BESRAL
Departemen Biostatistika
Fakultas Kesehatan Masyarakat
Universitas Indonesia
2020
1
Jenis uji statistik yang sering dipakai
Page 2
Jenis uji statistik
4
Korelasi
Menilai hubungan 2 variabel numerik
Contoh:
1. Apakah ada hubungan antara umur
dengan tekanan darah sistolik
2. Apakah ada hubungan antara pendapatan
keluarga dengan Berat bayi
3. Apakah ada hubungan antara umur
pasien dengan lama hari rawat
4. Apakah ada hubungan antara tinggi badan
(TB) dengan kapasitas paru (FEV1)
Page 5
Diagram tebar & garis regresi
Diagram tinggi badan dan kapasitas paru (FEV1)
600
Force expiratoty volume in 1 min (ml)
500
400
300
200
height (cm)
Page 6
Diagram tebar & garis regresi
Diagram tinggi badan dan berat badan
Page 7
Diagram tebar & garis regresi
Diagram Cakupan Imunisasi dan
Angka Kematian Bayi
Page 8
Korelasi
Pola hubungan antara 2
variabel numerik
1. Linier:
- Positif Korelasi positif
- Negatif Korelasi negatif
2. Non-Linier:
- Parabolik
- Exponensial
Page 9
Korelasi
Menilai kekuatan hubungan 2 var numerik:
Pearson’s Coefisien Correlation (r) : Parametrik
Spearman’s Coefisien Correlation (r) : Non-par
Dari nilai r kita dapat menentukan:
a. Kekuatan hubungan (0 s.d 1)
b. Arah hubungan: (+/-)
Kisaran nilai r antara 0 s.d 1:
0,0 = Tidak ada hubungan linier
1,0 = Hubungan linier sempurna
Arah hubungan:
+ (positif) = Hubungan direct:semakin besar nilai X
semakin besar nilai Y
- (negatif) = Hubungan inverse:semakin besar nilai X
semakin kecil nilai Y
Page 10
INTERPRETASI KOEF. KORELASI
Page 11
Interpretasi Koefisien Korelasi
Colton (1974)
Misal r=0.8, r2=0.64. Artinya sebesar 64% variasi nilai Y dapat dijelaskan
oleh variabel X, sisanya dijelaskan oleh variabel lain yang tidak diteliti
(sisanya = error)
Page 13
Perhitungan
Koef.Korelasi
14
Korelasi: Data Lay-out dan perhitungan r
Subjek X X2 Y Y2 X.Y
1 X1 X12 Y1 Y12 XY1
. X. X. 2 Y. Y. 2 XY.
. X. X. 2 Y. Y. 2 XY.
n Xn Xn2 Yn Yn2 XYn
(X) = … (X2) … (Y)… (Y2)… (XY) = …
( X ). ( Y )
( X Y )
r n
2
X 2
2
Y 2
( X ) . ( Y )
n n
r
xy * n x y
x * n x * y * n y
2 2 2 2
Page 15
CONTOH perhitungan KORELASI:
Subjek (X) Usia (X2) (Y) Lama hari rawat (Y2) X.Y
1 20 400 5 25
100
2 30 900 6 36
180
3 25 625 5 25
125
4 35 1.225 7 49
245
5 40 1.600 8 64
320
r (X) = 970
150 * 5 150 * 31
(Y) = 31 0,97(XY) = 970
[4750
(X2) *
=54750
(150) 2 ] * 199
(Y (31) 2
*25) = 199
Koef.Korelasi Pearson 0,97. Ada hubungan POSITIF yang KUAT
antara usia (th) dengan lama rawat (hari)
Koef.Determinasi (0,972= 0,94. Variabel UMUR dapat
menjelaskan 94% variasi variabel LAMA RAWAT, sisanya 6%
dijelaskan oleh var lain yang tidak diteliti
Page 16
CONTOH perhitungan KORELASI:
Subjek (X) Usia (Y) Lama hari rawat X.Y
1 20 5
100
2 30 6
180
3 25 5
125
4 35 7
245
5 40 8
320
(X) nilai
Contoh lain perhitungan = 150 koef. Korelasi: (Y) = 31 (XY) = 970
(X2) = 4750 (Y2) = 199
( X ). ( Y ) ( 1 5 0 ). ( 3 1)
( X Y ) (970)
r n 5 0 .9 7
2
X
2
2
Y
2
1 5 0
2
3 1
2
( X ) . ( Y ) ( 4 7 5 0 ) . (1 9 9 )
n n 5 5
Page 17
Uji Statistik
Koef. Korelasi
Untuk memastikan apakah nilai koef.Korelasi
(r) bermakna secara statistik atau tidak,
gunakan Uji-T, dengan rumus sbb:
Dengan DF = n-2
18
Uji statistik Koef. Korelasi (r):
1. Ho: = 0 (Tidak ada hubungan/korelasi)
Ha: 0 (Ada hubungan/korelasi)
2. Uji statistik:
n 2 5 2
t r. 2
0 .9 7 2
6 .9 1
1r 1 0 .97
3. Critical Region: Ho ditolak jika,
|t (hitung) |>t (tabel: /2, df=n-2)
> 3.182 p<0.005
atau p-value < (5%)
4. Keputusan: Ho ditolak
5. Kesimpulan:Koef. Korelasi populasi () tidak
sama dengan nol
Ada korelasi bermakna secara statistik
antara umur dg lama rawat
Page 19
Output Komputer
Koef.Korelasi Pearson
(R): 0,97
Koef.Determinasi (R2):
0.941
Page 20
Regresi
Linier
Persamaan garis lurus antara 2 variabel numerik
Y = a + bX
21
Regresi Linier
Memprediksi nilai Y dari X:
1. Berapa tekanan darah sistolik, jika umur = 30 th
2. Berapa IP mhs, jika income keluarga = Rp 2 juta
3. Berapa lama hari rawat, jika pasien berumur 40 th
4. Berapa level FEV1, pada orang dengan TB=170 cm
Page 22
Regresi Linier
Mencari garis terbaik regresi linier:
Metoda Least Square (Persamaan garis dibuat sedemikian rupa sehingga jumlah
kuadrat dari selisih nilai observasi dengan nilai pada garis adalah minimum)
Persamaan garis regresi linier:
Yi = + 1Xi +
Yi adalah nilai Y yang diprediksi
adalah intercept dan 1 adalah slope
adalah posisi dimana garis regresi memotong sumbu y
1 mengukur kemiringan garis = koefisien regresi
Nilai Y meningkat sebesar 1 unit untuk setiap kenaikan nilai X sebesar 1 unit
adalah error dari model dalam memprediksi rata-rata Y
Page 23
Regresi Linier: Data Lay-out
Subjek X Y X.Y
1 X1 X12 Y1 Y12 XY1
. X. X. 2 Y. Y. 2 XY.
