REVISI FIX UAS CRP LABKOM

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 & bwt

Dosen 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 diterimadata 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 Logistik

Tengok 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