REGRESI LOGISTIK Regresi logistik merupakan pengembangan lebih lanjut sebagai multivariat chi square yaitu variabel dependentnya

dalam skala data nominal (dikotomis ). Regresi logistik termasuk dalam rumpun dari regresi sehingga kedudukannya sama dengan regresi linier, sebagai uji prediksi atau estimasi, namun secara sederhana perbedaan antara regresi biasa dengan pemodelan logit ialah hanya pada variabel dependen atau responnya. Dimana pada regresi biasa dengan pemodelan logit ialah hanya pada variabel dependen dan responnya. Dimana pada regresi biasa, data variabel berupa data kontinyu, namun pada regresi logistik, data variabel dependennya berupa kategorik, baik Biner ( seperti Ya atau Tidak ) yang sering disebut dikotomus, atau juga polycotomus ( seperti sangat setuju, setuju, biasa, tidak setuju, dan sangat tidak setuju ), namun yang sering digunakan adalah untuk variabel dependen dikotomus. Model logit berdasarkan dari ide linier probability model (LPM ), yaitu Y = b + bX + u misalnya variabel X adalah usia sedangkan variabel Y kejadian ca pulmo ( kanker pulmo)dimana 0 = tidak terjadi ca pulmo, 1 = tidak terjadi ca pulmo. Regresi linier tidak mampu menyelesaikan analisis ini, namun LPM dapat menyelesaikan analisis ini dengan cara ekspektasi kondisional Y dari X, dapat diinterpretasikan sebagai probabilitas kondisional saat suatu event Y akan muncul karena X, atau dituliskan dengan E(Yix), yang didefinisikan : p=P(Y) P=(Y=1IX=x), maka E(YIx)=p.1 + ( 1-p )*0=p untuk memenuhi konsep LPM , sangat sulit karena terkadang nilai dari P berada diluar range 0-1, sedangkan nilai R umumnya kecil, sehingga perlu dibuat pemodelan logit untuk menyelesaikan kelemahan-kelemahan yang ada dalam LPM. Untuk membuat harga p selalu berada diantara 0 dan 1, maka perlu suatu fungsi monoton positif, yang memtakan linier prediktor h= a+bX ke unit interval. Transformasi tipe ini akan mempertahankan struktur linier dari model dan menghindari nilai peluang berada diluar interval [0,1]. Fungsi distribusi kumulatif (CDF= cummulative distributions function) akan memnuhi kriteria di atas. p=P(Y) P=(Y=1IX=x), P(h)= P(a+bX) dengan menggunakan fungsi logistik, diperoleh linier regresion atau linier logit model, dengan rumus sebagai berikut :

p=

maka untuk rumus regresi logistik adalah

p= E (Y=1IX )=

untuk mencari odd ratio / OR ( sebagai faktor resiko ), maka dapat dicari dari harga b yang telah diketahui , maka rumus mencari OR adalah OR= Dimana e adalah bilangan natural yang besarnya adalah 2,718 Contoh : sebuah penelitian bertujuan ingin mencari faktor-faktor yang mempengaruhi kejadian kanker pulmo ( ca pulmo ), dianalisis variabel independen adalan kebiasaan merokok, usia, riwayat keluarga ca pulmo dan daerah asal tinggal. Adapun data yang dikumpulkan adalah sebagai berikut: CA PULMO tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo PEROKOK tak merokok tak merokok tak merokok tak merokok tak merokok tak merokok tak merokok merokok tak merokok tak merokok tak merokok tak merokok USIA 45 43 34 34 26 27 27 28 29 29 30 31
2

RIWAYAT KELUARGA tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca

DAERAH desa desa desa desa kota kota kota kota kota kota desa desa

tidak capulmo tidak capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo

merokok merokok merokok merokok merokok merokok merokok merokok merokok merokok tak merokok tak merokok tak merokok tak merokok merokok merokok merokok merokok

32 33 45 45 46 47 8 57 57 54 55 48 49 59 37 57 58 59

ada riwayat ca tdk ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca ada riwayat ca

desa desa desa desa desa desa desa kota kota kota kota kota kota kota kota kota desa desa

Keterangan data dari variabel dimana dari variabel ca pulmo , ca pulmo=1; tidak ca pulmo=0, pada variabel umur berskala data interval, pada variabel perokok, tak merokok=0 ; merokok=1,pada variabel daerah, desa=0 ; kota=1, pada variabel riwayat keluarga tidak ada riwayat ca=0; ada riwayat ca=1. Untuk menyelesaikan masalah diatas hanya dapat dikerjakan dengan regresi logistik karena variabelnya berupa variabel dikotomi untuk variabel ca pulmo, perokok, daerah dan riwayat keluarga. Sedangkan variabel usia distribusi data tidak normal. Soal ini dapat diselesaikan dengan menggunakan aplikasi SPSS (Statistical Package For Social Science) RIWAYAT CA PULMO 0 0 0 0 0 0 0 0 0 0 PEROKOK 0 0 0 0 0 0 0 1 0 0 USIA 45 43 34 34 26 27 27 28 29 29
3

