ANALISIS MULTIVARIAT

Aryanti R. Bamahry
2018
ANALISIS MULTIVARIAT

• Bila variabel
REGRESI dependen/tergantungnya 
LOGISTIK VARIABEL KATEGORIK

• Bila variabel
REGRESI dependen/tergantungnya 
LINIER VARIABEL NUMERIK
LANGKAH-LANGKAL ANALISIS
MULTIVARIAT
1. Menyeleksi variabel-variabel yang akan
dimasukkan ke dlm analisis multivariat.
 variabel yg pd analisis bivariat memiliki
nilai p < 0,25.
2. Melakukan analisis multivariat, dibagi 3
metode (enter, forward dan backward)

manual otomatis
METODE FORWARD METODE BACKWARD
• Software secara otomatis • Software secara otomatis
akan memasukkan akan memasukkan variabel
variabel yang paling yang terseleksi untuk
berpengaruh kemudian dimasukkan ke dlm analisis
memasukkan variabel multivariat.
berikutnya yang ukuran • Secara bertahap, variabel yg
kekuatannya lebih rendah tidak berpengaruh akan
dari variabel pertama. dikeluarkan dari analisis.
• Proses akan berhenti • Proses akan berhenti
ketika tidak ada lagi sampai tidak ada lagi
variabel yg dpt variabel yg dpt dikeluarkan
dimasukkan ke dlm dari analisis.
analisis.
Contoh kasus :
• Variabel tergantung suatu penelitian : variabel Z
• Variabel bebasnya : variabel A, B, C, D, E, F, G,
H.

Pada analisis bivariat  variabel yg memiliki nilai p < 0,25 adalah

variabel A, B, C, D dan E.

Kelima variabel tsb yg dimasukkan ke dlm analisis

multivariat
Perbandingan metode forward, backward
dan enter
Variabel yg Otomatis Manual
dimasukkan ke Forward Backward Enter
dlm analisis

Langkah 1 A A, B, C, D, E A, B, C, D, E
Langkah 2 A, B A, B, C, D A, B, C, D
Langkah 3 A, B, C A, B, C A, B, C

Hasil Analisis Multivariat

Variabel yang berpengaruh terhadap variabel Z adalah variabel A, B

dan C dengan urutan kekuatan adalah A, B lalu C.

Variabel yang paling tidak berpengaruh adalah variabel E

3. Interpretasi hasil
a. Variabel yg berpengaruh terhadap variabel
tergantung diketahui dari nilai p masing-
masing variabel.
b. Urutan kekuatan hubungan dari variabel-
variabel yang berpengaruh terhadap variabel
tergantung :
- Regresi logistik  besarnya nilai OR
- Regresi linier  besarnya nilai r
(koefisien korelasi)
c. Rumus untuk memprediksikan variabel
tergantung
c. Rumus untuk memprediksikan
variabel tergantung
• p = 1/(1 + e-y)
• p = probabilitas utk terjadinya suatu kejadian/
Regresi penyakit
• e = bilangan natural = 2,7

logistik
• y = konstanta + a1x1 + a2x2 +….+ a1x1
• a = nilai koefisien tiap variabel
• x = nilai variabel bebas

Regresi •
•
y = konstanta + a1x1 + a2x2 +….+ a1x1
y = nilai dari variabel tergantung

linier •
•
a = nilai koefisien tiap variabel
x = nilai variabel bebas
 4. Menilai kualitas dari rumus yang diperoleh dari
analisis multivariat
 kemampuan diskriminasi dan kalibrasi

Regresi • Diskriminasi : nilai AUC dgn metode ROC 

nilai baik, jika nilai AUC mendekati angka 1.

logistik • Kalibrasi : dgn metode Hosmer & Lameshow

 nilai baik, jika p > 0,05.

Regresi • Diskriminasi : nilai R2  nilai baik, jika

mendekati angka 1.

linier • Kalibrasi : hasil uji ANOVA  nilai baik, jika

p < 0,05.

AUC : Area Under Curve

ROC : Receiver Operating Curve
Interpretasi nilai diskriminasi
Nilai AUC Interpretasi

> 50-60% Sangat lemah

> 60-70% Lemah

> 70-80% Sedang

> 80-90% Kuat

> 90-100% Sangat kuat

5. Menilai syarat atau asumsi
Regresi linier  asumsi linieritas, normalitas,
independensi, homogenitas dan multikolinieriti
UKURAN KEKUATAN HUBUNGAN

• rasio odds (RO)

• risiko relatif (RR)
• koefisien korelasi (r)
Analisis komparatif
Analisis korelatif
kategorik
RO Koefisien
RR korelasi

Desain case control : menggunakan RO

Desain cohort : menggunakan RR
Judul Penelitian :
Faktor Prediktor Syok pada pasien anak
Demam Berdarah

Tujuan penelitian : untuk mengetahui faktor-

faktor yang dapat dijadikan sebagai prediktor
terjadinya syok pada pasien anak demam
berdarah.

