Definisi ROC

Receiver Operating Characteristic ( ROC ) kurva adalah cara yang berguna untuk

menafsirkan sensitivitas dan spesifisitas tingkat dan untuk menentukan nilai cut terkait .

Kurva ROC adalah generalisasi dari himpunan kombinasi potensial sensitivitas dan

spesifisitas mungkin bagi prediktor ( Pepe , Janes , Longton , Leisenring , & Newcomb ,

2004) . Kurva ROC analisis tidak hanya memberikan informasi tentang nilai cut , tetapi

juga menyediakan skala umum alami untuk membandingkan prediktor yang berbeda

yang diukur dalam unit yang berbeda , sedangkan rasio odds dalam analisis regresi

logistik harus ditafsirkan sesuai dengan peningkatan unit dalam nilai prediktor , yang

dapat membuat perbandingan antara prediktor sulit ( Pepe , et al . , 2004) . Sebuah

indikasi keseluruhan akurasi diagnostik kurva ROC adalah area di bawah kurva ( AUC ) .

Nilai AUC lebih dekat ke 1 menunjukkan ukuran skrining andal membedakan antara

siswa dengan kinerja membaca memuaskan dan tidak memuaskan , sedangkan nilai-nilai

di .50 menunjukkan prediktor tersebut tidak lebih baik dari kesempatan ( Zhou ,

Obuchowski , & Obuschowski , 2002) .

Menghitung ROC Curve di SPSS

Untuk menghitung kurva ROC di SPSS ( ay 16 ) , prosedur berikut harus diikuti :

1 . Mengukur skrining Anda harus menggunakan nilai standar

2 . Ukuran hasil Anda harus recoded menjadi variabel dikotomis " Tidak berisiko " - " 0 "

, dan " At- Risk " - " 1 "

3 . Di bawah menu atas opsi " Analisis " , pilih " ROC Curve "

4 . Anda akan memiliki kotak dialog yang mengatakan ROC Curve . Dalam kotak ini ,

Anda harus menyeret mengukur skrining Anda ke kotak yang mengatakan "Test Variable

1

" . Anda harus menyeret variabel hasil dichotomized Anda ke " Negara Variabel " kotak .

5 . Pada kotak yang meminta untuk " Nilai Negara Variable " , menempatkan " 1 " -

( Anda mencoba untuk memprediksi yang anak-anak beresiko ) .

6 . Pada kotak berlabel " Display" memeriksa pilihan untuk " ROC Curve " " dengan

garis Diagonal referensi " dan " Standar Kesalahan dan Confidence Interval "

7 . Di sudut kanan atas kotak dialog Curve ROC , Anda akan melihat kata " Options" -

klik di atasnya .

8 . Sebuah kotak dialog baru harus terbuka yang disebut " ROC Curve Analysis ;

Options" . Dalam kotak ini , di bawah "Test Direction " pilih opsi yang sesuai . Anda

mungkin akan perlu memilih " hasil tes yang lebih kecil menunjukkan tes yang lebih

positif " - ini berarti bahwa skor yang lebih rendah pada instrumen layar berarti siswa

lebih mungkin berada pada risiko .

9 . Pilih " Lanjutkan " dan Anda harus kembali ke kotak dialog Curve ROC , pilih " Ok "

dan analisis akan berjalan .

10 . Statistik bunga akan :

a . Pengolahan Ringkasan Kasus - ini memberikan total N , serta jumlah siswa beresiko

dan tidak beresiko

b . ROC Curve Graph - memberikan gambaran visual dari utilitas skrining ukuran itu

c . Lokasi Berdasarkan tabel Curve - menyediakan AUC bersama dengan standard error

& confidence interval

Menghitung ROC Curve di Excel

Untuk menghitung kurva ROC menggunakan Excel , berkonsultasi dengan situs berikut

untuk men-download template :

2

http://www.analyse-it.com/products/method_evaluation/roc.aspx?

gclid=COba5eWAw5cCFRxNagodZ3sxSw

 

Referensi

Pepe , M. , Janes , H. , Longton , G. , Leisenring , W. & Newcomb , P. ( 2004) .

keterbatasan

rasio odds dalam mengukur kinerja suatu diagnostik , prognostik , atau penanda screening

. American Journal of Epidemiology , 159 , 882-890 .

Zhou, XH , Obuchowski , NA , & Obushcowski , DM ( 2002) . Metode statistik dalam

kedokteran diagnostik . Wiley & Sons : New York .

Receiver Operating Characteristic (ROC) curves are a useful way to interpret

sensitivity and specificity levels and to determine related cut scores. ROC curves are a

generalization of the set of potential combinations of sensitivity and specificity possible

for predictors (Pepe, Janes, Longton, Leisenring, & Newcomb, 2004). ROC curve

analyses not only provide information about cut scores, but also provide a natural

common scale for comparing different predictors that are measured in different units,

whereas the odds ratio in logistic regression analysis must be interpreted according to a

unit increase in the value of the predictor, which can make comparison between

predictors difficult (Pepe, et al., 2004). An overall indication of the diagnostic accuracy

of a ROC curve is the area under the curve (AUC). AUC values closer to 1 indicate the

3

screening measure reliably distinguishes among students with satisfactory and

unsatisfactory reading performance, whereas values at .50 indicate the predictor is no

better than chance (Zhou, Obuchowski, & Obuschowski, 2002).

Compute a ROC Curve in SPSS

To compute a ROC curve in SPSS (v. 16), the following procedures should be

followed:

1. Your screening measure should use a standard score

2. Your outcome measure should be recoded into a dichotomous variable of “Not at-

risk” – “0”, and “At-Risk” – “1”

3. Under the top menu option “Analysis”, select “ROC Curve”

4. You will have a dialog box that says ROC Curve. In this box, you should drag

your screening measure to the box that says “Test Variable”. You should drag

your dichotomized outcome variable into the “State Variable” box.

5. In the box that asks for the “Value of the State Variable”, put “1” – (you are

trying to predict which kids are at risk).

6. In the box labeled “Display” check the options for “ROC Curve” “with Diagonal

reference line” and “Standard Error and Confidence Interval”

7. In the upper right corner of the ROC Curve dialog box, you’ll see the word

“Options” – click on it.

8. A new dialog box should open called “ROC Curve Analysis; Options”. In this

box, under “Test Direction” select the appropriate option. You will likely need to

select “Smaller test result indicates more positive test” – this means that a lower

score on the screen instrument means the student is more likely to be at risk.

4

9. Select “Continue” and you should be returned to the ROC Curve dialog box,

select “Ok” and the analysis will run.

10. The statistics of interest will be:

a. Case Processing Summary - this gives the total N, as well as the number

of students at risk and not at risk

b. ROC Curve Graph – gives a visual depiction of the screening measure’s

utility

c. Area Under the Curve table – provides the AUC along with the standard

error & confidence interval

Compute a ROC Curve in Excel

To compute a ROC curve using Excel, consult the following website to download a

template: http://www.analyse-it.com/products/method_evaluation/roc.aspx?

gclid=COba5eWAw5cCFRxNagodZ3sxSw

5

References

Pepe, M., Janes, H., Longton, G., Leisenring, W. & Newcomb, P. (2004). Limitations of

the odds ratio in gauging the performance of a diagnostic, prognostic, or screening

marker. American Journal of Epidemiology, 159, 882-890.

Zhou, X. H., Obuchowski, N. A., & Obushcowski, D. M. (2002). Statistical methods in

diagnostic medicine. Wiley & Sons: New York.

6