Anda di halaman 1dari 4

ANALISIS REGRESI LOGISTIK BINER BIVARIAT UNTUK

MENGETAHUI KEBERHASILAN TERAPI ABA PADA KEMAMPUAN


KOMUNIKASI VERBAL DAN HUBUNGAN DENGAN ORANG LAIN
ANAK AUTISME
Myta Fitriany M
Jurusan Matematika, F.MIPA, Universitas Brawijaya
Email: myta.fm@gmail.com
Abstrak. Regresi Logistik Biner adalah analisis regresi logistik dengan variabel respon bersifat dikotomus atau terdiri dari
dua ketegori (0 dan 1). Pengembangan model regresi logistik biner dengan satu variabel respon menjadi model dengan dua
variabel respon didefinisikan sebagai model regresi logistik biner bivariat. Tujuan penelitian untuk mengetahui karakteristik
anak autisme yang mempengaruhi keberhasilan terapi ABA pada komunikasi verbal dan hubungan dengan orang lain dengan
menggunakan model regresi logistik biner bivariat. Metode untuk menduga parameter pada model regresi logistik biner
bivariat adalah Maximum Likelihood Estimation (MLE). Data diambil dari penelitian Warastuti (2012) terhadap 28 sampel
anak autisme. Penelitian ini menggunakan tujuh variabel karakteristik anak autisme yang diduga mempunyai pengaruh
terhadap keberhasilan terapi ABA. Variabel tersebut adalah jenis kelamin anak, usia awal terapi, penghasilan orang tua,
faktor diet, faktor obat, faktor keteraturan terapi, faktor peran orang tua. Hasil dari penelitian ini menunjukkan bahwa dari
ketujuh variabel karakteristik anak autisme, hanya terdapat satu variabel yang berpengaruh secara bersama terhadap
keberhasilan terapi ABA pada komunikasi verbal dan hubungan dengan orang lain. Variabel tersebut adalah usia awal terapi.
Kata Kunci: Model Regresi Logistik Biner Bivariat, Maximum Likelihood Estimation, Terapi ABA, Autisme

1. PENDAHULUAN
Model regresi logistik dengan variabel respon yang mempunyai dua kategori dikenal dengan
model regresi logistik biner (dikotomus) (Hosmer dan Lemeshow, 2000). Model regresi logistik biner
bivariat merupakan pengembangan dari model regresi logistik biner. Pada model regresi logistik biner
bivariat struktur datanya mempunyai dua variabel respon yang saling berpasangan, dan masing-masing
variabel respon berbentuk diskrit dengan berkategorikan biner dengan asumsi terdapat ketergantungan
antara variabel respon. Regresi logistik dapat diaplikasikan di bidang psikologi. Pada penelitian ini,
peneliti menerapkan regresi logistik biner bivariat di bidang psikologi. Peneliti menggunakan hasil
penelitian Warastuti (2012) tentang pengaruh terapi autisme dengan metode ABA terhadap
kemampuan respon visual, kemampuan komunikasi verbal, komunikasi non verbal dan hubungan
dengan orang lain di mana data yang digunakan untuk variabel respon hanya dua variabel yang
signifikan. Selain itu, penelitian ini juga bertujuan untuk mengetahui karakteristik anak autisme yang
mempengaruhi keberhasilan terapi ABA pada komunikasi verbal dan hubungan dengan orang lain
dengan menggunakan model regresi logistik biner bivariat dengan penduga parameter metode
Maximum Likelihood Estimation (MLE).
2. TINJAUAN PUSTAKA
2.1 Model Regresi Logistik Biner Bivariat
Model regresi logistik biner bivariat merupakan suatu model regresi logistik yang mempunyai
dua variabel respon yang masing-masing variabel responnya mempunyai dua kategori (biner) dengan
asumsi terdapat ketergantungan antar variabel respon (McCullagh dan Nelder, 1989). Setiap variabel
respon biner terhubung dengan jumlah variabel prediktor tertentu. Misalkan i adalah indeks dari suatu
subjek pengamatan biner bivariat dengan i= 1,2,3,,n. Dengan demikian terdapat n pengamatan biner
bivariat (Y1i , Y2i).
Jika terdapat variabel random bivariat (Y1 , Y2) di mana Y1 bernilai 0 atau 1, dan Y2 juga
bernilai 0 atau 1 , maka Y11 , Y10 , Y01 , Y00 secara berturut-turut merupakan variabel yang
berhubungan dengan variabel random bivariat bernilai (1,1), (1,0), (0,1), (0.0). Jika hanya satu kali
pengamatan, maka nilai dari Y11 , Y10 , Y01 , Y00 adalah 1 atau 0. Masing-masing variabel random
bivariat akan terdistribusikan pada salah satu sel sebagaimana pada Tabel 1.

