Uji Chi Square

Tujuan : untuk mencari hubungan antara pendidikan dengan kadar HDL

Variabel :
- Variabel dependen : Kadar HDL (Kategorik)
- Variabel independen : Tingkat pendidikan (Kategorik)
Uji : Chi Square table 2x2
Hipotesis :
H0 : Tidak ada hubungan antara pendidikan dengan kadar HDL
H1 : Ada hubungan antara pendidikan dengan kadar HDL
Asumsi : Variabel kategorik, tidak ada nilai expected <1, tidak ada nilai expected <5 dalam
20% total sel

Uji Chi Square

Hipotesis :
H0 : Tidak ada perbedaan proporsi kadar HDL normal pada pendidikan perguruan tinggi dan
SMA
H1 : Ada perbedaan proporsi kadar HDL normal pada pendidikan perguruan tinggi dan SMA

Cara : Analyze  Descriptive Statistic  Crosstab  Masukkan variable dependen ke

colomn dan variable independen ke row  Statistics  pilih Chi Square dan Risk  Pilih
cells  Pilih Observed, Expected, dan Row (karena cross sectional)  Ok

Tidak ada missing data

Tidak ada cell yang expected countnya <5/>20%, maka kita lihat Pearson Chi-Square

Kita lihat Pearson Chi-square, P value = 0.000 (<0.05), H0 ditolak, H1 diterima.

Kesimpulan :
- Ada perbedaan proporsi kadar HDL normal pada pendidikan perguruan tinggi dan
SMA
- Ada hubungan antara pendidikan dengan kadar HDL
Uji Korelasi
Tujuan : Untuk melihat ada hubungan antara Indeks Massa Tubuh dengan jumlah total
kolesterol
Variabel :
- Variabel dependen : Total Kolesterol (Numerik Rasio)
- Variabel independen : Indeks Massa Tubuh (Numerik Rasio)
Uji : Korelasi Pearson
Hipotesis :
H0 : Tidak ada hubungan antara Indeks Massa Tubuh dengan jumlah total kolesterol
H1 : Ada hubungan antara Indeks Massa Tubuh dengan jumlah total kolesterol
Asumsi : Variabel numeric, data berdistribusi normal

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

Uji korelasi pearson

Hipotesis :
H0 : Tidak ada hubungan antara Indeks Massa Tubuh dengan jumlah total kolesterol
H1 : Ada hubungan antara Indeks Massa Tubuh dengan jumlah total kolesterol
Analyze  Correlate  Bivariate  Masukkan IMT dan total_kolesterol kedalam variable
 Checklist Pearson  OK

Hasil : P value = 0.04 (<0.05), H0 ditolak, H1 diterima.

Kesimpulan : Terdapat hubungan antara Indeks Massa Tubuh dengan jumlah total kolesterol
Untuk melihat kekuatan hubungan, lihat di pearson Correlation  = 0.399 (Sedang kearah
positif/sebanding)
0-0.25 = Rendah
0.26-0.50 = Sedang
0.51-0.75 = Tinggi
0.76-1 = Sangat tinggi
+ = Sebanding / kearah positif
(-) = Bertolak belakang /ke arah negative

UNTUK UJI KORELASI SPEARMAN SAMA TEHNIKNYA DENGAN CARA CHECKLIST DI

SPEARMAN DAN ASUMSINYA :
- VARIABEL NUMERIK DUA-DUANYA YANG TIDAK BERDISTRIBUSI NORMAL
- VARIABEL KATEGORIK

Tata cara transformasi data

Analyze  Transform  Compute Variable  Masukkan target variable yg akan
ditransformasi (Contoh IMT  IMT_2)  Pilih Arithmetic pada Function Group dan Lg10
pada Function and Special Variables  Masukkan Data (misal IMT) kedalam persamaan
dengan cara klik Datanya kemudian klik arah  OK
UJI REGRESI LINIER

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

Analyze  Regression  Linier  Masukkan Total_kolesterol ke dalam dependen dan

pendidikan & IMT ke independen  Pilih Statistics  Pilih estimate, model fit, colinerity
diagnostic, durbin watson  continue  pilih plots  y : SDRESID, X:ZPRED  Pilih
histogram dan normal probability plot  OK

1. Independensi
Output :

Nilai Durbin-Watson = 1.529 (Diantara 2 dan (-2))

Kesimpulan = Asumsi saling bebas terpenuhi
2. Multikolinearity
Output :

Nilai Tolerance = 0.999 (>0.1) dan nilai VIF = 1.001 (<10)

Kesimpulan = Tidak multikoliearity, asumsi terpenuhi.
3. Distribusi normal
Output :

Bentuk bell shape

Kesimpulan : Data berdistribusi norma
4. Linearitas
Output :

P value = 0.016 (<0.05), H0 ditolak, H1 diterima.

