Unit 1

STATISTIK DAN PENELITIAN

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

 Alat menghitung besar sampel yg akan diteliti

 Alat untuk menguji validitas dan reliabilitas
instrumen
 Alat untuk pengolahan data

 Alat untuk analisis data

 Alat untuk penyajian data

4. JENIS DATA

 Data merupakan kumpulan angka/huruf hasil

dari penelitian terhadap sifat/karakteriktik yg
kita teliti.
 Skala data :nominal, ordinal, interval dan rasio

 Sifat data; Katagorik (hsl

penggolongan/pengklasifikasian=jenis nominal
dan ordinal) dan nomerik (hasil mengukur dan
menghitung=jenis interval dan rasio)
Unit 2

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:

 Lengkap;semua pertanyaan sudah terisi jawabannya.

 Jelas; jawaban pertanyaan apakah tulisannya cukup jelas
terbaca.
 Relevan: jawaban yg tertulis apakaah relevan dg pertanyaan
 Konsisten: apakah anatara beberapa pertanyaan yg
berkaitan isi jawabannya konsisten, misalnya anatar
pertanyaan usia dg pertanyaan jumlah anak. Bila
pertanyaan usia terisi 15 tahun dan pertanyaan jumlah
anak 9, ini berarti tdk konsisten
CODING
 Coding merupakan kegiatan merubah data
berbentuk huruf menjadi data brbentuk
angka/bilangan. Misalnya untuk variabel
pendidikan dilakukan koding 1=SD, 2=SMP,
3=SMU dan 4=PT. Jenis kelamin: 1=Laki-laki,
2=Perempuan, dsb
 Kegunaan koding ini adalah untuk
mempermudah pada saat analisis data dan
juga mempercepat pada saat entry data
PROCESSING

 Dilakukan setelah kuesioner terisi penuh dan

benar serta sudah melewati pengkodean.
Pemprosesan data dilakukan dengan meng
entry data dari kuesioner ke paket komputer.
CLEANING
 Merupakan kegiatan pengecekan kembali
data yg sdh dientry apakah ada kesalahan atau
tdk
 Cara mengcleaning data:
 A.Mengetahui missing data= melakukan list (distribusi
frekuensi) dari variabel yg ada. Misalnya data yg diolaah 100
responden, kemudian dibuat distribusi frekuensi dari
variabel penelitian misalnya variabel pendidikan dan jenis
kelamin.

pendidikan jumlah
JENIS KELAMIN JUMLAH
sd 40
Laki-laki 40
SMP 10
Perempuan 60
SMU 30
TOTAL 100
PT 15
TOTAL 95

 Dari variabel pendidikan nampak ada data yg missing

(hilang) karena jumlahnya TIDAK 100..
 B. Mengetahui variasi data= dari variasi data akan
diketahui apakah data yg dientry benar atau salah dg
melihat frekuensinya. Misalnya dalam entry data
dimasukkan koding 1=SD, 2=SMP, 3=SMU dan 4=PT.
pendidikan jumlah
1 40
2 30
Dari tampilan ini jumlahnya benar 100,
3 20 tetapi munculnya koding 7 yg berjumlah 4
4 6 merupakan kesalahan entry. Karena koding
7 seharusnya tdk ada
5 4
total 100
 .
 C. Mengetahui konsoistensi data, caranya dg menghubungkan dua
variabel.

