MAKALAH BLOK 9 : EPIDEMIOLOGI DAN BIOSTATISTIKA

“UJI REGRESI LOGISTIK”

Diajukan untuk memenuhi salah satu tugas Individu
UAB Praktikum
Blok 9 : Epidemiologi dan Biostatistika

Oleh :

Shania Rada Chairmawati

161610101002

Kelas A

Dosen Pembimbing Praktikum :

Dr. drg. Ristya Widi Endah Yani, M.Kes

Dr. drg. Ari Tri Wanandyo, M.Kes

drg. Kiswaluyo, M.Kes

FAKULTAS KEDOKTERAN GIGI

UNIVERSITAS JEMBER

OKTOBER 2017

1
 KATA PENGANTAR

Puji dan syukur kehadirat Allah SWT atas segala rahmat dan karunia-Nya,
sehingga penulis dapat menyelesaikan makalah yang berjudul ”Anova”. Makalah
ini disusun untuk memenuhi tugas Ujian Praktikum Tengah Blok pada Blok
Epidemiologi dan Biostatistika di Fakultas Kedokteran Gigi Universitas Jember.

Penulis sangat bersyukur karena telah menyelesaikan makalah yang

menjadi tugas pada Ujian Praktikum Tengah Blok pada Blok Epidemiologi dan
Biostatistika. Di samping itu, penulis mengucapkan banyak terima kasih kepada
semua pihak yang telah membantu penulis selama pembuatan makalah ini
berlangsung sehingga terealisasikan.

Dalam penyusunan makalah, tidak lepas dari kekurangan dan kesalahan.

Oleh karena itu, kritik dan saran yang membangun, sangat penulis harapkan demi
perbaikan-perbaikan di masa mendatang demi kebaikan makalah ini. Semoga
makalah ini dapat berguna bagi kita semua.

Jember, 2 November 2017

Penulis

2
 DAFTAR ISI

HALAMAN JUDUL................................................................................................1

KATA PENGANTAR .............................................................................................2

DAFTAR ISI ............................................................................................................3

BAB I (PENDAHULUAN)

I.1 LATAR BELAKANG ............................................................................4

I.2 RUMUSAN MASALAH........................................................................5

I.3 TUJUAN………………..……………………………………..……….5

BAB II (PEMBAHASAN)

II.1 PENGERTIAN UJI REGRESI LOGISTIK …...…………………......6

II.2 FUNGSI UJI REGRESI LOGISTIK…………………………………6

II.3 MACAM UJI REGRESI LOGISTIK…………………………….......7

II.4 ANALISA UJI REGRESI LOGISTIK ……………………...………10

II.5 PENGOLAHAN DATA DENGAN SPSS………….………….……11

BAB III (PENUTUP)

KESIMPULAN………………...………………….……………………..17

DAFTAR PUSTAKA………………………………….….…..…………………18

3
 BAB I

PENDAHULUAN

I.1 LATAR BELAKANG

Pengujian hipotesis dilakukan untuk mencari jawaban dari inti penelitian.

