Showing posts with label logistik ganda. Show all posts
Showing posts with label logistik ganda. Show all posts

Tuesday, February 12, 2013

Transformasi Data


Tujuan utama dari transformasi data ini adalah untuk mengubah skala pengukuran data asli menjadi bentuk lain sehingga data dapat memenuhi asumsi-asumsi yang mendasari analisis ragam. 
Transformasi data ada beberapa jenis, antara lain:
a) Transformasi akar, 
b) Tansformasi Logaritma, dan 
c) Transformasi Arcsin. 
Catatan: Data yang ditampilkan pada laporan anda tetap data aslinya sedangkan data transformasi hanya untuk membantu anda untuk membuat data asli memenuhi asumsi-asumsi analisis ragam.
Bahasan di bawah ini dijelaskan Rumus Transformasi Data.

Transformasi akar 

Transformasi jenis ini disebut juga dengan istilah transformasi akar kuadrat. Transformasi akar digunakan apabila data anda tidak memenuhi asumsi kehomogenen ragam. Dengan kata lain transformasi akar berfungsi untuk membuat ragam menjadi homogen.

Kalau X adalah data asli anda, maka X’ (X aksen) adalah data hasil transformasi anda. Jadi X = X’. 
Apabila data asli anda menunjukkan sebaran nilai antara 0 – 10, maka anda gunakan transfromasi akar X + 0,5. Dan apabila nilai ragam data anda lebih kecil gunakan transformasi akar X + 1. 
Transformasi akar ini dapat juga anda gunakan untuk data persentase apabila nilainya antara 0 – 30%. Jika kebanyakan nilainya adalah kecil, khususnya jika ada nilai 0, maka gunakan transformasi akar X + 0,5 daripada akar X. 

Rumus Excel Transformasi Akar adalah: =SQRT(Data Asli + 0,5). Apabila data asli ada di Cell A4 maka rumusnya =SQRT(A4 + 0,5).

Cara Compute Transformasi Akar Pada SPSS adalah: Klik Menu, Transform, Compute Variabel, Pada Target Variabel Beri Nama Misal "Transform" dan Pada Kotak Numeric Expression isi dengan: SQRT(Variabel Asli + 0,5). Apabila Variabel Asli memiliki nama (name) "Var1" maka: SQRT(Var1 + 0,5).
Contoh penggunaan transformasi akar ini dengan menggunakan data hasil pengamatan dari percobaan pengobatan Bakteri Salmonella dengan 4 Jenis Antibiotik. Hasil percobaan berupa banyaknya bakteri yang mati seperti pada tabel berikut ini: 



Hasil analisis ragam data asli sebagai berikut:


Hasil pengujian terhadap data asli di atas menunjukkan nilai F Hitung 19,407. 
Kemudian lakukan transformasi akar dengan rumus akar X + 0,5. Hal ini karena sebaran data tersebut kurang dari 10. Misalnya untuk data perlakuan A kelompok I, X = 2, maka hasil transformasinya adalah akar 2 + 0,5 = 3,5 = 1,581. Dan selanjutnya hingga data pada perlakuan D kelompok IV. 
Berikut ini adalah data hasil transformasi akar dari data asli : 



Dan hasil analisis ragam dari data transformasi adalah seperti di bawah ini : 



Hasil pengujian terhadap data transformasi di atas menunjukkan nilai F Hitung 17,654. 
Perhatikan ternyata setelah data memenuhi asumsi analisis ragam, terdapat perubahan nilai F hitung dari 19,407 menjadi 17,654.
Dari 2 hasil analisis di atas, manakah nilai p value atau signifikansi yang akan dipakai? Tentu saja anda harus menggunakan hasil pada data transformasi karena hasil itulah yang memberikan keadaan sesungguhnya dari percobaan anda. 

