4.4 Analisis Multivariat
Analisis multivariat bertujuan untuk menganalisis hubungan beberapa variabel independen terhadap satu variabel dependen secara bersama-sama. Analisis
multivariat yang digunakan adalah analisis regresi logistik ganda yang bertujuan untuk mendapatkan model faktor risiko yang paling baik fit dan sederhana
parsinomy yang menggambarkan hubungan antara variabel dependen dan variabel independen.
Variabel yang menjadi kandidat model multivariat adalah variabel independen dengan nilai p0,25 dalam analisis bivariat. Variabel-variabel yang masuk ke dalam
model multivariat dapat dilihat pada tabel berikut :
Tabel 4.4 Variabel-Variabel Kandidat Model Multivariat Variabel
p-Value
Paritas 0,246
Umur 0,238
Pendidikan 0,001
Jarak Antar Kelahiran 0,500
Riwayat Persalinan Buruk Sebelumnya 0,010
Status Anemia 0,001
Ket : = Kandidat Model Multivariat Berdasarkan Tabel 4.4 bahwa dari hasil analisis bivariat maka variabel
dengan nilai p-Value0,25 yang masuk ke dalam model multivariat yaitu paritas, umur, pendidikan, riwayat persalinan buruk sebelumnya dan status anemia.
Kemudian dilakukan analisis regresi logistik ganda dengan metode backward, yaitu memasukkan semua variabel independen ke dalam model, tetapi
kemudian satu per satu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan statistik tertentu. Variabel yang dapat masuk dalam model regresi
Universitas Sumatera Utara
logistik adalah variabel yang mempunyai nilai p-Value0,05 pada uji Wald. Hasil analisis regresi logistik ganda dapat dilihat pada tabel berikut :
Tabel 4.5 Hasil Analisis Regresi Logistik Ganda Variabel
B ExpB
SE p-Wald
95 CI
Paritas 0,919
2,506 0,790
0,245 0,53;11,78
Umur -1,194
0,303 0,809
0,140 0,06;1,48
Pendidikan 1,648
5,194 0,661
0,013 1,42;18,96
Riwayat Persalinan Buruk Sebelumnya
0,862 2,369
0,570 0,130
0,78;7,24 Status Anemia
1,908 6,743
0,660 0,004
1,85;24,60 Constant
-2,110 0,675
0,002 -2 Log Likelihood=84,089
Likelihood Ratio=29,588 p-Value=0,001
Berdasarkan Tabel 4.5 terlihat signifikansi log likelihood 0,001 α0,05 mengindikasikan bahwa model adalah signifikan. Berdasarkan uji Wald maka
variabel yang masuk ke dalam model regresi logistik adalah pendidikan dan status anemia. Walaupun tidak bermakna, variabel paritas tetap dimasukkan ke dalam
model karena merupakan variabel utama sebagai faktor risiko yang memengaruhi perdarahan postpartum primer.
Kemudian dilakukan analisis regresi logistik ganda kembali sampai menghasilkan variabel-variabel penting dalam model regresi logistik ganda yang
dapat dilihat pada tabel berikut :
Tabel 4.6 Variabel-Variabel Penting Hasil Analisis Regresi Logistik Ganda Variabel
B ExpB
SE p-Wald
95 CI
Paritas 0,117
1,124 0,551
0,832 0,38;3,31
Pendidikan 1,767
5,850 0,637
0,006 1,68;20,38
Status Anemia 2,056
7,812 0,657
0,002 2,16;28,29
Constant -2,062
0,650 0,002
-2 Log Likelihood=89,337 Likelihood Ratio=24,339
p-Value=0,001
Universitas Sumatera Utara
Berdasarkan Tabel 4.6 terlihat signifikansi log likelihood 0,001 α0,05 mengindikasikan bahwa model adalah signifikan. Berdasarkan uji Wald maka
variabel-variabel penting yang masuk dalam model regresi logistik ganda adalah pendidikan dan status anemia. Walaupun tidak bermakna, variabel paritas tetap
dimasukkan ke dalam model karena merupakan variabel utama sebagai faktor risiko yang memengaruhi perdarahan postpartum primer.
Kemudian dilakukan uji kolinearitas untuk mengetahui adanya hubungan yang kuat antar variabel independen dengan melihat nilai p pada uji Chi Square. Bila
nilai p0,05, maka terjadi kolinearitas sehingga variabel tidak dapat bersama dalam satu model.
Tabel 4.7 Uji Kolinearitas Variabel Independen
Paritas Pendidikan
Status Anemia Paritas
Pendidikan 0,033
Status Anemia 0,832
0,140 Dari Tabel 4.7 dapat diketahui bahwa terdapat gejala kolinearitas antara
paritas dengan pendidikan p=0,033 α=0,05 sehingga tidak dapat bersama dalam satu model multivariat. Maka alternatif model yaitu :
1. Log p PPP = fparitas, status anemia
2. Log p PPP = fpendidikan, status anemia
Kemudian dilakukan pemeriksaan kemungkinan adanya interaksi antar variabel utama dengan variabel pengganggu, yaitu dengan memeriksa kemaknaan
hubungan antara variabel interaksi dengan variabel dependen.
