REVISI FIX UAS CRP LABKOM

  Bismillahirrahmanirrahim

MODUL CRP LABKOM UAS GUS 2012 UAS CRP

  REGRESI KORELASI REGRESI REGRESI PEARSON SPEARMAN LINIER LOGISTIK SEDERHAN MULTIVARIAT SEDERHAN MULTIVARIAT A A Epidata gak masuk ujian..

  Cari tau dulu nih beda Korelasi sama Regresi apa..

  Jawabnya: Regresi Korelasi Untuk melihat pengaruh variable Untuk melihat seberapa kuat hubungan suatu variable X  Y X ↔ Y X = Variabel independent/bebas Y = Variabel dependent/bergantung

  Cara nginpuuut Data..

  Step-step: Kenali terlebih dahulu data yang akan anda input  o Numerik

  Data yang tidak terkategori Rasio  Data yang mempunyai nilai 0 alami seperti TB, BB dan Jarak Interval  Data yang tidak mempunyai nilai 0 alami seperti Suhu o Kategorik

  Data yang terkategori Nominal  Data yang terkategori sederajat seperti Gender Ordinal

   Data yang terkategori tidak berderajat atau bertingkat seperti kadar kolesterol, tingkat pendidikan, Hb Bedakan variable Dependen dan Independen  o Dependen Variable yang DIpengaruhi oleh variable Independen o Indepen Variable yang MEmpengaruhi variable Dependen o Contoh: Penggunaan ekstrak buah manggis terhadap kadar kolesterol darah Variabel Independen : Ekstrak buah manggis Variable Dependen : Kadar kolesterol

  (Numerik) Buka SPSS  variable view  input namanya(tidak spasi)  tentukan  data(Numerik) tulis judul di label Atur decimal (Atur decimal menjadi “0” agar angka di data view menjadi decimal)  measure (Scale) apabila data numeric (Ordinal) apabila datanya memiliki tingkatan(Nominal) apabila datanya Kategorik dan tidak memiliki tingkatan input data

  (Kategorik) Buka SPSS variabel viewinput namanya (tidak spasi) tentukan data(Numerik) tulis judul di label Atur decimal

   measure (nominal, ordinal)  input data Input end..

TRANSFORM DATA

  Perlakuan dimana kita mengubah data numerik (interval, rasio) menjadi kategorik (nominal, ordinal) supaya bisa dilakuin uji selanjutnya.

  Pertama cari dulu median data yang mau dikategoriin (atau data yang gak berdistribusi normal)

  Setelah dapat mediannya, disini contohnya 121.. Diingat, ini nanti yang jadi patokan buat recoding..

  Langkah selanjutnya klik transform

  Masukkan variabel yang mau di transform Dan ubah name, dan labelnya Klik change

  Klik Add

  Klik add Klik continue > OK Nanti muncul hasil recoding di variable view

  Ubah label Klik OK Oke, kita bahas KORELASI dulu, bismillah..

  

KORELASI

ASUMSI: Asumsi itu kayak syarat yang harus dipenuhi untuk dilakukannya suatu

  uji ASUMSI UJI PEARSON ASUMSI UJI SPEARMAN Skalaukur X dan Y: Interval/Rasio

  Skalaukur X dan Y: Keduanya Ordinal atau Salah satunya Ordinal

  Data berdistribusi normal Data skala ukur Interval/Rasio yang tidak berdistribusi normal Ada istilah korelasi positif dan negative, kalo di buat grafiknya, macem gini..

  Semakin mendekati angka 0, maka korelasi semakin lemah

• 1

  Kekuatan korelasi (menurut Kekuatan korelasi (menurut Sopiyudin)

  1

  LEMA H KUAT KUAT

  Uji Pearson Parametrik Uji Spearman Non

  Parametrik Untuk melihat hubungan 2 variabel KORELASI

KOEFISIEN KORELASI

  labkom)

  0-0,199 Sangat lemah < 0,25 0,2-0,399 Lemah 0,25-0,5 0,4-0,599 Sedang 0,5-0,75 0,6-0,799 Kuat > 0,75 0,8-1 Sangat Kuat

  Disini yang kita liat adalah: Gimana hubungan variable x sama y nya? Berhubungan apa gak? Kekuatan korelasi kedua variable, kuat apa gak? Jenis korelasinya, positif/negative?

