Analisis Data

KUANTITATIF
 Jenis Variabel menurut sifatnya:
1. Kategorik /kualitatif
: hasil pengklasifikasian/penggolongan
Ciri: isinya berbentuk kata-kata
Misal: sex : pria dan wanita
pekerjaan; pns, abri, swasta
umur : remaja, dewasa, tua
Kategorik : nominal dan ordinal

2. Numerik /kuantitatif
: variabel hasil pengukuran atau penghitungan
Ciri : isinya berbentuk angka
Misal: umur: 23, 25. 40 ,25 dst…
tinggi badan : 150, 165, dst……
Jumlah anak: 3, 3, 5, 1, dst…
Numerik : interval dan rasio ( kontinyu /diskrit)
Note: numerik dpt berubah menjadi kategorik, …bila var tsb dikelompokkan
Tampilan di Komputer
Umur agama bb sex umur1 bb1
45 2 60 1 2 3
34 4 72 1 2 1
23 1 65 2 1 2
34 3 56 1 3 4
Dst ……

Umur : numerik
Agama : katagorik (koding: 1=islam, 2=kristen, 3=katolik, 4=hindu)
Bb : numerik
Sex : katagorik (koding: 1=pria, 2=wanita)
Umur1l: katagorik (koding: 1= <20th (remaja), 2= 20-30 th (dewasa), 3= >30 th (tua))
bb1: katagorik (koding: 1= <60 kg, 2=60-70 kg, 3=70-80 kg, 4= >70kg)
Jenis Analisis Data
 Analisis Data Sederhana (Univariat)
- menghitung rerata (ukuran tengah)
- menghitung sebaran (ukuran variasi)

 Analisis Data yang Komplek

- analisis bivariat
- analisis multivariat
 Umur: 34 56 23 Sex : 1 2 1 1 Merokok : 1 2 1
34 45 …. 2 ……. 2 1 1 1 …

univariat Jumlah & persen

Mean & sd Jumlah & persen

bivariat
Uji stat : uji t Uji stat : kai kuadrat

multivariat
Uji multivariat : regresi logistik
DO VARIABEL,… awas kodingnya ??
Variabel Definisi ………………… Hasil Ukur Skala
Operasional ….

Variabel Dependen        
Merokok     0=tidak merokok nominal
1=merokok

Variabel Independen        

1.Jenis Kelamin     0=wanita nominal

1=pria

2.Pengetahuan     0=tinggi ordinal

1=rendah

3.Anggota klg merokok     0=tidak ada nominal

1=ada

 4. dst…        
         
 Analisis Data
Menurut Jenis Penelitian
Penelitian OBSERVASIONAL
Yang sering jenis: cros sectional (potong lintang)

-Univariat: deskriptif

-Bivariat: uji chi square, uji t independen, uji t dependen, uji anova, uji
korelasi

-Multivariat: Regresi Logistik Ganda, Regresi Linier Ganda

 Peneiltian Cros Sectional

Kerangka Konsep

a. Determinan

X1
X2
X3 -------------------- Y
X4
X ….

b. Faktor risiko

a. X 1 ----------------------- Y

X2
X3
X4
X…
Penelitian EKSPERIMEN
Yang sering jenis: kuasi eksperimen

-Univariat: deskriptif

-Bivariat:
a.Uji
kesetaraan (var pretest dan var pengontrol): uji t indep dan chi square
b.Pembuktian intervensi : uji t independen dan uji t dependen

-Multiviariat: Ancova
 PenelIiian KUASI EKSPERIMEN

Kerangka Konsep

VAR INTERVENSI Y

X2
X3
X4
X…
ANALISIS UNIVARIAT

: Deskripsi setiap variabel yg

diteliti

METODE :
 Menyajikan Ukuran Tengah
 Menyajikan Ukuran Variasi
Nilai apa saja… Univariat

variable numerik : mean, sd, min, mak,

dan 95 % CI
variabel kategorik : jumlah dan persentase

Penyajian univariat dng : Tabel

ANALISIS BIVARIAT
Tujuan:
 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 - - - - Sig
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 ……
 UJI STATISTIK
 PARAMETRIK
: DISTRIBUSI DATA NORMAL