 Contoh
 Tabel 4. Keikutsertaan KB Tabel 5. Jenis alat kontrasepsi

KB JUMLAH ALAT KONTRASEPSI JUMLAH

YA 20 SUNTIK 5
TIDAK 80 PIL 5
TOTAL 100 KONDOM 4
IUD 10
TOTAL 24

 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

UJI INSTRUMEN (UJI KUESIONER)

 Sebelum dilkukan pengambilan data, maka
instrumen terlebih dahulu dilakukan uji
kevaliditasan dan kereliabelitasannya.
 Validitas=ketepatan alat ukur mengukur obyek,
contoh= mengukur berat cincin menggunakan
timbangan emas, Mengukur BB menggunakan
timbangan berat badan.Jadi cincin valid bila
diukur dg timbangan emas dan BB akan valid
bila diukur dg timbangan BB.
VALIDITAS
 Untuk mengetahuivaliditas suatu instrumen (kuesioner)
dilakukan dg cara melakukan korelasi antar skor masing-
masing variabel dg skor totalnya. Suatu variabel (petanyaan)
dikatakan valid bila skor variabel tsb berkorelasi secara
signifikan dg skor totalnya

n(XY )  (XY )
r
V (nX 2(X ) 2 )( nY 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.

 Digunakan uji crombach alpha untuk mengujinya.

 Kep[utusan uji:
 Bila crombach alpha >=.0,6, Reliebel
 Bila crombach alpha<0,6, tidak reliabel
UJI INSTRUMEN

MASALAH PENELITIAN ; MENDAPATKAN DATA AKURAT

AKURAT : VALIDITAS DAN RELIABILITAS

UJI INSTRUMEN --- UJI KUESIONER

KUESIONER : KUMPULAN PERTANYAN

PERTANYAAN SPT APA YANG PERLU DI UJI ?

PERTANYAAN YANG DIBUAT UNTU MENGUKUR VARIABEL

KONSEP/ABSTRAK/LATEN

VARIABEL ABSTRAK – VARIABEL YANG HARUS DIUKUR OLEH

BEBERAPA PERTANYAAN
-- MIS: MOTIVASI, SIKAP, KINERJA, KEPUASAN DLL
VALIDITAS
 Validitas : ketepatan/kecermatan pengukuran
 Untuk uji validitas : digunakan uji korelasi pearson (r)
 Prinsip uji : melakukan korelasi skor masing-masing pertanyaan dengan skor Total.
 Keputusan : bila nilai r hitung(r komputer) > r tabel valid
bila nilai r hitung < r tabel  tidak valid

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

a. Apkah anda sering terpaksa bekerja lembur?

1. tidak pernah 2. jarang 3.kadang-kadang 4. sering 5. selalu
b. Menurut anda, apakah dalam hidup ini perlu bersaing?
1. tidak pernah 2. jarang 3. kadang-kadang 4. perlu 5. sangat perlu
c. Apakah anda mudah marah?
1. tidak 2. jarang 3. kadang-kadang 4. sering 5. Ya
d. Apakah anda sering terjadi konflik dengan keluarga?
1. tidak 2. jarang 3. kadang-kadang 4. sering 5. Ya
e. Apakah anda sering terjadi konflik dengan teman kerja?
1. tidak 2. jarang 3. kadang-kadang 4. sering 5. Ya
DATA HASIL PRE-TEST
No P1 P2 P3 P4 P5
1 4 3 4 4 4
2 1 1 1 1 1
3 1 2 1 1 1
4 4 4 3 4 4
5 2 4 2 2 2
6 3 3 3 3 3
7 4 1 4 4 4
8 1 1 1 1 1
9 3 3 3 3 3
10 2 3 2 2 2
11 1 1 1 1 1
12 2 2 2 2 2
13 4 2 4 3 4
14 3 1 3 3 3
15 2 3 2 2 2
INTERRATER RELIABILITY
TUJUAN : UNTUK MENGUJI PENYAMAAN PERSEPSI ANTARA PENELITI DENGAN
NUMERATOR TERHADAP SATU ASPEK OBSERVASI TERTENTU

Tuj : uji kesepakatan/kesepahaman antara dua pengamat/observer

SUBJEK : OBSERVASI

UJI YANG DIGUNAKAN : UJI KAPPA COHEN

PRINSIP UJI KAPPA
CARA PERTAMA:
MENGGUNKAN KOEFISIEN KAPPA, BILA NILAI KOEFISEN KAPPA > 0,6 ARTINYA
ADA PERSAMAAN PERSEPSI ANTARA PENELITI DENGAN NUMERATOR

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.

