By Ideris
1. STATISTIK DAN PENELITIAN
STATISTIK DALAM ARTI SEMPIT BERARTI ANGKA/DATA
STATISTIK DALAM ARTI LUAS BERARTI SUATU PROSEDUR ATAU
METODE PENGUMPULAN DATA, PENGOLAHAN DATA, ANALISIS DATA
DAN PENYAJIAN DATA
PENELITIAN ADALAH CARA ILMIAH UNTUK MENDAPATKAN DATA DG
TUJUAN DAN KEGUNAAN TERTENTU
DATA YANG DIPEROLEH DARI PENELITIAN HARUS AKURAT, ARTINYA
MEMENUHI KRITERIA VALID, REALIBEL DAN OBYEKTIF
VALID= KETEPATAN/KECERMATAN PENGUKURAN, ARTINYA
KETEPATAN ANTARA DATA YANG SESUNGGUHNYA TERJADI PADA
OBYEK DG DATA YG DIKUMPULKAN PENELITI. CONTOH : DATA OBYEK
SESUNGGUHNYA BEWARNA MERAH, MAKA DATA YG DIKUMPULKAN
OLEH PENELITI JUGA BEWARNA MERAH
REALIBEL=kekonsistenan pengukuran, artinya
pengukuran diulang-ulang akan mendapatkan
hasil yg sama. Misal pengukuran thd suatu obyek
hasilnya kemarin bewarna hijau, maka besok atau
lusa tetap akan bewarna hijau.
OBYEkTIF= menunjukkan derajat persamaam
persepsi antar orang, Jadi misalkan org tertentu
melihat bahwa obyek tt bewarna putih, maka
orang lain pun akan menyatakan hal yg sama,
yaitu obyeknya bewarna putih
2. PERAN STATISTIK DALAM PENELITIAN
PENGOLAHAN DATA
Agar analisis penelitian menghasilkan
informasi yang benar, paling tidak ada 4
tahapan yg perlu dilakukan:
1. EDITING
2.CODING
3.PROCESSING
4.CLEANING
EDITING
Merupakan kegiatan untuk melakukan pengecekan isian
formulit atau kuesionir apakah jawaban yg ada di kuesioner
sdh:
pendidikan jumlah
JENIS KELAMIN JUMLAH
sd 40
Laki-laki 40
SMP 10
Perempuan 60
SMU 30
TOTAL 100
PT 15
TOTAL 95
Contoh
Tabel 4. Keikutsertaan KB Tabel 5. Jenis alat kontrasepsi
Dari kedua tabel terlihat ketidak konsistenan antara jumlah peserta KB (20
org) dg total jenis alat kontrasepsi yg dipakai (24 org). Seharusnya pada
baaris total jenis alat kontrasepsi jumlahnya 20 org
Unit 3
n(XY ) (XY )
r
V (nX 2(X ) 2 )( nY 2(Y ) 2 )
Keputusan uji :
Bila r hitung lebih besar dari r tabel, Ho ditolak
Bila r hitung lebih kecil dari r tabel, Ho gagal ditolak
DF=n-2
RELIABILITAS
Menunjukkan sejauh mana hasil pengyukuran tetap konsisten bila
dsilakukann pengukuran dua kali atau lebih.
Misal mengkur jarak suatu tempat, yang satu menggunakan meteran yang
satu mengghunakan langkah kaki, maka kalau diukur sekali lagi yg
menggunakan meteran hasilnya akan tetap, tetapi yg menggunakan
langkah kaki kemungkinan akan berubah. Jadi meteran lebih reliabel.
PENGUKURAN reliabelitas dilakukann dg dua cara:
1)repeated measure, membandingkan pengukuran pertama dg pengukuran
berikutnya
2)one shot, membandingkan dg pertanyaan lain.
Proses uji dilakukan berulang-ulang, berhenti kalau semua variabel sudah valid.
