Analisa Uji Asosiasi Dan Uji Perbedaan

Feby Fitri Darmadi PROGRAM STUDI ILMU KEPERAWATAN

FAKULTAS KEPERAWATAN
1911166300 UNIVERSITAS RIAU
2020
 Asosiasi
Metode asosiasi akan membantu kita untuk memahami hubungan secara baik,
namun juga membantu kita mengetahui kekuatan hubungan secara lebih baik

Metode Asosiasi yang sesuai dengan Kombinasi Pengukuran

2
1. Analisis Satu Variabel (Univariat Analysis)

Analisis univariat adalah analisa yang dilakukan menganalisis tiap

variabel dari hasil penelitian. Analisis univariat bertujuan untuk
menjelaskan atau mendeskripsikan karakteristik setiap variable penelitian.
Bentuk analisis univariat tergantung dari jenis datanya. Untuk data numerik
digunakan nilai mean atau rata-rata, median dan standar deviasi.
Pada umumnya dalam analisis ini hanya menghasilkan distribusi
frekuensi dan persentase dari tiap variabel. Misalnya distribusi frekuensi
responden berdasarkan umur, jenis kelamin, tingkat pendidikan dan
sebagainya. Demikian juga penyebaran penyakit-penyakit yang ada di
daerahtertentu, distribusi pemakaian jenis kontrasepsi, distribusi kasus
malnutrisi pada anak balita, dan sebagainya.
3
 1. Analisis Satu Variabel (Univariat Analysis)
Contoh:
Distribusi Responden Berdasarkan Kepatuhan Berobat TB
Responden yang patuh berobat TB di wilayah kerja Puskesmas Pasar
Minggu lebih tinggi (60,8%) dibanding dengan yang tidak patuh
berobat (39,2%).

Kepatuhan N %

Patuh 148 60,8

Tidak patuh 131 39,2

Total 279 100,0

4
 2. Analisis bivariat
Analisa bivariate Adalah analisis yang dilakukan pada dua variabel, yang bermanfaat untuk
mengetahui hubungan pada dua variabel tersebut. Analisis ini memiliki lebih dari satu
variabel bebas dan satu variabel terikat.
Apabila telah dilakukan analisis univariat, hasilnya akan diketahui karakteristik atau
distribusi setiap variabel dan dapat dilanjutkan dengan anlisis bivariat. Analisis bivariat
dilakukan terhadap dua variable yang diduga berhubungan atau berkorelasi. Dalam analisis
bivariat ini dilakukan beberapa tahap, antara lain:
(1)    Analisis proporsi atau presentase, dengan membandingkan distribusi silang antara dua
variabel yang bersangkutan.
(2)    Analisis dari hasil uji statistik (chi square, z test, t test dan sebagainya). Melihat dari
hasil uji statistik ini akan dapat disimpulkan adanya hubungan dua variabel tersebut
bermakna atau tidak bermakna. Dari hasil uji statistik ini dapat terjadi misalnya antara dua
variabel tersebut secara persentase berhubungan tetapi secara statistik hubungan tersebut
tidak bermakna.
5
 2. Analisis bivariat
3) Analisis keeratan hubungan antara dua variabel, dengan melihat
(

Odd Ratio (OR). Besar kecilnya nilai OR menunjukkan besarnya

keeratan hubungan antara dua variabel yang diuji.
Contoh :
Distribusi Responden Berdasarkan Umur dan Kepatuhan Berobat T
Dari tabel di samping menunjukkan bahwa responden berumur
Umur Kepatuhan Total P OR
dewasa muda lebih patuh berobat TB (80%) dibandingkan dengan Tak Patuh valu 95%
responden dewasa (45,8%). Sehingga secara presentase dapat patuh e
disimpulkan bahwa ada hubungan antara umur dengan kepatuhan
berobat. Dewasa 7(20,0%) 28 35    
Md   (80%) (100%) 0,00 3,08
Hasil uji statistic menunjukkan bahwa nilai p< 0,005 hal ini terbukti
  24(54,0     4
bahwa umur berhubungan secara bermakna dengan kepatuhan Dewasa %) 20(45, 44(100
berobat. 5%) %)
Dari analisis keeratan hubungan menunjukkan nilai ODD Ratio (OR) Total 31 48(60, 79
3,08 yang berarti bahwa responden yang berumur dewasa muda (39,2%) 8%) (100%)

mempunyai peluang 3,08 kali patuh berobat dibandingkan dengan

responden yang berumur lebih tua.

