UNIVERSITAS INDONESIA

REGRESI LOgistik
Disusun sebagai salah satu tugas mata kuliah Biostatistik

FAKULTAS ILMU KEPERAWATAN PROGRAM MAGISTER ILMU KEPERAWATAN KEKHUSUSAN KEPERAWATAN KOMUNITAS DEPOK MEI 2012

1. KONSEP REGRESI LOGISTIK Analisis regresi logistik adalah salah satu pendekatan model matematis yang digunakan untuk menganalisis hubungan satu atau beberapa variabel independen dengan sebuah variabel dependen kategori yang bersifat dikotom/binary, yaitu variabel yang mempunyai dua nilai variasi, misalnya sehat dan sakit, puas dan tidak puas, baik dan buruk, merokok dan tidak merokok, dan lainnya (Sabri, 2010). Perbedaan antara regresi linier dan regresi logistik terletak pada jenis variabel dependennya. Regresi linier digunakan apabila variabel dependennya numerik, sedangkan regresi logistik digunakan pada data yang dependennya berbentuk kategori yang dikotom. Pada penelitian dengan analisis regresi logistik umumnya mempunyai pertanyaan, apa hubungan/pengaruh dari satu atau lebih variabel exposure (E) terhadap disease atau outcome (D). Pada regresi linier kita ingin mengestimasi nilai mean variabel dependen berdasarkan setiap nilai variabel independennya. Nilai tersebut disebut sebagai mean kondisional yang dinyatakan dengan E(Y/x), dengan Y sebagai dependen dan x sebagai independen. E(Y/x) adalah nilai Y yang diharapkan berdasarkan nilai x. Misalnya Y variabel tekanan darah dan x variabel umur. Maka untuk mengetahui estimasi tekanan darah berdasarkan umur, dihitung rata-rata (mean) tekanan darah pada masing-masing nilai umur. Pada regresi linier nilai E(Y/x) akan berkisar antara 0 s.d *0 E (Y/x) +. Pada regresi logistik dapat pula diperlakukan hal tersebut namun ada sedikit perbedaan dalam menghitung rata-rata variabel dependennya (Y). Oleh karena itu pada regresi logistik dependennya adalah dikotom, maka variabel dependen dihitung bukan dengan mean namun menggunakan proporsi. Seperti pada data diatas variabel Y kejadian BBLR dan x variabel umur, maka untuk mengetahui estimasi kejadian BBLR berdasarkan umur, dihitung proporsi kejadian BBLR pada tiap kelompok umur. Pada regresi logistik, nilai E(Y/x) akan selalu berada dalam 0 dan 1 *0 E (Y/x) 1+. Regresi logistik terbagi menjadi dua, yaitu: (1) Regresi Logistik Sederhana, digunakan bila ingin mempelajari hubungan antara satu variabel independen dengan satu variabel dependen yang bersifat dikotomi. (2) Regresi logistik ganda, digunakan bila ingin mempelajari hubungan antara beberapa variabel independen dengan satu variabel dependen yang bersifat dikotomi. Fungsi dari regresi logistic ganda ini adalah: (a) Menetapkan model matematik yang paling baik untuk menggambarkan hubungan variabel independen dengan variabel dependen, (b) Menggambarkan hubungan kuantitatif antara variabel independen (x) dengan variabel dependen (y) setelah dikontrol variabel lain, (c) Mengetahui variabel independen (x) mana

yang penting (dominan) dalam memprediksi variabel dependen, (d) Mengetahui adanya interaksi pada dua atau lebih variabel independen terhadap variabel dependen. Tujuan dari analisis regresi logistik adalah untuk mendapatkan model yang paling baik (fit) dan sederhana (parsinomy) yang dapat menggambarkan hubungan variabel independen dengan variabel dependen.

2. FUNGSI REGRESI LOGISTIK 1. Fungsi Regresi Logistik:

F(Z)

: probabilitas kejadian suatu penyakit berdasarkan faktor resiko tertentu.

