ANALISA MULTIVARIAT

MULTIVARIAT
= Menghubungkan beberapa var independen dng satu var dependen

Kenapa Perlu Multivariat ?

Pada bidang kesmas:
● akibat --- tak mungkin penyebab tunggal
● akibat ---multi faktor
Mis: agent, host & lingk
Kompleknya faktor analis multivariat

Kegunaan:
1.Mengetahui pengaruh murni/efek bersih masing-masing variabel
2.Mengetahui Faktor yang paling dominan

Untuk mengetahui pengaruh murni/efek bersih :

a. Rancangan Eksperimen : variabel lain dapat dikontrol
b. Rancangan studi dipilih dng cara Matching
c. Pengontrol pada tahap analisis statistik ---- ANALISIS MULTIVARIAT

Syarat multivariat –>sampel cukup

Satu variabel = 10-15 responden
 Jenis Analisis Multivariat
1. Metode Dependensi
: independen  dependen
: dependen satu variabel
- numerik : regresi linier ganda
- katagorik : regresi Logistik ganda
: dependen beberapa variabel
- numerik : Manova
- ktagorik : Kanonikal

2. Metode Interdependensi
: tidak ada var independen dan dependen ----
pemetaan/pengelompokan variabel
: numerik : cluster, faktor analisis
: katagorik : Multi dimensional scaling, Loglinier
 ANALISIS MULTIVARIAT :

1. Regresi linier Ganda

var dependen = numerik
var independen = numerik dan kategorik

2. Regresi logistik Ganda

var dependen = kategorik
var independen = kategorik dan numerik
 REGRESI LOGISTIK

• Regresi Logistik:
Model matematis untuk menganalisis hubungan antara
satu atau beberapa variabel independent yang berjenis
katagorik atau numerik dengan satu variabel dependent
yang berjenis katagorik dichotom (sehat/sakit,
hidup/mati)

• Regresi Logistik:
- Sederhana  hanya satu variabel independen
- Ganda/multiple  lebih dari satu variabel
independen
 REGRESI LOGISTIK

• Persamaan Regresi Logistik:

1 1
P(Y )  (logitY )

1  Exp 1  Exp( a b1 x1 ..... bk xk )

OR  Exp (b )
 Exponensial (b )
e (b )

P = Probabilitas OR = Odds Ratio

REGRESI LOGISTIK GANDA

Fungsi Regresi logistik ganda:

1. Menetapkan model matematik yang paling baik utk
menggambarkan hubungan var. indep dan var dep.
2. Menggambarkan hubungan kuantitatif antara var. indep (x) dng
var dep (y) setlah dikontrol var. lain
3. Mengetahui variabel x mana yang penting/dominan dlm
memprediksi var. dep
4. Mengetahui adanya interaksi pada dua/lebih var. independen thd
variabel dependen
 Jenis Regresi logistik
1, Regresi Logistik Model Prediksi
Model yg terdiri beberapa variabel independen yg dianggap terbaik
untuk memprediksi kejadian variabel dependen

X1
y
X2
X3

Mis judul penelitian:

Faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun X
 Jenis Regresi logistik
2. Regresi Logistik Model Faktor Risiko
Model dng tujuan mengetahui hubungan satu/beberapa variabel
independen dengan kejadian variabel dependen dengan mengontrol
beberapa variabel konfounding

x1 y

X2
X3
X4
Mis judul penelitian:
Hubungan Merokok dengan kanker Paru di Kab X th X
 Model Prediksi
Langkah Pemodelan
1. Seleksi bivariat; variabel independen p value < 0,25 atau walaupun > 0,25
boleh masuk multivariat kalau secara substansi merupakan variabel yg
sangat penting
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p valuenya besar dikeluarkan dari model multivariat.
Ketentuannya : variabel yg p valuenya < 0,05 yang dapat tetap di model.
Variabel yg p valuenya > 0,05 dikeluarkan dari model satu persatu dimulai
dari variabel yg p valuenya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien (nilai OR) variabel2x yg masih ada
(berubah > 10 %), maka var tsb dimasukkan kembali dlm model. Pemilihan
variabel dng metode ENTER
3. Uji interaksi sesama variabel independen yg secara substansi diduga ada
interaksi, kalau tidak ada substansi yg penting berarti tidak perlu ada uji
interaksi
 Logistik Model prediksi
Penelitian

FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN BBLR

DI KABUPATEN XYZ TAHUN PQR .

