BIVARIAT

Zuliardi, Ners., M.Kep

 Hipotesis
• Ho = Hipotesis diterima
• Ha = Hipotesis Gagal ditolak / gagal menolak hipotesis

Arah hipotesis menentukan arah Uji Statistik apakah

dengan satu arah (one tail) atau dua Arah (Two Tail)
• One Tail Menyatakan lebih tinggi/rendah
• Two Tail Menyatakan ada perbedaan/pengaruh tanpa
tinggi atau rendah
 Tingkat Kemaknaan
• ά = besarnya peluang untuk menolak hipotesis, nilai
ά merupakan batas maksimal kesalahan menolak
Hipotesis.
Jenis Uji Statistik
• Parametrik = Bila Distribusi data
Normal/Simetris/Gauss
• Non Parametrik = Bila Distribusi data TIDAK Normal
atau tidak diketahui distribusinya.
 Jenis Uji Statistik sangat bergantung pada:
• Jenis Variabel Yang akan dianalisis
• Jenis Data Dependen/ Independen
• Jenis Distribusi Data
• Jika Uji Beda Mean maka dilakukan dengan Uji t atau
Anova
• Jika Uji Proporsi dengan menggunakan Kai Kuadrat
Ketentuan-ketentuan Hipotesis
• Bila p value < άMaka Ho Ditolak
• Bila p Value > ά maka Ho Gagal Ditolak
UJI Statistik yang dapat digunakan untuk
analisis BIVARIAT
VARIABEL I VARIABEL II Jenis Uji Statistik
yang digunakan
KATEGORIK KATEGORIK - KAI KUADRAT
- FISHER EXACT
KATEGORIK NUMERIK - UJI T
- ANOVA
NUMERIK NUMERIK - KORELASI
- REGRESI
 Analisi KATEGORIK dgn NUMERIK
→UJI T
• Dalam kesehatan kita sering menggunakan uji dua beda mean
(ex. kota desa, BB diet sebelum setelah diet)
• pendekatan uji ini dapat menggunakan pendekatan distribusi Z
dan t, lebih sering digunakan uji t
• Perlu diperhatikan kedua kelompok data tersebut dependen
atau independen.
• Ex. Uji beda TD orang kota dan Desa menggunakan T
Independen
• Uji beda TD sebelum minum obat dan setelah menggunakan T
Dependen
 Uji Beda Dua Mean Independen (T Test)
• tuhuan : untuk mengetahui perbedaan mean dua
kelompok data independen
• syarat
1.Data berdistribusi Normal/simetris
2.Kedua kelompok data Independen
3.variabel yang dihubungkan berbentuk NUMERIK dan
KATEGORIK (Ingat: Variabel Kategorik hanya dengan
DUA KELOMPOK)
Uji Beda Dua Mean dependen (Paired t test)
a. Tujuan : untuk menguji perbedaan mean antara dua
kelompok data yang dependen
Ex, Perbedaan Tingkat pengetahuan sebelum dan
sesudah pelatihan perbedaan BB sebelum dan
sesudah Diit
a. syarat
1. Distribusi data Normal
2. Kedua Kelompok data Dependen/ Pair
3. Jenis Variabel : NUMERIK dan KATEGORIK (dua
Kelompok)
 Back to SPSS Mode
perbedaan kadar hb ibu menyusui eksklusif dan tidak eksklusif

• Analyze → Compare Means → “Independent-Sample T test”

• kotak “Test variable (s) Untuk Variable NUMERIK (hb1)
• dan “Grouping Variable” untuk Variable KATEGORIK (jgn sampai
terbalik) Klik “Define Groups” diketahui dari pengkodean
sebelumnya 0= tidak eksklusif dan 1= eksklusif maka
Ketik 0 pada group 1” dan 1 pada “Group 2)
 Group Statistics
Status Menyusui ASI N Mean Std. Deviation Std. Error Mean
Kadar Hb
Pengukuran tdk eksklusif 24 10.421 1.4712 .3003
Pertama
eksklusif 26 10.277 1.3228 .2594
Independent Samples Test
Levene's Test for
Asumsi Equality of t-test for Equality of Means
Kelompok Variances
Sama/ Tidak 95% Confidence
F Sig. t df Sig. (2- Mean Std. Error Interval of the
tailed) Difference Difference Difference
Lower Upper
Kadar Hb Equal variances .072 .790 .364 48 .717 .1439 .3951 -.6505 .9384
Pengukuran assumed
Pertama Equal variances not .363 46.376 .719 .1439 .3968 -.6547 .9425
assumed
Melihat nilai p value pada bagian
Untuk melihat uji mana yang digunakan, ini,karena variannya sama maka
jika p < ά maka varian beda, jika p > ά nilainya 0.717 sehingga p > ά artinya
gunakan varian sama tdk ada beda
 Interpretasi pada laporan penelitian sbb:
Tabel…… Distribusi rata-rata kadar Hb Responden menurut perilaku
menyusui di…th ….

