2. Model Prediksi
Tujuan: u/ mengetahui faktor-faktor yg
berhubungan terhadap kinerja petugas UKGS
Cakupan SD UKGS
Cakupan sikat gigi
Cakupan selektif
Frekuensi pembinaan
Umur
Masa kerja
Sex
Pendidikan
Kinerja Petugas
UKGS
3. Data
Kinerja petugas UKGS 1=kinerja baik
0=kinerja kurang baik
kinerja2
Cakupan SD UKGS 1: ≥80%
0: <80%
caksdgr
Cakupan sikat gigi 1: ≥80%
0: <80%
cakskggr
Cakupan selektif 1: ≥30%
0: <30%
cakslkgr
Frekuensi pembinaan 1: ≥2x/th
0: <2x/th
binagrp
Umur tahun umur
Masa kerja tahun mskerja
Sex 1=laki-laki
2=perempuan
sex
4. Tahapan
Tahap 1: seleksi kandidat variabel independen
(p≤0,250)
• Katagorik x2
• Numerik pemeriksaan linieritas OR kuartil
• Numerik uji t
Tahap 2: regresi logistik ganda
Metode estimasi: enter
Secara bertahap dg signifikan parsial<0,100
Tahap 3: uji interaksi & konfounding
5. Pemeriksaan Linieritas OR Kuartil
Bila terdapat variabel independen dg tipe
numerik (scr substansi tdk diperoleh nilai cut-
off untuk mengelompokkan)
Tujuan: mempermudah interpretasi OR hasil
regresi logistik
Bila OR kuartil yg dihasilkan membentuk linier
maka disarankan untuk tetap numerik, namun
jika tidak menunjukkan linier mk disarankan
untuk dikelompokkan.
6. Pemeriksaan Linieritas OR Kuartil
Carilah nilai statistik kuartil 1, 2 & 3 dr variabel
numerik
Buatlah variabel baru yg dikelompokkan bdskn
nilai kuartil tsb
Lakukan regresi logistik sederhana variabel baru
tsb terhdp variabel dependen
Buatlah grafil line dg menggunakan OR yg
dihasilkan regresi logistik tsb
7. 1. Deskripsi kuartil
Contoh: umur & masa kerja
hilangkan tanda √ pd Display frequency tables klik button Statistics klik
pd kotak Quartiles Continue OK
Pindahkan variabel numerik
pd kotak Variable(s)
8. 1. Deskripsi Kuartil
Hasil output:
Umur 1: <29,00; 2: 29,00 - 31,49;
3: 31,50 - 36,99; 4: ≥37,00
Masa kerja 1: <4,00 2: 4,00 – 8,99
3: 9 – 14,49 4: ≥14,50
9. 2. Buat Variabel Baru
Pindahkan variabel UMUR tuliskan nama baru UMUR4 klik Change & klik
Old and New Values tuliskan nilai kuartil & klik add Continue OK
10. 3. Regresi Logistik Sederhana
Pindahkn variabel dependen k kotak Dependent &
variabel baru pd kotak Covariate kilik Categorical
Pindahkan VAR BARU ke kotak
Categorical Covariates pilih FIRST
klik button Change
11. 3. Regresi Logistik Sederhana
Pada SPSS, yg harus diperhatikan adalah KODE, baik
variabel DEPENDEN maupn INDEPENDEN.
Kode sebaiknya konsisten atau jika kode Y (1 & 0) maka kode
pd X sebaiknya menyertai.
