laporan praktikum analisis data kategorik (andakat). Menggunakan software spss. semoga membantu.

1. LAPORAN UJIAN AKHIR SEMESTER
PRAKTIKUM ANALISIS DATA KATEGORIK
KELAS B
Yogyakarta, 31 Mei 2017
Disusun Oleh:
Nama : Farida Nur Dadari
NIM : 15/383355/PA/17015
Progam Studi : Statistika
Dosen Pengampu : Drs. Zulaela, Dipl.Med.Stats., M.Si.
Asisten Dosen : 1. Indah Rini Setyowati (15844)
2. Robertus Indrakurniawan (16218)
LABORATORIUM KOMPUTASI
MATEMATIKA DAN STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2017

2. BAB I
PERMASALAHAN
1. Ingin diketahui apakah jumlah anak yang dilahirkan dipengaruhi oleh :
a) Pengetahuan siklus ovulasi (masa subur)  reference category : tidak mengetahui
mengenai siklus ovulasi
b) Pengalaman mengenai keguguran  reference category : no
c) Metode kontrasepsi yang digunakan  reference category : no method (modern=1,
traditional=2, folkloric=3)
d) Domisili suami apakah tInggal serumah atau tidak  reference category : living
with her
e) Umur saat pertama menikah
f) Keinginan suami akan banyaknya jumlah anak dalam keluarga  reference
category: don’t know (both want same = 1, husband want fewer=2, husband want
more=3
g) Pandangan istri terhadap kehamilannya  reference category : problem
h) Tingkat pendidikan pasangan  reference category : no education (primary=1,
secondary=2, higher=3
i) Status pekerjaan istri (apakah bekerja atau tidak)  reference category : yes
j) Tingkat kesejahteraan keluarga (miskin,menengah,dan kaya)  reference category
: poor (middle=1, rich=2
k) Tempat tinggal (desa atau kota)  reference category : small city
Lakukan analisis regresi logit ganda pada data.xlsx (event : >2) atau (>2 = 1 ; <=2 =
0) Kemudian lakukan diagnostic checking pada model terbaik. Interpretasikan hasilnya
dengan lengkap.
2. “Attack rate” campak di antara anak-anak yang mendapat dan tidak mendapat
vaksinasi campak tampak pada tabel berikut:
Vaksinasi Total
Ya Tidak
Manderita
campak
Ya 10 26 36
Tidak 90 74 164
Total 100 100 200

3. Dalam penelitian ini, 200 sampel anak dalam suatu populasi ditetukan terlebih dahulu
untuk diamati lebih jauh untuk menyatakan ada tidaknya hubungan antara imunisasi
yang dilakukan dengan kejadian penyakit campak. Dengan menggunakan α = 5%,
dapatkah diambil kesimpulan bahwa vaksin campak yang digunakan dalam kegiatan
imunisasi tersebut cukup protektif?
Tulis event probabilities nya! Serta berikanlah ukuran asosiasinya (jika ada)!
3. Apa yang anda ketahui tentang efek perancu dan efek interaksi dalam regresi
logistik? Dan bagaimana hubungan antara kedua efek tersebut?
4. Berikanlah kritik dan saran selama praktikum berlangsung! Materi yang manakah
menurut Anda, yang paling sulit dipahami? Apakah Anda bersedia menjadi asisten
praktikum Analisis Data Kategorik untuk periode selanjutnya?

4. BAB II
PEMBAHASAN
1. Uji regresi logit ganda
Variabel Y: Total children ever born
Variabel X: Current use by method type, Husband lives in house, Age at first marriage,
Husband desire for children, Partner’s educational level, Respondent currently working,
Place of recidence, Knowledge of ovulatory cycle, Problem if became pregnant, Wealth
index quintile.
i. Uji verifikasi variabel
 Hipotesis
H0: Variabel tidak signifikan
H1: Variabel signifikan
 Tingkat signifikansi
α = 25%
 Daerah kritik
H0 ditolak jika p-value < α
 Statistik uji dan kesimpulan
a. Ever had terminated preg.
b. Current use by method type

5. c. Husband lives in house
d. Age at first marriage
e. Husband desire for children
f. Partner’s education level

6. g. Respodent currently working
h. Place of recident
i. Knowledge of ovaltory cycle
j. Problem if became pregnant

