Uji Asosiasi-materi ajar

UjiUji AsosiasiAsosiasi((HubunganHubungan))

Program S2 Program S2 GiziGizi PaccasarjanaPaccasarjana UNDIP UNDIP SemarangSemarang 20092009

Contact : 08122815730E-mail : [email protected] : suyatno.blog.undip.ac.id

SuyatnoSuyatno, Ir., , Ir., M.KesM.Kes..

JenisJenis UjiUji AsosiasiAsosiasi1. 1. KorelasiKorelasi ((hubunganhubungan): ):

SemuaSemua data nominal data nominal : : KoefisienKoefisien KontingensiKontingensi SemuaSemua data ordinaldata ordinal : Rank Spearman, Kendall : Rank Spearman, Kendall TauTau SemuaSemua data data rasiorasio/interval: /interval: KorelasiKorelasi PearsonPearson

2. 2. RegresiRegresi ((pengaruhpengaruh):): SkalaSkala variabelvariabel dependendependen interval/interval/rasiorasio: :

RegresiRegresi Linier Linier sederhanasederhana RegresiRegresi Linier Linier bergandaberganda RegresiRegresi Linier Dummy (Linier Dummy (duadua kriteriakriteria dandan lebihlebih daridari 2 2 kriteriakriteria)) RegresiRegresi PolinomialPolinomial ((kurvakurva))

SkalaSkala variabelvariabel dependendependen nominal:nominal: regresiregresi Binary (Binary (regresiregresi logistiklogistik) : ) : sederhanasederhana/linier & /linier & bergandaberganda

1. 1. KorelasiKorelasi ((hubunganhubungan)) SemuaSemua data nominal: data nominal: KoefisienKoefisien KontingensiKontingensi SemuaSemua data ordinal : Rank Spearman, Kendall data ordinal : Rank Spearman, Kendall TauTau SemuaSemua data data rasiorasio/interval: /interval: KorelasiKorelasi PearsonPearson Cara Cara analisisanalisis::

BukaBuka filefile ((KlikKlik file file latihanlatihan SPSSSPSS)) klikklik Analyze > correlate > Analyze > correlate > bivariatebivariate MasukkanMasukkan variabelvariabel--variabelvariabel yang yang inginingin

dikorelasikandikorelasikan Correlation Coefficients: Correlation Coefficients: diisidiisi jenisjenis ujiuji yang yang sesuaisesuai

skalaskala dandan normalitasnormalitas data (Pearson, Kendalldata (Pearson, Kendalls s tautau--bb atauatau Spearman)Spearman)

Test of Test of SignificansSignificans: : diisidiisi araharah ujiuji (Two(Two--tailed tailed atauatauoneone--tailed)tailed)

Output:

KorelasiKorelasiKorelasiKorelasi Pearson:Pearson:Pearson:Pearson:

Hubungan Total Pendapatan dengan LILA dan BMI

Kesimpulan: Hubungan total pendapatan (TOT_PEND) dengan LILA dan BMI

tidak signifikan karena p > 0,0,5 (lihat Sig-2 tailed)

Output:

KorelasiKorelasiKorelasiKorelasi Spearmen & KendallSpearmen & KendallSpearmen & KendallSpearmen & Kendallssss----tautautautau::::

Hubungan var. tingkat pendidikan dengan LILA dan BMI

Kesimpulan: Hubungan tingkat pendidikan (TK_DIDIK) dengan LILA dan BMI

tidak signifikan karena p > 0,0,5 (lihat Sig-2 tailed)

2. 2. RegresiRegresi Kegunaan untuk menguji pengaruh variabel bebas Kegunaan untuk menguji pengaruh variabel bebas

terhadap variabel terikat. terhadap variabel terikat. Dapat diketahui nilai koefisien determinasi (diketahui Dapat diketahui nilai koefisien determinasi (diketahui

dari nilai R Square atau Adjusted R Square jika jumlah dari nilai R Square atau Adjusted R Square jika jumlah variabel bebas lebih dari 2 variabel).variabel bebas lebih dari 2 variabel).

Nilai Nilai koefisien determinan koefisien determinan menerangkan proporsi dari menerangkan proporsi dari variabel dependent yang bisa dijelaskan oleh variabelvariabel dependent yang bisa dijelaskan oleh variabel--variabel independent yang dimasukkan dalam analisis. variabel independent yang dimasukkan dalam analisis.

