langkah-langkah uji regresi (adpg)

7/24/2019 Langkah-langkah uji regresi (ADPG)

1/27

Laporan Praktikum ke-7 Tanggal Mulai : 04 Desember 2015

MK Analisis Data Pangan dan Gizi Tanggal Selesai : 18 Desember 2015

PENGOLAHAN DATA DENGAN UJI BEDA DAN UJI

REGRESI MENGGUNAKAN APLIKASI SPSS 16.0

Oleh :

Weny Wulandary I14130025

Asisten:

Mirna Rahmasari I14120061

Aldiza Intan Randani I14120142

Penanggung Jawab Praktikum:

Prof. Dr. Ir. Dadang Sukandar, M.Sc

DEPARTEMEN GIZI MASYARAKAT

FAKULTAS EKOLOGI MANUSIA

INSTITUT PERTANIAN BOGOR

BOGOR

2015


2/27


3/27

HASIL DAN PEMBAHASAN

Analisis data pangan dan gizi dapat dilakukan dengan menggunakan

aplikasi SPSS 16.0 untuk menguji hubungan suatu variabel. Variabel yang

memiliki hubungan memiliki tingkat kekuatan yang dikategorikan menjadi rendah,

sedang, dan kuat. Kekuatan hubungan rendah apabila angka berkisar 0.1 sampai

dengan 0.3, kekuatan hubungan sedang apabila angka berkisar 0.3 sampai dengan

0.5, dan kekuatan hubungan kuat apabila angka >0.5. Analisis hubungan besarnya

pendapatan per kapita dengan konsumsi energi dapat berbanding lurus ataupun

berbanding terbalik. Pendapatan perkapita tinggi tetapi konsumsi energi rendah

atau tidak ada pertambahan sama sekali memiliki nilai negatif, sehingga

berbanding terbalik. Pendapatan perkapita tinggi disertai dengan konsumsi energi

tinggi memiliki nilai positif, sehingga berbanding lurus (linear).

Uji beda digunakan untuk melihat ada atau tidaknya perbedaan antara satuvariabel dengan variabel lainnya.Terdapat beberapa testdi dalam uji beda, salah

satunya adalah T-test. T-tes digunakan apabila data menyebar normal. Sebelum

dilakukan uji beda atau uji hubungan, terlebih dahulu dilakukan uji normalitas

menggunakan Komogrof-smirnov untuk mengetahui sebaran data (normal atau

tidak normal). Independen t-tes digunakan untuk menguji signifkansi beda rata-

rata pada dua kelompok pada jenis data yang tidak berpasangan.

Langkah pertama adalah membuka aplikasi SPSS, kemudian ketik A5

pada namedan pilih stringpada type, karena A5 merupakan identitas. Kemudian

ketik semua variabel yang dibutuhkan, yaitu jumlah anggota rumah tangga (ART),

pendapatan perkapita (PPK), konsumsi energi (Kons_E), konsumsi protein

(Kons_prot), tingkat kecukupan vitamin C (TKG_vitC), kategori ART (kat_ART),dan kategori TKG_vitC (kat_TKGvitC). Selanjutnya buka aplikasi MS.Excellalu

copydata A5, ART, PPK, konsumsi energi, konsumsi protein, dan TKG vitamin

C ke aplikasi SPSS.

Gambar 1 Tampilan SPSS variable view


4/27

Langkah selanjutnya adalah membuat kategori ART, yaitu dengan klik

transform, lalu pilih Recode into Defferent Variables dan akan muncul kotak

dialog Recode into Defferent Variables. Kemudian pilih ART untuk numeric

variable, lalu pada output variable ketik Kat_ART dan pada labelketik Kategori

ART, kemudian klik old and new values.

