SUTANTO_PRIYO_HASTONO_Analisis_Data_SUTA

SUTANTO PRIYO HASTONO: Analisis Data Data selengkapnya ada di lampiran: A. Langkah pertama pemodelan: SELEKSI BIVARIAT Seleksi bivariat masing-masing variabel independen dengan variabel dependen. Variabel yang dapat masuk model multivariat adalah variabel yang pada analisis bivariatnya mempunyai nilai p (p value) < 0,25. Namun ketentuan p value<0,25 ini tidaklah harus dipenuhi manakala dijumpai ada suatu variabel yang walaupun p value-nya > 0,25 karena secara substansi sangat penting berhubungan dengan variabel dependen, maka variabel tersebut dapat diikutkan dalam model multivariat. Uji yang digunakan pada analisis bivariat tergantung dari variabel yang digunakan, bila : variabel independennya numerik -> uji korelasi, bila independennya katagorik -> uji t atau uji anova. a. Bivariat uji korelasi : melakukan analisis bivariat untuk variabel independen berjenis numerik: variabel berat badan ibu, umur ibu, frekuensi prematur, frekuensi anc : Langkahnya : 1. Klik ‘Analysis’, sorot ke ‘Correlate’, sorot dan klik ‘Bivariate’ 2. Muncul dilayar menu ‘Bivariate Correlations’ 3. Pada kotak Variables, isikan semua variabel numerik baik untuk variabel independen (age,lwt,ptl,ftv) dan dependen (bwt) 151

SUTANTO PRIYO HASTONO: Analisis Data 4. Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Age of Weight of No History of Birth mother mother physician prematur weight (pounds) visits in first e labor (gram) trimester .090 Age of mother Pearson Correlation 1 .180* .215** .072 .219 Sig. (2-tailed) 189 Weight of mother N .013 .003 .328 .186* (pounds) Pearson Correlation .010 Sig. (2-tailed) 189 189 189 189 189 No physician visits N .058 in first trimester Pearson Correlation .180* 1 .141 -.140 .426 Sig. (2-tailed) N .013 .054 .055 189 189 189 189 189 .215** .141 1 -.044 .003 .054 .544 189 189 189 189 History of Pearson Correlation .072 -.140 -.044 1 -.155* premature labor Sig. (2-tailed) .328 .055 .544 .034 189 189 189 189 N 189 .186* .058 -.155* .010 .426 .034 1 Birth weight (gram) Pearson Correlation .090 189 189 189 189 Sig. (2-tailed) .219 N 189 *. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed). 152

SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219), berat badan (p=0,010), frekuensi anc (p=0,426), frekuensi prematur (p=0,034). Dari hasil ini dapat kita simpulkan bahwa variabel umur, berat badan dan frekuensi prematur mempunayi p value < 0,25, dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat. Sedangkan untuk variabel frekuensi anc mempunyai p value > 0,25 (yaitu p=0,426) sehingga tidak bisa masuk ke multivariat, namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi, maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat. b. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1. Merokok Langkahnya: 1.Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu “Compare Means’, lalu pilih “Independen-Samples T Test” 2.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. Ket: kotak test varibles tempat memasukkan variabel numeriknya, sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya, ingat jangan sampai terbalik. 3.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’. 153

SUTANTO PRIYO HASTONO: Analisis Data 5.Klik ‘Define Group’, kemudian di layar nampak kotak isian. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Pada contoh ini, kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9. Klik “Continue” 10. Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sbb: T-Test Group Statistics Birth weight (gram) Smoking status N Mean Std. Deviation Std. Error No 115 3054.96 752.409 Mean 70.163 Yes 74 2773.24 660.075 76.732 154

SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test t-test for Equality of Means for Equality of Variances 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 1.508 .221 2.634 187 .009 281.713 106.969 70.693 492.7 weight variances (gram) assumed Equal 2.709 170.0 .007 281.713 103.974 76.467 487.0 variances not assumed Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0,009, dengan demikian p value yang dihasilkan < 0,25 maka variabel merokok dapat lanjut ke multivariat. 2. Riwayat Hipertensi Langkahnya: 1.Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu “Compare Means’, lalu pilih “Independen-Samples T Test” 2.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. Ket: kotak test varibles tempat memasukkan variabel numeriknya, sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya, ingat jangan sampai terbalik. 3.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’. (variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155

SUTANTO PRIYO HASTONO: Analisis Data 5.Klik ‘Define Group’, kemudian di layar nampak kotak isian. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Pada contoh ini, kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6.Klik “Continue” 7.Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sbb: Group Statistics Birth weight (gram) History of hypertension N Mean Std. Deviation Std. Error No 177 2972.31 709.226 Mean 53.309 Yes 12 2536.75 917.341 264.813 156

SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for t-test for Equality of Means Equality of Variances Std. 95% Confidence Sig. Mean Error Interval of the (2-taile Differe Differen Difference F Sig. t df d) nce ce Lower Upper 1.419 .235 2.019 Birth Equal 187 .045 435.56 215.709 10.024 861.1 weight variances (gram) assumed Equal 1.612 11.908 .133 435.56 270.126 -153.5 1025 variances not assumed Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0,045, berarti p valuenya < 0,25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen, dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat. B. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai, tahap berikutnya melakukan analisis multivariat secara bersama-sama. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0,05. Bila dalam model multivariat dijumpai variabel yang p value nya > 0,05, maka variabel tersebut harus dikeluarkan dalam model. Pengeluaran variabel dilakukan tidak serempak, melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. Adapun proses selengkapnya sbb: 1. Klik ‘Analyisis’, sorot ‘Regression’, sorot dan klik ‘Linier’ lalu muncul menu regresi linier, a. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bwt) dan kotak ‘independen’ isikan variabel independennya (dalam hal ini age, lwt, smoke, ht, ptl, ftv) 157

