Contact : Blog : suyatno.blog.undip.ac.id

(1)

Uji Asosiasi Uji Asosiasi

(Hubungan) (Hubungan) Ir.

Ir. Suyatno Suyatno, , M.Kes M.Kes..

Program S2

Program S2 Gizi Gizi Paccasarjana Paccasarjana UNDIP UNDIP Semarang 2009

Semarang 2009

Contact : 08122815730

E-mail : suyatno_undip@yahoo.com

Blog : suyatno.blog.undip.ac.id

(2)

Jenis Uji Asosiasi Jenis Uji Asosiasi

1. Korelasi (hubungan):

Semua data nominal Semua data nominal : Koefisien Kontingensi : Koefisien Kontingensi

Semua data ordinal Semua data ordinal : Rank Spearman, Kendall Tau : Rank Spearman, Kendall Tau

Semua data rasio/interval: Korelasi Pearson Semua data rasio/interval: Korelasi Pearson

2. Regresi (pengaruh):

Skala variabel dependen interval/rasio: Skala variabel dependen interval/rasio:

Regresi Linier sederhana Regresi Linier sederhana

Regresi Linier berganda Regresi Linier berganda

Regresi Linier Dummy (dua kriteria dan lebih dari 2 kriteria) Regresi Linier Dummy (dua kriteria dan lebih dari 2 kriteria)

Regresi Polinomial (kurva) Regresi Polinomial (kurva)

Skala variabel dependen nominal: Skala variabel dependen nominal:

regresi Binary (regresi logistik) : sederhana/linier & berganda regresi Binary (regresi logistik) : sederhana/linier & berganda

(3)

1. Korelasi (hubungan) 1. Korelasi (hubungan)

Semua data nominal: Koefisien Kontingensi Semua data nominal: Koefisien Kontingensi

Semua data ordinal : Rank Spearman, Kendall Tau Semua data ordinal : Rank Spearman, Kendall Tau

Semua data rasio/interval: Korelasi Pearson Semua data rasio/interval: Korelasi Pearson

Cara analisis: Cara analisis:

Buka file Buka file

Buka file Buka file (Klik file (Klik file latihan SPSS latihan SPSS))

klik Analyze > correlate > bivariate klik Analyze > correlate > bivariate

Masukkan variabel Masukkan variabel--variabel yang ingin variabel yang ingin dikorelasikan

dikorelasikan

Correlation Coefficients: diisi jenis uji yang sesuai Correlation Coefficients: diisi jenis uji yang sesuai skala dan normalitas data (Pearson, Kendall’s tau skala dan normalitas data (Pearson, Kendall’s tau-- b atau Spearman)

b atau Spearman)

Test of Significans: diisi arah uji (Two Test of Significans: diisi arah uji (Two--tailed atau tailed atau one

one--tailed) tailed)

(4)

Output:

Korelasi Pearson:

Hubungan Total Pendapatan dengan LILA dan BMI

Kesimpulan:

• Hubungan total pendapatan (TOT_PEND) dengan LILA dan BMI

tidak signifikan karena p > 0,0,5 (lihat Sig-2 tailed)

(5)

Output:

Korelasi Spearmen & Kendall’s Korelasi Spearmen & Kendall’s Korelasi Spearmen & Kendall’s

Korelasi Spearmen & Kendall’s----tau: tau: tau: tau:

Hubungan var. tingkat pendidikan dengan LILA dan BMI

Kesimpulan:

• Hubungan tingkat pendidikan (TK_DIDIK) dengan LILA dan BMI

tidak signifikan karena p > 0,0,5 (lihat Sig-2 tailed)

(6)

2. Regresi 2. Regresi

Kegunaan Kegunaan untuk untuk menguji menguji pengaruh pengaruh variabel variabel bebas bebas terhadap

terhadap variabel variabel terikat terikat..

Dapat Dapat diketahui diketahui nilai nilai koefisien koefisien determinasi determinasi (diketahui (diketahui dari

dari nilai nilai R R Square Square atau atau Adjusted Adjusted R R Square Square jika jika jumlah jumlah variabel

variabel bebas bebas lebih lebih dari dari 2 2 variabel) variabel)..

Nilai Nilai koefisien koefisien determinan determinan menerangkan menerangkan proporsi proporsi dari dari variabel

variabel dependent dependent yang yang bisa bisa dijelaskan dijelaskan oleh oleh variabel variabel-- variabel

variabel independent independent yang yang dimasukkan dimasukkan dalam dalam analisis analisis..

variabel

variabel independent independent yang yang dimasukkan dimasukkan dalam dalam analisis analisis..