Universitas Sumatera Utara
Tabel 4.8 Pemeriksaan Interaksi terhadap Variabel Dependen Variabel
B ExpB
SE p-Wald
95 CI
Paritas 2,128
8,400 1,267
0,093 0,70;100,57
Status Anemia 3,135
23,000 1,089
0,004 2,72;194,42
ParitasStatus Anemia -2,065
0,127 1,384
0,136 0,01;1,91
Constant -2,639
1,035 0,011
-2 Log Likelihood=95,856 Likelihood Ratio=17,820
p-Value=0,001 Berdasarkan Tabel 4.8 di atas terlihat signifikansi log likelihood 0,001
α0,05 mengindikasikan bahwa model adalah signifikan. Interaksi paritas dengan status anemia memiliki p-Wald
=0,136 α=0,05, sehingga variabel interaksi tersebut dikeluarkan dari model.
Dengan demikian model akhir regresi logistik ganda adalah model tanpa interaksi yang dapat dilihat pada tabel berikut :
Tabel 4.9 Model Akhir Regresi Logistik Ganda Variabel
B ExpB
SE p-Wald
95 CI
Paritas 0,460
1,585 0,508
0,365 0,58;4,29
Status Anemia 2,089
8,077 0,616
0,001 2,41;27,02
Constant -1,734
0,591 0,003
-2 Log Likelihood=98,359 Likelihood Ratio=15,317
p-Value=0,001 Berdasarkan Tabel 4.11 di atas terlihat signifikansi log likelihood 0,001
α0,05 mengindikasikan bahwa model adalah signifikan. Maka model akhir regresi logistik ganda terdiri dari paritas dan status anemia.
Kemudian dilakukan pemeriksaan confounding yaitu mengevaluasi variabel status anemia yang diduga sebagai variabel confounder dengan membandingkan
koefisien atau OR variabel paritas pada model regresi logistik dengan atau tanpa variabel status anemia. Jika perbedaan koefisien tersebut besar 10 berarti
variabel tersebut merupakan konfounder untuk variabel paritas.
Universitas Sumatera Utara
Tabel 4.10 Pemeriksaan Confounding Persamaan
ExpB 95 CI
∆Exp B
PPP = -0,154 + 1,526 Paritas 1,526
0,62;3,77 PPP = -1,734 + 1,585 Paritas
+ 8,077 Status Anemia 1,585
0,58;4,29 3,87
Berdasarkan Tabel 4.10 perbedaan OR variabel paritas pada model regresi logistik dengan atau tanpa variabel status anemia sebesar 3,87 10, maka
variabel status anemia bukan merupakan variabel confounder. Walaupun variabel status anemia bukan merupakan confounder tetapi tetap dimasukkan ke dalam model
regresi logistik ganda karena secara substansi ilmu status anemia memengaruhi perdarahan postpartum primer, sehingga model akhir regresi logistik ganda dapat
dilihat pada tabel berikut :
Tabel 4.11 Model Akhir Regresi Logistik Ganda Pengaruh Faktor Paritas terhadap Perdarahan Postpartum Primer di RSUD Dr. Pirngadi
Medan Tahun 2007 – 2010
Variabel B
ExpB SE
p-Wald 95 CI
Paritas 0,460
1,585 0,508
0,365 0,58;4,29
Status Anemia 2,089
8,077 0,616
0,001 2,41;27,02
Constant -1,734
0,591 0,003
-2 Log Likelihood=98,359 Likelihood Ratio=15,317
p-Value=0,001 Berdasarkan Tabel 4.11 di atas terlihat signifikansi log likelihood 0,001
α0,05 mengindikasikan bahwa model adalah signifikan. Persamaan model regresi logistik di atas adalah :
Log p PPP = -1,734 + 0,460Paritas + 2,089Status Anemia Jadi, meskipun tidak bermakna secara statistik risiko perdarahan postpartum
primer 2 kali lebih besar pada ibu yang memiliki paritas 3 dibandingkan dengan ibu
Universitas Sumatera Utara
yang memiliki paritas 2-3 setelah dikontrol status anemia OR=1,59 ; 95 CI 0,58;4,29.
Probabilitas risiko individu untuk mengalami perdarahan postpartum primer berdasarkan nilai-nilai prediktor dihitung dengan persamaan :
Maka probabilitas terjadinya perdarahan postpartum primer jika ibu memiliki paritas 3 dan mengalami anemia adalah :
Artinya, risiko perdarahan postpartum primer pada ibu yang memiliki paritas 3 dan mengalami anemia sebesar 69.
Universitas Sumatera Utara
BAB V PEMBAHASAN
Kategori