  HIPOTESIS Hipotesis Uji Normalitas Hipotesis Penelitian

  H0 = data berdistribusi normal H0 = tidak ada hubungan antara x dengan H1 = data tidak berdistribusi normal y

  H1 = ada hubungan antara x dengan y

  P > 0,05 = Menerima Ho UJI NORMALITAS

  Contoh sample yang kita ambil: age & bwt

  Dosen tercinta Sopiyudin

  Shappiro-wilk Jumlah sampel <30 Jumlah sampel <50 Kolmogorov Jumlah sampel >30 Jumlah sampel >50 smirnov

  1. analyze> non parametric test > legacy dialog > 1-sample K-S (Kolmogorov smirnov) 2. input lwt bwtnya

  3. OK

  4. Output: liat yang judulnya One sample K-S test. Baca Sig nya, di contoh ini hasil sig bwt = 0,867. P > 0,05 tuh.. berati Ho diterima (inget lagi hipotesis distribusi normal). H0 diterimadata berdistribusi normal

  Interpretasikan !

  

Nah, kan udah tau niih kalo datanya berdistribusi normal, so..lanjut pake uji pearson!

(Kalo gak berdistribusi normal, lanjut pake uji spearman yak)

GAMBAR UJI NORMALITAS

  “karena nilai asymp.sig. 2 tailed nya kedua variable lebih dari 0,05 maka data dianggap berdistribusi normal”

  

Note : bila nilai asymp sig.2 tailed nya kurang dari 0,05 maka data berdistribusi tidak

normal

  Uji normalitas Data Data tidak berdistribusi berdistribusi normal normal

  Uji pearson Uji spearman

1. KORELASI PEARSON

  

Nah, kan udah tau niih kalo datanya berdistribusi normal, so..lanjut pake uji pearson!

(Kalo gak berdistribusi normal, lanjut pake uji spearman yak)

UJI PEARSON

  analyze> correlate > bivariate input age dan bwtnya klik pearson > ok

  

GAMBAR UJI KORELASI PEARSON Output: liat yang judulnya Correlations. Baca Sig nya, di contoh ini hasil sig = 0,221. P > 0,05 tuh.. berati Ho diterima (inget lagi hipotesis penelitian). H0 diterima berati tidak ada hubungan antara x dengan y Naaah.. dari hasil output, kalo hasilnya:

  H0 diterima = tidak ada hubungan x Langsung interpretasikan di dengan y kesimpulan

  H0 ditolak = ada hubungan x dengan y Cari tau hubungannya x sama y nya positif/negative? Cari tau kekuatan korelasinya kuat/lemah?

  Gimana caritau hubungannya x ama y positif/negative? Lemah/kuat? Nah ini nihh..

  Tengok Pearson Correlations nya. Kalo ada tanda minus, berati korelasinya negative. Tapi kalo gak ada tanda minus, yaa berati korelasinya positif tuuh..Trus berapa angka yang tertera disana menunjukkan kuat lemahnya korelasi. Misalnya kalo di contoh yang kita liat nih, kan hasilnya 0,09. Naah berati korelasi positif, soalnya gak ada tanda minus di depan angkanya, trus kekuatan korelasinya lemah. Kenapa lemah? Liat di tabel kekuatan korelasi yak..