Nilai Nilai koefisien regresi (Coefficients) atau B koefisien regresi (Coefficients) atau B menjelaskanmenjelaskan besarnya pengaruh var. independent besarnya pengaruh var. independent terhadap var. Dependent terhadap var. Dependent

MacamMacam--macam regresi yang biasa digunakan:macam regresi yang biasa digunakan:1.1. RegresiRegresi linier linier sederhanasederhana dandan bergandaberganda2.2. RegresiRegresi linier linier dengandengan variabelvariabel dummydummy3.3. RegresiRegresi logistiklogistik4.4. RegresiRegresi bergandaberganda model model polinomialpolinomial

Prinsip Uji LinieritasPrinsipnya adalah melihat apakah penyimpanganhubungan antar data menjauhi atau mendekati garis linier

RegresiRegresi Linier:Linier:SyaratSyarat--syaratsyarat yang yang harusharus dipenuhidipenuhi::a.a. TerdapatTerdapat hubunganhubungan linier linier antaraantara variabelvariabel

bebasbebas dandan terikatterikat, , caranyacaranya: : sebelumnyasebelumnya dicekdicekdengandengan ujiuji korelasikorelasi parsialparsial

b.b. SkalaSkala data data variabelvariabel bebasbebas dandan terikatterikat adalahadalah: : rasiorasio atauatau intervalinterval

c.c. TidakTidak terdapatterdapat multikolinieritasmultikolinieritas ((korelasikorelasi kuatkuatantaraantara variabelvariabel bebasbebas dandan bebasbebas), ), caranyacaranya:: dicekdicek daridari koefiesienkoefiesien korelasikorelasi: :

klikklik Analyze > correlate > Analyze > correlate > bivariatebivariate jikajika nilainilai r r dibawahdibawah 0,5 (0,5 (korelasikorelasi lemahlemah) )

berartiberarti tidaktidak adaada problem problem multikomultiko daridari nilainilai VIF (Variance Inflation Factor) VIF (Variance Inflation Factor)

dandan ToleranceTolerance

SyaratSyarat ..Cara Cara mengetahuimengetahui daridari nilainilai VIF (Variance Inflation Factor) VIF (Variance Inflation Factor) dandan Tolerance: Tolerance: klikklik Analyze > regression > linier , Analyze > regression > linier , setelahsetelahdimasukkandimasukkan variabelvariabel independent independent dandan dependent dependent makamaka: :

tekantekan tomboltombol statisticsstatistics nonaktifkannonaktifkan pilihanpilihan estimates estimates dandan model fitmodel fit aktifkanaktifkan pilihanpilihan Covariance matrix Covariance matrix dandan CollinierityCollinierity diagnoticsdiagnotics asumsiasumsi multikolinearitasmultikolinearitas terpenuhiterpenuhi jikajika nilainilai VIF VIF didi bawahbawah 10. 10.

KarenaKarena VIF = 1/Toleranceas VIF = 1/Toleranceas makamaka multikolineritasmultikolineritas jugajuga dapatdapatditentukanditentukan dengandengan Tolerance Tolerance didi bawahbawah 0,1. 0,1. Paling Paling baikbaik : : jikajika NilaiNilai VIF VIF didi sekitarsekitar angkaangka 1 1 dandan

AngkaAngka tolerance tolerance mendekatimendekati 11d.d. Error/Error/galadgalad berdistribusiberdistribusi normal, normal, caracara mengetahuimengetahui::

klikklik Analyze > regression > linierAnalyze > regression > linier setelahsetelah dimasukkandimasukkan variabelvariabel independent independent dandan dependent dependent

kemudiankemudian: : tekantekan plotsplots aktifkanaktifkan kotakkotak pilihanpilihan normal probability plotnormal probability plot abaikanabaikan yang lain yang lain dandan klikklik continuecontinue JikaJika data data menyebarmenyebar disekitardisekitar garisgaris diagonal diagonal dandan mengikutimengikuti araharah

diagonal diagonal makamaka model model regresiregresi memenuhimemenuhi asumsiasumsi normalitasnormalitas..

