Anda di halaman 1dari 14

BAB II

TINJAUAN PUSTAKA

2.1 Regresi Logistik

Regresi logistik digunakan jika variabel respon bersifat kategorik (nominal atau

ordinal) dengan variabel-variabel prediktor bersifat kontinu maupun kategorik. Apabila

variabel respon terdiri dari dua kategori maka metode regresi logistik yang diterapkan

adalah regresi logistik biner. Metode regresi logistik memilik teknik dan prosedur yang

tidak jauh berbeda dengan metode regresi linier. Jika prosedur regresi linier dalam

mengestimasi nilai parameter menggunakan metode OLS (Ordinary Least Squares), maka

untuk mengestimasi nilai parameter dalam regresi logistik menggunakan metode MLE

(Maximum Likelihood Estimation).

2.2 Regresi Logistik Ordinal

Regresi logistik ordinal adalah suatu metode analisis yang digunakan untuk

mengetahui hubungan antara variabel respon dengan variabel prediktor (Akbar,

Mukarromah dan Paramita, 2010), dimana variabel respon berskala ordinal, yaitu

mempunyai lebih dari dua kategori dan setiap kategori berupa tingkatan (Hosmer dan

Lemeshow, 2000).

Model yang dipakai untuk regresi logistik ordinal adalah model logit. Model tersebut

adalah cumulative logit models. Untuk membentuk model regresi logistik ordinal adalah

dengan menggunakan fungsi peluang kumulatif (Agresti, 1990). Peluang kumulatif

( | ) didefinisikan sebagai berikut:



exp( +=1 )
( | ) = (2.1)
1+exp(0 +=1 )

6
Keterangan:

= (1 , 2 , ... , ) merupakan nilai pengamatan ke- , = (1,2, , ) dari setiap

variabel variabel prediktor

= 0,1,2,3, , 1 dan adalah banyaknya kategori pada variabel respon dengan

nilai untuk setiap = (1,2, , ) merupakan faktor koefisien yang tidak

diketahui yang bersesuaian dengan (Fitria, Mashur dan Irhamah, 2012).

2.2.1 Metode Kemungkinan Maksimum

Tujuan digunakannya metode kemungkinan maksimum adalah untuk menjelaskan

peluang pengamatan sebagai suatu fungsi dari parameter yang tidak diketahui dapat

dibangun dengan suatu fungsi yang disebut fungsi likelihood. Metode digunakan untuk

memaksimumkan nilai dari fungsi tersebut digunakan metode kemungkinan maksimum

(Hosmer dan Lemeshow, 2000). Cara untuk menaksir parameter pada regresi logistik

ordinal adalah dengan metode kemungkinan maksimum.

Kategori respon pada regresi logistik ordinal mempunyai urutan atau ordering maka

model logit yang digunakan adalah model logit kumulatif. Model logit respon dalam model

logit adalah:

[( |)] = + , = 1, 2, , 1 (2.2)

Keterangan:

: vektor parameter intersep

: vektor parameter kemiringan atau slope ( 1, 2, , , )

Jika () = 1 () + 2 () + + (), maka

1 () = 1 () (2.3)

7
1 () = 1 () + 2 () (2.4)

() = 1 () + 2 () + + () (2.5)

Jika terdapat kategori respon maka model logistik ordinal yang terbentuk adalah:

1
(1 ) = ( ) = 1 + 1 1 + 2 2 + + (2.6)
1 1

2
(2 ) = ( ) = 2 + 1 1 + 2 2 + + (2.7)
1 2

1
(1 ) = ( ) = 1 + 1 1 + 2 2 + + (2.8)
1 1


() = 1 () + 2 () + + () = (2.9)
1 +

dengan = 1,2, , 1

2.3 Estimasi Parameter

Estimasi parameter pada regresi logistik ordinal dapat dilakukan dengan

menggunakan Maksimum likelihood Estimation (MLE). Metode ini tidak membutuhkan

batasan-batasan pada karakteristik variabel prediktor (Sari dan Kusrini, 2009). Maksimum

likelihood Estimation (MLE) adalah sebuah metode statistik yang digunakan untuk

menaksir parameter-parameter model regresi logistik dengan memberikan estimasi

dengan memaksimumkan fungsi Likelihood (Purnami, Sukarsa dan Ganghadi, 2015).

