Bismillahirrahmanirrahim
MODUL CRP LABKOM UAS GUS
2012
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
measure (nominal, ordinal) input data
TRANSFORM DATA
Perlakuan dimana kita mengubah data numerik (interval, rasio) menjadi kategorik (nominal, ordinal) supaya bisa dilakuin uji selanjutnya.
Setelah dapat mediannya, disini contohnya 121.. Diingat, ini nanti yang jadi patokan buat recoding..
Masukkan variabel yang mau di transform Dan ubah name, dan labelnya
Klik add
Klik continue > OK
Ubah label
Klik OK
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..
KOEFISIEN KORELASI
Semakin mendekati angka 0, maka korelasi semakin lemah
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
H1 = data tidak berdistribusi normal
H0 = tidak ada hubungan antara x dengan y
H1 = ada hubungan antara x dengan y P > 0,05 = Menerima Ho
UJI NORMALITAS
Contoh sample yang kita ambil: age & bwtDosen tercinta Sopiyudin
Shappiro-wilk Jumlah sampel <30 Jumlah sampel <50 Kolmogorov
smirnov
Jumlah sampel >30 Jumlah sampel >50
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 diterimadata berdistribusi normal
Nah, kan udah tau niih kalo datanya berdistribusi normal, so..lanjut pake uji pearson! (Kalo gak berdistribusi normal, lanjut pake uji spearman yak)
“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
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
Uji normalitas
Data berdistribusi
normal
Data tidak berdistribusi
normal
analyze> correlate > bivariate input age dan bwtnya
klik pearson > ok
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 dengan y
Langsung interpretasikan di kesimpulan
H0 ditolak = ada hubungan x dengan y Cari tau hubungannya x sama y nya positif/negative?
Cari tau kekuatan korelasinya kuat/lemah?
Kekuatan
< 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..
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 numeric (interval/rasio)
Data variabel x dan y skala ukur ordinal 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
Uji normalitas
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 dengan y
Langsung interpretasikan di kesimpulan
H0 ditolak = ada hubungan x dengan y Cari tau hubungannya x sama y nya positif/negative?
Cari tau kekuatan korelasinya kuat/lemah?
Kekuatan
< 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..
REGRESI
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,
Regresi linier, tapi var x nya harus dikategoriin dulu
Regresi logistic, tapi var y harus dikategoriin dulu
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.
Klik statistic
Centang convidence interval continue OK
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%.
Kekuatan
< 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.
“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
REGRESI LOGISTIK
ASUMSI UJI REGRESI LogistikTengok variable Y nya, kalo
X Y Ujinya pake
Numerik/kategor ik
Nominal Regresi 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
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
Klik option
Centang CI for exp (B) angka 95 tidak perlu diubah
Klik continue OK
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
B S.E. Wald df Sig. Exp(B)
95% C.I.for EXP(B)
Lower Upper
Step 1a 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.
Karena output di atas ngasitauin ada pengaruh, jadi selanjutnya kita tengok Exp (B). Exponent B = Odds Ratio/Faktor risiko
- Jika < 1 Berisiko lebih rendah
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..
RINGKASAN UJI YANG DIPAKAI DENGAN SKALA UKURNYA
UJI X Y
REGRESI LINIER numerik, berdistribusi
Regresi linier, tapi var x nya harus dikategoriin dulu
Regresi logistik, tapi var y harus dikategoriin dulu
REGRESI LOGISTIK Numeric, kategorik
Nanti y nya ditransform dulu, baru lakuin uji regresi logistiknya KORELASI PEARSON Numeric,
distribusi normal
Numeric, distribusi normal KORELASI SPEARMAN Ordinal Ordinal
Ordinal Nominal,
interval, rasio Nominal,
interval, rasio