SyaratSyarat.. .. e.e. TidakTidak terdapatterdapat autokorelasiautokorelasi (data (data satusatu dengandengan yang lain yang lain

bebasbebas), ), caracara mendeteksimendeteksi:: klikklik Analyze > regression > linierAnalyze > regression > linier setelahsetelah dimasukkandimasukkan variabelvariabel independent independent dandan dependent dependent makamaka: : tekantekan tomboltombol statisticsstatistics aktifkanaktifkan pilihanpilihan DurbinDurbin--Watson Watson padapada bagianbagian residualsresiduals abaikanabaikan tomboltombol yang lain, continue yang lain, continue KetentuanKetentuan yang yang dipakaidipakai:: angkaangka DD--W W didi bawahbawah 2 2 berartiberarti adaada autokorelasiautokorelasi positifpositif angkaangka DD--W W didi antaraantara 2 2 dandan +2 +2 berartiberarti tidaktidak adaada autokorelasiautokorelasi angkaangka DD--W W didi atasatas 2 2 berartiberarti adaada autokorelasiautokorelasi negatifnegatif Cara Cara mengatasimengatasi: : dengandengan transformasitransformasi data data atauatau menambahmenambah

data data observasiobservasi

Note:Autokorelasi adalah kondisi dimana terdapat korelasi atauhubungan antar pengamatan (observasi), baik itu dalambentuk observasi deret waktu (time series) atau observasicross-section Contohnya:

untuk data deret waktu: kita ingin membentuk regresi antaratingkat bunga dan investasi. Data yang digunakan adalah data kuartalan. Maka, kita berasumsi bahwa tingkat bunga padasuatu kuartal (misalnya kuartal I) hanya akan mempengaruhiinvestasi pada kuartal I tersebut, dan tidak mempengaruhiinvestasi kuartal berikutnya.

untuk data cross-section: kita ingin meregresikan antarapendapatan dan konsumsi. Data yang digunakan misalnyaadalah data pendapatan dan konsumsi keluarga pada suatuperiode waktu. Maka yang kita harapkan adalah konsumsikeluarga A hanyalah dipengaruhi oleh pendapatan keluarga A tersebut, tidak oleh pendapatan keluarga B. Jadi, jika terjadipeningkatan pendapatan keluarga B, maka tidak mempengaruhikonsumsi keluarga A.

Cara Cara AnalisisAnalisis RegresiRegresi LinierLinier1. 1. RegresiRegresi linier linier sederhanasederhana::

RegresiRegresi linier linier sederhanasederhana: : jikajika hanyahanya adaada satusatu variabelvariabelbebasbebas dengandengan data data pengukuranpengukuran variabelvariabel bebasbebas dandanterikatterikat adalahadalah: : rasiorasio atauatau interval (interval (bukabuka: file : file regresiregresi) )

CaranyaCaranya: : klikklik Analyze > regression > linier Analyze > regression > linier setelahsetelah ituitu dipilihdipilih variabelvariabel independent independent dandan dependentdependent

Output:

Model regresi bagus

Koefisien determinasiHanya 60,8 % variablititasvar. produktivitas yang bisaditerangkan oleh var.LILA

Var.LILA berpengaruh sigTerhdp var. produktivitas(p

2. 2. RegresiRegresi linier linier bergandaberganda: : jikajika adaada lebihlebih daridari satusatu variabelvariabel bebasbebas dengandengan data data

pengukuranpengukuran variabelvariabel bebasbebas dandan terikatterikat adalahadalah: : rasiorasioatauatau interval (interval (bukabuka: file : file regresi1regresi1) )

CaranyaCaranya: : klikklik Analyze > regression > linier , Analyze > regression > linier , setelahsetelahituitu dipilihdipilih variabelvariabel independent independent dandan dependent, dependent, method method pilihpilih salahsalah satusatu: enter, forward, backward : enter, forward, backward atauatau stepwisestepwise

PilihanPilihan metodemetode:: Enter: Enter: semuasemua variabelvariabel dimasukkandimasukkan dalamdalam model model regresiregresi, ,

tidaktidak adaada yang yang dikeluarkandikeluarkan.. Backward: Backward: semuasemua variabelvariabel dimasukkandimasukkan dalamdalam model model

regresiregresi kemudiankemudian dianalisisdianalisis dandan variabelvariabel yang yang tidaktidak layaklayakmasukmasuk dalamdalam model model regresiregresi dikeluarkandikeluarkan satusatu per per satusatu

Forward: Forward: variabelvariabel bebasbebas dimasukkandimasukkan tidaktidak sekaligussekaligus, , namunnamun dimasukkandimasukkan satusatu per per satusatu dalamdalam model model regresiregresidimulaidimulai daridari variabelvariabel yang yang memilikimemiliki korelasikorelasi paling paling kuatkuatdengandengan variabelvariabel dependendependen

Stepwise: Stepwise: variabelvariabel bebasbebas dimasukkandimasukkan satusatu per per satusatu kekedalamdalam model model regresiregresi dimulaidimulai daridari variabelvariabel dengandengankorelasikorelasi paling paling kuatkuat terhadapterhadap variabelvariabel dependendependen, , dandansetiapsetiap kali kali terjaditerjadi pemasukkanpemasukkan variabelvariabel bebasbebas makamakadilakukandilakukan pengujianpengujian variabelvariabel yang yang telahtelah masukmasuk untukuntuktetaptetap masukmasuk atauatau keluarkeluar kembalikembali daridari model model regresiregresi..

