TUGAS UJIAN AKHIR PRAKTIKUM

UJI REGRESI ORDINAL

BLOK 9 : EPIDEMIOLOGI DAN BIOSTATISTIK

Disusun Oleh :

FILKY NANDA MAFILDA

NIM : 181610101137

FAKULTAS KEDOKTERAN GIGI

UNIVERSITAS JEMBER
2019
1. Pengertian Regresi Ordinal

Ordinal regression (regresi ordinal) adalah analisis regresi di mana variable

dependennya menggunakan skala ordinal (Ekaputri, 2014). Variabel dependen adalah
variabel yang dipengaruhi oleh variabel independen (Kaur, 2013). Variabel dependen
dalam penelitian adalah variabel yang menjadi perhatian utama peneliti, yaitu variabel
yang benar-benar ‘diperhitungkan’. (Powers, 2011)

Ordinal atau ranking adalah salah satu jenis skala data yang mempunyai ciri
kategorik namun tiap kategorik yang ada terdapat perbedaan derajat, dimana ada yang
lebih baik atau buruk dan tinggi atau rendah. Contohnya adalah tingkat pengetahuan
seseorang, dimana ada kategorik tingkat pengetahuan rendah, pengetahuan sedang dan
pengetahuan tinggi. Contoh lain adalah pecandu alkohol berat, sedang dan ringan.
(Anwar, 2012)

Sedangkan variabel independennya bisa merupakan Covariate (jika menggunakan

skala interval atau rasio) atau bisa merupakan Factor (jika menggunakan skala nominal
atau ordinal). Variabel independen adalah variabel yang merupakan penyebab dari
variabel dependen. Dalam sebuah percobaan, sebuah variabel independen sebenarnya
'dimanipulasi', yaitu peneliti melakukan intervensi dan ‘menciptakan’ sebuah variabel
dari dua atau lebih kondisi perlakuan. (Powers, 2011)

Regresi ordinal ini digunakan untuk menganalisa hubungan antara variabel respon
dengan variabel prediktor, dimana variabel respon bersifat polikotomus dengan skala
ordinal (Megahardiyani dan Destri, 2013). Masalah regresi ordinal sangat umum terjadi
dalam penelitian. Beberapa bidang dimana regresi ordinal ditemukan adalah penelitian
medis, estimasi umur, penilaian kredit, pemodelan ekonometrik, pengenalan wajah,
penilaian kecantikan wajah, klasifikasi gambar, prediksi kecepatan angin, ilmu sosial,
klasifikasi teks, dan banyak lagi. (Gutiérrez, 2015)

Regresi ordinal mempunyai beberapa teknik perhitungan yang mana pada SPSS
disebut dengan istilah Option Link. Jenis tersebut antara lain:

1. Logit

2
 Dengan persamaan f(x) = log(x(1-x)). Jenis ini digunakan pada sebagian besar
distribusi data. Maka aplikasi SPSS secara default atau bawaan aslinya
menggunakan option link jenis Logit ini.
2. Negative Log-log
Dengan persamaan f(x) = -log(-log(x)). Jenis ini digunakan apabila data mempunyai
kecenderungan bernilai rendah.
3. Complementary Log-log
Dengan persamaan f(x) = log(-log(1-x)). Jenis ini digunakan apabila data
mempunyai kecenderungan bernilai tinggi.
4. Cauchit (Inverse Cauchy)
Dengan persamaan f(x) = tan(Phi(x-0,5)). Jenis ini digunakan apabila variabel latent
mempunyai nilai yang ekstrim.
5. Probit
Dengan persamaan f(x) = O-1 (x) dengan O-1 adalah fungsi inverse distribusi
kumulatif standar normal. Jenis ini digunakan apabila variabel latent terdistribusi
secara normal.
2. Penerapan Regresi Ordinal
Contoh kasus : Kuesioner disebarkan kepada pelanggan Toyota AUTO2000 Kertajaya
ketika pelanggan selesai memanfaatkan jasa layanan service di Bengkel Toyota
AUTO2000 Cabang Kertajaya. Adapun Data Kuesioner yang didapatkan ditampilkan
pada Tabel 1 (Oktora, 2015).

3
Data yang sudah ada diinputkan ke dalam Software SPSS untuk dilakukan analisa. Pada
SPSS, langkah awalnya adalah inputkan variabel yang dibutuhkan pada Sheet Variabel
View yang sudah tersedia seperti terlihat pada Gambar 1 (Oktora, 2015).

Selanjutnya data kuesioner diinputkan pada Sheet Data View sesuai dengan variabel yang
sudah dibuat sebelumnya. Adapun Data View ditunjukkan pada Gambar 2 (Oktora,
2015).

4
Untuk melakukan proses analisa klik Menu Analyze » Regression » Ordinal. Maka akan
muncul Window Ordinal Regression seperti Gambar. (Oktora, 2015)

Inputkan variabel Layanan Service (Y) pada bagian Dependent sebagai Variabel
Dependen / Variabel Respon. Sedangkan inputkan keempat variabel faktor yang lain ke
dalam bagian Factor(s). Perbedaan bagian Factor(s) dan Covariate(s) adalah apabila
variabel respon memiliki data skala berjenis nominal ataupun ordinal dapat diinputkan
pada bagian Factor(s), sedangkan bagian Covariate(s) dikhususkan untuk variabel
independen yang memiliki data skala rasio (Oktora, 2015).
Selanjutnya pada Menu Options dilakukan settings Option Link untuk regresi
logistik ordinal ini. Terdapat lima pilihan regresi ordinal atau sering disebut option link.