Menyusui Mean Std.Dev Std. Eror P Value N

Eksklusif 10.277 1.3228 0.2594 26
.3003 0.717
Tdk Eksklusif 10.421 1.4712 24

Rata-rata kadar Hb ibu menyusui Eksklusif adalah 10.277 gr% dengan

Standar Deviasi 1,322 gr%, sedangkan untuk ibu yang menyusui Non
eksklusif rata-rata kadar Hbnya adalah 10,421gr% dengan standar deviasi
1,471gr%. Hasil uji statistik didapatkan nilai p= 0,717 berarti pada alpha 5%
terlihat tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu
yang menyusui secara Eksklusif dengan non eksklusif.
 Uji T Dependen (Paired/Related t test)
Syarat
• Paling sering digunakan pada penelitian Eksperimen
• Kedua sample bersifat Dependen
• Kelompok yang di bandingkan memiliki subyek yang
sama
• Diukur 2x dan di teliti 2x (Pre Post)
• Ex. BB pre post, TD pre post dll
Kita gunakan contoh uji beda rata-rata Hb antara Hb1 dan
Hb2
 Back to SPSS Mode
• Analyze → Compare Means → “Paired-Sample T test”
• Masukkan satu persatu mulai Hb1 ►Hb2
Paired Samples Statistics
Mean N Std. Std. Error
Deviation Mean
Kadar Hb
Pengukuran 10.346 50 1.3835 .1957
Pair 1 Pertama
Kadar Hb
Pengukuran Kedua 10.860 50 1.0558 .1493

Paired Samples Correlations

N Correlation Sig.
Kadar Hb Pengukuran
Pair 1 Pertama & Kadar Hb 50 .707 .000
Pengukuran Kedua
 Paired Samples Test
Paired Differences
Std. Std. 95% Confidence t df Sig. (2-
Mean Deviatio Error Interval of the tailed)
n Mean Difference
Lower Upper
Pair 1 Kadar Hb
Pengukuran
Pertama - -
Kadar Hb -.5140 .9821 .1389 -.7931 -.2349 3.701 49 .001
Pengukuran
Kedua

Nilai Mean
Pebedaan Uji beda dengan T berpasangan dengan nilai
pengukuran 1 p value dengan hasil p value < άmaka dapat
dan 2 disimpulkan ada perbedaan yang signifikan
kadar Hb antara pengukuran 1 dan 2
 Interpretasi tabel hasil uji Paired t Test
Variable Mean Std.Dev Std. Eror P Value N
Kadar Hb
Pengukuran I 10.346 1.3835 0.1957
0.001 50
Pengukuran Ii 10.860 1.0558 0.1493

Rata-rata kadar Hb pada pengukuran pertama adalah 10,346 gr%

dengan standar deviasi 1,38 gr%. Pada pengukuran kedua didapat
rata-rata kadar Hb adalah 10,860 gr% dengan standar deviasi 1,05 gr%.
Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua
adalah 0,514 dengan standar deviasi 0,982. hasil uji statistik
didapatkan nilai 0,001 maka dapat disimpulkan ada perbedaan yang
signifikan antara kadar Hb pengukuran pertama dan kedua.
 Kategorik n Numerik UJI ANOVA atau UJI F
• Uji ini digunakan untuk uji beda numerik kategorik
dengan kelompok LEBIH DARI 2 kelompok.
• Pada prinsipnya uji ini melakukan penelaahan
variabilitas antara dua sumber variasi yaitu :
1. Variasi DALAM Kelompok (Within)
2. Variasi ANTAR Kelompok (Between)
Bila variasi within dan between sama (nilai perbandingan
kedua varian sama dengan 1) maka tidak ada pebedaan,
sebaliknya jika LEBIH dari 1 maka ada perbedaan
• Analisis Varian (ANOVA) mempunyai 2 jenis analisis :
1. Analisis varian SATU Faktor (One Way) (dibahas)
2. Analisis varian DUA Faktor (Two Way) (tidak)