 NON PARAMETRIK
: DISTRIBUSI DATA TIDAK NORMAL
 DETEKSI
KENORMALAN DATA
 TRIK
PENENTUAN UJI STATISTIK
BERDASARKAN
JENIS VARIABELNYA
 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 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
 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 ?
Kenapa hub sex dengan bb1 tidak bisa uji anova ?
Kenapa hub umur dng bbadan tidak bisa uji anova ?
 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. Menggunakan uji statistik

3. Menjelaskan kekuatan hubungan/risiko :

OR, RR
Tabel Silang

- Ketentuan pembuatan tabel silang:

- Variabel independen pd Baris, variabel dependen pd Kolom
- Pada disain Cros Sectional --- dibuat persentase baris
Tabel Silang
- Pada disain Case Control --- dibuat persentase kolom
Ketentuan Uji Kai Kuadrat

- Keterbatasan kai kuadrat

- 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
Utk tabel 2x2, bila tidak ada sel yg nilai E nya kurang
dari 5, maka uji yg digunakan : chi square
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
Contoh:
- var. dep : perilaku seksual : berisiko (diberi kode 1),
tidak berisiko (kode 0)
- var. indep. :
jenis kelamin : laki2 (diberi kode 1), perempuan (kode 0)
ketaatan beribadah ; taat (diberi kode 0), tidak taat (kode 1)
 ANALISIS HUBUNGAN

NUMERIK DNG NUMERIK

 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

R2 = r 2 x 100%

nilainya berkisar 0 – 100%

Misal hubungan BB dng TD dihasilkan R2 = 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 ?
 KESIMPULAN BIVARIAT

1. KATEGORIK - - DNG - - NUMERIK, ujinya:

-uji T (bila variabel kategoriknya : dua kelompk)
-uji ANOVA (bila variabel kategoriknya: lebih dua kelompok)

2. KATEGORIK - - dng - - KATEGORIK, ujinya:

-Uji Chi Square atau uji Fisher Exact

3. NUMERIK - - dng - - NUMERIK, ujinya:

-uji Korelasi
ANALISIS MULTIVARIAT
MULTIVARIAT
= Menghubungkan beberapa var independen dng satu var dependen

Kenapa Perlu Multivariat ?

Pada bidang kesmas:
● akibat --- tak mungkin penyebab tunggal
● akibat ---multi faktor
Mis: agent, host & lingk
Kompleknya faktor analis multivariat

Kegunaan:
1.Mengetahui pengaruh murni/efek bersih masing-masing variabel
2.Mengetahui Faktor yang paling dominan

Untuk mengetahui pengaruh murni/efek bersih :

a. Rancangan Eksperimen : variabel lain dapat dikontrol
b. Rancangan studi dipilih dng cara Matching
c. Pengontrol pada tahap analisis statistik ---- ANALISIS MULTIVARIAT

Syarat multivariat –>sampel cukup

Satu variabel = 15 responden
Jenis Analisis Multivariat
1. Metode Dependensi
: independen  dependen
: dependen satu variabel
- numerik : regresi linier ganda
- katagorik : regresi Logistik ganda
: dependen beberapa variabel
- numerik : Manova
- ktagorik : Kanonikal

2. Metode Interdependensi
: tidak ada var independen dan dependen ----
pemetaan/pengelompokan variabel
: numerik : cluster, faktor analisis
: katagorik : Multi dimensional scaling, Loglinier
 ANALISIS MULTIVARIAT :

1. Regresi linier Ganda

var dependen = numerik
var independen = numerik dan kategorik

2. Regresi logistik Ganda

var dependen = kategorik
var independen = kategorik dan numerik
REGRESI LOGISTIK

 Regresi Logistik:
Model matematis untuk menganalisis hubungan antara
satu atau beberapa variabel independent yang berjenis
kategorik atau numerik dengan satu variabel dependent
yang berjenis kategorik dichotom (sehat/sakit,
hidup/mati)

 Regresi Logistik:
- Sederhana  hanya satu variabel independen
- Ganda/multiple  lebih dari satu variabel
independen
REGRESI LOGISTIK

 Persamaan Regresi Logistik:

1 1
P(Y )   (log itY )

1  Exp 1  Exp  ( a  b1 x1 ..... bk xk )

(b ) (b ) (b )
OR  Exp  Exponensial e
P = Probabilitas OR = Odds Ratio
REGRESI LOGISTIK GANDA

Fungsi Regresi logistik ganda:

1. Menetapkan model matematik yang paling baik utk
menggambarkan hubungan var. indep dan var dep.
2. Menggambarkan hubungan kuantitatif antara var. indep (x) dng
var dep (y) setlah dikontrol var. lain
3. Mengetahui variabel x mana yang penting/dominan dlm
memprediksi var. dep
4. Mengetahui adanya interaksi pada dua/lebih var. independen thd
variabel dependen
Jenis Regresi logistik
1, Regresi Logistik Model Prediksi
Model yg terdiri beberapa variabel independen yg dianggap terbaik untuk
memprediksi kejadian variabel dependen

X1
y
X2
X3

Mis judul penelitian:

Faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun X
Jenis Regresi logistik
2. Regresi Logistik Model Faktor Risiko
Model dng tujuan mengetahui hubungan satu/beberapa variabel
independen dengan kejadian variabel dependen dengan mengontrol
beberapa variabel konfounding

x1 y

X2
X3
X4
Mis judul penelitian:
Hubungan Merokok dengan kanker Paru di Kab X th X
Model Prediksi
Langkah Pemodelan
1. Seleksi bivariat; variabel independen p value < 0,25 atau walaupun > 0,25
boleh masuk multivariat kalau secara substansi merupakan variabel yg
sangat penting
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p valuenya besar dikeluarkan dari model multivariat.
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 valuenya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien (nilai OR) variabel2x yg masih ada
(berubah > 10 %), maka var tsb dimasukkan kembali dlm model. Pemilihan
variabel dng metode ENTER
3. Uji interaksi sesama variabel independen yg secara substansi diduga ada
interaksi, kalau tidak ada substansi yg penting berarti tidak perlu ada uji
interaksi
Logistik Model prediksi
Penelitian

FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN BBLR

DI KABUPATEN XYZ TAHUN PQR .

Merokok
Ras
Hipertensi BBLR
Prematur
Uterus
Anc
SELEKSI BIVARIAT
1. Merokok
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 4.867 1 .027
Block 4.867 1 .027
Model 4.867 1 .027

Variables in the Equation

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.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan

demikian variabel merokok dapat masuk ke multivariat.
RAS
Categorical Variables Codings Omnibus Tests of Model Coefficients

Parameter coding Chi-square df Sig.

Frequency (1) (2) Step 1 Step 5.010 2 .082
Race White 96 .000 .000 Block 5.010 2 .082
Black 26 1.000 .000 Model 5.010 2 .082
Other 67 .000 1.000

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 0,087 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) 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
Block 4.022 1 .045
Model 4.022 1 .045

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.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti

masuk dalam multivariat

Dst ..dengan cara yg sama utk variabel uterus dan prematur

Hasil seleksi bivariat
Setelah masing-masing variabel independen dilakukan analisis bivariat, hasilnya:

Variabel P value
Ras 0,082
Hipertensi 0,045
Kelainan uterus 0,024
ANC 0,131
Merokok 0,027
Prematur 0,000

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.
Pemodelan Multivariat
Model tanpa anc
Perubahan nilai OR
Model tanpa uterus
Perubahan nilai OR
Model terakhir
PEMODELAN REGRESI LOGISTIK

MODEL FAKTOR RISIKO

Model Faktor Risiko
Langkah Pemodelan
1. Melakukan analisis bivariat antara masing2 variabel konfounding dng
dependen, bila hasil p value < 0,25 maka var 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)
2. Lakukan pemodelan lengkap, mencakup: var utama, var konfounding dan var
interaksi.
3. Langkah pertama, 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
Penelitian
Hubungan Hipertensi Dengan BBLR di
Kabupten X tahun X

Variabel independen : hipertensi

Variabel pengontrol : 1.merokok
2.prematur
3.uterus
Kerangka Konsep

Hipertensi BBLR

- merokok
- prematur
- uterus
Contoh lain:
Hubungan Pekerjan Ibu dengan Menysusui
Eksklusif di Kabupten X tahun X