Transformasi Logaritma

 

Beberapa buku ada yang menyebutnya dengan transformasi Log X. Transformasi Logaritma digunakan apabila data anda tidak memenuhi asumsi pengaruh aditif. Kalau X adalah data asli anda, maka X’ (X aksen) adalah data hasil transformasi anda dimana X’ = Log X. Jadi X = X’. Ada beberapa hal yang perlu anda perhatikan dalam penggunaan transformasi logaritma ini yaitu : 
a) Apabila data asli anda menunjukkan sebaran nilai kurang dari 10 atau nilai mendekati nol, maka anda gunakan transfromasi log X + 1. 
b) Apabila data anda banyak mengandung nilai nol, maka sebaiknya gunakan transformasi yang lain, misalnya transformasi akar. 
c) Apabila data anda banyak mendekati nol (misalnya bilangan desimal), maka semua data dikalikan 10 sebelum dijadikan ke logaritma. Jadi X’ = log (10X). Misalnya X = 0,12 setelah di taransformasikan X’ akan menjadi X’ = log (10 x 0,12) = 0,079. 


Rumus Excel Transformasi Logaritma adalah: =Log(Data Asli). Apabila data asli ada di Cell A4 maka rumusnya =Log(A4).

Cara Compute Transformasi Logaritma Pada SPSS adalah: Klik Menu, Transform, Compute Variabel, Pada Target Variabel Beri Nama Misal "Transform" dan Pada Kotak Numeric Expression isi dengan: Lg10(Variabel Asli). Apabila Variabel Asli memiliki nama (name) "Var1" maka: Lg10(Var1).
Contoh penggunaan transformasi akar ini dengan menggunakan data hasil pengamatan dari percobaan pengobatan Bakteri Clostridium dengan 5 Jenis Antibiotik. Hasil percobaan berupa banyaknya bakteri yang mati seperti pada tabel berikut ini: 



Dan hasil analisis ragam data asli adalah berikut ini : 


Hasil pengujian terhadap data asli di atas menunjukkan nilai F Hitung 27,844.
Kemudian lakukan transformasi logaritma dengan rumus Log X. Misalnya untuk data perlakuan Ha NPV-Asb kelompok I, X = 20, maka hasil transformasinya adalah Log 20 = 1,301. Dan selanjutnya hingga data pada perlakuan Kontrol kelompok IV. 
Berikut ini adalah data hasil transformasi log X dari data asli : 



Dan hasil analisis ragam dari data transformasi adalah berikut ini : 


Hasil pengujian terhadap data transformasi di atas menunjukkan nilai F Hitung 40,106.
Perhatikan ternyata setelah data memenuhi asumsi analisis ragam, terdapat peningkatan nilai F hitung dari 27,844 menjadi 40,106.

Dari 2 hasil analisis di atas, manakah nilai p value atau signifikansi yang akan dipakai? Tentu saja anda harus menggunakan hasil pada data transformasi karena hasil itulah yang memberikan keadaan sesungguhnya dari percobaan anda. 

Transformasi Arcsin 

Transformasi ini disebut juga dengan transformasi Angular. Transformasi Arcsin digunakan apabila data anda dinyatakan dalam bentuk persentase atau proporsi. Umumnya data yang demikian mempunyai sebaran binomial. Bentuk transformasi arcsin ini biasa disebut juga transformasi kebalikan sinus atau transformasi arcus sinus. Kalau X adalah data asli anda, maka X’ (X aksen) adalah data hasil transformasi anda dimana X’ = Arcsin X. Jadi X = X’. Namun, data dalam bentuk persentase tidak mesti harus menggunakan transformasi arcsin. 
Ada beberapa hal yang perlu anda perhatikan dalam penggunaan transformasi arcsin ini yaitu : 
a) Apabila data asli anda menunjukkan sebaran nilai antara 30% - 70%, tidak memerlukan transformasi. 
b) Apabila data asli anda menunjukkan sebaran nilai antara 0% - 30% dan 70% - 100%, maka lakukan transformasi arcsin. 
c) Apabila data anda banyak yang bernilai nol, maka gunakan transformasi arcsin akar (% + 0,5). 