Syarat Pemilihan uji ANOVA

1. Varian Homogen
2. Sample Kelompok INDEPENDEN
3. Data Berdistribusi Normal
4. Jenis data yang dihubungkan : NUMERIK dgn
KATEGORIK (kategori > 2 kelompok)
Perhitungan uji ANOVA Sbb:
Analisis Multi Comparisio (POSTHOC TEST)
Tujuan : Mengetahui lebih lanjut kelompok mana saja
yang berbeda mean-nya.

Jenis-jenis Analisis Multi Comparison

1. Bonferroni (dibahas)
2. Honestly Significant different (HSD)
3. Scheffe, dll
 Back to SPSS Mode
• Ex. Hubungan antara tingkat pendidikan dengan Berat
Badan Bayi (varibel pendidikan merupakan kategorik
dengan 4 kategori) BB Bayi adalah Variabel Numerik.
• Analyze → Compare Means” → One-Way ANOVA. Lalu tunggu
menu keluar
• Dependent List : Isi variable Numerik (BB Bayi)
• Factor : Isi Varible KATEGORIK (Pendidikan)
• Klick “Option” beri √ pada kotak “Descriptive” → Continue
• Klik Tombol “ Post Hoc” tandai √ “Bonferroni” → Continue lalu
klick OK
 Descriptives
berat badan Bayi
95% Confidence Interval for
N Mean Std. Std. Error Mean Minimum Maximum
Deviation
Lower Bound Upper Bound
SD 10 2470.00 249.666 78.951 2291.40 2648.60 2100 2900
SMP 11 2727.27 241.209 72.727 2565.23 2889.32 2100 3000
SMU 16 3431.25 270.108 67.527 3287.32 3575.18 3000 4000
PT 13 3761.54 386.304 107.141 3528.10 3994.98 3000 4100
Total 50 3170.00 584.232 82.623 3003.96 3336.04 2100 4100

ANOVA
berat badan Bayi
Sum of Squares df Mean Square F Sig.
Between Groups 12697037.587 3 4232345.862 48.334
.000
Within Groups 4027962.413 46 87564.400
Total 16725000.000 49 Penulisan
0,0005
 Bonferroni (Melihat Kelompok yang Signifikan dari ke 4 Kelompok
Multiple Comparisons
berat badan Bayi
Bonferroni
Mean 95% Confidence Interval
(I) Pendidikan formal (J) Pendidikan Difference Std. Lower Upper
ibu menyusui formal ibu menyusui (I-J) Error Sig. Bound Bound
SMP -257.273 129.294 .315 -613.76 99.21
SD SMU -961.250* 119.286 .000 -1290.14 -632.36
PT -1291.538* 124.468 .000 -1634.72 -948.36
SD 257.273 129.294 .315 -99.21 613.76
SMP SMU -703.977* 115.902 .000 -1023.54 -384.42
PT -1034.266* 121.228 .000 -1368.51 -700.02
SD 961.250* 119.286 .000 632.36 1290.14
SMU SMP 703.977* 115.902 .000 384.42 1023.54
PT -330.288* 110.492 .027 -634.93 -25.64
SD 1291.538* 124.468 .000 948.36 1634.72
PT SMP 1034.266* 121.228 .000 700.02 1368.51
SMU 330.288* 110.492 .027 25.64 634.93
*. The mean difference is significant at the 0.05 level.
 Interpretasi Hasil Uji ANOVA