Kesimpulan : Model linear, asumsi terpenuhi.
5. Homocedansticity
Output :

Kesimpulan : Sebaran merata, varian dari y sama dengan beberapa varian x.

Asumsi terpenuhi.

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

Nilai Levene Test = 0.14 (<0.05), Varians data tidak sama

P value = 0.138 (<0.25), dapat dimasukkan kedalam analisis multivariate
2. Pendidikan-Status ASI
- Variabel : Kategorik – kategorik
- Uji yang dilakukan : Uji Chi-Square
Analyze  Descriptive Statistic  Crosstabs  Masukkan pendidikan (Independen) ke
dalam rows dan Status ASI (Dependen) ke dalam Column  Pilih Statistics  Pilih Chi-
Square dan Risk  Continue  pilih cell  Pilih Expected, Observed, dan Row (Cross
Sectional)  Continue  OK

Pendidikan * StatusASI Crosstabulation

StatusASI

Eksklusif Tidak eksklusif Total

Pendidikan SD Count 4 6 10

Expected Count 4.8 5.2 10.0

% within Pendidikan 40.0% 60.0% 100.0%

SMP Count 3 8 11

Expected Count 5.3 5.7 11.0

 % within Pendidikan 27.3% 72.7% 100.0%

SMA Count 11 5 16

Expected Count 7.7 8.3 16.0

% within Pendidikan 68.8% 31.3% 100.0%

PT Count 6 7 13

Expected Count 6.2 6.8 13.0

% within Pendidikan 46.2% 53.8% 100.0%

Total Count 24 26 50

Expected Count 24.0 26.0 50.0

% within Pendidikan 48.0% 52.0% 100.0%

 Tidak ada nilai expected count <1

 Tidak ada nilai expected count <5 lebih dari 20% total kolom
 Asumsi chi-square terpenuhi

Chi-Square Tests

Asymp. Sig. (2-

Value df sided)

Pearson Chi-Square 4.928a 3 .177

Likelihood Ratio 5.064 3 .167

Linear-by-Linear Association .904 1 .342

N of Valid Cases 50

a. 1 cells (12,5%) have expected count less than 5. The minimum

expected count is 4,80.

P value = 0.177 (<0.25), dapat dimasukkan kedalam analisis Multivariat

3. Pekerjaan-Status ASI
Variabel : Kategorik-Kategorik
Uji yang dilakukan : Uji Chi-Square
Analyze  Descriptive Statistic  Crosstabs  Masukkan pekerjaan (Independen) ke dalam
rows dan Status ASI (Dependen) ke dalam Column  Pilih Statistics  Pilih Chi-Square dan
Risk  Continue  pilih cell  Pilih Expected, Observed, dan Row (Cross Sectional) 
Continue  OK
Pekerjaan * StatusASI Crosstabulation

StatusASI

Eksklusif Tidak eksklusif Total

Pekerjaan Bekerja Count 17 8 25

 Expected Count 12.0 13.0 25.0

% within Pekerjaan 68.0% 32.0% 100.0%

Tidak bekerja Count 7 18 25

Expected Count 12.0 13.0 25.0

% within Pekerjaan 28.0% 72.0% 100.0%

Total Count 24 26 50

Expected Count 24.0 26.0 50.0

% within Pekerjaan 48.0% 52.0% 100.0%

 Tidak ada nilai expected count <1

 Tidak ada nilai expected count <5 lebih dari 20% total kolom
 Asumsi chi-square terpenuhi

Chi-Square Tests

Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-

Value df sided) sided) sided)