Hipotesis merupakan jawaban sementara dari suatu penelitian dan dibutuhkan
pengujian untuk membuktikan kebenarannya. Terdapat bermacam-macam
teknik statistik yang dapat digunakan dalam pengujian hipotesis. Teknik
statistik mana yang akan digunakan untuk pengujian tergantung pada interaksi
dua hal yaitu macam data yang akan dianalisis dan bentuk hipotesisnya. Untuk
data nominal dan ordinal digunakan statistik non parametris dan untuk data
interval dan ratio digunakan statistik parametris (Sugiyono. 2013:224).
Dengan statistik, rencana dan ramalan dapat dibuat sebaik mungkin. Hal ini
disebabkan karena statistik dengan analisis korelasinya akan
mempertimbangkan seberapa besar hubungan antara masing-masing variabel
yang akan diramalkan dan faktor-faktor yang mempengaruhinya. Di samping
itu, dengan statistik perubahan yang akan terjadi dapat diatasi sedini mungkin
(Sukoco et al, 2012).
Statistik dapat dibedakan menjadi dua, yaitu statistik deskriptif dan statistik
inferensial. Statistik deskriptif adalah statistik yang digunakan untuk
menggambarkan atau menganalisis suatu statistik hasil penelitian tetapi tidak
digunakan untuk membuat kesimpulan yang lebih luas (generalisasi/inferensi).
Sedangkan statistik inferensial adalah statistik yang digunakan untuk
menganalisis data sampel dan hasilnya akan digeneralisasikan untuk populasi
di mana sampel diambil. Selanjutnya statistik inferensial dapat dibedakan
menjadi statistik parametrik dan non parametrik (Sukoco et al, 2012).
Pada kesempatan kali ini, akan dibahas mengenai statistik non parametrik
dengan cara pengujian yaitu uji pengaruh menggunakan uji regresi logistik
biner.

4
I.2 RUMUSAN MASALAH

1. Apa pengertian Uji Regresi Logistik ?

2. Apa fungsi Uji Regresi Logistik ?
3. Apa saja Macam Uji Regresi Logistik ?
4. Bagaimana Aplikasi dan Analisis Uji Regresi Logistik dengan SPSS ?

I.3 TUJUAN
1. Mengetahui pengertian Uji Regresi Logistik
2. Memahami fungsi Uji Regresi Logistik
3. Memahami macam Uji Regresi Logistik
4. Memahami cara pengaplikasian dan analisa Uji Regresi Logistik dengan
SPSS

5
 BAB II

PEMBAHASAN

II. 1 Pengertian Uji Regresi Logistik

Menurut Hosmer dan Lemeshow regresi logistik adalah suatu metode analisis
statistik yang menggunakan hubungan antara variabel dependen yang memiliki
dua kategori atau lebih dengan satu atau lebih variabel independen. Selain itu,
pendapat dari Ghozali (2011) menyatakan bahwa regresi logistik cocok digunakan
untuk penelitian yang variabel dependennya bersifat kategorikal (nominal atau
non metrik) dan variabel independennya kombinasi antara metrik dan non metrik.
Begitu juga menurut Ali Rokhman (2010) regresi logistik digunakan untuk
mengetahui pengaruh satu variabel independen atau lebih (X) terhadap satu
variabel independen (Y) dengan syarat:
a. Variabel dependen harus merupakan variabel dummy yang hanya memiliki
dua alternatif. Misalkan, kuat dan tidak kuat, dimana jika responden
menjawab kuat maka diberi skor 1 dan jika menjawab tidak kuat akan diberi
skor 0
b. Variabel independen mempunya skala data interval atau rasio.
(Nurjanah, 2013)
Menurut Ghozali (2011), regresi logistik tidak memerlukan uji formalitas pada
variabel bebasnya. Sedangkan menurut Gujarati, regresi logistik juga mengabaikan
heteroscedacity, yang berarti bahwa variabel dependen tidak memerlukan
homoscedacity untuk masing-masing variabel indepedennya. (Nurjanah, 2013)

II.2 Fungsi Uji Regresi Logistik

Membentuk persamaan atau fungsi dengan pendekatan maximum

likelihood, yang memaksimalkan peluang pengklasifikasian objek yang diamati
menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien regresi
yang sederhana. Selain itu, digunakan untuk menguji probabilitas terjadinya
variabel terikat yang dapat diprediksi dengan variabel bebasnya (Ghozali,2012).