Contoh: Y=kejadian diare (1=ya, 0=tidak)
X=cuci tangan dg sabun (1=tidak, 0=ya)
Pada menu regresi logistik dihasilkan OR atau rasio odd
X=1 terhadap X=0 untuk kejadian Y=1
Perhatikan kode pd X untuk pembanding indikator
refference pd menu Categorical
12. 3b. Hasil Regresi Logistik Sederhana
Tabel Categorical Variables Codings
pembentukan variabel DUMMY untuk UMUR4
UMUR(1) kelompok umur=2 dibandingkan umur=1
UMUR(1) kelompok umur=3 dibandingkan umur=1
UMUR(1) kelompok umur=4 dibandingkan umur=1
Tabel Variables in the Equation OR pd DUMMY
UMUR4
13. 4. Grafik Garis
Copy tabel Variables in the Equation
Buka prog EXCEL paste special & text OK
14. 4. Grafik Garis
Blok ketiga nilai OR klik Chart Wizard pilih
LINE Next OK
Grafik Line adanya patahan OR
(tidak linier) UMUR4 tidak bisa
NUMERIK tp KATEGORIK
15. Pemeriksaan Linieritas OR Kuartil
OR kuartal tdk menunjukkan adanya linieritas
maka VAR NUMERIK dikelompokkan
Tetap 4 kelompok sesuai kuartal,
atau dikelompokkan menjadi lebih sedikit
UMUR dg 3 kelompok
Kelompok 1=kuartal 1; kelompok 2=kuartal 2 & 3;
kelompok 3=kuartal4
Untuk lanjut pada seleksi indep var gunakan
UMUR4 & MSKERJA4
16. Seleksi Kandidat Independen Var
Screaning dg batasan p≤0,250
Teknik Chi-Square
Pendekatan bivariat antar variabel katagorik & proses
belajar
Uji t bila independen numerik
Dianjurkan untuk regresi logistik sederhana pd
penelitian anda
17. Chi-Square
Pada SPSS: Analyze-Descriptive Statistics-Crosstabs
Pindahkan DEPENDEN pd kotak COLUMN &
seluruh INDEPENDEN pd kotak ROW.
Klik button STATISTICS klik CHI-SQUARE
CONTINUE OK
18. Output Chi-Square
Perhatikan catatan kaki
pd tabel CHI-SQUARE
TESTS
Nilai
expected <5
pd cell
Tabel
2 x 2 >2 x 2
≤20% CC Pearson
>20% Fisher LLR
19. Uji t
Pindahkan variabel independen
numerik pd kotak Test Variable(s)
& variabel dependen pd kotak
Grouping Variable klik Define
Groups & masukkan kode 1 – 0
continue & OK
20. Output Uji t
Tabel Group Statistics nilai rata-rata veriabel
independen numerik antar kelompok dependen
Group Statistics
40 31,90 6,617 1,046
48 34,17 6,275 ,906
40 9,55 5,697 ,901
48 9,21 7,068 1,020
kinerja petugas UKGS
kurang baik
baik
kurang baik
baik
umur responden
masa kerja
N Mean Std. Deviation
Std. Error
Mean
21. Output Uji t
Independent Samples Test
,202 ,654 -1,646 86 ,103 -2,267 1,377 -5,004 ,471
-1,638 81,416 ,105 -2,267 1,384 -5,020 ,486
3,379 ,069 ,246 86 ,806 ,342 1,388 -2,417 3,101
,251 85,918 ,802 ,342 1,361 -2,364 3,047
Equal variances
assumed
Equal variances
not assumed
Equal variances
assumed
Equal variances
not assumed
umur responden
masa kerja
F Sig.
Levene's Test for
Equality of Variances
t df Sig. (2-tailed)
Mean
Difference
Std. Error
Difference Lower Upper
95% Confidence
Interval of the
Difference
t-test for Equality of Means
• Uji Homogenitas Varian
Ho: varian numerik antar kelompok dependen adl
homogen
p> Ho gatol atau Ho diterima
Kesimpuulan: Varian numerik antar kelompok
dependen adl homogen
• Uji t (hasil berdasarkan Uji Levene)
22. Seleksi Kandidat Independen Var
Cakupan SD UKGS p=0,168 (CC)
Cakupan sikat gigi p=0,759 (CC)
Cakupan selektif p=0,000 (CC)
Frekuensi pembinaan p=0,026 (CC)
Umur p=0,103 (homogen)
Masa kerja p=0,806 (homogen)
Sex p=0,000 (CC)
Pendidikan p=0,034 (CC)
23. Regresi Logistik Ganda
Kandidat variabel independen (p≤0,250):
Cakupan SD UKGS, Cakupan selektif, Frekuensi
pembinaan, Umur, Sex, Pendidikan.
Regresi Logistik keenam var independen tsb
terhadap KINERJA2.
