COACHING CLINIC

Subtitle
METODE PENELITIAN
 • JENIS DAN DESAIN
Add PENELITIAN

• POPULASI DAN
METODE Add SAMPEL
PENELITIAN
• ETIKA PENELITIAN
Add
 • PENGUMPULAN DATA
Add

• PENGOLAHAN DATA
METODE Add
PENELITIAN
• ANALISIS DATA
Add
 UNIVARIAT

BIVARIAT
ANALISIS DATA

MULTIVARIAT
ANALISIS BIVARIAT
INTERPRETASI P.VALUE
▪ Menurut Singgih Santoso, 2014 dan Ariawan, 2016, bahwa pengambilan keputusan
dengan menggunakan uji Chi Square bisa berpatokan pada 2 hal, yaitu Nilai Asymp. P
dan membandingkan Nilai Chi Square hitung dengan Chi Square table ( X² hitung dan
X² table )
▪ Jika Nilai P => Asymp. P ( 2-sided) < 0,05 maka Ho ditolak
▪ Jika Nilai P => Asymp. P ( 2-sided) ≥ 0,05 maka Ho gagal ditolak

Menggunakan ( X² hitung dan X² table )

▪ X² hitung > X² table maka Ho ditolak
▪ X² hitung ≤ X² table maka Ho gagal ditolak
Yang harus diperhatikan dalam menentukan Nilai P
▪ Jika tabelnya bukan table 2x 2 maka menggunakan nilai Pearson Chi Square
▪ Jika tabelnya 2 x2 dan persyaratan Chi Square terpenuhi ( Tidak ada Cell yang memiliki
nilai ekspektasi kurang dari 5 ) maka menggunakan nilai Continuity Correction
▪ Jika tabelnya 2 x2 dan persyaratan Chi Square tidak terpenuhi (ada Cell yang memiliki
nilai ekspektasi kurang dari 5 ) maka menggunakan nilai Fisher Exact
Interprestasi Nilai OR
▪ OR < 1 artinya salah satu kelompok memiliki efek proteksi
▪ OR = 1 artinya tidak ada perbedaan resiko
▪ OR > 1 artinya memiliki perbedaan resiko
ANALISIS MULTIVARIAT
ADA 3 METODE
▪ METODE ENTER
▪ METODE HIRARKI ( SATU PERSATU SETELAH MENGONTOR VARIABEL PREDICTOR
DAN VARIABEL CONTROL)
▪ METODE STEPWISE
TAHAPAN UJI
▪ Tahap Analisis Regresi Logistik
▪ Kemudian pada menu, klik Analyze ->
Regression -> Binary Logistic.
Kemudian masukkan variabel terikat
ke kotak dependent dan masukkan
semua variabel bebas ke
kotak Covariates.
LANGKAH 2
▪ Save Regresi Logistik
▪ Tekan tombol Save lalu
centang Probabilities, Group
membership, Unstandardized dan
Studentized kemudian klik Continue.
LANGKAH 3
▪ Tekan tombol Options lalu
centang Classification plots,
Hosmer-lemeshow
goodness-of-fit, Casewise
listing residuals dan
pilih Outliers outside dan isi
dengan angka 2, Correlation
of estimates, Iteration
history, CI for exp(B) dan isi
dengan 95.
Penjelasan
1. Nilai Maximum iteration biarkan tetap sebesar 20 dan
nilai Classification Cutoff tetap 0.5. Nilai ini disebut dengan the cut
value atau prior probability, yaitu peluang suatu observasi untuk
masuk ke dalam salah satu kelompok sebelum karakteristik variabel
penjelasnya diketahui.
2. Apabila kita tidak mempunyai informasi tambahan tentang data kita,
maka bisa langsung menggunakan nilai default yaitu 0,5. Jika tidak
ada penelitian sebelumnya, dapat digunakan classification
cutoff sebesar 0,5. Namun, jika ada penelitian lain yang telah
meneliti maka bisa dinaikkan/diturunkan classification cutoff sesuai
hasil penelitian.
 ▪ Cek Perubahan OR
▪ Jika perubahan OR > 10% maka variabel tersebut
confounding ( maka masukan Kembali ke dalam model
▪ Rumus perubahan Nilai OR = OR Crude-OR Ajusted/OR
Adjusted

Uji confounding
 Cara melakukan  
interpretasi
Omnibus Tests of Model Coefficients
Untuk melihat apakah model yang terbentuk
merupakan model yang fit dan sebesar
kemampuan model mem prediksi variabel
dependent yang kita teliti, bisa dilihat dari nilai
omnibus test. Chi-
  square df Sig.
Contoh : Tabel
5.20 Omnibus
Tests of Model Coefficients Step 1 Step 24.186 5 .000
Permodelan kejadian stunting
pada balita
Block 24.186 5 .000
Pada uji ini, Model yang terbentuk adalah
model yang fit ( dilihat dari P. Value model pada Model 24.186 5 .000
omnibus test of model coefficient 0.000 <0.05)
sehingga mampu memprediksi kejadian
stunting pada balita
  
Classification Tablea
Besarnya kemampuan model
dalam memperdiksi kejadian  
( Variabel dependent) Predicted
dijelaskan dalam classification   Status Stunting
table
 
Tidak Percentage
Observed Stunting stunting Correct
Contoh interpretasi table disamping :
Step 1 Status Stunting 15 3 83.3
Dalam memprediksi kejadian stunting pada Stunting
balita , kemampuan model yang terbentuk
sebesar 83.3 %, hal ini diartikan bahwa Tidak
variabel kunjungan Kehamilan TM1, stunting 3 15 83.3
Kunjungan kehamilan lengkap (K4),
Kenaikan BB selama hamil, Status Gizi
selama hamil dan Penghasilan keluarga Overall Percentage     83.3
sebesar mampu memprediksi kejadian
stunting pada balita sebesar 83.3 %. a. The cut value is ,500
 
Untuk melihat kemampuan model
dalam menjelaskan variasi kejadian
variabel dependent yang diteliti
dapat dilihat dari nilai Nagelkerke R
Square
Model Summary
Cox &
Contoh interpertasi table disamping : -2 Log Snell R Nagelkerke R
Dari nilai Negelkerke R Square diperoleh
Step likelihood Square Square
hasil sebesar 0.652 artinya bahwa
variabel kunjungan Kehamilan TM1, 1 25.720a .489 .652
Kunjungan kehamilan lengkap (K4),
Kenaikan BB selama hamil, Status Gizi
selama hamil dan Penghasilan keluarga a. Estimation terminated at iteration number
dapat menerangkan variasi kejadian 6 because parameter estimates changed by
stunting pada balita sebesar 65.2 % less than ,001.