Nilai Nilai koefisien koefisien regresi regresi (Coefficients) (Coefficients) atau atau B B menjelaskan

menjelaskan besarnya besarnya pengaruh pengaruh var var.. independent independent terhadap

terhadap var var.. Dependent Dependent

Macam Macam--macam macam regresi regresi yang yang biasa biasa digunakan digunakan::

1. 1. Regresi Regresi linier linier sederhana sederhana dan dan berganda berganda

2. 2. Regresi Regresi linier linier dengan dengan variabel variabel dummy dummy

3. 3. Regresi Regresi logistik logistik

4. 4. Regresi Regresi berganda berganda model model polinomial polinomial

(7)

Regresi Linier:

Syarat

Syarat--syarat yang harus dipenuhi: syarat yang harus dipenuhi:

a.

a. Terdapat hubungan linier antara variabel Terdapat hubungan linier antara variabel

bebas dan terikat, caranya: sebelumnya dicek bebas dan terikat, caranya: sebelumnya dicek dengan uji korelasi parsial

dengan uji korelasi parsial

b.

b. Skala data variabel bebas dan terikat adalah: Skala data variabel bebas dan terikat adalah:

rasio atau interval rasio atau interval rasio atau interval rasio atau interval

c.

c. Tidak terdapat multikolinieritas (korelasi kuat Tidak terdapat multikolinieritas (korelasi kuat antara variabel bebas dan bebas), caranya:

antara variabel bebas dan bebas), caranya:

dicek dari koefiesien korelasi: dicek dari koefiesien korelasi:

klik Analyze > correlate > bivariate klik Analyze > correlate > bivariate

jika nilai r dibawah 0,5 (korelasi lemah) jika nilai r dibawah 0,5 (korelasi lemah) berarti tidak ada problem multiko

berarti tidak ada problem multiko

dari nilai VIF (Variance Inflation Factor) dari nilai VIF (Variance Inflation Factor) dan Tolerance

dan Tolerance

(8)

Syarat ……….

Cara mengetahui dari nilai VIF (Variance Inflation Factor) Cara mengetahui dari nilai VIF (Variance Inflation Factor)

dan Tolerance: klik Analyze > regression > linier , setelah dan Tolerance: klik Analyze > regression > linier , setelah dimasukkan variabel independent dan dependent maka:

dimasukkan variabel independent dan dependent maka:

tekan tombol statistics tekan tombol statistics

nonaktifkan pilihan estimates dan model fit nonaktifkan pilihan estimates dan model fit

aktifkan pilihan Covariance matrix dan Collinierity diagnotics aktifkan pilihan Covariance matrix dan Collinierity diagnotics

Suatu model dikatakan bebas multiko, jika: Suatu model dikatakan bebas multiko, jika:

Nilai VIF di sekitar angka 1 Nilai VIF di sekitar angka 1

Angka tolerance mendekati 1 Angka tolerance mendekati 1 d.

d. Error/galad berdistribusi normal, cara mengetahui: Error/galad berdistribusi normal, cara mengetahui:

klik Analyze > regression > linier klik Analyze > regression > linier

setelah dimasukkan variabel independent dan dependent setelah dimasukkan variabel independent dan dependent kemudian:

kemudian:

tekan plots tekan plots

aktifkan kotak pilihan normal probability plot aktifkan kotak pilihan normal probability plot

abaikan yang lain dan klik continue abaikan yang lain dan klik continue

Jika data menyebar disekitar garis diagonal dan mengikuti arah Jika data menyebar disekitar garis diagonal dan mengikuti arah diagonal maka model regresi memenuhi asumsi normalitas.

diagonal maka model regresi memenuhi asumsi normalitas.