Variabel independen : pekerjaan

Variabel pengontrol : 1.umur
2.sikap
Ket:
Umur : ≤ 30 th dan > 30 th
Sikap : penjumlahan keempat skor pertanyaan sikap
Kerangka Konsep

Pekerjaan Eksklusive

umur
Sikap
Proses di SPSS
UJI INTERAKSI
Uji Confounding
REGRESI LINIER

Regresi linier sederhana

Y = a + bx

Regresi linier ganda

Y = a +b1x1 + b2x2 + ….
REGRESI LINIER GANDA

Fungsi Regresi linier ganda:

1. Menetapkan model matematik yang paling baik utk
menggambarkan hubungan var. indep dan var dep.
2. Menggambarkan hubungan kuantitatif antara var. indep (x)
dng var dep (y) setlah dikontrol var. lain
3. Mengetahui variabel x mana yang penting/dominan dlm
memprediksi var. dep
4. Mengetahui adanya interaksi pada dua/lebih var. independen
thd variabel dependen
REGRESI LINIER GANDA
ASUMSI REGRESI LINIER GANDA
: “ HEIL – GAUSS “

1.HOMOSCEDASTICITY
Varian nilai variabel Y sama untuk semua nilai var. X
Homoscedasticity : Plot residual membentuk tebaran merata diatas dan dibawah
garis tengah nol
Heteroscedasticity: tebaran residual mengelompok dibawah/diatas garis tengah nol

2. EKSISTENSI
Var. dep. Y merupakan variabel random pada setiap nilai var. independen X.
Sampel diambil random, asumsi ini terpenuhi bila residual menunjukan nilai :
mean dan standar deviasi
REGRESI LINIER GANDA
3. INDEPENDENSI
Masing-masing var Y bebas satu sama lain, tidak boleh diukur dua kali. Asumsi
terpenuhi: angka Durbin Watson antara -2 s/d 2

4. LINEARITAS
Nilai mean dari var. Y untuk suatu kombinasi X1, X2, dst terletak pada grs linier yg
dibentuk persamaan regresi
Asumsi terpenuhi: hasil Uji Anova regresi hasilnya signifikan

5. GAUSS /NORMALITAS
Var. Y berdistrubusi normal utk setiap pengamatan variabel X. Asumsi terpenuhi bila
Grafik Normal P-P plot residual, titik tebarannya menyebar sekitar garis
diagonal. Sebaliknya bila tebaran data menjauhi garis diagonal maka asumsi
tidak terpenuhi
Pemodelan Regresi Linier
“memasukan sebanyak mungkin variabel indep ?”
- Banyak variabel -- hanya aspek statistik
- Banyak variabel – overfitting, SE terlalu besar
- Banyak variabel – menyulitkan interpretasi
Lalu ?
- Memasukan variabel– ada aspek statistik dan substansi
- Sebaiknya variabel yg masuk sedikit, namun cukup baik utk
menjelaskan faktor-faktor penting yg ber-hubungan dng var.
dependen
Model yg baik ?
R Square besar namun var. Indep jumlahnya sedikit
Pemodelan Regresi Linier
Langkah :
1. Melakukan analisis bivariat: indep dng dep, bila hasil uji didapatkan p value <
0,25 mk dpt lanjut ke multivariat. Namun kalau ada var yang secara substansi
penting walaupun p valuenya > 0,25 mk variabel tsb dapat masuk ke
multivariat
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p valuenya besar dikeluarkan dari model multivariat.
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 valuenya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien variabel2x yg masih ada(berubah
> 10 %), maka var tsb dimasukkan kembali dlm model. Pemilihan variabel
dng metode ENTER
3. Melakukan Diagnostik regresi linier
a. Pengujian asumsi
b. Pengujian Kolinearitas, antar independen terjadi hub yg sangat kuat : r ≥
0,8. Atau nilai VIF > 10
Pemodelan Regresi Linier
4. Analisis interaksi
= kondisi hubungan antara var. indep dan var. dep, berbeda menurut
tingkat var indep yg lain
Mis: TD =a+b1(AF)+b2(Umur)+b3(Sex)+b4(AF*Sex)
Penentuan var interaksi  pertimbangan substansi
Var interaksi “Umur*Sex” tdk pas, krn secara biologik kedua
variabel tsb tdk saling berinteraksi utk mempengaruhi TD
5. Reliabilitas Model
Sampel di bagi dua, bila kedua sampel menghasil model yg sama,
maka model regresi reliabel–- seluruh sampel dapat dipakai utk
pembuatan model
REGRESI LINIER GANDA

