ANALISIS MULTIVARIAT

SUTANTO PRIYO HASTONO

MULTIVARIAT

= Menghubungkan beberapa var independen dng satu var dependen

Kenapa Perlu Multivariat ?

Pada bidang kesmas:
● akibat --- tak mungkin penyebab tunggal
● akibat ---multi faktor
Mis: agent, host & lingk
Kompleknya faktor analis multivariat

Kegunaan:
1.Mengetahui pengaruh murni/efek bersih masing-masing variabel
2.Mengetahui Faktor yang paling dominan

Untuk mengetahui pengaruh murni/efek bersih :

a. Rancangan Eksperimen : variabel lain dapat dikontrol
b. Rancangan studi dipilih dng cara Matching
c. Pengontrol pada tahap analisis statistik ---- ANALISIS MULTIVARIAT

Syarat multivariat –>sampel cukup

Satu variabel = 15 responden
Jenis Analisis Multivariat
1. Metode Dependensi
: independen  dependen
: dependen satu variabel
- numerik : regresi linier ganda
- katagorik : regresi Logistik ganda
: dependen beberapa variabel
- numerik : Manova
- ktagorik : Kanonikal

2. Metode Interdependensi
: tidak ada var independen dan dependen ----
pemetaan/pengelompokan variabel
: numerik : cluster, faktor analisis
: katagorik : Multi dimensional scaling, Loglinier
 ANALISIS MULTIVARIAT :

1. Regresi linier Ganda

var dependen = numerik
var independen = numerik dan kategorik

2. Regresi logistik Ganda

var dependen = kategorik
var independen = kategorik dan numerik
REGRESI LOGISTIK

 Regresi Logistik:
Model matematis untuk menganalisis hubungan antara
satu atau beberapa variabel independent yang berjenis
katagorik atau numerik dengan satu variabel dependent
yang berjenis katagorik dichotom (sehat/sakit,
hidup/mati)

 Regresi Logistik:
- Sederhana  hanya satu variabel independen
- Ganda/multiple  lebih dari satu variabel
independen
 REGRESI LOGISTIK

 Persamaan Regresi Logistik:

1 1
P(Y )   (log itY )

1  Exp 1  Exp  ( a  b1 x1 ..... bk xk )

OR  Exp (b )
 Exponensial (b )
e (b )

P = Probabilitas OR = Odds Ratio

REGRESI LOGISTIK GANDA

Fungsi Regresi logistik ganda:

1. Menetapkan model matematik yang paling baik utk
menggambarkan hubungan var. indep dan var dep.
2. Menggambarkan hubungan kuantitatif antara var. indep (x) dng
var dep (y) setlah dikontrol var. lain
3. Mengetahui variabel x mana yang penting/dominan dlm
memprediksi var. dep
4. Mengetahui adanya interaksi pada dua/lebih var. independen thd
variabel dependen
 Jenis Regresi logistik
1, Regresi Logistik Model Prediksi
Model yg terdiri beberapa variabel independen yg dianggap terbaik untuk
memprediksi kejadian variabel dependen

X1
y
X2
X3

Mis judul penelitian:

Faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun 2006
 Jenis Regresi logistik
2. Regresi Logistik Model Faktor Risiko
Model dng tujuan mengetahui hubungan satu/beberapa variabel
independen dengan kejadian variabel dependen dengan mengontrol
beberapa variabel konfounding

x1 y

X2
X3
X4
Mis judul penelitian:
Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2008
Model Prediksi
Langkah Pemodelan
1. Seleksi bivariat; variabel independen p value < 0,25 atau walaupun >
0,25 boleh masuk multivariat kalau secara substansi merupakan variabel
yg sangat penting
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p valuenya besar dikeluarkan dari model multivariat.
Ketentuannya : variabel yg p valuenya < 0,05 yang dapat tetap di model.
Variabel yg p valuenya > 0,05 dikeluarkan dari model satu persatu
dimulai dari variabel yg p valuenya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien (nilai OR) variabel2x yg
masih ada (berubah > 10 %), maka var tsb dimasukkan kembali dlm
model. Pemilihan variabel dng metode ENTER
3. Identifikasi liniaritas untuk variabel independen yg berbentuk numerik;
untuk memastikan apakah variabel tsb tetap berbentuk numerik atau
lebih baik dlm bentuk katagorik.
4. Uji interaksi sesama variabel indpenden yg secara substansi diduga ada
interaksi
Logistik Model prediksi

Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) ,

RAS (race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS (ui)
,PERIKSA HAMIL (ftv),merok, prematur dengan BBLR (low).

