LAPORAN PRAKTIKUM

Kelas

ANALISIS REGRESI TERAPAN

MODUL: 06
ANALISIS REGRESI LOGISTIK

Nama
Nomer Tanggal Tanda Tangan
Praktikum Mahasiswa Kumpul Praktikum Laboran
Purwanti
11611048
Rahayu

Nama Penilai

Tanggal
Koreksi

Nilai

Tanda Tangan
Asisten Dosen

1. Fajar Supriadi
2. Kartika Ari S
Edy Widodo ,M.Si
Herni Utami, M.Si

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2013

BAB I
PENDAHULUAN

A. Regresi logistik

Pada prinsipnya, regresi logistik mempunyai tujuan untuk memperkirakan

besarnya probabilitas kejadian tertentu di dalam suatu populasi sebagai suatu fungsi
eksplanatori, misalnya untuk mengetahui peluang kejadian kebakaran di kawasan
taman nasional X pada kondisi wilayah tertentu dan faktor apa saja yang berpengaruh
signifikan terhadap kejadian kebakaran di sana. Regresi ini menggunakan variabel
respon/terikat berbentuk dummy. Tidak seperti regresi linier biasa, penggunaan
regresi logistik memiliki kelebihan dalam hal pelanggaran beberapa asumsi yang
harus ada pada regresi linier biasa seperti asumsi kenormalan dan homokedastisitas.
Estimasi nilai Y juga terletak pada range yang sangat luas (dapat berada di luar
interval 0-1). Dengan demikian secara matematis penggunaan regresi logistik menjadi
lebih mudah digunakan.
Variabel respon/terikat yang digunakan dalam regresi ini dikategorikan.
Regresi logistik biner menggunakan variabel respon dikotomi, yaitu 1 sebagai
kejadian dan 0 untuk tidak ada kejadian. Variabel respon bisa lebih dari 2 jenis,
seperti dalam kasus tingkat kejadian kebakaran hutan yang dibagi menjadi 3 kelas,
kerawanan rendah (Y=0), sedang (Y=1) dan tinggi (Y=2). Untuk kasus seperti ini
maka dapat digunakan regresi logistik multinomial.
Model regresi logistik biner digunakan untuk melihat apakah variabel tak
bebas yang berskala dikotomi (Y = 0 dan Y = 1) dipengaruhi oleh variabel bebas baik
yang kategorik maupun numerik. Bentuk umum model peluang regresi logistik
dengan k variabel diformulasikan sebagai berikut :

Fungsi tersebut merupakan fungsi linier sehingga perlu dilakukan transformasi

ke dalam bentuk logit agar dapat dilihat hubungan antar variabel respon dengan
penjelas. Dengan melakukan transformasi logit dari phy (x) , didapat persamaan yang
lebih sederhana yang merupakan fungsi linier data parameter-parameternya, yaitu:

Apabila terdapat sebanyak p peubah bebas dan peubah ke-j merupakan

merupakan peubah kategorik, maka akan terdapat peubah boneka sebanyak k-1,
dengan dummy variabel kj dinamakan Dju dengan koefisien Bju, u = 1,2,.., kj-1.
Sehingga model transformasi logit dapat dituliskan seperti persamaan berikut ini :

BAB II
DESKRIPSI KERJA

Dalam laporan kali ini praktikan akan menyelesaikan masalah terkait pasien yang
melakukan operasi pernafasan dengan kategori (1= yes , 0 = No). Untuk variabel D terkait
dengan waktu lama operasi. Untuk variabel T terkait dengan tipe yang digunakan untuk
pernafasan dengan kategori (0 = untuk jalan pernafasan pada laring, 1 = tabung trakea).
Berikut ini data dari pasien.
Tabel 2.1 Data pasien
Patien