RELIABILITAS
Reliabilitas : kestabilan pengukuran
: diukur berulang-ulang hasilnya sama
. Uji yg digunakan : uji crombach alpha
. Prinsip uji: membandingkan nilai crombach alpha dengan nilai
konstanta (0,6)
Ketentuan :
bila Crombach ≥ 0,6 -> kuesioner reliabel
bila Crombach < 0,6 -> kuesioner tidak reliabel
PRE-TEST
Diambil sampel sekitar 30 orang
Responden yang sudah digunakan utk pre-test tidak boleh dipakai untuk
penelitian
Test reliabilitas tidak bisa disatukan antara beberapa variabel konsep,
harus satu persatu
Hasil uji validitas dan reliabilitas : sebagai alat pertimbangan peneliti
Variabel yg tak valid dan reliabel, bisa dibuang pertanyaanya, atau
kalimatnya di edit lalu dipakai utk penelitian, atau pertanyaan tetap dipakai
krn pertanyan yg vital
STRES
SUBJEK : OBSERVASI
CARA KEDUA :
Menggunakan hasil uji statistik kappa, bila p value < alpha maka
kesimpulannya ada persamaan persepsi antara peneliti dengan numerator,
sebaliknya:
Bila p value > alpha, maka disimpulkan terjadi perbedaan persepsi antara
peneliti dengan numerator
PERTANYAAN:
Apakah dalam melakukan komunikasi dengan pasien dilakukan dengan
ramah ?
1. ya 2. tidak
No 1 2 3 4 5 6 7
Peneliti 1 2 1 2 1 2 1
Numerator 2 2 1 1 1 2 1
Dengan Uji kappa akan diketahui apakah ada kesepahaman atau tidak ada
kesepahaman persepsi antara peneliti dng numerator
Unit 4
ANALISIS DATA
Langkah yang dilkukan setelah melakukan pengolahan data adalah
menganalisis data agar data mempunyai makna/arti sehingga
berguna untuk memecahkan masalah penelitian
Agar hasil analisis menghasilkan suatu informasi maka dilakukan
interpretasi data.
Interpretasi data mempunyai dua bentuk, yaitu arti sempit dan luas.
Interpretasi arti sempit (deskriptif) yaitu interpretasi data dilakukan
hanya sebatas pada masalah penelitian yg diteliti berdasarkan data
yg dikumpulkan dan diolah untuk keperluan penelitian tsb.
Interpretasi arti luas (ANALITIK) yaitu interpretasi guna mencari
makna data hasil penelitian dan melakukan inferensi (generalisasi)
dari data yg duperoleh dg teori-teori relavan dg hasil-hasil penelitian
tsb
Umumnya analisis data bertujuan:
1. Memperoleh gambaran/deskripsi masing-masing variabel.
2. Membandingkan dan menguji teori atau konsep dg informasi yg
ditemukan
3. Menemukan konsep baru dari data yg dikumpulkan.
4. mencari penjelasan apakah konsep baru yg diuji berlaku umum
atau hanya berlaku pada kondisi tt.
B. JENIS SAMPEL
Analisis 2 klp sampel yg bersifat independen dg dt nomerik akan
berbeda dg 2 kelompok sampel yg dependen dg dt nomerik, pada
kasus pertama menggunakan uji t independen dan pada kasus
kedua menggunakan uji t dependen
C. JENIS DATA/VARIABEL
Data dg jens katagori berbeda cara analisisnya dg data
jenis numerik.
Pada analisis univariat, Persentasi biasanya cocok
untuk menjelaskan data berjenis katagorik, sedangkan
untuk jenis nomerik biasanya menggunakan nilai rata-
rata untuk menjelaskan karakteritiknya.
Pada analisis bivariat, uji kaikuadrat hanya dpt dipakai
untuk mengetahui hubungan data katagorik dg data
kagorik, sedang untuk data numerik dg numerik
digunakan uji korelasi/regresi
D. ASUMSI KENORMALAN
Bila distribusi datanya tidak normal, maka
sebaiknya digunakan uji statistik
nonparametrik, bila asumsi kenormalan dapat
dipenuhi maka dapat digunakan uji staistik
parametrik.