Umur(age)
Ras(race)
BBLR(low)
Hipertensi(ht)
Uterus(ui)
Anc(ftv)
Merokok(smoke)
Prematur(ptl)
Seleksi bivariat
1. umur Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 2.760 1 .097
Block 2.760 1 .097
Model 2.760 1 .097

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.051 .032 2.635 1 .105 .950 .893 1.011
1 Const
.385 .732 .276 1 .599 1.469
ant
a. Variable(s) entered on step 1: age.

Hasil bivariat menunjukkan , umur mempunyai p value 0,097 (lihat

Di omnibus test bagian block). Dengan demikian p value < 0,25
Jadi umur dapat ke multivariat.
Dari hasil diatas juga dapat diketahui nilai OR, yaitu di kolom
EXP(B) = 0,950
 2. Race

Categorical Variables Codings

Omnibus Tests of Model Coefficients
Parameter coding
Frequency (1) (2) Chi-square df Sig.
Race White 96 .000 .000 Step 1 Step 5.010 2 .082
Black 26 1.000 .000 Block 5.010 2 .082
Other 67 .000 1.000 Model 5.010 2 .082

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Stea race 4.922 2 .085
p1 race(1) .845 .463 3.323 1 .068 2.328 .939 5.772
race(2) .636 .348 3.345 1 .067 1.889 .955 3.736
Constant -1.155 .239 23.330 1 .000 .315
a. Variable(s) entered on step 1: race.

Hasil uji didapatkan p value 0,087 berarti p value < 0,25, sehingga variabel ras
dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy,
terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam akan berisiko
bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit putih. OR untuk race(2) besarnya 1,89
artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi
dibandingkan ras kulit putih.
3. hipertensi
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 4.022 1 .045
Block 4.022 1 .045
Model 4.022 1 .045

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ht 1.214 .608 3.979 1 .046 3.365 1.021 11.088
1 Constant -.877 .165 28.249 1 .000 .416
a. Variable(s) entered on step 1: ht.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti

masuk dalam multivariat
4. Kelainan uterus
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 5.076 1 .024
Block 5.076 1 .024
Model 5.076 1 .024

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ui .947 .417 5.162 1 .023 2.578 1.139 5.834
1 Constant -.947 .176 29.072 1 .000 .388
a. Variable(s) entered on step 1: ui.

Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus dapat
lanjut ke multivariat
 5. ANC

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step .773 1 .379
Block .773 1 .379
Model .773 1 .379

Variables in the Equation

95.0% C.I.for EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ftv -.135 .157 .744 1 .389 .874 .643 1.188
1 Constant -.687 .195 12.427 1 .000 .503
a. Variable(s) entered on step 1: ftv.

Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak
dapat lanjut ke multivariat, namun karena secara substansi variabel periksa
hamil sangat penting, maka variabel ini dapat dianalisis multivariat.
6. merokok

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 4.867 1 .027
Block 4.867 1 .027
Model 4.867 1 .027

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
smoke .704 .320 4.852 1 .028 2.022 1.081 3.783
1 Constant -1.087 .215 25.627 1 .000 .337
a. Variable(s) entered on step 1: smoke.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan

demikian variabel merokok dapat masuk ke multivariat.
7. prematur
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 6.779 1 .009
Block 6.779 1 .009
Model 6.779 1 .009

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ptl .802 .317 6.391 1 .011 2.230 1.197 4.151
1 Constant -.964 .175 30.370 1 .000 .381
a. Variable(s) entered on step 1: ptl.

Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25 sehingga
variabel riwayat adanya prematur dapat masuk ke multivariat
Hasil seleksi bivariat
Setelah masing-masing variabel independen dilakukan analisis bivariat, hasilnya:

Variabel P value
Umur 0,097
Ras 0,082
Hipertensi 0,045
Kelainan uterus 0,024
Periksa hamil 0,379
Merokok 0,027
Prematur 0,009

Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya periksa hamil yang p valuenya > 0,25.
namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan
variabel yang sangat penting berhubungan dengan kejadian bblr.
 Pemodelan Multivariat
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.041 .036 1.249 1 .264 .960 .894 1.031
1 race 6.783 2 .034
race(1) 1.009 .502 4.034 1 .045 2.743 1.025 7.345
race(2) 1.003 .426 5.560 1 .018 2.727 1.185 6.280
smoke .964 .391 6.090 1 .014 2.622 1.219 5.639
ptl .630 .340 3.429 1 .064 1.877 .964 3.654
ht 1.361 .631 4.648 1 .031 3.902 1.132 13.451
ui .802 .458 3.066 1 .080 2.229 .909 5.468
ftv .009 .161 .003 1 .954 1.009 .736 1.384
Constant -1.183 .919 1.659 1 .198 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.

Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu
age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan
selanjutnya variabel ftv dikeluarkan dari model.
Model tanpa FTV

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.040 .036 1.275 1 .259 .960 .896 1.030
1 race 6.781 2 .034
race(1) 1.009 .503 4.035 1 .045 2.744 1.025 7.347
race(2) 1.002 .425 5.562 1 .018 2.723 1.184 6.262
smoke .963 .390 6.086 1 .014 2.620 1.219 5.632
ptl .629 .340 3.423 1 .064 1.875 .963 3.651
ht 1.358 .629 4.663 1 .031 3.889 1.134 13.341
ui .800 .457 3.063 1 .080 2.226 .908 5.454
Constant -1.184 .919 1.661 1 .197 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.

Setelah ftv keluar, kita lihat perubahan OR untuk masing-masing

variabel
Perubahan nilai OR
Variabel OR ftv ada OR ftv tak ada perubahan OR

Age 0.960 0.960 0%

Race(1) 2.743 2.744 0%
Race(2) 2.727 2.723 0%
Smoke 2.622 2.620 0%
Ptl 1.877 1.875 0,1 %
Ht 3.902 3.889 0.3 %
ui 2.229 2.226 0,1 %
ftv 1.009

Ternyata setelah ftv keluar, perubahan OR untuk semua variabel yg

Tersisa tidak ada yang > 10 %. Dengan demikian ftv dikeluarkan dari
Model.
Selanjutnya variabel umur dicoba dikeluarkan dari model
Model tanpa umur
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Setelah umur dikeluarkan kita lihat perubahan nilai OR untuk variabel

Yang tersisa
 Perubahan nilai OR
Variabel OR age ada OR age tak ada perubahan OR

Age 0.960 -
Race(1) 2.743 2.968 8,2 %
Race(2) 2.727 2.883 5,7 %
Smoke 2.622 2.694 2,7 %
Ptl 1.877 1.779 5,2 %
Ht 3.902 3.912 0.3 %
ui 2.229 2.350 5,4 %
ftv 1.009

Setelah umur keluar, perubahan nilai OR nya tidak ada yang > 10%, berarti
Variabel umur dikeluarkan dari model
Selanjutnya variabel variabel prematur dicoba dikeluarkan
 Model tanpa prematur
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 8.245 2 .016
1 race(1) 1.064 .499 4.545 1 .033 2.897 1.090 7.704
race(2) 1.083 .413 6.877 1 .009 2.955 1.315 6.640
smoke 1.094 .380 8.299 1 .004 2.986 1.419 6.286
ht 1.359 .630 4.660 1 .031 3.894 1.133 13.379
ui 1.006 .438 5.262 1 .022 2.734 1.158 6.458
Constant -2.092 .380 30.307 1 .000 .123
a. Variable(s) entered on step 1: race, smoke, ht, ui.

Variabel OR ptl ada OR ptl tak ada perubahan OR

Age 0.960 -
Race(1) 2.743 2.897 5,6 %
Race(2) 2.727 2.955 8,3 %
Smoke 2.622 2.986 13,8 %
Ptl 1.877 - -
Ht 3.902 3.894 0.2 %
ui 2.229 2.734 22,6 %
ftv 1.009 -

Ada perubahan OR > 10 %, jadi prematur dimasukkan kembali dlm model

Model prematur masuk lagi
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Model setelah variabel prematur dimasukkan kembali.