45.00

0.00

0.00

15.00

0.00

0.00

40.00

0.00

1.00

83.00

1.00

1.00

90.00

1.00

1.00

25.00

1.00

1.00

35.00

0.00

1.00

65.00

0.00

1.00

95.00

0.00

1.00

10

35.00

0.00

1.00

11

75.00

0.00

1.00

12

45.00

1.00

1.00

13

50.00

1.00

0.00

14

75.00

1.00

1.00

15

30.00

0.00

0.00

16

25.00

0.00

1.00

17

20.00

1.00

0.00

18

60.00

1.00

1.00

19

70.00

1.00

1.00

20

30.00

0.00

1.00

21

60.00

0.00

1.00

22

61.00

0.00

0.00

23

65.00

0.00

1.00

24

15.00

1.00

0.00

25

20.00

1.00

0.00

26

45.00

0.00

1.00

27

15.00

1.00

0.00

28

25.00

0.00

1.00

29

15.00

1.00

0.00

30

30.00

0.00

1.00

31

40.00

0.00

1.00

32

15.00

1.00

0.00

33

135.00

1.00

1.00

34

20.00

1.00

0.00

35

40.00

1.00

0.00

Dengan langkah sebagai berikut.

1. Praktikan membuka SPSS klik pada variabel view Praktikan menginputkan
variabel-variabel yang ada yaitu variabel D, variabel T dan variabel Y. Sebelumnya
praktikan menambahkan values pada variabel T dan Y (variabel dependen).

Gambar 2.1 meninput variabel.

2. Praktikan memberikan 2 kategori pada variabel independen T yaitu kategori 0 untuk
laryngeal mask airway dan kategori 1 untuk tracheal tube. Praktikan menginputkan
dengan klik values pada variabel T kemudian pada kolom value ketik angka
kategorinya kemudian pada label ketik jenis kategorinya klik add.

Gambar 2.2 kategori untuk variabel T.

3. Kemudian pada variabel dependen memiliki 2 kategori yaitu 1 untuk Yes, 0 untuk No.
praktikan menginputkan angka kategorik pada klolo value kemudian praktikan
menulis jenis kategorinya pada kolom label.

Gambar 2.3 Kategori variable dependen Y.

4. Selanjutnya praktikan menginputkan data dengan klik pada data view input
datanya.

Gambar 2.4 menginput data.

5. Kemudian untuk menganalisisnya praktikan klik analyze regressin Binary
logistic.

Gambar 2. 5 langkah analisis logistic.

6. Selanjutnya akan muncul gambar dibawah ini, kemudian praktikan menginputkan
variabel Y kedalam variabel dependen, kemudian variabel D dan Y masukan kedalam
convariates.

Gambar 2.6 mengelompokan dan menginput variabel dependen dan variabel independen.
7. Selanjutnya praktikan klik categorical praktikan input variabel T dan untuk

reference category first change continue.

Gambar 2.7 variebl T menjadi reference category.

8. Selanutnya praktikan klik options klik pada iteration history klik Cl for
exp(B) klik continue.

Gambar 2.8 langkah analisis logistic.

9. Setelah itu praktikan klik save klik probabilities klik grup membership klik
continue, dan langkah terakhir praktikan klik ok.

Gambar 2.9 langkah analsisi logistic.

Setelah praktikan mendapati hasil output dari SPSSnya, pada tabel 3.12 menunjukan adanya
nilai signifikan yang tidak signifikan yaitu constanta, sehingga praktikan menghilangkan

constanta tersebut seperti berikut. Klik analyze regression Binary logistic Klik pada
Options klik pada include constanta klik ok.

Gambar 2.10 menghilangkan constanta.

BAB III
PEMBAHASAN

Setelah praktikan menyelesaikan langkah-langkah analisis logistic pada bab deskripsi

kerja. Maka didapatkan hasil outputnya, di dalam bab ini praktikan akan membahas hasil
outputnya. Berikut ini hasil outputnya.
Tabel 3.1 Processing Summary

Case Processing Summary

Unweighted Cases
Selected Cases

N
Included in Analysis
Missing Cases
Total

Unselected Cases
Total

Percent
35

100.0

.0

35

100.0

.0

35

100.0

a. If weight is in effect, see classification table for the total number of

cases.

Dalam tabel 3.1 untuk data pasien sejumlah 35, dan tidak adanya data yang missing atau
dihilangkan.
Tabel 3.2 Dependent Variabel encoding.

Dependent Variable
Encoding
Original
Value

Internal Value

No

Yes

Dalam tabel 3.2 untuk kategori pada variabel dependen adalah (0= No dan 1=Yes).