• Rata-rata berat bayi pada mereka yang berpendidikan SD adalah

2470,0 gram dengan standar deviasi 249,6 gram. Pada mereka yang
berpendidikan SMP rata-rata berat bayinya adalah 2727,20 gram
dengan standar deviasi 241,2 gram. Pada mereka yang
berpendidikan SMU rata-rata berat bayinya adalah 3431,2 gram
dengan standar deviasi 270,1 gram. Pada mereka yang
berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram
dengan standar deviasi 386,3 gram.
• Hasil uji statistik didapat niali p=0,0005, berarti pada
alpha 5% dapat disimpulkan ada perbedaan berat bayi
diantara keempat jenjang pendidikan. Analisis lebih
lanjut membuktikan bahwa kelompok yang berbeda
signifikan adalah tingkat pendidikan SD dengan SMU,
SD dengan PT, SMP dengan SMU,SMP dengan PT.
 2. BIVARIAT UJI STATISTIK KATEGORIK
DGN KATEGORIK
UJI KAI KUADRAT
• Tujuan :Menguji perbedaan Proporsi dua atau lebih
kelompok sampel
• Pengingat ! Variabel KATEGORIK adalah yang terbentuk
dari hasil KLASIFIKASI/PENGGOLONGAN. Ex. Jenis
kelamin, jenis pekerjaan, gol. Darah, pndidikan dll.
• Variabel numerik dapat menjadi Kategorik melalui
proses pengelompokan.
 Prinsip dasar Uji Kai Kuadrat

• Membandingkan Frekuensi yang terjadi (Observasi)

dengan Frekuensi Harapan (Ekspektasi)
• Bila Nilai Frekuensi Observasi = nilai Ekspektasi →
TIDAK ADA PERBEDAAN BERMAKNA.
• Bila Nilai Frekuensi Observasi dan nilai Ekspektasi
BERBEDA → ADA PERBEDAAN BERMAKNA (Signifikan)
Nilai variabel disajikan dalam bentuk tabel silang
 Keterbatasan Uji Kai Kuadrat
Jika anda menggunakan Uji Kai Kuadrat Anda Harus
Memperhatikan keterbatasan Uji ini, yaitu:
1. TIDAK BOLEH ada Sel yang mempunyai nilai
Harapan (nilai E) < 1
2. TIDAK BOLEH ada Sel yang mempunyai nilai
Harapan (nilai E) < 5, lebih dari 20% dari jumlah sel.
Jika hal ini terjadi maka penguji harus menggabungkan
kategori2 yang berdekatan dalam rangka memperbesar
nilai harapan sel, jika keterbatasan tersebut terjadi pada
tabel 2x2 ,aka dianjurkan menggunakan Fisher’s Exact.
 Odd RATIO (OR) dan Risiko Relatif (RR)
• Uji kai kuadrat hanya menyimpulkan ada tidaknya perbedaan
Proporsi antara kelompok atau hanya menyipulkan
ada/tidaknya hubungan dua variabel kategorik
• Uji kai kuadrat tidak dapat menjelaskan Derajat hubungan.
• Maka Untuk menjelaskan derajat digunakan OR dan RR,
• Risiko Relatif (RR) → Membandingkan risiko kelompok ter-ekpose dgn
kelompok TIDAK Ter-ekspose digunakan pada Desine KOHORT.
• Odd Ratio (OR) → membandingkan Odds pada kelompok ter-ekspose
dengan kelompok TIDAK Ter-ekspose digunakan pada desain potong
lintang (CROSS SECTIONAL)
• Perhatian !!!!! Pada jenis UJI ini anda Harus Betul-betul
memperhatikan PENGKODEAN..Harus KONSISTENSI Kode
Variabel Independen dengan Dependen
Untuk Variabel INDEPENDEN
• Kelompok yang berisiko/Ekspose diberi Kode Tinggi (KODE 1)
• Kelompok yang TIDAK Berisiko/Non Ekspose diberi Kode
Rendah (KODE 0)
Untuk Variabel DEPENDEN
• Kode Tinggi (KODE 1) Untuk kelompok kasus atau Fokus
Pembahasan
• Kode Rendah (KODE 0) untuk Kelompok non kasus/Bukan
Fokus Pembahasan.
• Contoh Kasus :
Ibu TIDAK BEKERJA diberi kode 1 ……(Berisiko)
Ibu BEKERJA diberi kode 0 …….(tidak Berisiko)
Dan
Ibu yang menyusui Eksklusif diberi Kode 1 …(Fokus
Bahasan)
Ibu yang menyusui NON Eksklusif diberi kode 0 (Bukan
focus bahasan)

!!!! Kode ini dapat dibalik namun Harus KONSISTEN.