SUTANTO PRIYO HASTONO: Analisis Data 5. Pada kotak ‘Method’, pilih Enter’ 6. Abaikan lainnya 7. Klik ‘OK’, dan hasilnya Regression Model Summary Model R R Square Adjusted Std. Error of 1 R Square the Estimate .340a .116 .086 696.829 a. Predictors: (Constant), No physician visits in first trimester, Smoking status, History of hypertension, History of premature labor, Age of mother, Weight of mother (pounds) 158

SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model Sum of df Mean Square F Sig. 1 Regression Squares 6 1923872.611 3.962 .001a 11543236 Residual 88373817 182 485570.423 Total 99917053 188 a. Predictors: (Constant), No physician visits in first trimester, Smoking status, History of hypertension, History of premature labor, Age of mother, Weight of mother (pounds) b. Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Standardized Coefficients Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 2315.862 299.442 7.734 .000 .052 .476 Age of mother 7.162 10.022 .715 .201 .008 Weight of mother 4.793 1.777 2.698 (pounds) -.156 .030 -.104 -2.193 .150 Smoking status -232.253 105.928 -.193 -1.445 .008 -2.665 History of premature labor -154.002 106.574 -.004 .954 215.481 -.057 History of hypertension -574.230 No physician visits in first -2.847 49.705 trimester a. Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0,116, artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11,6 % sedangkan sisanya dijelaskan oleh variabel lain. Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0,001 berarti persamaan garis regresi secara keseluruhan sudah signifikan. Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya, variabel yang p valuenya > 0,05 dikeluarkan daari model. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0,05, yaitu umur (age) p=0,476, riwayat prematur (history prematur) p=0,150 dan frekuensi anc (no physician) p=0,954. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0,05, pengeluaran variabel dimulai dari p value yang terbesar. Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician..). 159

SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1. Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’ 2. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja. Pada kotak Independen juga masih lengkap ada 6 variabel, namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri. 3. Klik OK, dan hasilnya sbb: Model Summary Model R R Square Adjusted Std. Error of 1 R Square the Estimate .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 .051 .473 Age of mother 7.051 9.807 .719 .201 .007 Weight of mother 4.781 1.759 2.718 (pounds) -.156 .029 -.104 -2.198 .149 Smoking status -232.224 105.638 -.192 -1.448 .008 -2.680 History of premature labor -153.747 106.191 History of hypertension -573.011 213.841 a. Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan, kita cek dulu apakah setelah dikeluarkan, ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef. B. Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model). Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0,116. Sedangkan untuk coefisian B, Sekarang kita bandingkan nilai coefisien B untuk variabel umur, 160

SUTANTO PRIYO HASTONO: Analisis Data berat ibu, merokok, riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan, hasil perhitungannya sbb: Variabel Anc msih ada Anc dikeluarkan perubahan Coef. Age 7,1 7,0 1,4 % bwt 4,7 4,7 0% 0% smoke -232,2 -232,2 0,1 % ptl -154,0 153,7 0,1 % hi -574,2 573,0 ftv -2,8 - Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel, ternyata tidak ada yang berubah lebih dari 10 %, dengan demikian variabel frekuensi anc kita keluarkan dari model. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0,05. Sekarang kita akan keluarkan variabel umur (p value =0,473). Langkah/proses : 1. Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’ 2. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja. Pada kotak Independen juga masih terisi ada 5 variabel, namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri. 3. Klik OK, dan hasilnya sbb: Model Summary Model R R Square Adjusted Std. Error of 1 R Square the Estimate .336a .113 .094 694.016 a. Predictors: (Constant), History of hypertension, Smoking status, History of premature labor, Weight of mother (pounds) 161

SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Standardized Coefficients Coefficients Model (Constant) B Std. Error Beta t Sig. 1 2449.121 233.779 10.476 .000 Weight of mother .211 (pounds) 5.035 1.721 2.925 .004 -.159 Smoking status -236.420 105.338 -.098 -2.244 .026 105.417 -.195 -1.379 .169 History of premature labor -145.412 -2.733 .007 History of hypertension -582.566 213.148 a. Dependent Variable: Birth weight (gram) Setelah variabel umur dikeluarkan, nilai R Square ternyata ada sedikit perunbahan yaitu menjadi 0,113. sedangkan untuk coefisian B, , hasil perhitungannya sbb: Variabel Masih lengkap umur dikeluarkan perubahan Coef. Age 7,1 - - bwt 4,7 smoke 5,0 6,3 % ptl -232,2 -236,4 1,8 % hi -154,0 145,4 6,1 % ftv -574,2 582,5 1,3 % -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 variabel Riwayat mengalami prematur, Prosesnya/langkahnya sama dengan diatas, Klik Analysis, sorot Regression, ..dst. Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri, dan hasilnya sbb: 162

SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model R R Square Adjusted Std. Error of 1 R Square the Estimate .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 .224 Weight of mother 5.352 1.710 -.177 3.130 .002 (pounds) -.197 -2.534 .012 Smoking status -263.009 103.812 -2.746 .007 History of hypertension -586.722 213.646 a. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0,104. Sedangkan hasil perhitungan perubahan Coef. B dapat dilihat sbb: 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 - - ftv -2,847 582,5 1,3 % - 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: 163

SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model R R Square Adjusted Std. Error of Durbin- 1 R Square the Estimate Watson .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 Mo Unstandardized Stand Collinearity de Coefficients ardize Statistics l 1 (Constant) B Std. Error d t Sig. Tolera 2449.121 233.779 Coeffi 10.476 .000 nce VIF Weight of mother cients (pounds) 5.035 1.721 2.925 .004 .925 1.081 Beta Smoking status -236.420 105.338 -2.244 .026 .964 1.037 History of hypertension -582.566 213.148 .211 -2.733 .007 .943 1.060 History of premature labor -145.412 105.417 -.159 -1.379 .169 .947 1.056 -.195 -.098 a. Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid, maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda. Adapun uji asumsinya sbb: Langkahnya: 1.Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’ 2. Masukkan dalam kotak Dependen variabel ‘bwt’ 3. Masukan dalam kotak Independen variabel berat badan ibu (lwt), merokok(smoke), riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164

SUTANTO PRIYO HASTONO: Analisis Data 4.Klik tombol Statistics 5. Klik kotak ‘Collinearity diagnostic’ dan klik kotak ‘Covariance matrix’ (perintah ini untuk uji asumsi multicoliniarity) 6. Klik kotak ‘Durbin-Watson’ (perintah ini untuk uji asumsi Independensi) 7. Klik Continue 165

SUTANTO PRIYO HASTONO: Analisis Data 8. Klik tombol ‘Plot” 9. Masukkan ‘SRESID’ ke kotak Y, dan masukan ‘ZPRED’ ke kotak X (perintah ini untuk uji asumsi Homoscedasity) 10. Klik kotak ‘histogram’ dan kotak ‘Normal probability plot” (perintah ini untuk uji asumsi Normality) 11. Klik Continue Hasilnya : a. Asumsi Eksistensi (Variabel Random) Untuk tiap nilai dari variabel X (variabel independen), variabel Y (dependen) adalah variabel random yang mempunyai mean dan varian tertentu. Asumsi ini berkaitan dengan teknik pengambilan sampel. Untuk memenuhi asumsi ini, sampel yang diambil harus dilakukan secara random. Cara mengetahui asunsi eksistensi dengan cara melakukan analisis deskriptif vareiabel residual dari model, bila residual menunjukkan adanya mean mendekati nilai nol dan ada sebaran (varian ata satandar deviasi) maka asumsi eksistensi terpenuhi. Hasil analisis: 166

SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Minimum Maximum Mean Std. Deviation N 2249.77 3602.03 2944.66 245.079 189 189 Std. Predicted Value -2.835 2.682 .000 1.000 189 Standard Error of 67.193 292.804 103.399 45.407 Predicted Value 189 189 Adjusted Predicted Value 1955.43 3616.97 2943.73 251.196 189 .000 686.593 189 Residual -2082.610 1921.631 .000 189 .001 .989 189 Std. Residual -3.001 2.769 .923 1.005 189 .000 708.619 189 Stud. Residual -3.015 2.782 1.010 189 3.979 5.320 Deleted Residual -2102.316 1940.423 .007 .021 .019 Stud. Deleted Residual -3.084 2.835 .028 Mahal. Distance .768 32.469 Cook's Distance .000 .209 Centered Leverage Value .004 .173 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 b. 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 Model R R Square Adjusted Std. Error of Durbin- 1 R Square the Estimate Watson .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. 167

SUTANTO PRIYO HASTONO: Analisis Data c. Asumsi Linieritas Nilai mean dari variabel Y untuk suatu kombinasi X1, 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 Model Sum of df Mean Square F Sig. 1 Regression Squares 4 2822996.778 5.861 .000a 11291987 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 d. Asumsi Homoscedascity Varian nilai variabel Y sama untuk semua nilai variabel X. Homoscedasticity dapat diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi homoscedasticity terpenuhi. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol, maka diduga variannya terjadi heteroscedasticity. 168

SUTANTO PRIYO HASTONO: Analisis Data Scatterplot Dependent Variable: Birth weight (gram) Regression Studentized Residual 3 2 1 -2 -1 0 1 2 3 0 -1 -2 -3 -4 -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 e. Asumsi Normalitas Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X. dapat diketahui dari Normal P-P Plot residual, bila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi model regresi tidak memenuhi asumsi normalitas. 169

SUTANTO PRIYO HASTONO: Analisis Data 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 170

SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1.0 0.8 Expected Cum Prob 0.6 0.4 0.2 0.0 0.2 0.4 0.6 0.8 1.0 0.0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal, berarti asumsi normality terpenuhi. f.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity). Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor), bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity. 171

SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Mo Unstandardized Stand Collinearity de Coefficients ardize Statistics l 1 (Constant) B Std. Error d t Sig. Tolera VIF 2449.121 233.779 Coeffi 10.476 .000 nce Weight of mother cients (pounds) 5.035 1.721 2.925 .004 .925 1.081 Beta Smoking status -236.420 105.338 -2.244 .026 .964 1.037 History of hypertension -582.566 213.148 .211 -2.733 .007 .943 1.060 History of premature labor -145.412 105.417 -.159 -1.379 .169 .947 1.056 -.195 -.098 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. Langkah sekanjutnya adalah UJI INTERAKSI, Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan. Sehingga model yang terakhir adalah sbb: Model Summaryb Model R R Square Adjusted Std. Error of Durbin- 1 R Square the Estimate Watson .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) 172

SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Mo Unstandardized Stand Collinearity de Coefficients ardize Statistics l 1 (Constant) B Std. Error d t Sig. Tolera VIF 2449.121 233.779 Coeffi 10.476 .000 nce Weight of mother cients (pounds) 5.035 1.721 2.925 .004 .925 1.081 Beta Smoking status -236.420 105.338 -2.244 .026 .964 1.037 History of hypertension -582.566 213.148 .211 -2.733 .007 .943 1.060 History of premature labor -145.412 105.417 -.159 -1.379 .169 .947 1.056 -.195 -.098 a. Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis ,ternyata variabel independen yang masuk model regresi adalah berat badan ibu, ibu merokok, riwayat hipertensi, dan riwayat prematur. Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0,113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11,3 % variasi variabel dependen berat bayi. Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11,3 %.. Kemudian pada kotak ‘ANOVA’, kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0,000, berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi. Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya, pada kolom B (di bagian Variabel In Equation) di atas, kita dapat mengetahui koefisien regresi masing-masing variabel. Dari hasil di atas, peresamaat regresi yang diperoleh adalah Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl 173