  Kekuatan Kekuatan korelasi korelasi (menurut Sopiyudin) (menurut labkom)

  0-0,199 Sangat lemah < 0,25 0,2-0,399 Lemah 0,25-0,5 0,4-0,599 Sedang 0,5-0,75 0,6-0,799 Kuat > 0,75 0,8-1 Sangat Kuat

  0,09 masuk ke dalem kategori (< 0,25) jadi kekuatan korelasinya lemah Tentukan nilai Pearson Correlation nya, jenis korelasinya positif atau negatif

• (positif) Searah, semakin besar nilai satu variable maka semakin besar pula nilai variable lain
• (negatif) Berlawanan arah, semakin besar nilai satu variable maka semakin kecil nilai variable nya

  

Karena hasil nilai pearson correlation di atas positif maka arah korelasi searah yaitu

setiap kenaikan 1 unit umur ibu, maka akan menaikkan berat badan bayi sebesar 0,09

kg

  Tapi di contoh yang kita buat ini kan hasilnya tidak ada hubungan tuh, yaudadeh berati nanti langsung buat kesimpulannya aja kalo: dari data yang ada diketahui bahwa tidak ada hubungan antara variable x terhadap y.

  

( ! ) Kalau variable tidak memiliki hubungan maka nilai correlation coefficient gak

usah diliat

Tapi langsung interpretasiin aja, langsung buat kesimpulan kalo gak ada hubungan x

dengan y..

  Gampangkan? Heheee..

  

Sekarang lanjut ke uji korelasi yang kedua yak, UJI SPEARMAN. Uji ini dipake kalo data

yang ada, gak sesuai sama asumsi pearson (tengok lagi tabel asumsi uji pearson

sama spearmannya yak kalo bingung)

  Uji normalitas Data Data tidak berdistribusi berdistribusi normal normal

  Uji pearson Uji spearman

2. KORELASI SPEARMAN

  Misalnya data yang kita punya kaga berdistribusi normal nih, naah.. jadi langsung kan tuuh pake uji korelasi spearman. Data yang gak berdistribusi normal, ditransform dulu, baru dilakuin uji spearman. Prinsip step nya sama kayak uji pearson, Cuma beda 4 hal

  disini doang nih antara spearman ama pearson: Pearson

  Spearman

  x dan y skala ukur Data variabel  x dan y skala ukur ordinal numeric (interval/rasio)  x atau y skala ukur ordinal

  Data berdistribusi normal Uji normalitas Data tidak berdistribusi normal Centang pearson Processing Centang spearman

  Pearson correlations output Correlations coefficient Contoh sampel yang kita ambil: age & bwt analyze> correlate > bivariate input age dan bwtnya klik spearman > OK

  GAMBAR UJI KORELASI SPEARMAN Output: liat yang judulnya Correlations. Baca Signya, di contoh ini hasil sig = 0,405. P > 0,05 tuuh.. berati menerima Ho (inget lagi hipotesis penelitian/korelasi). H0 diterima  berati, tidak ada hubungan antara x dengan y.

  Naaah.. dari hasil output, kalo hasilnya: H0 diterima = tidak ada hubungan x Langsung interpretasikan di dengan y kesimpulan

  H0 ditolak = ada hubungan x dengan y Cari tau hubungannya x sama y nya positif/negative? Cari tau kekuatan korelasinya kuat/lemah?

  Gimana caritau hubungannya x ama y positif/negative? Lemah/kuat? Nah ini nihh..

  Tengok correlations coefficient nya. Kalo ada tanda minus, berati korelasinya negatif. Tapi kalo gak ada tanda minus, yaa berati korelasinya positif tuuh..Trus berapa angka yang tertera disana menunjukkan kuat lemahnya korelasi. Misalnya kalo di contoh yang kita liat di atas nih, kan hasilnya 0,061. Naah berati korelasi positif, soalnya gak ada tanda minus di depan angkanya, trus kekuatan korelasinya lemah. Kenapa lemah? Liat di tabel kekuatan korelasi yak..