(Misalnya probabilitas kejadian BBLR pada umur ibu tertentu) Nilai Z : nilai indeks variabel independen. Nilai Z bervariasi antara Bila nilai Z mendekati maka: sampai dengan

Bila nilai Z mendekati

maka:

2. Fungsi Logistik dapat digambarkan sebagai berikut:

(Sumber : Riyanto, A., 2009)

Pada saat nilai Z = -

, maka f (Z) =0 dan pada saat nilai Z =

maka f (Z) =1 .

Jadi nilai f (Z) akan berkisar 0 dan 1 berapapun nilai Z.

3. Sifat ini yang membuat fungsi logistik populer pada analisa data epidemiologi : a) Model logistik dapat digunakan untuk menggambarkan probabilitas sebagai resiko untuk terjadinya penyakit. Probabilitas yang selalu memiliki nilai 0 dan 1. Jadi dengan menggunakan fungsi logistik, kita pasti akan memperoleh perkiraan resiko antara 0 dan 1. Kita tidak mungkin memperoleh perkiraan resiko lebih besar dari 0 atau lebih besar dari 1. b) Bentuk kurva logistik dianggap dapat digunakan secara luas pada analisa multivariabel pada penelitian epidemiologi. Seperti terlihat pada gambar kurva diatas, nilai f (Z) meningkat secara perlahan pada saat Z berubah dari - kearah 0, kemudian f (Z) meningkat secara cepat dan kemudian peningkatannya kembali perlahan pada saat f (Z) mendekati 1. Hasilnya adalah kurva berbentuk S. Kurva berbentuk S ini cocok untuk menggambarkan peningkatan resiko terjadinya keluaran pada penelitian epidemiologi. Jika Z dianggap sebagai indeks yang menggabungkan efek dari berbagai faktor resiko dan f (Z) merupakan resiko pada nilai Z tertentu. Bentuk kurva S menunjukkan efek Z pada resiko individu minimal pada nilai z kecil sampai satu batas ambang tercapai. Kemudian resiko meningkat pada jangkauan Z tertentu dan tetap tinggi saat resiko mendekati 1 dan nilai Z sudah cukup besar. yang dikenal

3. MODEL REGRESI LOGISTIK a) Model logistik dikembangkan dari fungsi logistik dengan nilai Z merupakan penjumlahan linier konstanta () ditambah dengan 1 dan X1, ditambah 2 dan X2 dan seterusnya sampai i dan Xi. Variabel X adalah variabel independen. b) Regresi logistik sederhana:

c) Regresi logistik berganda

d) Bila nilai Z dimasukkan pada fungsi Z, maka rumus fungsi Z adalah:

4. KELEBIHAN DAN KEKURANGAN ANALISIS REGRESI LOGISTIK Kelebihan a) Cocok digunakan pada bidang kesehatan khususnya bidang epidemiologi. b) Dapat memprediksi resiko terhadap suatu penyakit akibat dari suatu paparan pada desain kohort. c) Menentukan asumsi-asumsi yang lebih sedikit daripada regresi linier. d) Dapat digunakan sebagai model prediksi dan faktor resiko terhadap suatu penyakit. e) Dapat mengetahui pengaruh dari beberapa variabel independen terhadap variabel dependen. Kekurangan a) Ciri data awal (numerik) hilang karena dijadikan kategori. b) Prediksi yang didapat tidak seakurat bila dibandingkan dengan regresi linier. c) Pada desain cross sectional dan case control tidak dapat memprediksi faktor resiko yang akan terjadi.

5. REFERENSI Algifari. (2009). Analisis Regresi Teori, Kasus dan Solusi. Yogyakarta: BPFE Hastono, SP., (2007). Analisis Data Kesehatan. Fakultas Kesehatan Masyarakat Universitas Indonesia, Jakarta Riyanto, A., (2009). Penerapan Analisis Multivariat Dalam Penelitian Kesehatan. Bandung: Nitra Media Press Sabri, L dan Hastono, AP., (2010). Statistik Kesehatan. Jakarta: Rajawali Press