Merokok
Ras
Hipertensi BBLR
Prematur
Uterus
Anc
PEMODELAN REGRESI LOGISTIK

MODEL FAKTOR RISIKO

 Model Faktor Risiko
Langkah Pemodelan
1. Melakukan analisis bivariat antara masing2 variabel konfounding dng
dependen, bila hasil p value < 0,25 maka var tsb dpt masuk multivariat, atau
walaupun p value > 0,25 boleh masuk multivariat kalau secara substansi
merupakan variabel yg sangat penting (langkah ini bisa diabaikan)
2. Lakukan pemodelan lengkap, mencakup: var utama, var konfounding dan var
interaksi.
3. Langkah pertama, lakukan penilaian interaksi dng cara melihat nilai p. Bilai p
value > 0,05 var interaksi dikeluarkan dari model secara bertahap dimulai dari
p value terbesar.
4. Lakukan penilaian konfounding dng cara mengeluarkan var konfounding satu
persatu dimulai dari p value terbesar. Bila setelah dikeluarkan diperoleh
selisih OR var Utama lebih besar dari 10 %, maka varibel tsb dinyatakan sbg
konfounding dan var tsb berarti harus tetap berada dalam model
 Penelitian
Hubungan Hipertensi Dengan BBLR di
Kabupten X tahun X

Variabel independen : hipertensi

Variabel pengontrol : 1.merokok
2.prematur
3.uterus
 Kerangka Konsep

Hipertensi BBLR

- merokok
- prematur
- uterus
 REGRESI LINIER SEDERHANA
 untuk mengetahui bentuk hubungan antar dua variabel

Tujuan analisis regresi : untuk memperoleh persamaan

garis yang dapat digunakan untuk memperkirakan nilai
suatu variabel (var dep) dari variabel lainnya (var indep)

Untuk mengetahui persamaan garis:

 scatter plot (diagram tebar)
 metode kuadrat terkecil (method of least square)
• Tujuan analisis regresi adalah untuk
memperoleh persamaan garis yang dapat
digunakan untuk meramalkan atau
memperkirakan nilai suatu variabel (variabel
dependen) dari variabel lainnya (variabel
independen) yang telah diketahui.
• contoh adalah menghubungkan variabel
tekanan darah (variabel dependen) dengan
variabel berat badan (variabel dependen).
• Dengan analisis regresi, tekanan darah dapat
diperkirakan apabila data berat badan diketahui.
Untuk mengetahui persamaan garis:
 scatter plot (diagram tebar)
 metode kuadrat terkecil (method of
least square)
• Prosedur statistik untuk menemukan garis yang
paling cocok disebut ‘metode kuadrat terkecil’
(method of least square) dan garis tersebut
disebut ‘garis regresi’.
• Garis regresi yang baik adalah garis lurus di
mana jumlah kuadrat dari jarak vertikal tiap-tiap
titik pengamatan terhadap garis tersebut
minimum.
• Pada prinsipnya pembuatan garis regresi
dengan cara meminimalkan jumlah kuadrat jarak
antara titik data pengamatan/observasi yang
teramati dan garis regresi
Rumus persamaan garis

Y=a+bX

∑Y–b∑X
a (intercept) = ------------------
N
 perbedaan besarnya rata2 var dep ketika var indep = 0

