Pengertian :
04/03/23
Adl salah satu pendekatan model
Biostatistik/Karbito/S2 Kesmas
matematis yg digunakan untuk
menganalisis hub. satu atau beberapa
variabel independen dg satu variabel
dependen kategorik yg bersifat
dikotom/binary.
2
REGRESI LOGISTIK
04/03/23
Var. kategorik dikotom adl var yg
memp. dua nilai variasi, misalnya :
Biostatistik/Karbito/S2 Kesmas
sakit dan tdk sakit, merokok dan
tidak merokok, bblr dan normal dll.
3
REGRESI LOGISTIK
04/03/23
regresi logistik terletak pd jenis
variabel dependennya, pd regresi
Biostatistik/Karbito/S2 Kesmas
linier var dependennya berbentuk
numerik sedangkan pd regresi logistik
var dependenya berbentuk kategorik
dikotom.
4
REGRESI LOGISTIK
TUJUAN :
04/03/23
yg dapat menggambarkan hub. antara
Biostatistik/Karbito/S2 Kesmas
variabel independen dg variabel dependen.
2. Untuk menghitung besarnya peluang resiko
individu berdasarkan kondisi variabel
independennya.
5
REGRESI LOGISTIK
Fungsi Logistik
f (Z) = 1
04/03/23
1 + e-z
Biostatistik/Karbito/S2 Kesmas
f (Z) merupakan probabilitas kejadian suatu
penyakit berdasarkan faktor resiko tertentu.
Nilai Z merupakan nilai indeks variabel
independen, nilai Z bervariasi antara –oo
sampai +oo
6
f (Z) dpt diganti dg P(Z). P = Probabilitas
REGRESI LOGISTIK
Bila nilai Z mendekati –oo maka :
f (-oo) = 1 =0
04/03/23
1 + e-(-oo)
Biostatistik/Karbito/S2 Kesmas
Bila nilai Z mendekati +oo maka :
f (+oo) = 1 =1
1 + e-(+oo)
7
Fungsi Logistik dapat digambarkan :
1
P (z) = 1
1 + e-(-z)
04/03/23
½ P (z) = . 1 .
1 + e-z
Biostatistik/Karbito/S2 Kesmas
- 0
Z
P(z) = . 1 .
1 + e-z
8
REGRESI LOGISTIK
04/03/23
S mencerminkan ttg pengaruh nilai Z pd
resiko individu yg minimal pd nilai Z rendah,
Biostatistik/Karbito/S2 Kesmas
kemudian seiring dg meningkatnya nilai Z
resiko juga semakin meningkat dan dpt
ketinggian tertentu garisnya akan mendatar
mendekati nilai 1.
9
REGRESI LOGISTIK
04/03/23
1X1, ditambah 2X2 sampai iXi, dg variabel X adl
variabel independen, sehingga didapat persamaan sbb :
Biostatistik/Karbito/S2 Kesmas
Z = α + (X) (regresi logistik sederhana)
Z = α + 1(X1) + 2(X2) +…+ i(Xi)
(regresi logistik berganda)
10
PERSAMAAN REGRESI LOGISTIK
04/03/23
1
Biostatistik/Karbito/S2 Kesmas
P(Z) =
1 + e-(α + X)
P1(X)
RR = dan OR = Expβ atau eβ
P0(X) 11
REGRESI LOGISTIK GANDA
04/03/23
utk menggambarkan hubungan var. independen
dan var dependen.
Biostatistik/Karbito/S2 Kesmas
2. Menggambarkan hubungan kuantitatif antara var.
indep (x) dg var dep (y) setelah dikontrol var. lain
3. Mengetahui variabel independen (x) mana yang
penting/dominan dlm memprediksi var. dependen.
