category nya
yang last).
Karena dari awalnya udah kepilih yang last jadi ga perlu klik change
Pekerjaan juga last karena 0 : bekerja, 1 : tidak bekerja jadi yang lebih tidak
berisiko yang bekerja sehingga bagian reference category tetap last
Klik continue
Klik kotak Options pada bagian kanan
eksklusif 0
tidak eksklusif 1
Parameter coding
Ibu yang merokok mempunyai OR 0,133 kali untuk memeliki bayi dengan BBLR
rendah dibandingkan orang yang tidak merokok