ANALISIS REGRESI & KORELASI

Analisis regresi digunakan untuk mengetahui bagaimana pola variabel dependent

(kriteria) dapat diprediksikan melalui variabel independent (predictor) dan untuk
melihat antara dua variabel dalam bentuk persamaan. Koefisien korelasi digunakan
untuk mengetahui tingkat keeratan (derajat) hubungan linear antar dua variabel.
1. Regresi Linear Sederhana
Yaitu regresi dengan satu variabel predictor (bebas)
Bentuk persamaan adalah sebagai berikut :
Y^ =a+bX
Y^

dimana :

= variabel dependent/kriteria (yang diprediksikan)

^
a = konstanta (nilai Y ketika harga X=0
b = nilai arah (koefisien regresi) ; bila b positif (+) arah regresi naik dan
bila b negatif (-) arah regresi turun.
X = variabel independent (predictor)
Nilai a dan b dapat ditentukan dengan rumus :
b=r
dimana : r

SY
SX

dan

a=Y b X

= koefisien korelasi product moment antara variabel X dan Y

SY

= simpangan baku variabel Y

SX

= simpangan baku variabel X

Atau dapat dicari juga dengan rumus :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

2
n . X
n XY X . Y
b=

n . X2
Y . X 2 X . XY
a=

Gambar Garis Regresi Y karena pengaruh X

Y

= a + bX

b satuan
1 satuan
a
X
(0,0)

Uji Hipotesis dalam analisis regresi linear :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

1.1 Pengujian Keberartian Regresi

Hipotesis yang diuji :
Ho : b = 0 (koefisien regresi tidak berarti/tidak nyata)
Ha : b 0 (koefisien regresi berarti/nyata)
Untuk pengujian hipotesis ini juga menggunakan uji F dengan rumus :
Fhitung =

dimana :

RJK reg(bIa)
RJK res

RJK reg(bIa)

(varians

rerata

jumlah

kuadrat

regresi

bIa

regresi bIa
RJK res

= rerata jumlah kuadrat residu/sisa (varians

residu/sisa.

Kriteria pengujian :
o Terima Ho Jika Fhitung < Ftabel
o Tolak Ho jika Fhitung > Ftabel
Ftabel ditentukan dengan dari tabel distribusi F untuk tertentu dengan :
o dk pembilang = k
o dk penyebut

= n2

o k = banyaknya variabel independent (bebas)

Untuk memudahkan perhitungan Fhitung , menggunakan tabel ANOVA seperti
pada tabel di bawah ini.
Sumber
Varians

dk

JK

RJK

Total

Y2

Regresi a

JK reg(a)

RJK r eg (a)

Regresi b

JK reg(bIa)

RJK reg(bIa)

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

Fhitung

RJK reg (bIa )

RJK res

n-2

JK res

RJK res

Tuna Cocok

k-2

JK TC

RJK TC

Galat

n-k

JK g

RJK g

Sisa

RJK TC
RJK g

Contoh :
Dilakukan penelitian tentang pengaruh tentang frekuensi olahraga sit up terhadap
penurunan lingkar pinggang (cm), yang hasilnya adalah sebagai berikut :
X
(jumlah sit-up)
70
85
81
77
80
70
85
77
80
70
775

Y
(lingkar pinggang)
60
80
70
78
80
77
87
80
79
70
761

Buat persamaan regresi dan ujilah hasil penelitian tersebut di atas.

Penyelesaian :
a. Membuat tabel pertolongan untuk menghitung regresi linear sederhana
Res.
1
2
3
4
5
6
7
8

X
70
85
81
77
80
70
85
77

Y
60
80
70
78
80
77
87
80

X2
4,900
7,225
6,561
5,929
6,400
4,900
7,225
5,929

Y2
3,600
6,400
4,900
6,084
6,400
5,929
7,569
6,400

XY
4,200
6,800
5,670
6,006
6,400
5,390
7,395
6,160

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

9
10
Jumlah

80
70
775

79
70
761

6,400
4,900
60,369

6,241
4,900
58,423

6,320
4,900
59,241

b. Menghitung konstanta (a) dan koefisien arah regresi (b) :