  Kekuatan Kekuatan korelasi korelasi (menurut Sopiyudin) (menurut labkom)

  0-0,199 Sangat lemah < 0,25 0,2-0,399 Lemah 0,25-0,5 0,4-0,599 Sedang 0,5-0,75 0,6-0,799 Kuat > 0,75 0,8-1 Sangat Kuat 0,061 masuk dalam kategori (< 0,25) jadi kekuatan korelasinya lemah..

  Tentukan nilai Correlation coefficientnya, jenis korelasinya positif atau negatif

• (positif) Searah, semakin besar nilai satu variable maka semakin besar pula nilai variable lain
• (negatif) Berlawanan arah, semakin besar nilai satu variable maka semakin kecil nilai variable nya

  

Karena hasil nilai correlation coefficient di atas positif maka arah korelasi searah yaitu

setiap kenaikan 1 unit umur ibu, maka akan menaikkan berat badan bayi sebesar

0,061 kg

  Tapi di contoh yang kita buat ini kan hasilnya tidak ada hubungan tuh, yaudadeh berati nanti langsung buat kesimpulannya aja kalo: dari data yang ada diketahui bahwa tidak ada hubungan antara variable x terhadap y.

  

( ! ) Kalau variable tidak memiliki hubungan maka nilai correlation coefficient gak

usah diliat

Tapi langsung interpretasiin aja, langsung buat kesimpulan kalo gak ada hubungan x

dengan y..

  

Sudahhhhhh.. uji korelasi kelaaar ;) Sekarang agak lebih serius, kita belajar UJI

REGRESI. Siap-siap yak hahaa

UJI REGRESI AGAK LUMAYAN NIH.. JADINYA SIAP-SIAP YE..

  Kalo kata dosen kita yang ngajar labkom nih, “Kalo kalian berpikir bisa, yaa kalian bakal bisa. Tapi kalo kalian berpikir kalian gabisa, sampe kapanpun kalian gak akan bisa..” cieeeeeee

  

REGRESI

  REGRESI REGRESI REGRESI LINIER LOGISTIK SEDERHAN MULTIVARIAT SEDERHAN MULTIVARIAT A A

  

Regresi yang kita pelajarin nih, ada regresi linier sama regresi logistik. Naah, dua-

duanya sama-sama kebagi lagi jadi sederhana ama multivariat. Udaaah.. itu dulu..

  Sebelumnya, kita cari tau dulu bedanya yang sederhana ama yang multivariate ye..

SEDERHANA MULTIVARIAT

  X  Y saja X1, X2, X3, Xn Y (X bisa> 1 variabel)

  Misal hasil di regresi sederhana x berpengaruh terhadap y dengan persentase yang kecil padahal, tapi pas di uji di regresi multivariate, dia malah gak berpengaruh. Ini kenapa? Soalnya gara-gara di multivariate tuh ngeliat yang mana yang lebih condong berpengaruh terhadap y nya. Jadi kalo persentase pengaruhinnya kecil doang, di multivariate gak termasuk..

  

Di sederhana cuma bisa berlaku satu variable independent aja. Satu independent (x)

mempengaruhi dependent (y). Naah kalo yang multivariat, lebih asik. Variable

independent nya bisa lebih dari satu, (x1, x2, x3, xn…), banyak independent (x) yang

mempengaruhi dependent (y).

Perbedaannya dengan korelasi adalah kalo uji regresi kita bisa tau variable X punya

pengaruh terhadap variabel Y ato gak.. sedangkan kalo dari uji korelasi kita bisa tau

variable X dan Y ada hubungannya ato gak, dan juga bisa tau seberapa dalem

kekuatan hubungan antar mereka.

  REGRESI LINIER ASUMSI UJI REGRESI LINIER Data harus berdistribusi normal Tengok variable Y nya, kalo

  X Y Ujinya pake numerik, berdistribusi normal numerik, berdistribusi normal

  Regresi Linier Numeric, tidak berdistribusi normal

  Numeric, berdistribusi normal

  Regresi linier, tapi var x nya harus dikategoriin dulu

  Numeric, berdistribusi normal

  Numeric, tidak berdistribusi normal

  Regresi logistic, tapi var y harus dikategoriin dulu

• Data numeric: interval, rasio Data kategorik: nominal, ordinal

1. REGRESI LINEAR SEDERHANA

  Contoh sample yang kita ambil: BB ibu dan BBLR Pertama jangan lupa lakukan UJI NORMALITAS seperti yang di bahas sebelum nya yaaa.

