PARAMETRIK-NONPARAMETRIK TUJUAN PARAMETRIK NONPARAMETRIK HUBUNGAN/KORE KORELASI PRODUCT 1. CHI-SQUARE LASI MOMENT 2. KORELASI TATA JENJANG/KORELASI RANK SPEARMAN
UJI BEDA MEAN T TEST BEBAS MANN WHITNEY
(2 SAMPLE) T TEST TERIKAT WILCOXON
UJI BEDA MEANS ANAVA 1 JALAN KRUSKAL WALLIS
(> 2 SAMPEL) ANAVA 2 JALAN
UJI PENGARUH REGRESI LINEAR REGRESI LOGISTIK
REGRESI BERGANDA KONSEP Y dan X • X = Var yg digunakan unt memprediksi= Var bebas. Misal= Frek ANC • Y = Var yg diprediksi= Var respon=Var terikat. Misal= BB bayi (skala: interval-ratio). Misal=proses kelahiran (norma/ tdk normal– skala: Nominal) • Persamaan garis: Y = a + b X REGRESI LINEAR Y=b0+b1X1+b2X2+b3X3 (parametrik)
Skala dari var Y menentukan jenis persamaan regresinya
(Reg linear atau Reg Logistik?) REG LINEAR Vs REG LOGISTIK Regresi Linear Regresi Logistik • Var terikat/dep/Y: 1 dg • Var terikat/dep/Y: 1 dg skala interval-ratio skala katagorik (non- metrik)-dikhotomis=binary • Var Bebas/indep/X: >1, • Var Bebas/indep/X: >1, dg dg skala interval-ratio skala katagorik (non-metrik) (metrik) + interval-ratio (metrik) • Prinsip: Reg Linear • Data katagorik-Dikhotomis= Binary, misalnya: semua variabel HARUS - puas-tdk puas, berskala interval-ratio - Sembuh-gagal (metrik) - Lulus- tidak lulus REGRESI LOGISTIK 1. Regresi logistik dapat dibedakan menjadi 2, yaitu: - Binary Logistic Regression (Regresi Logistik Biner): digunakan ketika variabel respon/kriterium (Y), hanya ada 2 (Bi=2) kemungkinan, misal jwbn 1(YA) dan 0 (TIDAK) - Multinomial Logistic Regression (Regresi Logistik Multinomial): digunakan ketika pada variabel respon (Y) terdapat lebih dari 2 kategorisasi, misal jwb 1 (kurang), 2 (cukup), 3 (baik). CIRI UTAMA REGRESI LOGISTIK (1): 1. Var yg diprediksi/ kriterion/ Y adalah berskala nominal (dikhotomus/ binary atau polytomus)– yg penting skala Y nya 2. Sedangkan variabel prediktornya (X) dapat berskala nominal, ordinal, interval atau ratio 3. Model persamaan regresi: - Y= b0 +b1 X1 + e (regresi logistik sederhana) - Y= b0 +b1 X1 +b2 X2 +..bkXk + e (regresi logistik berganda) REGRESI LOGISTIK • Pada dsrnya menguji kecocokan model/persamaan Regresi dg kata lain: - Apakah model persamaan (regresi) yg dibentuk cocok unt mempredik variabel Y? - Y= b0 +b1 X1 +b2 X2 + b3 X3.........bkXk (model persamaan regresi ) - Apakah ada pengaruh Var indep terhd var depend • Menghitung b0 = intersep dari persamaan regresi (log sederhana), dan konstanta (logreg multiple) • Menghitung b (1,2,3....k)= koef regresi=perubahan nilai rata-rata Y dari satu unit perubahan nilai X Y= b0 +b1 X1 + e (regresi logistik sederhana) X1= hanya satu Contoh: Apakah kelulusan ujian karya ilmiah ditentukan oleh nilai metopen? Y=Kriterion/ Var yg diprediksi yaitu kelulusan (ya/tdk– dikhotomus-nominal dg 2 alternatif). Syarat dalam Regresi Logistik: Y hrs kategorikal X1= prediktor, yaitu nilai metopen (skala: interval-ratio). Prediktor boleh skala nominal, ordinal, interval, ratio) b0 =intercept, b1 =koefisien dari X1, e= eror (biasanya diabaikan) Y= b0 +b1 X1+b2X2+..bkXk+ e (reg logistik berganda) • Ciri Reg Log Berganda: Selain Y hrs berskala kategorikal, Prediktornya hrs >1 (X1, X2, Xk) • Contoh 1: Apakah kepuasan pelanggan RS ditentukan oleh daya tanggap & empathy prwt? • Y=Kriterion/ Var yg diprediksi yaitu Kepuasan pelanggan (ya/tdk– dikhotomus) • X1, X2, Xk= prediktor, yaitu daya tanggap dan empathy perawat (skala: interval-ratio). Prediktor boleh skala nominal, ordinal, interval, ratio) • b0 = dan konstanta (log reg multiple) • b (1,2,3....k)= koef regresi=perubahan nilai rata-rata Y dari satu unit perubahan nilai X Rumus persamaan Regresi Logistik Berganda
• Y= b0 +b1 X1 +b2 X2 +..bkXk (model
persamaan regresi ) • Y= 1 Var terikat/dep= kepuasan pelanggan, skala (katagorikal/kontinue?) • X= Var Bebas/indep: >1, mis: daya tanggap perawat dan empaty, skala? (katagorikal/kontinue) • Skala menentukan jenis persamaan regresinya (Reg linear atau Reg Logistik) REGRESI LOGISTIK berganda contoh 2: apakah penjualan produk kosmetik ditentukan oleh usia pembeli, income dan status?