N (∑ X Y) - ∑ X ∑ Y
b (slope) = ------------------------------
N ∑ X2 – (∑ X)2

 perkiraan besarnya perubahan nilai var dep bila nilai var

indep berubah satu unit pengukuran
• Apabila tekanan darah adalah variabel
dependen dan berat badan adalah
variabel independen maka interpretasi dari
garis regresi adalah untuk seseorang yang
berat badan = X, maka tekanan darah
adalah a + b X dengan varians 2.
• Jika 2 = 0 maka tiap titik (pada diagram
tebar) akan berada pada garis regresi,
sedangkan semakin besar 2 titik-titik
semakin tersebar disekitar garis.
 Koefisien Determinasi (R2)
• Dalam analisis regresi ada yang disebut koefisien
determinan dengan symbol R2 (R square) yang
dihitung dari kuadrat koefisien korelasi r2.
• Guna koefisien determinasi ini adalah untuk
mengetahui seberapa besar variasi variabel
dependen dapat dijelaskan oleh variabel
independen atau dengan kata lain R2
menunjukkan seberapa besar variabel
independen dapat memprediksi variabel
dependen.
• Apabila semakin besar nilai R2 maka
semakin tepat variabel independen
memprediksi variabel dependen.
• Besarnya nilai R2 antara 0 sampai 1 atau
antara 0-100%.
• R2 akan berharga 1 jika seluruh data
pengamatan terletak pada garis regresi
• R2 berharga 0 jika tidak ada hubungan
linier antara variabel dependen dengan
variabel independen.
Uji Regresi dengan SPSS
Regresi Logistik
 Regresi Logistik

Sebelumnya telah diperkenalkan analisis

regresi linier yang digunakan bila variabel
tergantung atau responsnya berskala
numerik atau kontinu.

Namun bila kita mempunyai variabel respons

yang bukan numerik melainkan dikotom (
yaitu mempunyai dua nilai atribut), maka
analisis yang tepat digunakan bukanlah
 Definisi Regresi Logistik
Hosmer & Lomeshow (1989), pernah
menyatakan tentang regresi logistik seperti
yang di kutip oleh Sounders & Trapp
(1994), yaitu :

“ Logistic regression is a model appearing

with increasing frequency in the medical
literature ; it is commonly used when the
independent variables include both
numerical and nominal measures and the
 Definisi Regresi Logistik

Klainbaum (1992) memberikan definisi

regresi logistik seperti ini, yaitu :

“ Logistic regression is a mathematical

modelling apporoach that can be used to
describe the relationship of saveral X’s to
a dichotomous dependent variable “
 Regresi Logistik
Fungsi logistik dapat digambarkan dalam
bentuk matematis dibawah ini :
F(z) = 1
1 + e-2
Dari fungsi regresi logistik diperoleh model
regresi logistik. Model regresi logistik
dituliskan dalam bentuk penjumlahan linear :
Z = α + β1X1 + β2X2 + β3X3 + .......βkXk
Model ini digunakan untuk data longitudinal
 Regresi Logistik
Regresi Logistik:
Model matematis untuk menganalisis hubungan antara satu
atau beberapa variabel independen yang bersifat kontinu
maupun binary dengan satu variabel dependen yang bersifat
binary/binomial atau dikotom (sehat/sakit, hidup/mati)

Regresi Logistik:
a. Sederhana (simple) hanya satu variabel
independen
b. Ganda (multiple)  lebih dari satu variabel
independen
 Kegunaan Regresi Logistik
1. Model Prediksi

 Analisis ini bertujuan untuk memperoleh model yang

terdiri dari beberapa variabel independen (prediktor)
dari kumpulan besar variabe, yang dianggap terbaik
untuk memprediksi kejadian variabel dependen
(outcome).
 Pada model ini semua variabel dianggap sama penting,
sehingga dapat dilakukan estimasi beberapa koefisien
regresi logistik sekaligus.
 Model Prediksi
Prosedur pemodelan:

Agar diperoleh model regresi yang hemat

dan mampu menjelaskan hubungan
variabel independen dan dependen
dalam populasi, diperlukan prosedur
pemilihan variabel
 Model Prediksi

1. Melakukan analisis bivariat antara masing-

masing variabel independen dengan variabel
dependennya. Bila hasil uji bivariat
mempunyai nilai p < 0,25, maka variabel
tersebut dapat masuk model multivariat.
Namun bisa saja p value > 0,25 tetap diikutkan
ke multivariat bila variabel tsb secara substansi
penting
 Model Prediksi

2. Memilih variabel yang dianggap penting yang

masuk dalam model, dengan cara
mempertahankan variabel yang mempunyai p
value < 0,05 dan mengeluarkan variabel yang
p valuenya > 0,05. Pengeluaran variabel tidak
serentak semua yang p valuenya > 0,05,
namun dilakukan secara bertahap dimulai dari
variabel yang mempunyai p value terbesar
 Model Prediksi

3. Identifikasi linearitas variabel numerik dengan tujuan

untuk menentukan apakah variabel numerik dijadikan
variabel katagorik atau tetap variabel numerik.