Rumus Excel Transformasi Arcsin adalah: =ASIN(SQRT(Data Asli/100))*180/PI(). Apabila data asli ada di Cell A4 maka rumusnya =ASIN(SQRT(A4/100))*180/PI(). Juga boleh menggunakan rumus: =ASIN(SQRT(A4/100))*180/(22/7).

Cara Compute Transformasi Arcsin Pada SPSS adalah: Klik Menu, Transform, Compute Variabel, Pada Target Variabel Beri Nama Misal "Transform" dan Pada Kotak Numeric Expression isi dengan: =ASIN(SQRT(Variabel Asli))*180/(22/7)  Apabila Variabel Asli memiliki nama (name) "Var1" maka: =ASIN(SQRT(Var1))*180/(22/7).
Contoh penggunaan transformasi akar ini dengan menggunakan data hasil pengamatan dari percobaan pengobatan Bakteri Shigella dengan 5 Jenis Antibiotik. Hasil percobaan berupa banyaknya bakteri yang mati seperti pada tabel berikut ini: 




Dan hasil analisis ragam data asli adalah berikut ini : 



Hasil pengujian terhadap data asli di atas menunjukkan F Hitung: 39,245. 
Karena data menyebar antara 4% - 29%, maka data ditransformasi ke arcsin √ %. Misalnya untuk data perlakuan A kelompok I, X = 4% atau 0,04, maka hasil transformasinya adalah arcsin √0,04 = 11,537. Dan selanjutnya hingga data pada perlakuan El kelompok IV. 
Berikut ini adalah data hasil transformasi akar dari data asli : 


Dan hasil analisis ragam dari data transformasi adalah berikut ini :


Hasil pengujian terhadap data transformasi di atas menunjukkan nilai F Hitung: 59,355. 
Perhatikan ternyata setelah data memenuhi asumsi analisis ragam, terdapat peningkatan nilai F hitung dari 35,245 menjadi 59,355.

Dari 2 hasil analisis di atas, manakah nilai p value atau signifikansi yang akan dipakai? Tentu saja anda harus menggunakan hasil pada data transformasi karena hasil itulah yang memberikan keadaan sesungguhnya dari percobaan anda. 

Untuk Transformasi Data Dari Ordinal ke Interval, Baca artikel kami yang berjudul: "Transformasi Data Ordinal ke Interval".

Sunday, February 3, 2013

Regresi Logistik Ganda dalam SPSS


Tutorial Regresi Logistik Ganda


Uji Regresi Logistik ganda adalah uji regresi yang dilakukan pada penelitian apabila variabel dependen berskala dikotom (nominal dengan 2 kategori). (Untuk lebih jelasnya dengan Tipe Data, Baca Artikel kami berjudul "Pengertian Data")

Tentunya semua variabel independen haruslah berskala data dikotom juga, tetapi apabila skalanya kategorik nominal lebih dari 2 kategori, masih dapat dilakukan uji regresi logistik ganda dengan cara melakukan dummy.

Bahasan tentang dummy akan kita bahas pada artikel berikutnya. Pada bahasan kali ini khusus akan membahas tutorial melakukan uji regresi logistik ganda dengan menggunakan software SPSS For Windows.

Langsung saja, buka Aplikasi SPSS!

Kita buat 6 variabel dengan definisi sebagai berikut:

Variabel Independen:

  1. Tekanan Kandung Kemih: Kategori "Ya" dan "Tidak"
  2. Pruritus: Kategori "Ya" dan "Tidak"
  3. Kram Kaki: Kategori "Ya" dan "Tidak"
  4. Gerak Janin: Kategori "Aktif" dan "Pasif"
  5. Heart Burn: Kategori "Ya" dan "Tidak"

Variabel Dependen: 

  1. Gangguan Tidur: Kategori "Ya" dan "Tidak"


Ubah Value pada tab Variable View di SPSS sebagai berikut: Ya/Aktif = 1, Tidak/Pasif = 2. Ubah Measure menjadi "Nominal". Ubah Decimals menjadi "0". Ubah Type menjadi "Numeric"




Langkah berikutnya adalah isi data dengan nilai 1 atau 2. 1 apabila jawaban "Ya" atau "Aktif" dan 2 apabila "Tidak" atau "Pasif". Ebagai contoh gunakanlah 30 responden.





