Toaz - Info Biostatistik PR
Toaz - Info Biostatistik PR
KELAS B12-B
Oleh :
PEMBAHASAN
Tabel 1. Pemberian Kode pada Variabel Jenis Kelamin dan Prestasi Kerja
Setelah data yang diperoleh diubah menjadi data nominal, yakni dengan memberi
kode pada setiap variable maka dapat disajikan menjadi seperti tabel di bawah ini:
Tabel 2. Data-data yang diperoleh telah diubah sesuai ketentuan kode pada tabel 1
Setelah kita memberi kode seperti contoh tersebut di atas, maka kita telah siap untuk
mengadakan analisa crosstab atau analisa tabulasi silang. Langkah-langkahnya
sebagai berikut :
Kedua cara tersebut akan muncul tampilan SPSS yang mirip dengan tampilan
Microsoft Excel. Setelah itu, secara otomatis output akan keluar. Seperti gambar
berikut :
Penjelasan output:
Pada tabel Jenis Kelamin * Prestasi Kerja Crosstabulation menunjukkan data
objektif/ frekuensi nyata (Count) dan frekuensi harapan (Expected Count) baik dalam
bentuk skor maupun presentase.
Kesimpulan: Dari penelitian tersebut terdapat 9 karyawan laki-laki yang memiliki
prestasi kerja rendah, 4 karyawan laki-laki berprestasi kerja sedang dan 4 sisanya
berprestasi tinggi.
Sedangkan untuk karyawan wanita, 4 wanita mempunyai prestasi kerja rendah, 5
orang memiliki prestasi kerja sedang dan 4 orang lainnya mempunyai prestasi kerja
tinggi.
Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 1.528a 2 .466
Likelihood Ratio 1.550 2 .461
Linear-by-Linear
.916 1 .338
Association
N of Valid Cases 30
a. 3 cells (50,0%) have expected count less than 5. The
minimum expected count is 3,47.
Penjelasan output:
a. Untuk tabel Chi-Square Tests, menunjukkan hasil Chi Kuadrat (Chi Square)
hitung sebesar 1.528. Tingkat signifikan = 0,05 % yang telah ditentukan
terlebih dahulu sebelum melakukan penelitian.
b. Keputusan = 0.05 Asymp. Sig. (2-sided) maka Ho diterima dan Ha ditolak.
c. Bila = 0.05 Asymp. Sig. (2-sided) maka Ho ditolak dan Ha diterima.
Kesimpulan : Dari tabel Chi Square tersebut di atas, dapat diketahui bahwa
0.05 Asymp. Sig. (2-sided) yakni 0.466 maka Ho diterima dan Ha ditolak.
Atau dengan kata lain tidak terdapat hubungan antara jenis kelamin dengan
prestasi kerja.
2. Uji Kesesuaian
Metode ini dikembangkan oleh Pearson tahun 1900 yang merupakan
perhitungan suatu kuantitas yang disebut Kai Kuadrat . Metode ini sangat
bermanfaat ketika data yang tersedia hanya berupa frekuensi (disebut count),
misalnya banyaknya subjek dalam kategori sakit dan tidak sakit, atau
banyaknya penderita diabetes mellitus dalam kategori I, II, III, IV menurut
keparahan penyakitnya.
Uji kai kuadrat untuk satu sampel dapat dipakai untuk menguji apakah
data sebuah sampel yang diambil menunjang hipotesa yang menyatakan bahwa
populasi asal sampel tersebut mengikuti suatu distribusi yang telah ditetapkan.
Oleh karena itu uji ini disebut juga uji keselarasan (goodness of fit test), karena
untuk menguji apakah sebuah sampel selaras dengan salah satu distribusi
teoritis (seperti distribusi normal, uniform, binomial dan lainnya).
Rumus yang digunakan untuk uji ini sama dengan rumus umum Uji Kai
Kuadrat :
Contoh Kasus :
Penyelesaian :
Dari hasil perhitungan terlihat Chi square hitung adalah 13. Selanjutnya melihat
nilai tabel pada kemaknaan alfa = 0.05 pada df = 4-1 = 3.
Dari tabel chi square diperoleh chi square tabel dengan df= 3 adalah 7,815, berarti
Chi-square hitung > chi-square tabel, maka Ho ditolak. Artinya sikap responden
terhadap pertanyaan tidak proporsional, dimana sikap responden cendrung pada
sikap tertentu.