Desain penelitian : case control

Variabel yang diteliti
• Jenis kelamin
• Perdarahan
• Trombositopenia
• Hemokonsentrasi
• Hepatomegali
 VARIABEL SKALA KATEGORI
PENGUKURAN VARIABEL
Syok 1. Ya Kategorik
2. Tidak
Syok_reg 1. Ya Kategorik
0. Tidak
Jenis kelamin 1. Laki-laki Kategorik
2. Perempuan
Perdarahan 1. Positif Kategorik
2. Negatif
Trombosit 1. ≤ 50.000/µL Kategorik
2. > 50.000/µL
Hematokrit 1. > 42% Kategorik
2. ≤ 42%
Hepatomegali 1. Ya Kategorik
2. Tidak

Variabel syok dgn kode 1 dan 2 akan digunakan untuk analisis bivariat
Variabel syok_reg dgn kode 1 dan 0 untuk analisis multivariat
Pertanyaan :
1. Uji hipotesis apa yg akan digunakan pada analisis
bivariat ?
2. Parameter kekuatan hubungan apa yang akan
digunakan ?
3. Lakukan analisis bivariat dgn menggunakan SPSS.
4. Analisis multivariat apa yang akan digunakan ?
5. Variabel apa saja yg akan dimasukkan ke dlm
analisis mulivariat ?
6. Variabel apa saja yg berpengaruh terhadap syok ?
Bagaimana kekuatan hubungannya ?
7. Bagaimana aplikasi dari persamaan yg diperoleh
untuk memprediksi probabilitas syok pada pasien ?
8. Bagaimana kualitas persamaan yg diperoleh baik
dari segi diskriminasi maupun kalibrasi ?
Jawaban :
1. Uji Chi-square
2. Nilai RO  karena desain case control
3. Hasil analisis chi square (terlampir)
4. Regresi logistik  karena variabel kategorik
5. Variabel yg nilai p < 0,25  perdarahan,
hepatomegali,hematokrit, trombosit
6. Hasil analisis regresi logistik (terlampir)
7. Interpretasi hasil regresi logistik :
Variabel yg berpengaruh terhadap syok :
hepatomegali (OR = 3,43), perdarahan
(RO = 3,28) dan hematokrit (OR = 3,11)
8. Hasil hosmer and lameshow test
Nilai Kalibrasi :
Chi square df Sig
1 3.301 6 .770
2 2.840 4 .585

Nilai p = 0.585  p > 0,05  nilai kalibrasi baik

Nilai Diskriminasi :
Asymp 95%
Confidence Interval
Area Std.Errora Asymp. Sig.b
Lower Upper
bound bound
.740 .051 .000 .639 .840

Nilai AUC = 0,740  mendekati angka 1 atau 74%  >70-80%  nilai

kalibrasi sedang
Melaporkan hasil analisis bivariat
(uji chi square)
Syok Tidak syok p OR IK95%
n % n % Min Maks
Jenis Laki-laki 0,752 0,88
kelamin Perempu
an
Perdara Ya 0,002 3,67
han Tidak
Heptom Ya 0,001 3,55
egali Tidak
Trombo <50.000 0,052 2,17
sit ≥50.000
Hemato >42% 0,001 3,74
krit ≤42%
Total
Melaporkan hasil analisis multivariat
(regresi logistik)
Variabel Koefisien p OR (KI95%)
Langkah 1 Perdarahan positif 1,180 0,015 3,26(1,26-8,40)

Hepatomegali 1,272 0,009 dst

positif
Trombosit < -0,092 0,861
50.000/uL
Hematokrit >42% 1,167 0,013

Konstanta -2,669 <0,001

Langkah 2 Perdarahan positif 1,189 0,013

Hepatomegali 1,233 0,005

positif
Hematokrit >42% 1,137 0,009
Konstanta -2,675 <0,001
• y = konstanta + a1x1 + a2x2 +….+ a1x1
• = - 2,306 + 3,142 (perdarahan) + 2,180 (hepatomegali)
•
Contoh :
DBD, perdarahan +, hepatomegali+
= - 2,306 + 3,142 (perdarahan) + 2,180 (hepatomegali)
= - 2,306 + 3,142 (1) + 2,180 (1)
= 3,016

Propabilitas :
p = 1/(1 + e-y)
P = 1 /(1 + 2,7 -3,016)
= 1 / (1 + 0,05)
= 1/ 1,05
= 0,952 = 95,2%
• y = konstanta + a1x1 + a2x2 +….+ a1x1
• = - 2,306 + 3,142 (perdarahan) + 2,180 (hepatomegali)
•
Contoh :
DBD, perdarahan +, hepatomegal i(-)
= - 2,306 + 3,142 (perdarahan) + 2,180 (hepatomegali)
= - 2,306 + 3,142 (1) + 2,180 (0)
= 0,836

Propabilitas :
p = 1/(1 + e-y)
P = 1 /(1 + 2,7 -0,836)
= 1 / (1 + 2,29)
= 1/ 3,29
= 0,303 = 30,3 %
• y = konstanta + a1x1 + a2x2 +….+ a1x1
• = - 2,306 + 3,142 (perdarahan) + 2,180 (hepatomegali)
•
Contoh :
DBD, perdarahan (-), hepatomegali (-)
= - 2,306 + 3,142 (perdarahan) + 2,180 (hepatomegali)
= - 2,306 + 3,142 (0) + 2,180 (0)
= -2,306

Propabilitas :
p = 1/(1 + e-y)
P = 1 /(1 + 2,7 2,306)
= 1 / (1 + 9,87)
= 1/ 10,87
= 0,091 = 9,1 %
Nilai kalibrasi : 0,814  p > 0,05 
baik

Nilai diskriminasi : AUC  metode ROC

= 0,860 = 86%  kuat