TUGAS MATA KULIAH BIOSTATISTIK

(APPLIED RESEARCH BIOSTATISTIC)

Oleh:
Kristina Naralyawan
NIM. P1337430423012

Dosen Pengampu:
Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc

PROGRAM STUDI MAGISTER TERAPAN IMAGING DIAGNOSTIK

PROGRAM PASCASARJANA POLTEKKES KEMENKES SEMARANG
2022
Nama Mahasiswa : Kristina Naralyawan
NIM : P1337430422012
Prodi/ Kelas : Magister Terapan Kesehatan Imaging Daignostik (ID)
Mata Kuliah : Biostatistik
Dosen : Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc
Tanggal : (Uji Anova)

Soal:
Buat data imaginer untuk Uji Anova dan dibuat di SPSS diketik step by step!

Pembahasan:
1. Uji One Way Anova SPSS
Konsep dasar Uji Anova One Way
a. Konsep dasar Uji Anova One Way bertujuan untuk mengetahui apakah te
rdapat perbedaan rata-rata data lebih dari2 (dua) kelompok independent a
tau minimal 3 (kelompok) independent
b. Uji Anova One Way merupakan bagian dari Statistik Parametrik
c. Alternatif dari Uji Anova One Way adalah Uji Kursial Wallis (apabila da
ta tidak berdistribusi normal)
Syarat dilakukannya Uji Anova One Way
a. Sampel berasal dari kelompok independen
b. Variabel faktro bersifat Non Metrik (data kategori)
c. Data masing-masing kelompok berdistribusi Normal
d. Varian data antar kelompok harus Homogen
e. Skala pengukurannya interval/ ratio
f. Jenis data yang digunakan Numerik dengan Kategorik
Contoh kasus Uji Anova One Way
a. Suatu penelitian dilakukan mengenai Sistem Data dan Pelaporan
Pencitraan Prostat Versi 2 (PI-RADS V2) berdasarkan nilai
Prostat-Tingkat Antigen Spesifik (PSA) dari bulan pertama (Januari),
bulan ke 3 dan ke 6.
Hasil uji normalitas dilihat dari Test of Normality:
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Bulan Statistic df Sig. Statistic df Sig.
PSA Januari ,175 25 ,047 ,923 25 ,059
Maret ,147 25 ,169 ,926 25 ,072
Juni ,197 25 ,014 ,925 25 ,068

Dasar pengambilan keputusan uji Normalitas:

 Jika nilai Sig. > 0.05 maka data berdistribusi normal
 Jika nilai Sig. < 0.05 maka data berdistribusi tidak normal
Analisis Output SPSS:
Bulan Januari : nilai Sig.0.059 ( > 0.05)
Bulan Maret : nilai Sig.0.072 ( > 0.05)
Bulan Juni : nilai Sig.0.068 ( > 0.05)
Kesimpulan : data berdistribusi normal, karena nilai signifikansi lebih
besar dari 0.05 ( > 0.05)
Asumsi normalitas data sudah terpenuhi
Dasar pengambilan keputusan uji Homogenitas:
 Jika nilai Sig. > 0.05 maka distribusi data adalah Homogen (varians
data sama)
 Jika nilai Sig. < 0.05 maka distribusi data adalah tidak Homogen
(varians data sama)
Test of Homogeneity of Variances
Levene
Statistic df1 df2 Sig.
PSA Based on Mean 1,995 2 72 ,143
Based on Median 1,288 2 72 ,282
Based on Median and with 1,288 2 67,193 ,283
adjusted df
Based on trimmed mean 1,937 2 72 ,152

Hasil output SPSS uji Homogenitas:

Nilai Signifikasni lebih besar dari 0.05 (0.152 > 0.05), maka bisa
disimpulkan bahwa varian data adalah Homogen.

Pedoman Uji One Way Anova:

 Jika nilai Sig. (2.tailed) < 0.05 maka ada perbedaan hasil antara bulan
Januari, Maret dan Juni secara signifikan
 Jika nilai Sig. (2.tailed) > 0.05 maka tidak ada perbedaan hasil antara
bulan Januari, Maret dan Juni secara signifikan

Interpretasi Hasil Output SPSS

ANOVA
PSA
Sum of Squares df Mean Square F Sig.
Between Groups 3,387 2 1,693 ,823 ,443
Within Groups 148,160 72 2,058
Total 151,547 74
Analisa Hasil Output SPSS Anova:
Berdasarkan table diatas (Anova), diketahui nilai signifikansi lebih besar
dari 0.05 (0.443 > 0.05)
Kesimpulan: rata-rata tingkat PSA dari yang dinilai berdasarkan Score PI-
RADS V2 tidak berbeda secara signifikan.
Descriptives
PSA
95% Confidence Interval for Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound
Januari 25 2,88 1,166 ,233 2,40 3,36
Maret 25 2,64 1,630 ,326 1,97 3,31
Juni 25 2,36 1,469 ,294 1,75 2,97
Total 75 2,63 1,431 ,165 2,30 2,96