3. Uji Independensi
Chi-Kuadrat Untuk Pengujian Independensi
Di bidang kedokteran tidaki jarang kita menemukan dua variable di mana
masing-masing variable terdiri dari beberapa kategori, misalnya tingkat
beratnya penyakit dan tingkat kesembuhan. Bila kita ingin mengetahui apakah
di antara dua variable tersebut terdapat hubungan atau tidak, dengan kata lain
apakah kedua variabel tersebut tersebut bersifat dependen atau independen,
maka pengujian hipotesis dilakukan dengan x 2.
Interpretasi hasil pengujian ialah apabila hipotesis nol diterima, berarti
tidak ada hubungan (independen), tetapi bila hasilnya menolak hipotesis nol
maka dikatakan kedua variable tersebut mempunyai hubungan atau dependen.
Rumus yang digunakan adalah rumus umum x 2.
Contoh:
Sebuah penelitian dilakukan oleh seorang kepala rumah sakit untuk
mengetahui apakah ada hubungan antara tingkat pendidikan dengan kelas ruang
rawat inap. Untuk kepentingan tersebut diambil sampel sebanyak 200 orang
penderita dengan hasil sebagai berikut.
Ho : variable 1 dan variabel 2 bersifat independen
1. 70 orang dengan pendidikan SD
20 orang memilih kelas 1
40 orang memilih kelas 2
10 orang memilih kelas 3
2. 50 orang berpendidikan SLTP
25 orang memilih kelas 1
15 orang memilih kelas 2
10 orang memilih kelas 3
3. 40 orang berpendidikan SLTA
15 orang memilih kelas 1
10 orang memilih kelas 2
15 orang memilih kelas 3
4. 40 orang berpendidikan akademi atau perguruan tinggi
20 orang memilih kelas 1
5 orang memilih kelas 2
15 orang memilih kelas 3
Data di atas dapat disajikan dalam bentuk table seperti berikut :
Kelas Pendidikan Jumlah
ruang
SD SLTP SLTA PT
1 20 25 15 20 80
2 40 15 10 5 70
3 10 10 15 15 50
Jumlah 70 50 40 40 200
Hasil perhitungan :
30,11
X2 = 0,05,dk6 = 12,59
Hipotesis ditolak pada derajat kemaknaan 0,05 atau p > 0,05.
Kesimpulannya, kita 95% percaya bahwa terdapat hubungan antara tingkat
pendidikan dengan ruang rawat inap.
B. Analisis Multivariat
1. Pengertian Analisis Multivariat
Analisis Multivariat adalah metode pengolahan variabel dalam jumlah
yang banyak, dimana tujuannya adalah untuk mencari pengaruh variabel-
variabel tersebut terhadap suatu obyek secara simultan atau serentak. Metode
analisis multivariat adalah suatu metode statistika yang tujuan digunakannya
adalah untuk menganalisis data yang terdiri dari banyak variabel serta diduga
antar variabel tersebut saling berhubungan satu sama lain. Analisis multivariat
adalah salah satu dari teknik statistik yang diterapkan untuk memahami struktur
data dalam dimensi tinggi. Dimana variabel-variabel yang dimaksud tersebut
saling terkait satu sama lain. Berdasarkan beberapa definisi Analisis Multivariat
di atas, maka statistikian menyimpulkan bahwa yang dimaksud dengan Analisis
Multivariat adalah suatu analisis yang melibatkan variabel dalam jumlah lebih
dari atau sama dengan 3 variabel.
Dimana minimal ada satu variabel terikat dan lebih dari satu variabel
bebas serta terdapat korelasi atau keterikatan antara satu variabel dengan
variabel lainnya. Maka dapat diartikan bahwa Analisis Multivariat juga
merupakan analisis yang melibatkan cara perhitungan yang kompleks.
tujuannya adalah agar dapat memahami struktur data berdimensi tinggi dan
saling terkait satu sama lain.
a. Teori Analisis Multivariat
Teori dari Metode analisis multivariat dalam hal ini sebenarnya telah
diketahui sejak lama sekali, hanya saja karena cara perhitungannya yang
rumit maka jarang sekali diterapkan. Tetapi akhir-akhir ini, bersamaan
dengan berkembangnya teknologi. Dimana muncul aplikasi komputer
seperti SPSS untuk menghitung atau menganalisis metode statistik dengan
mudah. Maka barulah Analisis Multivariat ini sering digunakan oleh para
peneliti karena kemudahan-kemudahan yang diberikan oleh aplikasi
komputer dan banyaknya informasi yang bisa didapat dari Analisis
Multivariat ini.