  

GAMBAR UJI REGLIN SEDERHANA Klik statistic Centang convidence interval continue OK

  Lihat coefficient pada output Dari output coefficients di atas, kita liat sig nya, untuk mengetahui ada pengaruh ato gak antara variabel x sama y. di atas sini kan signya = 0,221  P > 0,05  H0 diterima, berati tidak ada hubungan antara x dengan y. Kalo kasusnya “ada pengaruh x dengan y”, kita liat selanjutnya di output yang judulnya model summary. Liat R untuk mengetahui lemah/kuat hubungannya. Dan lihat kalau ada tanda minus, berati hubungan regresi negative. Abis liat R, liat juga R Square untuk tau seberapa besar kekuatan pengaruhnya (dalam bentuk persentase), jadi hasil angka yang tertera di kolom nanti dikali 100%.

  Dari output di atas kan nilai R nya 0,09, jadi pengaruh x terhadap y nya lemah, dan jenis kekuatan regresinya negative.

  Kekuatan Kekuatan korelasi korelasi (menurut Sopiyudin) (menurut labkom)

  0-0,199 Sangat lemah < 0,25 0,2-0,399 Lemah 0,25-0,5 0,4-0,599 Sedang 0,5-0,75 0,6-0,799 Kuat > 0,75 0,8-1 Sangat Kuat

  Trus yang R square nya kan 0,008 tuh, dikali 100% = 0,8%. Liat di tabel bawah, maka kekuatan regresinya lemah.

  0-25% Lemah 25-50% Sedang 50-75% Kuat 75-100% Very strong

  Note : “nilai R square menunjukkan berapa persen pengaruh variable X terhadap Y, semakin dekat 1 maka semakin mendekati 100%. Karena nilai R square kita 0,008 maka nilai pengaruh variable Umur Ibu terhadap BB bayi sebesar 0,8% sementara 99,2% nya lagi merupakan nilai variable lain yang tidak di teliti”

2. REGRESI LINEAR MULTIVARIAT

  Langkahnya sama dengan yang sederhana hanya ketika nginput variable, variable independent nya yang dimasukin lebih dari 1. Untuk step-stepnya, cara baca output dan interpretasi sama dengan regresi linear sederhana.

REGRESI LOGISTIK

  ASUMSI UJI REGRESI Logistik Tengok variable Y nya,

  X Y Ujinya pake kalo Numerik/kategor Nominal Regresi ik Logistik

• Data numerik: interval, rasio Data kategorik: nominal, ordinal

1. REGRESI LOGISTIK SEDERHANA

  

Map yak karna kendala waktu, jadinya dikasih contoh yang multivariatnya aja

nih yak. Tapi prinsipnya sama kok sama yang regresi logistic multivariatnya,

cuma punya beda di independent nya aja yang cuma satu. Kalo di multivariate

kan ada banyak tuuh variable x nya, kalo di sederhana, cuma satu aja.

2. REGRESI LOGISTIK MULTIVARIAT

  Analyze > regression > Binary logistic

  

GAMBAR UJI REGRESI LOGISTIK masukkan variable x dan y nya Klik categorical Masukkan variable yang kategorik ke categorical variate Klik salah satu variable terus pencet first dan klik change Nanti kalo udah di klik change, bakal muncul tulisan (first) di sampingnya Klik continue

  Klik option Centang CI for exp (B)  angka 95 tidak perlu diubah Klik continue OK Cari output yang judulnya dependent variable encoding. 0 tidak BBLR, 1 BBLR

  Karena kita milih first, maka nilai 0 menjadi pembandingnya (semua yang dianggap baik ada di variable 0) Lihat categorical variable codings untuk mengetahui berapa jumlah data masing- masing variabel (frequency nya) Jadi jumlah yang memiliki Ras putih sebanyak 96, item 26, lain nya 67. Sedangkan jumlah yang merokok 74, yang tidak 115.