SUTANTO PRIYO HASTONO: Analisis Data Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu, merokok dan hipertensi. Adapun arti koef. B untuk masing-masing variabel adalah sbb: - 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.. 174

SUTANTO PRIYO HASTONO: Analisis Data 13 REGRESI LOGISTIK Berbeda dengan regresi linier yang variabel dependennya numerik, regreesi logistik merupakan jenis regresi yang mempunyai ciri khusus, yaitu variabel dependennya berbentuk variabel katagorik (terutama yang dikotomus, artinya katagorik yang terdiri dari dua kelompok, misalnya hidup/mati, puas/tidak puas dll). A. REGRESI LOGISTIK SEDERHANA 1. Pendahuluan Analisis regresi logistik adalah salah satu pendekatan model matematis yang digunakan untuk menganalisis hubungan satu atau beberapa variabel independen dengan sebuah variabel dependen katagorik yang bersifat dikotom/binary. Variabel katagorik yang dikotom adalah variabel yang mempunyai dua nilai variasi, misalnya sakit-tidak Sakit, bayi BBLR dan Normal, merokok dan tidak merokok, dan lain-lain Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis variabel dependennya. Regresi linear digunakan apabila variabel dependennya numerik , sedangkan regresi logistik diogunakan pada data yang dependennya berbentuk katagorik yang dikotom. Untuk memahami lebih jelas tentang regresi logistik coba kita lihat contoh analisis penelitian yang mempelajari hubungan antara variabel umur dengan kejadian penyakit jantung koroner. Pengamatan dilakukan pada 100 orang sampel, didapatkan hasil : No 1 2 3 4 5 6 7 8 9 10 11 … … 100 Umur 20 22 23 24 25 27 28 29 30 32 33 … … 70 PJK 0 0 1 0 0 1 0 1 1 0 0 … … 1 175

SUTANTO PRIYO HASTONO: Analisis Data Nomor merupakan nomor urut responden dan PJK merupakan variabel kejadian jantung koroner. Variabel PJK diberi kode 1 bila responden menderita PJK dan diberi kode 0 bila mereka tiodak menderita PJK. Bila data tersebut kita perlakukan analisisnya menggunakan regresi linier, misalnya dibuat penyajian dalam bentuk diagram tebar (Scatter Plot), maka hubungannya tidak jelas terlihattebaran data pada Scatter Plot membentuk dua garis yang sejajar. Diagram tebat menunjukkan adanya kecenderungan kejadian penyakit jantung koroner yang lebih sedikit pada responden yang berusia muda. Walaupun grafik tersebut telah dapat menggambarkan/menjelaskan variabel dependen (kejadiab PJK) yang cukup jelas, namun grafik tersebut tidak mampu menggambarkan dengan lebih tajam/jelas hubungan antara umur dangan kejadian PJK. Untuk mempertajam analisis kita, sekarang dicoba untuk mengelompokkan variabel independen (variabel umur) dan menhitung nilai tengah (dalam hal ini menghitung proporsi) variabel dependen (variabel PJK) untuk setiap kelompok variabel umur dan kejadian jantung dapat dilihat pada tabel berikut: 176

SUTANTO PRIYO HASTONO: Analisis Data Umur Jumlah PJK Ya Proporsi Tidak 1 Kejadian 20 – 29 10 9 2 0,10 30 – 34 15 13 3 0,13 35 – 39 12 9 5 0,25 40 – 44 15 10 6 0,33 45 – 49 13 7 5 0,46 50 – 54 8 3 13 0,63 55 – 59 17 4 8 0,76 60 – 69 10 2 43 0,80 Total 100 57 0,43 Pada tabel terlihat bahwa ada peningkatan proporsi kejadian jantung pada kelompok umur semakin tua/lanjut. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut: 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 20 - 29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer;lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur. Diawali peningkatan yang landai, kemudian meningkat tajam dan kemudian landai kembali, garis tersebut menyerupai huruf S. Kalau kita cermati, pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier, namun ada 177

SUTANTO PRIYO HASTONO: Analisis Data sedikit perbedaan hal dalam hal meringkas variabel dependennya. Seperti kita ketahui bahwa pada regresi linier kita ingin mengestimasi nilai mean variabel dependen berdasarkan setiap nilai variabel independen. Nilai tersebut disebut sebagai mean kondisional yang dinyatakan dengan E(Y/x), dengan Y sebagai dependen dan x sebagi independen. E(Y/x) adalah nilai Y yang diharapkan berdasarkan nilai x. misal Y variabel tekanan darah dan x variabel umur, maka untuk mengetahui estimasi tekanan darah berdasarkan umu, dihitung rata-rata (mean) tekanan darah pada masing-masing nilai umur. Pada regresi linier nilai E(Y/x) akan berkisar antara 0 s.d ∞ (0 ≤ E(Y/x) ≤ ∞). Pada regresi logistik dapat juga diperlakukan hal tersebut namun ada sedikit perbedaan dalam menghitung rata-rata variabel dependennya (Y). oleh karena pada regresi logistik dependennya adalah dikotom maka variabel dependen dihitung bukan dengan mean namun menggunakan proporsi. Seperti pada data di atas variabel Y kejadia PJK dan x variabel umur, maka untuk mengetahui estimasi kejadian PJK berdasarkan umur, dihitung proporsi kejadian PJK pada tiap kelompok umur. Pada regresi logistik, nilai E(Y/x) akan selalu berada antara nol dan satu (0 ≤ E(Y/x) ≤ 1). 2. Model Logistik f(z) = 1 . 1 + e-z f(Z) merupakan propbabilitas kejadian suatu penyakit berdasarkan faktor risiko tertentu. Misalnya probabilitas kejadian jantung pada umur tertentu. Nilai Z merupakan nilai indeks variabel independen. Nilai Z bervariasi antara -∞ sampai +∞. Bila nilai Z mendekati – ∞ maka f(– ∞) = 1 . = 0 1 + e-(– ∞) 178