6
II.3 Macam Uji Regresi Logistik

Berdasarkan skala data, uji regresi logistik dibagi menjadi 3 macam (Antina,
Ahdika, 2015) :

1. Regresi Logistik Biner (Binary Logistic Regression)

Regresi Logistik Biner ialah regresi dengan variabel respon (y) yang
mempunyai dua kategori atau dua kejadian, yakni sukses atau gagal. Dengan
demikian sering disebut dengan regresi logistik biner. Sedangkan jenis data pada
variabel prediktor (x) dapat berupa nominal, ordinal, interval maupun ratio.
Variabel respon y terdiri dari 2 kategori yaitu sukses dan gagal yang dinotasikan
dengan y=1 (sukses) dan y=0 (gagal). Dalam keadaan demikian, variabel y
mengikuti distribusi Bernoulli untuk setiap observasi tunggal. Fungsi Probabilitas
untuk setiap observasi adalah diberikan sebagai berikut (Hakim, 2014).

Dimana jika y = 0 maka f(y) = 1 – π dan jika y = 1 maka f(y) = π. Fungsi regresi
logistiknya dapat dituliskan sebagai berikut

Model regresi logistiknya adalah sebagai berikut.

Dimana p = banyaknya variabel prediktor

Model transformasi logit dari dari π(x) persamaan diatas dapat dituliskan
sebagai berikut:


 

7
2. Regresi Logistik Multinomial (Multinomial Logistic Regression)
Pada regresi logistik multinomial, data variabel respon yang digunakan adalah
data berskala nominal dengan lebih dari 2 kategori. Sedangkan jenis data pada
variabel prediktor dapat berupa nominal, ordinal, interval maupun ratio. Regresi
logistik multinominal digunakan saat variabel dependen mempunyai skala yang
bersifat polichotomous atau multinomial. Metode yang digunakan dalam penelitian
ini adalah regresi logistik dengan variabel respon berskala nominal dengan tiga
kategori. Model yang digunakan pada regresi logistik multinomial (Subekti, 2014).

Dengan menggunakan transformasi logit didapatkan fungsi logit

Berdasarkan kedua fungsi logit tersebut maka didapatkan model regresi logistik
trchotomous sebagai berikut

8
3. Regresi Logistik Ordinal (Ordinal Logistic Regression)

Pada regresi logistik ordinal, data variabel respon yang digunakan adalah
data berskala ordinal dengan lebih dari 2 kategori. Sedangkan jenis data pada
variabel prediktor dapat berupa nominal, ordinal, interval maupun ratio. Regresi
logistik ordinal digunakan untuk menganalisa hubungan antara variabel respon
dengan variabel prediktor, dimana variabel respon bersifat polikotomus dengan
skala ordinal. Model yang dapat digunakan untuk regresi logistik ordinal adalah
model logit, dimana sifat yang tertuang dalam peluang kumulatif sehingga
cumulative logit models merupakan model yang dapat dibandingkan dengan
peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori respon ke-
r pada p variabel prediktor yang dinyatakan dalam vektor xi adalah P(Y≤ r|xi)
dengan peluang lebih besar dari kategori respon ke-r pada p variabel prediktor P(Y>
r|xi). Peluang kumulatif P(Y≤ r|xi) didefinisikan sebagai berikut.

Dimana xi = (xi1.xi2,...,xip) merupakan nilai pengamatan ke-i (i = 1, 2, …, n) dari

setiap variabel p variabel prediktor. Pendugaan parameter regresi dilakukan dengan
cara menguraikannya menggunakan transformasi logit dari P(Y≤ r|xi).

Persamaan 3 didapatkan dengan mensubsitusikan persamaan 1 dan persamaan 2.

dengan nilai βk untuk setiap k = 1, 2, …, p pada setiap model regresi logistik ordinal
adalah sama. Jika terdapat tiga kategori respon dimana r = 1, 2, 3 maka peluang
kumulatif dari respon ke-r seperti pada persamaan 4 dan 5.

9
Berdasarkan kedua peluang kumulatif pada persamaan 4 dan 5, didapatkan peluang
untuk masing-masing kategori respon sebagai berikut.

