Analisis Hubungan Numerik Dengan Numerik
Analisis Hubungan Numerik Dengan Numerik
Analisis Hubungan Numerik Dengan Numerik
Seringkali dalam suatu penelitian kita ingin mengetahui hubungan antara dua
variabel yang berjenis numerik, misalnya huubungan berat badan dengan tekanan
darah, hubungan umur dengan kadar Hb, dsb. Hubungan antara dua variabel numerik
dapat dihasilkan dua jenis, yaitu derajat/keeratan hubungan, digunakan korelasi.
Sedangkan bila ingin mengetahui bentuk hubungan antara dua variabel digunakan
analisis regresi linier.
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.
Dari diagram tebar dapat diperoleh informasi tentang pola hubungan antara
dua variabel X dan Y. selain memberi informasi pola hubungan dari kedua variabel
diagram tebar juga dapat menggambarkan keeratan hubungan dari kedua variabel
tersebut.
Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai arahnya nilainya antara 1
s.d. +1.
r = 0 tidak ada hubungan linier
r = -1 hubungan linier negatif sempurna
r = +1 hubungan linier positif sempurna
Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan
positif terjadi bila kenaikan satu diikuti kenaikan variabel yang lain, misalnya
semakin bertambah berat badannya (semakin gemuk) semakin tinggi tekanan
darahnya. Sedangkan hubungan negatif dapat terjadi bila kenaikan satu variabel
diikuti penurunan variabel yang lain, misalnya semakin bertambah umur (semakin
tua) semakin rendah kadar Hb-nya.
Menurut Colton, kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam
4 area, yaitu:
r = 0,00 0,25 tidak ada hubungan/hubungan lemah
r = 0,00 0,25 hubungan sedang
r = 0,00 0,25 hubungan kuat
r = 0,00 0,25 hubungan sangat kuat / sempurna
Uji Hipotesis
2
t=r
df = n 2
1 r2
n = jumlah sampel
XY (XY)/n
b=
a = Y - bX
X2 (X)2/n
Y2 - aY - bXY
n-2
KASUS :
KORELASI DAN REGRESI
Sebagai contoh kita akan melakukan analisis korelasi dan regresi
menggunakan data ASI.SAV dengan mengambil variabel yang bersifat numerik
yaitu umur dengan kadar Hb (diambil Hb pengukuran pertama: Hb1).
A. Korelasi
Untuk mengeluarkan uji korelasi langkahnya adalah sbb:
1. Aktifkan data ASI.SAV
2. Dari menu utama SPSS, klik Analyze, kemudian pilih Correlate, dan lalu pilih
Bivariate, dan muncullah menu Bivariate Correlations:
3. Sorot variabel Umur dan Hb1, lalu masukkan ke kotak sebelah kanan variables.
4. Klik OK dan terlihat hasilnya sbb:
Correlations
Correlations
berat
badan ibu
berat badan ibu
Pearson Correlation
1
Sig. (2-tailed)
N
50
berat badan bayi
Pearson Correlation
.684**
Sig. (2-tailed)
.000
N
50
**. Correlation is significant at the 0.01 level (2-tailed).
berat
badan bayi
.684**
.000
50
1
50
Regression
Model Summary
Model
1
R Square
.684a
.468
Adjusted
R Square
.456
Std. Error of
the Estimate
430.715
Sum of
df
Mean
Squares
1
Regression
7820262
Sig.
Square
1 7820261.965
Residual
8904738
48 185515.376
Total
16725000
49
42.154
.000a
Coefficientsa
Unstandardized
Coefficients
Model
B
Std. Error
1
(Constant)
657.929
391.676
berat badan ibu
44.383
6.836
a. Dependent Variable: berat badan bayi
Standardized
Coefficients
Beta
.684
Sig.
1.680
6.493
.099
.000
Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting
dalam regresi linier diantaranya: koefisien determinasi, persamaan garis dan p value.
Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada
tabel Model Summary) 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. 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) dengan data
yang ada persamaan garis regresi dapat dilihat pada tabel Coefficienta yaitu pada
kolom 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.
R2
Persamaan garis
Umur
0,684
0,468
P value
*bbibu 0,0005
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 46,8,6% 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).
10
11