LAPORAN PRAKTIKUM

ANALISIS MULTIVARIAT UJI REGRESI LOGISTIK DAN REGRESI LINIER

Makalah ini disusun untuk memenuhi tugas mata kuliah Biostatistika

Dosen Pengampu:

Eni Rahmawati, Ns, M.Kep

Disusun Oleh:

Yolanda Sri Bhunga

I1B018007

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

FAKULTAS ILMU-ILMU KESEHATAN
JURUSAN KEPERAWATAN
PURWOKWERTO
2019
 REGRESI LOGISTIK

 Analisis Bivariat (Chi-Square)

Lakukan uji chi square untuk melihat hubungan dari data yang telah dimasukan ke SPSS

masukan variable pada kotak dialog berikut dengan ketentuan variable terikat dalam coloumn(s)
yaitu syok, dan variable bebas pada row(s) yaitu jenis kelamin, perdarahan, dan hepatomegaly.

klik tombol statistics sampai muncul kotak dialog berikut, kemudian centang “chi square” lalu
klik continue
Setelah itu klik cells dan centang “column” pada percentages seperti gambar berikut, lalu klik
continue

setelah klik OK akan muncul output seperti berikut, variable yang dimasukan dalam analisis
multivariate adalah variable yang pada analisis bivariate p<0.25

 Interpretasi Hasil

Tabel 10.1 Hasil Analisis Bivariat

syok Tidak syok IK95%

p OR
n % n % Min Maks
Jenis Kelamin 0,752
Laki-laki 16 50,0% 68 53,1% 0,88 0,41 1,92
Perempuan 16 50,0% 60 46,9% ref

Perdarahan 0,002*
Ya 12 37,5% 18 14,1% 3,67 1,53 8,77
tidak 20 62,5% 110 85,9% ref

Hepatomegali 0,001*
Ya 18 56,2% 34 26,6% 3,55 1,6 7,92
Tidak 14 43,8% 94 73,4% ref

Trombosit 0,052*
<50.000/ul 15 46,9% 37 28,9% 2,17 0,98 4,79
>=50.000/ul 17 53,1% 91 71,1% ref

Hematokrit 0,001*
>42% 19 59,4% 36 28,1% 3,74 1,67 8,34
<=42% 13 40,6% 92 71,9% ref

Total 32 20,0 128 80,0

Keterangan (*) = uji chi-square p<0,25%
  Analisis Multivariat (Regresi logistic)

Pada data yang ada klik analayze >> regression >> binary logistic seperti berikut:

Nanti akan muncul kotak dialog seperti berikut, lalu masukan syok [syok_reg] kedalam
dependent dan seluruh variable ke covariates, setelah itu pilih metode backward: LR

Klik options kemudian centang Hosmer-Lemeshow goodness-of-fit dan CI of exp(B), lalu

continue
Klik categorical kemudian masukan semua covariates ke dalam categorical covariates. Lalu
pada change contrast pilih last

Perhatikan pada masing-masing variable telah terdapat tulisa (cat) seperti berikut, kemudian
klik OK

Pastikan koding yang dilakukan benar, periksa pada dependent variable encoding
Nanti akan keluar output sebagai berikut, untuk membaca hasil output syok lihat Block 1:
Method pada variabels in the equation untuk pembanding lihat pada step 2

 Interpretasi regresi logistik

a) Faktor yang memengaruhi syok (lihat OR pada EXP (B)):
- Hepatomegali (OR= 3,43)
- Perdarahan (OR= 3,28)
- Hematokrit (OR= 3,11)
b) Persamaan yang didapat
y= konstanta+a1X1+a2X2+…+aiXi
y= (-2.675)+ 1.189(perdarahan)+1.233(hepatomegaly)+1.137(hematocrit)
Nilai variable bebas (X) dapat dilihat pada kolom B, dengan keterangan.
Perdarahan (ya= 1; tidak= 0); hepatomegaly (ya= 1; tidak= 0); hematocrit
(>42%= 1; ≤42% = 0)
c) Aplikasi persamaan untuk memprediksi kemungkinan:
p=1/(1+e-y)
ket:
- p = probabilitas
- e = konstanta natural = 2,7
- y = konstanta + a1X1+a2X2+…+aiXi
- a = nilai koefisien tiap variable
- x = nilai variable bebas
  Mengecek kualitas rumus pemodelan

cek kalibrasi dengan nilai Hosmer dan Lameshow (>0,005)

 Cek kalibrasi dengan nilai AUC

1. lihat data, terdapat nilai PRE_1 ini merupakan (hasil probability pada kotak save saat
melakukan analisis multivariate). Untuk memprediksi syok pada masing-masing subjek
penelitian.