4. Mengetahui adanya interaksi pada dua/lebih var.
independen thd variabel dependen
12
Jenis Model Regresi Logistik
1. Regresi Logistik Model Prediksi
Model yg terdiri beberapa variabel independen yg dianggap terbaik untuk
04/03/23
memprediksi kejadian variabel dependen
Biostatistik/Karbito/S2 Kesmas
X1
y
X2
X3
04/03/23
beberapa variabel konfounding
Biostatistik/Karbito/S2 Kesmas
x1 y
X2
X3
X4
Misalnya judul penelitian:
14
Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2014
04/03/23
REGRESI LOGISTIK GANDA
Biostatistik/Karbito/S2 Kesmas
MODEL PREDIKSI
15
Model Prediksi
Langkah Pemodelan
1. Seleksi bivariat; variabel independen p-value <0,25 atau walaupun
>0,25 boleh masuk multivariat kalau secara substansi merupakan
04/03/23
variabel yg sangat penting
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p-value nya besar dikeluarkan dari model multivariat.
Biostatistik/Karbito/S2 Kesmas
Ketentuannya : variabel yg p valuenya < 0,05 yang dapat tetap di model.
Variabel yg p valuenya > 0,05 dikeluarkan dari model satu persatu
dimulai dari variabel yg p-value nya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien (nilai OR) variabel2 X yg
masih ada (berubah > 10 %), maka var tsb dimasukkan kembali dlm
model. Pemilihan variabel dng metode ENTER
3. Identifikasi linieritas untuk variabel independen yg berbentuk numerik;
untuk memastikan apakah variabel tsb tetap berbentuk numerik atau
lebih baik dlm bentuk katagorik.
4. Uji interaksi sesama variabel indpenden yg secara substansi diduga ada
interaksi 16
Contoh Logistik Model Prediksi
Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) ,
RAS (race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS
(ui), PERIKSA HAMIL (ftv),merokok, prematur dengan BBLR (low).
04/03/23
Biostatistik/Karbito/S2 Kesmas
Umur(age)
Ras(race)
Hipertensi(ht)
BBLR(low)
Uterus(ui)
Anc(ftv)
Merokok(smoke)
Prematur(ptl)
17
Seleksi bivariat
1. umur Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 2.760 1 .097
04/03/23
Block 2.760 1 .097
Model 2.760 1 .097
Biostatistik/Karbito/S2 Kesmas
Variables in the Equation
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.051 .032 2.635 1 .105 .950 .893 1.011
1 Const
.385 .732 .276 1 .599 1.469
ant
a. Variable(s) entered on step 1: age.
04/03/23
Black 26 1.000 .000 Model 5.010 2 .082
Other 67 .000 1.000
Biostatistik/Karbito/S2 Kesmas
Variables in the Equation
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Stea race 4.922 2 .085
p1 race(1) .845 .463 3.323 1 .068 2.328 .939 5.772
race(2) .636 .348 3.345 1 .067 1.889 .955 3.736
Constant -1.155 .239 23.330 1 .000 .315
a. Variable(s) entered on step 1: race.
Hasil uji didapatkan p value 0,082 berarti p value < 0,25, sehingga variabel ras
dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy,
terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam akan berisiko
bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit putih. OR untuk race(2) 19
besarnya 1,89
artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi
dibandingkan ras kulit putih.
3. Hipertensi
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 4.022 1 .045
04/03/23
Block 4.022 1 .045
Model 4.022 1 .045
Biostatistik/Karbito/S2 Kesmas
Variables in the Equation
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ht 1.214 .608 3.979 1 .046 3.365 1.021 11.088
1 Constant -.877 .165 28.249 1 .000 .416
a. Variable(s) entered on step 1: ht.
20
4. Kelainan Uterus
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 5.076 1 .024
04/03/23
Block 5.076 1 .024
Model 5.076 1 .024
Biostatistik/Karbito/S2 Kesmas
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ui .947 .417 5.162 1 .023 2.578 1.139 5.834
1 Constant -.947 .176 29.072 1 .000 .388
a. Variable(s) entered on step 1: ui.
Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus
dapat lanjut ke multivariat
21
5. ANC
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step .773 1 .379
04/03/23
Block .773 1 .379
Model .773 1 .379
Biostatistik/Karbito/S2 Kesmas
95.0% C.I.for EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ftv -.135 .157 .744 1 .389 .874 .643 1.188
1 Constant -.687 .195 12.427 1 .000 .503
a. Variable(s) entered on step 1: ftv.
Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak
dapat lanjut ke multivariat, namun karena secara substansi variabel
periksa hamil sangat penting, maka variabel ini dapat dianalisis
multivariat. 22
6. Merokok
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 4.867 1 .027
04/03/23
Block 4.867 1 .027
Model 4.867 1 .027
Biostatistik/Karbito/S2 Kesmas
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
smoke .704 .320 4.852 1 .028 2.022 1.081 3.783
1 Constant -1.087 .215 25.627 1 .000 .337
a. Variable(s) entered on step 1: smoke.
Chi-square df Sig.
Step 1 Step 6.779 1 .009
04/03/23
Block 6.779 1 .009
Model 6.779 1 .009
Biostatistik/Karbito/S2 Kesmas
Variables in the Equation
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ptl .802 .317 6.391 1 .011 2.230 1.197 4.151
1 Constant -.964 .175 30.370 1 .000 .381
a. Variable(s) entered on step 1: ptl.
Variabel P value
04/03/23
Umur 0,097
Ras 0,082
Hipertensi 0,045
Biostatistik/Karbito/S2 Kesmas
Kelainan uterus 0,024
Periksa hamil 0,379
Merokok 0,027
Prematur 0,009
Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya
periksa hamil yang p valuenya > 0,25, namun variabel periksa hamil tetap
dianalisis multivariat oleh karena secara substansi periksa hamil merupakan
variabel yang sangat penting berhubungan dengan kejadian bblr.
25
Pemodelan Multivariat
Variables in the Equation
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
04/03/23
Step
a
age -.041 .036 1.249 1 .264 .960 .894 1.031
1 race 6.783 2 .034
race(1) 1.009 .502 4.034 1 .045 2.743 1.025 7.345
race(2) 1.003 .426 5.560 1 .018 2.727 1.185 6.280
Biostatistik/Karbito/S2 Kesmas
smoke .964 .391 6.090 1 .014 2.622 1.219 5.639
ptl .630 .340 3.429 1 .064 1.877 .964 3.654
ht 1.361 .631 4.648 1 .031 3.902 1.132 13.451
ui .802 .458 3.066 1 .080 2.229 .909 5.468
ftv .009 .161 .003 1 .954 1.009 .736 1.384
Constant -1.183 .919 1.659 1 .198 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.
Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu
age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan
selanjutnya variabel ftv dikeluarkan dari model.
26
Model tanpa FTV
Variables in the Equation
95.0% C.I.for
04/03/23
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.040 .036 1.275 1 .259 .960 .896 1.030
1 race 6.781 2 .034
race(1) 1.009 .503 4.035 1 .045 2.744 1.025 7.347
Biostatistik/Karbito/S2 Kesmas
race(2) 1.002 .425 5.562 1 .018 2.723 1.184 6.262
smoke .963 .390 6.086 1 .014 2.620 1.219 5.632
ptl .629 .340 3.423 1 .064 1.875 .963 3.651
ht 1.358 .629 4.663 1 .031 3.889 1.134 13.341
ui .800 .457 3.063 1 .080 2.226 .908 5.454
Constant -1.184 .919 1.661 1 .197 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.
04/03/23
Age 0.960 0.960 0%
Race(1) 2.743 2.744 0%
Race(2) 2.727 2.723 0%
Biostatistik/Karbito/S2 Kesmas
Smoke 2.622 2.620 0%
Ptl 1.877 1.875 0,1 %
Ht 3.902 3.889 0.3 %
ui 2.229 2.226 0,1 %
ftv 1.009
95.0% C.I.for
EXP(B)
04/03/23
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
Biostatistik/Karbito/S2 Kesmas
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
04/03/23
Race(2) 2.727 2.883 5,7 %
Smoke 2.622 2.694 2,7 %
Ptl 1.877 1.779 5,2 %
Biostatistik/Karbito/S2 Kesmas
Ht 3.902 3.912 0.3 %
ui 2.229 2.350 5,4 %
ftv 1.009
30
Model tanpa prematur
Variables in the Equation
95.0% C.I.for
04/03/23
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 8.245 2 .016
1 race(1) 1.064 .499 4.545 1 .033 2.897 1.090 7.704
Biostatistik/Karbito/S2 Kesmas
race(2) 1.083 .413 6.877 1 .009 2.955 1.315 6.640
smoke 1.094 .380 8.299 1 .004 2.986 1.419 6.286
ht 1.359 .630 4.660 1 .031 3.894 1.133 13.379
ui 1.006 .438 5.262 1 .022 2.734 1.158 6.458
Constant -2.092 .380 30.307 1 .000 .123
a. Variable(s) entered on step 1: race, smoke, ht, ui.
