ANALISIS MULTIVARIAT

ANALISA DATA
NUMERIK
Uji Beda Mean
Uji satu sampel
Uji dua sampel
• 2 kelompok t tes
• 2 atau lebih 2 kelompok Anova
KATAGORIK
Uji Beda Proporsi
Chi Square
Regresi Logistik

NUMERIK
Uji lebih dari 2 variabel
Korelasi
Regresi Linier
KATAGORIK
Uji lebih dari 2 variabel
Regresi Logistik
 Regresi Logistik:

• Model matematis untuk menganalisis hubungan antara satu

atau beberapa variabel independen yang bersifat kontinu
maupun binary dengan satu variabel dependen yang bersifat
binary/binomial atau dikotom

• Regresi logistik:
 Sederhana (simple)hanya satu variabel independen
(Chi_square atau regresi logistik sederhana)
 Ganda (multiple)lebih dari satu variabel independen
 Model Regresi Logistik:
• Model Prediksi:
 Variabel independen langsung berpengaruh terhadap variabel
dependen
 Faktor2 yang berhubungan dengan Kinerja UKGS

cakupan SD UKGS
cakupan sikat gigi
cakupan selektif
frek pembinaan kinerja petugas UKGS
umur
masa kerja
sex
pendidikan

Independen variabel Dependen variabel

• Model Estimasi:
 Variabel independen berpengaruh terhadap variabel dependen
melalui 1 variabel independen utama
 Pengaruh frekuensi pembinaan terhadap Kinerja petugas UKGS

Frekuensi pembinaan kinerja petugas UKGS

cakupan SD UKGS
cakupan sikat gigi
cakupan selektif
frek pembinaan
umur
masa kerja
sex
pendidikan
 Macam regresi logistik
• Regresi logistik sederhana (=Chi-Square)
– Hanya satu variabel independen
– Z = α + β1X1
• Regresi logistik ganda
– Beberapa variabel independen
– Z = α + β1X1 + β2X2 + …. + βiXi
 Syarat Penggunaan Regresi Logistik:
• Dependen variabel:
1. Dicotomus/Deskrit (kinerja baik/kinerja tidak baik)
2. Ada 1 dependen variabel

• Independen variabel:
1. Dapat deskrit atau kontinu
1. DeskritLaki-laki/ perempuan
2. Kontinuumur
2. Variabel kontinu tidak melebih 10% dari total jumlah
variabel independen (variabel independen 10var
kontinu hanya bisa 1)
 TAHAPAN DALAM ANALISIS REGRESI LOGISTIK:

TAHAP 1:
1. Meliha hubungan variabel setiap variabel independen
terhadap variabel dependen satu persatu sambil menapis
variabel kandidat model

1. Piliha analyze
2. Regression
3. Binary logistic
Dependen variabel Independen variabel methode pilih
Independen variabel pindahkan
Idependen variabel Default last  outcome
dalam bentuk kategorik dan faktor risiko dikode
angka besar
Pilih option
Pilih OK
Model tidak signifikan
P>0,05

Kemampuan
prediksi 60,5%
artinya
variabel
cakupan SD
UKGS dapat
menjelaskan
kinerja tenaga
UKGS sebesar
60,5%

P>0,05 dilihat dari cakupan SD UKGS
kinerja tenaga UKGS tidak berbeda
secara bermakan  tidak ada
pengaruh cakupan SD UKGS tehadap
kenerja tenaga UKGS  namun karena
p masih <0,25 naja nasug daoat masuk
dalam analisis multivariate
Pada puskesmas yang memiliki
cakupan SD UKGS >80%
mempunyai peluang memiliki
tenaga UKGS dengan kinerja baik
sebesar 0,341 dibandingkan
dengan puskesmas yang memiliki
cakupan SD UKGS <80%