II.4 Analisa Data Uji Regresi

Tahapan-tahapan estimasi menggunakan spss:

1. Setelah data diinput dalam lembar kerja SPSS kemudian klik Analyze >
Regression > Binary Logistic
2. Masukkan Y sebagai variabel dependen dengan cara klik Y di kotak kiri,
kemudian klik tanda panah di samping kotak Dependent. Masukkan X1, X2
dan X3 ke dalam kotak Covariates, dengan cara klik masing-masing variabel,
kemudian klik tanda panah di samping kotak Covariates.
3. Kemudian klik Classification plots, Hosmer-Lemeshow goodness-of-fit,
Correlation of estimates, dan Iteration of History. Selanjutnya klik Continue.
4. Selanjutnya klik OK.
5. Akan keluar output SPSS untuk Model Regresi Binary Logistic.
(Handoko, 2013)

10
II. 5 Pengolahan Data Dengan Spss
1. Identifikasi Data yang Hilang

Menunjukkan jumlah responden yang menjadi sampel dalam pembuatan model,

dimana berjumlah 48. Dari jumlah tersebut, data keputusan konsumen dalam
pembelian mobil, umur, jenis kelamin dan pendapatan semuanya digunakan dalam
analisis atau pembuatan model. Selanjutnya, dapat dilihat tidak ada data yang hilang
(missing cases) yang diindikasikan N (jumlah) adalah 0 (Handoko, 2013).

2. Pemberian kode variabel respon oleh SPSS

Menunjukkan kode variabel terikat, yang dalam hal ini adalah 0 untuk
konsumen tidak membeli mobil dan 1 untuk konsumen membeli mobil (Handoko,
2013).

11
 3. Uji Signifikansi Omnibus terhadap Model

Merupakan nilai Chi Square (χ2) dari model regresi. Sebagaimana halnya
model regresi linear dengan metode Ordinary Least Square (OLS), kita juga dapat
melakukan pengujian arti penting model secara keseluruhan. Jika metode OLS
menggunakan uji F, maka pada model logit menggunakan uji G. Statistik G ini
menyebar menurut sebaran Chi Square (χ2). Karenanya dalam pengujiannya, nilai
G dapat dibandingkan dengan nilai χ2 tabel pada α tertentu dan derajat bebas (df) =
k-1 (kriteria pengujian dan cara pengujian persis sama dengan uji F pada metode
regresi OLS). Tetapi, kita juga bisa melihat nilai p-value dari nilai G ini yang
biasanya ditampilkan oleh sofware-software statistik, termasuk SPSS. Dari Tabel
4, didapatkan nilai χ2 sebesar 12,822 dengan p-value sebesar 0,005. Karena nilai
tersebut signifikan atau jauh di bawah α = 10%, maka dapat disimpulkan bahwa
model regresi logistik secara keseluruhan dapat menjelaskan kemungkinan
seseorang memiliki kolesterol tinggi (Handoko, 2013).

4. Menilai Keseluruhan Model (Overall Model Fit) dan Menilai Kelayakan

Model Regresi

Cox & Snell R Square merupakan ukuran yang mencoba meniru ukuran R2
pada multiple regression yang didasarkan pada teknik estimasi likelihood dengan

12
nilai maksimum kurang dari 1 sehingga sulit diinterpretasikan. Dilihat dari Tabel 5,
nilai Cox & Snell R Square adalah 0,274 (Handoko, 2013).
Nagelkerke R Square merupakan modifikasi dari koefisien Cox & Snell R
Square untuk memastikan bahwa nilainya bervariasi dari 0 sampai 1. Kisaran nilai
Nagelkerke R Square adalah 0 hingga 1. Semakin nilai Nagelkerke R Square
mendekati angka 1, maka semakin kuat variabel bebas memprediksi variabel
terikat. Hal ini dilakukan dengan cara membagi nilai Cox & Snell R Square dengan
nilai maksimumnya. Oleh karena itu, nilai Nagelkerke R Square dapat
diinterpretasikan seperti nilai R2 pada multiple regression. Dilihat dari output
SPSS, nilai Nagelkerke R Square adalah 0,374. Ini berarti variabilitas variabel
dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 0,374
%.
Hipotesis untuk menilai model fit adalah:
H0 = Model yang dihipotesakan fit dengan data.
HA = Model yang dihipotesakan tidak fit dengan data.
Dari hipotesis ini jelas bahwa kita tidak akan menolak H0 agar supaya
model fit dengan data. Dalam data ini digunakan hipotesisnya sebagai berikut:
H0 = tidak ada perbedaan yang nyata antara klasifikasi yang diprediksi (predicted)
dengan klasifikasi yang diamati (observed).
H1= ada perbedaan yang nyata antara klasifikasi yang diprediksi (predicted)
dengan klasifikasi yang diamati (observed).