7. k. Wealth index quintile
Ringkasan Table:
Variabel P-value Kesimpulan
Ever had a terminated preg 0,848 Variabel tidak signifikan
Current use by method type 0,999 Variabel tidak signifikan
Husband lives in house 0,087 Variabel signifikan
Age at first marriage 0,000 Variabel signifikan
Husband desire for children 0,392 Variabel tidak signifikan
Partner’s education level 0,999 Variabel tidak signifikan
Respondent currently working 0,000 Variabel signifikan
Place of resident 0,337 Variabel tidak signifikan
Knowledge of ovulatory cycle 0,074 Variabel signifikan
Problem if became pregnant 0,091 Variabel signifikan
Wealth index quintile 0,593 Variabel tidak signifikan
Interpretasi:
Dilakukan uji verifikasi pada semua variabel X. Tujuannya memberikan kesempatan yang
lebih untuk variabel X agar dapat masuk ke dalam regresi logit ganda. Variabel yang lolos
verifikasi adalah Husband lives at house, Age at first marriage, Respondent currently
working, knowledge of ovulatory cycle, Problem if became pregnant.
ii. Kontruksi model
 Hipotesis
H0: variabel tidak signifikan/ tidak layak masuk model

8. H1: variabel signifikan/ layak masuk model
 Tingkat signifikansi
α = 5%
 Daerah kritik
H0 ditolak jika p-value < α
a. Model 1
Dari tabel di atas, dapat dilihat bahwa terdapat variabel husband lives in house
dan knowledge of ovulatory cycle yang tidak signifikan masuk model. Dalam
hal ini, maka variabel yang tidak signifikan dikeluarkan berdasarkan p-value
yang terbesar. Maka dari itu, variabel Knowledge of ovulatory cycle
dikeluarkan dari model. Kemudian dilakukan uji ulang sampai di dapatkan
model yang semua variabelnya signifikan.
b. Model 2
Dari tabel di atas, dapat dilihat bahwa terdapat variabel husband lives in house
yang tidak signifikan masuk model. Dalam hal ini, maka variabel yang tidak
signifikan dikeluarkan berdasarkan p-value yang terbesar. Maka dari itu,
variabel Husband lives in house dikeluarkan dari model. Kemudian dilakukan
uji ulang sampai di dapatkan model yang semua variabelnya signifikan.

9. c. Model 3
Dari table di atas, dapat dilihat bahwa semua varibel sudah signifikan.
Ringkasan table:
Model Variabel P-value Kesimpulan
Model 1 Constant 0,000 Konstant layak masuk model
Husband lives in house 0,178 Variabel tidak layak masuk model
Age at first marriage 0,000 Variabel layak masuk model
Respondent currently working 0,000 Variabel layak masuk model
Knowledge of ovulatory cycle 0,566 Variabel tidak layak masuk model
Problem if became pregnant 0,010 Variabel layak masuk model
Model 2 Constant 0,000 Konstant layak masuk model
Husband lives in house 0,183 Variabel tidak layak masuk model
Age at first marriage 0,000 Variabel layak masuk model
Respondent currently working 0,000 Variabel layak masuk model
Problem if became pregnant 0,010 Variabel layak masuk model
Model 3 Constant 0,000 Konstant layak masuk model
Age at first marriage 0,000 Variabel layak masuk model
Respondent currently working 0,000 Variabel layak masuk model
Problem if became pregnant 0,009 Variabel layak masuk model
Setelah di dapatkan 3 model, maka langkah selanjutnya adalah menentukan model terbaik
diantara ketiga model tersebut, yaitu dengan membandingkan criteria dari masing-masing
model berdasarkan criteria pemilihan model terbaik.