ANALISIS DESKRIPTIF (UNIVARIAT)
Bertujuan untuk menjelaskan karakteristik masing-masing variabel yg
diteliti, bila data bersifat numerik digunakan nilai mean, median,
SD,nilai minimal dan mksimal. Bila bersifat katagorik bisa digunakan nilai
persentase
ANALISIS MULTIVARIAT
Berguna untuk mengetahui beberapa variabel independen dg saru bariabel
dependen, misalnya bgm pengaruh BB, merokok, pola makan, aktivitas
fisik dg penyakit hipertensi
Unit 4
ANALISIS UNIVARIAT
ANALISA UNIVARIAT
Mean, Median, Sd, Min-Max, 95 % CI
Proporsi/persentase
Tujuan:
1. Deskripsi setiap variabel diteliti
2. Diagnosis asumsi statistik lanjut
3. Deteksi nilai ekstrim/outlier
ANALISIS BIVARIAT:
1. Diagnosis data
2. Uji Hipotesisi 2 var
ANALISIS MULTIVARIAT:
1. Pemodelan Kuantitatif
ANALISIS UNIVARIAT
METODE :
Menyajikan Ukuran Tengah
Menyajikan Ukuran Variasi
UKURAN TENGAH : VAR NUMERIK
: Mean, Median , Modus
Mean kadar Hb:
(10+11+12+13+14)
-------------------------- = 12 mg/dl
5
Hb=10 Hb=11 Hb=12
Median =12 mg/dl
Modus : tidak ada
Hb=13 Hb=14
: Standar Deviasi
Cianjur
Lebak
Hb=12 Hb=12
Hb=12
Hb=10 Hb=11 Hb=12
Hb=12 Hb=12
Hb=13 Hb=14
Proporsi bumil
dengan K4:
= Bumil tanpa K4
= Bumil dengan K4
ANALISIS BIVARIAT
ANALISIS BIVARIAT
Merupakan analisis lanjut dari analisis univariat, misal dari analisis
univariat diketahui: 1) jumlah persentase pasien yg puas dan tidak puas
terhadap pelayanan, 2) jumlah persentase pasien yg bayar dgn yg gratis.
Bila ingin diketahui hubungan jenis pembayaran dengan tingkat kepuasan
maka dilakukan analisis bivariat
Bila pada analisis bivariat didapatkan hasil yg bermakna secara signifikan
belum tentu secara substansi dipandang bermakna secara signifikan.
Misalnya pada uji statistik terjadi perbedaan secara signifikan penurunan
rata-rata tekanan darah tinggi antara pemberian obat A dan B, dimana obat
A turunnya 40 mmHg dan obat B turunnya 39 mmHg. Namun pada
pandangan secara substansi tidak dianggap berbeda secara signifikan
karena perbedaannya cuma 1 mmHg, Kesimpulannya tentu tidak ada
perbedaan khasiat antara obat A dan B.
Terjadinya perbedaan secara signifikan pada uji statistik ini karena
besarnya sampel yg dianalisis. Pada sampel yg semakin besar perbedaan
ssangat kecil atau bahkan tidak mempunyai manfaat secara
substansi/klinis dapat berubah menjadi bermakna secara statistik
Anlisis bivariat biasanya digunakan untuk menguji hipotesis.
Pengujian hipotesis berguna untuk pengambiloan
keputusan tentang hipotesis apakah diterima atau ditolak.
Prinsip uji hipotesis adalah melakukan perbandingan
antara nilai sampel (data hasil penelitian) dg nilai hipotesis
(nilai populasi) yg diajukan, semakin besar perbedaan
antara nilai sampel dg nilai hipotesis, makin besar untuk
menolak hipotesis.
Hipotesis dapat dibedakan menjadi hipotesis nol atau
hipotesis alternatif.
Bentuk Hipotesis alternatif akan menentukan arah uji
statistik apakah satui arah (one tail) atau dua arah ( two tail)
Bila hipotesis alternatifnya menyatakan lebih
tinggi/rendah maka arah uji statistiknya satu arah,
misalnya BB bayi ibu perokok lebih kecil dari BB bayi ibu
bukan perokok.
Bila hipotesis alternatifnya menyatakan perbedaan
tanpa menyatakan lebih tinggi/rendah, maka arah uji
statistiknya dua arah, misalnya ada perbedaan BB bayi
ibu perokok dg BB bayi ibu bukan perokok.
Bila tabel yg kita gunakan one tail pada uji statistik dua
arah, maka nilai two tainya adalah 2 kali nilai one tail
(nilai two tail=2 kali nilai onetail)
Pada uji hipotesis sangat berhubungan dg distribusi data
populasinyg akan diuji, bila distribusi data populasi yg akan diuji
berbentuk normal/simetris/gauss, maka proses pengujian dapat
digunakan dg pendekatan uji statistik parametrik, sedangkan bila
distribusi data populasinya tidak normal atau tdk diketahui
distribusinya maka dapat digunakan pendekatan uji statistik non
parametrik.
Kenormalan suatu data dapat dilihat dari jenis datanya, bila datanya
nomerik biasanya berbentuk simetris (normal) dan bila datanya
berbentuk katagorik biasanya distribusinya tidak normal.
Hasil uji hipotesis dg statistika bisa menolak atau menerima
hipotesis, bila nilai p ≤α maka Ho ditolak. Bila bila nilai p > α maka
Ho gagal ditolak.