  Lihat Variabel in equation

  Variables in the Equation

  95% C.I.for EXP(B) _a B S.E. Wald df Sig. Exp(B) Lower Upper

  Step 1 lwt -.013 .006 3.835 1 .050 .988 .975 1.000 race 7.843 2 .020 race(1) 1.231 .517 5.669 1 .017 3.425 1.243 9.438 race(2) .944 .416 5.140 1 .023 2.569 1.136 5.809 smoke(1 -1.054 .380 7.701 1 .006 .348 .165 .734

  ) age -.023 .034 .434 1 .510 .978 .914 1.045

  Constant 1.385 1.063 1.695 1 .193 3.993 a. Variable(s) entered on step 1: lwt, race, smoke, age.

  Lihat nilai sig. masing-masing variabel, bila nilai p > 0,05 berarti menerima H0 menunjukkan tidak adanya pengaruh antar variable x dan y. Naah dari output di atas kan yang p>0,05 cuma yang age, berati yang gak ada pengaruh cuma si age. Dalem artian, lwt, race, race (1), race (2), sama smoke ngasih tauin ke kita kalo faktor-faktor yang berpengaruh terhadap y adalah: lwt, race, race (1), race (2), dan smoke (1).

  Karena output di atas ngasitauin ada pengaruh, jadi selanjutnya kita tengok Exp (B).

  Exponent B = Odds Ratio/Faktor risiko

• Jika < 1  Berisiko lebih rendah
• Jika = 1  Berisiko sama
• Jika > 1  Berisiko lebih tinggi

   Odds Ratio Lwt = 0.988 Race (1) = 3.425 Race (2) = 2.569 Smoke (1) = 0.348 Age = 0.978 Cara nulisnya:

  1. Lwt = 0.988  OR < 1

  Lwt berisiko 0.988 kali lebih rendah untuk melahirkan bayi dengan BBLR

  2. Race (1) = 3.425  OR > 1

  Race (1) berisiko 3.425 kali lebih tinggi untuk melahirkan bayi dengan BBLR

  3. Race (2) = 2.569  OR > 1

  Race (2) berisiko 2.569 kali lebih tinggi untuk melahirkan bayi dengan BBLR

  4. Smoke (1) = 0.348  OR < 1

  Smoke berisiko 0.348 kali lebih rendah untuk melahirkan bayi dengan BBLR

  5. Age = 0.978  OR < 1

  Age berisiko 0.978 kali lebih rendah untuk melahirkan bayi dengan BBLR udaaaah Alhamdulillah.. kalo ada salah-salah lagi, langsung kabarin yak. Makasihhh

  RINGKASAN UJI YANG DIPAKAI DENGAN SKALA UKURNYA

  Regresi logistik, tapi var y harus dikategoriin dulu REGRESI LOGISTIK Numeric, kategorik

  KORELASI SPEARMAN Ordinal Ordinal Ordinal Nominal, interval, rasio Nominal, interval, rasio

  Numeric, distribusi normal

  KORELASI PEARSON Numeric, distribusi normal

  Nanti y nya ditransform dulu, baru lakuin uji regresi logistiknya

  Numeric, distribusi tidak normal

  Nominal Numeric, distribusi normal

  Numerik, tidak berdistribusi normal

  UJI

  Numeric, berdistribusi normal

  Regresi linier, tapi var x nya harus dikategoriin dulu

  Numeric, berdistribusi normal

  Regresi Linier Numeric, tidak berdistribusi normal

  REGRESI LINIER numerik, berdistribusi normal numerik, berdistribusi normal

  X Y

  Ordinal