Caranya :
dengan mengelompokkan variabel numerik ke dalam 4
kelompok berdasarkan nilai kuartilnya. Kemudian
lakukan analisis logistik dan dihitung nilai OR-nya. Bila
nilai OR masing-masing kelompok menunjukkan bentuk
garis lurus, maka variabel numerik dapat dipertahankan.
Namun bila hasilnya menunjukkan adanya patahan,
maka dapat dipertimbangkan dirubah dalam bentuk
katagorik.
 Model Prediksi

4. Setelah memperoleh model yang memuat variabel-

variabel penting, maka langkah terakhir adalah
memeriksa kemungkinan interaksi variabel ke
dalam model.

Penentuan variabel interaksi sebaiknya melalui

pertimbangan logika substantif. Pembuktian
interaksi dilihat dari kemaknaan uji statistik. Bila
variabel mempunyai nilai bermakna, maka variabel
interaksi penting dimasukkan dalam model.
 Kegunaan Regresi Logistik

2. Model Faktor Resiko

Analisis ini bertujuan untuk mengestimasi

secara valid hubungan satu variabel utama
dengan variabel dependent dengan
mengontrol beberapa variabel confounding
Kegunaan Regresi Logistik
2. Model Faktor Resiko

Pada model ini yang diutamakan adalah

nilai koefisien regresi suatu determinan
yang memang ingin dipelajari. Sedangkan
variabel lain-kovariat dipertimbangkan
sebagai variabel kontrol, karena variabel
tersebut ikut berpengaruh (confounding)
atau sebagai faktor modifikasi (interaksi)
yag nilai pengaruhnya tak homogen dalam
Kekuatan dan Kelemahan Analisis
Regresi Logistik
 Regresi logistik mempunyai batasan yang longgar
dengan arti regresi logistik mentoleransi asumsi-
asumsi yang harus dipenuhi pada regresi linear.
Seperti, tidak diperlukan asumsi linearitas,
normalitas, homosedascity, dll.
 Pada analisis regresi, variabel dependennya berupa
data katagorik yang bisa saja berasal dari data
numerik, yang mengakibatkan terjadi perubahan nilai
dari data numerik tersebut sehingga banyak
kehilangan informasi dari data yang didapat.
 Model Faktor Resiko
Tahapan pemodelan:

1. Lakukan pemodelan lengkap, mencakup variabel

utama , semua kandidat konfonding dan kandidat
interaksi (interaksi dibuat antara variabel utama
dengan semua variabel konfonding).
2.Lakukan penilaian interaksi, dengan cara
mengeluarkan variabel interaksi yang nilai p Wald-
nya tidak signifikan dikeluarkan dari model secara
berurutan satu per satu dari nilai p Wald yang
terbesar.
3. Lakukan penilaian konfonding, dengan cara
mengeluarkan variabel kovariat/ konfonding satu per
satu dimuali dari yang memiliki nilai p Wald terbesar,
bila setelah dikeluarkan diperoleh selisih OR
faktor/variabel utama antara sebelum dan
sesudahvariabel kovariat (X1) dikeluarkan lebih besar
dari 10%, maka variabel tersebut dinyatakan sebagai
konfonding dan harus tetap berada dalam model
 Regresi Logistik

Persamaan Regresi Logistik:

Logit (Y )  a  b1 x1  ....  bk xk
1
P(Y )  ( a  b1 x1 .....  bk xk )
P = Probabilitas
1  Exp

OR  Exp (b )
OR = Odds Ratio
TERIMA KASIH