LAKUKAN PADA SEMUA VARIABEL INDEPENDEN

 faktor risiko OR 95% CI p kesimpulan
cakupan UKGS 0,341 0,094-1,235 0,341 tidak signifikan Variabel
tapi kandidat independen
cakupan sikat gigi 0,597 0,337-1,870 0,597 tidak signifikan masuk dalam
dan tidak
analisis
kandidat
frekuensi pembinaan 4,250 1,284-14,072 0,018 signifikan dan multivariate:
kandidat 1.Cakupan SD
jenis kelamin 7,000 2,434-20,131 0,000 signifikan dan UKGS
kandidat
2.Frekuensi
pendidikan 3,400 1,134-9,500 0,022 signifikan dan
kandidat pembinaan
umur 1,328 0,912-1,964 0,137 tidak signifikan 3.Jenis kelamin
tapi kandidat 4.Pendidikan
masa kerja 0,721 0,485-1,071 0,163 tidak signifikan
5.Umur
tapi kandidat
          6.Masa kerja
Pilih
dependen
variabel

Pilih pilih
independen
variabel yang
kandidat (6 Pilih metode yang digunakan
var)
METODE DALAM MELAKUKAN ANALISIS REGRESI LOGISTIK

Metode enter
Keuntungan:
Bisa memperhitungkan substansi
Kerugian:
Lebih lama prosesny
METODE DALAM MELAKUKAN ANALISIS REGRESI LOGISTIK

Metode Froward:
Keuntungan:
Waktu lebih cepat
Kerugian:
Tidak bisa memilih secara substansi
Backward
Keuntungan
Lebih cepat
Kerugian
Tidak bisa mempertimbangkan substansi
Masukan 6 variabel kandidat pilih
Pilih variabel independen kategorik Pindahkan ke kotak kanan
Pilih

Pilih reference categoru bila yang menjadi reference outcome

yang dikode 1 dan faktor sisiko di kode 1, maka reference
category last (default). Bila yang mencjadi reference outcome
yang berkode 0 dan faktor risiko berkode 0 maka reference
category first  harus dilakukan perubahan dengan memilih
lingkaran first
Pilih Confident interval
Pilih
Eliminasi variabel independen dari nilai p yang paling besar
Eliminasi variabel cakupan SD UKGS p 0,137  .0,05
Model fit/signifikan

Faktor jenis
kelamin, umur
dan masa
kerja dapat
menjelaskan
kualitas
kenerja
petugas UKGS
sebesar 81,8%
 MODEL PARSIMONI/MODEL LAYAK

SETELAH MODEL PARSIMONI DIPEROLEH TAHAP SELANJUTNYA ADALAH

MEMERIKSA ADANYA INTERASKSI ANTRA VARIABEL INDEPENDEN
TAHAP UJI INTERAKSI
Setelah memiliah variabel independen kedalam
model parsimoni , maka langkah selanjutnya adalah
memeriksa kemungkinan adanya interaksi antara
variabel independen. Penentuan variabel interaksi
sebaiknya melalui pertimbangan logika substansi.
Pengujian interaksi dilihat dari kemaknaan uji
statistik. Bila variabel mempunyai nilai bermakna,
maka variabel interaksi penting dimasukkan dalam
model, namun bila variabel interaksi tidak bermakna
secara statistik maka variabel interaksi tersebut
dihilangkan dalam model. Bila secara statistik
variabel interaksi tersebut signifikan maka kedua
variabel independen yang diduga berinteraksi hasus
masuk dalam model, meskipun salah satu dari
variabel yang berinteraksi tersebut tidak signifikan
Model parsimoni:

umur
masa kerja Kinerja petugas UKGS
sex

Independen variabel Dependen variabel

Dari model diatas yang diduga ada interaksi

antara umur dan masa kerja (semakin tua usia
semakin lama masa kerjanya)
Uji interaksi antara Umur dan lamanya kerja
 pilih

Lakukan prosedur
Masukkan variabel yang akan diuji interaksi
seperti diatas
 Model signifikan