2. Langkah-langkah:
a) Analyze >> Roc Curve, nanti akan keluar kotak dialog
b) Setelah muncul kotak dialog berikut, masukan Pre_1 kedalam test variable dan
syok [syok_reg] kedalam state variable. setelah itu masukan angka 1 pada value
of state variable. Terakhir centang semua kotak yang ada di Display. Hasilnya
seperti berikut

c) klik OK dan tunggu output keluar. Lihat pada ROC Curve dan AUC

Nilai AUC 74%

  Melaporkan hasil analisis

Tabel 10.2. Hasil analisis multivariate regresi logistik

Variabel Koefisien p OR (IK95%)

Langkah 1 Perdarahan positif 1.180 0,015 3,26(1,26 – 8,40)

Hepatomegali positif 1.272 0,009 3,57(1,37 – 9,33)
Trombosit <50.000’ul -0,092 0,861 0,91(0,32 – 2,57)
Hematokrit >42% 1.167 0,013 3,21(1,29 – 8,03)
Konstanta -2.609 <0,001 0,07
Langkah 2 Perdarahan positif 1.189 0,013 3,29(1,28 – 8,43)
Hepatomegali positif 1.233 0,005 3,43(1,46 – 8,06)
Hematokrit >42% 1.137 0,009 3,12(1,33 – 7,30)
Konstanta -2.675 <0,001 0,07
dari hasil analisis multivariate regresi logistik didapatkan bahwa faktor yang memengaruhi syok
urut dari faktor tertinggi yaitu hepatomegaly (OR= 3,43), perdarahan (OR= 3,29), dan hematocrit
(OR= 3,12). Nilai OR menunjukan kekuatan faktor yang mempengaruhi.
 REGRESI LINIER

 Uji normalitas

Analayze>> descriptive statistic >> explore

setelah keluar kotak explore, masukan bersihan kreatinin kedalam dependent list, dan
variabel lainnya kedalam faktor list. Selanjutnya klik ‘Plots’

klik normality plots with tests untuk menguji normalitas dari data, continue
Setelah keluar output berikut, perhatikan pada kolom shapiro – wilk, bagian sig. jika nilai p >
0,005 maka data dinyatakan normal.

gambar 1. berat badan

gambar 2. umur

gambar 3. kreatinin serum

  Melaporkan hasil

Tabel 10.3. Hasil uji normalitas

Berat Badan Umur Kreatinin Serum

Bersihan Kreatinin n p n p n p
53 - 47 0,000 0,9 0,000
55 0,019 48 0,024 1 0,019
56 0,024 49 0,006 1,1 0,000
57 0,035 50 0,024
51 0,000
52 -
Dikatakan normal apabila p> 0,005

 Analisis Bivariate
analyze>> correlate>> bivariate

masukan semua variable kedalam kotak variabels kemudian centang kotak ‘pearson’ dan
‘two-tailed’ lalu klik OK
Nanti akan keluar output seperti berikut:

 Melaporkan hasil

Tabel 10.4. Analisis Bivariat

Bersihan kreatini
Umur r = -0,365
p = 0,073
Berat badan r = 0,223
p = 0,285
Kreatinin serum r = -0,963
p < 0,001
Cek nilai r, jika nilai r < 0,25 maka dapat dimasukan kedalam analisis regresi linier.

 Analisisi Multivariate (regresi linier)

Analyze>> Regression>> Linier

nanti akan keluar kotak dialog berikut, masukan bersihan kreatinin kedalam dependent dan
variable lain (seperti umur dan kreatinin serum ) kedalam independent. Terakhir, pilih metode
backward dan pilih OK

Setelah itu akan keluar output seperti berikut, cek bagian coefficient:

gunakan variabel dengan korelasi -0,963 untuk memprediksi bersihan kreatinin

 Menentukan persamaan:
y= konstanta + a1X1 + a2X2+…+ aiXi
ket:
- Nilai konstanta = 118.663
- a1= nilai koefisien variable kreatinin serum
- x1= kreatinin serum

maka rumus pemodelan yang didapat yaitu:

y= 118.663 – 49.510 (kadar kreatinin)

misal pasien memiliki kadar kreatinin 1,2 mg/dl. maka:

 bersihan kreatinin = 118.663 – 49.510 (1,2)

= 59,221 ml/mnt
  Menilai kualitas rumus yang diperoleh:

Dapat dilakukan dengan mengecek nilai diskriminasi pada ANOVA

- Lihat hasil Anova pada no.3 = Anova <0,001, maka rumus pemodelan bersihan
kreatinin layak digunakan.

 Melakukan cek kalibrasi menggunakan R2

Dilakukan melalui pengecekan pada tabel model summary sebagai berikut:

- Lihat pada no.3 pada R Square yaitu kreatinin serum mampu menjelaskan 92,7% faktor
yang mempengaruhi bersihan kreatinin. Sedangkan 7,3% disebabkan oleh faktor lain.

 Melaporkan hasil

Tabel 10.5. Hasil analisis Regresi Linier

Langkah Variabel Koefisien Koef. korelasi p

Langkah 1 umur 0,292 0,0065 0,307
kreatinin serum -50,971 -0,991 <0,001
konstanta 105,69 <0,001
Langkah 2 kreatinin serum -49,510 -0,001 <0,001
konstanta 118,66 <0,001