SUTANTO PRIYO HASTONO: Analisis Data Bila nilai Z mendekati + ∞ maka f(+ ∞) = 1 . = 1 1 + e-(+ ∞) Fungsi Logistik dapat digambarkan sbb: 1 -∞ 0 +∞ Terlihat bahwa fungsi f(Z) nilai berkisar 0 dan 1 berapapun nilai Z. kisaran pada regresi logistik ini berari cocok/sesuai digunakan untuk model hubungan yang variabel dependennya dikotom. Grafik f(Z) membentuk garis yang berbentuk huruf S, ini berarti sesuai dengan contoh plot hubungan antara PJK dengan umur pada kasus yang telah kita bahas di atas. Bentuk S ini mencerminkan tentang pengaruh nilai Z pada risiko individu yang minimal pada nilai Z rendah kemudian seiring dengan meningkatnya nilai Z risiko juga semakin meningkat, dan pada ketinggian tertentu garisnya akan mendatar mendekati nilai 1. Berdasarkan uaraian tersebut maka bila ingin mengestimasi suatu probabilitas kejadian pada dependen yang dikotom maka model regresi logistik adalah pilihan yang tepat. 3. Model Logistik Model logistik dikembangkan dari funsi logistik dengan nilai Z merupakan penjumlahan linear konstanta (α) ditambah dengan β1X1, ditambah β2X2 dan seterusnya sampai βiXi. Variabel X adalah variabel Independen. 179

SUTANTO PRIYO HASTONO: Analisis Data Z = α + β1X1 (Regresi logistik sederhana) Z = α + β1X1 + β2X2 + … + βiXi (Regresi logistik berganda) Bila nilai Z dimasukkan pada fungsi Z, maka rumus fungsi Z adalah f(z) = 1 . e1 + -(α + β1X1 + β2X2 + … + βiXi) 4. Contoh Kasus Contoh studi follow up selama 9 tahun. Dalam studi ini dipelajari mengenai hubungan antara kejadian penyakit jantung koroner (dengan nama vaiabel PJK) dengan tinggi rendahnya kadar katekolamin dalam darah (nama variabel KAT). Pemberian kode nilai variabel adalah sbb: Untuk variabel PJK Æ 1 = timbul penyakit jantung koroner 0 = tidak ada penyakit jantung koroner Untuk variabel KAT Æ 1 = kadar katekolamin darah tinggi 0 = kadar katekolamin darah rendah Pertanyaan: a. Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai risiko untuk terjadi PJK? b. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko untuk terjadi PJK? c. Bandingkan risiko terjadi PJK antara mereka yang kadar katekolaminnya tinggi dengan yang kadar katekolaminnya rendah? Jawab: Dengan model regresi logistik maka pada soal tersebut modelnya adalah: f(z) = 1 . 1 + e-z 180

SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X), maka rumusnya: P(X) = 1 . 1 + e-z Bila Z = α + β1KAT, maka modelnya : P(X) = 1 . 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3,911 dan β1 = 0,652, maka: P(X) = 1. 1 + e-(-3,911 + 0,652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi. Oleh karena kadar katekolamin tinggi diberi angka 1, maka masukkan nilai KAT=1 pada model di atas, hasilnya: P(X) = 1. = 0,037 atau sekitar 4% 1 + e-(-3,911 + 0,652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up. b. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0, maka masukkan nilai KAT=0 pada model di atas, hasilnya: P(X) = 1. = 0,019 atau sekitar 2% 1 + e-(-3,911 + 0,652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up. c. Besar risiko kedua kelompok tersebut P1(X) = 0,037 = 1,947 = 2,0 P0(X) 0,019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk. Arti dari angka di atas adalah mereka yang kaadar 181

SUTANTO PRIYO HASTONO: Analisis Data katekolaminnya tinggi mempunyai risiko terjadi PJK dua (2) kali lebih tinggi dibandingkan mereka yang kadar katekolaminnya rendah. Model regresi logistik dapat digunakan pada data yang dikumpulkan melalui rancangan kohort, case control maupun cross sectional. Pada rancangan kohort prospektif dapat digunakan untuk memperkirakan risiko individual. Sedangkan pada rancangan case control dan cross sectional tidak dapat digunakan untuk menghitung risiko individual karena β0 pada rancangan ini tidak sahih. Nilai β0 dapat dihitung/diestimasi bila sampling fraction populasi yang disampel diketahui-kondisis ini hanya terjadi pada rancangan kohort (ket: sampling fraction adalah proporsi terpapar yang menjadi sakit atau tidak sakit). Namun dengan memperlakukan rancangan case control dan cross sectional sebagai studi follow up, maka dapat dihitung OR (Odds Ratio), yang merupakan perhitungan RR yang indirek. Nilai OR yang merupakan yang merupakan perhitungan eksponensial β dari persamaan garis regresi logistik. Odds Ratio (OR) = exp(β) atau dapat ditulis OR = e(β) Dengan demikian dapat disimpulkan bahwa Individual Risk (ririko individu) hanya dapat diperoleh dari rancangan kohor prospektif. Sedangkan pada rancangan case control, cross sectional tidak dapat melakukan prediskis risiko individual. Pada rancangan case control dan cross sectional dan cohort dapat dihitung nilai Odds Ratio (OR), yang merupakan perhitungan RR indirek. Pada rancangan kohort prospektif regresi logistik dapat digunakan untuk memprediksi/menaksir probabilitas individu untuk sakit (atau meninggal) berdasarkan nilai-nilai sejumlah variabel yang diukur padanya. Prediksi dapat digunakan dengan model: P(X) = 1 . 1 + e-(α + β1X1 + β2X2 + … + βiXi 182