Nilai p merupakan nilai yg menunjukkan besarnya peluang salah
menolak Ho dari data penelitian. Atau bisa juga diartikan sebagai
nilai besarnya peluang hasil penelitian terjadi karena faktor
kebetulan.
Contoh: hasil uji statistik pada data penelitian didapatkan nilai
p=0,0110, ini berarti peluang terjadinya hasil penelitian tersebut
adalah 0,0110
Berbagai Jenis Uji statistik yg dapatdigunakan untuk analisis bivariat
CONTOH:
Perbedaan BB antara yg melkukan terapi diit dg yg tidak
Perbedaan tekanan darah penduduk desa dgn kota
UJI T DEPENDEN
Tujuan untuk mengetahui perbedaan mean dua kelompok
data yg dependen
Syarat yg harus dipenuhi:
Data berdistribusi normal/simetris
Kedua klp data dependen/pair
Variabel yg dihubungkan berbentuk nomerik dg katagorik
CONTOH :
Perbedaan BB sebelum dan sesudah terapi diit
Perbedaan tekanan darah sebelum dan sesudah minum obat A
UJI ANOVA
Pada uji beda mean dua klp data baik independen maupun
dependen kita menggunakan uji t atau Z, tetapi sering kali kita
jumpai jumlah kelompok data leboih dari dua, msalnya ingin
mengetahui perbedaan mean Bbbayi di daerah bekasi, bogor dan
tenggerang. Dalam menganalisis data seperti ini (>2 klp) sangat
tidak dianjurkan menggunaklan uji t karena akan meningkatkan
(inflasi ) nilai α, artinya akan meningkatkan nilai keliru.
Untuk menganalisa >2 klp data spt diatas adalah dg uji anova
Prinsip ujinya adalah melakukan telaah variabilitas data menjadi dua
sumber variasi yaitu variasi dalam klp(within) dan variasi antar klp
(between), Bila variasi within dan between sama (nilai perbandingan
kedua varian sama dg 1) maka mean-mean yg dibandinmgkan tidak
ada perbedaan, sebal;iknya bila hasil perbandingan tsb
menghasilkan lebih dari 1, mka mean yg dibandingkan menunjukkan
ada perbedaan.
Anova ada 2 jenis, yakni analisa varian satu
faktor(one way) dan analisa dua faktor(two way)
Asumsi yg harus dipenuhi pada uji Anova:
Varian homogen
Sampel/klp independen
Dt berdistribusi normal
Cumulative
Frequency Percent Valid Percent Percent
Valid 1 10 20.0 20.0 20.0
2 11 22.0 22.0 42.0
3 16 32.0 32.0 74.0
4 13 26.0 26.0 100.0
Total 50 100.0 100.0
Note : ingat ouput spss tdk dapat langsung dilaporkan, harus dibuat tabel
PENYAJIAN DAN INTERPRETASI
PROSES UTK VARIABEL NUMERIK
Kegunaan:
1.Mengetahui pengaruh murni/efek bersih masing-masing variabel
2.Mengetahui Faktor yang paling dominan
2. Metode Interdependensi
: tidak ada var independen dan dependen ---- pemetaan/pengelompokan
variabel
: numerik : cluster, faktor analisis
: katagorik : Multi dimensional scaling, Loglinier
ANALISIS MULTIVARIAT :
1.HOMOSCEDASTICITY
Varian nilai variabel Y sama untuk semua nilai var. X
Homoscedasticity : Plot residual membentuk tebaran merata diatas dan dibawah garis
tengah nol
Heteroscedasticity: tebaran residual mengelompok dibawah/diatas garis tengah nol
2. EKSISTENSI
Var. dep. Y merupakan variabel random pada setiap nilai var. independen X. Sampel diambil
random, asumsi ini terpenuhi bila residual menunjukan nilai : mean dan standar deviasi
REGRESI LINIER GANDA
3. INDEPENDENSI
Masing-masing var Y bebas satu sama lain, tidak boleh diukur dua kali. Asumsi terpenuhi:
angka Durbin Watson antara -2 s/d 2
4. LINEARITAS
Nilai mean dari var. Y untuk suatu kombinasi X1, X2, dst terletak pada grs linier yg dibentuk
persamaan regresi
Asumsi terpenuhi: hasil Uji Anova regresi hasilnya signifikan
5. GAUSS /NORMALITAS
Var. Y berdistrubusi normal utk setiap pengamatan variabel X. Asumsi terpenuhi bila Grafik
Normal P-P plot residual, titik tebarannya menyebar sekitar garis diagonal. Sebaliknya bila
tebaran data menjauhi garis diagonal maka asumsi tidak terpenuhi
PEMODELAN REGRESI LINIER
“memasukan sebanyak mungkin variabel indep ?”