Estimasi Enter
Pengeluaran dg sign parsial >0,100 & scr bertahap,
dimulai dg sign terbesar
24. Regresi Logistik Ganda
Pd SPSS: Analyze-Regression-Binary Logistic
Pindahkan variabel DEPENDEN k kotak Dependent
& KANDIDAT k kotak Covariate Method: ENTER
kilik Categorical
25. Regresi Logistik Ganda
Pd button CATEGORICAL:
Pindahkan KANDIDAT KATEGORIK ke kotak
Categorical Covariates pilih FIRST klik button
Change Continue OK
Perhatikan kode &
pembanding yg akan
digunakan pd value label
26. Regresi Logistik Ganda
Hasil model1 tidak menhasilkan model yg baik
shg dicoba untuk mengeluarkan Cakupan
selektif
Tabel
Analyze – Regression – Binary logistic
Keluarkan Cakupan selektif OK
Categorical Variables Codings
62 ,000
24 1,000
66 ,000
20 1,000
24 ,000
62 1,000
12 ,000
74 1,000
SPRG dan D3
Drg
pendidikan terakhir
<2x/th
>=2x/th
Frekuensi pembinan
laki-laki
perempuan
jenis kelamin
<80%
>=80%
prosentase cak sd
ukgs
Frequency (1)
Paramete
r coding
Tabel disamping menujukkan
risiko + dan –(sbg pembanding)
27. Regresi Logistik Ganda
Hasil model2 Output
(Block 1)
Model dg 5 kandidat signifikan
Kemampuan prediksi= 67,4%
Masih ada kandidat yg memiliki
signifikan parsial >0,100 masa
kerja & pendidikan
Masa kerja ada dummy
1 & 2 <0,100 tetap
dalam model
Pendidikan dikeluarkan
28. Regresi Logistik Ganda
Lanjutan: (model3)
Analyze – Regression – Binary Logistic
Pendidikan dikeluarkan klik button OPTION
Klik CI for exp(B)
selang estimasi OR
29. Regresi Logistik Ganda
Hasil model 4
Signifikan model = 0,000
Kemampuan prediksi=
72,1% (> dibandingkan
model seblmnya)
Signifikan parsial masih
ada >0,100
tp pd dummy
Omnibus Tests of Model Coefficients
31,109 6 ,000
31,109 6 ,000
31,109 6 ,000
Step
Block
Model
Step 1
Chi-square df Sig.
Variables in the Equation
1,595 ,861 3,432 1 ,064 4,931 ,912 26,665
2,093 ,853 6,021 1 ,014 8,107 1,524 43,139
4,762 3 ,190
-1,429 ,870 2,697 1 ,101 ,240 ,044 1,319
-1,449 ,764 3,599 1 ,058 ,235 ,053 1,049
-,615 ,840 ,535 1 ,464 ,541 ,104 2,807
2,132 ,660 10,439 1 ,001 8,435 2,314 30,749
-2,168 1,188 3,330 1 ,068 ,114
caksdgr(1)
binagrp(1)
mskerja4
mskerja4(1)
mskerja4(2)
mskerja4(3)
sex(1)
Constant
Step
1
a
B S.E. Wald df Sig. Exp(B) Lower Upper
95,0% C.I.for EXP(B)
Variable(s) entered on step 1: caksdgr, binagrp, mskerja4, sex.
a.
Classification Tablea
20 18 52,6
6 42 87,5
72,1
Observed
kurang baik
baik
kinerja petugas
UKGS
Overall Percentage
Step 1
kurang baik baik
kinerja petugas UKGS Percentage
Correct
Predicted
The cut value is ,500
a.
30. Interpretasi Regresi logistik
Perhatikan signifikan model pd tabel Omnibus
Tests of Model Coefficients sig bila p<0,05
Perhatikan signifikan parsial pd tabel Variables in
the Equation sig bila 0,10; jika ada pd salah
satu dummy dg sig parsial 0,10 sdkn dummy
lainnya >0,10 maka variabel tsb tetap dalam
model
Perhatikan kemampuan prediksi model pd tabel
Classification Table (Overall Percentage)
31. Interpretasi Regresi logistik
Persamaan Logit pd tabel Variable in the Equation:
Logit (kinerja=baik)= -2,168 +1,595*caksdgr +2,093*binagrp -
1,429*mskerja4(1)
-0,449*mskerja4(2) -0,615*mskerja4(3) +2,132*sex
RR pd frekuensi pembinaan 2x/th dibandingkan
<2x/th:
RR= P1(Y)=probabilitas kinerja baik pd frekuensi pembinaan 2x/th
P0(Y) probabilitas kinerja baik pd frekuensi pembinaan <2x/th
32. Interpretasi Regresi logistik
OR & estimasi selang pd tabel Variable in the
Equation:
OR pd frekuensi pembinaan 2x/th dibandingkan
<2x/th sebesar 8,107 (CI95%: 1,524 – 43,139)
OR pd perempuan dibandingkan laki-laki sebesar
8,435 (CI95%: 2,314 – 30,749)
Variables in the Equation
1,595 ,861 3,432 1 ,064 4,931 ,912 26,665
2,093 ,853 6,021 1 ,014 8,107 1,524 43,139
4,762 3 ,190
-1,429 ,870 2,697 1 ,101 ,240 ,044 1,319
-1,449 ,764 3,599 1 ,058 ,235 ,053 1,049
-,615 ,840 ,535 1 ,464 ,541 ,104 2,807
2,132 ,660 10,439 1 ,001 8,435 2,314 30,749
-2,168 1,188 3,330 1 ,068 ,114
caksdgr(1)
binagrp(1)
mskerja4
mskerja4(1)
mskerja4(2)
mskerja4(3)
sex(1)
Constant
Step
1
a
B S.E. Wald df Sig. Exp(B) Lower Upper
95,0% C.I.for EXP(B)
Variable(s) entered on step 1: caksdgr, binagrp, mskerja4, sex.
