ANALISIS MULTIVARIAT

1. Analisis Multivariat

Sebagai dasar dari metode SEM, analisis multivariat perlu dipahami dengan
baik. Menurut Widarjono (2010:1) analisis multivariat merupakan salah satu
analisis statistik yang berkaitan dengan banyak variabel. Analisis statistik bisa
dikelompokkan berdasarkan jumlah variable, yaitu : univariate, bivariate dan
multivariate.

Kata univariate terbentuk dari kata uni (satu) dan variate (variable),
sehingga analisis univariat adalah analisis satu variabel. Contoh analisis univariat
adalah pengukuran rata-rata (mean), standar deviasi dan varian sebagai ukuran
pusat dari sekelompok data. Jadi analisis univariate lebih bersifat analisis tunggal
terhadap satu variabel. Menurut Supranto (2010:7) kalau nasabah suatu bank
ditanya tentang jumlah tabungannya, penghasilan per bulan, umur, tingkat
pendidikan dan jumlah anggota keluarga maka diperoleh lima variabel yang berdiri
sendiri dan tidak dikaitkan dengan variabel lain. Jadi analisis disebut univariat jika
setiap variabel berdiri sendiri tidak terkait dengan variabel lain. Analisis terhadap
variabel tunggal ini disebut univariate. Dengan demikian analisis univariat boleh
saja dikatakan sebagai analisis statistik deskriptif. Dalam statistika dikenal istilah
statistik deskriptif dan inferensial. Statistik deskriptif berfungsi mendeskripsikan
karakteristik dari sekelompok hasil data penelitian terhadap variabel tunggal.
Sedangkan statistik inferensial berusaha menyimpulkan fenomena atau hubungan-
hubungan antara lebih dari satu variabel pada sebuah persamaan statistik.

Kata bivariate berasal dari kata bi (dua) dan variate (variable), sehingga
analisis bivariate berkaitan dengan dua variabel. Misalnya analisis korelasi yang
mencari keeratan hubungan antara dua variable exogen dan endogen. Menurut
Sunyoto (2007:31) pengukuran korelasi bivariat dapat dibedakan menjadi
pengukuran secara linear (termasuk parsial) dan secara berganda (multiple). Yang
dimaksud dengan pengukuran korelasi linear adalah pengukuran atau perhitungan
korelasi yang hanya melibatkan satu variable bebas (independent atau X) dan satu
variable terikat (dependent atau Y). Sedangkan pengukuran korelasi berganda
adalah perhitungan korelasi dengan melibatkan lebih dari satu variabel independent
(bebas) dengan satu variabel dependent (terikat).

Analisis multivariate berasal kata multi (banyak) dan variate (variable),

sehingga analisis multivariate adalah analisis terhadap banyak variable yang
merupakan pengembangan dari analisis univariate dan bivariate. Analisis
multivariate memiliki lebih dari dua variabel. Supranto (2010:18) mengilustrasikan
analisis multivariate dengan adanya masalah atau gap yang disebabkan oleh tidak
adanya kesesuaian antara harapan (expected) dan kenyataan (observed). Setiap
masalah pasti ada faktor-faktor penyebab (pada umumnya lebih dari satu
penyebab). Kalau masalah kita sebut variabel dependen (Y) dan faktor penyebab
kita sebut variabel bebas (X) maka masalah (Y) adalah fungsi dari X1, X2, X3….…
Xn. Fenomena ini disebut fenomena multivariate. Dengan demikian, analisis
multivariate ini merujuk kepada teknik statistik tertentu yang menganalisis banyak
variabel secara simultan. Contoh analisis multivariat adalah Structural Equation
Modeling (SEM) yang akhir-akhir ini berkembang pesat.