JKR = = = 252,08
8) Hitung jumlah kuadrat antarkelompok dengan rumus:
JKA = + + + + - JKR
= + + - 252,08 = 23,17
9) Hitung jumlah kuadrat dalam kelompok dengan rumus:
JKD = ∑χ2 – JKR - JKA = 345 – 252,08 – 23,17 = 69,75
10) Hitung derajat kebebasan rata-rata dengan rumus:
dkrata-rata = 1
11) Hitung kebebasan antarkelompok dengan rumus:
dkA = k – 1 = 3 – 1 = 2
di mana k = banyak kelompok.
12) Hitung derajat kebebasan dalam kelompok dengan rumus:
dkD = N- k = 12 – 3 = 9
di mana N = jumlah seluruh anggota sampel.
13) Hitung rata-rata jumlah kuadrat dengan rumus:
RKrata-rata = = = 252,08
RKA = = = 11,58
15) Hitung rata-rata jumlah kuadrat dalam kelompok dengan rumus:
RKD = = = 7,75
16) Cari Fhitung dengan rumus:
Fhitung = = = 1,49
17) Taraf signifikansi (α) = 0,05
18) Ftabel dengan rumus:
Ftabel = F(1-α)(dkA, dkD)
= F(1-0,05)(2, 9)
Dengan menggunakan tabel F didapat Ftabel = 4,26
19) Masukkan semua nilai yang telah didapat ke dalam tabel anova
berikut:
Rata-rata
Jumlah
Jumlah Variasi dk Kuadrat F
Kuadrat (JK)
(RK)
Rata-rata 252,08 1 252,08
Antar
23,17 2 11,58 1,49
Kelompok
Dalam
69,75 9 7,75
Kelompok
Jumlah 345 12 - -
Descriptives
Pembelajaran
95% Confidence
Interval for Mean
Std. Std. Lower Upper
N Mean Deviation Error Bound Bound Minimum Maximum
JIGSAW 10 23.50 1.958 .619 22.10 24.90 21 26
STAD 10 27.00 1.764 .558 25.74 28.26 25 30
TAI 10 22.70 1.767 .559 21.44 23.96 20 25
Total 30 24.40 2.594 .474 23.43 25.37 20 30
Pada gambar di atas diperoleh rata-rata pembelajaran dengan JIGSAW adalah 23,50
dengan deviasi standar 1,958. Rata-rata pembelajaran dengan STAD adalah 27,00
dengan deviasi standar 1,764. Dan rata-rata pembelajaran dengan TAI adalah 22,70
dengan deviasi standar 2,594.
statistik uji U,
dimana (JKK) = matriks varians kovarians kekeliruan
dan (JKPr) = matriks varians kovarians perlakuan
2. Uji telusur dari lawley Hotelling dengan statistik LH tr (JKK)-1
(JKPr) , dimana (JKK)-1 adalah invers dari matriks varians
kovarians kekeliruan, sedang (JKPr) adalah matrik varians
kovarians perlakuan yang bersangkutan.
3. Uji akar maksimum dari Roy, dengan statistik uji R = akar
karakteristik maksimum dari (JKK)-1 (JKPr)
3.
4.
5.
Kegunaan dan Kelebihan MANOVA
MANOVA digunakan untuk mengetahui apakah vektor
rata-rata populasi sama, dan jika tidak sama, komponen rata-
rata mana yang berbeda secara nyata. Karena kemampuannya
untuk menganalisis beberapa pengukuran variabel terikat secara
simultan, MANOVA memiliki kelebihan:
dimana
a. Koefisien Korelasi (r) adalah nilai yang menyatakan kuat atau tidaknya
hubungan antara 2 variabel
b. Standar error koefisien regresi (E) adalah ukuran dari ketepatan
koefisien regresi dalam memprediksi nilai populasinya.Standar error
diukur berdasarkan akar kuadrat dari deviasi atau varians koefisien
regresi sampel dengan koefisien regresi populasi
c. Koefisien determinasi regresi(r 2) adalah a. Nilai yang menunjukkan
seberapa besar pengurangan variasi dalam Y (variabel dependent) saat
satu atau lebih X (variabel independent) masuk kedalam model
regresi. b. Besarnya sumbangan / andil dari variabel x terhadap variasi
atau naik turunnya y
d. Konstanta (a) adalah perpotongan garis regresi dengan sumbu Y (nilai
estimate jika x = 0)
e. Koefisien arah dari regresi linear (b) adalah nilai yang menunjukkan
seberapa besar perubahan nilai Y (variabel dependen) saat X (variabel
independent) bertambah satu-satuan
Yˆ=195.47−20.26X
Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur
mobil bertambah satu tahun maka harga mobil tersebut akan turun sebesar
$2.026.
k. Regresi Linier Berganda
Regresi linier berganda adalah analisis regresi yang menjelaskan
hubungan antara peubah respon (variabel dependen) dengan faktor-faktor
yang mempengaruhi lebih dari satu prediktor (variabel independen).