Output:

nilai koefisien determinasi dipakai Adjusted R Square krn lebih dari 2 var. Bebas(dipakai R-Square jk var < 2)

jenis metoda yang dipilih

71,6 % variabilitas variabelproduktivitas ditentukan oleh4 var. independen yg dipilih

menunjukkan model regresiyang dipilih bagus

RegresiRegresi Linier Linier dgndgn VariabelVariabel Dummy Dummy VariabelVariabel terikatterikat adalahadalah: : rasiorasio atauatau interval.interval. TerdapatTerdapat variabelvariabel bebasbebas berskalaberskala nominal, nominal,

sehinggasehingga variabelvariabel tsbtsb disebutdisebut var.dummyvar.dummy Data entry var. dummy Data entry var. dummy dikodedikode 0 0 dandan 11 CaranyaCaranya: : 1. 1. RegresiRegresi BergandaBerganda dengandengan Var. Dummy 2 Var. Dummy 2

katagorikatagori bukabuka file file regresi_dummyregresi_dummy klikklik Analyze > regression > linier,Analyze > regression > linier, setelahsetelah ituitu dipilihdipilih variabelvariabel independent independent dandan

dependent,dependent, method method pilihpilih salahsalah satusatu metodametoda, , misalmisal: enter: enter

Output:

Model persamaan regresi :Produktivitas = 25,464 gender+ 188,286

Artinya:Produktivitas responden Laki-laki lebih tinggi 25,464 kg/minggu dibanding

perempuan

Contoh 1:

Var. Dependent:- Produktivitas (kg teh/minggu)

Var. Independent:- Gender (0=P & 1=L)

Output:

Model persamaan regresi :Produktivitas = 30,016 gender+ 28,629 st suplemen + 1,396 usia + 128,859

Contoh 2:

Var. Dependent:- Produktivitas (kg teh/minggu)

Var. Independent:-Gender (0=P & 1=L)-Status Suplementasi Fe (0=tdk & 1=ya)-Usia (tahun)

Cara Membaca Model persamaan:

Produktivitas = 30,016 gender+ 28,629 st suplemen + 1,396 usia + 128,859

Taksiran:

Model regresi bagi kode 0 dan 0 yang berarti responden perempuandan tidak memperoleh suplementasi Fe: Produktivitas = 30,016 (0) + 28,629 (0) + 1,396 usia + 128,859

= 128,859 + 1,396 usia

Model regresi bagi kode 1 dan 1 yang berarti responden laki-laki danmemperoleh suplementasi Fe: Produktivitas = 30,016 (1) + 28,629 (1) + 1,396 usia + 128,859

= 187,504 + 1,396 usia

Model regresi bagi kode 1 dan 0 yang berarti responden laki-laki dantidak memperoleh suplementasi Fe: Produktivitas = 30,016 (1) + 28,629 (0) + 1,396 usia + 128,859

= 158,875 + 1,396 usia

Model regresi bagi kode 0 dan 1 yang berarti responden perempuandan memperoleh suplementasi Fe:

Produktivitas = 30,016 (0) + 28,629 (1) + 1,396 usia + 128,859= 158,884 + 1,396 usia

2. 2. RegresiRegresi BergandaBerganda dengandengan Var. Dummy Var. Dummy lebihlebihdaridari 2 2 katagorikatagori bukabuka file file regresi_dummy1regresi_dummy1 klikklik Analyze > regression > linier,Analyze > regression > linier, setelahsetelah ituitu dipilihdipilih variabelvariabel dependent (dependent (produktivitasproduktivitas) )

dandan independent (independent (hbhb, , masa_krjmasa_krj, indeks1, indeks2, , indeks1, indeks2, indeks3)indeks3)

method method pilihpilih salahsalah satusatu metodametoda, , misalmisal : enter: enter

Output:

Hubungan antara varindependen dan dependensangat kuat (r > 0,5) danR Square Adjusted = 91,4 %

Model bagus, dari hasil Anova(p < 0,5)

Persamaan regresi:Produktivitas = 8,304 Hb + 50,743 masa kerja + 92,754 indeks1+116,033 indeks2 + 102,187 indeks3 - 24,655

Cara Membaca Model persamaan:

Produktivitas = 8,304 kadar Hb + 50,743 masa kerja + 92,754 indeks1+116,033 indeks2 + 102,187 indeks3 - 24,655

Penafsiran:

Koefisien 8,304 kadar Hb artinya setiap penambahan 1 mg/dL Hb makaproduktivitas akan meningkat 8,304 kg

Koefisien 50,743 masa kerja artinya setiap penambahan 1 tahun masakerja maka produktivitas akan meningkat 50,743 kg

Koefisien 92,754 indeks1 artinya secara rata-rata responden denganpendidikan SD mempunyai produktivitas 92,754 kg lebih banyakdibanding responden tidak sekolah

Koefisien 116,033 indeks2 artinya secara rata-rata responden denganpendidikan Smp mempunyai produktivitas 116,033 kg lebih banyakdibanding responden tidak sekolah

Koefisien 92,754 indeks3 artinya secara rata-rata responden denganpendidikan SMA mempunyai produktivitas 102,187 kg lebih banyakdibanding responden tidak sekolah

RegresiRegresi bergandaberganda model model PolinomialPolinomial

membentukmembentuk persamaanpersamaan regresiregresi tidaktidakberdasarkanberdasarkan garisgaris luruslurus tetapitetapi nonnon--linier (linier (kurvakurva))

Model Model persamaanpersamaan regresiregresi nonnon--linier linier adaadabermacambermacam bentukbentuk:: Quadratic Quadratic Cubic Cubic Logistic Logistic LogarithmicLogarithmic Inverse Inverse dlldll

Bentuk-bentuk hubungan

Cara Cara memilihmemilih method yang method yang tepattepat padapada RegresiRegresibergandaberganda model model PolinomialPolinomial

BukaBuka file file regresi_kurvaregresi_kurva klikklik Analyze > regression > curve estimation Analyze > regression > curve estimation KemudianKemudian dipilihdipilih variabelvariabel independent (var. independent (var. rotiroti) ) dandan

dependent (dependent (var.biayavar.biaya) ) UntukUntuk models (method) models (method) pilihpilih (v) (v) padapada semuasemua metodametoda

yang yang tersediatersedia dandan tekantekan OKOK EvaluasiEvaluasi Output: Output: metodemetode yang yang baikbaik adalahadalah yang yang memilikimemiliki

nilainilai signifikansisignifikansi dandan RsqRsq atauatau koefisienkoefisien determinasideterminasiterbesarterbesar

Output:

nilai signifikansidan Rsq ataukoefisiendeterminasiterbesar

ContohContoh::AplikasiAplikasi regresiregresi bergandaberganda model model PolinomialPolinomial

BagaimanaBagaimana pengaruhpengaruh jumlahjumlah rotiroti yang yang diproduksidiproduksi terhadapterhadap besarbesar biayabiaya.. BukaBuka file file regresi_kurvaregresi_kurva klikklik Analyze > regression > curve estimation Analyze > regression > curve estimation KemudianKemudian dipilihdipilih variabelvariabel independent (var. independent (var.

rotiroti) ) dandan dependent (dependent (var.biayavar.biaya) ) UntukUntuk Models (method) Models (method) pilihpilih salahsalah satusatu: :

misalnyamisalnya cubic (model cubic (model iniini dapatdapat membentukmembentukmodel model sampaisampai dengandengan pangkatpangkat tigatiga))

Output Angka Rsq atau koefisiendeterminasi sebesar 0,997 artinya sekitar 99,7% variasibiaya bisa dijelaskan olehvariasi roti yang diproduksi

Uji ANOVA (F) didapat tingkatsignifikansi 0,000 atau p

RegresiRegresi logistiklogistik:: JikaJika variabelvariabel terikatterikat berskalaberskala nominal nominal TerdapatTerdapat 2 2 jenisjenis ::

1. 1. RegresiRegresi logistiklogistik sederhanasederhana::jikajika hanyahanya adaada satusatu variabelvariabel bebasbebas dengandengan skalaskaladata data rasiorasio/interval /interval atauatau nominal (dummy), nominal (dummy), sedangsedangskalaskala data data variabelvariabel terikatterikat adalahadalah: nominal: nominal

