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 = b₀ + b₁X + 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 R² 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=

=

=

1

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 tidak capulmo tidak capulmo capulmo capulmo capulmo capulmo capulmo 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 merokok merokok merokok merokok merokok merokok merokok merokok USIA 45 43 34 34 26 27 27 28 29 29 30 31 32 33 45 45 46 47 8 57 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 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 DAERAH desa desa desa desa kota kota kota kota kota kota desa desa desa desa desa desa desa desa desa kota .718 Contoh : sebuah penelitian bertujuan ingin mencari faktor-faktor yang mempengaruhi kejadian kanker pulmo ( ca pulmo ). maka dapat dicari dari harga b yang telah diketahui . dianalisis variabel independen adalan kebiasaan merokok. maka rumus mencari OR adalah OR= Dimana e adalah bilangan natural yang besarnya adalah 2.maka untuk rumus regresi logistik adalah p= E (Y=1IX )= untuk mencari odd ratio / OR ( sebagai faktor resiko ). riwayat keluarga ca pulmo dan daerah asal tinggal. usia.

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 0 0 0 0 1 1 1 1 PEROKOK 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 USIA 45 43 34 34 26 27 27 28 29 29 30 31 32 33 45 45 46 47 3 KELUARGA 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 DAERAH 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 . desa=0 . Sedangkan variabel usia distribusi data tidak normal. ada riwayat ca=1. pada variabel riwayat keluarga tidak ada riwayat ca=0. Untuk menyelesaikan masalah diatas hanya dapat dikerjakan dengan regresi logistik karena variabelnya berupa variabel dikotomi untuk variabel ca pulmo. tidak ca pulmo=0. merokok=1. tak merokok=0 . pada variabel perokok. kota=1. pada variabel umur berskala data interval. perokok.capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo merokok merokok tak merokok tak merokok tak merokok tak merokok merokok merokok merokok merokok 57 54 55 48 49 59 37 57 58 59 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 kota kota kota kota kota kota kota kota desa desa Keterangan data dari variabel dimana dari variabel ca pulmo .pada variabel daerah. daerah dan riwayat keluarga. ca pulmo=1.

see classification table for the total number of cases.0 . 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. usia.0 100. If weight is in effect. binary logistik Isikan ca pulmo pada dependent 1 1 1 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 0 0 Sedangkan rokok.0 a. pilih regression.0 100.0 .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. Dependent Variable Encoding Original Value Internal Value tidak capulmo 0 capulmo 1 Block 0: Beginning Block 4 .

000 .E.b Classification Table Predicted kanker pulmo tidak capulmo capulmo 0 14 0 16 Percentage Correct .143 Variables not in the Equation Step 0 Variables ROKOK USIA RWYKLG DAERAH Score 8. The cut value is .000 .715 Exp(B) 1.960 df 4 4 4 Sig.571 12.133 df 1 Sig.606 Nagelkerke R Square .464 .820 6.000 Model Summary Step 1 -2 Log likelihood 13.8 93.134 S.0 53.011 .001 Overall Statistics Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 27.536 19. .a.0 100. The cut value is . Constant is included in the model.003 .496 Cox & Snell R Square .366 Wald . b.960 27. .3 Step 1 Observed kanker pulmo Overall Percentage tidak capulmo capulmo a.531 . .960 27.306 df 1 1 1 1 4 Sig.810 a Classification Table Predicted kanker pulmo tidak capulmo capulmo 13 1 1 15 Percentage Correct 92.000 .500 Variables in the Equation Step 0 Constant B .9 93. .3 Step 0 Observed kanker pulmo Overall Percentage tidak capulmo capulmo a.500 5 .

236 3. USIA.888 .E.086 2.005 Exp(B) 6. maka kita perlu melakukan analisis dengan metode forward.Variables in the Equation Step a 1 ROKOK USIA RWYKLG DAERAH Constant B 1.0 a. Untuk mengetahui variabel mana yang berpengaruh atas ca pulmo. DAERAH. dimana dengan memasukkan variabel yang signifikan saja dalam analisis.824 27.310 -10. see classification table for the total number of cases.0 .603 1.0 100. karena metode yang kita pakai adalah metode enter. 1.722 df 1 1 1 1 1 Sig.063 3. d ari hasil diketahui bahwa semua variabel dimasukkan dalam hasil analisis.169 5. If weight is in effect.246 .344 7.705 Wald 1.010 ) sedangkan variabel lainnya sebagai variabel moderator atas terjadinya ca pulmo. .562 7. 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 100.111 2.295 S. Hasil menunjukkan bahwa variabel usia yang signifikan ( sig.0 .090 .109 .393 . Variable(s) entered on step 1: ROKOK.068 3.877 2. Dependent Variable Encoding Original Value Internal Value tidak capulmo 0 capulmo 1 Block 0: Beginning Block 6 .= 0.000 a.008 .628 . RWYKLG.0 100.184 187.