04/03/23
Age 0.960 -
Race(1) 2.743 2.897 5,6 %
Biostatistik/Karbito/S2 Kesmas
Race(2) 2.727 2.955 8,3 %
Smoke 2.622 2.986 13,8 %
Ptl 1.877 - -
Ht 3.902 3.894 0.2 %
ui 2.229 2.734 22,6 %
ftv 1.009 -
32
Model prematur masuk lagi
Variables in the Equation
95.0% C.I.for
EXP(B)
04/03/23
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
Biostatistik/Karbito/S2 Kesmas
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
04/03/23
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Biostatistik/Karbito/S2 Kesmas
Step
a
race 8.286 2 .016
1 race(1) 1.062 .500 4.513 1 .034 2.894 1.086 7.712
race(2) 1.085 .411 6.949 1 .008 2.958 1.321 6.626
smoke .996 .382 6.794 1 .009 2.707 1.280 5.726
ht 1.221 .629 3.764 1 .052 3.390 .988 11.640
ptl .696 .325 4.596 1 .032 2.007 1.062 3.793
Constant -2.025 .372 29.586 1 .000 .132
a. Variable(s) entered on step 1: race, smoke, ht, ptl.
34
Perubahan OR tanpa Uterus
Variabel OR ui ada OR ui tak ada perubahan OR
Age 0.960 -
04/03/23
Race(1) 2.743 2.894 5,5 %
Race(2) 2.727 2.958 8,4 %
Smoke 2.622 2.707 3,2 %
Biostatistik/Karbito/S2 Kesmas
Ptl 1.877 2.007 6,9 %
Ht 3.902 3.390 13.1 %
ui 2.229 - -
ftv 1.009 - -
95.0% C.I.for
04/03/23
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step race 7.968 2 .019
Biostatistik/Karbito/S2 Kesmas
a
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
36
Uji interaksi Chi-
square df Sig.
Step 1 Step .000 1 .994
Block 2: Method = Enter Block .000 1 .994
Omnibus Tests of Model Coefficients
Model 26.560 7 .000
04/03/23
Variables in the Equation
Biostatistik/Karbito/S2 Kesmas
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.900 2 .019
1 race(1) 1.088 .502 4.692 1 .030 2.969 1.109 7.946
race(2) 1.059 .419 6.387 1 .011 2.883 1.268 6.555
smoke .990 .397 6.211 1 .013 2.692 1.236 5.865
ptl .576 .336 2.937 1 .087 1.779 .921 3.438
ht 1.360 .831 2.680 1 .102 3.896 .765 19.852
ui .854 .451 3.584 1 .058 2.350 .970 5.693
ht by smoke .010 1.283 .000 1 .994 1.010 .082 12.491
Constant -2.146 .386 30.875 1 .000 .117
a. Variable(s) entered on step 1: ht * smoke .
37
Uji interaksi didapatkan p value pada blok2 bagian step = 0,994, p value
>0,05 berarti tidak ada interaksi.
Model Terakhir
Variables in the Equation
04/03/23
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Biostatistik/Karbito/S2 Kesmas
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
38
Interpretasi
Dari analisis multivariat ternyata variabel yang berhubungan
04/03/23
bermakna dengan kejadian BBLR adalah variabel ras, merokok
dan hipertensi. Sedangkan variabel riwayat prematur dan
kelainan uterus sebagai variabel konfounding. Hasil analisis
Biostatistik/Karbito/S2 Kesmas
didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 3,9,
artinya Ibu yang menderita hipertensi akan melahirkan bayi
BBLR sebesar 4 kali lebih tinggi dibandingkan ibu yang tidak
menderita hipertensi setelah dikontrol variabel race, merokok,
prematur dan uterus.