1. umur
2. Berat badan
3. merokok Berat bayi
4. prematur
5. hipertensi
6. anc
SELEKSI VARIABEL :
Analisis`Bivariat dengan Korelasi

Correlations

No
Weight of physician History of Birth
Age of mother visits in first prematur weight
mother (pounds) trimester e labor (gram)
Age of mother Pearson Correlation 1 .180* .215** .072 .090
Sig. (2-tailed) .013 .003 .328 .219
N 189 189 189 189 189
Weight of mother Pearson Correlation .180* 1 .141 -.140 .186*
(pounds) Sig. (2-tailed) .013 .054 .055 .010
N 189 189 189 189 189
No physician visits Pearson Correlation .215** .141 1 -.044 .058
in first trimester Sig. (2-tailed) .003 .054 .544 .426
N
189 189 189 189 189

History of Pearson Correlation .072 -.140 -.044 1 -.155*

premature labor Sig. (2-tailed) .328 .055 .544 .034
N 189 189 189 189 189
Birth weight (gram) Pearson Correlation .090 .186* .058 -.155* 1
Sig. (2-tailed) .219 .010 .426 .034
N 189 189 189 189 189
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).

Umur = 0,219, bera ibu=0,010, anc=0,425, prematur =0,034. Variabel anc p value >
0,25 namun krn secara substansi penting,Mk variabel anc lanjut ke multivariat
Bivariat dng uji t
Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means
95% Confidence
Sig. Mean Std. Error Interval of the
(2-tail Differen Differenc Difference
F Sig. t df ed) ce e Lower Upper
Birth Equal
weight variances 1.508 .221 2.634 187 .009 281.713 106.969 70.693 492.7
(gram) assumed
Equal
variances
2.709 170.0 .007 281.713 103.974 76.467 487.0
not
assumed

Hasil p value merokok = 0,009, p value < 0,25 berarti

masuk ke multivariat
Bivariat uji t
Independent Samples Test

Levene's Test for

Equality of
Variances t-test for Equality of Means

Std. 95% Confidence

Sig. Mean Error Interval of the
(2-taile Differe Differen Difference
F Sig. t df d) nce ce Lower Upper
Birth Equal
weight variances 1.419 .235 2.019 187 .045 435.56 215.709 10.024 861.1
(gram) assumed
Equal
variances
1.612 11.908 .133 435.56 270.126 -153.5 1025
not
assumed

P value hipertensi = 0,045, p value < 0,25 maka lanjut

ke multivariat
Pemodelan Multivariat
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .340a .116 .086 696.829
a. Predictors: (Constant), No physician visits in first
trimester, Smoking status, History of hypertension,
labor,aAge of mother, Weight of
Coefficients
History of premature
mother (pounds)
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2315.862 299.442 7.734 .000
Age of mother 7.162 10.022 .052 .715 .476
Weight of mother
4.793 1.777 .201 2.698 .008
(pounds)
Smoking status -232.253 105.928 -.156 -2.193 .030
History of premature labor -154.002 106.574 -.104 -1.445 .150
History of hypertension -574.230 215.481 -.193 -2.665 .008
No physician visits in first
-2.847 49.705 -.004 -.057 .954
trimester
a. Dependent Variable: Birth weight (gram)

Tahap berikutnya, evaluasi seleksi variabel dengan batas p value < 0,05
Dari nilai p diatas, variabel umur, prematur, anc memiliki p value > 0,05
shg harus keluar dari model. ANC Pvalue yg tertinggi, maka dikeluarkan
terlebih dahulu
Pemodelan Multivariat
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .340a .116 .091 694.929
a. Predictors: (Constant), History of hypertension,
Smoking status, Age of mother, History of premature
labor, Weight of mother (pounds)