X

2
n . X
Y . X 2 X . XY
a=

761 x 60369775 x 59241

10 x 60369775 2

= 9.47

2
n . X
n XY X . Y
b=

10 x 59241775 x 761
10 x 60369775 2

= 0.8597

c. Menghitung jumlah kuadrat setiap sumber varian :

2

( Y )

1)

JK rega =

2)

JK reg(bIa)=b

( 761 )2
=57912.1
10

XY

X . Y
n

0.8597 x 59241

775 x 761
10

= 0.8597 x ( 59241 58977.5) = 226.53

3) JKres = Y2 JKreg (a) JKreg (bIa)
= 58423 -57912.1 226.53
= 284.37
d. Menentukan derajat kebebasan (dk) setiap sumber varian :
1) dkreg (a) = 1
2) dkreg (bIa) = k = 1
3) dkres (a) = n 2 = 10 2 = 8
e. Menghitung Rerata jumlah kuadrat atau varian dari sumber varian :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

f.

JK rega 57912.1
=
=57912.1
1
1

1)

RJK r eg(a)=

2)

RJK reg(bIa)=

3)

RJK res =

JK reg(bI a) 226.53
=
=226.53
k
1

JK res 284.37
=
=35.55
n2 102

Menghitung nilai F hitung :

Fhitung =

RJK reg(bIa)
RJK res

226.53
=6.37
35.5

g. Menentukan F tabel :
o

Untuk = 0.05

dk1 = 1 dan dk2 = 8

Maka F tabel = 5.32

h. Hipotesis yang diuji :

Ho : b = 0 : Tidak terdapat pengaruh frekuensi olah raga sit up terhadap penurunan
berat badan
Ha : b 0 : Terdapat pengaruh frekuensi olah raga sit up terhadap penurunan berat
badan
Kriteria pengujian :
Terima Ho jika Fhitung < F tabel
Tolak Ho jika Fhitung > F tabel
i.

Pengujian Hipotesis :
Ternyata F hitung > F tabel (5.32 < 6.37), sehingga Ho ditolak dan disimpulkan bahwa
terdapat pengaruh yang signifikan frekuensi olah raga sit up terhadap penurunan
berat badan.

j.

Persamaan regresi :

k. y = 9.47 + 0.8597 x

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

1.2 Analisa Korelasi

Analisa korelasi digunakan untuk melihat derajat hubungan atau kekuatan
hubungan antara satu variabel dengan variabel yang lain. Jenis statistika uji
hipotesis korelasi meliputi korelasi sederhana (bivariat), korelasi ganda dan
korelasi parsial.
Teknik analisis korelasi bivariat diantaranya adalah :
a) Product Moment
b) Rank/Spearmen
c) Kendal Tau
d) Point Biserial
e) Koefisien Phi
f) Koefisien Kontingensi
Didalam materi ini akan dibahas analisis korelasi Product Moment.
Korelasi Product Moment
Korelasi ini digunakan untuk data interval/rasio dengan interval/rasio dan harus
memenuhi syarat :
o sampel diambil secara acak (random)
o data setiap variabel berdistribusi normal
o bentuk regresi linear
Derajat hubungan dinyatakan oleh koefisien korelasi (r) dimana rumus untuk
mendapatkan r adalah sebagai berikut :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

n y 2

x 2
n

n xy x y
r xy =

n = banyaknya pasang data (unit sampel)

x = variabel bebas
y = variabel terikat
Nilai korelasi : -1 r 1
Jika r = 0, kedua variabel tidak mempunyai hubungan linear
r = 1, kedua variabel mempunyai hubungan positif sempurna
r = -1, kedua variabel mempunyai hubungan negatif sempurna
Dengan menggunakan soal yang sama seperti pada point 2), maka didapatkan nilainilai sebagai berikut :
x = 775
y = 761
x2 = 60,369
y2 = 58,423
x y = 59,241
Sehingga nilai koefisien korelasi dapat dicari dengan mudah, yaitu :

r xy =

10 x 59,241775 x 761

{10 x 60,369775 }{10 x 58,423 761 }

2

=0.67

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

1.3 Pengujian Hipotesis Korelasi

Pengujian dengan uji t dapat dilakukan dengan uji hipotesis dua pihak dan uji
satu pihak kanan maupun uji satu pihak kiri, yaitu :
a) Uji Hipotesis dua pihak
Ho :