2. Regresi

Analisis regresi adalah suatu proses memperkirakan secara sistematis

tentang apa yang paling mungkin terjadi dimasa yang akan datang berdasarkan
informasi yang sekarang dimiliki agar memperkecil kesalahan. Regresi merupakan
suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya
korelasi antarvariabel. Jika kita memiliki dua buah variabel atau lebih maka sudah
selayaknya apabila kita ingin mempelajari bagaimana variabel-variabel itu
berhubungan atau dapat diramalkan. Analisis regresi dapat juga diartikan sebagai
usaha memprediksi perubahan. Perubahan nilai suatu variabel dapat disebabkan
karena adanya perubahan pada variabel-variabel lain yang mempengaruhinya.
Misalnya, volume pupuk terhadap hasil panen padi, karena adanya perubahan
volume pupuk maka produksi padi dengan sendirinya akan berubah. Dalam
fenomena alam banyak sekali kejadian yang saling berkaitan sehingga perubahan
pada variabel lain berakibat pada perubahan variabel lainnya. Teknik yang
digunakan untuk menganalisis ini adalah analisis regresi.

Analisis regresi (regression analysis) merupakan suatu teknik untuk

membangun persamaan dan menggunakan persamaan tersebut untuk membuat
perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
analisis prediksi. Karena merupakan prediksi, maka nilai prediksi tidak selalu tetap
dengan nilai riilnya, semakin kecil tingkat penyimpangan antara nilai prediksi
dengan nilai riilnya, maka semakin tepat persamaan regresinya. Analisis regresi
mempelajari hubungan yang diperoleh dinyatakan dalam persamaan matematika
yang menyatakan hubungan fungsional antara variabel-variabel. Hubungan
fungsional antara satu variabel prediktor dengan satu variabel kriterium disebut
analisis regresi sederhana (tunggal), sedangkan hubungan fungsional yang lebih
dari satu variabel disebut analisis regresi ganda. Sehingga dapat didefinisikan
bahwa: Analisis regresi adalah metode statistik yang digunakan untuk menentukan
kemungkinan hubungan antara variabel-variabel.

3. Regresi Linear

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui

pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel
yang mempengaruhi sering disebut variabel bebas, variabel independen atau
variabel penjelas. Variabel yang dipengaruhi sering disebut dengan variabel terikat
atau variabel dependen. Regresi linear hanya dapat digunakan pada skala interval
dan ratio. Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana
yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi
linear berganda (regresi ganda) dengan beberapa variabel bebas dan satu buah
variabel terikat. Analisis regresi linear merupakan metode statistik yang paling
jamak dipergunakan dalam penelitian-penelitian sosial, terutama penelitian
ekonomi. Program komputer yang paling banyak digunakan adalah SPSS
(Statistical Package For Service Solutions).
a. Regresi Linear Sederhana

Sering kali dalam praktek kita berhadapan dengan persoalan yang

menyangkut sekelompok peubah bila diketahui bahwa diantara peubah tersebut
terdapat suatu hubungan alamiah. Misalnya dalam industri diketahui bahwa
kadar ter hasil suatu proses kimia berkaitan dengan temperature masukan.
Mungkin perlu dikembangkan suatu metode peramalan, yaitu suatu cara kerja
guna menaksir kadar ter untuk berbagai taraf temperature masukan yang didapat
dari data percobaan.

Untuk contoh ini dan kebanyakan terapannya terdapat perbedaan yang

jelas antara peubah sepanjang menyangkut perannya dalam proses percobaan.
Seringkali terdapat suatu peubah terikat yang tunggal atau yang disebut respon
Y. Respon bergantung pada satu atau lebih peubah bebas, misalnya 𝑥1, 𝑥2,
𝑥3,…,𝑥k, yang galat pengukurannya dapat diabaikan.