SUTANTO PRIYO HASTONO: Analisis Data B. REGRESI LOGISTIK GANDA Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistik sederhana. Seperti juga pada regresi linier, keuntunngan regresi logistik ganda adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model. Pada regresi logistik, variabel independennya boleh campuran antara variabel katagorik dan numerik. Namun sebaiknya variabel independennya berupa katagorik karena dalam menginterpretasi hasil analisis akan lebih mudah. Kegunaan analisis regresi logistik ganda mencakup dua hal, yaitu: a. Model Prediksi Pemodelan dengan tujuan untuk memperoleh model yang tediri dari beberapa variabel independen yang dianggap terbaik untuk memprediksi kejadian variabel dependen. Pada pemodelan ini semua variabel dianggap penting sehingga estimasi dapat dilakukan estimasi beberapa koefisien regresi logistik sekaligus. Bentuk kerangka konsep model regresi : X1 Y X2 X3 X4 Prosedur pemodelan: Agar diperoleh model regresi yang hemat dan mampu menjelaskan hubungan variabel independen dan independen dalam populasi, diperlukan prosedur pemilihan variabel sbb: 1). Melakukan analisis bivariat antara masing-masing variabel independen dengan variabel dependennya. Bila hasil uji bivariat mempunyai nilai p < 0,25, maka variabel tersebut dapat masuk model multivariat. Namun bisa saja p value > 0,25 tetap diikutkan ke multivariat bila variabel tsb secara substansi penting. 183

SUTANTO PRIYO HASTONO: Analisis Data 2). Memilih variabel yang dianggap penting yang masuk dalam model, dengan cara mempertahankan variabel yang mempunyai p value < 0,05 dan mengeluarkan variabel yang p valuenya > 0,05. Pengeluaran variabel tidak serentak semua yang p valuenya > 0,05, namun dilakukan secara bertahap dimulai dari variabel yang mempunyai p value terbesar. 3). Identifikasi linearitas variabel numerik dengan tujuan untuk menentukan apakah variabel numerik dijadikan variabel katagorik atau tetap variabel numerik. Caranya dengan mengelompokkan variabel numerik ke dalam 4 kelompok berdasarkan nilai kuartilnya. Kemudian lakukan analisis logistik dan dihitung nilai OR-nya. Bila nilai OR masing-masing kelompok menunjukkan bentuk garis lurus, maka variabel numerik dapat dipertahankan. Namun bila hasilnya menunjukkan adanya patahan, maka dapat dipertimbangkan dirubah dalam bentuk katagorik. 4). Setelah memperoleh model yang memuat variabel-variabel penting, maka langkah terakhir adalah memeriksa kemungkinan interaksi variabel ke dalam model. Penentuan variabel interaksi sebiknya melalui pertimbangan logika substantif. Pengukian interaksi dilihat dari kemaknaan uji statistik. Bila variabel mempunyai nilai bermakna, maka variabel interaksi penting dimasukkan dalam model. b. Model Faktor Risiko Pemodelan dengan tujuan mengestimasi secara valid hubungan satu variabel utama dengan variabel dependen dengan mengontrol beberapa variabel konfonding. Bentuk kerangka konsep model faktor risiko: X1 Y X2 X3 X4 184

SUTANTO PRIYO HASTONO: Analisis Data Tahapan pemodelan: 1). Lakukan pemodelan lengkap, mencakup variabel utama , semua kandidat konfonding dan kandidat interaksi (interaksi diabuat antara variabel utama dengan semua variabel konfonding). 2). Lakukan penilaian interaksi, dengan cara mengeluarkan variabel interaksi yang nilai p Wald-nya tidak signifikan dikeluarkan dari model secara berurutan satu per satu dari nilai p Wald yang terbesar. 3). Lakukan penilaian konfonding, dengan cara mengeluarkan variabel kovariat/ konfonding satu per satu dimuali dari yang memiliki nilai p Wald terbesar, bila setelah dikeluarkan diperoleh selisih OR faktor/variabel utama antara sebelum dan sesudahvariabel kovariat (X1) dikeluarkan lebih besar dari 10%, maka variabel tersebut dinyatakan sebagai konfonding dan harus tetap berada dalam model. 185

SUTANTO PRIYO HASTONO: Analisis Data KASUS I : REGRESI LOGISTIK MODEL PREDIKSI Untuk latihan, gunakan file data “LBW.SAV” Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) , RAS (race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS (ui) dan PERIKSA HAMIL (ftv) dengan BBLR (low). Adapun langkahnya: A. SELEKSI BIVARIAT Masing-masing variabel independen dilakukan analisis bivariat dengan variabel dependen. Bila hasil bivariat menghasilkan p value < 0,25, maka variabel tersebut langsung masuk tahap multivariat. Untuk variabel independen yang hasil bivariatnya menghasilkan p value > 0,25 namun secara substansi penting, maka variabel tersebut dapat dimasukkan dalam model multivariat. Seleksi bivariat menggunakan uji regresi logistik sederhana. 1.Analisis bivariat antara “umur” dengan”bblr” 1. Pilih “Analyze” 2. Pilih “Regression” 3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen (dalam hal ini berarti masukkan “low”) dan pada kotak independen isikan variabel independennya (dalam hal ini berarti masukkan “age”). Sehingga tampilannya sbb: 186