10. iii. Model terbaik
1) Model 1

11. 2) Model 2

12. 3) Model 3

13. Ringkasan Tabel:
Model R2
Nagelkerke
Proporsi
Konkordansi
Hosmer and
Lemeshowtest
Omnibus
Test
Parsimony
Model 1 0,204 66,0 0,494 0,000 2
Model 2 0,202 64,4 0,059 0,000 1
Model 3 0,195 64,4 0,095 0,000 0
Model terbaik jika memiliki nilai R2
Nagelkerke paling tinggi, proporsi konkordansi paling
tinggi, hosmer and lemeshow test paling tinggi, omnibus test paling kecil, dan parsimony
paling kecil. Maka dapat disimpulkan bahwa model 1 adalah model terbaik.
Dengan persamaan model sebagai berikut:
𝑔(𝑥) = 𝑙𝑛 [
𝜋 𝑐ℎ𝑖𝑙𝑑𝑟𝑒𝑛
1 − 𝜋 𝑐ℎ𝑖𝑙𝑑𝑟𝑒𝑛
]
= 4,535 − 1,258 (ℎ𝑢𝑠𝑏𝑎𝑛𝑑 𝑙𝑖𝑣𝑒𝑠 𝑖𝑛 ℎ𝑜𝑢𝑠𝑒) − 0,151 (𝑎𝑔𝑒 𝑎𝑡 𝑓𝑖𝑟𝑠𝑡 𝑚𝑎𝑟𝑟𝑖𝑎𝑔𝑒) −
1,267 (𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛𝑡 𝑐𝑢𝑟𝑟𝑒𝑛𝑡𝑙𝑦 𝑤𝑜𝑟𝑘𝑖𝑛𝑔) − 0,152 (𝑘𝑛𝑜𝑤𝑙𝑒𝑑𝑔𝑒 𝑜𝑓 𝑜𝑣𝑢𝑙𝑎𝑡𝑜𝑟𝑦 𝑐𝑦𝑐𝑙𝑒) −
0,696 (𝑝𝑟𝑜𝑏𝑙𝑒𝑚 𝑖𝑓 𝑏𝑒𝑐𝑎𝑚𝑒 𝑝𝑟𝑒𝑔𝑛𝑎𝑛𝑡)
Interpretasi Model terbaik:
Block 0
a. Iteration history

14. Table diatas memberikan informasi mengenai -2LL dari model awal pada setiap
iterasi. Di akhir iterasi, -2LL bernilai 418,423.
b. Classifications table
Table diatas menunjukkan table klasifikasi pada model awal (block 0). Proporsi
konkordansi pada model ini adalah sebesar 56,9%.
c. Variabel in the equation
Berdasarkan pada table diatas, model regresi logit awal adalah
𝑔(𝑥) = ln [
𝜋 𝑒𝑣𝑒𝑛𝑡
1 − 𝜋 𝑒𝑣𝑒𝑛𝑡
] = 0,276
Block 1
a. Iteration history

15. Sebagaimana pada model awal, table iteration history model terbaik diatas berisi nilai
-2LL dari model terbaik, yaitu model pertama. Terlihat -2LL sebesar 368,053.
b. Omnibus test
 Hipotesis
H0: model tidak layak digunakan
H1: model layak digunakan
 Tingkat signifikansi
α = 5%
 Statistik uji
 Daerah kritik
H0 ditolak jika p-value < α
0,000 < 0,05
Maka H0 ditolak
 Kesimpulan
H0 ditolak maka dapat disimpulkan bahwa model layak digunakan.
c. Model summary
Interpretasi:
Dari output diatas menampilkan koefisien determinan model. Menurut
Nagelkerke R2 = 0,204. Dapat dikatakan bahwa sebanyak 20,4%
variabilitas total children ever born juga dapat dijelaskan oleh husband lives
in house, age at first marriage, respondent currently working, knowledge of
ovulatory cycle, problem if became pregnant.

16. d. Hosmer and lemeshow test
 Hipotesis
H0: model fit dengan data
H1: model tidak fit dengan data
 Tingkat signifikansi
α = 5%
 Statistik uji
 Daerah kritik
H0 ditolak jika p-value < α
0,494 > 0,05
Maka H0 tidak ditolak
 Kesimpulan
H0 tidak ditolak maka dapat disimpulkan bahwa model fit dengan data.
e. Classification table
Berdasarkan output tersebut, terlihat model dari overall percentage,
ketepatan prediksi 66%.
f. Variable in the equation
 Hipotesis
H0: variabel tidak signifikan terhadap model
H1: variabel signifikan terhadap model
 Tingkat signifikansi

17. α = 5%
 Daerah kritik
H0 ditolak jika p-value < α
 Statistik uji dan kesimpulan
Variabel P-value Kesimpulan
Constant 0,000 Constant signifikan terhadap model
Husband lives in house 0,178 Variabel tidak signifikan terhadap model
Age at first marriage 0,000 Variabel signifikan terhadap model
Respondent currently working 0,000 Variabel signifikan terhadap model
Knowledge of ovulatory cycle 0,566 Variabel tidak signifikan terhadap model
Problem if became pregnant 0,010 Variabel signifikan terhadap model