Analisis Output SPSS (Descriptive):

 Rata-rata nilai PSA bulan Januari sebesar 3,36
 Rata-rata nilai PSA bulan Maret sebesar 3,31
 Rata-rata nilai PSA bulan Juni sebesar 2,97
Kesimpulan : Rata-rata tertinggi bulan Maret

Analisis Output SPSS (TUKEY):

PSA
Tukey B a

Subset for alpha

= 0.05
Bulan N 1
Juni 25 2,36
Maret 25 2,64
Januari 25 2,88

 Hanya terdapat subset 1 pada data table diatas, maka dapat diartikan
bahwa Nilai PSA bulan Januari, Maret dan Juni secara signifikan
berbeda.
Nama Mahasiswa : Kristina Naralyawan
NIM : P1337430422012
Prodi/ Kelas : Magister Terapan Kesehatan Imaging Daignostik (ID)
Mata Kuliah : Biostatistik
Dosen : Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc
Tanggal Tugas : (Uji Ancova) 22 November 2022

Soal:
Buat data imaginer untuk Uji Ancova dan dibuat di SPSS diketik step by step!

Pembahasan:
1. Analysis of Covariance (Uji Ancova) SPSS
Analysis of Covariance merupakan uji statistic yang didalamnya
menggabungkan uji beda rata-rata regresi
Uji Ancova bertujuan untuk mengetahui ada atau tidaknya pengaruh
perlakukan trehadap suatu variabel dengan mengontrol variabel lain yang
berskala data kuantitatif.
Variabel yang digunakan dalam Uji Ancova adalah:
d. Variabel imdependen (bebas)
e. Variabel dependen (terikat)
f. Variabel kontrol (kovarian)
Skala data yang digunakan dalam Uji Ancova adalah:
g. Data Kuanyiyatif (variabel dependen dan kontrol)
h. Data Kualitatif (variabel independen)
Contoh Kasus Uji Ancova
1. Suatu penelitian dilakukan mengenai apakah terdapat pengaruh perbedaa
n 3 sekuen terhadap hasil interpretasi MRI Breast dengan dikontrol oleh s
can time sebagai variable control (covariate).
Varabel yang digunakan:
a. Variabel independent : Sekuen (skala data kualitatif), ada 3
kategorisasi data yang digunakan dalam variabel ini; yakni
1) Sekeun T2 STIR
2) Sekuen DWI
3) Sekuen T1 Flash 3D FS Dynamic
 b. Variabel dependen: hasil interpretasi MRI Breast (skala data
kuantitatif)
c. Variabel control (covariate): scan time atau lamanya waktu (skala da
ta kuantitatf)
Penelitian ini dilakukan dengan tujuan:
a. Apakah ada pengaruh secara signifikan antara scan time atau
lamanya waktu dengan hasil interpretasi MRI Breast
b. Apakah ada perbedaan hasil interpretasi MRI Breast secara
signifikan berdasarkan sekuen, dengan mengontrol scan time.

Pembahasan
Tabel data:

Dari data tersebut masukan data ke uji SPSS dengan cara sebagai berikut:
1. Input data variabel

2. Pada toolbar: klik analyze – general lineat model – univariate

3. Masukan hasil pada dependent variable, sequence pada fixed factor (s), d
an scan time pada covariate (s) – klik ok

4. Pilih options lalu pilih descriptive statistics dan homogenity test.

Pembahasan hasil Output SPSS:

Kriteria pengujian Analysis of Covariance (Uji Ancova):
a. Jika nilai Sig. < 0.05 maka data bisa diartikan ada perbedaan atau
pengaruh secara signifikan
b. Jika nilai Sig. > 0.05 maka data bisa diartikan tidak ada perbedaan
atau pengaruh secara signifikan
 Between-Subjects Factors
N
sequence 1 35
2 35
3 35

Descriptive Statistics
Dependent Variable: hasil
sequence Mean Std. Deviation N
1 3,23 1,308 35
2 4,06 1,056 35
3 2,83 1,175 35
Total 3,37 1,280 105

Levene's Test of Equality of Error

Variancesa
Dependent Variable: hasil
F df1 df2 Sig.
1,445 2 102 ,241

Tests the null hypothesis that the error variance of

the dependent variable is equal across groups.a
a. Design: Intercept + scan_time + sequence

Tests of Between-Subjects Effects

Dependent Variable: hasil
Type III Sum of
Source Squares df Mean Square F Sig.
Corrected Model 36,320 a
3 12,107 9,112 ,000
Intercept ,141 1 ,141 ,106 ,746
scan_time 8,835 1 8,835 6,649 ,011
sequence 22,798 2 11,399 8,580 ,000
Error 134,194 101 1,329
Total 1364,000 105
Corrected Total 170,514 104

a. R Squared = ,213 (Adjusted R Squared = ,190)

 nilai Sig. 0.18 (< 0.05) nilai tersebut kurang dari 0.05, maka bisa
disimpulkan bahwa ada pengaruh secara signifikan antara scan time
terhadap hasil.
 nilai Sig. 0.00 (< 0.05) nilai tersebut kurang dari 0.05, maka bisa
disimpulkan bahwa ada perbedaan hasil secara signifikan berdasarkan
sekuen.

