Uji Asosiasi (Hubungan)

(1)

Uji

Asosiasi

_Asosiasi

(

Hubungan

)

Program S2

Program S2 GiziGizi PaccasarjanaPaccasarjana UNDIP UNDIP Semarang Semarang 20092009 Contact : 08122815730 E-mail : suyatno_undip@yahoo.com Blog : suyatno.blog.undip.ac.id

Suyatno

(2)

Jenis

Uji

_Uji

Asosiasi

_Asosiasi

1.

1. Korelasi

Korelasi

(

hubungan

):

SemuaSemua data nominal data nominal : : KoefisienKoefisien KontingensiKontingensi

SemuaSemua data ordinaldata ordinal : Rank Spearman, Kendall : Rank Spearman, Kendall TauTau

SemuaSemua data data rasiorasio/interval: /interval: KorelasiKorelasi PearsonPearson

2.

2. Regresi

Regresi

(

pengaruh

):

SkalaSkala variabelvariabel dependendependen interval/interval/rasiorasio: :

RegresiRegresi Linier sederhanaLinier sederhana

RegresiRegresi Linier Linier bergandaberganda

RegresiRegresi Linier Dummy (duaLinier Dummy (dua kriteriakriteria dandan lebihlebih daridari 2 kriteria2 kriteria))

RegresiRegresi PolinomialPolinomial (kurva(kurva))

SkalaSkala variabelvariabel dependendependen nominal:nominal:

(3)

1.

1. Korelasi

Korelasi

(

hubungan

)

SemuaSemua data nominal: data nominal: KoefisienKoefisien KontingensiKontingensi

SemuaSemua data ordinal : Rank Spearman, Kendall data ordinal : Rank Spearman, Kendall TauTau

SemuaSemua data data rasiorasio/interval: /interval: KorelasiKorelasi PearsonPearson

Cara Cara analisisanalisis::

BukaBuka filefile (Klik(Klik file latihanfile latihan SPSSSPSS))

klikklik Analyze > correlate > Analyze > correlate > bivariatebivariate

MasukkanMasukkan variabelvariabel--variabelvariabel yang yang inginingin

dikorelasikan

Correlation Coefficients: Correlation Coefficients: diisidiisi jenisjenis ujiuji yang yang sesuaisesuai

skala

skala dandan normalitasnormalitas data (Pearson, Kendalldata (Pearson, Kendall’’s s tautau- -b

b atauatau Spearman)Spearman)

Test of Test of SignificansSignificans: : diisidiisi araharah ujiuji (Two(Two--tailed tailed atauatau

one

(4)

Output:

Korelasi Korelasi Korelasi

Korelasi Pearson:Pearson:Pearson: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 Korelasi Korelasi

Korelasi Spearmen & KendallSpearmen & KendallSpearmen & KendallSpearmen & Kendall’’’’ssss----tautautautau::::

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.

2. Regresi

_Regresi

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

terhadap variabel terikat.

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

dari nilai R Square atau Adjusted R Square jika jumlah

variabel bebas lebih dari 2 variabel).

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

variabel dependent yang bisa dijelaskan oleh variabel

variabel dependent yang bisa dijelaskan oleh variabel- -variabel independent yang dimasukkan dalam analisis.

variabel independent yang dimasukkan dalam analisis.

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

menjelaskan

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

terhadap var. Dependent

MacamMacam--macam regresi yang biasa digunakan:macam regresi yang biasa digunakan:

1.

1. RegresiRegresi linier linier sederhanasederhana dandan bergandaberganda

2.

2. RegresiRegresi linier linier dengandengan variabelvariabel dummydummy

3.

3. RegresiRegresi logistiklogistik

4.

(7)

Prinsip Uji Linieritas

Prinsipnya adalah melihat apakah penyimpangan

(8)

Regresi

Linier:

_Linier:

Syarat

-

syarat

yang

harus

dipenuhi

:

a.

Terdapat

hubungan

linier

antara

variabel

bebas

dan

terikat

,

caranya

:

sebelumnya

dicek

dengan

uji

korelasi

parsial

b.