Gambar 2 Langkah awal untuk membuat kategori pada ART

Gambar 3 Langkah membuat kategori pada ARTpada kotak dialogrecode into

defferent variable

Pengkategorian untuk ART dibagi menjadi tiga kategori, yaitu kategori 1untuk jumlah ART kurang dari 4 orang, kategori 2 untuk jumlah ART 4 sampai

dengan 6 orang, dan lebih dari 6 orang tergolong dalam kategori 3. Langkah

untuk membuat kategori 1 yaitu dengan ketik 4 pada lowest through values, lalu

ketik 1 pada values kemudian klik add. Langkah untuk membuat kategori 2 adalah

dengan ketik 4 pada rangedan 6 pada through, lalu ketik 2 pada values kemudian

klik add. Langkah untuk membuat kategori 3 adalah dengan ketik 6 pada highest

through values, lalu ketik 3 pada values kemudian klik add.


5/27

Gambar 4 Langkah membuat kategori 1

Gambar 5 Tampilan setelah membuat rangeuntuk kategori

Setelah kategori 1 sampai dengan 3 telah dibuat, langkah selanjutnya

adalah klik continue, lalu klik OK seperti pada gambar 5 dan gambar 6. Kemudian

akan muncul hasil kategori ART pada data viewSPSS.

Gambar 6 Langkah untuk mendapatkan kategori ART

Kategori untuk tingkat kecukupan vitamin C adalah cukup atau kurang,

yaitu kategori 1 atau kategori cukup apabila TKG >77 dan kategori 2 atau

kategori kurang apabila TKG 0-77. Langkah untuk membuat kategori TKG

vitamin C yaitu dengan dengan klik transform, lalu pilih Recode into Defferent

Variables dan akan muncul kotak dialog Recode into Defferent Variables.


6/27

Kemudian pilih TKG Vitamin C untuk numeric variable, lalu pada output

variable ketik KAT_TKGVitC dan pada label ketik Kategori TKG Vitamin C,

kemudian klik old and new values sehingga muncul kotak dialog seperti gambar 7.

Kategori 1 dibuat dengan rentang TKG vitamin C 0 sampai dengan 77, sedangkan

kategori 2 adalah TKG vitamin C yang lebih dari 77. Kemudian klik continue,lalu klik OK sehingga muncul kategori TKG vitamin C pada data view.

Gambar 7 Tampilan kotak dialog untuk membuat kategori TKG vitamin C

Langkah selanjutnya adalah melakukan uji beda terhadap responden

dengan TKG vitamin C rendah dan TKG vitamin C cukup. Klik Analyze, lalu klik

compare means, kemudian pilih independent-samples T test. Kemudian muncul

kotak dialog independent-samples t-test, lalu pilih TKG vitamin C sebagai test

variable. Klik define groups, lalu setelah muncul kotak dialog define groups,

input angka 1 pada group 1 dan angka 2 pada group 2, kemudian klik continue,lalu klik OK sehingga muncul output uji beda t-testyang tercantum pada lampiran.

Gambar 8 Langkah uji beda


7/27

Gambar 9 Kotak dialog independent-samples t test dan define groups

Gambar 10 Output uji beda t test

TabelIndependent Samples Test yang didapatkan dari output menunjukkan

nilai signifikansi p yang lebih dari 0.05, yaitu p=0.053, sehingga responden yang

memiliki TKG vitamin C cukup dengan responden dengan TKG vitamin C kurang

memiliki nilai yang tidak berbeda nyata. Indeppendent-Samples T Test ini sesuai

untuk menguji perbedaan nilai mean variabel dengan ukuran rasio antara dua

kelompok data yang bersifat independen dan diambil dari suatu populasi dengan

metode simple random sampling atau dengan rancangan acak lengkap (RAL).

Selain t-test, uji beda juga dapat dilakukan dengan Anova. Terdapat 2

macam uji anova, yaitu One Way AnovadanAnova (Repeated Anova). Uji Anovadigunakan apabila sebaran data normal. One Way Anova digunakan untuk

kelompok data yang tidak berpasangan dengan jumlah kelompok lebih dari 2,

serta data tersebar normal. Repeated Anova digunakan untuk data berpasangan

dengan jumlah kelompok lebih dari 2, serta data tersebar normal. Apabila data

tidak tersebar normal dan data tidak berpasangan, maka digunakanKruskal wallis.

