Analisis Multivariat

Kelompok 7

Universitas Jenderal Soedirman

Pengertian Analisis Multivariat
Analisis multivariat adalah analisis yang variabel indepen
dennya lebih dari dua.

Analisis multivariate dibagi dua:

• Regresi logistik: variabel dependennya adalah variabel
kategorik
• Regresi linear: variabel dependennya adalah variabel
numerik
Uji Logistik
KASUS

Seorang pasien DBD dirawat. Ia

berjenis kelamin laki-laki, gizi kurang,
tidak mengalami trombositopenia, tidak
mengalami hepatomegali, dan tidak
mengalami hemokonsentrasi.
Berapakah probabilitas pasien untuk
mengalami syok?
Chi Square
Sebelum melakukan analisis multivariate, lakukan analisis bivariate
terlebih dahulu. Analisis bivariate yang digunakan adalah Chi Square
karena variabel dependen dan independen dari data tersebut adalah
variabel kategorik dan data tidak berpasangan.

Chi Square digunakan untuk mengetahui ada atau tidaknya hubungan

antara variabel dependen dan independen.
klik analyze > descriptive statistics > crosstabs.
• Masukan variable dependen (syok) ke bagian coloumn, dan masukkan variable i
ndependen (jenis kelamin, perdarahan, hepatomegali, trombosit, dan hematokrit) ke
bagian row. Kemudian klik statistics, centang pada chi square. Lalu klik continue.
Selanjutnya klik cells. Pada baian “counts”, centang observed dan centang
expected. Pada bagian “percentages” centang row. Pada bagian non
integer weight pilih round cell counts. Kemudian klik continue > OK.
• Lalu identifikasi mana yg bisa masuk ke anali
sis multivariat, syaratnya harus kurang dari 0,
25 (nilai signifikansinya). Variabel yang dapat
dilakukan analisis multivariat adalah perdarah
an, trombosit, hepatomegali, hematokrit. Sed
angkan yang tidak dapat dilakukan analisis
multivariat adalah jenis kelamin karena sig. n
ya 0,752.
Multivariat
klik analyze > regression > binary logistic
• Masukan variabel syok (untuk analisis multivariat : syok_reg) ke dalam
dependent variable
• Masukan semua variaben indepeden ke dalam covariate.
• Pilih metode backward LR (untuk mengurutkan nilai sig. dari yang tertinggi
ke yang terendah) pada pilihan metode.
• Kemudian klik option.
• Centang hosmer-lameshow goodness-of-fit dan centang Cl for exp
(B)
• Klik continue
• Klik save, centang probabilities. Klik continue.
• Klik categorical, pindahkan semua variabel kategorik dari
Covariates ke categorical covariates.
• Klik continue. Maka akan muncul tampilan sebagai berikut
• Perhatikan pada masing masing variabel tersebut yang telah ada
tulisan (cat) setelah nama variabel. Kemudian klik OK. Maka hasil
outputnya adalah sebagai berikut.
Dependent variable encoding dan categorical variables coding dilihat untuk
memeriksa kembali apakah sistem pengkodean sudah benar. Pada dependent
variable encoding, tidak syok diberi kode 0, sementara syok diberi kode 1. Hal
ini sudah benar karena pada regresi logistik, kategori yang akan diprediksikan
harus diberi kode 1.
• Oleh sistem dilakukan 2 step, yang pertama adalah semua variabel masuk
(ada 4 variabel independen), ada 1 variabel yg signya lebih dari 0,25 yaitu
variabel trombosit, maka otomatis dibawahnya (pada step 2) trombosit
hilang, maka tersisa 3 variabel.
• Urutan variabel yang paling berpengaruh terhadap syok adalah h
epatomegali, perdarahan dan hematokrit (dilihat dari nilai exp.B).
• Rumus untuk memprediksi nilai variabel terikat yaitu
• y= konstanta + a1 x1+a2 x2+dst
• (a=koefisien tiap variabel, x=nilai variabel)
• Y= -2.675 + 1.189 (perdarahan) + 1.233 (hepatomegali) + 1.137 (hematokrit)
• Y= -2.675
Untuk menghitung probabilitas
• Probabilitas (P) = 1/(1+e-y)
• P = syok
• e = bilangan natural/ alami (sudah paten) > 2,7-y
• contoh :
• P = 1/ (1+2,72.675) = 0,065
• Maka dapat disimpulkan bahwa probabilitas nya adalah 6,5 %
•
Selanjutnya lihat pada hasil uji hosmer dan lemeshow test
(lihat step 2 nya (sig. nya) > untuk menilai kualitas rumus.
Uji Linear
 KASUS
• Seorang peneliti ingin mengetahui cara me
mprediksi nilai bersihan kreatinin dengan
menggunakan variabel kreatin serum, berat
badan, dan usia.
Normalitas

Analyze Descriptive StatisticExplorePlots

ceklist kotak Normalitas  ContinueOke. Syaratnya
sebaran data harus normal.
Pearson
Data yang kami gunakan adalah numerik - numerik dan sebaran
datanya normal maka lakukan uji Pearson, dengan buka Analyze
 CorrelateBivariate.
•masukkan semua variabel dan aktifkan uji pearson
dengan memberi tanda centang Pearson.
Lihat hasil data pada output. Untuk variabel yang digunakan
dalam analisis multivariat adalah variabel dengan signifikansi
kurang dari 0,25.
• variabel dengan signifikansi kurang dari 0,25.
• Hasil interpretasi:
• Variabel yang memenuhi syarat dalam analisis multivariat adalah variabel
umur dengan nilai signifikansi 0.073 dan variabel kreatininin serum dengan
nilai signifikansi 0,000.
• Variabel yang tidak memenuhi syarat dalam analisis multivariat adalah
variabel berat badan karena lebih dari 0,25.
• Bersihan kreatinin merupakan variabel dependen.
Multivariat
• Pilih AnalyzeRegressionLinier.
Pindahkan variabel bersihan kreatinin ke kotak Dependent
dan masukkan variabel umur dan kreatinin serum ke kotak
Independent (berat badan tidak di masukkan karena tidak
memenuhi syaratlihat tabel uji bivariate yang uji pearso
n >0,25).
Pada bagian method, pilih Backward (nilai sign diurutkan dari
yang tertinggi) Ok
• Hasil interpretasi:
• Berdasarkan tabel di atas, pada step pertama umur memiliki
nilai signifikansi 0,307 lebih dari 0,25 sehingga, pada step kedua
umur tidak lagi muncul karena tidak memenuhi syarat.
• Jadi variabel yang dapat digunakan untuk memprediksi bersihan
kreatinin adalah variabel kreatinin serum dengan korelasi sebesa
r -0,963 dan arah hubungan negatif berarti berbanding terbalik.
• Untuk memprediksi nilai bersihan kreatinin (y=k + a1x1+a2x2+
dst (k=konstanta, a=koefisien tiap variabel, x=nilai variabel)