1

REGRESI LOGISTIK

Regresi logistik memodelkan hubungan fungsional antara peubah kategorik nibari dengan
peubah bebas tertentu.

A. Asumsi-Asumsi dalam Regresi Logistik.
Ada beberapa asumsi yang dipakai agar dapat menggunakan regresi logistik, yaitu:
Tidak mengasumsikan adanya hubungan linier antar variabel dependen dan independen
Variabel dependen harus bersifat dikotomi (dua variable)
Variabel independen tidak harus memiliki keragaman yang sama antar kelompok
variabel
Kategori variabel independen harus terpisah satu sama lain

B. Fungsi Regresi Logistik
Fungsi regresi logistik adalah suatu fungsi yang berbentuk:
()
( )
( )

Dengan fungsi ini, apabila lebih dari nol, maka () asimptotik kepada nilai () ,
apabila x mendekati dan asimptotik kepada nilai () , apabila x mendekati + .
Dibawah ini merupakan grafik regresi logistik dengan lebih dari nol.

1

0,8

0,6

0,4

0,2

-3 -2 -1 1
Adapun apabila kurang dari nol, maka () asimptotik kepada nilai () , apabila x
mendekati - dan asimptotik kepada nilai () apabila x mendekati + . Dibawah ini
merupakan grafik regresi logistik dengan kurang dari nol.

1

0,8

0,6

0,4

0,2

-1 1 2 3
2

Turunan pertama terhadap x dari fungsi logistik memiliki bentuk:
()

()( ())

Dengan sifat ini, kurva regresi logistik memiliki slop tercuram pada nilai x dengan ()

yaitu pada saat x bernilai

. Garis tangen pada titik ini memiliki kemiringan

. Nilai

besarnya kira-kira sama dengan jarak x pada saat ()

atau ()

dengan x pada
saat ()

.

Untuk fungsi regresi logistik, nilai odds untuk nilai peubah biner tertentu adalah :
()
()
( )

Model ini menyatakan nilai odds kategori tersebut sebagai fungsi dari peubah bebas X dan
logaritma atas fungsi tersebut adalah :
(
()
()
)

C. Pendugaan Koefisien Regresi Logistik
Koefisien regresi logistik diduga melalui metode Newton-Raphson atas persamaan
kemungkinan maksimum

a = 0, 1, 2, ....k
dengan

)
(

)
sebagai penduga kemungkinan maksimum bagi (

).
Pendugaan dengan metode Newton-Raphson menggunakan perhitungan

dari persamaan:
|

()

| |

()

untuk c > 0
dengan

()

()
{

()
(

)]}

(
()
)

()
dan
()
masing-masing adalah dugaan bagi koefisien regresi logistik ke-t+1 dan ke-t,
sedangkan

()

untuk mendapatkan nilai

()
dan seterusnya. Selang
kepercayaan (1-) bagi berbentuk:

( ())
Galat baku bagi

diperoleh dari matriks ragam peragam:

(

) ((

)))

Uji kesesuaian model dibuat berdasarkan statistic G:
G= -2( L
2
L
1
)

L
1
adalah log kemungkinan maksimum untuk model regresi logistic, dan L
2
adalah log
kemungkinan maksimum untuk model dengan

Untuk ukuran contoh besar, statistik G menyebar menurut sebaran chi-kuadrat berderajat
bebas 1.

3

Contoh:
Berikut ini adalah data yang dikumpulakan oleh Mahasiswa Fakultas Kedokteran sebagai
tugas lapangan untuk mengetahui risiko terjadinya penyakit kolesterol terhadap 20 orang
mahasiswa SPs UPI dari luar kota Bandung bila dikaitkan dengan usia dan kecenderungan
mengkonsumsi makanan berlemak.

No. Risiko Usia
Mengkonsumsi
Makanan Berlemak
1 Berisiko 29 Sering
2 Tidak Berisiko 25 Tidak Sering
3 Tidak Berisiko 27 Sering
4 Berisiko 28 Tidak Sering
5 Tidak Berisiko 23 Sering
6 Berisiko 30 Tidak Sering
7 Berisiko 27 Sering
8 Tidak Berisiko 24 Tidak Sering
9 Tidak Berisiko 27 Sering
10 Tidak Berisiko 26 Tidak Sering
11 Tidak Berisiko 28 Tidak Sering
12 Berisiko 32 Tidak Sering
13 Tidak Berisiko 27 Sering
14 Tidak Berisiko 26 Sering
15 Tidak Berisiko 28 Tidak Sering
16 Berisiko 27 Sering
17 Tidak Berisiko 26 Tidak Sering
18 Tidak Berisiko 24 Sering
19 Berisiko 25 Tidak Sering
20 Berisiko 28 Sering

Langkah-langkah untuk melakukan analisis regresi dengan menggunakan SPSS adalah:
1. Definisikan variabel dalam variable view.
Variabel I
Name : Risiko
Type : Numeric
Width : 8
Decimals : 0
Label : Risiko terkena penyakit kolesterol
Values : Berisiko = 0
Tidak Berisiko = 1
Properti lainnya sesuai default.

Variabel II
Name : Umur
Type : Numeric
Width : 8
Decimals : 0
Label : Usia responden
Properti lainnya sesuai default.


4

Variabel III
Name : Lemak
Type : Numeric
Width : 8
Decimals : 0
Label : Mengkonsumsi makanan berlemak
Values : Sering = 0
Tidak Sering = 1
Properti lainnya sesuai default.