 Analisis data tergantung:

 A. jenis penelitian
 B.Jenis sampel
 C.Jenis data
 D. Asumsi kenormalan distribusi data
 A. JENIS PENELITIAN
 Jika penelitian untuk mengetahui pendapat masyarakat akan suatu
hal tertentu, maka pengumpulan data dapat dilakukan dg survei yg
analisis datanya dengan pendekataan kualitatif. Tetapi bila ingin
mendapatkan gambaran yg mendalam tenmtang suatu fenomena,
maka data dpt dikumpulkan dengan fokus group diskusi atau
observasi, maka analisisnya dg pendekatan kuantitatif.

 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 BIVARIAT (ANALITIK)

 Dilakukan sebagai analisis lanjut dari analisis univariat, berguna untuk
mengetahui hubungan dua variabel, misalnya hubungan BB dg tekanan
darah

 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

: deskripsi setiap variabel yg

diteliti

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

Kelemahan nilai mean : terpengaruh data ekstrim

Keuntungan nilai median : tidak terpengaruh adanya data ekstrim
 UKURAN VARIASI: NUMERIK

: Standar Deviasi
Cianjur
Lebak

Hb=12 Hb=12
Hb=12
Hb=10 Hb=11 Hb=12

Hb=12 Hb=12
Hb=13 Hb=14

Rata-rata Hb = 12 mg/dl Rata-rata Hb = 12 mg/dl

UKURAN TENGAH : KATAGORIK
: Proporsi /persentase

Proporsi bumil
dengan K4:

6/10 = 0,6 = 60%

= Bumil tanpa K4
= Bumil dengan K4

Ukuran variasi : Katagorik :

Bentuknya sama dng ukuran tengah : Proporsi/persentase
 ESTIMASI
 Perkiraan kondisi/karakteristik populasi
melalui data sampel (data hasil survei)

Mis: hasil survei sampel 150 bayi di Depok

didapatkan rata-rata berat badan bayi 2100 g

Untuk seluruh Depok berapa rata-rata nya ? ->

estimasi

Misal hasil Estimasi Interval didapatkan hasil : 95 % CI

(2000 ; 2300)
Berarti Gambaran kondisi bayi di Depok, sbb:

95 % dipercaya bahwa rata-rata berat badan bayi di wilayah

Depok adalah berada diantara 2000 g s/d 2300 g
Unit 5

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

Variabel I Variabel II Jenis uji statistik yg digunakan

katagori katagori Kai kuadrat
Fisher Exact
katagori nomerik Uji T
ANOVA
nomerik nomerik Korelasi
Regresi
ANALISIS HUBUNGAN KATAGORIK DG NOMERIK

 Dalam bidang kesehatan sering kali kita harus menarik

kesimpulan apakah parameter dua populasi berbeda
atau tidak, misalnya apakah ada perbedaan tekanan
darah (nomerik) antara penduduk desa dg kota
(katagorik). Uji yg dipakai adalah uji beda dua mean,
pendekatan ujinya dapat menggunakan pendekatan
distribusi Z dan distribusi t sehingga pada uji beda dua
means bisa menggunakan uji Z atau uji t (UJI BEDA DUA
MEAN), namun sering menggunakan uji t karena
standart deviasi populasi (σ) sering tidak diketahui.
 Uji t ada yg dependen dan independen
UJI T INDEPENDEN
 Tujuan untuk mengetahui perbedaan mean dua
kelompok data independen
 Syarat yg harus dipenuhi:
Data berdistribusi normal/simetris
Kedua klp data independen
Variabel yg dihubungkan berbentuk nomerik dg
katagorik