Interpretasi Hasil Analisis data

Dari output di atas terlihat bahwa angka signifikansi untuk peubah scan time
adalah 0.011. karena nilai Sig.< 0.05 maka H0 ditolak. Hal ini berarti bahwa

pada tingkat kepercayaan 95% dapat dikatakan ada hubungan linier

antara scan time dengan nilai atau hasil MRI Breast. Pernyataan ini
mengindikasikan bahwa asumsi Ancova telah terpenuhi.
Nama Mahasiswa : Kristina Naralyawan
NIM : P1337430422012
Prodi/ Kelas : Magister Terapan Kesehatan Imaging Daignostik (ID)
Mata Kuliah : Biostatistik
Dosen : Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc
Tanggal : (Uji Manova)

Soal:
Buat data imaginer untuk Uji Manova dan dibuat di SPSS diketik step by step!
Pembahasan:
1. Multivariate Analysis of Variance (Uji Manova) SPSS
a. Uji Manova bertujuan untuk mengetahui ada atau tidaknya pengaruh
variabel Independen yang berskala data Kualitatif (kategorik) terhadap
beberapa Variabel Dependenyang berskala data Kuantitatif (Numerik)
secara simultan atau bersama-sama
b. Uji Manova merupakan pengembangan dari uji statistik One Way
Anova, perbedaan dasarnya yaitu One Way Anova hanya menggunakan
1 variabel Dependen, sedangkan Manova minimal 2 variabel Dependen
c. Uji Manova termasuk bagian dari Statistik Parametrik, dimana asumsi
normalitas data harus terpenuhi.
Contoh Kasus Uji Mancova
1. Suatu penelitian dilakukan mengenai apakah terdapat pengaruh perbedaa
n BIRADS dan Assesement Categories, 3 variabel Mammography,
Ultrasound dan Magnetic Resconance Imaging.
Variabel yang digunakan:
d. Variabel Independen:
4) Mammography (Kotegori 1)
5) Ultrasound (Kotegori 2)
6) Magnetic Resconance Imaging (Kotegori 3)
e. Variabel Dependen
1) BI-RADS (X1)
2) Assesement Categories (X2)
Tabel data:
Kategori 1 Kategori 2 Kategori 3
Mam
kode hasil mo kode hasil USG kode hasil MRI
1 2 122 2 3 106 3 1 55
1 3 125 2 4 109 3 2 60
1 1 115 2 2 95 3 1 45
1 2 123 2 3 107 3 1 57
1 4 125 2 5 109 3 3 60
1 5 130 2 5 114 3 4 65
1 5 120 2 5 105 3 3 55
1 4 129 2 5 113 3 3 63
1 3 135 2 5 119 3 2 70
1 2 130 2 3 114 3 1 64
1 3 127 2 4 111 3 2 60
1 4 130 2 5 114 3 3 65
1 2 120 2 3 100 3 2 50
1 3 128 2 4 112 3 2 62
1 5 130 2 5 114 3 4 65
1 5 135 2 5 119 3 5 70
1 5 125 2 5 110 3 4 60
1 5 134 2 5 118 3 4 68
1 4 140 2 5 124 3 3 75
1 3 135 2 4 119 3 2 69
1 2 122 2 3 106 3 3 55
1 3 125 2 4 109 3 4 60
1 1 115 2 2 95 3 2 45
1 2 123 2 3 107 3 3 57
1 4 125 2 5 109 3 5 60
1 5 130 2 5 114 3 4 65
1 5 120 2 5 105 3 3 55
1 4 129 2 5 113 3 3 63
1 3 135 2 5 119 3 2 70
1 2 130 2 3 114 3 1 64
1 2 140 2 3 124 3 3 75
1 3 130 2 4 115 3 4 65
1 1 139 2 2 123 3 2 73
1 2 145 2 3 129 3 3 80
1 4 140 2 5 124 3 5 74

Dari data tersebut masukan data ke uji SPSS dengan cara sebagai berikut:
1. Input data variabel
2. Pada toolbar: klik analyze – descrpitive statistic - explore
 3. Masukan x1 dan x2 pada dependent list, modality pada fixed list (s), – kl
ik ok
4. Pilih options lalu pilih analys general linear model - multivariate
5. X1 dan x2 dependent variabel dan modality pada fixed factors (s)
6. Klik Post Hoc - masukan modality pada post hoc test for - klik bonferoni
dan games howell - klik ok
7. Option - masukan modality pada display mean for - compare main effect
- bonferroni
8. Bagian display klik descriptive statistic - homogenity test - continue

Pembahasan hasil Output SPSS:

Kriteria pengujian Uji Normalitas
c. Jika nilai Sig. < 0.05 maka data bisa diartikan tidak berdistribusi
secara normal
d. Jika nilai Sig. < 0.05 maka data bisa diartikanberdistribusi secara
normal

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
moality Statistic df Sig. Statistic df Sig.
x1 mammo ,145 35 ,059 ,973 35 ,522
usg ,110 35 ,200 *
,972 35 ,514
mri ,109 35 ,200 *
,977 35 ,655
x2 mammo ,169 35 ,013 ,897 35 ,003
usg ,300 35 ,000 ,790 35 ,000
mri ,160 35 ,024 ,919 35 ,014
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Kriteria Pengujian Uji Homogenitas:

a. Jika nilai Sig. < 0.05 maka bisa disimpulkan bahwa varian data tidak
homogen, maka uji lanjut yang digunakan yaitu games-howell
b. Jika nilai Sig. < 0.05 maka bisa disimpulkan bahwa varian data
homogen, maka uji lanjut yang digunakan yaitu bonferroni
Kriteria Pengujian Uji Manova:
a. Jika nilai Sig. < 0.05 maka bisa disimpulkan ada pengaruh secara
signifikan
b. Jika nilai Sig. < 0.05 maka bisa disimpulkan tidak ada pengaruh
secara signifikan

Interpretasi Hasil Analisis data

Tidak dapat di interpretasi karena eror tidak
Nama Mahasiswa : Kristina Naralyawan
NIM : P1337430422012
Prodi/ Kelas : Magister Terapan Kesehatan Imaging Daignostik (ID)
Mata Kuliah : Biostatistik
Dosen : Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc
Tanggal : (Uji Mancova)

Soal:
Buat data imaginer untuk Uji Mancova dan dibuat di SPSS diketik step by step!

Pembahasan:
1. Multivariate Analysis of Covariance (Uji Mancova) SPSS
d. Uji Mancova merupakan bentuk multivariat dari Uji Ancova, perbedaan
dasarnya yaitu Uji Ancova hanya menggunakan 1 variabel Dependen,
sedangkan Uji Mancova minimal 2 variabel.
e. Uji Mancoba juga hampir mirip dengan Uji Manova, yang
membedakannya yaitu pada Variabel Independen. Uji Manova hanya
menggunakan suatu variabel independen berskala data kualitatif
(kategorik), sedangkan Uji Mancova menggunakan 2 variabel
independen, yang satuj berskala data kualitatif (kategorik) dan satunya
lagi berskala data kuantitatif (numerik)
f. Uji Mancova termasuk bagian dari Statistik Parametrik, dimana asumsi
normalitas data harus terpenuhi.
Contoh Kasus Uji Mancova
1. Suatu penelitian dilakukan mengenai apakah terdapat pengaruh perbedaa
n BIRADS dan Assesement Categories, 3 variabel Mammography,
Ultrasound dan Magnetic Resconance Imaging.
Variabel yang digunakan:
f. Variabel Dependen
3) BI-RADS (Y1)
4) Assesement Categories (Y2)
g. Variabel dependen:
7) Mammography (data kuantitatif) (A)
8) Ultrasound (data kuantitatif) (B)
9) Magnetic Resconance Imaging (data kuantitatif) (C)
Pembahasan
Tabel data:

Location of
Massa (Kode 1) Calcifications (Kode 2) lesion(Kode 3)
Ma Ma Ma
Ko BI- BI- BI-
mm US Kod mm M Kod mm US
de RAD MRI RA USG RA MRI
ogra G e2 ogra RI e3 ogr G
1 S DS DS
hy hy ahy
1 2 5 4 3 2 3 5 3 4 3 1 4 4 4
1 3 4 4 4 2 4 4 3 4 3 2 4 4 5
1 1 4 4 3 2 2 5 4 4 3 1 4 4 4
1 2 4 3 3 2 3 5 4 5 3 1 3 4 5
1 4 3 3 4 2 5 5 5 5 3 3 3 5 5
1 5 3 4 4 2 5 4 5 5 3 4 3 5 5
1 5 4 4 3 2 5 4 5 5 3 3 5 5 4
1 4 4 4 3 2 5 4 4 5 3 3 5 5 4
1 3 5 5 3 2 5 5 3 5 3 2 5 5 3
1 2 5 5 5 2 3 4 3 5 3 1 5 4 4
1 3 4 5 5 2 4 4 3 4 3 2 5 3 4
1 4 3 5 4 2 5 5 3 5 3 3 4 3 4
1 2 3 5 4 2 3 5 4 4 3 2 4 3 4
1 3 3 4 3 2 4 5 4 4 3 2 4 4 5
1 5 4 4 3 2 5 5 5 5 3 4 3 5 4
1 5 5 4 3 2 5 5 3 4 3 5 4 4 4
1 5 4 4 4 2 5 4 3 4 3 4 4 4 5
1 5 4 4 3 2 5 5 4 4 3 4 4 4 4
1 4 4 3 3 2 5 5 4 5 3 3 3 4 5
1 3 3 3 4 2 4 5 5 5 3 2 3 5 5
1 2 3 4 4 2 3 4 5 5 3 3 3 5 5
1 3 4 4 3 2 4 4 5 5 3 4 5 5 4
1 1 4 4 3 2 2 4 4 5 3 2 5 5 4
1 2 5 5 3 2 3 5 3 5 3 3 5 5 3
1 4 5 5 5 2 5 4 3 5 3 5 5 4 4
1 5 4 5 5 2 5 4 3 4 3 4 5 3 4