Dalam makalah ini yang akan dibahas adalah regresi linear sederhana,
yang hanya menyangkut satu peubah bebas. Nyatakanlah sampel acak ukuran n
dengan himpunan {(𝑥𝑖, 𝑦𝑖); 𝑖 = 1, 2, . . , 𝑛}. Bila diambil sampel tambahan tepat
sama dengan nilai 𝑥 maka kita yakin harga 𝑦 akan berbeda-beda. Jadi harga 𝑦i
pada pasangan terurut (𝑥i,𝑦i) merupakan harga dari sebuah peubah acak Yi.
Untuk mudahnya akan ditulis YIx dan ini menyatakan peubaha acak Y yang
berkaitan dengan suatu nilai tetap x, dan nyatakan rataan dan variansinya
2
masing-masing dengan µYIX dan variansinya 𝜎𝑌𝐼𝑋 . Jelas, bahwa bila 𝑥 = 𝑥i
maka lambang YIxi menyatakan peubah acak Yi dengan rataan µYIX dan
2
variansinya 𝜎𝑌𝐼𝑋 .

Istilah Regresi Linear berarti, bahwa rataan µYIX berkaitan linear

dengan 𝑥 dalam bentuk persamaan linear populasi.

µYIX = α + βx.
 Koefisien regresi α dan β merupakan dua parameter yang ditaksir dari
data sampel. Bila taksiran kedua parameter itu masing-masing dinyatakan
dengan 𝑎 dan 𝑏 maka µYIX dapat ditaksir dengan ŷ dari bentuk garis regresi
berdasarkan sampel atau garis kecocokan regresi.

ŷ = 𝑎 + 𝑏x

Dengan taksiran 𝑎 dan 𝑏 masing-masing menyatakan perpotongan

dengan sumbu 𝑦 dan tanjakannya. Lambang ŷ digunakan untuk membedakan
antara taksiran atau nilai prediksi yang diberikan oleh regresi sampel dan nilai y
amatan percobaan yang sesungguhnya untuk suatu nilai 𝑥.

Dalam hal regresi linear sederhana, yaitu hanya terdapat peubah bebas
𝑥 dan satu peubah acak terikat Y, datanya dapat disajikan sebagai pasangan
pengamatan{(𝑥𝑖, 𝑦𝑖); 𝑖 = 1, 2, . . , 𝑛}. Akan menolong bila digunakan gagasan
dari pasal sebelumnya untuk mendefinisikan setiap peubah acak 𝑌𝑖 = 𝑌I𝑥𝑖
dengan suatu model statistika. Bila dimisalkan bahwa semua rataan µ𝑌I𝑥𝑖 terletak
pada suatu garis lurus, maka setiap 𝑌𝑖 dapat ditulis sebagai model regresi linear
sederhana.

𝑌𝑖 = 𝑌I𝑥𝑖 + 𝐸𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝐸𝑖 ,

dengan galat acak 𝐸𝑖 , galat model, haruslah mempunyai rataan nol. Setiap
pengamatan (𝑥𝑖 , 𝑦 𝑖 ) dalam sampel memenuhi hubungan 𝑦𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝜀𝑖

dengan 𝜀𝑖 nilai yang dicapai 𝐸𝑖 bila 𝑌𝑖 mendapat nilai 𝑦𝑖 . Persamaan di atas

dapat dipandang sebagai model untuk pengamatan tunggal 𝑦𝑖 . Demikian
juga, dengan menggunakan taksiran atau kecocokan garis regresi

ŷ = 𝑎 + 𝑏x

Tiap pasangan pengamatan memenuhi

𝑦𝑖 = 𝑎 + 𝑏𝑥𝑖 + 𝑒𝑖 ,
 𝑒𝑖 = 𝑦𝑖 − ŷ disebut galat sisa dan memberikan galat dalam kecocokan
model pada titik data ke i.