Variabel ui p=0,058, dengan demikian variabel ui dicoba dikeluarkan
dari model
Model tanpa uterus

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 8.286 2 .016
1 race(1) 1.062 .500 4.513 1 .034 2.894 1.086 7.712
race(2) 1.085 .411 6.949 1 .008 2.958 1.321 6.626
smoke .996 .382 6.794 1 .009 2.707 1.280 5.726
ht 1.221 .629 3.764 1 .052 3.390 .988 11.640
ptl .696 .325 4.596 1 .032 2.007 1.062 3.793
Constant -2.025 .372 29.586 1 .000 .132
a. Variable(s) entered on step 1: race, smoke, ht, ptl.
 Perubahan OR tanpa Uterus
Variabel OR ui ada OR ui tak ada perubahan OR

Age 0.960 -
Race(1) 2.743 2.894 5,5 %
Race(2) 2.727 2.958 8,4 %
Smoke 2.622 2.707 3,2 %
Ptl 1.877 2.007 6,9 %
Ht 3.902 3.390 13.1 %
ui 2.229 - -
ftv 1.009 - -

Uterus merubah OR > 10%, dengan demikian variabel uterus dimasukkan

Kembali dalam model

Dengan demikian pemodelan selesai

Model terakhir
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
 interpretasi
Interpretasi:
Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan
kejadian BBLR adalah variabel ras, merokok dan hipertensi. sedangkan
variabel riwayat prematur dan kelainan uterus sebagai variabel pengontrol
/konfounding. Variabel yang paling dominan berhubungan dengan bblr adalah
riwayat hipertensi. Hasil analisis didapatkan Odds Ratio (OR) dari variabel
hipertensi adalah 3,9, artinya Ibu yang menderita hipertensi akan melahirkan
bayi BBLR sebesar 4 kali lebih tinggi dibandingkan ibu yang tidak menderita
hipertensi setelah dikontrol variabel race, merokok, prematur dan uterus.

Secara sama dapat diinterpretasikan untuk variabel yang lain.

 Uji interaksi
Chi-
Block 2: Method = Enter square df Sig.  
Omnibus Tests of Model Coefficients
Step Step
.000 1 .994
1
Block .000 1 .994
Mode
26.560 7 .000
l

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.900 2 .019
1 race(1) 1.088 .502 4.692 1 .030 2.969 1.109 7.946
race(2) 1.059 .419 6.387 1 .011 2.883 1.268 6.555
smoke .990 .397 6.211 1 .013 2.692 1.236 5.865
ptl .576 .336 2.937 1 .087 1.779 .921 3.438
ht 1.360 .831 2.680 1 .102 3.896 .765 19.852
ui .854 .451 3.584 1 .058 2.350 .970 5.693
ht by smoke .010 1.283 .000 1 .994 1.010 .082 12.491
Constant -2.146 .386 30.875 1 .000 .117
a. Variable(s) entered on step 1: ht * smoke .

Uji interaksi didapatkan p value pada blok2 bagian step = 0,994, p value >0,05
berarti tidak ada interaksi.
Model terakhir
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
Model Faktor Risiko
Langkah Pemodelan
1. Melakukan analisis bivariat antara masing2 variabel konfounding dng
dependen, bila hasil p value < 0,25 maka var tsb dpt masuk multivariat,
atau walaupun p value > 0,25 boleh masuk multivariat kalau secara
substansi merupakan variabel yg sangat penting (langkah ini bisa
diabaikan)
2. Lakukan pemodelan lengkap, mencakup: var utama, var konfounding
dan var interaksi.
3. Langkah pertama, lakukan penilaian interaksi dng cara melihat nilai p.
Bilai p value > 0,05 var interaksi dikeluarkan dari model secara bertahap
dimulai dari p value terbesar.
4. Lakukan penilaian konfounding dng cara mengeluarkan var konfounding
satu persatu dimulai dari p value terbesar. Bila setelah dikeluarkan
diperoleh selisih OR var Utama lebih besar dari 10 %, maka varibel tsb
dinyatakan sbg konfounding dan var tsb berarti harus tetap berada dalam
model
Kerangka Konsep

Pekerjaan Eksklusive

umur
Sikap

Umur : ≤ 30 th dan > 30 th

Sikap : penjumlahan keempat skor pertanyaan sikap
Proses di SPSS
UJI INTERAKSI
Uji Confounding
REGRESI LINIER