KELUARGA 0 0 0 0 0 0 0 0 0 0

DAERAH 0 0 0 0 1 1 1 1 1 1

30 0 0 31 0 0 32 0 1 33 0 1 45 1 1 45 1 1 46 1 1 47 1 1 8 1 1 57 1 1 57 1 1 54 1 1 55 1 0 48 1 0 49 1 0 59 1 0 37 1 1 57 1 1 58 1 1 59 1 1 Masukkan data tersebut ke dalam aplikasi SPSS Analyze, pilih regression, binary logistik Isikan ca pulmo pada dependent

0 0 1 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0

Sedangkan rokok, usia, riwayat keluarga dan daerah pada covariates selanjutnya klik ok Maka akan tampil output seperti dibawah ini

Logistic Regression
Case Processing Summary Unweighted Cases Selected Cases Included in Analysis Missing Cases Total Unselected Cases Total
a

N 30 0 30 0 30

Percent 100,0 ,0 100,0 ,0 100,0

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

Dependent Variable Encoding Original Value Internal Value tidak capulmo 0 capulmo 1

Block 0: Beginning Block

a,b Classification Table

Predicted kanker pulmo tidak capulmo capulmo 0 14 0 16 Percentage Correct ,0 100,0 53,3

Step 0

Observed kanker pulmo Overall Percentage

tidak capulmo capulmo

a. Constant is included in the model. b. The cut value is ,500

Variables in the Equation Step 0 Constant B ,134 S.E. ,366 Wald ,133 df 1 Sig. ,715 Exp(B) 1,143

Variables not in the Equation Step 0 Variables ROKOK USIA RWYKLG DAERAH Score 8,571 12,820 6,531 ,536 19,306 df 1 1 1 1 4 Sig. ,003 ,000 ,011 ,464 ,001

Overall Statistics

Block 1: Method = Enter

Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 27,960 27,960 27,960 df 4 4 4 Sig. ,000 ,000 ,000

Model Summary Step 1 -2 Log likelihood 13,496 Cox & Snell R Square ,606 Nagelkerke R Square ,810

a Classification Table

Predicted kanker pulmo tidak capulmo capulmo 13 1 1 15 Percentage Correct 92,9 93,8 93,3

Step 1

Observed kanker pulmo Overall Percentage

tidak capulmo capulmo

a. The cut value is ,500

Variables in the Equation Step a 1 ROKOK USIA RWYKLG DAERAH Constant B 1,888 ,169 5,236 3,310 -10,295 S.E. 1,628 ,063 3,086 2,068 3,705 Wald 1,344 7,111 2,877 2,562 7,722 df 1 1 1 1 1 Sig. ,246 ,008 ,090 ,109 ,005 Exp(B) 6,603 1,184 187,824 27,393 ,000

a. Variable(s) entered on step 1: ROKOK, USIA, RWYKLG, DAERAH.

ari hasil diketahui bahwa semua variabel dimasukkan dalam hasil analisis, karena metode yang kita pakai adalah metode enter. Hasil menunjukkan bahwa variabel usia yang signifikan ( sig.= 0,010 ) sedangkan variabel lainnya sebagai variabel moderator atas terjadinya ca pulmo. Untuk mengetahui variabel mana yang berpengaruh atas ca pulmo, maka kita perlu melakukan analisis dengan metode forward, dimana dengan memasukkan variabel yang signifikan saja dalam analisis. Langkah analisis metode forward adalah : Langkah awal sama dengan langkah sebelumnya Method diganti Forward Conditional Lalu klik ok Maka akan tampil output seperti dibawah ini

Logistic Regression
Case Processing Summary Unweighted Cases Selected Cases Included in Analysis Missing Cases Total Unselected Cases Total
a

N 30 0 30 0 30

Percent 100,0 ,0 100,0 ,0 100,0

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

Dependent Variable Encoding Original Value Internal Value tidak capulmo 0 capulmo 1

Block 0: Beginning Block

a,b Classification Table

Predicted kanker pulmo tidak capulmo capulmo 0 14 0 16 Percentage Correct ,0 100,0 53,3

Step 0

Observed kanker pulmo Overall Percentage

tidak capulmo capulmo

a. Constant is included in the model. b. The cut value is ,500

Variables in the Equation Step 0 Constant B ,134 S.E. ,366 Wald ,133 df 1 Sig. ,715 Exp(B) 1,143

Variables not in the Equation Step 0 Variables ROKOK USIA RWYKLG DAERAH Score 8,571 12,820 6,531 ,536 19,306 df 1 1 1 1 4 Sig. ,003 ,000 ,011 ,464 ,001

Overall Statistics

Block 1: Method = Forward Stepwise (Conditional)

Omnibus Tests of Model Coefficients Step 1 Step Block Model Step Block Model Chi-square 15,640 15,640 15,640 6,407 22,047 22,047 df 1 1 1 1 2 2 Sig. ,000 ,000 ,000 ,011 ,000 ,000