18. Diagnostic Checking
1) Asumsi Non Stokastik
Diasumsikan sudah terpenuhi.
2) Linearitas Variabel Kontinu Terhadap Logit
Langkah Deskriptif
Scatterplot LOGIT vs age at first marriage
Pada grafik scatterplot tersebut dapat dilihat bahwa titik berada pada sekitar garis
maka asumsi linearitas terpenuhi.
Langkah Inferensi
 Hipoteis
H0: variabel kontinu dan variabel logit tidak linear
H1: variabel kontinu dan variabel logit linear
 Tingkat signifikansi
α = 5%
 Statistik uji
p-value= 0,000
 Daerah kritik
H0 ditolak jika p-value < α
0,000 < 0,05
age at first marriage
LOGIT
3025201510
3
2
1
0
-1
-2
-3
-4
Scatterplot of LOGIT vs age at first marriage

19. Maka H0 ditolak
 Kesimpulan
H0 ditolak maka dapat disimpulkan bahwa variabel kontinu dan variabel logit
linear
Sehingga asumsi linearitas terpenuhi.
3) Asumsi Distribusi Galat-Binomial
Dotplot PRES1
Pada grafik tersebut terlihat bahwa titik mengumpul pada lebih dari satu titik.
Dotplot DRES1
Pada grafik tersebut terlihat bahwa titik mengumpul pada lebih dari satu titik.
Karena kedua grafik mengumpul lebih dari satu titik maka dapat disimpulkan bahwa
asumsi distribusi galat-binomial terpenuhi.
PRES1
2.11.40.70.0-0.7-1.4-2.1
Dotplot of PRES1
DRES1
2.11.40.70.0-0.7-1.4-2.1
Dotplot of DRES1

20. 4) Tidak ada Data Pencilan
Scatter plot delta chi-square vs probability
Pada grafik tersebut dapat dilihat bahwa terdapat data pencilan
Scatterplot delta deviance vs probability
Pada grafik tersebut dapat dilihat bahwa terdapat data pencilan
Karena pada kedua grafik tersebut terdapat data pencilan maka dapat disimpulkan
bahwa asumsi tidak ada data pencilan tidak terpenuhi.
5) Pemeriksaan Autokorelasi (No Autokorelasi)
Probability
DeltaChi-Square
0.90.80.70.60.50.40.30.20.10.0
7
6
5
4
3
2
1
0
Delta Chi-Square versus Probability
Probability
DeltaDeviance
0.90.80.70.60.50.40.30.20.10.0
7
6
5
4
3
2
1
0
Delta Deviance versus Probability

21. Scatterplot PRES1 vs PRES2
Pada grafik tersebut dapat dilihat bahwa data menyebar acak
Scatterplot DRES1 vs DRES2
Pada grafik tersebut dapat dilihat bahwa data menyebar acak
Karena pada kedua grafik tersebut data menyebar acak maka dapat disimpulkan
bahwa asumsi no autokorelasi terpenuhi.
6) No Multikolinearitas
PRES2
PRES1
1.51.00.50.0-0.5-1.0-1.5-2.0
2
1
0
-1
-2
-3
Scatterplot of PRES1 vs PRES2
DRES2
DRES1
210-1-2
3
2
1
0
-1
-2
Scatterplot of DRES1 vs DRES2

22. Tidak terdapat VIF maka dapat disimpulkan bahwa asumsi no multikolinearitas
terpenuhi.
7) Homoskedastisitas
Scatterplot RESID vs age at first marriage
Pada grafik tersebut dapat dilihat bahwa titik berada disekitar nol, maka dapat
disimpulkan bahwa asumsi homoskedastisitas terpenuhi.
Dari tujuh asumsi yang sudah diuji, terdapat satu asumsi yang tidak terpenuhi yaitu
tidak ada data pencilan. Karena asumsi yang terpenuhi >50% maka model dapat
dikatakan baik.
2. “Attack rate” campak di antara anak-anak yang mendapat dan tidak mendapat vaksinasi.
Dalam penelitian ini, 200 sampel anak dalam suatu populasi ditetukan terlebih dahulu
untuk diamati lebih jauh untuk menyatakan ada tidaknya hubungan antara imunisasi yang
dilakukan dengan kejadian penyakit campak.
Dilakukan uji asumsi untuk mengetahui hubungan antara vaksin dan penyakit campak
age at first marriage
RESID
3025201510
7
6
5
4
3
2
1
0
Scatterplot of RESID vs age at first marriage