Metode ini dapat dilakukan jika antara amatan yang satu dengan yang lain diasumsikan

saling bebas. Fungsi kemungkinannya dapat dinyatakan sebagai berikut (Indahwati,

Kusumaningrum dan Maena, 2010):

() = [0 ( )0 1 ( )1 2 ( )2 ] (2.10)
=1

dengan nilai = 1,2, , . Sehingga diperoleh bentuk fungsi likelihood sebagai berikut:

() = 0 ln[0 ( )] + 1 ln[1 ( )] + 2 ln[2 ( )] (2.11)


=1

Maksimum likelihood dapat diperoleh dengan mendifferensialkan () terhadap dan

menyamakannya dengan nol. Nilai diestimasi dengan metode Newton Raphson karena

persamaannya bersifat nonlinier (Raharjanti dan Widiharih, 2005).

2.4 Pengujian Parameter

Pengujian parameter model regresi logistik ordinal dilakukan untuk memeriksa

pengaruh variabel prediktor terhadap variabel respon. Uji parameter yang dilakukan ada

dua yaitu uji serentak dengan statistik uji dan uji individu dengan statistik uji Wald.

2.4.1 Uji Serentak

Uji ini digunakan untuk mengetahui signifikansi koefisien secara keseluruhan dan

bertujuan untuk mengetahui pengaruh variabel prediktor secara serentak terhadap variabel

respon. Statistik Uji digunakan untuk menguji peranan setiap variabel respon secara

bersamaan (Agresti, 2007). Uji ini membandingkan model lengkap (model dengan variabel

prediktor) terhadap model yang hanya dengan konstanta (model tanpa variabel prediktor)

untuk melihat apakah model yang hanya dengan konstanta secara signifikan lebih baik dari

model lengkap.

a. Hipotesis Pengujian

0 : = 0 (tidak ada pengaruh variabel-variabel prediktor terhadap variabel respon)

9
1 : paling tidak ada satu 0 ; = 1,2, , (paling tidak ada satu variabel

prediktor berpengaruh terhadap variabel respon).

b. Statistik Uji

Statistik yang digunakan adalah statistik uji atau Likelihood Ratio Test, yaitu:

0
= 2 (2.12)
1

Keterangan:

0 : likelihood tanpa variabel prediktor

1 : likelihood dengan variabel prediktor

c. Kriteria Penolakan

Tolak 0 jika > 2(,) dengan = ( 1), dimana adalah banyaknya variabel

prediktor dan adalah banyaknya kategori variabel respon.

2.4.2 Uji Individu

Uji ini dilakukan untuk menguji signifikansi parameter prediktor terhadap variabel

respon secara individu. Pengujian signifikansi parameter menggunakan uji Wald, yaitu:

a. Hipotesis Pengujian

0 : = 0 (parameter dalam model tidak signifikan)

1 : 0 dengan = 1,2, , (parameter dalam model signifikan)

b. Statistik Uji Wald


= (2.13)
( )

c. Kriteria Penolakan

Tolak 0 jika > 2(,)

10
2.5 Uji Kesesuaian Model

Setelah dilakukan kedua uji serentak dan individu, uji selanjutnya yaitu uji kesesuaian

model dengan menggunakan uji devians. Hipotesis dan statistik uji devians sebagai berikut:

a. Hipotesis Pengujian

0 : ` = atau model sesuai (tidak ada perbedaan yang nyata antara hasil observasi

dengan kemungkinan hasil prediksi model).

1 : ` atau model tidak sesuai (ada perbedaan yang nyata antara hasil observasi

dengan kemungkinan hasil prediksi model).

b. Statistik Uji

1
= 2 ( ) + (1 ) ( ) (2.14)
1
=1

Dengan = ( ) adalah peluang observasi ke- pada kategori ke-. Derajat bebas

uji ini adalah ( ( + 1)) dengan jumlah kovariat dan jumlah variabel prediktor.

c. Kriteria Penolakan
2
Tolak 0 jika > ()

2.6 Interpretasi Parameter

Interprestasi parameter dari suatu model adalah inferensi dari pengambilan

kesimpulan berdasarkan pada koefisien parameter. Interprestasi regresi logistik ordinal

dapat dijelaskan dengan odd rasio. Nilai odd rasio yaitu nilai yang menunjukkan

perbandingan tingkat kecenderungan dari dua kategori dalam satu variabel prediktor

dengan salah satu kategorinya dijadikan pembanding atau kategori dasar.