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2317.608 297.074 7.801 .000
Age of mother 7.051 9.807 .051 .719 .473
Weight of mother
4.781 1.759 .201 2.718 .007
(pounds)
Smoking status -232.224 105.638 -.156 -2.198 .029
History of premature labor -153.747 106.191 -.104 -1.448 .149
History of hypertension -573.011 213.841 -.192 -2.680 .008
a. Dependent Variable: Birth weight (gram)

Setelah anc keluar terlihat R square tdk berubah, dan Coef B

Untuk masing-masing juga tak berubah besar ( > 10 %)
Perubahan coef. B

Variabel Anc msih ada Anc dikeluarkan perubahan Coef.

Age 7,1 7,0 1,4 %

bwt 4,7 4,7 0%
smoke -232,2 -232,2 0%
ptl -154,0 153,7 0,1 %
hi -574,2 573,0 0,1 %
ftv -2,8 -

Koefisien B tidak ada yang berubah > 10 % sehingga variabel anc dikeluarkan
Dari multivariat
Tahap selanjutnya variabel umur dikeluarkan dari model
Pemodelan Multivariat
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .336a .113 .094 694.016
a. Predictors: (Constant), History of hypertension,
Smoking status, History of premature labor, Weight of
mother (pounds)
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026
History of premature labor -145.412 105.417 -.098 -1.379 .169
History of hypertension -582.566 213.148 -.195 -2.733 .007
a. Dependent Variable: Birth weight (gram)

Setelah umur keluar, ternyata R Square berubah sedikit,

Menjadi 0,113. Untuk koefisien B perubahannya sbb:
Perubahan nilai coef. B
Variabel Masih lengkap umur dikeluarkan perubahan Coef.

Age 7,1 - -
bwt 4,7 5,0 6,3 %
smoke -232,2 -236,4 1,8 %
ptl -154,0 145,4 6,1 %
hi -574,2 582,5 1,3 %
ftv -2,847 -

Dari hasil perhitungan perubahan coef. Ternyata tidak ada yang lebih dari 10 %,
dengan demikian variabel umur kita keluarkan dari model.
Langkah selanjutnya mengeluarkan riwayat prematur
Model tanpa prematur
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .322a .104 .089 695.707
a. Predictors: (Constant), History of hypertension,
Smoking status, Weight of mother (pounds)

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2390.105 230.391 10.374 .000
Weight of mother
5.352 1.710 .224 3.130 .002
(pounds)
Smoking status -263.009 103.812 -.177 -2.534 .012
History of hypertension -586.722 213.646 -.197 -2.746 .007
a. Dependent Variable: Birth weight (gram)

R square turun menjadi 0,104. sedangkan untuk koef B perubahannya sbb:

Perubahan nilai coef. B
Variabel Masih lengkap Prematur keluar perubahan Coef.

Age 7,1 - -
bwt 4,7 5,3 12,3 %
smoke -232,2 -236,4 1,7 %
ptl -154,0 - -
hi -574,2 582,5 1,3 %
ftv -2,847 -

Hasil perhitungan setelah dikeluarkan variabel prematur, ternyata coefisin B pada

variabel beat badan ibu (bwt) beubah sebesar 12,3 % dengan demikian variabel riwayat
mengalami prematur tidak jadi dikeluarkan
dan tetap dipertahankan dalam model multivariat. Dari hasil analisis ternyata tidak ada lagi
yang p value-nya > 0,05 dengan demikian proses pencarian variabel yang masuk
dalam model telah selesai dan model yang terakhir adalah sbb:
Model terakhir
Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .336a .113 .094 694.016 .222
a. Predictors: (Constant), History of premature labor, History of
hypertension, Smoking status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)