(Handoko, 2013)

Hosmer and Lemeshow Test menguji hipotesis nol bahwa data empiris
cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data
sehingga model dapat dikatakan fit) (Handoko, 2013).

13
 Dasar pengambilan keputusannya adalah dengan memperhatikan nilai
signifikansi dari Chi Square terhadap kriteria pengujian α = 0.1 pada Hosmer and
Lemeshow Test yaitu:
 Jika probabilitas > 0,1 maka H0 diterima
 Jika probabilitas < 0,1 maka H1 diterima
Tabel di atas menunjukkan bahwa besarnya nilai Hosmer and Lemeshow Test
sebesar 7,211 dengan probabilitas signifikansi 0,111 > α = 0,1 maka H0 diterima.
Hal ini berarti model regresi binary logistic layak digunakan untuk analisis
selanjutnya, karena tidak ada perbedaan yang nyata antara klasifikasi yang
diprediksi dengan klasifikasi yang diamati (Handoko, 2013).

5. Menguji Koefisien Regresi

Tabel tersebut memberikan estimasi koefisien model dan pengujian

hipotesis parsial dari koefisien model. Regresi logistik menghasilkan rasio peluang
(odds ratios) terkait dengan nilai setiap prediktor. Peluang (odds) dari suatu
kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan
probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios)
merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang
bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat
(rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor
meningkat sebesar 1 unit. Odds ratio pada SPSS dilambangkan dengan Exp(B)
(Handoko, 2013).
Dari tabel di atas diperoleh nilai Exp (B) sebagai faktor pengali (p). Adapun
nilai Exp(B) dari variabel independen umur sebesar 1,031, variabel independen
jenis kelamin sebesar 2,702, variabel independen sejarah keluarga sebesar 11,115,

14
Penafsirannya adalah:
 Angka negatif dianggap probabilitas = 0.
 Angka > 1 dianggap probabilitas = 1.
 Angka di antara 0 sampai 1, probabilitasnya sesuai angka yang tertera.
(Handoko, 2013)
Nilai Exp(B) dari variabel independen umur sebesar 1,031, maka peluang umur
sebesar 1 (karena Exp(B) > 1 maka dibulatkan menjadi 1) dapat diartikan bahwa
seseorang yang berumur lebih tua satu tahun, peluang memiliki kolesterol tinggi
adalah 1,031 kali dibandingkan seseorang yang berumur lebih muda (satu tahun),
jika sejarah keluarga dan jenis kelamin mereka sama. Artinya orang yang lebih tua
memiliki peluang yang lebih tinggi memiliki kolesterol tinggi. Dalam konteks umur
ini (yang merupakan variabel dengan skala rasio), hati-hati menginterpretasikan
nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10
tahun, maka odds ratio-nya akan menjadi 0,31, yang diperoleh dari perhitungan exp
(10 x 0,031). Artinya peluang seseorang memiliki kolesterol tinggi berumur lebih
tua 10 tahun adalah 0,31 kali dibandingkan konsumen yang lebih muda (10 tahun)
darinya (Handoko, 2013).
Nilai Exp(B) variabel independen jenis kelamin (jenis kelamin dimana 1 =
wanita dan 0 = pria) sebesar 2,702, maka peluang jenis kelamin sebesar 2,702.
Dapat diartikan bahwa peluang wanita memiliki kolesterol tinggi adalah 2,702 kali
dibandingkan pria, jika umur dan sejarah keluarga mereka sama. Artinya wanita
memiliki peluang lebih tinggi memiliki kolesterol tinggi dibandingkan pria
(Handoko, 2013).
Nilai Exp(B) variabel independen sejarah keluarga sebesar 11,115, maka
peluang orang yang memiliki sejarah keluarga kolesterol tinggi sebesar 11,115.
dapat diartikan bahwa peluang seseorang yang memiliki sejaarah keluarga
berkolesterol tinggi adalah 11,115 kali dibandingkan seseorang yang tidak memiliki
sejarah keluarga berkolesterol tinggi, jika umur dan jenis kelaminnya sama
(Handoko, 2013).
Untuk menguji faktor mana yang berpengaruh nyata seseorang yang memiliki
kolesterol tinggi tersebut, dapat menggunakan uji signifikansi dari parameter