Tabel 3.3 Categorical Variables coding

Categorical Variables Codings
Parameter
coding
Frequency
T

(1)

laryngeal mask airway

18

.000

tracheal tube

17

1.000

Untuk variebel independen sebagai dengan jumlah data pada variebal laryngeal sebanyak 18
data pasien, dan untuk variabel tabung trakea sebanyak 17 pasien.
Tabel 3.4 Iteration history.
a,b,c

Iteration History

Coefficients
Iteration
Step 0

-2 Log likelihood

Constant

46.181

.514

46.180

.526

46.180

.526

a. Constant is included in the model.

b. Initial -2 Log Likelihood: 46.180
c. Estimation terminated at iteration number 3
because parameter estimates changed by less than
.001.

Pada kolom -2 log likelihood tahap pertama memiliki nilai 46,181. Sedangkan tahap 2 dan 3
memiliki nilai yang sama 46,180. Dimana tahapan akan berhenti ketika nilai pada kolom -2
log likelihood sama bertahap.
Tabel 3.5 Classification Table.
Classification Table

a,b

Predicted
Y
Percentage
Observed
Step 0

No

Yes

Correct

No

13

.0

Yes

22

100.0

Overall Percentage

62.9

a. Constant is included in the model.

b. The cut value is .500

Pada baris overall percentage memiliki arti model menjelaskan keseluruhan data vareiabel
memiliki pengaruh sebesar 62,9.
Tabel 3.6 Variabel in the equation

Variables in the Equation

B
Step 0

Constant

S.E.
.526

.350

Wald

df

2.262

Sig.
1

Exp(B)

.133

Uji konstanta.

H0: Konstanta tidak signifikan

H1: Konstanta Signifikan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,133>0,05 (artinya p-value conctanta >0,05)

Kesimpulan gagal tolak H0, maka konstanta tidak signifikan.

Tabel 3.7 Variables not in the equation
Variables not in the Equation
Score
Step 0

Variables

df

Sig.

9.044

.003

T(1)

3.534

.060

12.855

.002

Overall Statistics

Tabel 3.8 Iteration History

a,b,c,d

Iteration History

Coefficients
Iteration
Step 1

-2 Log likelihood

Constant

T(1)

32.351

-.532

.036

-1.276

30.344

-1.100

.058

-1.571

30.141

-1.376

.067

-1.651

1.692

30.138

-1.417

.069

-1.659

30.138

-1.417

.069

-1.659

a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 46.180
d. Estimation terminated at iteration number 5 because parameter
estimates changed by less than .001.

Pada tabel iteration history kolom -2 log likehood memiliki tahapan 5, dimana tahapan
tersebut akan berhenti ketika nilainya sama, dilihat dari tabel maka tahapan berhenti setelah
tahap 4 dan 5 sama yaitu 30,138.
Tabel 3.9 Omnibus test
Omnibus Tests of Model Coefficients
Chi-square
Step 1

df

Sig.

Step

16.042

.000

Block

16.042

.000

Model

16.042

.000

Uji kelayakan Model

H0: Model tidak layak digunakan

H1: Model layak digunakan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,000>0,05 (artinya p-value conctanta >0,05)

Kesimpulan tolak H0, maka Model layak digunakan.

Tabel 3.10 Model summary
Model Summary

Step
1

-2 Log likelihood
30.138

Cox & Snell R

Nagelkerke R

Square

Square
.368

a. Estimation terminated at iteration number 5 because

parameter estimates changed by less than .001.

.502

Pada kolom Nagelkerke R Square menunjukan bahwa besar pengaruh variabel independen
terhadap variabel dependen sebesar 0,502 atau 50,2 %. Unruk sisiannya dipengaruhi oleh
variabel indepdenden lainnya. Nilai 0,502 belum terlalu kuat untuk mempengaruhi variabel
dependen.
Tabel 3.11 Classification Table.
Classification Table

Predicted
Y
Percentage
Observed
Step 1

No

Yes

Correct

No

69.2

Yes

21

95.5

Overall Percentage

85.7

a. The cut value is .500

Batas yang dihasilkan 0,5 ( cut value). Pada baris averall percentage menunjukan nilai
prediksi 85,7 % dapat menebak ap yg benar* terjadi.
Tabel 3.12 Variables in the equation
Variables in the Equation
95% C.I.for EXP(B)
B
Step 1

S.E.

Wald

df

Sig.

Exp(B)

Lower

Upper

.069

.026

6.761

.009

1.071

1.017

1.128

T(1)

-1.659

.923

3.231

.072

.190

.031

1.162

Constant

-1.417

1.095

1.677

.195

.242

a. Variable(s) entered on step 1: D, T.