Setelah data terisi, maka kita mulai melakukan tahapan uji regresi logistik ganda yang sesungguhnya.

Ada beberapa metode atau teknik dalam melakukannya, yaitu antara lain: "Enter", "Stepwise", "Forward", "Backward" di mana masing-masing punya maksud yang berbeda. Dalam bahasan ini akan kita lakukan secara "stepwise" dengan proses manual, agar mudah memahami maksudnya.

Langkah Pertama adalah seleksi kandidat.

Seleksi Kandidat

Dalam langkah ini kita akan menyeleksi, variabel independen manakah yang layak masuk model uji multivariat. Di mana yang layak adalah yang memiliki tingkat signifikansi (sig.) atau p value < 0,025 dengan metode "Enter" dalam regresi logistik sederhana. Yaitu dengan melakukan satu persatu regresi sederhana antara masing-masing variabel independen terhadap variabel dependen.

Caranya adalah sebagai berikut:
Klik Analyze, Regression, Binary Logistic

Masukkan variabel independen pertama yaitu "tekanan kandung kemih" ke dalam kotak Covariate.
Masukkan variabel dependen ke kotak Dependent.




Klik Options, Centang "CI For Exp (B)"





Klik OK

Lihat hasilnya!




Dari hasil di atas, lihat tabel "variables in the equation" dan lihat nilai "sig." . Didapat nilai signifikan <0,25, yang berarti variabel "tekanan kandung kemih" layak masuk model multivariat.

Lakukan dengan cara di atas pada empat variabel independen lainnya. Apabila signifikansi > 0,25 maka variabel independen yang bersangkutan tidak layak masuk model multivariat.

Setelah dilakukan seleksi kandidat, inventarisir variabel mana yang layak masuk model dan urutkan dalam tabel dimulai dari yang nilai signifikansinya terbesar.

Sebelum diurutkan (Semua)

Subvariabel
P value

Tekanan Kandung Kemih
Pruritus
Kram kaki
Gerak janin
Heart burn

0,377
0,041
0,045
0,088
0,244



Hasil analisis menunjukkan nilai p value subvariabel tekanan kandung kemih (0,377) dan heart burn (0,244) sehingga tidak masuk ke uji multivariat karena p valuenya > 0,25. Sedangkan pruritus (0,041), kram kaki (0,045), gerak janin (0,088) masuk ke uji multivariate karena p valuenya < 0,25.


Diurutkan (Hanya yang masuk model)

Subvariabel
P value

Gerak janin
Kram kaki
Pruritus

0,088
0,045
0,041




Berarti ada 3 variabel yang akan diuji, yaitu: gerak janin, kram kaki dan pruritus.

Langkah berikutnya adalah masukkan ketiga variabel di atas dalam regresi logistik ganda dengan cara:

Analisis Multivariat

klik analyze, regression, binary logistic.
Masukkan ketiga variabel independen ke dalam kotak Covariate.
Masukkan variabel dependen ke kotak Dependent.
Klik Options, centang CI For Exp (B)





Klik OK.

Lihat Hasilnya!

No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Pruritus
2,035
3,508
0,061
7,651
0,910 - 64,342
2
Kram kaki
2,800
4,428
0,035
16,447
1,212 – 223.242
3
Gerak janin
3,278
6,268
0,012
26,525
2,038 – 345,305


Subvariabel kram kaki dan gerak janin memiliki p value < 0,05 yaitu kram kaki (0,035) dan gerak janin (0,012). Sedangkan subvariabel pruritus memiliki p value > 0,05 yaitu 0,061.  Langkah berikutnya, subvariabel yang memiliki p value terbesar yaitu pruritus (0,061)  dikeluarkan dari model.