Skala

data

variabel

bebas

dan

terikat

adalah

:

rasio

atau

interval

c.

Tidak

terdapat

multikolinieritas

(

korelasi

kuat

antara

variabel

bebas

dan

bebas

),

caranya

:

dicek

dari

koefiesien

korelasi

:

klik

Analyze > correlate >

bivariate

jika

nilai

r

dibawah

0,5 (

korelasi

lemah

)

berarti

tidak

ada

problem

multiko

dari

nilai

VIF (Variance Inflation Factor)

dan

(9)

Syarat

………

.

Cara

Cara mengetahuimengetahui daridari nilainilai VIF (Variance Inflation Factor) VIF (Variance Inflation Factor) dan

dan Tolerance: Tolerance: klikklik Analyze > regression > linier , Analyze > regression > linier , setelahsetelah dimasukkan

dimasukkan variabelvariabel independent independent dandan dependent dependent makamaka: :

tekantekan tomboltombol statisticsstatistics

nonaktifkannonaktifkan pilihanpilihan estimates danestimates dan model fitmodel fit

aktifkanaktifkan pilihanpilihan Covariance matrix danCovariance matrix dan CollinierityCollinierity diagnoticsdiagnotics

asumsiasumsi multikolinearitasmultikolinearitas terpenuhiterpenuhi jikajika nilainilai VIF diVIF di bawahbawah 10. 10.

Karena

Karena VIF = 1/Toleranceas makaVIF = 1/Toleranceas maka multikolineritasmultikolineritas jugajuga dapatdapat ditentukan

ditentukan dengandengan Tolerance diTolerance di bawahbawah 0,1. 0,1.

Paling Paling baikbaik : : jikajika NilaiNilai VIF VIF didi sekitarsekitar angkaangka 1 1 dandan

Angka

Angka tolerance tolerance mendekatimendekati 11

d.

d. Error/Error/galadgalad berdistribusiberdistribusi normal, normal, caracara mengetahuimengetahui::

klikklik Analyze > regression > linierAnalyze > regression > linier

setelahsetelah dimasukkandimasukkan variabelvariabel independent danindependent dan dependent dependent

kemudian kemudian: :

tekantekan plotsplots

aktifkanaktifkan kotakkotak pilihanpilihan normal probability plotnormal probability plot

abaikanabaikan yang lain danyang lain dan klikklik continuecontinue

JikaJika data menyebardata menyebar disekitardisekitar garisgaris diagonal dandiagonal dan mengikutimengikuti araharah

diagonal

(10)

Syarat

……

..

e.

e. TidakTidak terdapatterdapat autokorelasiautokorelasi (data (data satusatu dengandengan yang lain yang lain

bebas

bebas), ), caracara mendeteksimendeteksi::

klikklik Analyze > regression > linierAnalyze > regression > linier

setelahsetelah dimasukkandimasukkan variabelvariabel independent danindependent dan dependent makadependent maka: :

tekantekan tomboltombol statisticsstatistics

aktifkanaktifkan pilihanpilihan Durbin-Durbin-Watson padaWatson pada bagianbagian residualsresiduals

abaikanabaikan tomboltombol yang lain, continue yang lain, continue

Ketentuan

Ketentuan yang yang dipakaidipakai::

angkaangka DD--W W didi bawahbawah ––2 2 berartiberarti adaada autokorelasiautokorelasi positifpositif

angkaangka D-D-W W didi antaraantara –2 –2 dandan +2 berarti+2 berarti tidaktidak adaada autokorelasiautokorelasi

angkaangka DD--W W didi atasatas 2 2 berartiberarti adaada autokorelasiautokorelasi negatifnegatif

Cara mengatasiCara mengatasi: : dengandengan transformasitransformasi data ataudata atau menambahmenambah

data

(11)

Note:

Autokorelasi adalah kondisi dimana terdapat korelasi atau hubungan antar pengamatan (observasi), baik itu dalam bentuk observasi deret waktu (time series) atau observasi cross-section