15
koefisien secara parsial dengan statistik uji Wald, yang serupa dengan statistik uji t
atau uji Z dalam regresi linear biasa, yaitu dengan membagi koefisien terhadap
standar error masing-masing koefisien. Dengan uji t (Uji Wald) dan p-value-nya
(dengan menggunakan kriteria pengujian α = 10%) terlihat bahwa X3 berpengaruh
nyata (karena memiliki p-value dibawah 10%) seseorang yang memiliki kolesterol
tinggi. Variabel independen umur dan jenis kelamin tidak signifikan pada α = 10%,
namun model regresi ini layak digunakan untuk memprediksi variabel seseorang
berkolesterol tinggi, karena secara faktual variabel independen berupa umur dan
jenis kelamin bisa saja mempengaruhi seseorang berkolesterol tinggi.
Ketidaksignifikan data ini mungkin disebabkan karena pengumpulan data yang
kurang akurat atau terbatasnya sampel yang diambil (Handoko, 2013).

16
 BAB III
PENUTUP

KESIMPULAN

Regresi logistik adalah suatu metode analisis statistik yang menggunakan

hubungan antara variabel dependen yang memiliki dua kategori atau lebih dengan
satu atau lebih variabel independen. regresi logistik cocok digunakan untuk
penelitian yang variabel dependennya bersifat kategorikal (nominal atau non metrik)
dan variabel independennya kombinasi antara metrik dan non metrik. Fungsi dari uji
regresi logistic yaitu membentuk persamaan atau fungsi dengan pendekatan
maximum likelihood, yang memaksimalkan peluang pengklasifikasian objek yang
diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien
regresi yang sederhana. Selain itu, digunakan untuk menguji probabilitas terjadinya
variabel terikat yang dapat diprediksi dengan variabel bebasnya.

17
 DAFTAR PUSTAKA

Ghozali, I. 2011. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang

: Badan Penerbit Universitas Diponegoro.

Handoko, A. 2013. “Model Regresi dengan Variabel Terikat Dummy”. Skripsi.

FKIP, Pend. Matematika dan Ilmu Pengetahuan Alam, Universitas
Lambung Mangkurat. Banjarmasin.

Hosmer, D. W., dan Lemeshow, S. 1989. Applied Logistic Regression. New York:
John Wiley & Sons.

Nurjanah, A. 2013. “Faktor-Faktor Yang Berpengaruh Terhadap Keputusan

Revaluasi Aset Tetap Pada Perusahaan Yang Listing Di Bursa Efek
Indonesia Tahun 2011”. Skripsi. Universitas Pendidikan Indonesia.
Bandung.

Subekti, 2014. Model Regresi Logistik Multinominal untuk Menentukan Pilihan

Sekolah Lanjutan Tingkat Atas pada Siswa SMP. Vol 3 No.2

Sukoco A, Soebandhi S. 2012. Statistik dan Statistika. Surabaya: Fakultas Ekonomi

Universitas Narotama.

18