2. Masukkan data ke data editor


3. Klik menu Analyze, pilih Regression.
4. Dari pilihan yang ada, pilih Binary Logistic.

5

5. Pada kotak dialog Binary Regression, masukkan variabel Risiko ke kotak Dependent dan
masukkan variabel Umur dan Lemak ke kotak Covariates.
6. Pilih Enter pada kolom Method.


7. Pada kotak dialog Binary Regression, klik Categorical maka akan tampil kotak dialog
Logistic Regression: Define Categorical Variable. Masukkan variabel Lemak dalam
kotak Categorical Covariates. Lalu klik Continue.


8. Pada kotak dialog Binary Regression, klik Options. Aktifkan Classification plot dan
Hosmer-Lemeshow goodness-of-fit, lalu klik Continue.


6

9. Klik OK.
10. Hasil pada jendela output sebagai berikut:
Logistic Regression
[DataSet0]
Case Processing Summary
Unweighted Cases
a
N Percent
Selected Cases Included in Analysis 20 100.0
Missing Cases 0 .0
Total 20 100.0
Unselected Cases 0 .0
Total 20 100.0
a. If weight is in effect, see classification table for the total number of
cases.

Dependent Variable Encoding
Original Value Internal Value
Berisiko 0
Tidak Berisiko 1

Categorical Variables Codings

Frequency
Parameter
coding

(1)
Mengkonsumsi makanan
berlemak
Sering 10 1.000
Tidak Sering 10 .000

Block 0: Beginning Block

Classification Table
a,b


Observed
Predicted

Risiko terkena penyakit kolesterol
Percentage Correct Berisiko Tidak Berisiko
Step 0 Risiko terkena penyakit
kolesterol
Berisiko 0 8 .0
Tidak Berisiko 0 12 100.0
Overall Percentage

60.0
a. Constant is included in the model.

b. The cut value is ,500

7

Variables in the Equation

B S.E. Wald df Sig. Exp(B)
Step 0 Constant .405 .456 .789 1 .374 1.500

Variables not in the Equation

Score df Sig.
Step 0 Variables Umur 6.039 1 .014
Lemak(1) .000 1 1.000
Overall Statistics 6.215 2 .045

Block 1: Method = Enter

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 7.453 2 .024
Block 7.453 2 .024
Model 7.453 2 .024
Berdasarkan tabel di atas, diketahui korelasi bersama X
1
dan X
2
Y (Korelasi majemuk)
dengan teknik Chi-Square didapat nilai Chi-Square 7,453 dengan Nilai Sig 0.024 < 0.05
berarti secara bersama-sama Usia (X
1
) dan Kecenderungan mengkonsumsi makanan
berlemak (X
2
) berhubungan dengan risiko terkena penyakit kolesterol (Y)

Model Summary
Step -2 Log likelihood
Cox & Snell R
Square
Nagelkerke R
Square
1 19.467
a
.311 .421
a. Estimation terminated at iteration number 6 because
parameter estimates changed by less than ,001.

Tabel Model Summary di atas menunjukkan koefisien determinan regresi logistik yakni
0.421 sehingga dapat dikatakan kontribusi variabel usia dan kecenderungan
mengkonsumsi makanan berlemak terhadap risiko terkena penyakit kolesterol adalah
sebesar 42%

Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 6.871 6 .333

8


Contingency Table for Hosmer and Lemeshow Test

Risiko terkena penyakit kolesterol
= Berisiko
Risiko terkena penyakit kolesterol
= Tidak Berisiko
Total

Observed Expected Observed Expected
Step 1 1 2 1.835 0 .165 2
2 2 1.459 0 .541 2
3 1 1.610 2 1.390 3
4 2 2.204 3 2.796 5
5 0 .603 3 2.397 3
6 1 .167 1 1.833 2
7 0 .096 2 1.904 2
8 0 .026 1 .974 1

Classification Table
a


Observed
Predicted

Risiko terkena penyakit kolesterol
Percentage Correct Berisiko Tidak Berisiko
Step 1 Risiko terkena penyakit
kolesterol
Berisiko 5 3 62.5
Tidak Berisiko 2 10 83.3
Overall Percentage

75.0
a. The cut value is ,500


Tabel di atas memperlihatkan bahwa ketepatan prediksi dalam penelitian ini adalah
sebesar 75%.
Variables in the Equation

B S.E. Wald df Sig. Exp(B)
Step 1
a
Umur -.848 .429 3.907 1 .048 .428
Lemak(1) -.463 1.133 .167 1 .683 .629
Constant 23.586 11.776 4.012 1 .045 1.752E10
a. Variable(s) entered on step 1: Umur, Lemak.


Pengujian secara sendiri-sendiri ternyata hanya X
1
yang signifikan karena nilai Sig 0.048
< 0.05. Sedangkan X
2
Sig 0.683 > 0.05 artinya secara sendirian X
2
tidak punya pengaruh
yang signifikan terhadap Y.
Dari output di atas, dapat dibentuk satu persamaan regresi:
(Y) = 23,586 0,848 (Umur) 0,463 (Lemak)
9

Referensi

Rokhman, Ali. 2009. Regresi Logistik. Tersedia:
http://arokhman.blog.unsoed.ac.id/files/2009/06/Regresi-Logistik-for-MAP.pdf

Saefuddin, Asep dkk. 2009. Statistika Dasar. Jakarta: PT. Grasindo.

Wahana Komputer. 2010. Mengolah Data Statistik Hasil Penelitian dengan SPSS 17.
Yogyakarta: ANDI.