langkah-langkah uji regresi (adpg)
TRANSCRIPT
-
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
2/27
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
Output Created 04-Dec-2015 11:13:22
Comments
Input Data E:\SEMESTER5_PRAKTIKUM\ADPG\ADPG 9\Laporan
7 Prov75.sav
Active Dataset DataSet1
File Label Aggregated File
Filter
Weight
Split File
N of Rows in Working Data
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).
Resources Processor Time 00:00:00.032
Elapsed Time 00:00:00.075
[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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
Output Created 18-Dec-2015 13:36:25
Comments
Input Data E:\SEMESTER
5_PRAKTIKUM\ADPG\ADPG 10\Prov75
regresi.sav
Active Dataset DataSet1
File Label Aggregated File
Filter
Weight
Split File N of Rows in Working Data
File335
Missing Value Handling Definition of Missing User-defined missing values are treated as
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).
Resources Processor Time 00:00:00.954
Elapsed Time 00:00:01.110
Memory Required 2532 bytes
Additional Memory Required
for Residual Plots560 bytes
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
b. Dependent Variable: BMI
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
b. Dependent Variable: BMI
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
Output Created 18-Dec-2015 14:11:27
Comments
Input Data E:\SEMESTER
5_PRAKTIKUM\ADPG\ADPG 10\Prov75
regresi.sav
Active Dataset DataSet1
File Label Aggregated File
Filter
Weight
Split File
N of Rows in Working Data
File335
Missing Value Handling Definition of Missing User-defined missing values are treated as
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).
Resources Processor Time 00:00:00.031
Elapsed Time 00:00:00.035
[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.
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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
-
7/24/2019 Langkah-langkah uji regresi (ADPG)
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.