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

 Jenis data yg dihubungkan adalah:nomerik dg

katagorik(utk katagorik >2 klp)
 Untuk mengetahui lebih lanjutbila diketahui
ada perbedaan dari uji anova maka dilanjutkan
dg analisis multi comparison (POSTHOC
TEST)untuk mengetahui klp manasaja yg
berbeda meannya.
 Ada berbagai analisis multi comparison untuk
menguji perbedaan ini al: Bonferroni, HSD dll
ANALISIS DATA
DENGAN
SPSS
ANALISIS UTK VAR KATAGORIK
OUTPUT SPSS

pendidikan formal ibu menyusui

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

Mis ; akan dianalisis umur ibu

OUTPUT SPSS

Nilai statistik deskriptif yg dimunculkan

PERINTAH EXPLORE

: explore berguna utk mengeluarkan CI (estimasi interval)

OUTPUT EXPLORE : CI, UJI KOLMOGOROV, SKEWNES
KENORMALAN DATA
PENYAJIAN DAN INTERPRETASI
ANALISIS 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 = 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 katagorik

2. Regresi logistik Ganda

var dependen = katagorik
var independen = katagorik dan numerik
REGRESI LINIER

Regresi linier sederhana

Y = a + bx

Regresi linier ganda

Y = a +b1x1 + b2x2 + ….
REGRESI LINIER GANDA

Fungsi Regresi linier 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
REGRESI LINIER GANDA
ASUMSI REGRESI LINIER GANDA
: “ HEIL – GAUSS “

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

- Banyak variabel – overfitting, SE terlalu besar

- Banyak variabel – menyulitkan interpretasi

Lalu ?
- Memasukan variabel– ada aspek statistik dan substansi

- Sebaiknya variabel yg masuk sedikit, namun cukup baik utk

menjelaskan faktor-faktor penting yg ber-hubungan dng var.
dependen
Model yg baik ?
R Square besar namun var. Indep jumlahnya sedikit
PEMODELAN REGRESI LINIER
Langkah :
1. Melakukan analisis bivariat: indep dng dep, bila hasil uji didapatkan p value < 0,25 mk
dpt lanjut ke multivariat. Namun kalau ada var yang secara substansi penting
walaupun p valuenya > 0,25 mk variabel tsb dapat masuk ke multivariat
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 variabel2x yg masih
ada(berubah > 10 %), maka var tsb dimasukkan kembali dlm model. Pemilihan
variabel dng metode ENTER
3. Melakukan Diagnostik regresi linier
a. Pengujian asumsi
b. Pengujian Kolinearitas, antar independen terjadi hub yg sangat kuat : r ≥ 0,8. Atau
nilai VIF > 10
PEMODELAN REGRESI LINIER
4. Analisis interaksi
= kondisi hubungan antara var. indep dan var. dep, berbeda menurut tingkat
var indep yg lain
Mis: TD =a+b1(AF)+b2(Umur)+b3(Sex)+b4(AF*Sex)
Penentuan var interaksi  pertimbangan substansi
Var interaksi “Umur*Sex” tdk pas, krn secara biologik kedua
variabel tsb tdk saling berinteraksi utk mempengaruhi TD
5. Reliabilitas Model
Sampel di bagi dua, bila kedua sampel menghasil model yg sama, maka model
regresi reliabel–- seluruh sampel dapat dipakai utk pembuatan model
REGRESI LINIER GANDA

1. umur
2. Berat badan
3. merokok Berat bayi
4. prematur
5. hipertensi
6. anc
SELEKSI VARIABEL :

ANALISIS`BIVARIAT DENGAN KORELASI

Co rre latio ns

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

Hi story of Pearson Correlation .072 -.140 -.044 1 -.155*

premature labor Si g. (2-tail ed) .328 .055 .544 .034
N 189 189 189 189 189
Bi rth weight (gram ) Pearson Correlation .090 .186* .058 -.155* 1
Si g. (2-tail ed) .219 .010 .426 .034
N 189 189 189 189 189
*. Correlation is s igni ficant at the 0.05 level (2-tail ed).
**. Correlation is s igni ficant at the 0.01 level (2-tail ed).