Contohnya:

untuk data deret waktu: kita ingin membentuk regresi antara

tingkat bunga dan investasi. Data yang digunakan adalah data kuartalan. Maka, kita berasumsi bahwa tingkat bunga pada

suatu kuartal (misalnya kuartal I) hanya akan mempengaruhi investasi pada kuartal I tersebut, dan tidak mempengaruhi investasi kuartal berikutnya.

untuk data cross-section: kita ingin meregresikan antara

pendapatan dan konsumsi. Data yang digunakan misalnya adalah data pendapatan dan konsumsi keluarga pada suatu periode waktu. Maka yang kita harapkan adalah konsumsi

keluarga A hanyalah dipengaruhi oleh pendapatan keluarga A tersebut, tidak oleh pendapatan keluarga B. Jadi, jika terjadi

peningkatan pendapatan keluarga B, maka tidak mempengaruhi konsumsi keluarga A.

(12)

Cara

Analisis

Regresi

Linier

1.

1. Regresi

Regresi

linier

sederhana

:

RegresiRegresi linier linier sederhanasederhana: : jikajika hanyahanya adaada satusatu variabelvariabel

bebas

bebas dengandengan data data pengukuranpengukuran variabelvariabel bebasbebas dandan terikat

terikat adalahadalah: : rasiorasio atauatau interval (interval (bukabuka: file regresi: file regresi) )

CaranyaCaranya: :

klikklik Analyze > regression > linier Analyze > regression > linier

(13)

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)

(14)

2.

2. Regresi

Regresi

linier

berganda

:

jikajika adaada lebihlebih daridari satusatu variabelvariabel bebasbebas dengandengan data data

pengukuran

pengukuran variabelvariabel bebasbebas dandan terikatterikat adalahadalah: : rasiorasio atau

atau interval (interval (bukabuka: file regresi1: file regresi1) )

CaranyaCaranya: : klikklik Analyze > regression > linier , Analyze > regression > linier , setelahsetelah

itu

itu dipilihdipilih variabelvariabel independent independent dandan dependent, dependent, method

method pilihpilih salahsalah satusatu: enter, forward, backward : enter, forward, backward atau

(15)

Pilihan

metode

_metode

:

_:

Enter: Enter: semuasemua variabelvariabel dimasukkandimasukkan dalamdalam model model regresiregresi, ,

tidak

tidak adaada yang yang dikeluarkandikeluarkan..

Backward: Backward: semuasemua variabelvariabel dimasukkandimasukkan dalamdalam model model

regresi

regresi kemudiankemudian dianalisisdianalisis dandan variabelvariabel yang yang tidaktidak layaklayak masuk

masuk dalamdalam model model regresiregresi dikeluarkandikeluarkan satusatu per per satusatu

Forward: Forward: variabelvariabel bebasbebas dimasukkandimasukkan tidaktidak sekaligussekaligus, ,

namun

namun dimasukkandimasukkan satusatu per per satusatu dalamdalam model model regresiregresi dimulai

dimulai daridari variabelvariabel yang yang memilikimemiliki korelasikorelasi paling paling kuatkuat dengan

dengan variabelvariabel dependendependen

Stepwise: Stepwise: variabelvariabel bebasbebas dimasukkandimasukkan satusatu per per satusatu keke

dalam

dalam model model regresiregresi dimulaidimulai daridari variabelvariabel dengandengan korelasi

korelasi paling paling kuatkuat terhadapterhadap variabelvariabel dependendependen, , dandan setiap

setiap kali kali terjaditerjadi pemasukkanpemasukkan variabelvariabel bebasbebas makamaka dilakukan

dilakukan pengujianpengujian variabelvariabel yang yang telahtelah masukmasuk untukuntuk tetap

(16)

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

(17)

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

Model persamaan regresi :

(18)

Regresi

Linier

dgn

Variabel

Dummy

Variabel

terikat

adalah

:

rasio

atau

interval.

Terdapat

variabel

bebas

berskala

nominal,

sehingga

variabel

tsb

disebut

var.dummy

Data entry var. dummy

dikode

0

0 dan

dan

1

1 Caranya

Caranya

:

1.