- Banyak variabel -- hanya aspek statistik
Lalu ?
- Memasukan variabel– ada aspek statistik dan substansi
1. umur
2. Berat badan
3. merokok Berat bayi
4. prematur
5. hipertensi
6. anc
SELEKSI VARIABEL :
No
W eight of physic ian Hi story of Bi rth
Age of mother vis its i n firs t prematur weight
mother (pounds) trim es ter e l abor (gram)
Age of mother Pearson Correlation 1 .180* .215** .072 .090
Si g. (2-tail ed) .013 .003 .328 .219
N 189 189 189 189 189
W eight of mother Pearson Correlation .180* 1 .141 -.140 .186*
(pounds) Si g. (2-tail ed) .013 .054 .055 .010
N 189 189 189 189 189
No phy sic ian visits Pearson Correlation .215** .141 1 -.044 .058
in first trim ester Si g. (2-tail ed) .003 .054 .544 .426
N
189 189 189 189 189
Umur = 0,219, bera ibu=0,010, anc=0,425, prematur =0,034. Variabel anc p value >
0,25 namun krn secara substansi penting,Mk variabel anc lanjut ke multivariat
BIVARIAT DNG UJI T
Levene's Test
for Equalit y of
Variances t-t est for E quality of Means
95% Confidenc e
Sig. Mean St d. E rror Int erval of the
(2-tail Differen Differenc Difference
F Sig. t df ed) ce e Lower Upper
Birth Equal
weight varianc es 1.508 .221 2.634 187 .009 281.713 106.969 70.693 492.7
(gram) as sumed
Equal
varianc es
2.709 170.0 .007 281.713 103.974 76.467 487.0
not
as sumed
Tahap berikutnya, evaluasi seleksi variabel dengan batas p value < 0,05
Dari nilai p diatas, variabel umur, prematur, anc memiliki p value > 0,05
shg harus keluar dari model. ANC Pvalue yg tertinggi, maka dikeluarkan
terlebih dahulu
PEMODELAN MULTIVARIAT
Model Summ ary
Adjust ed St d. Error of
Model R R Square R Square the Es timate
1 .340a .116 .091 694.929
a. Predic tors: (Constant), His tory of hypertens ion,
Smoking s tatus, Age of mother, His tory of premature
labor, Weight of mother (pounds)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2317.608 297.074 7.801 .000
Age of mother 7.051 9.807 .051 .719 .473
Weight of m other
4.781 1.759 .201 2.718 .007
(pounds)
Sm oking s tatus -232.224 105.638 -.156 -2.198 .029
History of prem ature labor -153.747 106.191 -.104 -1.448 .149
History of hypertens ion -573.011 213.841 -.192 -2.680 .008
a. Dependent Variable: Birth weight (gram)
Koefisien B tidak ada yang berubah > 10 % sehingga variabel anc dikeluarkan
Dari multivariat
Tahap selanjutnya variabel umur dikeluarkan dari model
PEMODELAN MULTIVARIAT
Adjust ed St d. Error of
Model R R Square R Square the Es timate
1 .336a .113 .094 694.016
a. Predic tors: (Constant), His tory of hypertens ion,
Smoking s tatus, History of premature labor, Weight of
mother (pounds)
Coeffi cientsa
Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s
Model B St d. E rror Beta t Sig.
1 (Const ant) 2449.121 233.779 10.476 .000
W eight of mot her
5.035 1.721 .211 2.925 .004
(pounds)
Smoking s tatus -236.420 105.338 -.159 -2. 244 .026
History of premature labor -145.412 105.417 -.098 -1. 379 .169
History of hypertension -582.566 213.148 -.195 -2. 733 .007
a. Dependent Variable: B irth weight (gram)
Age 7,1 - -
bwt 4,7 5,0 6,3 %
smoke -232,2 -236,4 1,8 %
ptl -154,0 145,4 6,1 %
hi -574,2 582,5 1,3 %
ftv -2,847 -
Dari hasil perhitungan perubahan coef. Ternyata tidak ada yang lebih dari 10 %,
dengan demikian variabel umur kita keluarkan dari model.