11
Odd ratio dari dua kategori yaitu:

[ |2
[ ]
[ > |2
(2 , 1 ) =
[ |1
[ ]
[ > |1

exp(0 + 1 (2 ))
=
exp(0 + 1 (1 ))

= exp(0+1(2 )(0+1(1 ))

= exp(1(2 1)) (2.15)

Log dari odd rasio pada persamaan diatas adalah 1 (2 1 ) yang menunjukkan

bahwa nilai odd rasio proporsional terhadap beda dari nilai variabel prediktor. Oleh karena

itu model regresi logistik ordinal juga dapat sebagai proportional model. Nilai odd rasio

menginterpretasikan bahwa peluang respon pada kategori kurang dari atau sama dengan j

dibandingkan dengan suatu respon pada kategori (j+1) smpai dengan p untuk X = 2

sebesar (1 (2 1 )) kali dari X = 1 .

2.7 Uji Multikolinieritas

Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan

adanya korelasi antar variabel independen, maka uji jenis ini hanya diperuntukan untuk

penelitian yang memiliki variabel independen lebih dari satu. Multikolinearitas dapat

dilihat dengan menganalisis nilai VIF (Variance Inflation Factor). Suatu model regresi

menunjukkan adanya multikolinearitas jika nilai VIF > 10. Adapun prosedur pengujian uji

multikolinearitas adalah sebagai berikut:

12
a. Hipotesis Pengujian

0 = Adanya multikolinearitas

1 = Tidak adanya multikolinearitas

b. Prosedur pengujian

Statistik Uji VIF (Variance Inflation Factor)

c. Kriteria Penolakan

Tolak 0 = Untuk nilai VIF 10

Terima 1 = Untuk nilai VIF > 10

13
BAB III
METODE PENELITIAN

3.1 Jenis Penelitian

Penelitian ini merupakan penelitian statistik terapan, yaitu suatu penelitian yang

dilakukan dengan mengaplikasikan teori ke dalam bidang tertentu. Pada penelitian ini

digunakan analisis regresi logistik ordinal dengan studi kasus tingkat keparahan korban

kecelakaan lalu lintas.

3.2 Sumber Data Penelitian

Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh

dari kantor Kepolisian Daerah. Variabel yang digunakan pada penelitian ini adalah data

kecelakaan lalu lintas yang terjadi selama 2016.

3.3 Variabel Penelitian

Variabel yang digunakan pada penelitian ini adalah variabel tentang keparahan

korban kecelakaan lalu lintas sebagai variabel respon (Y) dan faktor-faktor penyebab

kecelakaan lalu lintas sebagai variabel prediktor (X).

14
Tabel 3.1 Variabel Penelitian
Variabel Nama Variabel Kode/Kategori
0 = Meninggal Dunia
Y Keparahan Korban 1 = Luka Berat
2 = Luka Ringan
1 = Laki-laki
1 Jenis Kelamin
2 = Perempuan
1 = SD
2 = SMP
2 Pendidikan Korban
3 = SMA
4 = PT
1 = 0-15
2 = 16-30
3 Usia Korban
3 = 31-40
4 = 41-keatas
1 = PNS/TNI/POLRI
2 = Karyawan swasta
4 Profesi Korban 3 = Pelajar
4 = Mahasiswa
5 = Lain-lain
1 = Hilang Kendali
2 = Depan depan
5 Jenis Kecelakaan 3 = Depan belakang
4 = Depan samping
5 = Samping samping
1 = Sepeda motor
2 = kendaraan roda 4
6 Jenis Kendaraan korban
3 = Kendaraan > roda 4
4 = lain-lain
1 = Sim A
2 = Sim B
7 Sim Korban
3 = Sim C
4 = Tanpa Sim
1 = 00.00- 06.00
8 2 = 06.00- 12.00
Waktu Kecelakaan 3 = 12.00- 18.00
4 = 18.00- 24.00
1 = Jalan Nasional
9 2 = Jalan Provinsi
Lokasi Kecelakaan 3 = Jalan Kota
4 = Jalan desa
1 = Mempercepat
10 2 = Konstan
Kecepatan Kendaraan 3 = memperlambat
4 = berhenti
1 = Perkerasan Jalan
11 2 = pemeliharaan jalan
Kondisi Jalan 3 = penerangan jalan
4 = rambu-rambu lalu lintas jalan
1 = Senin
13 2 = Selasa
3 = Rabu
4 = Kamis
Hari terjadinya Kecelakaan 5 = jumat
6 = Sabtu
7 = Minggu
1 = motor dengan motor
14 2 = motor dengan mobil
3 = motor dengan kendaraan pribadi
Kendaraan yang berbenturan 4 = mobil dengan kendaraan pribadi

15
16
3.4 Teknik Analisis Data

Untuk memudahkan proses analisis data maka penulis menggunakan bantuan

software SPSS. Adapun rancangan analisis yang dilakukan adalah:

1. Pendefinisian variabel, variabel respon dan prediktor dikategorikan sesuai skala

pengukuran masing-masing variabel.