2. 2. RegresiRegresi logistiklogistik bergandaberganda::jikajika hanyahanya duadua atauatau lebihlebih variabelvariabel bebasbebas dengandenganskalaskala data data rasiorasio/interval /interval atauatau nominal (dummy), nominal (dummy), sedangsedang skalaskala data data variabelvariabel terikatterikat adalahadalah: nominal: nominal

Model Model MatematisMatematis RegresiRegresi LogistikLogistik

RumusRumus::

11f (Z) = f (Z) = --------------------------------

--zz

1 + e 1 + e

RegresiRegresi LogistikLogistik SederhanaSederhana Z = Z = bb0 + 0 + bb1 X1 1 X1 RegresiRegresi LogistikLogistik GandaGanda Z = Z = bb0 + 0 + bb1 X1 + 1 X1 + bb2 X2 + 2 X2 + + + bbpp XpXp

DimanaDimana:: X = X = paparanpaparan, , faktorfaktor resikoresiko, , variabelvariabel bebasbebas f (z ) = f (z ) = probabilitasprobabilitas resikoresiko terjadinyaterjadinya outcome yang outcome yang diamatidiamati BerapapunBerapapun nilainilai z z f ( Z ) = f ( Z ) = berhargaberharga antaraantara 0 0 dandan 11

RegresiRegresi LogistikLogistik Model Model PrediktifPrediktif:: untukuntuk memperolehmemperoleh model model atauatau kumpulankumpulan variabelvariabel bebasbebas

ygyg dianggapdianggap terbaikterbaik untukuntuk memprediksimemprediksi kejadiankejadian variabelvariabeldependendependen (outcome ).(outcome ).

difokuskandifokuskan padapada pertimbanganpertimbangan nilainilai statistikstatistik biasanyabiasanyadengandengan metodemetode stepwise stepwise dandan nilainilai koefisienkoefisien regresiregresi b b harusharus significant (significant (melaluimelalui UjiUji WaldWald, p < 0,05)., p < 0,05).

RegresiRegresi Model Model FaktorFaktor:: DifokuskanDifokuskan padapada Exp ( b ), Exp ( b ), meskipunmeskipun ujiuji WaldWald tidaktidak

bermaknabermakna dapatdapat dimasukkandimasukkan dalamdalam pemodelanpemodelan.. Dapat menghitung Besar Resiko OR/RR (dengan syarat Dapat menghitung Besar Resiko OR/RR (dengan syarat

skala data variabel bebas nominal): skala data variabel bebas nominal): bibi

OROR // RR = Exp (bi) = eRR = Exp (bi) = e

CaranyaCaranya analysis: analysis: BukaBuka file: file: regresi_binaryregresi_binary klikklik Analyze > regression > binary logistic Analyze > regression > binary logistic MasukkanMasukkan variabelvariabel independent independent dandan

dependentdependent method method pilihpilih salahsalah satusatu: :

(1) (1) RegresiRegresi LogistikLogistik Model Model PrediktifPrediktif: : pilihpilih StepwiseStepwise(2) (2) RegresiRegresi LogistikLogistik Model Model FaktorFaktor : : pilihpilih EnterEnter

OKOK

(1)

Output:

(2)

Output:

Setiap kenaikan LILA cm maka proporsi BBLRturun 18,4 %

Signifikan (p 0,05,tidak beda, shg model baik

Jika var LILA dikotomi = OR

Cara Cara penafsiranpenafsiran: :

MenggunakanMenggunakan pendekatanpendekatan probabilitasprobabilitas:: AngkaAngka negatifnegatif dianggapdianggap probabilitasprobabilitas 00 AngkaAngka positifpositif lebihlebih daridari satusatu dianggapdianggap probabilitasprobabilitas 11 AngkaAngka positifpositif antaraantara 0 0 sampaisampai 1 1 makamaka probabilitasprobabilitas sesuaisesuai

dengandengan angkaangka yang yang terteratertera..

Note: Note: PemilihanPemilihan variabelvariabel yang yang bolehboleh masukmasuk dalamdalam UjiUjiLogLog--regreg

DilakukanDilakukan analisisanalisis hub hub antaraantara varvar bebasbebas dandan terikatterikat UjiUji hubunganhubungan ((tabulasitabulasi silang/Ujisilang/Uji ChiChi--Square ) Square ) ------

batasbatas sigsig p p