Langkah selanjutnya mengeluarkan riwayat prematur
MODEL TANPA PREMATUR
Model Summary
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2390.105 230.391 10.374 .000
Weight of mother
5.352 1.710 .224 3.130 .002
(pounds)
Smoking s tatus -263.009 103.812 -.177 -2.534 .012
History of hypertens ion -586.722 213.646 -.197 -2.746 .007
a. Dependent Variable: Birth weight (gram)
Age 7,1 - -
bwt 4,7 5,3 12,3 %
smoke -232,2 -236,4 1,7 %
ptl -154,0 - -
hi -574,2 582,5 1,3 %
ftv -2,847 -
Mode l Summaryb
Coeffi cientsa
St and
ardize
d
Unstandardized Coeffi Collinearit y
Mo Coeffic ient s cients St atist ics
de Tolera
l B St d. E rror Beta t Si g. nc e VIF
1 (Const ant) 2449.121 233.779 10.476 .000
W eight of mot her
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Sm oki ng s tatus -236.420 105.338 -.159 -2. 244 .026 .964 1.037
Hi story of hypertension -582.566 213.148 -.195 -2. 733 .007 .943 1.060
Hi story of prem ature
-145.412 105.417 -.098 -1. 379 .169 .947 1.056
labor
a. Dependent Variable: B irth wei ght (gram )
Uji asumsi
1. Eksistensi
Re siduals Sta tisti csa
Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan
standar deviasi 686,59. Dengan demikian asumsi Eksistensi terpenuhi
2. Asumsi Independensi
Mode l Summaryb
Dari hasil uji didapatkan koefisien Durbin Watson 0,222, berarti asumsi independensi terpenuhi.
3. ASUMSI LINIEARITAS
Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, X3, …, Xk
terletak pada garis/bidang linier yang dibentuk dari persamaan regresi.
Untuk mengetahui asumsi linieritas dapat
diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka
moodel berbentuk linier. Hasil uji asumsi :
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regres sion 11291987 4 2822996.778 5.861 .000a
Residual 88625066 184 481657.965
Total 99917053 188
a. Predictors: (Constant), History of premature labor, His tory of hypertension, Smoking
status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)
Dari output diatas menghasilkan uji anova 0,0005, berarti asumsi linearitas terpenuhi
4. ASUMSI HOMOSCEDASCITY
Scatterplot
3
Regression Studentized Residual
-1
-2
-3
-4
-3 -2 -1 0 1 2 3
Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara
titik-titik diatas dan dibawah garis diagonal 0.
Dengan demikian asumsi homoscedasity terpenuhi
5. ASUMSI NORMALITAS
Histogram
40
30
Frequency
20
10
Mean = -2.53E-16
Std. Dev. = 0.989
0 N = 189
-4 -3 -2 -1 0 1 2 3
Coeffi cientsa
St and
ardize
d
Unstandardized Coeffi Collinearit y
Mo Coeffic ient s cients St atist ics
de Tolera
l B St d. Error Beta t Sig. nc e VIF
1 (Const ant) 2449.121 233.779 10.476 .000
W eight of mot her
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking s tatus -236.420 105.338 -.159 -2. 244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2. 733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1. 379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)
Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10, dengan
demikian tidak ada Multicollinearity antara sesama variabel indepeden
Dari hasil uji asumsi dan uji kolinearitas ternyata semua asumsi terpenuhi
sehingga model dapat digunakan untuk memprediksi berat badan bayi.
MODEL TERAKHIR
Mode l Summaryb
St and
ardize
d
Unstandardized Coeffi Collinearit y
Mo Coeffic ient s cients St atist ics
de Tolera
l B St d. Error Beta t Sig. nc e VIF
1 (Const ant) 2449.121 233.779 10.476 .000
W eight of mot her
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking s tatus -236.420 105.338 -.159 -2. 244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2. 733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1. 379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)
Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi
INTERPRETASI
Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl
-Setiap kenaikan berat badan ibu sebesar 1 kg, maka berat badan bayi akan naik sebesar 5,0 gram
setelah dikontrol variabel merokok, hipertensi dan prematur
- Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236,4 gram setelah dikontrol
variabel berat badan, hipertensi dan prematur.
- Pada ibu yang menderita hipertensi,berat bayinya akan lebih rendah sebesar 582,5 gram
setelah dikontrol variabel berat badan ibu,merokok dan prematur.
Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar
peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi).
Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya.
Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan
berat badan bayi adalah berat badan ibu..
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
1 1
P(Y ) (logitY )
1 Exp 1 Exp( a b1 x1 ..... bk xk )
OR Exp (b )
Exponensial (b )
e (b )
X1
y
X2
X3
x1 y
X2
X3
X4
Mis judul penelitian:
Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2008
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. Identifikasi liniaritas untuk variabel independen yg berbentuk numerik; untuk
memastikan apakah variabel tsb tetap berbentuk numerik atau lebih baik dlm bentuk
katagorik.