. X. X. 2 Y. Y. 2 XY.
n Xn Xn2 Yn Yn2 XYn
(X) = … (X2) … (Y)… (Y2)… (XY) = …
• Persamaan garis regresi linier:
• Yi = + 1Xi Y X
( X ). ( Y ) Y 31
( X Y )
xy * n x * y
Y mean _ Y 6.2
n n 5
b 2
x * n x X
2 2
( X 2 ) X
n X mean _ X
n
Page 24
CONTOH REGRESI
Subjek (X) Usia (X2) (Y) Lama hari rawat (Y2) X.Y
1 20 400 5 25
100
2 30 900 6 36
180
3 25 625 5 25
125
4 35 1.225 7 49
245
5 40 1.600 8 64
320
b
=x150
xy * n(X) y 970 * 5(Y)
150=*31
31 (XY) = 970
(X ) = 4750 (Y ) = 199 0,16
x * n x 4750 * 5 (150) Y mean _ Y Y 31 6.2
2 2
2 2 2
n 5
( X ) ( 4 7 50 )
n 5
Y X 6 .2 0 .1 6 . ( 3 0 ) 1.4
Persamaan garis regresi linier:
Lama hari rawat (Y) = + 1Xi
Lama hari rawat = 1.4 + 0.16 (Usia)
Page 27
Regresi Linier
Komputer Out-put:
Model Summaryb
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 .970a .941 .922 .3651
a. Predictors: (Constant), USIA
b. Dependent Variable: LAMA_RWT
Koef.Korelasi Pearson
0,97
ANOVAb Koef.Determinasi 0.941
Sum of Mean
Model Squares df Square F Sig.
1 Regression 6.400 1 6.400 48.000 .006a
Residual .400 3 .133
Total 6.800 4
a. Predictors: (Constant), USIA
b. Dependent Variable: LAMA_RWT
Page 28
Out-put Komputer
Coefficientsa
Standardi
zed
Unstandardized Coefficien 95% Confidence
Coefficients ts Interval for B
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
1 (Constant) 1.400 .712 1.967 .144 -.865 3.665
USIA .160 .023 .970 6.928 .006 .087 .233
a. Dependent Variable: LAMA_RWT
Page 31
Ouput SPSS: Hubungan TB (cm) dengan Volume
Kapasitas Paru
Model Summary
Adjusted R
Model R R Square 1. BerapaStd.
Square
Error of
Koef.Korelasi?
the Estimate (0.739)– I
.739 a
1 .546
2. Apakah .544
koef.korelasi
54.19
bermakna seca
a. Predictors: (Constant), height (cm)
ANOVA b
3. Berapa Koef.Determinasi? (54.6%
Sum of 4. Buat persamaan Regresi Liniernya: Y
Model Squares df Mean Square F Sig.
Page 33
Ouput SPSS: Hubungan TB (cm) dengan Volume
Kapasitas Paru
Page 34
Diagram tebar & garis regresi
Diagram tebar Hubungan Cakupan
Imunisasi (%) dengan Mortality Rate
Page 35
Output computer Hubungan Cakupan
Imunisasi (%) dengan Mortality Rate
Model Summary
Sum of
Model Squares df Mean Square F Sig.
1 Regression .061 1 .061 39.575 .000a
Residual .028 18 .002
Total .089 19
a. Predictors: (Constant), Imunisasi DPT
b. Dependent Variable: Mortality Rate
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .278 .035 7.848 .000
Imunisasi DPT -.283 .045 -.829 -6.291 .000
a. Dependent Variable: Mortality Rate
Page 37
BONUS TUGAS Regresi Linier Ganda
Output computer Hubungan TB (cm) dan Sex
(1=Pr,2=Lk)
Model Summary dengan BB (kg)
Adjusted Std. Error of
Model R R Square R Square the Estimate
1 .518a .268 .250 10.69182
a. Predictors: (Constant), Sex, TB
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -21.718 43.968 -.494 .623
TB .604 .239 .331 2.532 .013
Sex -7.409 4.190 -.231 -1.768 .081
a. Dependent Variable: BB
Interpretasikan:
1.Koef regresi B dari TB 0.604
2.Koef regresi B dari Sex -7.409
3.Koef Korelasi R=0.518 (gabungan kedua variabel)
4.Koef Determinasi R2=0.268 (gabungan kedua variabel) Page 38
BONUS TUGAS Regresi Linier Ganda
Berat Bayi = 2449,1+5,0*Berat
Coefficients ibu – 236,4*Rokok –a
TERIMA KASIH
Selamat Berlatih….