6
 2. Analisis bivariat
Uji statistik yang dipakai pada analisis bivariat:

Variabel I Variabel II Uji Statistik

kategorik Kategorik Chi square

kategorik Numeric Uji T

Anova

numerik Numeric Korelasi

Regresi

7
Analisis Bivariat: Prosedur Umum untuk Uji Asosiasi

8
 2. Analisis bivariat
1)    Chi Square ( chi kuadrat)
Adalah suatu teknik statistik yang memungkinkan penyelidikan menilai probabilitas memperoleh
perbedaan frekuensi yang nyata (yang diobservasi) dengan frekuensi yang diharapkan dalam kategori –
kategori tertentu sebagai akibat dari kesalahan sampling.

Manfaat chi square:

§  Chi kuadrat adalah alat untuk mengadakan estimasi. Digunakan untuk menaksir apakah ada
perbedaan yang signifikan antara frekuensi yang diobservasi dengan frekuensi yang di harapkan dalam
populasi. Frekuensi yang diharapkan dalam populasi ini disebut juga frekuensi hipotetik karena
digunakan sebagai alat hipotesis yang akan diuji dengan frekuensi yang diperoleh dari sampel. Oleh
karena itu chi kuadrat sebagai alat estimasi berkedudukan juga sebagai alat pengetes hipotesis.
§  Chi kuadrat adalah alat untuk mengadakan pengetesan hipotesis.
Tiap-tiap pengetesan hipotesis harus membandingkan sedikitnya dua sampel. Dalam hal ini apakah
frekuensi yang diperolehdalam sampel yang satu berbeda secara signifikan ataukah tidak dengan
frekuensi yang diperoleh dalam sampel lainnya.
§  Chi kuadrat sebagai alat mengetes signifikan korelasi antara dua factor atau lebih. 9
 2. Analisis bivariat
2)    T test
Uji T berpasangan (paired T-test)
adalah salah satu metode pengujian hipotesis dimana data yang digunakan tidak
bebas (berpasangan). Ciri-ciri yang paling sering ditemui pada kasus yang berpasangan
adalah satu individu (objek penelitian) dikenai 2 buah perlakuan yang berbeda.
Walaupun menggunakan individu yang sama, peneliti tetap memperoleh 2 macam data
sampel, yaitu datadari perlakuan pertama dan data dari perlakuan kedua.
Perlakuan pertama mungkin saja berupa kontrol, yaitu tidak memberikan perlakuan
sama sekali terhadap objek penelitian. Misal pada penelitian mengenai efektivitas
suatu obat tertentu, perlakuan pertama, peneliti menerapkan kontrol, sedangkan pada
perlakuan kedua, barulah objek penelitian dikenai suatu tindakan tertentu,
misal pemberian obat.

10
 2. Analisis bivariat
Independen T Test
adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean atau rerata yang
bermakna antara 2 kelompok bebas yang berskala data interval/rasio. Dua kelompok bebas yang dimaksud
di sini adalah dua kelompok yang tidak berpasangan, artinya sumber data berasal dari subjek yang
berbeda. Misal Kelompok Kelas A dan Kelompok kelas B, di mana responden dalam kelas A dan kelas B
adalah 2 kelompok yang subjeknya berbeda. Bandingkan dengan nilai pretest dan posttest pada kelas A, di
mana nilai pretest dan posttest berasal dari subjek yang sama atau disebut dengan data berpasangan.
Apabila menemui kasus yang data berpasangan, maka uji beda yang tepat adalah uji paired t test.
 
