ANALISIS BIVARIAT

Nova Muhani, MKM

Tujuan Bivariat
 mengetahui hubungan antara satu variabel
dengan variabel lain

 Apakah pendidikan ibu mempengaruhi ibu

untuk memeriksakan kehamilannya ?

 Uji Hipotesis => signifikan atau tdk signifikan ?

Signifikan : secara statistik atau substansi ?

Mis : menguji perbedaan penurunan tek darah

antara obat A dan Obat B, hasil survei:
Obat A rata-2 turun tek darah 30 mmHg
Obat B rata-2 turun tek darah 32 mm Hg
Hasil uji Signifikan (p value = 0,003), artinya
secara statistik bermakna, tapi apakah
Secara Substansi ada perbedaan ?
Prosedur Uji Hipotesis
1.Menentukan hipotesis
Ho : tidak ada perbedaan
Ha : ada perbedan
2. Memilih Uji statistik
3. Penghitungan Uji Statistik
mencari : P Value
4. Menentukan batas Kemaknaan
alpha = 5 % (0,05)
5. Keputusan
- p value ≤ alpha (0,05) -> Ho ditolak (ada perbedaan yg signifikan …
- p value > alpha (0,05) -> Ho gatol/diterima(tdk ada perbed ……
 Jenis Uji Statistik Tergantung pada Jenis
Data/variabel:

Variabel Kategorik Numerik

2A.t-test (jika 2 kategori)

1.Chi-square/ 2B.t-test-paired
Kategorik Regresi logistik 3.Anova (>2 kategori)

t-test (jika 2 kategori) 4.Korelasi/

Numerik Anova (>2 kategori) regresi linier
 UJI STATISTIK
 PARAMETRIK
: DISTRIBUSI DATA NORMAL

 NON PARAMETRIK
: DISTRIBUSI DATA TIDAK NORMAL
3. SKALA PENGUKURAN DATA: (NOIR)
 Nominal = (Beda) Statistik Non Parametrik
 Ordinal = (Beda, Tingkatan)
 Interval = (Beda, Tingkatan, Jarak)
 Ratio = (Beda, Tingkatan, Jarak, Statistik Parametrik

Kelipatan/nilai absolut)
 DETEKSI
KENORMALAN DATA
 ANALISIS HUBUNGAN
NUMERIK DNG NUMERIK
 Koefisien Korelasi Pearson
dan Regresi Linier Sederhana
 Topik
 Koefisien Korelasi Pearson

 Pengertian korelasi dan syarat korelasi

 Menghitung dan menguji koefisien korelasi dan

 Interpretasi koefisien korelasi

 Regresi Linier Sederhana

 Pengertian regresi linier sederhana

 Menghitung persamaan regresi linier sederhana

 Menguji koefisien regresi

 Interpretasi persamaan regresi

9
Koefisien Korelasi Pearson
 Simbol r
 Hubungan antara dua variabel numerik (skala pengukuran
minimal interval)
 Pola hubungan linier (garis lrus)
 Hubungan statistik/probabilistik, bukan hubungan
deterministik atau hubungan sebab-akibat.
 Tujuannya: Mengukur adanya atau kuatnya hubungan
antara dua variabel numerik
 Apakah ada hubungan antara berat badan bayi saat lahir
dengan lingkar lengan atas ibu (LILA)?

10
 Koefisien Korelasi Pearson
 Rumus menghitung besar dan arah nilai r

 xy   x y
r n

 x 2 
 x  2

  y 2 
 y 2


 n  n
  


11
 Uji Korelasi
= mengetahui besar dan arah hubungan dua variabel numerik

Korelasi diketahui dng koef r yg nilainya: -1 s/d +1

- Arah hubunga : positip /negatip
- Besar/kekuatan hub : kuat /lemah
r : 0,00 – 0,25 : lemah
r : 0,26 – 0,50 : sedang
r : 0,51 – 0,75 : kuat
r : 0,76 – 1 : sangat kuat

Mis : apakah ada hubungan BB dng TD. Apakah hubngan kuat atau
lemah. Apakah hubungan pos atau neg

ASUMSI : DISTRIBUSI DATA NORMAL

BILA TDK TERPENUHI: UJI NON PARAMETRIK: KORELASI SPEARMAN
 Uji Regresi Linier
Tujuan: memprediksi variabel dependen melalui variabel independen
- Var. dependen = variabel yang dipengaruhi
- Var. independen = variabel yang mempengaruhi

Utk prediksi – persaman garis : y = a + bx

y = variabel dependen
x = variabel independen
a = intercep : besarnya nilai y bila nilai x=o
b = slope : besarnya perubahan nilai y bila variabel x berubah setiap satu
satuan
Ciri regresi linier  var. dependen berbentuk numerik
 Koefisien Determinasi (R2)