1. Regresi

Regresi

Berganda

dengan

Var. Dummy 2

katagori

bukabuka file regresi_dummyfile regresi_dummy

klikklik Analyze > regression > linier,Analyze > regression > linier,

setelahsetelah ituitu dipilihdipilih variabelvariabel independent independent dandan

dependent,

(19)

Output:

Produktivitas = 25,464 gender+ 188,286

Artinya:

Produktivitas responden Laki-laki lebih tinggi 25,464 kg/minggu dibanding perempuan Contoh 1: Var. Dependent: - Produktivitas (kg teh/minggu) Var. Independent: - Gender (0=P & 1=L)

(20)

Output:

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

Contoh 2:

Var. Dependent:

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

-Gender (0=P & 1=L)

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

(21)

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:

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

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

(22)

2.

2. Regresi

Regresi

Berganda

dengan

Var. Dummy

lebih

dari

2

2 katagori

katagori

bukabuka file regresi_dummy1file regresi_dummy1

klikklik Analyze > regression > linier,Analyze > regression > linier,

setelahsetelah ituitu dipilihdipilih variabelvariabel dependent (dependent (produktivitasproduktivitas) )

dan

dan independent (independent (hbhb, , masa_krjmasa_krj, indeks1, indeks2, , indeks1, indeks2, indeks3)

indeks3)

(23)

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

(24)

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

(25)

Regresi

berganda

model

Polinomial

membentuk

persamaan

regresi

tidak

berdasarkan

garis

lurus

tetapi

non

-

linier (

kurva

)

Model

persamaan

regresi

non

-

linier

ada

bermacam

bentuk

:

Quadratic Quadratic Cubic Cubic Logistic Logistic LogarithmicLogarithmic Inverse Inverse dlldll

(26)

(27)

Cara

memilih

method yang

tepat

pada

Regresi

berganda

model

Polinomial

BukaBuka file regresi_kurvafile regresi_kurva

klikklik Analyze > regression > curve estimation Analyze > regression > curve estimation

KemudianKemudian dipilihdipilih variabelvariabel independent (var. independent (var. rotiroti) ) dandan

dependent (

dependent (var.biayavar.biaya) )

UntukUntuk models (method) models (method) pilihpilih (v) (v) padapada semuasemua metodametoda

yang

yang tersediatersedia dandan tekantekan OKOK

EvaluasiEvaluasi Output: Output: metodemetode yang yang baikbaik adalahadalah yang yang memilikimemiliki

nilai

nilai signifikansisignifikansi dandan RsqRsq atauatau koefisienkoefisien determinasideterminasi terbesar

(28)

Output: nilai signifikansi dan Rsq atau koefisien determinasi terbesar

(29)

Contoh

:

Aplikasi

regresi

berganda

model

Polinomial

Bagaimana

pengaruh

jumlah

roti

yang

diproduksi

terhadap

besar

biaya

.

Buka

file regresi_kurva

file

regresi_kurva

klik

Analyze > regression > curve estimation

Kemudian

dipilih

variabel

independent (var.

roti

)

dan

dependent (

var.biaya

)

Untuk

Models (method)

pilih

salah

satu

:

misalnya

cubic (model

ini

dapat

membentuk

model

(30)

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

Grafik menunjukkan bentuk garis yang non linier

Persamaan regresi:

Biaya=131,00 + 68,4308 roti – 13,945 roti2 + 1,0033 roti3 Biaya dapat diprediksi

berdasarkan jumlah roti yang akan diproduksi

(31)

Regresi

logistik

:

Jika

variabel

terikat

berskala

nominal

Terdapat

2

2 jenis

jenis

:

1.

1. Regresi

Regresi

logistik

sederhana

:

jika

jika hanyahanya adaada satusatu variabelvariabel bebasbebas dengandengan skalaskala data

data rasiorasio/interval /interval atauatau nominal (dummy), nominal (dummy), sedangsedang skala

skala data data variabelvariabel terikatterikat adalahadalah: nominal: nominal 2.