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

Independent Sam ple s Test

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

Hasil p value merokok = 0,009, p value < 0,25 berarti

masuk ke multivariat
BIVARIAT UJI T

Independent Samples Test

Levene's Test for

Equality of
Variances t-test for Equality of Means

Std. 95% Confidence

Sig. Mean Error Interval of the
(2-taile Differe Differen Difference
F Sig. t df d) nce ce Lower Upper
Birth Equal
weight variances 1.419 .235 2.019 187 .045 435.56 215.709 10.024 861.1
(gram) as sumed
Equal
variances
1.612 11.908 .133 435.56 270.126 -153.5 1025
not
as sumed

P value hipertensi = 0,045, p value < 0,25 maka lanjut

ke multivariat
PEMODELAN MULTIVARIAT
Model Summar y

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .340a .116 .086 696.829
a. Predictors: (Constant), No physician visits in fi rst
trim ester, Smoking status, History of hypertens ion,
Coeffi
Hi story of prem ature cientsaAge of mother, Wei ght of
labor,
mother (pounds )
Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s
Model B St d. Error Beta t Sig.
1 (Const ant) 2315.862 299.442 7.734 .000
Age of mother 7.162 10.022 .052 .715 .476
W eight of mot her
4.793 1.777 .201 2.698 .008
(pounds)
Smoking s tatus -232.253 105.928 -.156 -2. 193 .030
History of premature labor -154.002 106.574 -.104 -1. 445 .150
History of hypertension -574.230 215.481 -.193 -2. 665 .008
No phy sic ian visits in first
-2. 847 49.705 -.004 -.057 .954
trimes ter
a. Dependent Variable: Birth weight (gram)

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)

Setelah anc keluar terlihat R square tdk berubah, dan Coef B

Untuk masing-masing juga tak berubah besar ( > 10 %)
 PERUBAHAN COEF. B

Variabel Anc msih ada Anc dikeluarkan perubahan Coef.

Age 7,1 7,0 1,4 %

bwt 4,7 4,7 0%
smoke -232,2 -232,2 0%
ptl -154,0 153,7 0,1 %
hi -574,2 573,0 0,1 %
ftv -2,8 -

Koefisien B tidak ada yang berubah > 10 % sehingga variabel anc dikeluarkan
Dari multivariat
Tahap selanjutnya variabel umur dikeluarkan dari model
PEMODELAN MULTIVARIAT

Model Summ ary

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)

Setelah umur keluar, ternyata R Square berubah sedikit,

Menjadi 0,113. Untuk koefisien B perubahannya sbb:
 PERUBAHAN NILAI COEF. B
Variabel Masih lengkap umur dikeluarkan perubahan Coef.

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

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .322a .104 .089 695.707
a. Predictors: (Constant), History of hypertension,
Smoking status , Weight of mother (pounds)

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)

R square turun menjadi 0,104. sedangkan untuk koef B perubahannya sbb:

 PERUBAHAN NILAI COEF. B
Variabel Masih lengkap Prematur keluar perubahan Coef.

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 -

Hasil perhitungan setelah dikeluarkan variabel prematur, ternyata coefisin B pada

variabel beat badan ibu (bwt) beubah sebesar 12,3 % dengan demikian variabel riwayat
mengalami prematur tidak jadi dikeluarkan
dan tetap dipertahankan dalam model multivariat. Dari hasil analisis ternyata tidak ada lagi
yang p value-nya > 0,05 dengan demikian proses pencarian variabel yang masuk
dalam model telah selesai dan model yang terakhir adalah sbb:
MODEL TERAKHIR

Mode l Summaryb

Adjust ed St d. Error of Durbin-

Model R R Square R Square the Es timate W atson
1 .336a .113 .094 694.016 .222
a. Predic tors : (Const ant), History of premature labor, His tory of
hy pert ens ion, Smoking st atus , W eight of mot her (pounds )
b. Dependent Variable: Birth weight (gram)