1. V dep = penjualan produk kecantikan
2. V Independent ada 3, yaitu - Usia : kontinue: ratio - Income : kategorikal: High-Middle-low - Status : kategorikal: menikah-single 3. Dalam hal ini Var indep disebut V covariate, adalah Var BUKAN hsl interv 4. Persamaan garis regresi : Y= b0 +b1 X1 +b2 X2 + b3 X3 - Y= penjualan produk kecantikan, X1 = usia, X2 = Income, X3 = status Y= b0 +b1 X1 +b2 X2 + b3 X3 REGRESI • Merpk pendekatan model matematis yg dpt digunakan unt menggambarkn hub bbrp var X dg var dependent/Y yg dikhotomus/politomus (kleinbaum&klein 2002) • Model ini dpt unt menyelesaikan masalah hub ant: - Var Dependent/Y dg skala katagorikal: dikhotomus/poli) - var independent/X (kategorikal:nom, ord dan kontinue: interval-ratio) ASUMSI dari : Y= b0 +b1 X1 +b2 X2 + b3 X3
1. Tdk ada hub linear Var bebas/indep (X1,2,3)
dg var terikat/dependent (Y). Mengingat Var Y berskala Non-metrik (dikhotomus/polytomus) sdg Var indepependent berskala metrik, maka ke 2 var tsb hubungannya non-linear, makanya kita gunakan Reg Logistik bukan Reg Linear 2. Independensi (tdk ada hub) antar var bebas (X) atau tdk terdp hub multikolinieritas Y= b0 +b1 X1 +b2 X2 + b3 X3 LOG REG BERGANDA/MULTIPLE • Var depend (Y) harus katagorikal yaitu: dikhotomus (membeli-tdk membeli) atau polytomus (High-middle-Low) • Var Indep/X tidak hrs memiliki keragaman/skala yg sama ant klp var. Contoh: apakah penjualan ditentukan oleh usia dan tk pendapatan? Y= b0 +b1 X1 +b2 X2 Y = kepuasan pelanggan (dikhotomus: puas-tdk puas) X1 status (dikhotomus: menikah-single), X2 tingkat pendpt (Polytomus: High-Middle-low) atau umur (ratio: 40 th) •Contoh tsb- semua variabel dg skala kategorikal- nonmetrik-dikhotomus/poltthomus) •Catatan: Sampel yg diperlukn relatif besar. Unt 1 var prediktor diperlukan s/d 50 sampel LAKUKAN ANALISIS (dari DATA SIMULASI) ada 5 pertny? a. Bgm bentuk persmaan regresinya? b. Brp % ketepatan prediksinya? c. Brp % kontribusi/prediksi X1 dan X2 terhadap Y?---( Reg Linear=R2) d. Apakh ada korelasi bermakna antara Y dengan X (jika X1 dan X2 diuji sec bersm- sama)? – ( Reg linear = Uji F) e. Bgm kebermaknaan korelasinya (antara Y dengan bbrp X) jika di uji satu per satu? (Reg Linear= uji t) ENTRY DATA Analysis-Regresi-Binary Masukkan ke Dialog box Output dan interpretasinya
Y= b0 +b1 X1 +b2 X2 + b3 X3.........bkXk (model
persamaan regresi ) Y = -23,966 +0,069 X1 +0,533 X2 Output dan interpretasinya
• Ketepatan var X1 dan Var X2 memprediksi
nilai Y (Kepuasan pengguna) sebesar 74,0% Output dan interpretasinya
Lihat R square Kontribusi variabel X1
dan variabel X2 terhadap Y sebesar 0,401 atau 40,1%, sedangkan 59,9% dipengaruhi oleh variabel lain (selain X1 dan X2) Output dan interpretasinya
Korelasi bersama X1 dan X2 terhadap Y (korelasi
majemuk) dg teknik Chi-Square di dpt nilai 17,873 dengan nilai signifikansi 0,000 (<0,05), berarti sec bersama-sama tanggapan (X1) dan Empati (X2) berhubungan dengan kepuasan pengguna (Y) OUTPUT DAN INTERPRETASINYA
Lihat slide 17: bhw persamaan grs regresi ini dpt
dipakai unt mempredik Y (signifikansi 0,003) jk X1 disandingkan dg X2 (dihitung sec BERSAMA-SAMA) Namun sebenarnya X1= daya tanggap tdk ada hub/pengaruh bermakna dg Y (sig 0,754 atau > 0,05) Aplikasi Persamaan garis regresi Y = -23,966 +0,069 X1 +0,533 X2 Mis: nilai daya tanggap 50 dan nilai empati 40, maka Y= -23,966+3,450+21,320=0,804 = tidak puas (<1) Mis: nilai daya tanggap 53 dan nilai empati 40, maka: Y= -23,966+3,657+21,320=1,011 = puas (>1) KESIMPULAN • Dari data simulasi diketahui bahwa: 1.Ada korelasi yg signifikan antara Y dengan X1 dan X2 (SEC BERSM), dengan kontribusi prediksi sebesar 40,1% (R square) 2.Persamaan garis regresi yg terbentuk yaitu: Y = -23,966 +0,069 X1 +0,533 X2
dpt digunakan unt mempredik Y (dg ketepatan
74,0%) Acuan 1. Fauzie, M (2015). Buku panduan praktek: analisa data menggunakan SPSS for window. 2. Herawati, L (2012). Regresi logistik berganda. Bahan mengajar Prog Pascasarjana/Magister Terapan (MT) Bid Kesehatan, UNDIP Semarang, April 2012