(9)

Syarat……..

e.

e. Tidak terdapat otokorelasi (data satu dengan yang lain Tidak terdapat otokorelasi (data satu dengan yang lain bebas), cara mendeteksi:

bebas), cara mendeteksi:

klik Analyze > regression > linier klik Analyze > regression > linier

setelah dimasukkan variabel independent dan dependent maka: setelah dimasukkan variabel independent dan dependent maka:

tekan tombol statistics tekan tombol statistics

aktifkan pilihan Durbin aktifkan pilihan Durbin--Watson pada bagian residuals Watson pada bagian residuals

abaikan tombol yang lain, continue abaikan tombol yang lain, continue

Ketentuan yang dipakai:

angka D angka D--W di bawah W di bawah – –2 berarti ada autokorelasi positif 2 berarti ada autokorelasi positif

angka D angka D--W di antara W di antara – –2 dan +2 berarti tidak ada autokorelasi 2 dan +2 berarti tidak ada autokorelasi

angka D angka D--W di atas 2 berarti ada autokorelasi negatif W di atas 2 berarti ada autokorelasi negatif

Cara mengatasi: dengan transformasi data atau menambah Cara mengatasi: dengan transformasi data atau menambah data observasi

data observasi

(10)

Cara Analisis Regresi Linier Cara Analisis Regresi Linier

1. 1. Regresi linier sederhana: Regresi linier sederhana:

Regresi linier sederhana: jika hanya ada satu variabel Regresi linier sederhana: jika hanya ada satu variabel bebas dengan data pengukuran variabel bebas dan bebas dengan data pengukuran variabel bebas dan terikat adalah: rasio atau interval (buka: file

terikat adalah: rasio atau interval (buka: file regresi regresi) )

Caranya: Caranya:

klik Analyze > regression > linier klik Analyze > regression > linier

setelah itu dipilih variabel independent dan dependent setelah itu dipilih variabel independent dan dependent

(11)

Output:

Model regresi bagus Koefisien determinasi

Hanya 60,8 % variablititas var. produktivitas yang bisa diterangkan oleh var.LILA

Var.LILA berpengaruh sig Terhdp var. produktivitas

(p <0,05)

Model persamaan regresi : Produktivitas = 4,768 LILA + 21,517

(12)

2. 2. Regresi linier berganda Regresi linier berganda: :

jika ada lebih dari satu variabel bebas dengan data jika ada lebih dari satu variabel bebas dengan data pengukuran variabel bebas dan terikat adalah: rasio pengukuran variabel bebas dan terikat adalah: rasio atau interval (buka: file

atau interval (buka: file regresi1 regresi1) )

Caranya: klik Analyze > regression > linier , setelah Caranya: klik Analyze > regression > linier , setelah itu dipilih variabel independent dan dependent,

itu dipilih variabel independent dan dependent, method pilih salah satu: enter, forward, backward method pilih salah satu: enter, forward, backward atau stepwise

atau stepwise

(13)

Pilihan metode:

Enter Enter:: semua semua variabel variabel dimasukkan dimasukkan dalam dalam model model regresi, regresi, tidak

tidak ada ada yang yang dikeluarkan dikeluarkan..

Backward Backward:: semua semua variabel variabel dimasukkan dimasukkan dalam dalam model model regresi

regresi kemudian kemudian dianalisis dianalisis dan dan variabel variabel yang yang tidak tidak layak layak masuk

masuk dalam dalam model model regresi regresi dikeluarkan dikeluarkan satu satu per per satu satu

Forward Forward:: variabel variabel bebas bebas dimasukkan dimasukkan tidak tidak sekaligus, sekaligus, namun

namun dimasukkan dimasukkan satu satu per per satu satu dalam dalam model model regresi regresi namun

namun dimasukkan dimasukkan satu satu per per satu satu dalam dalam model model regresi regresi dimulai

dimulai dari dari variabel variabel yang yang memiliki memiliki korelasi korelasi paling paling kuat kuat dengan

dengan variabel variabel dependen dependen

Stepwise Stepwise:: variabel variabel bebas bebas dimasukkan dimasukkan satu satu per per satu satu ke ke dalam

dalam model model regresi regresi dimulai dimulai dari dari variabel variabel dengan dengan korelasi

korelasi paling paling kuat kuat terhadap terhadap variabel variabel dependen, dependen, dan dan setiap

setiap kali kali terjadi terjadi pemasukkan pemasukkan variabel variabel bebas bebas maka maka dilakukan

dilakukan pengujian pengujian variabel variabel yang yang telah telah masuk masuk untuk untuk tetap

tetap masuk masuk atau atau keluar keluar kembali kembali dari dari model model regresi regresi..