SUTANTO PRIYO HASTONO: Analisis Data 5. Klik tombol ‘Options’ , klik ‘CI for Exp(B)’ 6. Klik ‘Continue’ 7. Klik “OK”, dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Chi-square df Sig. Block 2.760 1 .097 Model 2.760 1 .097 2.760 1 .097 Variables in the Equation Satep age B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1 -.051 .032 2.635 1 .105 .950 EXP(B) Const ant .385 .732 .276 1 .599 1.469 Lower Upper .893 1.011 a. Variable(s) entered on step 1: age. 187

SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output, pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0,097 berarti variabel umur p value nya <0,25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0,950 (95% CI: 0,89-1,01) 2.Analisis bivariat antara “ras” dengan “bblr” 1. Pilih “Analyze” 2. Pilih “Regression” 3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’. Tampilannya sbb: 5. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai, tepatnya 3 kelompok(yaitu :ras 188

SUTANTO PRIYO HASTONO: Analisis Data putih, hitam dan lainnya). Klik tombol Categorical, pindahkan ‘race’ dari kotak covariates ke kotak categorical covariates, klik pilihan ‘first’ pada bagian Reference category, lalu klik Change, dan tampilannya: 6. Klik Continue, layar ke menu logistic 7. Klik OK Categorical Variables Codings Parameter coding Race White Frequency (1) (2) Black 96 .000 .000 Other 26 67 1.000 .000 .000 1.000 Omnibus Tests of Model Coefficients Step 1 Step Chi-square df Sig. Block 5.010 2 .082 Model 5.010 2 .082 5.010 2 .082 189

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation B S.E. Wald df Sig. Exp(B) 95.0% C.I.for .845 .463 4.922 2 .085 2.328 EXP(B) 3.323 1 .068 Lower Upper Stea race .939 5.772 p 1 race(1) .955 3.736 race(2) .636 .348 3.345 1 .067 1.889 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. Analisis bivariat antara “hipertensi” dengan “bblr” 1. Pilih “Analyze” 2. Pilih “Regression” 3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”. Klik OK, Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Chi-square df Sig. Block 4.022 1 .045 Model 4.022 1 .045 4.022 1 .045 190

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1.214 .608 3.365 EXP(B) Satep ht 3.979 1 .046 1 Constant -.877 .165 .416 Lower Upper 1.021 11.088 28.249 1 .000 a. Variable(s) entered on step 1: ht. Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti masuk dalam multivariat 4. Analisis bivariat antara “kelainan uterus” dengan “bblr” 7. Pilih “Analyze” 8. Pilih “Regression” 9. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 10. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”. Klik OK, Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Chi-square df Sig. Block 5.076 1 .024 Model 5.076 1 .024 5.076 1 .024 Variables in the Equation B S.E. Wald df Sig. Exp(B) 95.0% C.I.for .947 .417 EXP(B) Satep ui 5.162 1 .023 2.578 1 Constant -.947 .176 Lower Upper 1.139 5.834 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 191

SUTANTO PRIYO HASTONO: Analisis Data 5.Analisis bivariat antara “periksa hamil” dengan “bblr” 1.Pilih “Analyze” 2.Pilih “Regression” 3.Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4.Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”. Klik OK, Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Chi-square df Sig. Block .773 1 .379 Model .773 1 .379 .773 1 .379 Variables in the Equation 95.0% C.I.for EXP(B) Satep ftv B S.E. Wald df Sig. Exp(B) Lower Upper 1 Constant -.135 .157 .744 1 .389 .874 .643 1.188 -.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.Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Chi-square df Sig. Block 4.867 1 .027 Model 4.867 1 .027 4.867 1 .027 192

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.0% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Satep 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.Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Chi-square df Sig. Block 6.779 1 .009 Model 6.779 1 .009 6.779 1 .009 Variables in the Equation Satep ptl B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1 Constant .802 .317 6.391 1 .011 2.230 EXP(B) -.964 .175 30.370 1 .000 .381 Lower Upper 1.197 4.151 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 : P value Variabel 0,097 Umur 0,082 Ras 0,045 Hipertensi 0,024 Kelainan uterus 0,379 Periksa hamil 0,027 Merokok 0,009 Prematur 193

SUTANTO PRIYO HASTONO: Analisis Data 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. B. PEMODELAN MULTIVARIAT Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian bblr. 1.. Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel dependen. 1. Pilih “Analyze” 2. Pilih “Regression” 3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan variabel age, race, smoke, ptl, ht, ui, ftv. Ingat untuk Race dilakukan dummy. 5. Klik Option, pilih ‘CI for exp(B)’ 6. Klik ‘Continue’ 194

SUTANTO PRIYO HASTONO: Analisis Data 7. Kilik ‘OK’ Logistic Regression Variables in the Equation Satep age B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1 race -.041 .036 1.249 1 .264 .960 EXP(B) 6.783 2 .034 2.743 Lower Upper 2.727 .894 1.031 2.622 race(1) 1.009 .502 4.034 1 .045 1.877 1.025 7.345 3.902 1.185 6.280 race(2) 1.003 .426 5.560 1 .018 2.229 1.219 5.639 1.009 3.654 smoke .964 .391 6.090 1 .014 .964 13.451 .306 1.132 5.468 ptl .630 .340 3.429 1 .064 1.384 .909 ht 1.361 .631 4.648 1 .031 .736 ui .802 .458 3.066 1 .080 ftv .009 .161 .003 1 .954 Constant -1.183 .919 1.659 1 .198 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. Dengan langkah yang sama akhirnya diperoleh hasil sbb. 195