Regresi linier sederhana

Y = a + bx

Regresi linier ganda

Y = a +b1x1 + b2x2 + ….
REGRESI LINIER GANDA

Fungsi Regresi linier ganda:

1. Menetapkan model matematik yang paling baik utk
menggambarkan hubungan var. indep dan var dep.
2. Menggambarkan hubungan kuantitatif antara var. indep (x)
dng var dep (y) setlah dikontrol var. lain
3. Mengetahui variabel x mana yang penting/dominan dlm
memprediksi var. dep
4. Mengetahui adanya interaksi pada dua/lebih var. independen
thd variabel dependen
REGRESI LINIER GANDA
ASUMSI REGRESI LINIER GANDA
: “ HEIL – GAUSS “

1.HOMOSCEDASTICITY
Varian nilai variabel Y sama untuk semua nilai var. X
Homoscedasticity : Plot residual membentuk tebaran merata diatas dan
dibawah garis tengah nol
Heteroscedasticity: tebaran residual mengelompok dibawah/diatas garis
tengah nol

2. EKSISTENSI
Var. dep. Y merupakan variabel random pada setiap nilai var. independen X.
Sampel diambil random, asumsi ini terpenuhi bila residual menunjukan nilai
: mean dan standar deviasi
REGRESI LINIER GANDA
3. INDEPENDENSI
Masing-masing var Y bebas satu sama lain, tidak boleh diukur dua kali. Asumsi
terpenuhi: angka Durbin Watson antara -2 s/d 2

4. LINEARITAS
Nilai mean dari var. Y untuk suatu kombinasi X1, X2, dst terletak pada grs linier
yg dibentuk persamaan regresi
Asumsi terpenuhi: hasil Uji Anova regresi hasilnya signifikan

5. GAUSS /NORMALITAS
Var. Y berdistrubusi normal utk setiap pengamatan variabel X. Asumsi
terpenuhi bila Grafik Normal P-P plot residual, titik tebarannya menyebar
sekitar garis diagonal. Sebaliknya bila tebaran data menjauhi garis diagonal
maka asumsi tidak terpenuhi
Pemodelan Regresi Linier
“memasukan sebanyak mungkin variabel indep ?”
- Banyak variabel -- hanya aspek statistik
- Banyak variabel – overfitting, SE terlalu besar
- Banyak variabel – menyulitkan interpretasi

Lalu ?
- Memasukan variabel– ada aspek statistik dan substansi
- Sebaiknya variabel yg masuk sedikit, namun cukup baik
utk menjelaskan faktor-faktor penting yg ber-hubungan
dng var. dependen
Model yg baik ?
R Square besar namun var. Indep jumlahnya sedikit
Pemodelan Regresi Linier
Langkah :
1. Melakukan analisis bivariat: indep dng dep, bila hasil uji didapatkan p
value < 0,25 mk dpt lanjut ke multivariat. Namun kalau ada var yang
secara substansi penting walaupun p valuenya > 0,25 mk variabel tsb
dapat masuk ke multivariat
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p valuenya besar dikeluarkan dari model multivariat.
Ketentuannya : variabel yg p valuenya < 0,05 yang dapat tetap di model.
Variabel yg p valuenya > 0,05 dikeluarkan dari model satu persatu
dimulai dari variabel yg p valuenya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien variabel2x yg masih
ada(berubah > 10 %), maka var tsb dimasukkan kembali dlm model.
Pemilihan variabel dng metode ENTER
3. Melakukan Diagnostik regresi linier
a. Pengujian asumsi
b. Pengujian Kolinearitas, antar independen terjadi hub yg sangat kuat : r
≥ 0,8. Atau nilai VIF > 10
Pemodelan Regresi Linier
4. Analisis interaksi
= kondisi hubungan antara var. indep dan var. dep, berbeda
menurut tingkat var indep yg lain
Mis: TD =a+b1(AF)+b2(Umur)+b3(Sex)+b4(AF*Sex)
Penentuan var interaksi  pertimbangan substansi
Var interaksi “Umur*Sex” tdk pas, krn secara biologik kedua
variabel tsb tdk saling berinteraksi utk mempengaruhi TD
5. Reliabilitas Model
Sampel di bagi dua, bila kedua sampel menghasil model yg sama,
maka model regresi reliabel–- seluruh sampel dapat dipakai utk
pembuatan model
REGRESI LINIER GANDA