4. Uji interaksi sesama variabel indpenden yg secara substansi diduga ada interaksi
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
LOGISTIK MODEL PREDIKSI
Umur(age)
Ras(race)
BBLR(low)
Hipertensi(ht)
Uterus(ui)
Anc(ftv)
Merokok(smoke)
Prematur(ptl)
SELEKSI BIVARIAT
1. umur Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 2.760 1 .097
Block 2.760 1 .097
Model 2.760 1 .097
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a age -.051 .032 2.635 1 .105 .950 .893 1.011
1 Const
.385 .732 .276 1 .599 1.469
ant
a. Variable(s) entered on step 1: age.
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Stea race 4.922 2 .085
p1 race(1) .845 .463 3.323 1 .068 2.328 .939 5.772
race(2) .636 .348 3.345 1 .067 1.889 .955 3.736
Constant -1.155 .239 23.330 1 .000 .315
a. Variable(s) entered on s tep 1: race.
Hasil uji didapatkan p value 0,087 berarti p value < 0,25, sehingga variabel ras
dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy,
terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam akan berisiko
bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit putih. OR untuk race(2) besarnya 1,89
artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi
dibandingkan ras kulit putih.
3. HIPERTENSI
Chi-square df Sig.
Step 1 Step 4.022 1 .045
Block 4.022 1 .045
Model 4.022 1 .045
Chi-square df Sig.
Step 1 Step 5.076 1 .024
Block 5.076 1 .024
Model 5.076 1 .024
95.0% C.I.for
EXP(B)
B S. E. W ald df Sig. Ex p(B) Lower Upper
Sta ep ui .947 .417 5.162 1 .023 2.578 1.139 5.834
1 Constant -.947 .176 29.072 1 .000 .388
a. Variable(s ) entered on step 1: ui.
Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus dapat
lanjut ke multivariat
5. ANC
Chi-square df Sig.
Step 1 Step .773 1 .379
Block .773 1 .379
Model .773 1 .379
Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak
dapat lanjut ke multivariat, namun karena secara substansi variabel periksa
hamil sangat penting, maka variabel ini dapat dianalisis multivariat.
6. MEROKOK
Chi-square df Sig.
Step 1 Step 4.867 1 .027
Block 4.867 1 .027
Model 4.867 1 .027
Chi-square df Sig.
Step 1 Step 6.779 1 .009
Block 6.779 1 .009
Model 6.779 1 .009
95.0% C.I.for
EXP(B)
B S. E. W ald df Sig. Ex p(B) Lower Upper
Sta ep ptl .802 .317 6.391 1 .011 2.230 1.197 4.151
1 Const ant -.964 .175 30.370 1 .000 .381
a. Variable(s ) entered on step 1: ptl.
Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25 sehingga
variabel riwayat adanya prematur dapat masuk ke multivariat
HASIL SELEKSI BIVARIAT
Setelah masing-masing variabel independen dilakukan analisis bivariat, hasilnya:
Variabel P value
Umur 0,097
Ras 0,082
Hipertensi 0,045
Kelainan uterus 0,024
Periksa hamil 0,379
Merokok 0,027
Prematur 0,009
Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya periksa hamil yang p valuenya > 0,25.
namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan
variabel yang sangat penting berhubungan dengan kejadian bblr.
PEMODELAN MULTIVARIAT
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.041 .036 1.249 1 .264 .960 .894 1.031
1 race 6.783 2 .034
race(1) 1.009 .502 4.034 1 .045 2.743 1.025 7.345
race(2) 1.003 .426 5.560 1 .018 2.727 1.185 6.280
sm oke .964 .391 6.090 1 .014 2.622 1.219 5.639
ptl .630 .340 3.429 1 .064 1.877 .964 3.654
ht 1.361 .631 4.648 1 .031 3.902 1.132 13.451
ui .802 .458 3.066 1 .080 2.229 .909 5.468
ftv .009 .161 .003 1 .954 1.009 .736 1.384
Constant -1.183 .919 1.659 1 .198 .306
a. Variable(s) entered on s tep 1: age, race, smoke, ptl, ht, ui , ftv.
Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu
age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan
selanjutnya variabel ftv dikeluarkan dari model.