Apabila data tersebar normal dan berpasangan, digunakan repeated anova atau

friedman test.

Uji anova cocok untuk menguji pengaruh satu independen variabel dengan

ukuran ordinal terhadap satu dependen variabel dengan ukuran rasio dan diambil

dari suatu populasi dengan metode simple random sampling atau dengan

rancangan acak lengkap (RAL). Uji anova berpasangan digunakan untuk menguji


8/27

pengaruh beberapa variabel independen yang tidak lebih dari 2 data nominal

(misal : formula warna, aroma, tekstur) atau ordinal (misal : tingkat pendidika dan

tingkat kecukupan) yang ingin dibedakan dengan dependen variabel dengan jenis

data rasio (misal : IMT).

Contoh kasus mengenai uji beda, yaitu sebanyak 30 responden diberiformula 1 2 dan 3, kemudian dilihat pengaruh dari formula tersebut terhadap berat

badan responden. Setiap 10 responden diberikan 1 formula dengan warna, tekstur,

dan aroma yang berbeda. Rasio yang digunakan adalah berat badan dengan 3x

ulangan. Langkah untuk uji anova yaitu dengan klik Analyze, lalu pilih general

linear model, kemudian klik univariate. Setelah itu muncul kotak dialog

univariate yang terdapayfixed factor.

Gambar 11 Langkah untuk melakukan uji anova

Gambar 12 Tampilan kotak dialog univariate

Fixed factordapat diisi lebih dari 1 variabel, tetapi dalam analisis ini fixed

factor yang digunakan adalah formula, sedangkan BB1 sebagai dependent


9/27

variable. Kemudian klik post hoc, sehingga muncul kotak dialog post hoc, lalu

pada post hoc tests for diisi dengan formula, lalu LSD ditandai, karena LSD

merupakan salah satu metode yang digunakan untuk analisis uji anova ini.

Kemudian klik continue, lalu klik OK sehingga muncul output yang tercantum

pada lampiran.

Gambar 13 Tampilan kotak dialogpost hoc

Gambar 14 Tampilan output uji anova


10/27

Gambar 15 Hasil output Multiple Comparisons

Berdasarkan output yang didapatkan, nilai signifikansi bernilai 0.0 semua

yang menunjukkan hubungan berbeda nyata. Terdapat perbedaan nyata antara

berat badan dengan formula yang diberikan, hal ini ditandai oleh p


11/27

Gambar 17 Tampilan kotak dialog one-way anova

Setelah muncul kotak dialog one-way anova, pilih BMI sebagai dependent

list,sedangkan sebagai faktor adalah status kawin karena data tidak berpasangan.

Kemudian pilih post hoc, lalu diberikan tanda check pada Duncan, kemudian

untuk uji signi diisikan angka 0.05 pada significance level. Kemudian klik

continue sehingga muncul output yang tercantum pada lampiran.

Gambar 18 Tampilan kotak dialogpost hocpada one-way anova

Gambar 19 Tampilan output uji signifikansi

Hasil uji yang didapatkan tidak berbeda nyata, karena nilai signifikansi

sebesar 0.191 atau lebih dari 0.05, sehingga tidak dilakukan pembacaan post hoc

dan tidak perlu uji lanjut. Uji beda menyatakan bahwa tidak ada perbedaan antara

IMT berdasarkan status kawin. Status kawin apapun, nilai IMT tetap atau tidak

ada perubahan.


12/27

Uji regresi merupakan uji awal sebelum dilakukan uji korelasi. Uji regresi

memiliki banyak variabel independen, sehingga harus uji regresi terlebih dahulu.