=0

Ha :

b) Uji hipotesis satu pihak kanan

Ho :
Ha :

>0

c) Uji hipotesis satu pihak kiri

Ho :

Ha :

<

d) Statistik Uji :

n2
t hitung = r 1r 2
e) Nilai kritis pada tabel t dengan v = n-2
f) Pengujian Hipotesis :
o Terima Ho jika thitung < ttabel
o Tolak Ho jika thitung > ttabel
Dengan menggunakan contoh soal yang sama seperti di atas maka :

n2
t hitung = r 1r 2

= 0.67 x

102
10.672

= 2.55

t tabel = t (0.05,10-2) = 1.860 atau thitung > ttabel, maka tolak Ho

Kesimpulan : ada hubungan antara jumlah sit-up dengan lingkar pinggang.

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

1.4. Koefisien Determinasi (R2)

Koefisien determinasi menunjukan besarnya kontribusi variabel independent
(bebas) terhadap variabel dependent (terikat). Dibeberapa buku ada yang
mengatakan seberapa jauh variabel bebas dapat memprediksi variabel
terikat. Nilai R2 berkisar antara 0 s/d 1 atau 0 s/d 100 %.
Nilai koefisien determinasi ditentukan dengan rumus :
R2 = r2 ; dimana r = koefisien korelasi
Dengan menggunakan contoh soal yang sama di atas, maka nilai koefisien
determinasi (R2) adalah :
R2 = (0.67)2 = 0.44 atau 44 %
Artinya : bahwa kontribusi variabel bebas (sit-up) terhadap variabel terikat
(ukuran lingkar pinggang) adalah 44 %, sisanya ditentukan oleh
variabel lain.

2. Regresi Linear Berganda

Pada regresi linear sederhana hanya ada satu variabel bebas yang dihubungkan
dengan variabel terikat sedangkan didalam regresi linear berganda ada beberapa
variabel bebas (lebih dari 1) dan regresi linear berganda ini merupakan bagian dari
analisis multivariate. Pada materi ini hanya akan dibahas regresi linear berganda
dengan 2 variabel bebas.
Persamaan umum regresi ganda dengan dua variabel bebas adalah sebagai
berikut : Y = a + b1X1+b2X2
Sebelum mencari koefisien-koefisien dan konstanta persamaan regresi, maka :
Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

a) tentukan dahulu skor-skor sebagai berikut sebagai alat bantu sebelum melangkah
lebih lanjut, yaitu :

1)

X1
2

2
x
=
1 X 21

2)

X2
2

2
x
=
2 X 22

Y 2
3)

y 2= Y 2
Y

4)

( X 1 )
X 1 Y
x 1 y =

5)

( X 2 )
X 2 Y
x 2 y =

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

6)

b)

X2

( X 1 )
X 1 X 2
x 1 x 2=

Menentukan koefisien regresi X1 = b1

2

x2
x1

x 1 x2
( x 2 y )

2
x1
x22
x 1 x2
2

()

( y )

b1=

c)

Menentukan koefisien regresi X2 = b2

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

x1
x2

x 1 x2
( x 1 y )

x 21
x 22
x 1 x2
2

()

( y )

b2=
c) Menentukan konstanta regresi ganda = a
a=

Y b X 1
n

) ( )
b2

X2
n

Selain rumus dia atas, nilai koefisien b 1, b2, dan konstanta a dapat dicari dengan
rumus :
a) Y = an +b1X1+b2X1X2+..............+ bnXn
b) X1Y=aX1+b1X12+b2X1X2+..............+ bn X1Xn
c) X2Y=aX2+b1X1X2+b2X22+..............+ bn X2Xn
Untuk keperluan uji hipotesis maka diperlukan nilai-nilai sebagai berikut :
a) Hipotesis statistic :
o H0 : b1= b2=0: regresi ganda Y atas X1 dan X2 tidak berarti/tidak
nyata/tidak signifikan
o H1 : b1 b2 0