(14)

Output:

nilai koefisien determinasi dipakai Adjusted R Square krn lebih dari 2 var. Bebas (dipakai R-Square jk var < 2) jenis metoda yang dipilih

71,6 % variabilitas variabel produktivitas ditentukan oleh 4 var. independen yg dipilih

menunjukkan model regresi

yang dipilih bagus

(15)

ke-3 var bebas ini berpengaruh signifikan terhdp var. produktivitas (p <0,05)

Model persamaan regresi :

Produktivitas = 10,913 LILA + 4,966 Kadar Hb -13,275 pendidikan – 13,988 jumlah anak + 100,123 Produktivitas = 10,913 LILA + 4,966 Kadar Hb -13,275 pendidikan – 13,988 jumlah anak + 100,123

(16)

Regresi Linier dgn Variabel Dummy Regresi Linier dgn Variabel Dummy

Variabel terikat adalah: rasio atau interval. Variabel terikat adalah: rasio atau interval.

Terdapat variabel bebas berskala nominal, Terdapat variabel bebas berskala nominal, sehingga variabel tsb disebut var.dummy sehingga variabel tsb disebut var.dummy

Data entry var. dummy dikode 0 dan 1 Data entry var. dummy dikode 0 dan 1

Caranya: Caranya:

1. Regresi Berganda dengan Var. Dummy 2 1. Regresi Berganda dengan Var. Dummy 2

katagori katagori

buka file buka file regresi_dummy regresi_dummy

klik Analyze > regression > linier, klik Analyze > regression > linier,

setelah itu dipilih variabel independent dan setelah itu dipilih variabel independent dan dependent,

dependent,

method pilih salah satu metoda, misal: enter method pilih salah satu metoda, misal: enter

(17)

Output:

Contoh 1:

Var. Dependent:

- Produktivitas (kg teh/minggu) Var. Independent:

- Gender (0=P & 1=L)

Model persamaan regresi :

Produktivitas = 25,464 gender+ 188,286

Artinya:

Produktivitas responden Laki-laki lebih tinggi 25,464 kg/minggu dibanding perempuan

(18)

Output:

Contoh 2:

Var. Dependent:

- Produktivitas (kg teh/minggu) Var. Independent:

-Gender (0=P & 1=L)

-Status Suplementasi Fe (0=tdk & 1=ya) -Usia (tahun)

Model persamaan regresi :

Produktivitas = 30,016 gender+ 28,629 st suplemen + 1,396 usia + 128,859

(19)

Cara Membaca Model persamaan:

Produktivitas = 30,016 gender+ 28,629 st suplemen + 1,396 usia + 128,859 Taksiran:

Model regresi bagi kode 0 dan 0 yang berarti responden perempuan dan tidak memperoleh suplementasi Fe:

Produktivitas = 30,016 (0) + 28,629 (0) + 1,396 usia + 128,859

= 128,859 + 1,396 usia

Model regresi bagi kode 1 dan 1 yang berarti responden laki-laki dan memperoleh suplementasi Fe:

memperoleh suplementasi Fe:

Produktivitas = 30,016 (1) + 28,629 (1) + 1,396 usia + 128,859

= 187,504 + 1,396 usia

Model regresi bagi kode 1 dan 0 yang berarti responden laki-laki dan tidak memperoleh suplementasi Fe:

Produktivitas = 30,016 (1) + 28,629 (0) + 1,396 usia + 128,859

= 158,875 + 1,396 usia

Model regresi bagi kode 0 dan 1 yang berarti responden perempuan dan memperoleh suplementasi Fe:

Produktivitas = 30,016 (0) + 28,629 (1) + 1,396 usia + 128,859

= 158,884 + 1,396 usia

(20)

2. Regresi Berganda dengan Var. Dummy lebih 2. Regresi Berganda dengan Var. Dummy lebih

dari 2 katagori dari 2 katagori

buka file buka file regresi_dummy1 regresi_dummy1

klik Analyze > regression > linier, klik Analyze > regression > linier,

setelah itu dipilih variabel dependent (produktivitas) setelah itu dipilih variabel dependent (produktivitas) dan independent (hb, masa_krj, indeks1, indeks2, dan independent (hb, masa_krj, indeks1, indeks2, indeks3)

indeks3)

method pilih salah satu metoda, misal : enter method pilih salah satu metoda, misal : enter

(21)

Output:

Hubungan antara var

independen dan dependen sangat kuat (r > 0,5) dan R Square Adjusted = 91,4 %

Model bagus, dari hasil Anova (p < 0,5)

Persamaan regresi:

Produktivitas = 8,304 Hb +

50,743 masa kerja + 92,754

indeks1+116,033 indeks2 +

102,187 indeks3 - 24,655

(22)

Cara Membaca Model persamaan:

Produktivitas = 8,304 kadar Hb + 50,743 masa kerja + 92,754 indeks1+116,033 indeks2 + 102,187 indeks3 - 24,655

Penafsiran:

Koefisien 8,304 kadar Hb artinya setiap penambahan 1 mg/dL Hb maka produktivitas akan meningkat 8,304 kg

Koefisien 50,743 masa kerja artinya setiap penambahan 1 tahun masa kerja maka produktivitas akan meningkat 50,743 kg

Koefisien 92,754 indeks1 artinya secara rata-rata responden dengan pendidikan SD mempunyai produktivitas 92,754 kg lebih banyak dibanding responden tidak sekolah

Koefisien 116,033 indeks2 artinya secara rata-rata responden dengan pendidikan Smp mempunyai produktivitas 116,033 kg lebih banyak dibanding responden tidak sekolah

Koefisien 92,754 indeks3 artinya secara rata-rata responden dengan

pendidikan SMA mempunyai produktivitas 102,187 kg lebih banyak

dibanding responden tidak sekolah

(23)

Regresi berganda model Regresi berganda model

Polinomial Polinomial

membentuk persamaan regresi tidak membentuk persamaan regresi tidak berdasarkan garis lurus tetapi non

berdasarkan garis lurus tetapi non--linier (kurva) linier (kurva)

Caranya: Caranya:

Buka file Buka file regresi_kurva regresi_kurva

klik Analyze > regression > curve estimation klik Analyze > regression > curve estimation

Kemudian dipilih variabel independent (var. roti) dan Kemudian dipilih variabel independent (var. roti) dan dependent (var.biaya)

dependent (var.biaya)

Untuk method pilih salah satu: misalnya cubic (model Untuk method pilih salah satu: misalnya cubic (model ini dapat membentuk model sampai dengan pangkat ini dapat membentuk model sampai dengan pangkat tiga)

tiga)

(24)

Output

Angka Rsq atau koefisien determinasi sebesar 0,997 artinya sekitar 99,7% variasi biaya bisa dijelaskan oleh variasi roti yang diproduksi Uji ANOVA (F) didapat tingkat signifikansi 0,000 atau p<0,05 artinya model dapat dipakai

Persamaan regresi:

Grafik menunjukkan bentuk garis yang non linier

Biaya=131,00 + 68,4308 roti – 13,945 roti

²

+ 1,0033 roti

³

Biaya dapat diprediksi

berdasarkan jumlah roti yang

akan diproduksi

(25)

Cara memilih method yang tepat pada Regresi Cara memilih method yang tepat pada Regresi

berganda model Polinomial berganda model Polinomial

Buka file Buka file regresi_kurva regresi_kurva

klik Analyze > regression > curve estimation klik Analyze > regression > curve estimation

Kemudian dipilih variabel independent (var. roti) dan Kemudian dipilih variabel independent (var. roti) dan dependent (var.biaya)

dependent (var.biaya)

Untuk method pilih (v) pada semua metoda yang Untuk method pilih (v) pada semua metoda yang

Untuk method pilih (v) pada semua metoda yang Untuk method pilih (v) pada semua metoda yang tersedia dan tekan OK

tersedia dan tekan OK

Evaluasi Output: metode yang baik adalah yang memiliki Evaluasi Output: metode yang baik adalah yang memiliki nilai signifikansi dan Rsq atau koefisien determinasi

nilai signifikansi dan Rsq atau koefisien determinasi terbesar

terbesar

(26)

Output:

nilai signifikansi dan Rsq atau koefisien

determinasi

terbesar

(27)

Regresi logistik:

Jika variabel terikat berskala nominal Jika variabel terikat berskala nominal

Terdapat 2 jenis : Terdapat 2 jenis : 1.

1. Regresi logistik sederhana: Regresi logistik sederhana:

jika hanya ada satu variabel bebas dengan skala jika hanya ada satu variabel bebas dengan skala jika hanya ada satu variabel bebas dengan skala jika hanya ada satu variabel bebas dengan skala data rasio/interval atau nominal (dummy), sedang data rasio/interval atau nominal (dummy), sedang skala data variabel terikat adalah: nominal

skala data variabel terikat adalah: nominal 2.

