ANALISIS BIVARIAT DATA NUMERIK DAN NUMERIK Uji Korelasi dan Regresi PDF

Preview

Summary

ANALISIS BIVARIAT DATA NUMERIK DAN NUMERIK Uji Korelasi dan Regresi Sebagai contoh kita akan melakukan analisis korelasi dan regresi menggunakan data yang sudah dibagikan (ASI Ekslusif) dengan mengambil variabel yang bersifat numerik yaitu berat badan ibu dengan berat badan bayi. A. Korelasi Untuk m...

Description

Accelerat ing t he world's research.

ANALISIS BIVARIAT DATA NUMERIK DAN NUMERIK Uji Korelasi dan Regresi I Gede Purnawinadi

Related papers

Download a PDF Pack of t he best relat ed papers 

PROGRAM ST UDI S3 KESEHATAN MASYARAKAT PASCA SARJANA UNIVERSITAS ANDALAS MO… Indah Nisa

SUTANT O PRIYO HAST ONO: Analisis Dat a SUTANT O PRIYO HAST ONO Rurisu Shant ika Sukandar ANALISIS BIVARIAT DATA KAT EGORIK DAN NUMERIK Uji t dan ANOVA I Gede Purnawinadi

ANALISIS BIVARIAT DATA NUMERIK DAN NUMERIK Uji Korelasi dan Regresi

Sebagai contoh kita akan melakukan analisis korelasi dan regresi menggunakan data yang sudah dibagikan (ASI Ekslusif) dengan mengambil variabel yang bersifat numerik yaitu berat badan ibu dengan berat badan bayi. A. Korelasi Untuk mengeluarkan uji korelasi, langkahnya adalah sebagai berikut: 1. Aktifkan data ASI Eksklusif (program SPSS) 2. Dari menu utama SPSS, klik ͚Analyze͛, kemudian pilih ͚correlate͛, dan pilih ͚Bivariate͛, muncullah menu Bivariate Correlation: 3. Sorot variabel berat badan ibu dan berat badan bayi, lalu masukkan ke kotak sebelah kanan ͚variables͛.

©IgE_Analisis Bivariat (Korelasi dan Regresi)_Biostatistics/Nursing Unklab 2016

Page 1

4. Klik ͚OK͛ dan terlihat hasil: Correlations Berat badan Berat Badan Ibu Berat Badan Ibu

Pearson Correlation

1

Sig. (2-tailed) N Berat badan Bayi

Pearson Correlation Sig. (2-tailed) N

Bayi .684

**

.000 50

50

**

1

.684

.000 50

50

**. Correlation is significant at the 0.01 level (2-tailed).

Tampilan analisis korelasi berupa matrik antar variabel yang dikorelasi, informasi ya g muncul terdapat tiga baris, pertama berisi nilai korelasi (r), kedua menampilkan nilai p Value, dam ketiga menampilkan N (jumlah data). Pada hasil di atas diperoleh nilai r = 0,684 dan nilai p = 0,000.

©IgE_Analisis Bivariat (Korelasi dan Regresi)_Biostatistics/Nursing Unklab 2016

Page 2

Mnurut Colton, kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam 4 area, yaitu: r = 0,00 – 0,25

tidak ada hubungan/hubungan lemah

r = 0,26 – 0,50

hubungan sedang

r = 0,51 – 0,75

hubungan kuat

r = 0,76 – 1,00

hubungan sangat kuat/sempurna

Kesimpulan dari hasil tersebut: berat badan ibu dan bayi menunjukkan hubungan yang kuat dan berpola positif, artinya semakin bertambah berat badan ibu semakin tinggi berat badan bayinya. Hasil uji statitiik didapatkan ada hubungan yang signifikan antara berat badan ibu dan berat badan bayi (p = 0,000).

B. Regresi Linier Sederhana Dalam analisis regresi kita harus menentukan variabel independen dan dependennya. Dalam kasus ini berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen. Caranya: 1. Pastikan tampilan berada pada data editor (SPSS), jika belum, aktifkan data tersebut. 2. Dari menu SPSS, klik ͚Analyze͛, pilih ͚Regression͛, pilih ͚Linear͛

©IgE_Analisis Bivariat (Korelasi dan Regresi)_Biostatistics/Nursing Unklab 2016

Page 3

3. Klik berat badan bayi , masukkan ke kotak Dependent 4. Klik berat badan ibu , masukkan ke kotak Independent

5. Klik ͚OK͛, dan hasilnya: Model Summary

Model

R

1

.684

Adjusted R

Std. Error of the

Square

Estimate

R Square a

.468

.456

430.715

a. Predictors: (Constant), Berat Badan Ibu

a

ANOVA Model 1

Sum of Squares

df

Mean Square

Regression

7820261.965

1

7820261.965

Residual

8904738.035

48

185515.376

16725000.000

49

Total

F

Sig.

42.154

.000

b

a. Dependent Variable: Berat badan Bayi b. Predictors: (Constant), Berat Badan Ibu

©IgE_Analisis Bivariat (Korelasi dan Regresi)_Biostatistics/Nursing Unklab 2016

Page 4

Coefficients

a

Standardized Unstandardized Coefficients Model 1

B (Constant) Berat Badan Ibu

Std. Error

657.929

391.676

44.383

6.836

Coefficients Beta

t

.684

Sig.

1.680

.099

6.493

.000

a. Dependent Variable: Berat badan Bayi

Dari hasil tersebut, dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya: pada tabel Model Summary koefisien determinasi (nilai R Square = 0,468) yang artinya persamaan garis regresi yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi. Selanjutnya pada tabel ANOVA, diperoleh nilai p )di kolom Sig) sebesar 0,000, berarti pada alpha 5% kita dapat menyimpulkan bahwa regresi sederhana cocok (fit) dengan data yang ada. Persamaan garis regresi dapat dilihat pada tabel Coefficients yaitu pada kolom B: nilai konstan ini merupakan nilai intercept atau nilai a sebesar 657,929 atau 657,93, sedangkan nilai b = 44,38, sehingga persamaan regresinya:

Y = a + bX Berat badan bayi = 657,93 + 44,38 x (BB ibu)

Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu 60 kg, maka: BB bayi = 657,93 + 44,38 (60) = 3320,73 gram atau 3,32 kg. Dari nilai b = 44,38 berarti variabel berat badan bayi akan bertambah sebesar 44,38 gram bila berat badan ibu bertambah setiap satu kilogram. Penyajian data: Variabel Berat Badan Ibu

r 0,684

R2 0,468

Persamaan Regresi BB Bayi = 657,93 + 44,38 (BBibu)

©IgE_Analisis Bivariat (Korelasi dan Regresi)_Biostatistics/Nursing Unklab 2016

P value 0,000

Page 5...