425

Tabel 1. Probabilitas dari Pengamatan Biner Bivariat


Y2 Y2 = 1
Y2 = 0
Total
Y1
Y1 = 1

11

10

Y1 = 0
Total

01
2

00
1 2

1 1
1

Cassie dan Houwelingen (1994)


Tabel 1 menunjukkan bahwa variabel random bivariat Y11 , Y10 , Y01 , Y00 mempunyai
probabilitas masing-masing adalah sebagai berikut.
11 = Pr (Y1=1 , Y2 =1)
01 = Pr (Y1=0 , Y2 =1)
10 = Pr (Y1=1 , Y2 =0)
00 = Pr (Y1=0 , Y2 =0)
Selanjutnya peluang marginal untuk masing-masing variabel respon dinotasikan dengan 1
=P(Y1=1) dan 2 = P (Y2 =1). Jika terdapat sebanyak k buah variabel prediktor x1, , xk maka nilai
1(x) dan 2(x) adalah sebagai berikut.
( )

( )

(1)

Untuk mendapatkan nilai , maka persamaan (1) ditransformasi dengan transformasi logit,
sehingga diperoleh fungsi g(x) yang linier dalam parameter-parameternya (Hosmer dan Lemeshow,
2000).
Model transformasi logit untuk
adalah sebagai berikut.
( )

( )

( )

Model regresi logistik biner bivariat dinyatakan oleh fungsi logit


berturut-turut sebagai fungsi linier dari
dan
dengan
( )

( )

( )

( ) dan logit

( ) yang

( )
( )

( )

[
] ,
[
] dan
dengan k adalah banyak variabel prediktor,
[
] .
Koefisien korelasi
(
) dapat digunakan sebagai alternatif mengukur odds ratio
diantara dua respon. Untuk nilai
dapat dituliskan sebagai berikut.
(

Menurut Casie dan Houwelingen (1994),


adalah odds ratio yaitu ukuran asosiasi yang
menunjukkan bahwa terdapat dependensi atau ketergantungan antara variabel respon Y1 dan Y2.
Berdasarkan Tabel 1 diperoleh nilai odds ratio sebagai berikut.
dengan nilai 0, jika Y1 dan Y2 tidak saling bebas, dan sebaliknya, jika Y1 dan Y2 saling bebas
maka = 1. ( )
dengan
di mana adalah vektor parameter.
Menurut Dale (1986) dan Palmgren (1989) menyatakan bahwa peluang gabungan
diperoleh sebagai berikut.
{

(
)(
di mana:
)
(
)
Tiga peluang gabungan lain yaitu
diperoleh dari peluang marginal
, dan
Jumlah peluang gabungan untuk setiap pengamatan bivariat adalah sama dengan satu, yaitu

2.2 Pendugaan Parameter Regresi Logistik Biner Bivariat


Dengan mengetahui distribusi variabel random biner bivariat yaitu berdistribusi binomial, maka
untuk menaksir parameter model regresi logistik biner bivariat dengan menggunakan Maximum
Likelihood Estimation (MLE). Dengan mengambil n sampel random yang saling bebas, maka variabel
random biner bivariat (Y1i , Y2i ) dimana i = 1,2, maka identik dengan (
) berdistribusi
binomial dengan nilai peluang (
). Langkah awal dalam penaksiran parameter dengan

426

metode MLE adalah membentuk fungsi likelihood dari variabel random bivariat berikut.
( )

Dari fungsi likelihood tersebut, langkah selanjutnya membentuk fungsi log-natural likelihood berikut.
( )

Untuk menaksir nilai parameter dengan memaksimumkan fungsi log-natural likelihoodnya, yaitu
dengan menghitung turunan pertama dari masing-masing fungsi log-natural likelihood kemudian
disamadengankan nol.
( )
{
}
Penduga untuk
pada persamaan (11) tidak dapat diperoleh secara langsung, karena fungsi yang
dihasilkan berbentuk implisit sehingga diperlukann metode iterasi Newton Raphson.

2.3 Pengujian Parameter Model Regresi Logistik Biner Bivariat


Pengujian parameter model regresi logistik biner bivariat secara simultan menggunakan metode
Likelihood Ratio Test dengan hipotesis uji sebagai berikut:
H0 : 11 = 12 = = k1 = = k2 = 0
vs
H1 : paling sedikit adalah satu rs 0
Dengan r = 1, , k
s = 1,2
Himpunan parameter dibawah populasi () :
Himpunan parameter dibawah H0 ( ):
{
}
{
}
Fungsi likelihood dibawah populasi (L()) :
( )

( )

Fungsi likelihood L ( ) , jika H0 benar ( ) :


( )

( )

{(

Dengan

= jumlah pengamatan pada kategori (1,1)


