MAKALAH UJIAN AKHIR BLOK

UJI REGRESI LOGISTIK

BLOK 9 EPIDEMIOLOGI DAN BIOSTATISTIKA

Disusun Oleh :

Saraswita Gabrillah Saetikho

161610101092

Dosen Pembimbing Pratikum :

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

Dr.drg. Ari Tri Wanandyo,M.Kes
Drg. Kiswaluyo,M.Kes

FAKULTAS KEDOKTERAN GIGI

UNIVERSITAS JEMBER
2017
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmatNYA sehingga
makalah ini dapat tersusun hingga selesai . Makalah ini disusun untuk memenuhi
tugas UAB pratikum Blok Epidemiologi dan Biostatistika

Saya juga mengucapkan terima kasih kepada teman-teman,dosen

pembimbing,serta semua pihak yang telah ikut membantu untuk menyelesaikan
makalah ini. Dan harapan kami semoga makalah ini dapat menambah
pengetahuan dan pengalaman bagi para pembaca, Untuk ke depannya dapat
memperbaiki bentuk maupun menambah isi makalah agar menjadi lebih baik lagi.

Karena keterbatasan pengetahuan maupun pengalaman kami, Kami yakin

masih banyak kekurangan dalam makalah ini, Oleh karena itu kami sangat
mengharapkan saran dan kritik yang membangun dari pembaca demi
kesempurnaan makalah ini.

Jember,01 November 2017-11-02

Penyusun
 BAB I
PENDAHULUAN

1.1 Latar Blakang

Upaya memperoleh dan megolah informasi statistik mempunyai sejarah
yang sangat panjang, sepanjang peradaban manusia. Pada jaman sebelum masehi,
bangsa – bangsa di Mesopotamia, Mesir, dan Cina telah mengumpulkandata
statistik untuk memperoleh informasi tentang pajak yang harus dibayar oleh stiap
penduduk, beberapa hasil pertanian yang mampu diproduksi, berapa cepat atlet
lari dan sebagainyauntuk mencatat jumlah kelahiran, kematian, dan perkawinan
(Purwanto,2009)
Pada saat ini, statistika telah berkembang jauh, seiring dengan
ditemukaannya dan berkembangnya teori peluang. Statistika telah memungkinkan
untuk melihat jauh kedepan diluar data itu sendiri. Statistika pada tahun 1950-an
telah memasuki wilayah pengambilan keputusan melalui proses generalisasi dan
peramalan dengan memperhatikan factor resiko dan ketidakpastian.
(Purwanto,2009)
Ada banyak studi kedokteran atau epidemiologi yang memprediksi
variabel respon biner atau menghitung probabilitas terjadinya suatu kejadian
(sukses) dengan sekumpulan variabel penjelas yang berkaitan dengan itu. Untuk
tujuan memprediksi, misalnya kemungkinan menderita serangan jantung dilihat
dari tingkatan faktor resiko seperti kolesterol dan tekanan darah. Regresi logistik
mampu memenuhi tujuan tersebut dengan baik dan banyak digunakan untuk
menyelesaikan kasus-kasus seperti ini. Dalam berbagai aplikasi regresi logistik
tersebut, adanya multikolinearitas di antara faktor resiko atau variabel independen
dianggap penting. Regresi logistik digunakan untuk memprediksi variabel respon
yang biner dengan satu set variabel penjelas (prediktor). Estimasi parameter dapat
menjadi tidak akurat, serta interpretasi odd ratio bisa salah jika terdapat
multikolinearitas di antara prediktor. Untuk mengatasi masalah estimasi parameter
dengan multikolinearitas, dilakukan pengurangan dimensi prediktor dengan
menggunakan komponen utama optimal dari prediktor tersebut. (Suharjo,2008)
 Model regresi logistik biner merupakan salah satu model regresi logistik
yang digunakan untuk menganalisa hubungan antara satu variabel respon dan
beberapa variabel prediktor, dengan variabel responnya berupa data kualitatif
dikotomi yaitu bernilai 1 untuk menyatakan keberadaan sebuah karakteristik dan
bernilai 0 untuk menyatakan ketidakberadaan sebuah karakteristik.Model regresi
logistik biner dengan satu variabel respon dapat dikembangkan menjadi model
regresi logistik biner dengan menggunakan dua variabel respon, dimana model ini
disebut model regresi logistik biner bivariat (Suharjo,2008)

1.2 Rumusan Masalah

A. Apa definisi regresi logistik?
B. Apa fungsi regresi logistik ?
C. Bagaimana Persamaan regresi logistik ?
D. Bagaimana aplikasi dan analisi regresi logistik?