: regresi ganda Y atas X1 dan X2 berarti atau nyata

atau signifikan

b) menentukan jumlah kuadrat sumber varian yaitu :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

o JKreg, yaitu jumlah kuadrat regresi ganda Y atas X1 dan X2

JKreg,= b1x1y+b2x2y
o JKres, yaitu jumlah kuadrat residu/sisa
JKreg,= y2- JKreg,
c) menentukan derajat kebebasan (dk) sumber varian, yaitu :
o

dkreg = k

dkres = n-k-1
dimana : k = jumlah variabel bebas
n = banyaknya pasang data (banyaknya sampel)
d) menentukan RJK (rerata jumlah kuadrat) sumber varian yaitu :
o

RJK reg =

JK reg
dk reg

RJK res =

JK res
dk res

e) menentukan nilai Fhitung , yaitu :

JK reg
RJK reg
k
Fhitung=
=
RJK res
JK res
( nk1 )
f) menentukan Ftabel
g) Uji hipotesis, dengan kriteria :
o terima Ho jika Fhitung < Ftabel dan tolak Ho jika Fhitung > Ftabel
Contoh Soal :
Dibawah ini hasil penelitian tentang pengaruh jumlah berenang (X1) dan jumlah situp (X2) terhadap lingkar pinggang (Y) :

Resp.

X1

X2

1
2
3

54
54
55

53
53
53

65
67
63

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

4
5
6
7
8
9
10
11
12
13
14
15

55
55
63
63
63
65
65
65
65
70
70
70

55
55
62
62
62
63
65
65
70
70
75
75

60
62
67
69
70
70
71
70
75
72
77
73

a) Tentukan persamaan regresi ganda Y atas X1 dan X2

b) Adakah pengaruh X1 dan X2 terhadap Y ?
Penyelesaian :
a) Gunakan tabel sebagai alat bantu untuk menghitung skor-skor seperti yang telah
diterangkan di atas :

Resp.

X1

X2

X12

X22

Y2

X1Y

X2Y

X1X2

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

54
54
55
55
55
63
63
63
65
65
65
65
70
70
70
932

53
53
53
55
55
62
62
62
63
65
65
70
70
75
75
938

65
67
63
60
62
67
69
70
70
71
70
75
72
77
73
1031

2916
2916
3025
3025
3025
3969
3969
3969
4225
4225
4225
4225
4900
4900
4900
58414

2809
2809
2809
3025
3025
3844
3844
3844
3969
4225
4225
4900
4900
5625
5625
59478

4225
4489
3969
3600
3844
4489
4761
4900
4900
5041
4900
5625
5184
5929
5329
71185

3510
3618
3465
3300
3410
4221
4347
4410
4550
4615
4550
4875
5040
5390
5110
64411

3445
3551
3339
3300
3410
4154
4278
4340
4410
4615
4550
5250
5040
5775
5475
64932

2862
2862
2915
3025
3025
3906
3906
3906
4095
4225
4225
4550
4900
5250
5250
58902

b) Tentukan skore seperti yang telah diterangkan di atas :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

1)

X1
2

x 21= X 21

2)

X2
2

x 22= X 22

= 58414 -

(932)
15

= 505,73

= 59478 -

(938)2
15

= 821,73

= 71185 -

(1031)
15

Y 2
3)

y 2= Y 2

= 320,93

4)

( X 1 )
X 1 Y
x 1 y =

= 64411 -

( 932 ) (1031)
15

= 351.53

= 64932 -

( 938 ) (1031)
15

= 460,13

5)

( X 2 )
X 2 Y
x 2 y =

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

6)

X2

( X 1 )
X 1 X 2
x 1 x 2=

= 58902 -

( 932 ) (938)
15

= 620,93

c) Tentukan Koefisien b1 dan b2 serta konstanta a persamaan regresi ganda :

2

1) b1 =

b1 =

x2
x1

x 1 x2
( x 2 y )

2
x1
x22
x 1 x2
2

()

( y )

( 821,73 )( 351,53 ) ( 620,93 )( 460,13 )

(505,73 )( 821,73 ) (620,93)2

3154,226
30019,448

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

= 0,11

x1
x2

x 1 x2
( x 1 y )

x 21
x 22
2) b2 =
x 1 x2
2

()