Coefficientsa

Stand
ardize
d
Unstandardized Coeffi Collinearity
Mo Coefficients cients Statistics
de Tolera
l B Std. Error Beta t Sig. nce VIF
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2.733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1.379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)
 Uji asumsi
1. Eksistensi
Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 2249.77 3602.03 2944.66 245.079 189
Std. Predicted Value -2.835 2.682 .000 1.000 189
Standard Error of
67.193 292.804 103.399 45.407 189
Predicted Value
Adjusted Predicted Value 1955.43 3616.97 2943.73 251.196 189
Residual -2082.610 1921.631 .000 686.593 189
Std. Residual -3.001 2.769 .000 .989 189
Stud. Residual -3.015 2.782 .001 1.005 189
Deleted Residual -2102.316 1940.423 .923 708.619 189
Stud. Deleted Residual -3.084 2.835 .000 1.010 189
Mahal. Distance .768 32.469 3.979 5.320 189
Cook's Distance .000 .209 .007 .019 189
Centered Leverage Value .004 .173 .021 .028 189
a. Dependent Variable: Birth weight (gram)

Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan
standar deviasi 686,59. Dengan demikian asumsi Eksistensi terpenuhi
 2. Asumsi Independensi
Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.
Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi yang berbeda
yang diukur dari satu individu diukur dua kali. Untuk mengetahui asuamsi ini dilakukan dengan cara
mengeluarkan uji Durbin Watson, bila nilai Durbin –2 s.d. +2 berarti asumsi independensi terpenuhi,
sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .336a .113 .094 694.016 .222
a. Predictors: (Constant), History of premature labor, History of
hypertension, Smoking status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)

Dari hasil uji didapatkan koefisien Durbin Watson 0,222, berarti asumsi independensi terpenuhi.
3. Asumsi liniearitas
Nilai mean dari variabel Y untuk suatu kombinasi X 1, X2, X3, …, Xk
terletak pada garis/bidang linier yang dibentuk dari persamaan regresi.
Untuk mengetahui asumsi linieritas dapat
diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka
moodel berbentuk linier. Hasil uji asumsi :

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 11291987 4 2822996.778 5.861 .000a
Residual 88625066 184 481657.965
Total 99917053 188
a. Predictors: (Constant), History of premature labor, History of hypertension, Smoking
status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)

Dari output diatas menghasilkan uji anova 0,0005, berarti asumsi linearitas terpenuhi
4. Asumsi homoscedascity
Scatterplot
R e g r e s s io n S t u d e n t iz e d R e s id u a l

Dependent Variable: Birth weight (gram)

-1

-2

-3

-4

-3 -2 -1 0 1 2 3

Regression Standardized Predicted Value

Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara
titik-titik diatas dan dibawah garis diagonal 0.
Dengan demikian asumsi homoscedasity terpenuhi
5. Asumsi normalitas
Histogram

Dependent Variable: Birth weight (gram)

40

30
Frequency

20

10

Mean = -2.53E-16
Std. Dev. = 0.989
0 N = 189
-4 -3 -2 -1 0 1 2 3

Regression Standardized Residual

Diagostik Multicollinearity
Coefficientsa

Stand
ardize
d
Unstandardized Coeffi Collinearity
Mo Coefficients cients Statistics
de Tolera
l B Std. Error Beta t Sig. nce VIF
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2.733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1.379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)

Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10, dengan
demikian tidak ada Multicollinearity antara sesama variabel indepeden

Dari hasil uji asumsi dan uji kolinearitas ternyata semua asumsi terpenuhi
sehingga model dapat digunakan untuk memprediksi berat badan bayi.
Model terakhir
Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .336a .113 .094 694.016 .222
a. Predictors: (Constant), History of premature labor, History of
hypertension, Smoking status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)

Coefficientsa

Stand
ardize
d
Unstandardized Coeffi Collinearity
Mo Coefficients cients Statistics
de Tolera
l B Std. Error Beta t Sig. nce VIF
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2.733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1.379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)

Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl

Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi
interpretasi
Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl

-Setiap kenaikan berat badan ibu sebesar 1 kg, maka berat badan bayi akan naik sebesar 5,0 gram
setelah dikontrol variabel merokok, hipertensi dan prematur
- Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236,4 gram setelah dikontrol
variabel berat badan, hipertensi dan prematur.
- Pada ibu yang menderita hipertensi,berat bayinya akan lebih rendah sebesar 582,5 gram
setelah dikontrol variabel berat badan ibu,merokok dan prematur.

Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar
peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi).
Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya.
Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan
berat badan bayi adalah berat badan ibu..