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

Minimum Maximum Mean St d. Deviation N

Predic ted Value 2249.77 3602.03 2944.66 245.079 189
St d. Predic ted Value -2. 835 2.682 .000 1.000 189
St andard Error of
67.193 292.804 103.399 45.407 189
Predic ted Value
Adjust ed Predicted Value 1955.43 3616.97 2943.73 251.196 189
Residual -2082. 610 1921.631 .000 686.593 189
St d. Residual -3. 001 2.769 .000 .989 189
St ud. Residual -3. 015 2.782 .001 1.005 189
Deleted Residual -2102. 316 1940.423 .923 708.619 189
St ud. Deleted Res idual -3. 084 2.835 .000 1.010 189
Mahal. Dis tanc e .768 32.469 3.979 5.320 189
Cook's Dis tanc e .000 .209 .007 .019 189
Centered Leverage Value .004 .173 .021 .028 189
a. Dependent Variable: Birth weight (gram)

Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan
standar deviasi 686,59. Dengan demikian asumsi Eksistensi terpenuhi
 2. Asumsi Independensi

Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.

Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi yang berbeda
yang diukur dari satu individu diukur dua kali. Untuk mengetahui asuamsi ini dilakukan dengan cara
mengeluarkan uji Durbin Watson, bila nilai Durbin –2 s.d. +2 berarti asumsi independensi terpenuhi,
sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi

Mode l Summaryb

Adjust ed St d. Error of Durbin-

Model R R Square R Square the Es timate W atson
1 .336a .113 .094 694.016 .222
a. Predic tors : (Const ant), History of premature labor, His tory of
hy pert ens ion, Smoking st atus , W eight of mot her (pounds )
b. Dependent Variable: Birth weight (gram)

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

Dependent Variable: Birth weight (gram)

3
Regression Studentized Residual

-1

-2

-3

-4

-3 -2 -1 0 1 2 3

Regression Standardized Predicted Value

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

Dependent Variable: Birth weight (gram)

40

30
Frequency

20

10

Mean = -2.53E-16
Std. Dev. = 0.989
0 N = 189
-4 -3 -2 -1 0 1 2 3

Regression Standardized Residual

DIAGOSTIK MULTICOLLINEARITY

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

Adjust ed St d. Error of Durbin-

Model R R Square R Square the Es timate W atson
1 .336a .113 .094 694.016 .222
a. Predic tors : (Const ant), History of premature labor, His tory of
hy pert ens ion, Smoking st atus , W eight of mot her (pounds )
b. Dependent Variable: Birth weight (gram)
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)

Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl

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

 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 2006
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:
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

Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) ,

RAS (race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS (ui)
,PERIKSA HAMIL (ftv),merok, prematur dengan BBLR (low).

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

Variables in the Equation

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.

Hasil bivariat menunjukkan , umur mempunyai p value 0,097 (lihat

Di omnibus test bagian block). Dengan demikian p value < 0,25
Jadi umur dapat ke multivariat.
Dari hasil diatas juga dapat diketahui nilai OR, yaitu di kolom
EXP(B) = 0,950
2. RACE

Categorical Variables Codings

Omnibus Tests of Model Coefficients
Parameter coding
Frequency (1) (2) Chi-square df Sig.
Race White 96 .000 .000 Step 1 Step 5.010 2 .082
Black 26 1.000 .000 Block 5.010 2 .082
Other 67 .000 1.000 Model 5.010 2 .082

Variables in the Equation

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

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 4.022 1 .045
Block 4.022 1 .045
Model 4.022 1 .045