2. Pengujian variabel dengan uji multikolinearitas.

3. Pembentukan model regresi logistik ordinal dari seluruh variabel prediktor yang

berpengaruh dengan variabel respon.

4. Pengujian parameter secara serentak.

5. Pengujian parameter secara parsial.

6. Uji kesesuaian model regresi logistik ordinal.

7. Interpretasi parameter model regresi logistik ordinal.

17
DAFTAR PUSTAKA

Agresti, A. 2007. An Introduction To Categorical Data Analysis. Jhon Wiley and Sons:
Kanada.

Ahriyanti, R.Y. 2012. Analisis Statistik Data Kecelakaan Lalu Lintas Kota Bengkulu
Tahun 2011. Skripsi tidak diterbitkan. Bengkulu: Universitas Bengkulu.

Akbar, S.J., A. Mukarromah dan L. Paramita. 2010. Bagging Regresi Logistik Ordinal pada
Status Gizi Balita. Media Statistika, vol. 3, No.2, Desember 2010: 103-116.

Ambarwati, A.N., H. Kuswanto dan I. Zain. 2012. Pendekatan Cart dan Regresi Logistik
pada Pola Tinggkat Keparahan Korban Keecelakaan Lalu Lintas di Surabaya.
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan Mipa.

BPS. 2015. Berita Resmi Statistik . No. 04/01/17/Th.VIII.

Dharma, A. dan B. Edison. 2010. Identifikasi Kecelakaan Lalu Lintas. Jurnal Fakultas
Teknik Universitas Pasir Panggaraian.

Fitriah, W.W., M. Mashuri dan Irhamah. 2012. Faktor-Faktor yang Mempengaruhi


Keparahan Korban Kecelakaan Lalu lIntas di Kota Surabaya dengan Pendekatan
Bagging Regresi Logistik Ordinal. Jurnal Sains dan Seni ITS, hlm: D-253.

Hosmer D.W and S. Lemeshow. 2000. Applied Logistic Regression. Jhon Wiley and Sons,
Inc. New York.

Indawati., D. Kusumaningrum dan I. Maena. 2010. Aplikasi Regresi Logistik Ordinal


Multilevel Untuk Pemodelan dan Klasifikasi Huruf Mutu Mata Kuliah Metode
Statistika. Forum Statistika dan Komputasi, vol 15 No.2.

Mahawati, E. dan J. Prasetya. 2013. Analisis Penggunaan Handphone Saat Berkendara


terhadap Potensial Kecelakaan Lalu Lintas Pada Remaja di Semarang. Seminar
Nasional Teknologi Informasi dan Terapan 2013 (SEMANTIK 2013).

Pamungkas, S.P. 2014. Menggenal Perilaku Penggendara Kendaraan Dalam Upaya


Mencegah Terjadinya Kecelakaan di Jalan Raya. Teknis volume 9, Nomor 1, 1 April
2014 : 13-18.

Purnami, D.A.M.D.Y., K.G. Sukarsa dan G.K. Gandhadi. 2015.Penerapan Regresi Logistik
Ordinal untuk Mengganalisis Tinggkat Keparahan Korban Kecelakaan Lalu Lintas di
Kabupaten Buleleng. E-Jurnal Matematika vol. 4 pp.54-58.

18
Raharjanti R.P dan T. Widiharih. 2005. Model Logit Kumulatif Untuk Respon Ordinal.
Jurnal Matematika Vol. 8, No.3.

Sari, M.Y dan D.E. Kusrini. 2009. Penggunaan Analisis Regresi Logistik Untuk Mencari
Probabilitas Turnover Intention Beserta Faktor-Faktor yang Mempengaruhinya. J-
Statistika Vol 3 No 1.

Wicaksono, D., R.A Fathurchoman, B. Riyanto. 2014. Analisis kecelakaan lalu Lintas.
Jurnal Karya Teknik Sipil vol. 3.(1), Halaman 203-213.

Wulandari, S. P., M. Salamah dan D. Susilaningrum. 2009. Diktat Pengajaran Analisis


Data Kualitatif. ITS:Surabaya.

19