SUTANTO PRIYO HASTONO: Analisis Data Logistic Regression Variables in the Equation Satep age B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1 race -.040 .036 1.275 1 .259 .960 EXP(B) 6.781 2 .034 2.744 Lower Upper 2.723 .896 1.030 2.620 race(1) 1.009 .503 4.035 1 .045 1.875 1.025 7.347 3.889 1.184 6.262 race(2) 1.002 .425 5.562 1 .018 2.226 1.219 5.632 3.651 smoke .963 .390 6.086 1 .014 .306 .963 13.341 1.134 5.454 ptl .629 .340 3.423 1 .064 .908 ht 1.358 .629 4.663 1 .031 ui .800 .457 3.063 1 .080 Constant -1.184 .919 1.661 1 .197 a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui. Setelah ftv dikeluarkan kita lihat perubahan nilai OR untuk variabel age, race, smoke, ptl, ht, dan ui. 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 Dengan hasil perbandingan OR terlihat tidak ada yang > 10 % dengan demikian dikeluarkan dalam model. Selanjutnya variabel yang terbesar p valuenya adalah umur, dengan demikian dikelurkan dar model dan hasilnya Hasilnyanya : 196

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1.088 .501 7.968 2 .019 EXP(B) .030 2.968 4.723 1 .011 2.883 Lower Upper .010 2.694 Satep race .085 1.779 1.113 7.916 1 race(1) .031 3.912 1.271 6.538 .058 2.350 1.263 5.747 race(2) 1.059 .418 6.422 1 .000 3.422 .117 .925 13.537 smoke .991 .387 6.569 1 1.131 5.692 ptl .576 .334 2.975 1 .970 ht 1.364 .633 4.640 1 ui .855 .451 3.585 1 Constant -2.146 .386 30.917 1 a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui. Setelah variabel umur dikeluarkan, kita cek lagi perubahan OR untuk variabel yang masih aktif di model. 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 Dari analisis perbandingan OR, ternyata perubahannya < 10 %, dengan demikian variabel umur dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel yang p valuenya > 0,05, variabel ptl dikeluarkan model, hasilnya 197

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1.064 .499 8.245 2 .016 EXP(B) .033 2.897 4.545 1 .009 2.955 Lower Upper .004 2.986 Satep race .031 3.894 1.090 7.704 1 race(1) .022 2.734 1.315 6.640 .000 1.419 6.286 race(2) 1.083 .413 6.877 1 .123 1.133 13.379 1.158 6.458 smoke 1.094 .380 8.299 1 ht 1.359 .630 4.660 1 ui 1.006 .438 5.262 1 Constant -2.092 .380 30.307 1 a. Variable(s) entered on step 1: race, smoke, ht, ui. Setelah ptl dikeluarkan, kita lihat perubahan OR nya: Variabel OR ptl ada OR ptl tak ada perubahan OR Age 0.960 - 5,6 % 8,3 % Race(1) 2.743 2.897 13,8 % Race(2) 2.727 2.955 - 0.2 % Smoke 2.622 2.986 22,6 % Ptl 1.877 - Ht 3.902 3.894 ui 2.229 2.734 ftv 1.009 - Ternyata setelah ptl dikeluarkan, OR variabel merokok dan kelainan uterus berubah > 10 %, dengan demikian variabel ptl dimasukkan kembali dalam model. Kemudian variabel ui dikeluarkan dalam model karena p valuenya > 0,05, dan hasilnya sbb: 198

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1.062 .500 8.286 2 .016 EXP(B) .034 2.894 4.513 1 .008 2.958 Lower Upper .009 2.707 Satep race .052 3.390 1.086 7.712 1 race(1) .032 2.007 1.321 6.626 .000 1.280 5.726 race(2) 1.085 .411 6.949 1 .132 11.640 .988 3.793 smoke .996 .382 6.794 1 1.062 ht 1.221 .629 3.764 1 ptl .696 .325 4.596 1 Constant -2.025 .372 29.586 1 a. Variable(s) entered on step 1: race, smoke, ht, ptl. Kita lihat kembali perubahan nilai OR setelah variabel ui dikeluarkan : 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 - - Setelah dilakukan perbandingan OR, ternyata variabel ht berubah > 10 %, dengan demikian variabel ui masuk kembali dalam model. Akhirnya model yang dihasilkan adalah sbb: 199

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation B S.E. Wald df Sig. Exp(B) 95.0% C.I.for 1.088 .501 7.968 2 .019 EXP(B) .030 2.968 4.723 1 .011 2.883 Lower Upper .010 2.694 Satep race .085 1.779 1.113 7.916 1 race(1) .031 3.912 1.271 6.538 .058 2.350 1.263 5.747 race(2) 1.059 .418 6.422 1 .000 3.422 .117 .925 13.537 smoke .991 .387 6.569 1 1.131 5.692 ptl .576 .334 2.975 1 .970 ht 1.364 .633 4.640 1 ui .855 .451 3.585 1 Constant -2.146 .386 30.917 1 a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui. C. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi, kalau memang tidak ada tidak perlu dilakukan uji interaksi. Dalam kasus sekarang, misalkan kita duga merokok berinteraksi dengan hipertensi. Langkahnya: 1. klik analysis, klik regression, klik binary ogistik 2. Kotak dependen isikan low 3. Kotak Kovariat isikan Race, smoke, ptl, ht dan ui 4. Klik tombol Next 5. isikan : smoke*ht ke kotak kovariat 6. klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Chi- df Sig. Block square 1 .994 Model 1 .994 .000 7 .000 .000 26.560 200