1 5 3 5 4 2 5 5 3 5 3 3 4 3 4
1 4 3 5 4 2 5 5 4 4 3 3 4 3 4
1 3 3 4 3 2 5 5 4 4 3 2 4 4 5
1 2 4 4 3 2 3 5 5 5 3 1 3 5 4
1 2 5 5 2 2 3 5 2 4 3 1 4 3 5
1 3 4 5 2 2 4 4 3 4 3 2 4 3 5
1 3 4 5 3 2 4 5 3 4 3 3 4 4 5
1 4 4 5 3 2 5 5 3 5 3 3 3 4 5
1 4 3 5 3 2 5 5 3 5 3 4 3 5 5
Dari data tersebut masukan data ke uji SPSS dengan cara sebagai berikut:
1. Input data variabel

2. Klik Analysis - general linear model - multivariate

3. Klik analysis - Descriptive statistics - Explore

4. Masukan data recidual ke dependent list

5. Klik plots - ceklist pada descriptive steam and leaf - normality plot with test -
klik continue

Hasil Interpretasi Uji Analisis Mancova:

Kriteria pengujian Uji Normalitas:
 Jika nilai Sig. < 0.05 maka bisa disimpulkan data tidak distribusi secara
normal
 Jika nilai Sig. > 0.05 maka bisa disimpulkan data distribusi secara normal

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Residual for Mammography ,095 105 ,061 ,982 105 ,180
Residual for USG ,082 105 ,077 ,973 105 ,061
Residual for MRI ,081 105 ,085 ,972 105 ,078
a. Lilliefors Significance Correction

Kriteria Pengujian Uji Mancova :

 Jika nilai Sig. < 0.05 maka bisa disimpulkan maka ada pengaruh secara
signifikan
 Jika nilai Sig. < 0.05 maka bisa disimpulkan maka tidak ada pengaruh secara
signifikan
Interpretasi Hasil Output SPSS Uji Mancova

Multivariate Testsa
Effect Value F Hypothesis df Error df Sig.
Intercept Pillai's Trace ,654 62,449b 3,000 99,000 ,000
Wilks' Lambda ,346 62,449 b
3,000 99,000 ,000
Hotelling's Trace 1,892 62,449 b
3,000 99,000 ,000
Roy's Largest Root 1,892 62,449b 3,000 99,000 ,000
BIRADS Pillai's Trace ,201 8,289b 3,000 99,000 ,000
Wilks' Lambda ,799 8,289 b
3,000 99,000 ,000
Hotelling's Trace ,251 8,289 b
3,000 99,000 ,000
Roy's Largest Root ,251 8,289b 3,000 99,000 ,000
Category Pillai's Trace ,356 7,210 6,000 200,000 ,000
Wilks' Lambda ,661 7,594 b
6,000 198,000 ,000
Hotelling's Trace ,488 7,974 6,000 196,000 ,000
Roy's Largest Root ,430 14,334c 3,000 100,000 ,000
a. Design: Intercept + BIRADS + Category
b. Exact statistic
c. The statistic is an upper bound on F that yields a lower bound on the significance level.
Analisis Output SPSS:
Nilai Sig. Sebesar 0.000 (<0.05) maka nilai tersebut kurang dari 0.05 maka bisa
disimpulkan bahwa ada perbedaan pengaruh secara signifikan Category terhadap
Modality USG, MRI, dan Mamography.

Tests of Between-Subjects Effects

Type III
Dependent Sum of
Source Variable Squares df Mean Square F Sig.
Corrected Mammography 29,782 a
3 9,927 10,799 ,000
Model USG 14,715 b
3 4,905 5,336 ,002
MRI 31,065c 3 10,355 11,727 ,000
Intercept Mammography 116,528 1 116,528 126,761 ,000
USG 122,047 1 122,047 132,764 ,000
MRI 112,975 1 112,975 127,945 ,000
BIRADS Mammography 16,239 1 16,239 17,665 ,000
USG 12,182 1 12,182 13,251 ,000
MRI 16,132 1 16,132 18,269 ,000
Category Mammography 5,366 2 2,683 2,919 ,059
USG 8,915 2 4,458 4,849 ,010
MRI 10,581 2 5,290 5,991 ,003
Error Mammography 92,847 101 ,919
USG 92,847 101 ,919
MRI 89,183 101 ,883
Total Mammography 1708,000 105
USG 1639,000 105
MRI 1667,000 105
Corrected Mammography 122,629 104
Total USG 107,562 104
MRI 120,248 104
a. R Squared = ,243 (Adjusted R Squared = ,220)
b. R Squared = ,137 (Adjusted R Squared = ,111)
c. R Squared = ,258 (Adjusted R Squared = ,236)