143 Variables not in the Equation Step 0 Variables ROKOK USIA RWYKLG DAERAH Score 8. .306 df 1 1 1 1 4 Sig.134 S.820 6. b.000 .464 .000 . .047 22.0 100.715 Exp(B) 1.001 Overall Statistics Block 1: Method = Forward Stepwise (Conditional) Omnibus Tests of Model Coefficients Step 1 Step Block Model Step Block Model Chi-square 15.000 .543 .E.011 . .406 .536 19.003 .133 df 1 Sig. Constant is included in the model.640 15.047 df 1 1 1 1 2 2 Sig.815 19.011 .000 Step 2 Model Summary Step 1 2 -2 Log likelihood 25.500 Variables in the Equation Step 0 Constant B .000 .640 6.695 7 .531 .571 12.000 .409 Cox & Snell R Square .3 Step 0 Observed kanker pulmo Overall Percentage tidak capulmo capulmo a.b Classification Table Predicted kanker pulmo tidak capulmo capulmo 0 14 0 16 Percentage Correct . The cut value is .520 Nagelkerke R Square .a.0 53.640 15.407 22. .366 Wald .

458 5.263 .187 .063 Step 2 Overall Statistics Variables Overall Statistics 8 . b.169 .895 Wald 8.008 Exp(B) 1.519 7.713 .530 df 1 1 1 3 1 1 2 Sig.408 4.027 .365 9.000 a.017 .000 a.125 df 1 1 1 1 1 Sig.301 5.064 2. Variable(s) entered on step 1: USIA.8 90.741 1.794 .5 86.002 16.163 -7. Variable(s) entered on step 2: ROKOK.186 2. .020 . . Based on conditional parameter estimates Variables not in the Equation Step 1 Variables ROKOK RWYKLG DAERAH RWYKLG DAERAH Score 6.7 87.133 1.500 Variables in the Equation B Step a 1 Step b 2 USIA Constant ROKOK USIA Constant . The cut value is .893 6. of the Change .004 .156 -6.7 85.011 .003 .767 -13.352 1.007 .546 .011 .032 df 1 1 1 Sig.973 8.719 7.398 14. a Model if Term Removed Variable Step 1 USIA Step 2 ROKOK USIA Model Log Likelihood -20.7 93.052 2.720 Change in -2 Log Likelihood 15.403 -16.E.177 .0 Step 1 Observed kanker pulmo tidak capulmo capulmo Step 2 Overall Percentage kanker pulmo tidak capulmo capulmo Overall Percentage a.a Classification Table Predicted kanker pulmo tidak capulmo capulmo 12 2 2 14 12 1 2 15 Percentage Correct 85. .728 S.000 .801 1.254 .

044 9 .728 + 7. maka kemungkinan terjadinya kanker paru-paru adalah Z= a+b₁X₁+b₂X₂ Z= -7.684 Z= -0.794*1)+(0.163.17. dan X₂=usia 30 tahun.027) dan variabel usia ( koefisiensi regresi= 0. sig. Sehingga persamaan regresinya adalah P = -7.011 ) dengan konstanta -7.728.794 + 4.794X₁+0.163*30) Z= -7.34.34 = 1. Sedangkan usia sebagai faktor resiko terjadinya ca pulmo sebasar 1. Dari haril koefisien regresi yang diperoleh.17 Dari hasil tersebut diketahui bahwa riwayat perokok sebagai faktor resiko terhadap terjadinya ca pulmo sebesar 16.728+ 2.728+ 2. Contoh : Jika terdapat seseorang dengan kriteria X₁= perokok ( nilai= 1 ).163X₂ Z= -7.794 . dengan persamaan distribusi komulatifnya adalah : p= E (Y=1IX )= Perlu diketahui bahwa besarnya (a+b₁X₁+b₂X₂) = Z Sehingga E (Y=1IX ) dibaca harga harapan / peluang terjadinya suatu kejadian atau event.163X₂ 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 ).=0.89 Z= -7.728 + 2. sig.=0.Dari hasil forward diketahui bahwa variabel independen yang berpengaruh terhadap ca pulmo adalah rokok ( koefesiensi regresi= 2. dengan nilai kuantitatif 1 dalam hal ini adalah terjadinya kanker paru ( ca pulmo ) dikarenakan suatu respon dengan input/ prediktor variabel X. dapat dicari • OR untuk variabel yang signifikan (yaitu rokok dan usia ) • OR untuk rokok adalah OR1= • OR untuk usia adalah OR2= = = = 16.728+( 2.794X₁+0.

89 Z= -2.838 dengan e adalah bilangan natural dengan nilai 2.Sehingga p= E (Y=1IX )= Atau p= E (Y=1I X )= Sehingga besar Z = -0.044 dengan e adalah bilangan natural dengan nilai 2. maka p= E (Y=1I X )= p= E (Y=1IX )= 10 . Jika terdapat seseorang dengan kriteria X₁=tidak perokok ( nilai= 0 ). dengan kondisi ia perokok dan berumur 30 tahun. maka kemungkinan terjadinya kanker paru-paru adalah Z= a+b₁X₁+b₂X₂ Z= -7.9% atau 49% untuk terjadi kanker paru-paru.838 Sehingga besar Z = -2.718.89 Z= -7.718. maka p= E (Y=1I X )= p= E (Y=1IX )= p= E (Y=1IX )= p= E (Y=1IX )= jadi orang memiliki peluang sebesar 48.163*30) Z= -7.794X₁+0.794*0)+(0.728 + 0 + 4.728+( 2.163X₂ Z= -7. dan X₂=usia 30 tahun.728 + 4.728+ 2.

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

Sign up to vote on this title
UsefulNot useful