1. Prosedur untuk Melakukan Estimasi Parameter (Metode Kuadrat

Kecil)

Akan dicari 𝑎 dan 𝑏, taksiran α dan β, sehingga jumlah kuadrat sisa

minimum. Jumlah kuadrat sisa sering pula disebut jumlah kuadrat galat
terhadap garis regresi dan dinyatakan dengan JKG. Cara peminimuman
untuk menaksir parameter dinamakan metode kuadrat terkecil. Jika 𝑎 dan
𝑏 akan dicari sehingga akan meminimumkan

𝐽𝐾𝐺 = ∑𝑛𝑖=1 𝑒𝑖2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )2

Bila J diturunkan terhadap 𝑎 dan 𝑏, maka diperoleh

𝜕(𝐽𝐾𝐺)
= −2 ∑𝑛𝑖=1( 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )
𝜕𝑎

𝜕(𝐽𝐾𝐺)
= −2 ∑𝑛𝑖=1(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )𝑥𝑖
𝜕𝑏

Menaksir koefisien regresi bila diketahui sampel {(𝑥𝑖, 𝑦𝑖); 𝑖 =

1, 2, . . , 𝑛} maka taksiran kuadrat terkecil 𝑎 dan 𝑏 dari koefisien regresi α
dan β dihitung menggunakan rumus :

𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 −(∑𝑖=1 𝑥𝑖 )(∑𝑖=1 𝑦𝑖 )
𝑏= 2
𝑛 ∑𝑛 2 𝑛
𝑖=1 𝑥 −(∑𝑖=1 𝑥𝑖 )

∑𝑛 𝑛
𝑖=1 𝑦𝑖 −𝑏 ∑𝑖=1 𝑥𝑖
𝑎= 𝑛
 Contoh soal

1. Tariklah garis regresi untuk data pencemaran pada tabel di bawah ini !

Tabel 1

Penurunan zat Kebutuhan oksigen Penurunan zat Kebutuhan oksigen

pada x (%) kimiawi y(%) pada x (%) kimiawi y(%)
3 5 36 34
7 11 37 36
11 21 38 38
15 16 39 37
18 16 39 36
27 28 39 45
29 27 40 39
30 25 41 41
30 35 42 40
31 30 42 44
31 40 43 37
32 32 44 44
33 34 45 46
33 32 46 46
34 34 47 49
36 37 50 51
36 38

Jawab :

Dari tabel di atas diperoleh

∑33 33
𝑖=1 𝑥1 = 1.104, ∑𝑖=1 𝑦𝑖 = 1.124,

∑33 33 2
𝑖=1 𝑥𝑖 𝑦𝑖 = 41.355 , ∑𝑖=1 𝑥 = 41.086
 𝑛 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − (∑𝑛𝑖=1 𝑥𝑖 )(∑𝑛𝑖=1 𝑦𝑖 )
𝑏= 2
𝑛 ∑𝑛𝑖=1 𝑥 2 − (∑𝑛𝑖=1 𝑥𝑖 )

(33)(41.355)−(1.104)(1.124)
𝑏= (33)(41.086)−(1.104)2
= 0,903643

∑𝑛𝑖=1 𝑦𝑖 − 𝑏 ∑𝑛𝑖=1 𝑥𝑖
𝑎=
𝑛

1.124 − (0,903643)(1.104)
𝑎= = 3,829633
33

Jadi, taksiran regresinya adalah 𝑦̂ = 3,8296 + 0,9036𝑥

2. Pengujian Hipotesis Parameter Regresi

Uji model regresi sebaiknya dilakukan dengan dua macam, yaitu :

a. Uji Serentak

Statistik uji yang dipakai untuk melakukan uji serentak ini adalah uji F.
Uji F dikenal juga dengan uji Anova (Analysis Of Varians) yaitu uji untuk
melihat bagaimanakah pengaruh semua variabel prediktornya secara
bersama-sama terhadap variabel terikatnya atau untuk menguji apakah
model regresi yang kita buat baik (signifikan) atau tidak baik (non
signifikan). Jika model signifikan maka model bisa digunakan untuk
peramalan, sebaliknya jika non signifikan maka model regresi tidak bisa
digunakan untuk peramalan. Uji serentak merupakan uji terhadap nilai-nilai
koefisien regresi secara bersama-sama dengan hipotesa.