Analisis Output SPSS:

 Nilai Sig. Sebesar 0.59 (>0.05) maka nilai tersebut kurang dari 0.05 maka
bisa disimpulkan bahwa tidak ada perbedaan pengaruh secara signifikan
Category terhadap Mamography
 Nilai Sig. Sebesar 0.010 (<0.05) maka nilai tersebut kurang dari 0.05 maka
bisa disimpulkan bahwa ada perbedaan pengaruh secara signifikan Category
terhadap MRI.
 Nilai Sig. Sebesar 0.03 (<0.05) maka nilai tersebut kurang dari 0.05 maka
bisa disimpulkan bahwa ada perbedaan pengaruh secara signifikan Category
terhadap USG.

Nama Mahasiswa : Kristina Naralyawan

NIM : P1337430422012
Prodi/ Kelas : Magister Terapan Kesehatan Imaging Daignostik (ID)
Mata Kuliah : Biostatistik
Dosen : Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc
Tanggal : (Uji Regresi Linier Berganda 2)

Soal:
Buat data imaginer untuk Uji Regresi Linier Berganda 2, data masing-masing
50 jadi 100 dan dibuat di SPSS diketik step by step!

Pembahasan:

Nama Mahasiswa : Kristina Naralyawan

NIM : P1337430422012
Prodi/ Kelas : Magister Terapan Kesehatan Imaging Daignostik (ID)
Mata Kuliah : Biostatistik
Dosen : Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc
Tanggal : (Uji Regresi Linier Berganda 2)

Soal:
Buat data imaginer untuk Uji Regresi Linier Berganda 2, data masing-masing
50 jadi 100 dan dibuat di SPSS diketik step by step!

Pembahasan:
1. Sediakan data penelitian
2. Input Data ke dalam Aplikasi SPSS

1. Masukkan data fiktif ke SPSS (dalam tutorial ini menggunakan SPSS

Versi 21)
2. Pada Menu Bar, pilih Analyze > Regression > Linear
3. Akan muncul jendela seperti dibawah ini:
4. Lalu, masukkan variabel Y ke bagian Dependent dan variabel X1, X2,
X3, X4, dan X5 ke bagian Independent(s), kemudian klik OK.

3. Tentukan Model Summary

4. Lakukan Uji Simultan
Diketahui p-value uji simultan 0,003 (lebih kecil dari). Berdasarkan hasil uji
simultan dapat dinyatakan bahwa terdapat cukup bukti untuk menyatakan bahwa
minimal ada satu βi yang tidak sama dengan nol atau dengan kata lain, minimal
ada satu variable bebas yang berpengaruh signifikan terhadap variable Y.
5. Buat Output Koefisien dan Signifikansi
6. Lakukan Pengujian Linearitas
Untuk menguji apakah asumsi Linieritas terpenuhi, kita dapat menggunakan plot
residual dengan fitted value (predicted value) atau bisa juga dengan plot residual
dengan variable independent (John Neter, 1989:118).

Cara menampilkan plot residual vs fitted value di SPSS:

1. Pilih menu Analyze >> Regression >> Linear
2. Masukkan variable dependent dan variable-variabel bebas
 3. Klik Save >> centang pada Unstandardized Predicted
Value dan Unstandardized Residual >> Continue >> OK
4. Pilih menu Graphs >> Legacy Dialogs >> Scatter/Dot >> pilih Simple
Scatter
5. Masukkan variable Unstandardized Residual sebagai Y
dan Unstandardized Predicted Value sebagai X >> OK

7. Lakukan Pengujian Asumsi Normalitas

Untuk menguji asumsi Normalitas, dapat menggunakan analisis Normal P-P Plot
atau dengan uji-uji normalitas seperti uji Liliefors atau Kolmogorov-Smirnov.
Namun, pada saat ini kita akan menggunakan uji Kolmogorov-Smirnov untuk
menguji normalitas dari residual dari regresi.

1. Untuk melakukan uji normalitas, pastikan kita telah memiliki

variabel Unstandardized Residuals, yang kita dapatkan dari hasil uji
linearitas diatas.
2. Setelah itu, kita dapat melakukan uji Kolmogorov-Smirnov dengan
mengklik Analyze >> Nonparametric Test >> Legacy Dialogs >> 1-
Sample K-S
3. Kemudian akan muncul jendela seperti ini, dan masukkan
variabel Unstandardized Residuals.

Kita perhatikan pada nilai Asymp. Sig. (2-tailed) yang merupakan p-value
untuk uji KS ini. P-Value atau Asymp. Sig. (2-tailed) yang dihasilkan sebesar
0,652 yang lebih besar dari alpha=0,05. Hal ini menunjukkan bahwa residual
dari regresi telah memenuhi asumsi normalitas.