Terdapat 2 variabel yang diuji, yaitu energi dan protein yang diuji hubungannya

terhadap IMT. Apabila hasil regresi yang didapatkan memiliki nilai signifikan,

maka bisa dilakukan uji lanjut, yaitu uji korelasi. Uji regresi ada 2, yaitu singledan multiple. Single memiliki 1 variabel independen, misalnya pengaruh TKE dan

IMT. Multiplememiliki 2 variabel independen 2, misalnya perngaruh TKE dan

TKP terhadap IMT.

Langkah pertama untuk uji regresi linear sederhana adalah dengan klik

analyze, lalu pilih regression, kemudian klik linear. Kotak dialog linear

regression yang muncul kemudian diisi, yaitu BMI sebagai varabel dependen,

sedangkan variabel independen adalah persentase kecukupan energi dan

persentase kecukupan protein.

Gambar 20 Langkah awal untuk uji regresi linear sederhana

Gambar 21 Tampilan kotak dialog linear regression


13/27

Kemudian klik plots sehingga muncul kotak dialog plots, selanjutnya

adalah memasukkan *ZRESD ke variabel Y dan *ZPRED ke variabel X.

Kemudian diberi tanda check pada normal probability plots, lalu klik continue,

kemudian klik OK. Setelah itu muncul output yang tercantum pada lampiran.

Gambar 22 Tampilan kotak dialogplots

Gambar 23 Hasil output regresi linear sederhana

Berdasarkan gambar 23, terdapat tabel model summary* yang

menunjukkan pada kolom adjusted R square memiliki nilai 0.06 yang merupakan

nilai posotif. R-square digunakan untuk mengetahui besarnya pengaruh

independen (TKE dan TKP) terhadap depenpen (IMT). IMT dapat diprediksi oleh

TKE dan TKP sebesar 0.6 %, sedangkan 99.4% lainnya dipengaruhi oleh faktor

lain. R pada uji Pearson dan Spearman digunakan untuk mengetahui kekuatan

hubungan dari uji analisis tersebut. Kekuatan dikategorikan lemah apabila nilai

berkisar 0.1 sampai dengan 0.3, kekuatan dikategorikan sedang apabila berkisar

0.3 sampai dengan 0.5, dan hubungan dikategorikan kuat apabila lebih dari 0.5.

Kekuatan pengaruh TKE dan TKP terhadap IMT tergolong lemah berdasarkan

kategori.


14/27

Tabel Anova yang terdapat pada gambar menunjukkan nilai 0.371 atau

lebih dari 0.05, sehingga tidak dapat dibuat model matematikanya. Data ini layak

dibaca, tetapi tidak dapat dibuat model matematikanya. Selain itu hal ini juga

disebabkan olehscatter plotyang tidak membentuk pola (gambar 24).

Gambar 24 Scatter plot

Terdapat beberapa syarat data-data yang dapat diuji menggunakan uji

regresi linear, di antaranya adalah sebagai berikut.

1.

Data x dan y harus tersebar normal2. Data harus linear

3. Data harus independen

4. Jenis data harus parametrik atau numerik

5. Hasil yang dibaca: R, R-square, dan Sig

R untuk mengetahui besarnya pengaruh variabel independen

terhadap dependen.

R-squareuntuk uji kekuatan

Sig untuk uji signifikan 0.05

Uji regresi selanjutnya adalah uji regresi logistik yang digunakan untuk

data dengan variabel yang tidak tersebar normal atau nonparametrik. Variabelyang independen yang diguanakan adalah status kawin, status ekonomi, dan

tingkat kecukupan ekonomi (TKE). Variabel dependen yang digunakan kategori

IMT.

Klik analyze, lalu klik regression, lalu pilih binary logistic. Kemudian

pada kotak dialog logistic regressiondimasukkan kategori IMT sebagai variabel

dependen, sedangkan pada variabel kovariat dimasukkan kategori status kawin,

kategori status ekonomi, dan kategori TKE. Diharapkan semua variabel hanya

memiliki 2 kategori, misalnya IMT (normal atau lebih). Dua kategori digunakan

untuk mempermudah analisis. Variabel lainnya juga digunakan 2 kategori agar

serasi, dapat dengan kode 0 dan 1 atau 1 dan 2.