Asumsi yang harus dipenuhi pada independen t test antara lain:
1. Skala data interval/rasio.
2. Kelompok data saling bebas atau tidak berpasangan.
3. Data per kelompok berdistribusi normal.
4. Data per kelompok tidak terdapat outlier.
5. Varians antar kelompok sama atau homogen.
11
 2. Analisis bivariat
3)    One Way Anova (Analysis of variance)
Anova (analysis of varian) digunakan untuk menguji perbedaan mean (rata-
rata) data lebih dari dua kelompok. Misalnya kita ingin mengetahui apakah ada
perbedaan rata-rata lama hari dirawat antara pasien kelas VIP, I, II, dan kelas III
Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:
1. Data berdistribusi normal
2. Varians atau ragamnya homogen
3. Masing-masing contoh saling bebas, yang harus dapat diatur dengan
perancangan percobaan yang tepat
4. Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah)

12
 2. Analisis bivariat
4)    Korelasi
Korelasi Product Moment Pearson
Teknik Korelasi ini digunakan untuk mencari hubungan dua variabel dengan
data kedua variabel berskala interval atau rasio. Koefisien korelasi mempunyai
nilai -1 ≤ r ≤ 1. Koefisien r melambangkan estimasi untuk sampel, sedangkan
koefisien ρ mewakili korelasi populasi. Koefisien korelasi menunjukkan besar
dan arah dari hubungan. Arah menunjukkan pada kita apakah nilai-nilai yang
besar pada sebuah variabel berkorelasi dengan nilai-nilai besar pada variabel
yang lain (dan nilai-nilai yang kecil dengan nilai-nilai yang kecil). Apabila nilai-
nilai berkorelasi dengan cara demikian maka kedua variabel mempunyai
hubungan positif. Apabila satu variabel naik maka yang lain juga akan ikut naik.

13
 2. Analisis bivariat
5)    Regresi sederhana
Analisis regresi linear sederhana adalah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah posiutif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala
interval atau rasio. Rumus regresi linear sederhana sebagai berikut:
Y’ = a + b X
Di mana:
Y’ = Variabel dependen (nilai yang diprediksikan)
X  = Variabel independen
a  = konstanta (nilai Y’ apabila X=0)
b  = koefisien regresi (nilai peningkatan ataupun penurunan)
14
 Uji perbedaan
Untuk mendeteksi mengenai perbedaan antar kelompok yang amat berguna bagi para
peneliti. Uji ini meliputi uji Chi Square untuk menguji perbedaan antar grup dan uji Z
untuk perbedaan proporsi, serta uji t untuk perbedaan rata-rata

15
3. Analisis Banyak Variabel (Multivariat Analysis)
Analisis bivariate hanya akan menghasilkan hubungan antara dua variabel yang
bersangkutan ( variabel independen dengan variabel dependen). Untuk
mengetahui hubungan lebih dari satu variabel independen terhadap satu variabel
dependen, harus dilanjutkan lagi dengan melakukan analisis multivariat. Analisis
statistik multivariat merupakan metode statistik yang memungkinkan kita
melakukan penelitian terhadap lebih dari dua variable secara bersamaan. Dengan
menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh beberapa
variable terhadap variabel – (variable) lainnya dalam waktu yang bersamaan.

Dalam analisis multivariate dilakukan berbagai langkah pembuatan model. Model

terakhir terjadi apabila semua variabel independendengan dependen sudah tidak
mempunyai nilai p.0,05.
16
3. Analisis Banyak Variabel (Multivariat Analysis)
Contoh :
Hubungan Antara Pengetahuan, Umur, Pendidikan
Dengan Kepatuhan Berobat TB
95% CI
Variable P OR
Lower Upper

Pengetahuan 0,000 19,305 4,34 84,92

Umur 0,008 11,747 2,22 212,61
Pendidikan 0,000 13,804 3,28 58,05

17
 3. Analisis Banyak Variabel (Multivariat
Analysis)
Dari table di atas dapat disimpulkan bahwa :
- Responden yang mempunyai pengetahuan tinggi berpeluang 19,03 kali patuh berobat
dibandingkan dengan responden yang berpengetahuan rendah
- Responden yang berumur muda berpeluang 11,747 kali patuh patuh berobat
dibandingkan dengan responden yang berumur lebih tua
- Responden yang berpendidikan tinggi berpeluang 13,804 kali patuh berobat
dibandingkan dengan responden yang berpendidikan rendah.