1. umur
2. Berat badan
3. merokok Berat bayi
4. prematur
5. hipertensi
6. anc
 SELEKSI VARIABEL :

Analisis`Bivariat dengan Korelasi

Correlations

No
Weight of physician History of Birth
Age of mother visits in first prematur weight
mother (pounds) trimester e labor (gram)
Age of mother Pearson Correlation 1 .180* .215** .072 .090
Sig. (2-tailed) .013 .003 .328 .219
N 189 189 189 189 189
Weight of mother Pearson Correlation .180* 1 .141 -.140 .186*
(pounds) Sig. (2-tailed) .013 .054 .055 .010
N 189 189 189 189 189
No physician visits Pearson Correlation .215** .141 1 -.044 .058
in first trimester Sig. (2-tailed) .003 .054 .544 .426
N
189 189 189 189 189

History of Pearson Correlation .072 -.140 -.044 1 -.155*

premature labor Sig. (2-tailed) .328 .055 .544 .034
N 189 189 189 189 189
Birth weight (gram) Pearson Correlation .090 .186* .058 -.155* 1
Sig. (2-tailed) .219 .010 .426 .034
N 189 189 189 189 189
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).

Umur = 0,219, bera ibu=0,010, anc=0,425, prematur =0,034. Variabel anc p value >
0,25 namun krn secara substansi penting,Mk variabel anc lanjut ke multivariat
Bivariat dng uji t

Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means
95% Confidence
Sig. Mean Std. Error Interval of the
(2-tail Differen Differenc Difference
F Sig. t df ed) ce e Lower Upper
Birth Equal
weight variances 1.508 .221 2.634 187 .009 281.713 106.969 70.693 492.7
(gram) assumed
Equal
variances
2.709 170.0 .007 281.713 103.974 76.467 487.0
not
assumed

Hasil p value merokok = 0,009, p value < 0,25 berarti

masuk ke multivariat
 Bivariat uji t

Independent Samples Test

Levene's Test for

Equality of
Variances t-test for Equality of Means

Std. 95% Confidence

Sig. Mean Error Interval of the
(2-taile Differe Differen Difference
F Sig. t df d) nce ce Lower Upper
Birth Equal
weight variances 1.419 .235 2.019 187 .045 435.56 215.709 10.024 861.1
(gram) assumed
Equal
variances
1.612 11.908 .133 435.56 270.126 -153.5 1025
not
assumed

P value hipertensi = 0,045, p value < 0,25 maka lanjut

ke multivariat
Pemodelan Multivariat
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .340a .116 .086 696.829
a. Predictors: (Constant), No physician visits in first
trimester, Smoking status, History of hypertension,
labor,aAge of mother, Weight of
Coefficients
History of premature
mother (pounds)
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2315.862 299.442 7.734 .000
Age of mother 7.162 10.022 .052 .715 .476
Weight of mother
4.793 1.777 .201 2.698 .008
(pounds)
Smoking status -232.253 105.928 -.156 -2.193 .030
History of premature labor -154.002 106.574 -.104 -1.445 .150
History of hypertension -574.230 215.481 -.193 -2.665 .008
No physician visits in first
-2.847 49.705 -.004 -.057 .954
trimester
a. Dependent Variable: Birth weight (gram)

Tahap berikutnya, evaluasi seleksi variabel dengan batas p value < 0,05
Dari nilai p diatas, variabel umur, prematur, anc memiliki p value > 0,05
shg harus keluar dari model. ANC Pvalue yg tertinggi, maka dikeluarkan
terlebih dahulu
 Pemodelan Multivariat
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .340a .116 .091 694.929
a. Predictors: (Constant), History of hypertension,
Smoking status, Age of mother, History of premature
labor, Weight of mother (pounds)

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2317.608 297.074 7.801 .000
Age of mother 7.051 9.807 .051 .719 .473
Weight of mother
4.781 1.759 .201 2.718 .007
(pounds)
Smoking status -232.224 105.638 -.156 -2.198 .029
History of premature labor -153.747 106.191 -.104 -1.448 .149
History of hypertension -573.011 213.841 -.192 -2.680 .008
a. Dependent Variable: Birth weight (gram)

Setelah anc keluar terlihat R square tdk berubah, dan Coef B

Untuk masing-masing juga tak berubah besar ( > 10 %)
 Perubahan coef. B

Variabel Anc msih ada Anc dikeluarkan perubahan Coef.