Nomer X7 X8 Y
1 86 76 86
2 86 76 90
3 76 81 96
4 81 81 90
5 81 67 81
6 76 81 76
7 76 81 76
8 76 62 98
9 76 57 76
10 86 76 86
11 81 81 86
12 76 81 89
13 81 67 76
14 81 76 81
 15 76 76 76
16 76 80 76
17 71 62 81
18 86 81 90
19 86 67 90
20 86 81 90
21 71 81 80
22 67 81 70
23 76 67 81
24 81 76 91
25 86 67 86
26 81 81 81
27 76 81 76
28 81 62 81
29 76 57 76
30 81 76 81
31 71 76 86
32 76 81 86
33 76 57 76
34 86 62 86
35 81 81 81
36 86 86 86
37 81 76 81
38 76 76 91
39 86 81 86
40 81 81 81
41 81 67 81
42 81 81 81
43 76 81 76
44 76 62 76
45 76 62 76

1. Berilah nama variabel X dan Y, sesuaikan dengan hasi analisinya sehingga

secara teoritik benar atau rasional!
2. Dari output model summary diatas terlihat bahwa nilai R (Koefisien
korelasi) sebesar 0,457 yang berarti bahwa variabel dependent (nilai ujian)
dan variabel independent (skor tes kecerdasan dan frekuensi membaca)
dapat dikategorikan memiliki hubungan linier yang cukup kuat
3. Berdasarkan hasil output model summary pada tabel diatas,
diperoleh Adjusted R Square sebesar 0.172 atau 17,2 %. Hal ini
menunjukkan bahwa variabelindependent (skor tes kecerdasan dan
frekuensi membaca) berpengaruh sebesar 17,2% terhadap variabel
dependent (nilai ujian) sedangkan sisanya

Interpretasi (Makna persamaan Regresi)

a. Constanta (a)
>ni berarti a(abila semua variabel inde(endent (skor tes
kecerdasan dan )rekuensi membaca) memiliki nilai nol (0)
maka variabel de(endent (nilai ujian) sebesar 8,881.
b. Skor Tes Kecerdasan (Variabe/ X1) terhadap Nilai Ujian
(Variabe/ Y)
Nilai koe)isien untuk variabel X1 (skor tes kecerdasan)
sebesar 0,347 (bertandan (ositi)). Hal ini mengandung arti
bahwa setia( kenaikan variabel X1 (skor tes kecerdasan)
satu satuan, maka variabel Y (nilai ujian) akan naik sebesar
0,347 dengan asumsi bahwa variabel bebas yang lain dari
model regresi adalah teta(.
c. Frekuensi Membaca (Variabe/ X2) terhadap Nilai Ujian
(Variabe/ Y)
Nilai koe)isien untuk variabel X* ()rekuensi membaca)
sebesar 0,043 (bertandan (ositi)). Hal ini mengandung arti
bahwa setia( kenaikan variabel X* ()rekuensi membaca)
satu satuan, maka variabel Y (nilai ujian) akan naik sebesar
0,043 dengan asumsi bahwa variabel bebas yang lain dari
model regresi adalah teta
 Hipotesis :
H0 : β @ 0 (model regresi Y terhadap X tidak
signifikan atau tidak berarti atau tidak sesuai)
H1 : β A 0 (model regresi Y terhadap X signifikan
atau memiliki arti atau sesuai)

Oleh karena F-hitung = 5,5557 > F-tabel (0,05) = 3,22,

maka H0 ditolak dan H1 diterima. Kesimpulannya, bahwa
variabel independent (X1 dan X2) dengan signifikan
memberikan kontribusi terhadap variabel dependent
Berdasarkan nilai Signifikan, terlihat pada kolom sig
yaitu 0,007 itu berarti probabilitas 0,007 kurang dari
daripada 0,05 maka H0 ditolak.
a = 0.05
Pengambilan Keputusan : Jika F hitung ≤ T tabel atau
probabilitas ≥ 0,05 maka H 0 diterima Jika F hitung ˃ T tabel atau
probabilitas < 0,005 maka H0 ditolak

Nama Mahasiswa : Kristina Naralyawan

NIM : P1337430422012
Prodi/ Kelas : Magister Terapan Kesehatan Imaging Daignostik (ID)
Mata Kuliah : Biostatistik
Dosen : Prof. Dr. Hj. Lucky Herawati, SKM, M.Sc
Tanggal : (Uji Regresi Logistik Berganda)

Soal:
Buat data imaginer untuk Uji Regresi Logistik Berganda dan dibuat di SPSS
diketik step by step!