Step 2

Model Summary Step 1 2 -2 Log likelihood 25,815 19,409 Cox & Snell R Square ,406 ,520 Nagelkerke R Square ,543 ,695
a Classification Table

Predicted kanker pulmo tidak capulmo capulmo 12 2 2 14 12 1 2 15 Percentage Correct 85,7 87,5 86,7 85,7 93,8 90,0

Step 1

Observed kanker pulmo

tidak capulmo capulmo

Step 2

Overall Percentage kanker pulmo tidak capulmo capulmo Overall Percentage

a. The cut value is ,500

Variables in the Equation B Step a 1 Step b 2 USIA Constant ROKOK USIA Constant ,156 -6,186 2,794 ,163 -7,728 S.E. ,052 2,133 1,263 ,064 2,895 Wald 8,973 8,408 4,893 6,519 7,125 df 1 1 1 1 1 Sig. ,003 ,004 ,027 ,011 ,008 Exp(B) 1,169 ,002 16,352 1,177 ,000

a. Variable(s) entered on step 1: USIA. b. Variable(s) entered on step 2: ROKOK.

a Model if Term Removed

Variable Step 1 USIA Step 2 ROKOK USIA

Model Log Likelihood -20,767 -13,403 -16,720

Change in -2 Log Likelihood 15,719 7,398 14,032

df 1 1 1

Sig. of the Change ,000 ,007 ,000

a. Based on conditional parameter estimates

Variables not in the Equation Step 1 Variables ROKOK RWYKLG DAERAH RWYKLG DAERAH Score 6,458 5,713 ,365 9,801 1,741 1,301 5,530 df 1 1 1 3 1 1 2 Sig. ,011 ,017 ,546 ,020 ,187 ,254 ,063

Step 2

Overall Statistics Variables Overall Statistics

Dari hasil forward diketahui bahwa variabel independen yang berpengaruh terhadap ca pulmo adalah rokok ( koefesiensi regresi= 2,794 , sig.=0,027) dan variabel usia ( koefisiensi regresi= 0,163, sig.=0,011 ) dengan konstanta -7,728. Sehingga persamaan regresinya adalah P = -7,728+ 2,794X+0,163X Interpretasi hasil dari model logit tersebut bukanlah nilai kuantitatif dari response melainkan sebagai probabilitas atau peluang terjadinya suatu kejadian atau event dalam hal ini adalah kejadian kanker pulmo (ca pulmo ), dengan persamaan distribusi komulatifnya adalah :

p= E (Y=1IX )=
Perlu diketahui bahwa besarnya (a+bX+bX) = Z Sehingga E (Y=1IX ) dibaca harga harapan / peluang terjadinya suatu kejadian atau event, dengan nilai kuantitatif 1 dalam hal ini adalah terjadinya kanker paru ( ca pulmo ) dikarenakan suatu respon dengan input/ prediktor variabel X. Dari haril koefisien regresi yang diperoleh, dapat dicari

OR untuk variabel yang signifikan (yaitu rokok dan usia )

OR untuk rokok adalah OR1=

= 16,34

OR untuk usia adalah OR2=

= 1,17

Dari hasil tersebut diketahui bahwa riwayat perokok sebagai faktor resiko terhadap terjadinya ca pulmo sebesar 16,34. Sedangkan usia sebagai faktor resiko terjadinya ca pulmo sebasar 1,17. Contoh : Jika terdapat seseorang dengan kriteria X= perokok ( nilai= 1 ), dan X=usia 30 tahun, maka kemungkinan terjadinya kanker paru-paru adalah Z= a+bX+bX Z= -7,728+ 2,794X+0,163X Z= -7,728+( 2,794*1)+(0,163*30) Z= -7,728 + 2,794 + 4,89 Z= -7,728 + 7,684 Z= -0,044

Sehingga p= E (Y=1IX )=

Atau p= E (Y=1I X )=

Sehingga besar Z = -0,044 dengan e adalah bilangan natural dengan nilai 2,718, maka

p= E (Y=1I X )=

p= E (Y=1IX )=

p= E (Y=1IX )=

10

p= E (Y=1IX )=
jadi orang memiliki peluang sebesar 48,9% atau 49% untuk terjadi kanker paru-paru, dengan kondisi ia perokok dan berumur 30 tahun. Jika terdapat seseorang dengan kriteria X=tidak perokok ( nilai= 0 ), dan X=usia 30 tahun, maka kemungkinan terjadinya kanker paru-paru adalah Z= a+bX+bX Z= -7,728+ 2,794X+0,163X Z= -7,728+( 2,794*0)+(0,163*30) Z= -7,728 + 0 + 4,89 Z= -7,728 + 4,89 Z= -2,838 Sehingga besar Z = -2,838 dengan e adalah bilangan natural dengan nilai 2,718, maka

p= E (Y=1I X )=

p= E (Y=1IX )=

p= E (Y=1IX )=

p= E (Y=1IX )=
dengan kata lain bahwa orang tersebut memiliki peluang sebesar 5,5% atau 6 % untuk terjadi kanker paru-paru, dengan kondisi ia tidak perokok dan berumur 30 tahun.

11