Dari ketiga variabel independen tersebut maka variabel pengetahuan adalah variabel yang
paling dominan berhubungan dengan kepatuhan berobat dengan OR 19,305.
• Hal ini berarti bahwa responden yang mempunyai pengetahuan TB yang tinggi
berpeluang 19 kali untuk patuh berobat dibandingkan dengan responden yang
berpengetahuan TB yang rendah, setelah dikontrol variabel pendidikan dan umur.
18
 Klasifikasi Teknik-Teknik Analisis Multivariat
1. Analisis dependensi
berfungsi untuk menerangkan atau memprediski variable (variable) tergantung dengan
menggunakan dua atau lebih variable bebas. Yang termasuk dalam klasifikasi ini ialah analisis
regresi linear berganda, analisis diskriminan, analisis varian multivariate (MANOVA), dan analisis
korelasi kanonikal.
Metode dependensi diklasifikasikan didasarkan pada jumlah variable tergantung, misalnya
satu atau lebih dan skala pengukuran bersifat metrik atau non metrik.  Jika variable tergantung
hanya satu dan pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis regresi
berganda. Jika variable tergantung hanya satu dan pengukurannya bersifat non-metrik, maka
teknik analisisnya digunakan analisis diskriminan. Jika variable tergantung lebih dari satu dan
pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis multivariate varian.
Jika variable tergantung lebih dari satu dan pengukurannya bersifat non-metrik, maka teknik
analisisnya digunakan analisis conjoint. Jika variable tergantung dan bebas lebih dari satu dan
pengukurannya bersifat metrik atau non metrik, maka teknik analisisnya digunakan analisis
korelasi kanonikal.
19
 Klasifikasi Teknik-Teknik Analisis Multivariat
(1)  Analisis Regresi Linear Berganda
Yang dimaksud dengan analisis regresi linear berganda ialah  suatu analisis asosiasi yang digunakan secara bersamaan untuk
meneliti pengaruh dua atau lebih variable bebas terhadap satu variable tergantung dengan skala interval. Pada dasarnya teknik
analisis ini merupakan kepanjangan dari teknik analisis regresi linear sederhana. Untuk menggunakan teknik analisis ini syarat-
syarat yang harus dipenuhi diantaranya ialah:
·   Data harus berskala interval.
·   Variabel bebas terdiri lebih dari dua variable.
·   Variabel tergantung terdiri dari satu variable.
·  Hubungan antar variable bersifat linier. Artinya semua variable bebas mempengaruhi variable tergantung. Pengertian ini secara
teknis disebut bersifat rekursif, maksudnya pengaruh bersifat searah dari variable-variabel X ke Y Tidak boleh terjadi sebaliknya
atau juga saling berpengaruh secara timbal balik (reciprocal).
= Tidak boleh terjadi multikolinieritas. Artinya sesama variable bebas tidak boleh berkorelasi terlalu tinggi, misalnya 0,9 atau
terlalu rendah, misalnya 0,01.
= Tidak boleh terjadi otokorelasi. Akan terjadi otokorelasi jika angka Durbin dan Watson sebesar < 1 atau > 3 dengan skala 1 – 4.
= Jika ingin menguji keselarasan model (goodness of fit), maka dipergunakan simpangan baku kesalahan. Untuk kriterianya
digunakan dengan melihat angka Standard Error of Estimate (SEE) dibandingkan dengan nilai simpangan baku (Standard
Deviation). Jika angka Standard Error of Estimate (SEE) < simpangan baku (Standard Deviation), maka model dianggap selaras.
= Kelayakan model regresi diukur dengan menggunakan nilai signifikansi. Model regresi layak dan dapat dipergunakan jika angka
signifikansi lebih kecil dari 0,05 (dengan presisi 5%) atau   0,01 (dengan presisi 1%) 20
Klasifikasi Teknik-Teknik Analisis Multivariat
(2)   Analisis Diskriminan
Yang dimaksud dengan analisis diskriminan ialah suatu teknik statistik yang yang digunakan untuk memprediksi
probabilitas obyek-obyek yang menjadi milik dua atau lebih kategori yang benar-benar berbeda yang terdapat dalam
satu variable tergantung didasarkan pada beberapa variable bebas.
Tujuan utama menggunakan analisis diskriminan ialah melihat kombinasi linier. Artinya untuk mempelajari arah
perbedaan-perbedaan yang terdapat dalam suatu kelompok sehingga diketemukan adanya kombinasi linier dalam
semua variable bebas. Kombinasi linier ini terlihat dalam fungsi diskriminan, yaitu perbedaan-perbedaan dalam rata-
rata kelompok. Jika menggunakan teknik ini, pada praktiknya peneliti mempunyai tugas pokok untuk menurunkan 
koefesien-koefesien fungsi diskriminan (garis lurus).
Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya ialah:
a.  Variabel tergantung hanya satu dan bersifat non-metrik, artinya data harus kategorikal dan berskala nominal
b. Variabel bebas terdiri lebih dari dua variable dan berskala interval
c. Semua kasus harus independent
d. Semua variabel prediktor sebaiknya mempunyai distribusi normal multivariat, dan matrices variance-covariance 
dalam kelompok harus sama untuk semua kelompok
e. Keanggotaan kelompok diasumsikan ekseklusif, maksudnya tidak satupun kasus yang termasuk dalam kelompok
lebih dari satu. dan exhaustive secara kolektif, maksudnya semua kasus merupakan anggota satu kelompok 21
Klasifikasi Teknik-Teknik Analisis Multivariat