MODEL TANPA FTV
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a age -.040 .036 1.275 1 .259 .960 .896 1.030
1 race 6.781 2 .034
race(1) 1.009 .503 4.035 1 .045 2.744 1.025 7.347
race(2) 1.002 .425 5.562 1 .018 2.723 1.184 6.262
smoke .963 .390 6.086 1 .014 2.620 1.219 5.632
ptl .629 .340 3.423 1 .064 1.875 .963 3.651
ht 1.358 .629 4.663 1 .031 3.889 1.134 13.341
ui .800 .457 3.063 1 .080 2.226 .908 5.454
Constant -1.184 .919 1.661 1 .197 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on s tep 1: race, s moke, ptl, ht, ui.
Age 0.960 -
Race(1) 2.743 2.968 8,2 %
Race(2) 2.727 2.883 5,7 %
Smoke 2.622 2.694 2,7 %
Ptl 1.877 1.779 5,2 %
Ht 3.902 3.912 0.3 %
ui 2.229 2.350 5,4 %
ftv 1.009
Setelah umur keluar, perubahan nilai OR nya tidak ada yang > 10%, berarti
Variabel umur dikeluarkan dari model
Selanjutnya variabel variabel prematur dicoba dikeluarkan
MODEL TANPA PREMATUR Va riables in the Equa tion
Age 0.960 -
Race(1) 2.743 2.897 5,6 %
Race(2) 2.727 2.955 8,3 %
Smoke 2.622 2.986 13,8 %
Ptl 1.877 - -
Ht 3.902 3.894 0.2 %
ui 2.229 2.734 22,6 %
ftv 1.009 -
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on s tep 1: race, s moke, ptl, ht, ui.
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a race 8.286 2 .016
1 race(1) 1.062 .500 4.513 1 .034 2.894 1.086 7.712
race(2) 1.085 .411 6.949 1 .008 2.958 1.321 6.626
smoke .996 .382 6.794 1 .009 2.707 1.280 5.726
ht 1.221 .629 3.764 1 .052 3.390 .988 11.640
ptl .696 .325 4.596 1 .032 2.007 1.062 3.793
Constant -2.025 .372 29.586 1 .000 .132
a. Variable(s) entered on step 1: race, smoke, ht, ptl.
PERUBAHAN OR TANPA UTERUS
Variabel OR ui ada OR ui tak ada perubahan OR
Age 0.960 -
Race(1) 2.743 2.894 5,5 %
Race(2) 2.727 2.958 8,4 %
Smoke 2.622 2.707 3,2 %
Ptl 1.877 2.007 6,9 %
Ht 3.902 3.390 13.1 %
ui 2.229 - -
ftv 1.009 - -
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
INTERPRETASI
Interpretasi:
Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat Kohort.
Sedangkan unutk penelitian yang bersifat cross sectional atau case control, interpretasi yang dapat dilakukan hanya
menjelaskan nilai OR (Exp B) pada masing-masing variabel. Oleh karena analisisnya multivariat/ganda
maka nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain yang ada pada model.
Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan kejadian BBLR
adalah variabel ras, merokok dan hipertensi. Sedangkan variabel riwayat prematur dan kelainan
uterus sebagai variabel konfounding. Hasil analisis didapatkan Odds Ratio (OR) dari variabel hipertensi
adalah 3,9, artinya Ibu yang menderita hipertensi akan melahirkan bayi BBLR sebesar 4 kali lebih tinggi
dibandingkan ibu yang tidak menderita hipertensi setelah dikontrol variabel race, merokok, prematur dan
uterus. Secara sama dapat diinterpretasikan untuk variabel yang lain.
UJI INTERAKSI
Block 2: Method = Enter Chi-
Omnibus Tests of Model Coefficients square df Sig.
Step Step
.000 1 .994
1
Mode
26.560 7 .000
l
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a race 7.900 2 .019
1 race(1) 1.088 .502 4.692 1 .030 2.969 1.109 7.946
race(2) 1.059 .419 6.387 1 .011 2.883 1.268 6.555
sm oke .990 .397 6.211 1 .013 2.692 1.236 5.865
ptl .576 .336 2.937 1 .087 1.779 .921 3.438
ht 1.360 .831 2.680 1 .102 3.896 .765 19.852
ui .854 .451 3.584 1 .058 2.350 .970 5.693
ht by s moke .010 1.283 .000 1 .994 1.010 .082 12.491
Constant -2.146 .386 30.875 1 .000 .117
a. Variable(s) entered on s tep 1: ht * sm oke .
Uji interaksi didapatkan p value pada blok2 bagian step = 0,994, p value >0,05
berarti tidak ada interaksi.
MODEL TERAKHIR
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.