Hipotesisnya sebagai berikut :

1. H0 : 1   2  ...   k  0

H1 :  j  0, j = 1,2,…,k

2. Tentukan taraf nyata

3. Daerah kritik penerimaan : −𝑓(∝) (𝑣1 , 𝑣2 ) ≤ F0 ≤ 𝑓(∝) (𝑣1 , 𝑣2 )
2 2
 Daerah kritik penolakan : F0< −𝑓(∝) (𝑣1 , 𝑣2 ) atau F0 > 𝑓(∝) (𝑣1 , 𝑣2 )
2 2

4. Uji Statistik

ˆ 2 X  X 
2

𝑓ℎ𝑖𝑡𝑢𝑛𝑔 =
S e2
5. Kesimpulan
fhitung ≤ fα(v1,v2), H0 gagal tolak
fhitung > fα(v1,v2), Ho ditolak
Tabel Analisis Ragam Regresi Linear
Sumber
df SS MS F hitung
variansi


 Yˆ  Y 2

 Yˆ  Y  2

Regresi 1 atau Atau

ˆ 2 X  X 
2


𝛽̂ 2  X  X 
2

𝛽̂ 2  X  X 
2
S e2

Galat n-2 
 Y  Ŷ 2
S 2


 Y  Yˆ  2

n2
e

n
1 n
Total n-1  Yi
i 1
2
 ( Y ) 2
n i 1

Dimana:

Y  Y  = simpangan total

Yˆ  Y  = simpangan regresi

Y  Yˆ  = simpangan residu
Uji F dapat dilakukan dengan membandingkan F hitung dengan F
tabel, jika F hitung > dari F tabel, maka Ho di tolak dan H1 diterima dengan
kata lain persamaaan garis regresi tersebut tidak bisa kita terima sebagai
penduga hubungan antara variabel X dengan variabel Y. Bila bentuk
hubungan antar variabel X dengan variabel Y sudah dapat kita terima maka
kita bisa mengetahui seberapa besar keeratan hubungannya (korelasinya).

Walaupun bentuk hubungan antara variabel X dengan variabel Y ada

dalam bentuk yang benar belum tentu korelasinya besar karena banyak
variabel lain yang turut mempengaruhi perubahan variabel Y. Besarnya
perubahan variabel Y yang dapat diterangkan oleh variabel X dengan
menggunakan persamaan garis regresi yang diperoleh disebut koefisien
determinan.

b. Uji Parsial
Statistik uji yang dipakai untuk melakukan uji parsial ini adalah statistik
uji T. Uji T digunakan untuk menguji bagaimana pengaruh masing-masing
variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Jika
hasil pada uji serentak menunjukkan bahwa H0 ditolak, maka perlu
dilakukan uji individu dengan hipotesa :

1. H0: β = 0
H1: β ≠ 0 atau H1: β < 0 atau H1: β >0
2. Tentukan taraf nyata

3. Daerah kritik penerimaan : −𝑡(∝2) ≤ t0 ≤ 𝑡(∝2)

Daerah kritik penolakan : t0< −𝑡(∝) atau t0 > 𝑡(∝)
2 2

4. Uji statistik
(b   1 ) (a   0 )
thitung = thitung =
se / (X  X ) 2
atau  1
se  
x2 

 n  ( xi  x ) 2 
 
dapat juga ditulis
(b  1 )
thitung = s / J
e xx
 Dimana:

a = taksiran bagi β0

b = taksiran bagi β1

t = nilai sebaran t

5. Keputusan:

a. H0 ditolak jika thitung > tα/2(n-2) atau thitung < - tα/2(n-2)untuk lawan
alternatif H1:β≠ 0

b. H0 ditolak jika thitung < - tα(n-2) untuk lawan alternatif H1: β < 0

c. H0 ditolak jika thitung > tα(n-2) untuk lawan alternatif H1: β > 0

3. Selang Kepercayaan

Nilai dugaan bagi parameter yang sesungguhnya bagi α dan β yang

didasarkan pada n pengamatan yang diperoleh. Nilai-nilai dugaan lain bagi
α dan β yang dapat diperoleh melalui pengambilan contoh berukuran n
beberapa kali dapat dipandang sebagai nilai-nilai peubah acak. Selang
kepercayaan sebesar (1-α)100% untuk parameter β adalah