Contoh Interpretasi data
• Pembuatan persentase pada analisis tabel silang harus
diperhatikan agar tidak salah dalam menginterpretasi. Pada jenis
penelitian survei/Cross sectional atau Kohort, pembuatan
persentasenya berdasarkan nilai variabel independen. Contoh di
atas jenis penelitiannya Cross Sectional, variabel pendidikan
sebagai variabel independen dan pengetahuan sebagai variabel
dependen. Dapat dilihat di tabel persentasenya berdasarkan
masing-masing kelompok tingkat pendidikan (persentase baris).
• Dari 50 pasien yang berpendidikan SD, ada sebanyak 25
(50,0%) pasien mempunyai pengetahuan tinggi. Dari 40 pasien
yang berpendidikan SMP, ada sebanyak 24 (60,0%) yang
berpengetahuan tinggi. Dari 30 pasien yang berpendidikan
SMU ada sebanyak 20 (66,7%) yang berpengetahuan tinggi.
Dan dari 25 pasien yang berpendidikan PT, ada sebanyak 20
(80,0%) yang berpengetahuan tinggi. Dari data ini terlihat ada
kecenderungan bahwa semakin tinggi tingkat pendidikan akan
semakin tinggi tingkat pengetahuannya.
 Pada penelitian yang berjenis kasus kontrol (Case Control)
pembuatan
persentasenya berdasarkan variabel dependennya, misalkan
terlihat ada tabel berikut:

• Interpretasinya: Dari mereka yang menderita kanker paru, ada

sebanyak 75 (75%) responden berjenis kelamin laki-laki.
Sedangkan pada kelompok yang tidak menderita kanker paru,
ada sebanyak (30%) responden yang berjenis kelamin laki-laki.
 Back to SPSS Mode
• Ex. Hubungan Pekerjaan (bekerja dan tidak bekerja)
dengan Perilaku menyusui (Eksklusif dan Non
Eksklusif)
• Start → Analyze → Descriptive Statistics → Crosstab
• Menu Crosstab pada Bagian “Row” Di isi Status
Pekerjaan/variable INDEPENDEN (var. Bebas) pada
bagian “Column(s)” diisi variabel Status Menyusui
Variabel DEPENDEN
• Pada Pilihan “Option” Klik pilihan “Chi Square” dan Klik
“Risk” → klik Continue
• Klik Option “Cell” pada bagian Percentages klik “Row” → Continue
 Hasil Tabel Silang/Crosstab

Status Pekerjaan Ibu * Status Menyusui ASI Crosstabulation

Status Menyusui ASI
Total
tdk eksklusif eksklusif
Count 17 8 25
Kerja % within Status
Status Pekerjaan Pekerjaan Ibu 68.0% 32.0% 100.0%
Ibu Count 7 18 25
tdk Kerja % within Status
Pekerjaan Ibu 28.0% 72.0% 100.0%
Count 24 26 50
Total % within Status
Pekerjaan Ibu 48.0% 52.0% 100.0%