2. RegresiRegresi logistiklogistik bergandaberganda:: jika

jika hanyahanya duadua atauatau lebihlebih variabelvariabel bebasbebas dengandengan skala

skala data data rasiorasio/interval /interval atauatau nominal (dummy), nominal (dummy), sedang

(32)

Model

Matematis

Regresi

Logistik

Rumus Rumus:: 1 1 f (Z) = f (Z) = --- --zz 1 + e 1 + e Regresi

Regresi LogistikLogistik SederhanaSederhana Z = Z = bb0 + 0 + bb1 X1 1 X1 Regresi

Regresi LogistikLogistik GandaGanda Z = Z = bb0 + 0 + bb1 X1 + 1 X1 + bb2 X2 + 2 X2 + …… + + bbpp XpXp

Dimana

Dimana::

X = paparanX = paparan, , faktorfaktor resikoresiko, variabel, variabel bebasbebas

f (z ) = f (z ) = probabilitasprobabilitas resikoresiko terjadinyaterjadinya outcome yang diamatioutcome yang diamati

(33)

Regresi

Regresi LogistikLogistik Model Model PrediktifPrediktif::

untukuntuk memperolehmemperoleh model model atauatau kumpulankumpulan variabelvariabel bebasbebas

yg

yg dianggapdianggap terbaikterbaik untukuntuk memprediksimemprediksi kejadiankejadian variabelvariabel dependen

dependen (outcome ).(outcome ).

difokuskandifokuskan padapada pertimbanganpertimbangan nilainilai statistikstatistik biasanyabiasanya

dengan

dengan metodemetode stepwise stepwise dandan nilainilai koefisienkoefisien regresiregresi b b harus

harus significant (significant (melaluimelalui UjiUji WaldWald, p < 0,05)., p < 0,05).

Regresi

Regresi Model Model FaktorFaktor::

DifokuskanDifokuskan padapada Exp ( b ), Exp ( b ), meskipunmeskipun ujiuji WaldWald tidaktidak

bermakna

bermakna dapatdapat dimasukkandimasukkan dalamdalam pemodelanpemodelan..

Dapat menghitung Besar Resiko OR/RR (dengan syarat Dapat menghitung Besar Resiko OR/RR (dengan syarat

skala data variabel bebas nominal):

bi

OR

(34)

Caranya

analysis:

Buka

file: regresi_binary

file:

regresi_binary

klik

Analyze > regression > binary logistic

Masukkan

variabel

independent

dan

dependent

method

pilih

salah

satu

:

(1)

(1) RegresiRegresi LogistikLogistik Model PrediktifModel Prediktif: : pilihpilih StepwiseStepwise (2)

(2) RegresiRegresi LogistikLogistik Model FaktorModel Faktor : pilih: pilih EnterEnter

(35)

(1)

(36)

(2)

Output:

Setiap kenaikan LILA cm maka proporsi BBLR

turun 18,4 %

Signifikan (p<0,05) Sig p > 0,05,

tidak beda, shg model baik

(37)

Cara

penafsiran

:

MenggunakanMenggunakan pendekatanpendekatan probabilitasprobabilitas::

AngkaAngka negatifnegatif dianggapdianggap probabilitasprobabilitas 00

AngkaAngka positifpositif lebihlebih daridari satusatu dianggapdianggap probabilitasprobabilitas 11

AngkaAngka positifpositif antaraantara 0 sampai0 sampai 1 maka1 maka probabilitasprobabilitas sesuaisesuai

dengan

(38)

Note:

Pemilihan

variabel

yang

boleh

masuk

dalam

Uji

Log

-

reg

DilakukanDilakukan analisisanalisis hub hub antaraantara varvar bebasbebas dandan terikatterikat

UjiUji hubunganhubungan ((tabulasitabulasi silang/Ujisilang/Uji ChiChi--Square ) Square ) ---

---batas

batas sigsig p p << 0,050,05

UjiUji pengaruhpengaruh BivariatBivariat --- batasbatas sigsig p p << 0,250,25