15/27

Gambar 25 Langkah awal uji regresi logistik

Gambar 26 Tampilan kotak dialog loigistic regression

Langkah selanjutnya adalah pilih option sehingga muncul kotak dialog

optiondan dipilihHosmer-Lemeshow goodness-of-fitdan CI diisi 95%. Kemudian

klik continue, lalu klik OK sehingga muncul output yang tercantum pada lampiran.

Gambar 27 Tampilan kotak dialog option


16/27

Gambar 28 Tampilan output R-Square

Berdasarkan gambar 28, besarnya kontribusi TKE, status kawin, dan status

ekonomi memberikan kontribusi atau pengaruh kepada IMT sebesar 0%, sisanya

dipengaruhi oleh faktor lain.

Gambar 29 Tampilan outputnilai signifikan dan exponen B

Sebanyak 3 variabel yang dianalisis, yaitu status ekonomi, status kawin,

dan TKE, hanya TKE yang keluar hasilnya. Hal ini disebabkan oleh TKE

memiliki pengaruh lebih besar terhadap IMT dibandingkan dengan variabel yang

lainnya. Kategori TKE tidak memiliki pengaruh yang signifikan terhadap IMT

karena nilai p lebih dari 0.05, yaitu 0.793.

Exponen B merupakan nilai OR, yaitu OR = 1 (variabel tidak menjadi

faktor risiko dan protektif), OR1 (variabel


17/27

faktor risiko). Nilai exponen B yang didapat lebih dari 1, sehingga TKE

merupakan faktor risiko terhadap IMT. Seseorang yang memiliki TKE lebih tinggi

memiliki risk 1.2 x lebih besar untuk menderita obesitas dibandingakn dengan

orang yang mengkonsumsi TKE lebih rendah.


18/27

LAMPIRAN

Hasil dari output uji T-test adalah sebagai berikut.

RECODE TKG_VITC (0 thru 77=1) (77 thru Highest=2) INTO TKG_VITC.

VARIABLE LABELS TKG_VITC 'TINGKAT KECUKUPAN'.

EXECUTE.

T-TEST GROUPS=KAT_TKGvitC(1 2)

/MISSING=ANALYSIS

/VARIABLES=TKG_VITC

/CRITERIA=CI(.9500).

T-Test

Notes

Output Created 04-Dec-2015 10:06:10

Comments

Input Active Dataset DataSet0

Filter

Weight

Split File

N of Rows in Working Data

File37

Missing Value Handling Definition of Missing User defined missing values are treated as

missing.

Cases Used Statistics for each analysis are based on the

cases with no missing or out-of-range datafor any variable in the analysis.

Syntax T-TEST GROUPS=KAT_TKGvitC(1 2)

/MISSING=ANALYSIS

/VARIABLES=TKG_VITC

/CRITERIA=CI(.9500).

Resources Processor Time 00:00:00.078

Elapsed Time 00:00:00.064

[DataSet0]

Group Statistics

kategoriTKG Vit

C N Mean Std. Deviation Std. Error Mean

TINGKAT KECUKUPAN 1 23 69.3913 8.64181 1.80194

2 13 81.4308 1.97416 .54753


19/27

Independent Samples Test

Levene's

Test forEquality of

Variances t-test for Equality of Means

F Sig. t df

Sig.

(2-tailed

)

Mean

Difference

Std. ErrorDifferenc

e

95% Confidence

Interval of the

Difference

Lower Upper

TINGKAT

KECUKU

PAN

Equal

variances

assumed

4.013 .053-

4.92234 .000 -12.03946 2.44617

-

17.01068-7.06825

Equal

variances

not

assumed

-

6.393

25.84

6.000 -12.03946 1.88329

-

15.91175-8.16718

SAVE OUTFILE='D:\SEMESTER 5\ADPG\spss t test.sav'

/COMPRESSED.