(3)  Analisis Korelasi Kanonikal

Analisis korelasi kanonikal ialah suatu teknik statistik yang digunakan
untuk menentukan tingkatan asosiasi linear antara dua perangkat
variable, dimana masing-masing perangkat terdiri dari beberapa
variable. Sebenarnya analisis korelasi kanonikal merupakan
perpanjangan dari analisis regresi linear berganda yang berfokus pada
hubungan antara dua perangkat variable yang berskala interval.
Tujuan analisis ini ialah peneliti ingin mengetahui bagaimana
beberapa karakteristik personalitas tersebut mempengaruhi perilaku
berbelanja, misalnya pembuatan daftar belanja, jumlah toko yang
dikunjungi, dan frekuensi belanja dalam satu minggu.  22
Klasifikasi Teknik-Teknik Analisis Multivariat
Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya
ialah:
•  Variabel bebas terdiri dari lebih dari dua variable yang berskala interval.
•  Variabel tergantung terdiri dari lebih dari dua variable yang berskala interval.
• Hubungan antar variabel bebas dan tergantung bersifat linier.
Artinya semua variabel bebas mempengaruhi secara searah terhadap semua variable
tergantung, misalnya korelasi antara  variable-variabel bebas personalitas yang digunakan
sebagai predictor dengan variable-variabel tergantung yang digunakan sebagai kriteria
bersifat searah. Jika nilai variabel variable personalitas besar, maka nilai variable-variabel
perilaku berbelanja harus besar juga. Jika terjadi variabel variable personalitas besar
bernilai besar sedang nilai variable-variabel perilaku berbelanja menjadi mengecil, maka
hal ini berlawanan dengan asumsi linieritas.  Tidak boleh terjadi multikolinieritas pada
masing-masing kelompok variabel bebas dan variabel tergantung yang akan dikorelasikan.
23
 Analsis Multivariat Varian (MANOVA)
Manova mempunyai pengertian sebagai suatu teknik statistik yang
digunakan untuk menghitung pengujian signifikansi perbedaan rata-
rata secara bersamaan antara kelompok untuk dua atau lebih variable
tergantung. Teknik ini bermanfaat untuk menganalisis variable-
variabel tergantung lebih dari dua  yang berskala interval atau rasio.
Dalam SPSS prosedur  MANOVA disebut juga GLM Multivariat
digunakan untuk menghitung analisis regresi dan varians untuk
variabel tergantung lebih dari satu dengan menggunakan satu atau
lebih variabel faktor atau covariates. Variabel - variabel faktor
digunakan untuk membagi populasi kedalam kelompok-kelompok.

24
 Analsis Multivariat Varian (MANOVA)

Untuk menggunakan MANOVA beberapa persyaratan yang harus dipenuhi ialah:

• Variabel tergantung harus dua atau lebih dengan skala interval
• Variabel bebas satu dengan menggunakan skala nominal.
• Untuk semua variabel tergantung, data diambil dengan cara random sample
dari vektor-vektor  populasi normal  multivariate dalam suatu populasi, dan
untuk matrik-matrik variance-covariance untuk semua sel sama
• Untuk menggunakan prosedur GLM gunakan prosedur Explore untuk
memeriksa data sebelum  melakukan analisis  variance. Untuk satu variabel
tergantung gunakanlah, prosedur GLM Univariate. Jika kita mengukur beberapa
variabel tergantung yang sama pada beberapa kesempatan untuk masing-
masing subyek, maka gunakanlah GLM Repeated Measures.

25
TerIma KasIh

26