a.
33. Uji Interaksi
Heterogenitas efek dari suatu paparan terhadap
outcome
Interaksi disebut juga modifikasi efek
Asumsi: bila efek x terhadap y tergantung nilai z
(varibel independen lain)
Uji hipotesis koefisien var. multiplikasi
Ho = β3 = 0
Bila P value hasil uji wald < alpha
Maka disimpulkan interaksi ada
34. Uji Interaksi
Tentukan variabel yang secara substansif
berinteraksi
Masukkan dalam model regresi
Lihat p-value uji model tsb
bila p-value < 0.05 - ada interaksi
35. Uji Konfounding
Konfounding suatu distorsi dalam menaksir
pengaruh paparan terhadap penyakit sebagai akibat
tercampurnya pengaruh sebuah atau beberapa variabel
luar
Variabel luar (extranous variabel) konfounder
Asumsi:
Secara substantif variabel tsb berhubungan dengan pajanan
dan penyakit
Pertimbangan statistik atas adanya hubungan variabel dengan
Pajanan dan penyakit
36. Uji Konfounding
Tahapan:
Hitung taksiran kasar (crude estimate) efek pajanan
thd outcome
Hitung taksiran efek pajanan thd penyakit setelah
mengontrol variabel luar yang diduga sbg
konfounder (adjusted estimate)
Bandingkan kedua taksiran, identifikasi beda kedua
taksiran
Identifikasi konfounding dgn melihat ukuran
selisih/beda kedua taksiran yaitu nilai beda
> 10 %.
37. Uji Interaksi & Konfounding
Asumsi interaksi & konfounding setelah diperoleh model fit
Interaksi antara cakupan SD UKGS & frekuensi pembinaan
Konfounding: sex
Cakupan SD UKGS
Frekuensi pembinaan
Kinerja Petugas
UKGS
Sex
39. Uji Konfounding
Perhitungan rasio OR
Ratio OR = ORcrude – ORadjs
ORadjs
ORcaksdukgs = 4,172 – 4,460 * 100% = 6,46%
4,460
ORpembinaan= 5,337 - 8,563 * 100% = 37,67%
8,563
Bila rasio OR 10% konfounding
40. Kesimpulan
Faktor-faktor yg berhubungan terhdp Kinerja
baik adalah cakupan SD UKGS, frekuensi
pembinaan & jenis kelamin petugas.
Model di atas fit dg p=0,000 (omnibus table) &
signifikan parsial <0,100.
Kemampuan prediksi model tsb sebesar 72,1%
(classification table; overall percentage)
41. Kesimpulan
Persamaan model:
Logit(Y|kinerja baik) = -3,059 + 1,495*caksd + 2,147*binaan + 2,190*sex
Model tidak menunjukkan adanya interaksi
antara cakupan SD UKGS dg Frekuensi
Pembinaan
Variabel sex merupakan konfounder
Interpretasi OR:
Cakupan SD UKGS 80% berpeluang untuk
petugas dg kinerja baik sebesar 4,46x (CI: 1,26-
15,77) lebih dibandingkan Cakupan SD UKGS
<80% stlh dikontrol frekuensi pembinaan & sex
42. Kesimpulan
Frekuensi pembinaan 2x/th berpeluang untuk
petugas dg kinerja baik sebesar 8,56x (CI: 2,39-
30,63) lebih dibandingkan Frekuensi pembinaan
<2x/th stlh dikontrol cakupan SD UKGS & sex
Petugas perempuan berpeluang memiliki kinerja baik
8,94x lebih tinggi dibandingkan petugas laki-laki
setlh dikontrol cakupan SD UKGS & frekuensi
pembinaan