20/27

Hasil dari output uji one way Anova adalah sebagai berikut.

GETFILE='E:\SEMESTER 5_PRAKTIKUM\ADPG\ADPG 9\Laporan 7 Prov75.sav'.

DATASET NAME DataSet0 WINDOW=FRONT.

ONEWAY B10A3G BY B4K5/MISSING ANALYSIS

/POSTHOC=DUNCAN ALPHA(0.05).

Oneway

Notes


Comments

Input Data E:\SEMESTER5_PRAKTIKUM\ADPG\ADPG 9\Laporan

7 Prov75.sav

Active Dataset DataSet1

File Label Aggregated File

Filter

Weight

Split File


File335

Missing Value Handling Definition of Missing User-defined missing values are treated as

missing.

Cases Used Statistics for each analysis are based on

cases with no missing data for any variable

in the analysis.

Syntax ONEWAY B10A3G BY B4K5

/MISSING ANALYSIS

/POSTHOC=DUNCAN ALPHA(0.05).



[DataSet1] E:\SEMESTER 5_PRAKTIKUM\ADPG\ADPG 9\Laporan 7 Prov75.sav

ANOVABMI

Sum of Squares df Mean Square F Sig.

Between Groups 95.134 3 31.711 1.591 .191

Within Groups 6595.376 331 19.926

Total 6690.509 334


21/27

Post Hoc Tests

Homogeneous Subsets

BMI

Duncan

Status Kawin N

Subset for alpha =

0.05

1

Cerai hidup 2 21.500

Cerai mati 3 22.633

Belum kawin 14 23.407

Kawin 316 25.301

Sig. .255

Means for groups in homogeneous subsets are

displayed.


22/27

Hasil dari output uji Regresi adalah sebagai berikut.

GET

FILE='E:\SEMESTER 5_PRAKTIKUM\ADPG\ADPG 10\Prov75 regresi.sav'.

DATASET NAME DataSet0 WINDOW=FRONT.REGRESSION

/MISSING LISTWISE

/STATISTICS COEFF OUTS R ANOVA

/CRITERIA=PIN(.05) POUT(.10)

/NOORIGIN

/DEPENDENT B10A3G

/METHOD=ENTER persen_energi persen_protein

/SCATTERPLOT=(*ZRESID ,*ZPRED)

/RESIDUALS NORM(ZRESID).

Regression

Notes


Comments

Input Data E:\SEMESTER

5_PRAKTIKUM\ADPG\ADPG 10\Prov75

regresi.sav



Filter

Weight

Split File N of Rows in Working Data

File335


missing.

Cases Used Statistics are based on cases with no

missing values for any variable used.

Syntax REGRESSION

/MISSING LISTWISE

/STATISTICS COEFF OUTS R ANOVA/CRITERIA=PIN(.05) POUT(.10)

/NOORIGIN

/DEPENDENT B10A3G/METHOD=ENTER persen_energi

persen_protein

/SCATTERPLOT=(*ZRESID ,*ZPRED)

/RESIDUALS NORM(ZRESID).



Memory Required 2532 bytes

Additional Memory Required

for Residual Plots560 bytes


23/27

[DataSet1] E:\SEMESTER 5_PRAKTIKUM\ADPG\ADPG 10\Prov75 regresi.sav

Variables Entered/Removedb

Model Variables Entered

Variables

Removed Method

1 Persentase

KecukupanProtein, Persentase

Kecukupan

Energia

. Enter

a. All requested variables entered.

b. Dependent Variable: BMI

Model Summaryb

Model R R Square Adjusted R Square

Std. Error of the

Estimate

1 .077a .006 .000 4.4757

a. Predictors: (Constant), Persentase Kecukupan Protein, Persentase

Kecukupan Energi


ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 39.855 2 19.927 .995 .371a

Residual 6650.655 332 20.032

Total 6690.509 334

a. Predictors: (Constant), Persentase Kecukupan Protein, Persentase Kecukupan Energi


Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

1 (Constant) 25.804 .674 38.303 .000Persentase

Kecukupan Energi-.019 .013 -.112 -1.386 .167

PersentaseKecukupan Protein

.007 .009 .068 .843 .400

a. Dependent Variable: BMI


24/27

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 23.875 26.061 25.175 .3454 335

Residual -9.8672 16.1124 .0000 4.4623 335

Std. Predicted Value -3.764 2.564 .000 1.000 335

Std. Residual -2.205 3.600 .000 .997 335

a. Dependent Variable: BMI

Charts


25/27

LOGISTIC REGRESSION VARIABLES Kat_BMI

/METHOD=ENTER Kat_StatusKawin Kat_StatusEko Kat_TKE

/PRINT=GOODFIT CI(95)/CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).

Logistic Regression

Notes


Comments

Input Data E:\SEMESTER

5_PRAKTIKUM\ADPG\ADPG 10\Prov75

regresi.sav



Filter

Weight

Split File


File335


missing

Syntax LOGISTIC REGRESSION VARIABLESKat_BMI

/METHOD=ENTER Kat_StatusKawin

Kat_StatusEko Kat_TKE/PRINT=GOODFIT CI(95)

/CRITERIA=PIN(0.05) POUT(0.10)

ITERATE(20) CUT(0.5).



[DataSet1] E:\SEMESTER 5_PRAKTIKUM\ADPG\ADPG 10\Prov75 regresi.sav

Case Processing Summary

Unweighted Casesa N Percent

Selected Cases Included in Analysis 335 100.0

Missing Cases 0 .0

Total 335 100.0

Unselected Cases 0 .0

Total 335 100.0

a. If weight is in effect, see classification table for the total number of

cases.


26/27

Dependent Variable

Encoding

OriginalValue Internal Value

0 01 1

Block 0: Beginning Block

Classification Tablea,b

Observed

Predicted

Kategori BMIPercentage

Correct0 1

Step 0 Kategori BMI 0 183 0 100.0

1 152 0 .0

Overall Percentage 54.6

a. Constant is included in the model.

b. The cut value is ,500

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 0 Constant -.186 .110 2.860 1 .091 .831

Variables not in the Equation

Score df Sig.

Step 0 Variables Kat_TKE .069 1 .793

Overall Statistics .069 1 .793

Block 1: Method = Enter

Omnibus Tests of Model Coefficients

Chi-square df Sig.Step 1 Step .069 1 .792

Block .069 1 .792

Model .069 1 .792

Model Summary

Step -2 Log likelihood

Cox & Snell R

Square

Nagelkerke R

Square

1 461.466a .000 .000


27/27

Model Summary

Step -2 Log likelihood

Cox & Snell R

Square

Nagelkerke R

Square

1 461.466a .000 .000

a. Estimation terminated at iteration number 3 because parameterestimates changed by less than ,001.

Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 .000 0 .

Contingency Table for Hosmer and Lemeshow Test

Kategori BMI = ,00 Kategori BMI = 1,00

TotalObserved Expected Observed Expected

Step 1 1 7 7.000 5 5.000 12

2 176 176.000 147 147.000 323

Classification Tablea

Observed

Predicted

Kategori BMIPercentage

Correct0 1

Step 1 Kategori BMI 0 183 0 100.0

1 152 0 .0

Overall Percentage 54.6

a. The cut value is ,500

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

95,0% C.I.for EXP(B)

Lower Upper

Step

1a

Kat_TKE .156 .596 .069 1 .793 1.169 .364 3.761

Constant -.336 .586 .330 1 .566 .714

a. Variable(s) entered on step 1:

Kat_TKE.

langkah-langkah uji regresi (adpg)

Documents