1.3 Tujuan
Tujuan dari penulisan makalah ini adalah untuk mengetahu dan memahami
definisi dari regresi logistik,fungsi dari regresi logistik,persamaan dari regresi
logistik,dan bagaimana cara aplikasi dan analisi regresi logistik .

1.4 Manfaat
penulisan makalah ini diharapkan mampu memberikan manfaat untuk pembaca
dalam memahami dan mengimplementasikan konsep hipotesis dalam
penghitungan statistika uang berguna dalam melakukan penelitian
 BAB II
PEMBAHASAN

2.1 Definisi Regresi Logistik

Pengertian Regresi logistik adalah bagian dari analisis regresi yang

digunakan ketika variable dependen (respon) merupakan variabel dikotomi.
Variabel dikotomi biasanya hanya terdiri atas dua nilai,yang mewakili
kemunculan atau tidak adanya suatu kejadian yang biasanya diberi 0 atau angka
(hosmer,2000)
Regresi Logistik adalah suatu analisis regresi yang digunakan untuk
menggambarkan hubungan antara variabel respon (outcome atau dependent)
dengan sekumpulan variabel prediktor (explanatory atau independent), dimana
variabel respon bersifat biner atau dikotomus. Variabel dikotomus adalah variabel
yang hanya mempunyai dua kemungkinan nilai, misalnya sukses dan gagal.
Sedangkan variabel prediktor sering disebut juga dengan covariate. Regresi
logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik
ataupun kategorik, termasuk variabel dummy. Pada regresi linier, variabel
prediktor yang digunakan biasanya numerik, tetapi jika kita melibatkan campuran
antara numerik maupun kategorik kita dapat menggunakan regresi logistik
(Firdaus,2008)
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. Dua nilai yang biasa digunakan sebagai variabel
dependen yang diprediksi adalah 0 dan 1 (ex. 1=berhasil, 0=gagal) (Firdaus,2008)
Regresi logistik menghasilkan rasio peluang (odds ratios) antara
keberhasilan atau kegagalan suatu dari analisis. Dapat kita contohkan dengan
seorang tokoh yang ingin menjadi presiden, akan lebih baik peluangnya jika
menjadi ketua partai politik tertentu. Disini odds ratio yang dimaksud adalah
seberapa besar peluang tokoh tersebut dengan mempertimbangkan variabel
prediktor yang ada. Regresi logistik akan membentuk variabel prediktor/respon
(log (p/(1-p)) yang merupakan kombinasi linier dari variabel independen. Nilai
variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan
fungsi logit. (Firdaus,2008)

Asumsi-asumsi dalam regresi logistik (Firdaus,2008)

 Tidak mengasumsikan hubungan linier antar variabel dependen dan

independent
 Variabel dependen harus bersifat dikotomi (2 variabel)
 Variabel independent tidak harus memiliki keragaman yang sama antar
kelompok variabel
 Kategori dalam variabel independent harus terpisah satu sama lain atau
bersifat eksklusif
 Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan
hingga 50 sampel data untuk sebuah variabel prediktor (bebas).

2.2 Fungsi 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 (Sugiyono,2011)

Regresi logistik adalah bagian dari analisis regresi yang digunakan un- tuk
menganalisis variabel dependen yang kategori dan variabel in- dependen bersifat
kategori, kontinu, atau gabungan dari keduanya. Analisis regresi logistik
digunakan untuk memperoleh probabilitas ter- jadinya variabel dependen. Bentuk
persamaan regresi logistik adalah sebagai berikut (Sugiyono,2011)
Untuk mengetahui pengaruh dari variabel independen dapat dilakukan uji
signifikansi secara keseluruhan dan secara individu sebagai berikut
(Sugiyono,2011)