Secara sama dapat diinterpretasikan untuk variabel yang lain.
39
Catatan :
Model regresi logistik hanya dapat digunakan untuk penelitian
yang bersifat Kohort. Sedangkan unutk penelitian yang bersifat
cross sectional atau case control, interpretasi yang dapat
04/03/23
dilakukan hanya menjelaskan nilai OR (Exp B) pada masing-
masing variabel. Oleh karena analisisnya multivariat/ganda
Biostatistik/Karbito/S2 Kesmas
maka nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain
yang ada pada model.
40
04/03/23
REGRESI LOGISTIK GANDA
Biostatistik/Karbito/S2 Kesmas
MODEL FAKTOR RESIKO
41
Model Faktor Risiko
Langkah Pemodelan
1. Melakukan analisis bivariat antara masing2 variabel
konfounding dng dependen, bila hasil p value < 0,25 maka var
04/03/23
tsb dpt masuk multivariat, atau walaupun p value > 0,25 boleh
masuk multivariat kalau secara substansi merupakan variabel yg
sangat penting (langkah ini bisa diabaikan)
Biostatistik/Karbito/S2 Kesmas
2. Lakukan pemodelan lengkap, mencakup: var utama, var
konfounding dan var interaksi.
3. Langkah berikutnya lakukan penilaian interaksi dng cara melihat
nilai p. Bilai p value > 0,05 var interaksi dikeluarkan dari model
secara bertahap dimulai dari p value terbesar.
4. Lakukan penilaian konfounding dng cara mengeluarkan var
konfounding satu persatu dimulai dari p value terbesar. Bila
setelah dikeluarkan diperoleh selisih OR var Utama lebih besar
dari 10 %, maka varibel tsb dinyatakan sbg konfounding dan var
tsb berarti harus tetap berada dalam model
42
Kerangka Konsep
04/03/23
Pekerjaan Eksklusive
Biostatistik/Karbito/S2 Kesmas
umur1
Sikap
43
Seleksi Bivariat (Langkah No. 1)
04/03/23
Biostatistik/Karbito/S2 Kesmas
Hasil hasil analisis bivariat variabel pekerjaan (status kerja)
diperoleh nilai p = 0,004 < 0,25 masuk kandidat model 44
Seleksi Bivariat
04/03/23
Biostatistik/Karbito/S2 Kesmas
Hasil analisis bivariat variabel umur kelompok (umur1)
diperoleh nilai p = 0,002 < 0,25 masuk kandidat model 45
Seleksi Bivariat
04/03/23
Biostatistik/Karbito/S2 Kesmas
Hasil analisis bivariat variabel sikap diperoleh nilai p = 0,110
< 0,25 masuk kandidat model
46
)
Pemodelan Lengkap (langkah no. 2
04/03/23
Biostatistik/Karbito/S2 Kesmas
Hasil analisis pemodelan lengkap : variabel interaksi
umur*kerja dan kerja*sikap nilai p > 0,05 variabel interaksi
48
dikeluarkan dari model.
Seleksi variabel INTERAKSI (langkah No. 3)
04/03/23
Biostatistik/Karbito/S2 Kesmas
Hasil analisis setelah variabel interaksi umur*kerja dikeluarkan
diperoleh nilai p pd variabel interaksi = 0,261 > 0,05 49
variabel kerja*sikap dikeluarkan
Biostatistik/Karbito/S2 Kesmas 04/03/23
50
Penilaian Uji Confounding (Langkah No. 4)
04/03/23
Biostatistik/Karbito/S2 Kesmas
51
Penilaian Confounding variabel umur
04/03/23
pendidikan (1=SD, 2=SMP, 3=SMA, 4=PT), umur1 (0=<30
th, 1=30 th) dan jumlah anak (anak) dengan menyusui
Biostatistik/Karbito/S2 Kesmas
eksklusif (0=ya, 1=tidak).