: variasi variabel dependen dapat dijelaskan oleh variasi variabel independen

: besarnya variabel independen mempengaruhi variabel dependen

R2 = R Square

R 2 = r2 x 100%

nilainya berkisar 0 – 100%

Misal hubungan BB dng TD dihasilkan R 2 = 0,678

Artinya :
- Variasi variabel berat badan dapat menjelaskan variasi tekanan darah
sebesar 67,8 %
- Variabel berat badan mempengaruhi variabel tekanan darah sebesar 67,8
%
 Pemilihan uji
umur bbadan agama Sex Umur1 Bb1 Peng1 Peng2
23 56 2 1 2 1 50 67
34 78 3 2 3 2 45 65
56 76 4 2 1 1 65 63
45 56 1 1 2 2 56 68
dst 67

Numerik : umur, bbadan, peng1 (seb interv), peng2 (sesudh interv)

Katagorik : agama, sex, umur1(1=<20, 2=20-30, 3=>30)
, bb1(1<60kg, 2=>60 kg)

Mana yg dapat uji korelasi dan regresi linier ?

Hubungan : umur dng bbadan

Kenapa hub sex dng berat badan tidak bisa uji korelasi ?
Kenapa hub agama dengan umur tidak bisa uji korelasi ?
Kenapa hub sex dng bb1 tidak bisa uji korelasi ?
Proses :
Analisis univariat

Uji kenormalan data

Uji bivariat Output spss
Proses spss
Hasil spss
Penyajian dan interpretasi
 ANALISIS HUBUNGAN
KATEGORIK DNG NUMERIK
 Uji t
Tuj: menguji perbedaan mean antara 2
kelompok
Uji t digunakan bila : var Kategoriknya
isinya harus dua nilai/kelompok
Mis : sex (pria, wanita), umur (tua, muda),
kinerja(baik, buruk)

- Analisis hubungan sex dng tek darah:

apakah ada perbedan mean tek darh
antara Pria dan wanita

- Analisis hubungan pre-post dng berat

badan:
Apakah ada perbedaan mean berat bdn
antara sebelum dan sesudah diet
A. uji t Independen
Ciri : dua kelompok/sampel yg respondennya berbeda
Mis; ingin mengetahui hubungan tempat tinggal dng TD,
Apakah ada perbedaan mean tek drh antara orang kota dan desa
Uji t independen dibagi 2 , yaitu : varian sama dan varian berbeda

Mean =….. Mean =…..

Orang desa
Orang kota

ASUMSI : DISTRIBUSI DATA NORMAL

BILA TDK TERPENUHI: UJI NON PARAMETRIK: UJI MANN WHITNEY
B. Uji t dependen
Ciri : dua kelompok/sampel yang
respondennya sama dan diukur dua kali ‘pre
dan post’
Mis: apakah ada perbedaan rata-rata berat
badan sebelum diet dan sesudah diet

Mean = …. Mean = …..

intervensi
Pre test Post test

ASUMSI : DISTRIBUSI DATA NORMAL

BILA TDK TERPENUHI: UJI NON PARAMETRIK: UJI WILCOXON
 Pemilihan uji
umur bbadan agama Sex Umur1 Bb1 Peng1 Peng2
23 56 2 1 2 1 50 67
34 78 3 2 3 2 45 65
56 76 4 2 1 1 65 63
45 56 1 1 2 2 56 68
dst 67

Numerik : umur, bbadan, peng1 (seb interv), peng2 (sesudh interv)

Katagorik : agama, sex, umur1(1=<20, 2=20-30, 3=>30)
, bb1(1<60kg, 2=>60 kg)

Mana yg dapat uji T ?

-Uji t independen : hubungan sex dng bbadan, hub sex dng umur,
hub bb1 dng umur
- Uji t dependen : hubungan peng1 dng peng2

Kenapa hub agama dng berat badan tidak bisa uji t ?

Uji t independen
Uji t independen ada 2 jenis: varian sama & varian berbeda

Proses di spss: hubungan hb dengan eksklusive

Output uji t independen
Penyajian dan interpretasi
(uji t independen)
Uji t dependen
Uji t dependen
Penyajian dan interpretasi
uji t dependen
 UJI ANOVA

Tujuan : menguji perbedaan mean antara 3 atau lebih sampel

(kelompok).
Ciri : variabel kategoriknya berisi lebih dari 2 nilai/katagorik

Mis:
- Analisis hubungan pendidikan dengan berat bayi:
Apakah ada perbedaan mean berabt bayi antara ibu pendidikan sd,
smp, smu dan pt.