1.Uji signifikansi secara keseluruhan

Sebelum membentuk model regresi logistik terlebih dahulu dilakukan uji

signifikansi parameter. Uji yang pertama kali dilakukan adalah pengujian peranan
parameter didalam model secara keseluruhan yaitu dengan hipotesis sebagai
berikut (Sugiyono,2011)

Statistik uji yang digunakan adalah:

dengan :
2. Uji Signifikansi Secara Individual

Uji signifikansi parameter secara individual dilakukan dengan menggu- nakan

Wald Test dengan rumusan hipotesis sebagai berikut (Sugiyono,2011)

3. Uji Kecocokan Model

Alat yang digunakan untuk menguji kecocokan model dalam regresi logistik
adalah uji Hosmer-Lemeshow. Statistik Hosmer-Lemeshow mengikuti distribusi
Chi-square dengan df = g − 2 dimana g adalah banyaknya kelompok, dengan
rumus sebagai berikut (Sugiyono,2011)

2.3 Persamaan Regresi Logistik

Regresi logistik menghasilkan rasio peluang yang dinyatakan dengan transformasi

fungsi logaritma (log), dengan demikian fungsi transformasi log ataupun ln
diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa logit(p)
merupakan log dari peluang (odds ratio) atau likelihood ratio dengan
kemungkinan terbesar nilai peluang adalah 1, dengan demikian persamaan regresi
logistik menjadi (Firdaus,2008):

logit(p) = log (p/1-p) = ln (p/1-p)

dimana p bernilai antara 0-1.

Model yang digunakan pada regresi logistik adalah:

Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel

independen, dan b adalah koefisien regresi.

Konsep Log Odds dan Odds Ratio

Logit (log odds) merupakan koefisien slope (b) dari persamaan regresi. Slope
disini adalah perubahan nilai rata-rata dari Y dari satu unit perubahan nilai X.
Regresi logistik melihat perubahan pada nilai variabel dependen yang
ditransformasi menjadi peluang, bukan nilai aslinya seperti pada regresi linier.
Sebagai ilustrasi jika nilai peluang adalah 0,25, maka nilai odds adalah 3 (25 : 75),
sedangkan jika nilai peluang 50, maka nilai odds adalah 1 (50 : 50), atau jika nilai
peluang 0,33, maka nilai odds adalah 2 (33 : 67) dengan total keseluruhan nilai
peluang adalah 1. Nilai odds ratio biasanya dapat kita lihat pada kolom B pada
‘variables in the equation’ output SPSS (Firdaus,2008).

Kecocokan Model (model fit) dan fungsi likelihood

Likelihood berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti
yang kita ketahui pada kurva regresi linier kita lihat adanya hubungan linier,
peningkatan pada sumbu Y akan diikuti dengan peningkatan pada sumbu X dan
sebaliknya. Tetapi pada regresi logistik dengan nilai Y antara 0 dan 1, pendekatan
linier tidak bisa kita gunakan. Oleh karena itu metode maximum likelihood sangat
berguna dalam menentukan kecocokan model yang tepat bagi persamaan yang
kita miliki (Firdaus,2008).

Hipotesis dalam regresi logistik antara lain:

1. h0 = ketika persamaan regresi bernilai 0 [logit(p) = 0].

2. h1 = persamaan regresi berbeda nyata dari 0 [logit(p) ≠ 0].

Regresi logistik merupakan regresi non linier dimana model yang ditentukan akan
mengikuti pola kurva linier seperti gambar di bawah ini.

Regresi logistik juga 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 predictor diartikan
sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau
turun (rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar 1 unit
(Firdaus,2008).

2.4 Aplikasi dan Analisi Regresi Logistik

Jika kita ingin mengetahui pembelian tas merk tertentu oleh beberapa
orang wanita dengan beberapa variabel penjelas antara lain adalah umur, tingkat
pendapatan (low, medium, high), dan status (M – menikah; S untuk single). Pada
data tersebut, pembelian merupakan variabel prediktor yang dijelaskan dengan
angka 1 sebagai membeli dan 0 sebagai tidak membeli (supardi,2013).