( y )

b2 =

3)

( 505,73 )( 460,13 )( 620,93 ) (351,53)

( 505,73 ) ( 821,73 )( 620,93)2

a=

Y b X 1

a=

1031
932
938
0,11
b 2
15
15
15

14426,022
30019,448

= 0,48

) ( )
b2

X2
n

( ) ( )

= 31,90

d) Persamaan Regresi ganda :

Y^ =a+b1 X 1 +b2 X 2
Y^ =31,90+ 0,11 X 1 +0,48 X 2
e) Untuk melakukan pengujian Hipotesis, maka dilakukan langkah-langkah sebagai
berikut :
1) Menentukan jumlah kuadrat (JK) setiap varian :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

o JKTR =

y2

= 320,93

o JKReg = b1 x 1 y +b 2 x 2 y

= 0,11(351,53) + 0,48 (460,13) = 259,53

o JKRes = JKTR - JKReg = 320,93 - 259,53 = 61,4

2) Menentukan Derajad kebebasan (dk) setiap sumber varian :
o dkTR = n-1 = 15 - 1 = 14
o dkreg = k - 1 = 2
o dkres = n - k -1 = 15 - 2 - 1 = 12
3) Menentukan rerata jumlah kuadrat (RJK) sumber varian :
o

RJK reg =

JK reg 259,53
=
d k reg
2

RJK res =

JK res 61,4
=
dk res
12

= 129,77

= 5,12

f) Menentukan nilai Fhitung , yaitu :

Fhitung =

RJK reg 129,77

=
RJK res
5,12 = 25,35

g) Menentukan nilai Ftabel : jika dengan = 0,05, maka untuk dk 1 = 2 dan dk2 = 12,
diperoleh Ftabel = 3,88
h) Kesimpulan : karena Fhitung > Ftabel , maka tolak Ho, dan dapat disimpulkan
bahwa terdapat pengaruh signifikan jumlah berenang dan jumlah sit-up secara
bersama-sama terhadap lingkar pinggang.
3. Regresi Logistik
Analisis regresi logistic adalah salah satu model yang digunakan untuk melakukan
analisis korelasi satu atau beberapa variable bebas dengan sebuah variable terikat
kategori yang bersifat dikotom/binary, dimana variable kategori dikotom adalah
variable yang mempunyai dua nilai variasi, misalnya sakit dan tidak sakit, bayi
BBLR dan Normal, merokok dan tidak merokok, dll.
Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

Perbedaan dengan rehresi linier terletak pada garis jenis variable bebasnya,
dimana regresi linier digunakan bila variable bebasnya numeric dan regresi logistic
digunakan pada data yang variable bebasnya berbentuk kategori yang dikotom.
Contohnya jika dilakukan penelitian untuk melihat hubungan antara variable
umur dengan kejadian penyakit jantung koroner dimana dilakukan pengamatan
terhadap 100 sampel, hasilnya adalah sbb :

ID
Umur

10

11

20

22

23

24

25

27

28

29

30

32

33

PJK

100
70
1

ID : no urut responden
PJK : variable kejadian penyakit jantung koroner, dimana kode 1 adalah responden
menderita sakit jantung dank kode 0 adalah responden tidak menderita jantung.
Data di atas jika kita plot kan kedalam diagram tebar (scatter plot) dimana umur
adalah sumbu X nya dan PJK adalah sumbu Y nya, maka pola hubungannya tidak
jelas terlihat karena akan membentuk 2 garis.
Untuk mempertajam analisis jika data tersebut kita kelompokan menjadi di
bawah ini :
Umur

Jumlah

20-29
30-34
35-39
40-44
45-49
50-54
55-59
60-69
Total

10
15
12
15
13
8
17
10
100

Jantung Koroner
Tidak
Ya
9
1
13
2
9
3
10
5
7
6
3
5
4
13
2
8
57
43

Proporsi Kejadian
PJK
0.10
0.13
0.25
0.33
0.46
0.63
0.76
0.80
0.43

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

Terlihat ada peningkatan proporsi kejadian jantung koroner pada kelompok umur
yang semakin tua.