2. Regresi logistik berganda: Regresi logistik berganda:

jika hanya dua atau lebih variabel bebas dengan

skala data rasio/interval atau nominal (dummy),

sedang skala data variabel terikat adalah: nominal

(28)

Model Matematis Regresi Logistik Model Matematis Regresi Logistik

Rumus:

1 1 f (Z) =

f (Z) = --- --- --z z

1 + e 1 + e 1 + e 1 + e

Regresi Logistik Sederhana

Regresi Logistik Sederhana Z = Z = b b0 + 0 + b b1 X1 1 X1 Regresi Logistik Ganda

Regresi Logistik Ganda Z = Z = b b0 + 0 + b b1 X1 + 1 X1 + b b2 X2 + … + 2 X2 + … + b bp Xp p Xp

Dimana:

X = paparan, faktor resiko, variabel bebas X = paparan, faktor resiko, variabel bebas

f (z ) = f (z ) = probabilitas resiko terjadinya outcome yang diamati probabilitas resiko terjadinya outcome yang diamati

Berapapun nilai z Berapapun nilai z f ( Z ) = berharga antara 0 dan 1 f ( Z ) = berharga antara 0 dan 1

(29)

Regresi Logistik Model Prediktif:

untuk memperoleh model atau kumpulan variabel bebas untuk memperoleh model atau kumpulan variabel bebas yg dianggap terbaik untuk memprediksi kejadian variabel yg dianggap terbaik untuk memprediksi kejadian variabel dependen (outcome ).

dependen (outcome ).

difokuskan pada pertimbangan nilai statistik biasanya difokuskan pada pertimbangan nilai statistik biasanya dengan metode stepwise dan nilai koefisien regresi b dengan metode stepwise dan nilai koefisien regresi b harus significant (melalui Uji Wald, p < 0,05).

harus significant (melalui Uji Wald, p < 0,05).

Regresi Model Faktor:

Difokuskan pada Exp ( b ), meskipun uji Wald tidak Difokuskan pada Exp ( b ), meskipun uji Wald tidak bermakna dapat dimasukkan dalam pemodelan.

bermakna dapat dimasukkan dalam pemodelan.

Dapat menghitung Besar Resiko OR/RR (dengan syarat Dapat menghitung Besar Resiko OR/RR (dengan syarat skala data variabel bebas nominal):

skala data variabel bebas nominal):

bi bi OR

OR // RR = Exp (bi) = e RR = Exp (bi) = e

(30)

Caranya analysis: Caranya analysis:

Buka file: Buka file: regresi_binary regresi_binary

klik Analyze > regression > binary logistic klik Analyze > regression > binary logistic

Masukkan variabel independent dan Masukkan variabel independent dan dependent

dependent

method pilih salah satu: method pilih salah satu:

(1) Regresi Logistik Model Prediktif: pilih

(1) Regresi Logistik Model Prediktif: pilih Stepwise Stepwise

(2) Regresi Logistik Model Faktor : pilih

(2) Regresi Logistik Model Faktor : pilih Enter Enter

OK OK

(31)

(1)

Output:

(32)

(2)

Output:

Sig p > 0,05,

tidak beda, shg model baik

Setiap kenaikan LILA cm maka proporsi BBLR

turun 18,4 %

Signifikan (p<0,05)

Jika var LILA dikotomi = OR

(33)

Cara penafsiran:

Menggunakan pendekatan probabilitas: Menggunakan pendekatan probabilitas:

Angka negatif dianggap probabilitas 0 Angka negatif dianggap probabilitas 0

Angka positif lebih dari satu dianggap probabilitas 1 Angka positif lebih dari satu dianggap probabilitas 1

Angka positif antara 0 sampai 1 maka probabilitas sesuai Angka positif antara 0 sampai 1 maka probabilitas sesuai dengan angka yang tertera.

dengan angka yang tertera.

(34)

Catatan Catatan : : Pemilihan

Pemilihan variabel variabel yang yang boleh boleh masuk masuk dalam dalam Uji Uji Log

Log--reg reg

Dilakukan Dilakukan analisis analisis hub hub antara antara var var bebas bebas dan dan terikat

terikat

Uji Uji hubungan hubungan ((tabulasi tabulasi silang silang//Uji Uji Chi Chi--Square ) Square ) ---

--- batas batas sig p sig p < < 0,05 0,05 ---

--- batas batas sig p sig p < < 0,05 0,05

Uji Uji pengaruh pengaruh Bivariat Bivariat --- --- batas batas sig p sig p < < 0,25 0,25

Uji Uji pengaruh pengaruh multivariat multivariat --- --- batas batas sig p sig p < < 0,05 0,05