Pembahasan:

Penelitian ini ingin mengetahui bagaimana pengaruh layanan

pemeriksaan MRI dengan kepuasan pelanggan. Penelitian dilakukan
kepada 30 orang responden. Kepuasan diteliti melalui uji variabel
ketepatan waktu pengerjaan (X1), harga (X2), hasil bacaan atau
expertise (X3), keramahan petugas (X4). Kepuasan pasien tersebut (Y)
sebagai variabel dependent adalah variabel dummy dimana jika
responden menjawab puas maka kita beri skor 1 dan jika menjawab
tidak puas maka kita beri skor 0.

x1 x2 x3 x4 y

78 75 120 85 1

89 80 115 75 1
67 64 120 87 0

83 73 121 70 1
73 72 113 74 0

75 69 110 84 0
86 90 120 91 1

77 81 105 77 0
91 79 111 91 1

80 77 119 80 1
79 83 123 76 0

84 67 118 77 0
72 84 117 89 0

90 68 112 84 1

76 84 120 85 1
69 90 108 80 0

81 70 110 79 1
75 68 117 78 0

69 79 120 70 1
78 80 106 72 1
 91 76 113 83 0

83 85 119 88 0
85 65 121 79 1

Langkah regresi logistik menggunakan SPSS :

1. Klik Analyze – Regression – Binary Logistic

2. Masukkan variabel Y sebagai dependent dan variabel X1,
X2, dan X3 sebagai covariates
3. Klik OK

Output dan Interpretasi Regresi Logistik

Block 0: Beginning Block
Iteration Historya,b,c
Coefficien
ts
Iteratio -2 Log
Constant
n likelihood
Step 0 1 41,054 ,267
2 41,054 ,268
3 41,054 ,268

a. Constant is included in the model.

b. Initial -2 Log Likelihood: 41,054
c. Estimation terminated at iteration number 3 because parameter
estimates changed by less than ,001.

Nilai -2 Log likehood dari tabel di atas didapat sebesar 41,054 yang
akan dibandingkan dengan nilai Chi-square pada taraf signifikansi
0,05 dengan df sebesar N-1 dengan N adalah jumlah sampel,
sehingga diperoleh 30 – 1 = 29. Dari tabel, Chi-square tabel didapat
42,55695. Jadi -2 Log likehood > Chi-square tabel ( 41,054 <
42,55695) yang berarti model belom layak digunakan

Hipotesis

H0 : variabel independent tidak berpengaruh signifikansi

terhadap variabel dependent H1 : variabel independent
berpengaruh signifikansi terhadap variabel dependent
Taraf Signifikansi
α = 0,05
 Kriteria keputusan
H0 ditolak jika p-value < 0,05 (α)

a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 41,054
d. Estimation terminated at iteration number 5 because parameter
estimates changed by less than ,001.

Untuk membuktikan apakah model -2 Log Likehood yang

pertama sudah layak digunakan, maka dapat menggunakan
model -2 Log Likehood yang kedua yaitu dengan
memasukkan semua variabel bebasnya yang tampak pada
tabel di atas yaitu sebesar 32,328. Sehingga df nya menjadi
N – 5 = 30 – 5 = 25 dengan 5 adalah jumlah seluruh
variabel penelitian. Nilai Chi-square tabel dengan df 25 dan
taraf signifikansi sebesar 0,05 adalah 37,65249 . Maka -2
Log likehood < Chi-square tabel ( 32,328 < 37,65249) yang
berarti model belum layak.

Dari perhitungan -2 Log likehood pertama dan -2 Log

likehood kedua dapat dilihat penurunannya sebesar 41,054 –
32,328 = 8,726 yang dihitung secara manual. Output SPSS
juga telah memberikan nilai itu yaitu sebagai berikut :

Dari tabel dapat dilihat output selisihnya sebesar 8,726 dan

mempunyai nilai signifikansi 0,068 > 0,05 berarti
penambahan variabel bebas tidak mampu memperbaiki
model sehingga model dapat dikatakan sudah layak dan
dapat disimpulkan H0 ditolak.
a. Estimation
terminated at
iteration number 5
because parameter
estimates changed
by less than ,001.

Tabel di atas memberikan nilai Nagelkerke R square sebesar

0,339 yang berarti bahwa kontribusi ketiga variabel yaitu
X1 ,X2 dan X3 mampu menjelaskan ketepatan sebesar 34%
dan 25% lainnya dijelaskan oleh faktor lain.

-2 Log likehood = 32,328

Log likehood = 32,328/-2 = -16,164

Dari tabel di atas dapat dijelaskan bahwa nilai Chi-square pada
Hommer and Lemeshow Test adalah 14,232 dengan nilai
signifikansi didapat 0,076 > 0,05 yang berarti dapat dikatakan
bahwa model layak.

Pengujian secara sendiri-sendiri ternyata X1 yang signifikan karena

nilai Sig 0,017 < 0,05 sementara itu X2,X3,X4 tidak signifikan karena
nilai Sig > 0,05 artinya secara sendirian X1 mempunyai pengaruh
yang signifikan terhadap Y dan secara bersamaan X1,X3 dan X4 tidak
mempunyai pengaruh yang signifikan terhadap Y.