1. Dengan SPSS 17.0 data yang diinput dapat berupa:

2. Setelah data diinput, pilih Analyze – Regression – Binary logistik seperti

berikut:
3. Setelah muncul kotak dialog logistic regression, masukkan variabel dependen
purchase ke
kolom dependent, dan ketiga variabel independen ke dalam kolom covariates,
lalu pilih
button categorical untuk memasukkan variabel kategorik yaitu pendapatan
dan status –
klik continue:

4. Setelah itu pilih option, checklist classification plot dan Hosmer-lemeshow

goodness of
 fit, kemudian continue:

5. Kemudian pada method pilih enter, kemudian klik OK:

6. Output yang didapatkan adalah sebagai berikut:

Output Case Processing Summary menghilangkan variabel yang tidak
diperhitungkan dalam model (supardi,2013).

Output classification table diatas menjelaskan bahwa persentase variabel yang

diprediksi sebesar 88,9 persen adalah baik, dan dari perbandingan antara kedua
nilai mengindikasikan tidak terdapatnya masalah homoskedastisitas (asumsi
model logit) (supardi,2013).

Pada output variables in equation signifikansi adalah 0,05 artinya model tidak
signifikan dan dengan demikian terima H0 (supardi,2013).
Pada output omnibus test menyatakan bahwa hasil uji chi-square goodness of fit
lebih kecil dari 0,05, ini mengindikasikan bahwa model adalah signifikan
(supardi,2013).

Hasil output pada Cox-Snell R2 dan Nagelkerke R memiliki analogi sama dengan
nilai R-square pada regresi linier, menyakatan bahwa sebanyak 50,2 persen
keragaman dapat dijelaskan oleh model, sedangkan sisanya diluar model
(supardi,2013).

Hasil pada output Hosmer and Lemeshow Goodness-of-Fit Test

mengindikasikan bahwa kita dapat menerima H0 karena lebih dari 0,05 (1 > 0,05)
(supardi,2013).
output variables in the equation menunjukkan nilai signifikansi berdasarkan
Wald Statistic, jika model signifikan, maka nilai sig. adalah kurang dari 0,05
(supardi,2013).

Kolom Exp(B) menunjukkan nilai odds ratio yang dihasilkan. Nilai odds ratio
yang hanya mendekati 1,0 mengindikasikan bahwa variabel independen tidak
mempengaruhi variabel dependen (supardi,2013).
Output classplot diatas menunjukkan prediksi pada regresi logistik. Sumbu X
menujukkan probabilitas yang diprediksi, sedangkan sumbu Y menunjukkan
jumlah kasus yang diamati (supardi,2013).
 BAB III
PENUTUP

Regresi Logistik adalah suatu analisis regresi yang digunakan untuk

menggambarkan hubungan antara variabel respon (outcome atau dependent)
dengan sekumpulan variabel prediktor (explanatory atau independent), dimana
variabel respon bersifat biner atau dikotomus. Variabel dikotomus adalah variabel
yang hanya mempunyai dua kemungkinan nilai, misalnya sukses dan gagal.
Sedangkan variabel prediktor sering disebut juga dengan covariate. Regresi
logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik
ataupun kategorik, termasuk variabel dummy. Pada regresi linier, variabel
prediktor yang digunakan biasanya numerik, tetapi jika kita melibatkan campuran
antara numerik maupun kategorik kita dapat menggunakan regresi logistik,pada
regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai
setiap prediktor.
 DAFTAR PUSTAKA

Hosmer, D.W., Lemeshow, S. 2000. Applied Logistic Regression. New

York: John Wiley&Sons, Inc.

Suharjo, B. 2008. Analisis Regresi Terapan. Yogyakarta: Graha Ilmu.

Firdaus. M, Farid. M.A. 2008. Aplikasi Metode Kuantitatif Terpilih Untuk

Manajemen dan Bisnis. IPB Press: Bogor

Sugiyono. Prof., Dr. (2011), Metode Penelitian Kuantitatif, Kualitatif, dan

R & D, Bandung : Penerbit Alfabeta.

Purwanto dan Suharyadi (2009), Statistika untuk Ekonomi dan Keuangan

Modern Edisi 2, Jakarta: Salemba Empat.

Supardi., Dr (2013), Aplikasi Statistika Dalam Penelitian, Jakarta : Change

Publication.