Status yang di tampikan Ada sebanyak 18 (72,0%) ibu yang tidak

ROW karena Cross bekerja menyusui bayi secara eksklusif.
Sectional / Jika COLUMNS Sedangkan diantara ibu yang bekerja, ada 8
berarti Case Control
(32,0%) yang menyusui secara eksklusif.
 Tabel Chi Square
Nilai Mana Yang Chi-Square Tests
Digunakan ???? Value df Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-
sided) sided) sided)
Pearson Chi-Square 8.013a 1 .005
Continuity Correctionb 6.490 1 .011
Likelihood Ratio 8.244 1 .004
Fisher's Exact Test .010 .005
Linear-by-Linear 7.853 1 .005
Association
N of Valid Cases 50
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 12.00.
b. Computed only for a 2x2 table
• Bila pada 2 x 2 dijumpai nilai Expected (harapan)
kurang dari 5, maka yang digunakan adalah “Fisher’s
Exact Test”
• Bila tabel 2 x 2, dan tidak ada nilai E < 5, maka uji
yang dipakai sebaiknya “Continuity Correction (a)”
• Bila tabelnya lebih dari 2 x 2, misalnya 3 x 2, 3 x 3 dsb,
maka digunakan uji “Pearson Chi Square”
• Uji “Likelihood Ratio” dan “Linear-by-Linear
Assciation”, biasanya digunakan untuk keperluan
lebih spesifik, misalnya analisis stratifikasi pada bidang
epidemiologi dan juga untuk mengetahui hubungan
linier dua variabel katagorik, sehingga kedua jenis ini
• Dengan demikian kita menggunakan uji Chi Square yang sudah
dilakukan koreksi (Continuity Correction) dengan p value
dapat dilihat pada kolom“ Asymp. Sig” dan terlihat p
valuenya = 0,011. berarti kesimpulannya ada perbedaan
perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu
yang tidak bekerja. Dengan kata lain dapat disimpulkan bahwa
ada hubungan status pekerjaan dengan perilaku menyusui
eksklusif.
• Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya
hubungan dua variabel, sehingga uji ini tidak dapat untuk mengetahui
derajat/kekuatan hubungan dua variabel.
• Untuk mengetahui besar/kekuatan hubungan banyak metodenya
tergantung latar belakang disiplin keilmuannya, misal untuk ilmu sosial
dengan melihat koefisien Phi, koefisien Contingency dan cramer’s V. untuk
bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR
atau RR. Nilai OR digunakan untuk jenis penelitian Cross Sectional dan
Case Control, sedangkan nilai RR digunakan bila jenis penelitiannya
Kohort.
 Risk Estimate Pada hasil di atas nilai OR terdapat
95% Confidence pada baris Odds ratio yaitu 5,464 (95%
Interval CI: 1,627 – 18,357). Sedangkan nilai RR
Value
Lower Upper terlihat dari baris For Cohort yaitu
besarnya 2,250 (95% CI: 1,209 – 4,189).
Odds Ratio for Pada data ini berasal dari penelitian
Status Pekerjaan 5.464 1.627 18.357
Ibu (Kerja / tdk Cross Sectional maka kita dapat
Kerja)
menginterpretasikan niali OR=5,464
sbb: Ibu yang tidak bekerja mempunyai
For cohort Status
Menyusui ASI = tdk 2.429 1.226 4.811 peluang 5,46 kali untuk menyusui
eksklusif eksklusif dibandingkan ibu yang
For cohort Status bekerja.. Pada perintah Crosstab nilai
Menyusui ASI = .444 .239 .827 OR akan keluar bila tabel silang 2 x 2,
eksklusif
bila tabel silang lebih dari 2 x 2,
N of Valid Cases 50 misalnya 3 x 2, 4 x2 dsb, maka nilai OR
dapat diperoleh dengan analisis regresi
logistik sederhana dengan cara
membuat “Dummy variable”
 Penyajian data Hasil Uji Chi Square

• Hasil analisis hubungan antara status pekerjaan dengan perilaku menyusui

eksklusif diperoleh bahwa ada sebanyak 8 (32%) ibu yang bekerja menyusui
bayi secara eksklusif. Sedangkan diantara ibu yang tidak bekerja, ada 18
(72,0%) yang menyusui secara eksklusif. Hasil uji statistik diperoleh nilai
p=0,011 maka dapat disimpulkan ada perbedaan proporsi kejadian menyusui
eksklusif antara ibu tidak bekerja dengan ibu yang bekerja (ada hubungan
yang signifikan antara pekerjaan dengan perilaku menyusui). Dari hasil
analisis diperoleh pula nilai OR=5,464, artinya ibu tidak bekerja mempunyai
peluang 5,46 kali untuk menyusui eksklusif dibanding ibu yang bekerja.
3. BIVARIAT UJI STATISTIK HUBUNGAN
NUMERIK DGN NUMERIK
1. KORELASI
• Korelasi di samping dapat untuk mengetahui derajat/keeratan
hubungan, korelasi dapat juga untuk mengetahui arah hubungan dua
variabel numerik. Misalnya, apakah huubungan berat badan dan
tekanan darah mempunyai derajat yang kuat atau lemah, dan juga
apakah kedua variabel tersebut berpola positif atau negatif.
• Secara sederhana atau secara visual hubungan dua variabel dapat
dilihat dari diagram tebar/pencar (Scatter Plot). Diagram tebar adalah
grafik yang menunjukkan titik-titik perpotongan nilai data dari dua
variabel (X dan Y). Pada umumnya dalam grafik, variabel independen
(X) diletakkan pada garis horizontal sedangkan variabel dependen (Y)
pada garis vertikal.
 Diagram Tebar

• disimbbolkan dengan r (huruf r kecil).

• Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai
arahnya nilainya antara –1 s.d. +1.
1. r = 0 tidak ada hubungan linier
2. r = -1 hubungan linier negatif sempurna
3. r = +1 hubungan linier positif sempurna
 Menurut Colton, kekuatan hubungan dua variabel secara kualitatif
dapat dibagi dalam 4 area, yaitu:

Uji Hipotesis
• Koefisien korelasi yang telah dihasilkan merupakan langkah
pertama untuk menjelaskan derajat hubungan linier anatara dua
variabel. Selanjutnya perlu dilakukan uji hipotesis untuk
mengetahui apakah hubungan antara dua variabel terjadi secara
signifikan atau hanya karena faktor kebetulan dari random
sample (by chance). Uji hipotesis dapat dilakukan dengan dua
cara, yaitu pertama: membandingkan nilai r hitung dengan r tabel,
kedua: menggunakan pengujian dengan pendekatan distribusi t.
yang akan kita gunakan pada kesempatan kali ini adalah uji t.
2. Regresi Linier Sederhana
• Seperti sudah diuraikan di atas bahwa analisis
hubungan dua variabel dapat digunakan untuk
mengetahui bentuk hubungan dua variabel, yaitu
dengan analisis REGRESI.
• Analisis regresi merupakan suatu model matematis
yang dapat digunakan untuk mengetahui bentuk
hubungan antar dua atau lebih variabel.
• Tujuan analisis regresi adalah untuk membuat
perkiraan (prediksi) nilai suatu variabel (variabel
dependen) melalui variabel yang lain (variabel
independen).
a. Standar Estimasi (SE)
Besarnya kesalahan standar estimasi (Se) menunjukkan
ketepatan persamaan estimasi untuk menjelaskan nilai
variabel dependen yang sesungguhnya.
• Nilai Se ↓ = makin ↑ ketepatan persamaan estimasi
yang dihasilkan untuk menjelaskan niali variabel
dependen yang sesungguhnya.
• Nilai Se ↑, makin ↓ ketepatan
b. Koefisien Determinasi (R
• Ukuran yang penting dan sering digunakan dalam
analisisregresi adalah koefisien determinasi atau disimbolkan
R2 (R Square). Koefisien determinasi dapat dihitung dengan
mengkuadratkan nilai r, atau dengan formula R2=r2. Koeifisien
determinasi berguna untuk mengetahui seberapa besar
variasi variabel dependen (Y) dapat dijelaskan oleh variabel
independen (X). atau dengan kata lain R2 menunjukkan
seberapa jauh variabel independen dapat memprediksi
variabel dependen.

• Semakin besar nilai R square semakin baik/semakin tepat

variabel independen memprediksi variabel dependen.
Besarnya nialai R square antara 0 s.d. 1 atau antara 0% s.d.
100%.
 Back to SPSS Mode
• Ex. Analisis korelasi dan regresi menggunakan data
‘ASI.SAV’ dengan mengambil variabel yang bersifat
numerik yaitu Berat Badan Ibu dengan Berat Badan
Bayi.
• Dari menu utama SPSS, klik ‘Analyze’, kemudian pilih
‘Correlate’, dan lalu pilih ‘Bivariate’, dan muncullah
menu Bivariate Correlations:
• Sorot variabel ‘BB Ibu dan BB Bayi, lalu masukkan ke
kotak sebelah kanan ‘variables’. → OK
 Correlations
Berat Badan berat badan
Ibu Bayi
Pearson Correlation 1 .684** Nilai r Korelasi
Berat Badan
Ibu Sig. (2-tailed) .000
N 50 50
Pearson Correlation .684** 1 P value
berat badan
Bayi Sig. (2-tailed) .000
N 50 50 Jumlh Sample
**. Correlation is significant at the 0.01 level (2-tailed).

Pada hasil di atas diperoleh nilai r = 0,684 dan nilai p = 0,0005.

Kesimpulan dari hasil tersebut: hubungan berat badan ibu dengan
berat badan bayi menunjukkan hubungan yang kuat dan berpola
positif artinya semakin bertambah berat badannya semakin tinggi
berat bayinya. Hasil uji statistik didapatkan ada hubungan yang
signifikan antara berat badan ibu dengan berat badan bayi (p =
0,0005).
 B. Regresi Linier Sederhana
• Ex. BB Ibu (INDEPENDEN) dan BB Bayi (DEPENDEN)
(!!!!! Independent dan dependent harus ditentukan
dahulu)
• menu SPSS, Klik ‘Analysis’, pilih ‘Regression’, pilih
‘Linear’
• klik ‘berat badan bayi’, masukkan ke kotak Dependent
• Klik ‘berat badan ibu’, masukkan ke kotak Independent
• Lalu Klik OK
 Model Summary
Model R R Square Adjusted R Std. Error of
Square the Estimate
1 .684a .468 .456 430.715
a. Predictors: (Constant), Berat Badan Ibu