1. Uji Konstanta

H0: Konstanta tidak signifikan

H1: Konstanta Signifikan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,195<0,05 (artinya p-value conctanta < 0,05)

Kesimpulan gagal tolak H0, maka konstanta tidak signifikan.

2. Uji variabel T

H0: koefisien regresi tidak signifikan

H1: koefiseien regresi Signifikan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,072<0,05 (artinya p-value kinerja < 0,05)

Kesimpulan gagal tolak H0, maka koefisien regresi tidak signifikan.

3. Uji variabel D

H0: koefisien regresi tidak signifikan

H1: koefisien regresi Signifikan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,009<0,05 (artinya p-value ddv1 < 0,05)

Kesimpulan tolak H0, maka koefisien regresi signifikan.

Pada kolom Exp dalam baris variabel T(1) berarti kecendrungan pasien yang sakit pada
tabung trakea 0,190 kali disbanding dengan yang sakit pada laringnnya.
Model :
Karena constanta

secara statistik tidak berpengaruh secara signifikan, maka yang kita

modelkan dan interpretasikan hanya variabel jenis penyakit tenggorokan(T) dan waktu lama
oprasi (D). Tapi constanta dikatakan tidak signifikan secara statistik, bukan berarti tidak
dipengaruhi, tidak ada (nol rasio), melainkan dapat dipengaruhi, hanya saja sangat kecil.
Pada tabel 3.12 diketahui konstanta tidak signifikan dan variebal T pun tidak signifikan,
sehingga dalam deskripsi kerja sebelumnnya praktikan menghilangkan constantanya. Berikut
ini hasil outputnya.
Tabel 3.13 Variabel in the equestion tanpa constanta
Variables in the Equation
95% C.I.for EXP(B)
B
Step 1

S.E.
.044

.014

Wald
9.685

df

Sig.
1

.002

Exp(B)
1.045

Lower
1.016

Upper
1.074

T(1)

-2.064

.822

6.304

.012

a. Variable(s) entered on step 1: D, T.

1. Uji variabel T

H0: koefisien regresi tidak signifikan

H1: koefiseien regresi Signifikan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,012<0,05 (artinya p-value kinerja < 0,05)

Kesimpulan tolak H0, maka koefisien regresi signifikan.

2. Uji variabel D

H0: koefisien regresi tidak signifikan

H1: koefisien regresi Signifikan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,002<0,05 (artinya p-value ddv1 < 0,05)

Kesimpulan tolak H0, maka koefisien regresi signifikan.

Maka didapatkan model seperti berikut.

Model :

.127

.025

.636

BAB IV
PENUTUP
Setelah praktikan menyelesaikan langkah-langkah kerja untuk menganalisis regresi
logistic dan praktikan telah membahas hasil outputnya, maka praktikan dapat menyimpulkan
seperti berikut.
1. Sebelumnnya praktikan memasukan variabel D terkait waktu oprasi dan variabel
Y terkait jenis penyakit tenggorokannya, dan melibatkan constanta. Dalam
outputnya ternyata nilai constanta tidak signifikan secara statistik. Dan variabel T
pun tidak signifikan secara statistic. Berikut ini modelnya.
Model :
2. Setelah diketahui constanta tidak signifikan praktikan tidak memasukan constanta
dalam outputnya, dengan praktikan mengeluarkan constanta mempengaruhi nilai
signifikan variabel dependen terkait jenis penyakit tenggorokan menjadi
signifikan, sehingga menghasilkan model seperti berikut.
Model :
Praktikan menggunakan model setelah mengeluarkan constanta, namun bukan
berarti apabila menggunakan model awal variabel T tidak memiliki rasio, tidak
memiliki rasio bila menggunakan perhitungan statistic.

DAFTAR PUSTAKA

Draper Norman.1992. Analisis Regresi Terapan. Jakarta: Gramedia Pustaka Utama

http://tnrawku.wordpress.com/2013/05/21/regresi-logistik-alat-analisis-spasial-dan-evaluasikawasan-bagian-1/ . ( 19 Juni 2013/ 20.00)
http://wajibstat.blogspot.com/2013/04/konsep-regresi-logistik-contoh-dengan.html .( 21 Juni
2013/ 07.30)