PJK
14
12
10
8
6
4
2
0

PJK

Fungsi Logistik :
f ( Z )=

1
Z
1+ e

f(Z) merupakan fungsi peluang kejadian suatu penyakit berdasarkan factor resiko
tertentu, misalnya peluang kejadian jantung pada umur tertentu.
Nilai Z merupakan nilai indeks variable bebas yang bervariasi antara - sampai +
.
Jika nilai Z mendekati - , maka :

Jika nilai Z mendekati + , maka :

f ( Z )=

1
1+ eZ

=0

1
1+ eZ

=1

f ( Z )=

jadi fungsi Z atau f(Z) nilainya berkisar antara 0 dan 1

Model Logistik :
Model ini dikembangakan dari fungsi logistic dengan nilai Z merupakan
penjumlahan linear konstanta () ditambah dengan 1X1, ditambah 2X2
dst..sampai iXi dimana X adalah Variabel bebas.

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

Z = + 1X1.. regresi logistic sederhana

Z = + 1X1+ 2X2+ 3X3+.+ iXi regresi logistic berganda
Jika nilai Z kita masukan ke dalam f ( Z ) maka :
f ( Z )=

1
( + 1 X 1+ 2 X 2++ iXi )

1+ e

Aplikasi Model Regresi Logistik :

Suatu studi follow up dilakukan selama 9 tahun, yang mempelajari hubungan
antara kejadian penyakit jantung (PJK) dengan tinggi rendahnya kadar
kotekolamin dalam darah (KAT).
Variabel PJK

1 = timbul penyakit jantung koroner

0 = tidak ada penyakit jantung koroner

Variabel KAT

1 = kadar kotekolamin darah tinggi

0 = kadar kotekolamin darah rendah

Pertanyaan :
a) Berapa peluang mereka yang kadar kotekolaminnya tinggi mempunyai resiko
untuk terjadi PJK
b) Berapa peluang mereka yang kadar kotekolaminnya rendah mempunyai resiko
untuk terjadi PJK
c) Bandingkan resiko terjadinya PJK antara mereka yang kadar KAT nya tinggi
dengan kadar KAT nya rendah.
Dengan model regresi logistic, maka model dari soal di atas adalah :
f ( Z )=

1
1+ eZ

Nilai f(Z) dapat diganti dengan P(X), maka rumusnya menjadi :

P ( X )=

1
1+eZ

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

dan jika Z = + 1KAT, maka modelnya menjadi :

P ( X )=

1
( + 1 KAT )

1+e

Misalnya dari hasil analisis didapatkan nilai :

= -3,911
= 0,652, maka :\
P ( X )=

1
(3,911+ 0,652. KAT)

1+e

Oleh karena itu jika untuk jawaban pertanyaan :

a) untuk besar resiko terjadinya PJK pada mereka yang kadar kotelaminnya tinggi
adalah :
Karena kadar kotelamin paling tinggi = 1, maka nilai KAT = 1, dan jika
masukan pada model di atas, maka :
P ( X )=

1
(3,911+ 0,652.1)

1+e

= 0,037 atau sekitar 4 % atau mereka yang kadar

kotelamin tinggi dalam darah mempunyai resiko untuk terjadinya PJK sebesar 4
%.
b) untuk besar resiko terjadinya PJK pada mereka yang kadar kotelaminnya rendah
adalah :
Karena kadar kotelamin paling rendah = 0, maka nilai KAT = 0, dan jika
masukan pada model di atas, maka :
P ( X )=

1
(3,911+ 0,652.0 )

1+e

= 0,019 atau sekitar 2 % atau mereka yang kadar

kotelamin rendah dalam darah mempunyai resiko untuk terjadinya PJK sebesar
2 %.
c) besar resiko kedua kelompok tersebut di atas adalah sbb :

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM

P 1( X) 0,037
=
=1,947=2
P 0( X ) 0,019

artinya mereka yang kadar kotelamin tinggi

dalam darah mempunyai resiko terjadi PJK dua kali lebih tinggi dibandingkan
dengan mereka kadar kotelamin paling rendah.

Modul_Analisa_Regresi_STIKes Dr. Sismadi_by Didi Sutisna, Ir, MM