Regresi linier berganda hampir sama dengan regresi linier sederhana,
hanya saja pada regresi linier berganda variabel bebasnya lebih dari satu
variabel penduga. Tujuan analisis regresi linier berganda adalah untuk
mengukur intensitas hubungan antara dua variabel atau lebih dan membuat
prediksi perkiraan nilai Y atas X. Secara umum model regresi linier berganda
untuk populasi adalah sebagai berikut:
Model regresi linier berganda untuk populasi diatas dapat ditaksir berdasarkan sebuah
smpel acak yang berukuran n dengan model regresi linier berganda untuk sampel,
yaitu:
z 1
1
2
x
ϕ ( z )= ∫ e 2 dx
√2π ∞
1 ez
Λ ( z )= =
1+ e−z 1+e z
β0+ β 1 x1 +…+ β p x p 1
1
2
x
π i=φ ( β 0 + β 1 x 1 +…+ β p x p )= ∫ e 2 dx
√2 π −∞
Sementara itu, dengan menggunakan fungsi logistik, kita memperoleh
regresi logistik linier atau model logit linier.
1 e β +β x +…+ β x
0 1 1 p p
π i= Λ ( β 0 + β 1 x 1 +…+ β p x p ) = =
1+e β + β x + …+β
− ( β0+ β1 x1 +…+β p x ) xp
1+ e p 0 1 1 p
−1 πi
Transformasi Λ ( Pi ) =log disebut logit dari nilai π, yakni nilai
1−π i
log dari odds ratio yang menyatakan perbandingan diantara peluang
kejadian Y bernilai 1 (kejadian sukses) dibandingkan dengan
kemungkinan bernilai 0.
2) Fungsi logit bersifat simetris di sekitar 0 dan terbatas terbatas di atas
dan di bawah.
Estimasi parameter dari model regresi logistik dapat dilakukan dengan
metode maximum likelihood estimator (MLE), dimana parameter optimal
dapat diperoleh dengan metode numerik.
Untuk menguji kecocokan koefisien, kita bias menggunakan uji Wald.
Uji Wald merupakan uji univariat terhadap masing-masing koefisien regresi
logistik (sering disebut partially test).
a. H 0: prediktor secara univariat tidak berpengaruh signifikan terhadap
( β 1 ≠ 0 ;=0,1,2 , … , p ) .
b. Tingkat signifikansi : α
c. Statistik uji :
2
bi
Wi=
(
SE ( bi ) )
d. Daerah kritik : tolah H 0 bila |W i|> Z α
| |
2
Ghazali, Imam, 2016, “Aplikasi Analisis Multivariat Dengan Program IBM SPSS
23”, Cetakan kedelapan, Universitas Diponegoro, Semarang.
Kutner, M.H., C.J. Nachtsheim., dan J. Neter. 2004. Applied Linear Regression
Models.
Priyatno, Duwi, 2013, “Mandiri Belajar Analisis Data Dengan SPSS”, Yogyakarta:
Media Kom.
Priyatno, Duwi, 2014, “SPSS 22 Pengolah Data Terpraktis”, Edisi 1, Yogyakarta:
ANDI.
Priyatno, Duwi, “Mandiri Belajar SPSS”, Cetakan Ketiga, Yogyakarta: Media Kom,
2008.
Santoso, Singgih, 2000, Buku Latihan SPSS Statistik Parametrik. PT.ELEK Media
Komputindo. Jakarta
Santoso, Singgih, 2013, “Menguasai SPSS 21 di Era Informasi”. PT.ELEK Media
Komputindo. Jakarta.
Sekaran, Uma. 2006. Research Methods For Business: Metodologi Penelitian untuk
Bisnis, Penerbit Salemba Empat.
Sekaran, Uma. 2000. “Research Methods for Business, A Skill Building Approach”,
New York: John Wiley n Sons