= jumlah pengamatan pada kategori (1,0)
= total pengamatan
Nilai maksimum dari L ( ) dan L( ) adalah sebagai berikut.
()
( )

( )

( )

{(

= jumlah pengamatan pada kategori (0,1)


= jumlah pengamatan pada kategori (0,0)

{
)

}
(

Dengan demikian diperoleh


( )
( )
Tolak H0 jika
()
()

{(

{
Dengan statistik uji:
[

{[

( )
]

( )
]
()

( )
{[

]
(

]
(

]}
(

)]}

Pengujian koefisien regresi logistik biner bivariat secara parsial dilakukan dengan menggunakan uji
Wald. Pada uji Wald penaksir
yang diperoleh melalui metode maksimum likelihood akan dibandingkan
dengan simpangan baku dari penaksir
yaitu:

( )

427

Z berdistribusi normal standar. Sehingga kriteria pengujiannya adalah tolak H 0 bila Z < -Z/2 atau Z > Z/2, di
mana nilai Z/2 dapat diperoleh pada tabel n ormal standar. Kriteria pengambilan keputusan untuk pengujian
]
hipotesis diatas dapat juga digunakan probabilitas (p-value), yaitu tolak H0 bila [| |
.

3. HASIL DAN PEMBAHASAN


Tabel 2. Hasil Pengujian Regresi Logistik Biner Bivariat secara Parsial dan Simultan
Variabel

Parameter

Koefisien
1.758
2.314
33.889
-0.472
-0.760
-12.819
-0.144
-0.130
0.020

Konstanta
Usia Awal
Terapi _1
X2(1)
Usia Awal
Terapi _1
X2(2)

Standart Error
1.348
1.424
51.843
0.632
0.650
22.953
0.598
0.630
17.620

z value
1.304
1.625
0.654
-0.747
-1.169
-0.558
-0.242
-0.207
0.001

Exp

0.624
0.468
2.7x10-6
0.866
0.878
1.021

Pengujian parameter diperoleh hasil bahwa terdapat 1 variabel prediktor yaitu usia awal terapi
yang signifikan terhadap keberhasilan terapi ABA pada komunikasi verbal dan hubungan dengan
orang lain. Hasil estimasi parameter regresi logistik biner bivariat dapat dilihat pada Tabel 2.
Model logit 1 yang terbentuk yaitu:
( )

(
(

( ))

( ))

( ))

( ))

Model logit 2 yang terbentuk yaitu:


( )

( ))

( ))

( ( ))
( ( ))
Model transformasi odds ratio yang terbentuk yaitu:
(

( ))

(
(

( ))
( ))

Model peluang marginal Y1 yaitu:


(
( )( ( ) )
( )
(
( )( ( ))
(
( ( ))
(
( ( ))

( )(

( ) ))

( )(

( ) ))

( ) ))

( ) ))

Model peluang marginal Y2 yaitu:


(
( ( ))
( ( ) ))
( )
(
( ( ))
( ( ) ))
(
( ( ))
( ( ) ))
(
( ( ))
( ( ) ))

( ))

4. KESIMPULAN
Berdasarkan hasil dan pembahasan dapat disimpulkan bahwa dengan anlisis regresi logistik
biner bivariat, didapatkan variabel usia awal terapi (X2) secara signifikan berpengaruh terhadap
keberhasilan terapi ABA pada komunikasi verbal dan hubungan dengan orang lain secara bersama.
DAFTAR PUSTAKA
Cessie, L. dan Houwelingen, J.C., (1994), Logistic Regression for Correlated Binary Data, Applied
Statistics, 42, hal. 95-108.
Collett, D., (1991), Modelling Binary Data, First Edition, Chapman and Hall, London.
Dale, J.R, (1986), Global Cross-Ratio Models for Bivariate, Discrete, Ordered, Response, Biometrics,
42, hal. 909-917.
Hosmer, D.W. dan Lemeshow, S., (2000). Applied Logistic Regression. John Wiley and Sons. New
York.
McCullagh, P. dan Nelder, J.A., (1989), Generalized Linier Models, 2nd edn, Chapman and Hall,
London.
Palmgren, J., (1989), Regression Models for Bivariate Binnary Response, Technical Report 101,
Department of Biostatistics, School of Public Health and Community Medicine, Seatle.
Warastuti, W., (2012), Pengaruh Terapi Autisme Dengan Metode ABA Terhadap Kemampuan Respon
Visual, Kemampuan Komunikasi Verbal, Komunikasi Non Verbal Dan Hubungan Dengan
Orang Lain, Tesis, Program Studi S2 Ilmu Kesehatan Ibu dan Anak-Fakultas Kesehatan
Masyarakat,Universitas Airlangga, Surabaya.

428