Va riables in the Equation

95.0% C.I. for

EXP(B)
B S. E. W ald df Sig. Ex p(B) Lower Upper
Sta ep ht 1.214 .608 3.979 1 .046 3.365 1.021 11.088
1 Constant -.877 .165 28.249 1 .000 .416
a. Variable(s ) ent ered on step 1: ht.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti

masuk dalam multivariat
4. KELAINAN UTERUS
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 5.076 1 .024
Block 5.076 1 .024
Model 5.076 1 .024

Va riables in the Equation

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

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step .773 1 .379
Block .773 1 .379
Model .773 1 .379

Variables in the Equation

95.0% C.I.for EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ftv -.135 .157 .744 1 .389 .874 .643 1.188
1 Constant -.687 .195 12.427 1 .000 .503
a. Variable(s) entered on s tep 1: ftv.

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

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 4.867 1 .027
Block 4.867 1 .027
Model 4.867 1 .027

Va riables in the Equa tion

95.0% C.I. for

EXP(B)
B S. E. W ald df Sig. Ex p(B) Lower Upper
Sta ep smoke .704 .320 4.852 1 .028 2.022 1.081 3.783
1 Constant -1. 087 .215 25.627 1 .000 .337
a. Variable(s) ent ered on step 1: s moke.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan

demikian variabel merokok dapat masuk ke multivariat.
7. PREMATUR
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 6.779 1 .009
Block 6.779 1 .009
Model 6.779 1 .009

Va ria bles in the Equation

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

Variables in the Equation

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

Variables in the Equation

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.

Setelah ftv keluar, kita lihat perubahan OR untuk masing-masing

variabel
PERUBAHAN NILAI OR
Variabel OR ftv ada OR ftv tak ada perubahan OR

Age 0.960 0.960 0%

Race(1) 2.743 2.744 0%
Race(2) 2.727 2.723 0%
Smoke 2.622 2.620 0%
Ptl 1.877 1.875 0,1 %
Ht 3.902 3.889 0.3 %
ui 2.229 2.226 0,1 %
ftv 1.009

Ternyata setelah ftv keluar, perubahan OR untuk semua variabel yg

Tersisa tidak ada yang > 10 %. Dengan demikian ftv dikeluarkan dari
Model.
Selanjutnya variabel umur dicoba dikeluarkan dari model
MODEL TANPA UMUR
Variables in the Equation

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.

Setelah umur dikeluarkan kita lihat perubahan nilai OR untuk variabel

Yang tersisa
 PERUBAHAN NILAI OR
Variabel OR age ada OR age tak ada perubahan OR

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

95.0% C.I. for

EXP(B)
B S. E. W ald df Sig. Ex p(B) Lower Upper
Sta ep rac e 8.245 2 .016
1 rac e(1) 1.064 .499 4.545 1 .033 2.897 1.090 7.704
rac e(2) 1.083 .413 6.877 1 .009 2.955 1.315 6.640
smoke 1.094 .380 8.299 1 .004 2.986 1.419 6.286
ht 1.359 .630 4.660 1 .031 3.894 1.133 13.379
ui 1.006 .438 5.262 1 .022 2.734 1.158 6.458
Constant -2. 092 .380 30.307 1 .000 .123
a. Variable(s) ent ered on step 1: race, smoke, ht, ui.

Variabel OR ptl ada OR ptl tak ada perubahan OR

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 -

Ada perubahan OR > 10 %, jadi prematur dimasukkan kembali dlm model

MODEL PREMATUR MASUK LAGI

Variables in the Equation

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.

Model setelah variabel prematur dimasukkan kembali.

Variabel ui p=0,058, dengan demikian variabel ui dicoba dikeluarkan
dari model
MODEL TANPA UTERUS

Va riables in the Equation

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 - -

Uterus merubah OR > 10%, dengan demikian variabel uterus dimasukkan

Kembali dalam model

Dengan demikian pemodelan selesai

MODEL TERAKHIR

Variables in the Equation

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

Block .000 1 .994

Mode
26.560 7 .000
l

Variables in the Equation

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

Variables in the Equation

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.