Mean = … Mean = …. Mean =…… Mean = ….

sd smp smu pt
ASUMSI : DISTRIBUSI DATA NORMAL DAN VARIAN HOMOGEN
BILA TDK TERPENUHI: UJI NON PARAMETRIK: UJI KRUSKAL WALLIS
 One-way annova
 Pemilihan uji
umur bbadan agama Sex Umur1 Bb1 Peng1 Peng2
23 56 2 1 2 1 50 67
34 78 3 2 3 2 45 65
56 76 4 2 1 1 65 63
45 56 1 1 2 2 56 68
dst 67

Numerik : umur, bbadan, peng1 (seb interv), peng2 (sesudh interv)

Katagorik : agama, sex, umur1(1=<20, 2=20-30, 3=>30)
, bb1(1<60kg, 2=>60 kg)
Mana yg dapat uji ANOVA ?
Hubungan : agama dng bbadan, agama dng umur, umur1 dng bbadan

Kenapa hub sex dng berat badan tidak bisa uji anova ? Karena var sex hany
Kenapa hub sex dengan bb1 tidak bisa uji anova ? Karena keduany data kat
Kenapa hub umur dng bbadan tidak bisa uji anova ?karena datanya numerik
perintah :Uji anova
Hasil Anova
Penyajian dan Interpretasi
 ANALISIS HUBUNGAN
KATEGORIK DNG KATEGORIK
 Uji Kai Kuadrat
Tuj: mengetahui perbedaan proporsi/persentase antara dua atau lebih
kelompok(sampel)
Mis:
- Uji hubungan kelas perawatan dng kepuasan pasien.
: Apakah ada perbedaan persentase kepuasan pasien antara
pasien kelas VIP, I dan II

P= ….% P=…% P=…%

kelasVIP Kelas I Kelas II
Kelas perawatan(vip, kelas I & kelas II), kepuasan(puas, tdk puas)
- Uji hubungan jenis kelamin perawat dng kinerja
: apakah ada perbedaan persentase kinerja antara perawat pria dan
wanita
P= ….% P= ….%
pria wanita
Jenis kel (pria, wanita), kinerja (baik, buruk)
 Pemilihan uji
umur bbadan agama Sex Umur1 Bb1 Peng1 Peng2
23 56 2 1 2 1 50 67
34 78 3 2 3 2 45 65
56 76 4 2 1 1 65 63
45 56 1 1 2 2 56 68
dst 67

Numerik : umur, bbadan, peng1 (seb interv), peng2 (sesudh interv)

Katagorik : agama, sex, umur1(1=<20, 2=20-30, 3=>30)
, bb1(1<60kg, 2=>60 kg)

Mana yg dapat uji kai kuadrat ?

Hubungan : sex dng bb1, sex dng umur1, sex dng agama, bb1 dng agama

Kenapa hub sex dng berat badan tidak bisa uji kai kuadrat ?
Kenapa hub agama dengan umur tidak bisa uji kai kuadrat ?
Kenapa hub umur dng bbadan tidak bisa uji kai kuadrat ?
 Strategi Analisis :

1.Pembuatan tabel silang (Membandingkan

perbedaan persentase antar kelompok)

2. Menyimpulkan uji statistik

3. Menjelaskan kekuatan hubungan/risiko :

OR, RR
Tabel Silang

- Ketentuan pembuatan tabel silang:

- Variabel independen pd Baris (kiri), variabel dependen pd Kolom (kanan
atas)
- Pada disain Cros Sectional --- dibuat persentase baris
Tabel Silang
-Pada disain Case Control --- dibuat persentase kolom
dimulai dari kolom kasus, persen nya kolom namun membandingkan nya
tetap baris
 Chi square tidak boleh dgunakan bila
Ketentuan Uji Kai Kuadrat

- Keterbatasan kai kuadrat

- tdk boleh ada sel dng nilai E < 1 nilai expected
- tdk boleh ada sel dbg nilai E < 5 lebih dari 20 % total sel
SOLUSINYA:
- utk tabel besar, dilakukan penggabungan baris/kolom
- utk tabel 2x2, gunakan uji FISHER EXACT

NOTE:
Utk tabel 2x2, bila ada sel yg nilai E nya kurang dari 5,
maka uji yg digunakan : FISHER EXACT
Pengkodean Variabel
Untuk mendapatkan nilai OR yg benar : (koding data hrs diperhatikan)
- Kode harus konsisten antara variabel independen dengan dependen
- Variabel dependen yg menjadi pokok bahasan/kasus sebaiknya di kode
1 sedangkan bagian yang sebaliknya diberi kode 0
- Variabel independen harus konsisten kodenya ngikuti variabel
dependen, kelompok expose/penyebab kasus diberi kode 1, kelompok
non expose/non penyebab diberi kode 0
harus diperhatikan konsisitensi
dampak apabila terbalik nilai OR ny kebalik bertolak belakang
OR < 1 pencegah
OR > 1 resiko
premercy : untuk penelitian yang d sosial
Contoh:
- var. dep : kanker paru : ya (diberi kode 1), tidak (kode 0)
- var. indep. :
merokok : ya (diberi kode 1), tidak (kode 0)
perilaku ; baik (diberi kode 0), buruk (kode 1)
misalnya OR merokok dgn ca paru mnjd ½ orang merokok
mempunyai FR ½ kali untuk mengalami ca paru
Langkah di spss :

Kotak Row diisi var. independen, kotak Coloumn diisi var. dep
Proses di spss:

Pada kotak Crosstab chek list : chisquare dan Risk

Pada kotak Cell chek list : Row
Hasil analisis
Hasil OR
Penyajian di Laporan