Model dapat menjelaskan

tentang kinerja petuga UKGS
sebesar 84,1%
Semua variabel interaksi memiliki nilai p >0,05tidak terbukti ada interaksi
sehingga variabel interaksi umur dan masa kerja dihilangkan  model
kembali ke model semuala tanpa interaksi
TAHAP UJI CONFOUNDING
• Konfounding  suatu distorsi dalam menaksir pengaruh paparan
terhadap penyakit sebagai akibat tercampurnya pengaruh sebuah atau
beberapa variabel luar.
– Variabel luar (extranous variabel ………konfounder
• Asumsi
– Secara substantif variabel tsb berhubungan dg pajanan dan penyakit
– Pertimbangan statistik atas adanya hubungan variabel dg pajanan
dan penyakit
• Tahapan uji konfounding
– Hitung taksiran kasar (crude estimate) efek pajanan thd outcome
– Hitung taksiran efek pajanan thd penyakit setelah mengontrol
variabel luar yg diduga sebagai konfounder
– Bandingkan kedua taksiran, identifikasi beda kedua taksiran
– Identifikasi kounfounding dengan melihat ukuran seluruh
selisih/beda kedua taksiran yaitu nilai beda > 10%
 Lakukan penilaian confounding dengan cara mengeluarkan variabel
confounding satu persatu dimulai dari variabel yang mempunyai nilai
Pwald terbesar, bila setelah dikeluarkan diperoleh selisih OR dari faktor
utama lebih besar dari 10 % antara sebelum dan sesudah variabel
confounding dikeluarkan, maka variabel tersebut dinyatakan sebagai
confounding dan harus tetap berada dalam model.

RRc - RRa
∆ RR Crude-Adj = -------------- X 100 %
RRa
 
Karena regresi logistik yang digunakan model prediksi
maka semua variabel independen yang masuk akan di uji
apakah variabel tersebut confounder atau bukan.
Berbeda dengan model estimasi yang memiliki satu
variabel independen sebagai variabel utama, sehingga
variabel independen lain akan diuji terhadap variabel
utama tersebut.

3 variabel independen yang akan diuji confounder

• Umur
• Jenis kelamin
• Masa kerja
 Menguji apakah umur merupakan variabel confounder atau tidak
Untuk menguji umur, menggunakan perubahan nilai OR (Exp β)
dari variabel sex (jenis kelamin)

OR variabel sex sebelum

variabel umur dikeluarkan
0,097 setelah variabel umur
dikeluarkan 0,138 selisih
(0,097-0,138)
-------------------x 100 = 90,3%
0,138

Diatas 10% maka variabel

umur merupakan variabel
confounder maka umur
harus tetap dalam model
Menguji apakah masa kerja merupakan variabel confounder atau
tidak, Untuk menguji masa kerja, menggunakan perubahan nilai
OR (Exp β) dari variabel sex (jenis kelamin)

OR variabel sex sebelum

variabel masa kerja
dikeluarkan 0,097 setelah
variabel masa kerja
dikeluarkan 0,114 selisih
(0,097-0,114)
-------------------x 100 = 90,3%
0,114

Diatas 10% maka variabel

masa kerja merupakan
variabel confounder maka
masa kerja harus tetap
dalam model
Menguji apakah variabel sex merupakan variabel confounder atau
tidak, Untuk menguji variabel sex, menggunakan perubahan nilai
OR (Exp β) dari variabel umur

OR variabel umur sebelum dan

sesudah variabel sex dikeluarkan
0,17 0,022 selisih 83% ;
0,140  0,104 selisih 86%;
0,134  0,161 selisih 86,6%

Karena seluruh kelompok usia

diatas 10% maka variabel masa
sex merupakan variabel
confounder maka variabel sex
harus tetap dalam model
HASIL FINAL VARIABEL YANG BERPENGARUH TERHADAP KINERJA PETUGAS UKGS
ADALAH:
SEX, UMUR DAN MASA KERJA
Interpretasi Regresi Logistik:
OR & estimasi selang pd tabel Variable in the Equation:
Interpretasi Regresi Logistik:
Kesimpulan :
1. OR pd perempuan dibandingkan laki-laki 0,097 (CI95%: 0,026-
0,367)Besarnya peluang perempuan untuk mempunyai
penampilan kerja lebih baik adalah 0,097 kali dibandingkan
dengan laki-laki, terkait kinerja  jenis kelamin berpengaruh
terhadap penamilan kerja seseorang
2. OR usia 23-28 thn 0,017
OR usia 29-31 thn 0,140
OR usia 32-36 thn 0,134
semakin bertambah usia (semakin tua) semakin baik kinerja
seseorang
3. OR masa kerja 1-3 thn 43,90
OR masa kerja 4-7 th 13,04
OR masa kerja 8-13 thn 2,06
semakin lama masa kerja semakin kurang kinerja seseorang
Terimakasih!!!