Age 7,1 7,0 1,4 %

bwt 4,7 4,7 0%
smoke -232,2 -232,2 0%
ptl -154,0 153,7 0,1 %
hi -574,2 573,0 0,1 %
ftv -2,8 -

Koefisien B tidak ada yang berubah > 10 % sehingga variabel anc dikeluarkan
Dari multivariat
Tahap selanjutnya variabel umur dikeluarkan dari model
Pemodelan Multivariat
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .336a .113 .094 694.016
a. Predictors: (Constant), History of hypertension,
Smoking status, History of premature labor, Weight of
mother (pounds)
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026
History of premature labor -145.412 105.417 -.098 -1.379 .169
History of hypertension -582.566 213.148 -.195 -2.733 .007
a. Dependent Variable: Birth weight (gram)

Setelah umur keluar, ternyata R Square berubah sedikit,

Menjadi 0,113. Untuk koefisien B perubahannya sbb:
 Perubahan nilai coef. B
Variabel Masih lengkap umur dikeluarkan perubahan Coef.

Age 7,1 - -
bwt 4,7 5,0 6,3 %
smoke -232,2 -236,4 1,8 %
ptl -154,0 145,4 6,1 %
hi -574,2 582,5 1,3 %
ftv -2,847 -

Dari hasil perhitungan perubahan coef. Ternyata tidak ada yang lebih dari 10 %,
dengan demikian variabel umur kita keluarkan dari model.
Langkah selanjutnya mengeluarkan riwayat prematur
Model tanpa prematur
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .322a .104 .089 695.707
a. Predictors: (Constant), History of hypertension,
Smoking status, Weight of mother (pounds)

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2390.105 230.391 10.374 .000
Weight of mother
5.352 1.710 .224 3.130 .002
(pounds)
Smoking status -263.009 103.812 -.177 -2.534 .012
History of hypertension -586.722 213.646 -.197 -2.746 .007
a. Dependent Variable: Birth weight (gram)

R square turun menjadi 0,104. sedangkan untuk koef B perubahannya sbb:

 Perubahan nilai coef. B
Variabel Masih lengkap Prematur keluar perubahan Coef.

Age 7,1 - -
bwt 4,7 5,3 12,3 %
smoke -232,2 -236,4 1,7 %
ptl -154,0 - -
hi -574,2 582,5 1,3 %
ftv -2,847 -

Hasil perhitungan setelah dikeluarkan variabel prematur, ternyata coefisin B pada

variabel beat badan ibu (bwt) beubah sebesar 12,3 % dengan demikian variabel riwayat
mengalami prematur tidak jadi dikeluarkan
dan tetap dipertahankan dalam model multivariat. Dari hasil analisis ternyata tidak ada lagi
yang p value-nya > 0,05 dengan demikian proses pencarian variabel yang masuk
dalam model telah selesai dan model yang terakhir adalah sbb:
Model terakhir
Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .336a .113 .094 694.016 .222
a. Predictors: (Constant), History of premature labor, History of
hypertension, Smoking status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)

Coefficientsa

Stand
ardize
d
Unstandardized Coeffi Collinearity
Mo Coefficients cients Statistics
de Tolera
l B Std. Error Beta t Sig. nce VIF
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2.733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1.379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)
 Uji asumsi
1. Eksistensi
Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 2249.77 3602.03 2944.66 245.079 189
Std. Predicted Value -2.835 2.682 .000 1.000 189
Standard Error of
67.193 292.804 103.399 45.407 189
Predicted Value
Adjusted Predicted Value 1955.43 3616.97 2943.73 251.196 189
Residual -2082.610 1921.631 .000 686.593 189
Std. Residual -3.001 2.769 .000 .989 189
Stud. Residual -3.015 2.782 .001 1.005 189
Deleted Residual -2102.316 1940.423 .923 708.619 189
Stud. Deleted Residual -3.084 2.835 .000 1.010 189
Mahal. Distance .768 32.469 3.979 5.320 189
Cook's Distance .000 .209 .007 .019 189
Centered Leverage Value .004 .173 .021 .028 189
a. Dependent Variable: Birth weight (gram)

Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan
standar deviasi 686,59. Dengan demikian asumsi Eksistensi terpenuhi
 2. Asumsi Independensi

Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.

Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi yang berbeda
yang diukur dari satu individu diukur dua kali. Untuk mengetahui asuamsi ini dilakukan dengan cara
mengeluarkan uji Durbin Watson, bila nilai Durbin –2 s.d. +2 berarti asumsi independensi terpenuhi,
sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .336a .113 .094 694.016 .222
a. Predictors: (Constant), History of premature labor, History of
hypertension, Smoking status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)

Dari hasil uji didapatkan koefisien Durbin Watson 0,222, berarti asumsi independensi terpenuhi.
3. Asumsi liniearitas
Nilai mean dari variabel Y untuk suatu kombinasi X 1, X2, X3, …, Xk
terletak pada garis/bidang linier yang dibentuk dari persamaan regresi.
Untuk mengetahui asumsi linieritas dapat
diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka
moodel berbentuk linier. Hasil uji asumsi :
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 11291987 4 2822996.778 5.861 .000a
Residual 88625066 184 481657.965
Total 99917053 188
a. Predictors: (Constant), History of premature labor, History of hypertension, Smoking
status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)

Dari output diatas menghasilkan uji anova 0,0005, berarti asumsi linearitas terpenuhi
4. Asumsi homoscedascity

Scatterplot
R e g r e s s io n S t u d e n t iz e d R e s id u a l

Dependent Variable: Birth weight (gram)

-1

-2

-3

-4

-3 -2 -1 0 1 2 3

Regression Standardized Predicted Value

Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara
titik-titik diatas dan dibawah garis diagonal 0.
Dengan demikian asumsi homoscedasity terpenuhi
5. Asumsi normalitas
Histogram

Dependent Variable: Birth weight (gram)

40

30
Frequency

20

10

Mean = -2.53E-16
Std. Dev. = 0.989
0 N = 189
-4 -3 -2 -1 0 1 2 3

Regression Standardized Residual

Diagostik Multicollinearity
Coefficientsa

Stand
ardize
d
Unstandardized Coeffi Collinearity
Mo Coefficients cients Statistics
de Tolera
l B Std. Error Beta t Sig. nce VIF
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2.733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1.379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)

Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10, dengan
demikian tidak ada Multicollinearity antara sesama variabel indepeden

Dari hasil uji asumsi dan uji kolinearitas ternyata semua asumsi terpenuhi
sehingga model dapat digunakan untuk memprediksi berat badan bayi.
Model terakhir
Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .336a .113 .094 694.016 .222
a. Predictors: (Constant), History of premature labor, History of
hypertension, Smoking status, Weight of mother (pounds)
b. Dependent Variable: Birth weight (gram)
Coefficientsa

Stand
ardize
d
Unstandardized Coeffi Collinearity
Mo Coefficients cients Statistics
de Tolera
l B Std. Error Beta t Sig. nce VIF
1 (Constant) 2449.121 233.779 10.476 .000
Weight of mother
5.035 1.721 .211 2.925 .004 .925 1.081
(pounds)
Smoking status -236.420 105.338 -.159 -2.244 .026 .964 1.037
History of hypertension -582.566 213.148 -.195 -2.733 .007 .943 1.060
History of premature
-145.412 105.417 -.098 -1.379 .169 .947 1.056
labor
a. Dependent Variable: Birth weight (gram)

Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl

Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl

Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi
 interpretasi
Berat
BeratBayi
Bayi==2449,1+5,0
2449,1+5,0Lwt
Lwt––236,4
236,4smoke
smoke- -582Hi
582Hi––145,4
145,4Ptl
Ptl

-Setiap kenaikan berat badan ibu sebesar 1 kg, maka berat badan bayi akan naik sebesar 5,0 gram
setelah dikontrol variabel merokok, hipertensi dan prematur
- Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236,4 gram setelah dikontrol
variabel berat badan, hipertensi dan prematur.
- Pada ibu yang menderita hipertensi,berat bayinya akan lebih rendah sebesar 582,5 gram
setelah dikontrol variabel berat badan ibu,merokok dan prematur.

Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar
peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi).
Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya.
Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan
berat badan bayi adalah berat badan ibu..