23.  Hipotesis
H0: tidak ada hubungan antara menderita campak dan vaksinasi
H1: ada hubungan antara menderita campak dan vaksinasi
 Tingkat signifikansi
α = 5%
 Statistic uji
Karena expected count >5 maka p-value menggunakan Pearson Chi-square
p-value = 0,003
 Daerah kritik
H0 ditolak jika p-value < α
0,003 < 0,05
Maka H0 ditolak
 Kesimpulan
H0 ditolak maka dapat disimpulkan bahwa terdapat hubungan antara terkena
penyakit campak dengan vaksinasi/imunisasi.
Untuk mengetahui ada tidaknya hubungan antara penyakit campak dan vaksinasi maka
dilakukan uji table kontingensi. Karena semua expected count bernilai lebih dari lima, maka p-
value menggunakan Pearson Chi-square yaitu 0,003 < 0,05 sehingga H0 ditolak, maka dapat
disimpulkan ada hubungan antara penyakit campak dan vaksinasi.

24. a) Event Probability
Model logit yang terbentuk adalah:
𝑔(𝑥) = 𝑙𝑛 [
𝜋 𝑐𝑎𝑚𝑝𝑎𝑘
1 − 𝜋 𝑐𝑎𝑚𝑝𝑎𝑘
] = −1,046 − 1,151(𝑣𝑎𝑘𝑠𝑖𝑛𝑎𝑠𝑖)
 Peluang seseorang terkena penyakit campak jika vaksinasi
𝐸 (𝑦 = 1|𝑥 = 1) = 𝜋(1) =
1
1 + 𝑒−(𝛽0+𝛽1(1))
=
1
1 + 𝑒−(−1,046−1,151(1))
= 0,100
 Peluang seseorang terkena penyakit campak jika tidak vaksinasi
𝐸 (𝑦 = 1|𝑥 = 0) = 𝜋(0) =
1
1 + 𝑒−(𝛽0+𝛽1(1))
=
1
1 + 𝑒−(−1,046−1,151(0))
= 0,259
 Peluang seseorang tidak terkena penyakit campak jika vaksinasi
𝐸 (𝑦 = 0|𝑥 = 1) = 1 − 𝜋(1) = 1 − 0,1000 = 0,900
 Peluang seseorang tidak terkena penyakit campak jika tidak vaksinasi
𝐸 (𝑦 = 0|𝑥 = 0) = 1 − 𝜋(0) = 1 − 0,259 = 0,741
b) Ukuran asosiasi
OR = 𝑒−1,151
= 0,316
Karena OR < 1 maka
𝑂𝑅 =
1
0,316
= 3,164 ≈ 3
Interpretasi:
Seseorang yang tidak vaksinasi akan memiliki resiko 3 kali lebih besar terkena penyakit
campak daripada orang yang di vaksinasi atau imunisasi.

25. 3. Efek perancu dan efek interaksi dalam regresi logit
 Efek perancu atau cofounding effect adalah efek yang muncul sebagai akibat dari
adanya variabel luar yang bertindak sebagai perancu bagi variabel predictor utama.
Beberapa definisi dari efek perancu diantaranya:
- Situasi dimana efek dari dua proses tidak dapat dipisahkan. Distorsi atau
gangguan dari efek yang tampak pada faktor paparan resiko yang dibawa oleh
asosiasi faktor lainnya yang bisa mempengaruhi hasil atau keluaran.
- Hubungan antara efek dua atau lebih faktor penyebab yang menjadi faktor
observasi dalam suatu kumpulan data yang tidak mungkin terpisah secara logika
oleh kontribusi dari faktor penyebab tunggal yang mempengaruhinya.
- Situasi dimana ukuran suatu efek dari faktor resiko terdistorsi atau dirancu
karena adanya hubungan faktor paparan dengan faktor lainnya yang
mempengaruhi hasil diluar studi.
(A Dictionary of Epidemiology)
 Efek interaksi atau interaction effect adalah pengubahan pengaruh predictor atau
respon sesuai dengan tingkat factor atau nilai dari satu atau beberapa variabel luar.
Beberapa define dari efek interaksi:
- Keberagaman/heterogenitas/variasi efek dari suatu factor resiko terhadap
kemunculan penyakit/outcome, pada level yang berbeda dari factor resiko lain,
pada base population.
- Suatu situasi dimana 2 atau lebih faktor resiko saling memodifikasi (besar
dan/atau arah) efek nya terhadap kejadian/outcome yang diteliti.
(Moyses S. & F. Javier N., 2000)
 Hubungan antara efek perancu dan efek interaksi
Hubungan antara efek perancu dan efek interaksi adalah untuk menentukan blok
mana yang akan dijadikan sebagai model.
- Jika tidak ada interaksi dan tidak ada perancu, maka blok yang akan digunakan
untuk model adalah blok 1.
- Jika tidak ada interaksi dan ada perancu, maka blok yang akan digunakan untuk
model adalah blok 2.