Cek Apakah setelah satu variabel pruritus dikeluarkan, ada perubahan ODDS Ratio (Exp (B)) > 10%?
Apabila ada, kembalikan variabel yang dikeluarkan kembali pada model dan ulangi dengan mengeluarkan yang terbesar selain yang dimasukkan kembali. Ulangi Terus hingga hanya tertinggal satu variabel atau tidak ada yang bisa dikeluarkan lagi karena perubahan ODDS Ratio > 10%.
Pada SPSS, gunakan cara yang sama dengan cara di atas!

Lihat contoh uraian langkah sebagai berikut!


No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Kram kaki
2,003
2,951
0,086
7,409
0,754 - 72,812
2
Gerak janin
2,852
5,536
0,019
17,319
1,610 – 186,288



Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut:

Subvariabel
OR pruritus
ada
OR pruritus
 tidak ada
Perubahan
OR (%)
Pruritus
7,651
-
-
Kram kaki
16,447
7,409
54
Gerak janin
26,252
17,319
34


Hasil analisis multivariat menunjukkan bahwa setelah subvariabel pruritus dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel kram kaki (54%) dan subvariabel gerak janin (34%) sehingga subvariabel pruritus dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:

No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Pruritus
2,035
3,508
0,061
7,651
0,910 - 64,342
2
Kram kaki
2,800
4,428
0,035
16,447
1,212 – 223.242
3
Gerak janin
3,278
6,268
0,012
26,525
2,038 – 345,305


             Langkah selanjutnya adalah pengeluaran subvariabel kram kaki (0,035) karena memiliki p value terbesar kedua setelah pruritus (0,061).

No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Pruritus
1,179
1,759
0,185
3,252
0,569 - 18,570
2
Gerak janin
2,218
0,963
0,021
9,192
1,391 – 60,723


Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut :

Subvariabel
OR kram kaki
ada
OR kram kaki
 tidak ada
Perubahan
OR (%)
Pruritus
7,651
3,252
57,4
Kram kaki
16,447
-
-
Gerak janin
26,252
9,192
65,3


Hasil analisis multivariate menunjukkan bahwa setelah subvariabel kram kaki dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel pruritus (57,4%) dan subvariabel gerak janin (65,3%) sehingga subvariabel kram kaki dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:

Model Akhir Multivariat

No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Pruritus
2,035
3,508
0,061
7,651
0,910 - 64,342
2
Kram kaki
2,800
4,428
0,035
16,447
1,212 – 223.242
3
Gerak janin
3,278
6,268
0,012
26,525
2,038 – 345,305


Hasil analisis: dapat disimpulkan bahwa dari keseluruhan variabel independen yang diduga mempengaruhi gangguan tidur (insomnia) pada ibu hamil trimester ketiga terdapat satu subvariabel (gerak janin) yang paling berpengaruh terhadap gangguan tidur dengan p value 0,012 < 0,05. Nilai OR terbesar yang diperoleh yaitu 26,252 artinya gerak janin aktif yang dirasakan responden mempunyai peluang 26,252 kali menyebabkan adanya gangguan tidur (insomnia).

Kesimpulan Akhir:


  1. Semua variabel yang masuk model atau yang lolos seleksi kandidat, berarti memiliki pengaruh terhadap variabel dependen.
  2. Apabila setelah diuji dalam model akhir multivariat, yang tersisa dalam model berarti terbukti sebagai variabel independen yang secara bermakna atau signifikan mempengaruhi variabel dependen. Sedangkan yang tidak masuk model akhir, berarti sebagai variabel perancu atau counfounding yang artinya menjadi variabel yang mempengaruhi hubungan variabel independen dan dependen.
  3. Variabel dengan ODDS Ratio terbesar dalam model akhir multivariat, menjadi variabel yang paling dominan mempengaruhi variabel dependen.