   
se se
b  t      b  t  
2 
  ( X  X )2  2

2 
(X  X ) 
Dapat ditulis juga dengan

 t s   t s 
b 2    b 2 
 J xx   J xx 
   

Dimana:

b = taksiran bagi β1
 t = nilai sebaran t

Sedangkan selang kepercayaan sebesar (1-α)100% untuk  adalah

 1 x2   1 x2 
a  t       a  t se   
 n  ( xi  x )  n  ( xi  x )
2 e   2  
S 2 2
 

Dapat ditulis juga dengan

 n   n 
  S  xi    S  xi 
2 2
t t
a     a  
2 i 1 2 i 1
 nJ xx   nJ xx 
   
   

Dimana:

a = taksiran bagi 

x = nilai rata-rata x

Contoh soal :

2. Dengan menggunakan nilai taksiran b = 0,903643 pada contoh soal 1, ujilah

hipotesis bahwa  = 1,0 pada taraf keberartian 0,05 lawan tandingan bahwa
 < 1,0

Jawab :

1. H0 :  = 1,0

2. H1 :  < 1,0

3. Pilih taraf keberartian 0,05

4. Daerah kritis t < -1,699 (tabel)

5. Hitungan
 (b  1 ) (0,903643  1,0)
thitung = s / J = 3, 2295 / 4152,18  1,92
e xx

P  0,03 diperoleh dari hitungan program komputer

6. Keputusan : harga t berarti pada taraf 0,03, suatu petunjuk kuat bahwa
 < 1,0. H0 ditolak

4. Regresi Logistik

Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi

seperti halnya regresi linear atau yang biasa disebut dengan istilah Ordinary Least
Squares (OLS) regression. Perbedaannya adalah pada regresi logistik, peneliti
memprediksi variabel terikat yang berskala dikotomi. Skala dikotomi yang
dimaksud adalah skala data nominal dengan dua kategori, misalnya: Ya dan Tidak,
Baik dan Buruk atau Tinggi dan Rendah.

Apabila pada OLS mewajibkan syarat atau asumsi bahwa

error varians (residual) terdistribusi secara normal. Sebaliknya, pada regresi
ini tidak dibutuhkan asumsi tersebut sebab pada regresi jenis logistik ini mengikuti
distribusi logistik.

a. Asumsi Regresi Logistik

Asumsi Regresi Logistik antara lain:

1. Regresi logistik tidak membutuhkan hubungan linier antara variabel

independen dengan variabel dependen.
2. Variabel independen tidak memerlukan asumsi multivariate normality.
3. Asumsi homokedastisitas tidak diperlukan
4. Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval atau
skala ratio).
5. Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan
rendah atau baik dan buruk)
 6. Variabel independen tidak harus memiliki keragaman yang sama antar
kelompok variabel
7. Kategori dalam variabel independen harus terpisah satu sama lain atau
bersifat eksklusif
8. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan
hingga 50 sampel data untuk sebuah variabel prediktor (independen).
9. Dapat menyeleksi hubungan karena menggunakan pendekatan non linier
log transformasi untuk memprediksi odds ratio. Odd dalam regresi logistik
sering dinyatakan sebagai probabilitas.

b. Model Persamaan Regresi Logistik

Model persamaan aljabar layaknya OLS yang biasa kita gunakan adalah
berikut: Y = B0 + B1X + e. Dimana e adalah error varians atau residual. Dengan
model regresi ini, tidak menggunakan interpretasi yang sama seperti halnya
persamaan regresi OLS. Model Persamaan yang terbentuk berbeda dengan
persamaan OLS. Berikut persamaannya:

Persamaan Regresi Logistik

Ln : Logaritma Natural.Di mana:

B0 + B1X : Persamaan yang biasa dikenal dalam OLS.