Nilai Koefisien Determinasi

(R Square )

Nilai koefisien determinasi yaitu besarnya 0,468 artinya,

persamaan garis regresi yang kita peroleh dapat
menerangkan 46,8% variasi berat badan bayi atau
persamaan garis yang diperoleh cukup baik untuk
menjelaskan variabel berat badan bayi.
 ANOVAb
Model Sum of df Mean Square F Sig.
Squares
1 Regression 7820261.965 1 7820261.965 42.154 .000a
Residual 8904738.035 48 185515.376 Bag ini p
Total 16725000.000 49 value
a. Predictors: (Constant), Berat Badan Ibu
b. Dependent Variable: berat badan Bayi

Selanjutnya pada tabel ANOVAb, diperoleh nilai p

(di kolom Sig) sebesar 0,0005, berarti pada alpha
5% kita dapat menyimpulkan bahwa regresi
sederhana cocok (fit)
 Nilai Persamaan Garis Regresi
Coefficientsa
Standardize
Unstandardized d
Coefficients Coefficients t Sig.
Model B Std. Error Beta
1 (Constant) 657.929 391.676 1.680 .099
Berat Badan 44.383 6.836 .684 6.493 .000
Ibu
a. Dependent Variable: berat badan Bayi
Nilai a Nilai b

Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai
intercept atau nilai a) sebesar 657,93 dan nilai b = 44,38, sehingga
persamaan regresinya:

Y = a + bX
Berat badan bayi = 657,93 + 44,38(berat badan ibu)
• Dengan persamaan tersebut, berat badan bayi
dapat diperkirakan jika kita tahu nilai berat
badan ibu. Uji uji statistik untuk koefisien
regresi dapat dilihat pada kolom Sig T, dan
menghasilkan nilai p=0,0005. Jadi pada alpha
5% kita menolak hipotesis nol, berarti ada
hubngan linier antara berat badan ibu dengan
berat badan bayi. Dari nilai b=44,38 berarti
bahwa variabel berat badan bayi akan
bertambah sebesar 44,38 gr bila berat badan ibu
bertambah setiap satu kilogram.
Interpretasi Data Hasil Uji Korelasi dan regresi

• Hubungan berat badan ibu dengan berat badan bayi

menunjukkan hubungan kuat (r=0,684) dan berpola positif artinya
semakin bertambah berat badan ibu semakin besar berat badan
bayinya. Nilai koefisien dengan determinasi 0,468 artinya ,
persamaan garis regresi yang kita peroleh dapat menerangkan
46,86% variasi berat badan bayi atau persamaan garis yang
diperoleh cukup baik untuk menjelaskan variabel berat badan
bayi. Hasil uji statistik didapatkan ada hubungan yang signifikan
antara berat badan ibu dengan berat badan bayi (p=0,005).
 Memprediksi variabel Dependen
• Dari persamaan garis yang didapat tersebut kita
dapat memprediksi variabel dependen (berat badan
bayi) dengan variabel independen (berat badan ibu).
Misalkan kita ingin mengetahui berat badan bayi jika
diketahui berat badan ibu sebesar 60 kg, maka:
• Berat badan bayi =657,93 + 44,38(berat badan ibu)
• Berat badan bayi= 657,93 + 44,38(60)
• Berat badan bayi = 3320,73
 C. Membuat Grafik Prediksi
• Langkahnya:
• Klik ‘Graphs, pilih ‘Scatter’ → Klik Sampel klik ‘Define’
→ Pada kotak Y Axis isikan variabel dependennya
(masukkan veriabel dependennya (BB Bayi) Pada kotak
X Axis isikan variabel independennya (masukkan
veriabel BB Ibu) → Klik ‘OK’
• Terlihat di layar grafik scatter plot-nya (garis regresi
belum ada?)
• Untuk mengeluarkan garisnya, klik grafiknya 2 kali →
klik’Chart’ pada kotak ‘Fit Line, Klik Total → klik ‘OK’
maka muncul garis regresi