26. - Jika ada interaksi dan tidak ada efek perancu atau ada interaksi dan ada perancu,
maka blok yang akan digunakan untuk model adalah blok 3.
4. Kritik:
Sudah bagus dalam mengajar, tetapi kadang bahasanya agak berbelit-belit dalam
menjelaskan sehingga agak bingung dalam memahaminya.
Saran:
Karena diberikan kertas ringkasan materi, jadi ketika diterangkan lebih mudah
memahaminya.
Materi yang sulit dipahami:
Menurut saya, materi yang agak membingungkan adalah efek perancu. Waktu diterangkan
dikelas saya sudah tidak fokus, pengen pulang bawaannya. Jadi saya tidak menangkap
materinya dan agak tidak mengerti kapan menggunakan blok 1 atau blok 0. Lalu setelah
tanya teman-teman, sekarang saya sudah mengerti.
Apakah Anda bersedia menjadi asisten praktikum Analisis Data Kategorik untuk periode
selanjutnya?
Saya rasa ada yang lebih layak menjadi asisten praktikum andakat daripada saya.
Sebenarnya saya tidak terlalu pandai dalam hal mengajar. Bukan bermaksud pelit ilmu, tapi
kadang saya bingung memilih kata yang tepat untuk mengajar.

27. BAB III
KESIMPULAN
1. Melakukan regresi logit ganda, setelah dilakukan uji didapat kesimpulan bahwa
Variabel yang lolos verifikasi adalah Husband lives at house, Age at first marriage,
Respondent currently working, knowledge of ovulatory cycle, Problem if became
pregnant. Model terbaik jika memiliki nilai R2 Nagelkerke paling tinggi, proporsi
konkordansi paling tinggi, hosmer and lemeshow test paling tinggi, omnibus test paling
kecil, dan parsimony paling kecil. Maka dapat disimpulkan bahwa model 1 adalah
model terbaik. Dari tujuh asumsi diagnostic checking yang sudah diuji, terdapat satu
asumsi yang tidak terpenuhi yaitu tidak ada data pencilan. Karena asumsi yang
terpenuhi >50% maka model dapat dikatakan baik.
2. Dilakukan uji asumsi untuk mengetahui hubungan antara vaksin dan penyakit campak,
dan dapat disimpulkan ada hubungan antara penyakit campak dan vaksinasi. Seseorang
yang tidak vaksinasi akan memiliki resiko 3 kali lebih besar terkena penyakit campak
daripada orang yang di vaksinasi atau imunisasi.
3. Efek perancu dan efek interaksi dalam regresi logit.
 Efek perancu atau cofounding effect adalah efek yang muncul sebagai akibat
dari adanya variabel luar yang bertindak sebagai perancu bagi variabel predictor
utama.
 Efek interaksi atau interaction effect adalah pengubahan pengaruh predictor
atau respon sesuai dengan tingkat factor atau nilai dari satu atau beberapa
variabel luar.
 Hubungan antara efek perancu dan efek interaksi adalah untuk menentukan blok
mana yang akan dijadikan sebagai model.
4. Kritik: Sudah bagus dalam mengajar, tetapi kadang bahasanya agak berbelit-belit dalam
menjelaskan sehingga agak bingung dalam memahaminya.
Saran: Karena diberikan kertas ringkasan materi, jadi ketika diterangkan lebih mudah
memahaminya.

28. Materi yang sulit dipahami: Menurut saya, materi yang agak membingungkan adalah
efek perancu. Waktu diterangkan dikelas saya sudah tidak fokus, pengen pulang
bawaannya. Jadi saya tidak menangkap materinya dan agak tidak mengerti kapan
menggunakan blok 1 atau blok 0. Lalu setelah tanya teman-teman, sekarang saya sudah
mengerti.
Apakah Anda bersedia menjadi asisten praktikum Analisis Data Kategorik untuk
periode selanjutnya?
Saya rasa ada yang lebih layak menjadi asisten praktikum andakat daripada saya.
Sebenarnya saya tidak terlalu pandai dalam hal mengajar. Bukan bermaksud pelit ilmu,
tapi kadang saya bingung memilih kata yang tepat untuk mengajar.