Sedangkan P Aksen adalah probabilitas logistik yang didapat rumus sebagai

berikut:
 Probabilitas Regresi Logistik

Di mana:

exp atau ditulis “e” adalah fungsi exponen.

(Perlu diingat bahwa exponen merupakan kebalikan dari logaritma natural.

Sedangkan logaritma natural adalah bentuk logaritma namun dengan nilai
konstanta 2,71828182845904 atau biasa dibulatkan menjadi 2,72).

Dengan model persamaan di atas, tentunya akan sangat sulit untuk

menginterprestasikan koefisien regresinya. Oleh karena itu maka diperkenalkanlah
istilah Odds Ratio atau yang biasa disingkat Exp(B) atau OR. Exp(B) merupakan
exponen dari koefisien regresi. Jadi misalkan nilai slope dari regresi adalah sebesar
0,80, maka Exp(B) dapat diperkirakan sebagai berikut:

c. Nilai Odds Ratio

Besarnya nilai Exp(B) dapat diartikan sebagai berikut:

Misalnya nilai Exp (B) pengaruh rokok terhadap terhadap kanker paru
adalah sebesar 2,23, maka disimpulkan bahwa orang yang merokok lebih beresiko
untuk mengalami kanker paru dibadningkan dengan orang yang tidak merokok.
Interprestasi ini diartikan apabila pengkodean kategori pada tiap variabel sebagai
berikut:
 1. Variabel bebas adalah Rokok: Kode 0 untuk tidak merokok, kode 1 untuk
merokok.
2. Variabel terikat adalah kanker Paru: Kode 0 untuk tidak mengalami kanker
paru, kode 1 untuk mengalami kanker paru.

d. Pseudo R Square

Perbedaan lainnya yaitu pada regresi ini tidak ada nilai “R Square” untuk
mengukur besarnya pengaruh simultan beberapa variabel bebas terhadap variabel
terikat. Dalam regresi logistik dikenal istilah Pseudo R Square, yaitu nilai R Square
Semu yang maksudnya sama atau identik dengan R Square pada OLS.

Jika pada OLS menggunakan uji F Anova untuk mengukur tingkat

signifikansi dan seberapa baik model persamaan yang terbentuk, maka pada regresi
ini menggunakan Nilai Chi-Square. Perhitungan nilai Chi-Square ini berdasarkan
perhitungan Maximum Likelihood.
 DAFTAR PUSTAKA

Draper, N. R. 1992. Analisis Regresi Terapan Edisi Ke 2. Jakarta: PT.

Pustaka Gramedia Utama
Sembiring, R. K. 1995. Analisis Regresi. Bandung: Institut Teknologi
Bandung
Walpole. Ronald E. 1995. Ilmu Peluang dan Statistika untuk Ilmuwan.
Bandung: Institut Teknologi Bandung
Cessie, L. dan Houwelingen, J.C., (1994), Logistic Regression for
Correlated Binary Data, Applied Statistics, 42, hal. 95-108.
Collett, D., (1991), Modelling Binary Data, First Edition, Chapman and
Hall, London. Ghozali. 2001. Aplikasi Analisis Multivariate dengan
Program SPSS. Semarang:Badan Penerbit Universitas Diponegoro
Kutner, M.H., C.J. Nachtsheim dan J. Neter. Applied Linear Regression
Models.
Fourth Edition. The McGraw-Hill Companies, Inc. Singapore.
Hosmer, D.W. dan Lemeshow, S., (2000). Applied Logistic Regression.
John Wiley and Sons. New York.
McCullagh, P. dan Nelder, J.A., (1989), Generalized Linier Models, 2nd
edn, Chapman and Hall, London.
Palmgren, J., (1989), Regression Models for Bivariate Binnary Response,
Technical Report 101, Department of Biostatistics, School of Public
Health and Community Medicine, Seatle.
Santoso, S. 2009. Menguasai Statistik dengan SPSS 15. Jakarta: PT Elex
Media Komputindo, Kompas Gramedia.