Pearson Chi-Square 8.013a 1 .005

Continuity Correctionb 6.490 1 .011

Likelihood Ratio 8.244 1 .004

Fisher's Exact Test .010 .005

Linear-by-Linear Association 7.853 1 .005

N of Valid Cases 50

a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 12,00.

b. Computed only for a 2x2 table

P Value = 0.005 (<0.25), dapat dimasukkan kedalam analisis multivariate

UJI MULTIVARIAT REGRESI LOGISTIK

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:

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 1a Pendidikan 2.455 3 .483

Pendidikan(1) .265 1.001 .070 1 .791 1.304

Pendidikan(2) -1.048 .895 1.371 1 .242 .351

Pendidikan(3) -.350 .913 .147 1 .701 .704

Pekerjaan(1) 1.499 .643 5.434 1 .020 4.479

Constant -.286 .740 .149 1 .699 .751

a. Variable(s) entered on step 1: Pendidikan, Pekerjaan.

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

Spearman's rho Umur Correlation Coefficient 1.000 -.178

Sig. (2-tailed) . .216

N 50 50

StatusAsi Correlation Coefficient -.178 1.000

Sig. (2-tailed) .216 .

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

Hasil chi square pendidikan dan status asi

 Chi-Square Tests

Asymp. Sig. (2-

Value df sided)

Pearson Chi-Square 4.928a 3 .177

Likelihood Ratio 5.064 3 .167

Linear-by-Linear Association .904 1 .342

N of Valid Cases 50

a. 1 cells (12.5%) have expected count less than 5. The minimum

expected count is 4.80.

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.

Hasil chi square pekerjaan dan status asi

Chi-Square Tests

Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-

Value df sided) sided) sided)

Pearson Chi-Square 8.013a 1 .005

Continuity Correctionb 6.490 1 .011

Likelihood Ratio 8.244 1 .004

Fisher's Exact Test .010 .005

Linear-by-Linear Association 7.853 1 .005

N of Valid Cases 50

a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 12.00.

b. Computed only for a 2x2 table

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

Uji Regresi Logistik

Analyze -> regression -> binary logistic -> masukkan variabel status asi ke dalam kotak
dependen dan masukkan semua variabel independen ke dalam kotak covariates
 Plih Categorical pada bagian kanan
 Masukkan variabel independen yang kategorik (pendidikan dan pekerjaan)

 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

 Ceklis Classification plots, Hosmer-Lemeshow goodness-of-fit, Correlations of

estimates
 Klik Continue -> klik OK
 Dependent Variable Encoding

Original Value Internal Value

eksklusif 0

tidak eksklusif 1

 Untuk memeriksa kembali apakah system pengkodean sudah benar. Pada

Dependent Variable Encoding, eksklusif diberi kode 0, sementara tidak eksklusif
diberi kode 0. Hal ini sudah benar karena pada regresi logistic, kategori yang akan
diprediksikan harus diberi kode 1.

Categorical Variables Codings

Parameter coding

Frequency (1) (2) (3)

Pendidikan SD 10 1.000 .000 .000

SMP 11 .000 1.000 .000

SMA 16 .000 .000 1.000

PT 13 .000 .000 .000

Pekerjaan bekerja 25 1.000

tidak bekerja 25 .000

 Baca tabel Variables in the Equation


Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 1a Umur -.109 .075 2.099 1 .147 .897

Pendidikan 2.949 3 .399

Pendidikan(1) .042 .953 .002 1 .965 1.042

Pendidikan(2) .519 .944 .302 1 .582 1.681

Pendidikan(3) -1.049 .887 1.399 1 .237 .350

Pekerjaan(1) -1.380 .656 4.422 1 .035 .252

Constant 3.705 2.098 3.118 1 .077 40.663

a. Variable(s) entered on step 1: Umur, Pendidikan, Pekerjaan.

Variabel yang berpengaruh terhadap syok adalah pekerjaan. OR (Exp) = 0.252

Orang yang bekerja (coding 1) mempunyai OR 0,252 kali untuk tidak memberikan
ASI eksklusif (coding 1) dibandingkan orang yang tidak bekerja

Ibu yang merokok mempunyai OR 0,133 kali untuk memeliki bayi dengan BBLR
rendah dibandingkan orang yang tidak merokok