5
Kelima pilihan tersebut adalah Logit, Complementari log-log, Negative log-log, Probit
dan Cauchit. Pilihannya tergantung dari distribusi data yang dianalisis. Penjelasan
mengenai option link sebagai berikut (Ekaputri, 2014):
a. Logit dengan persamaan: f(x) = log(x/(1-x))
Digunakan pada kebanyakan distribusi data, jadi Program SPSS secara default
menggunakan option link berupa Logit
b. Complementary Log-log dengan persamaan f(x) = log(-log(1-x)
Digunakan untuk data yang mempunyai kecenderungan bernilai tinggi.
c. Negative Log-log dengan persamaan f(x) = -log(-log(x))
Digunakan untuk data yang mempunyai kecenderungan bernilai rendah
d. Probit dengan persamaan f(x) = O-1 (x) dengan O-1 adalah fungsi inverse distribusi
kumulatif standar normal.
Digunakan jika variabel latent terdistribusi secara normal
e. Cauchit (Inverse Cauchy) dengan persamaan f(x) = tan(Phi(x-0,5))
Digunakan jika variabel latent mempunyai nilai yang ekstrem

Setelah setting untuk Options sudah dilakukan, selanjutnya dilakukan settings pada Menu
Output. Menu Output ini untuk menampilkan analisa output yang diinginkan. Adapun
tampilan Menu Output dapat dilihat pada Gambar 5 (Oktora, 2015).

6
Pada Gambar 5 bagian Panel Display dapat dipilih output apa saja yang ingin ditampilkan
dalam analisa sesuai kebutuhan. Pada kasus ini akan ditampilkan output antara lain
Goodness of fit Statistics, Summary Statistics, Parameter estimates, dan Test of parallel
lines (Oktora, 2015).

7
 Output Case Processing Summary ini adalah output yang menunjukkan
rekapitulasi data pada setiap variabel dilengkapi dengan prosentasenya. Secara
keseluruhan 40 record data yang ada menunjukkan valid 100% (Oktora, 2015).
1. Adapun pada tingkat kepuasan Layanan Service, 8 responden mengatakan Kurang
Puas, 14 responden mengisi Puas, dan 18 orang atau 45% responden merasa sangat
puas dengan Layanan Service pada Toyota AUTO2000 Kertajaya (Oktora, 2015).
2. Untuk variabel Kecepatan Service, frekuensi responden yang mengatakan Kurang
Cepat terdapat 13 orang, dan sisanya sebanyak 67,5% mengatakan Cepat (Oktora,
2015).
3. Untuk variabel Keramahan Petugas, sebanyak 11 responden mengatakan petugas
Kurang Ramah, 21 responden mengisi Ramah, dan 8 lainnya mengatakan bahwa
petugas service sangatlah ramah (Oktora, 2015).
4. Untuk variabel Kualitas Hasil, 22,5% responden mengatakan Kurang Baik, 45%
mengatakan Biasa, dan 32,5% sisanya mengatakan Kualitas Hasil Service Baik
(Oktora, 2015).
5. Untuk variabel Kenyamanan Fasilitas, 11 responden mengatakan fasilitas Kurang
Nyaman, 19 orang mengisi Nyaman, dan 10 lainnya atau 25% responden
mengatakan fasilitas yang dimiliki sangat nyaman (Oktora, 2015).

Output ini digunakan untuk mengetahui apakah model dengan beberapa variabel
bebas lebih baik daripada model tanpa variabel bebas (hanya intersep). Selisih dari kedua
nilai adalah sebesar 73,377 – 21,826 = 51,551 yang merupakan nilai Chi-Square. Pada
output menunjukkan bahwa nilai Chi-Square tersebut mempunyai nilai signifikan atau p-
value adalah 0,000 (dengan α = 0,05), dimana output ini didasarkan pada hipotesis
berikut ini (Oktora, 2015).
H0 : Model yang hanya mengandung intersep cocok digunakan

8
H1 : Model yang hanya mengandung intersep tidak cocok digunakan
P-value < α, maka

Hasil pengujian berada di daerah Tolak H0, sehingga didapatkan kesimpulan

model yang hanya mengandung intersep tidak cocok digunakan. Dengan kata lain, model
yang cocok digunakan adalah model yang mengandung variabel bebasnya (final model)
atau bisa dikatakan model fit dengan data (Oktora, 2015).

Output ini digunakan untuk melihat uji kesesuaian model dengan data.
Didapatkan nilai Chi-square untuk Pearson adalah 13,814 dengan p-value 0,997 dan
Deviance sebesar 12,933 dengan p-value 0,998. Deviance menunjukkan ukuran seberapa
banyak variasi yang tidak dapat dijelaskan oleh model regresi logistik. Semakin tinggi
nilai deviance semakin kurang akurat modelnya. Disini nampak terlihat Nilai Deviance
termasuk rendah. Adapun bentuk hipotesis untuk pengujian goodness of fit ini adalah
sebagai berikut (Oktora, 2015):
H0 : Data sesuai dengan prediksi model regresi logistik
H1 : Data tidak sesuai dengan prediksi model regresi logistik
p-value = 0.997 > 0.05
P-value > α, maka

9
 Hasil pengujian berada di daerah Gagal Tolak H0, sehingga didapatkan
kesimpulan Data sesuai dengan prediksi model regresi logistic (Oktora, 2015).

Uji kesesuaian statistik juga dapat diberikan dengan nilai Pseudo R-square. Nilai
ini mengadopsi nilai koefisien determinasi pada regresi berganda, yang menunjukkan
seberapa besar kemampuan variabel bebas menjelaskan varians respons. Terdapat tiga
buah nilai Pseudo R-Square, dengan nilai terbesar adalah Nagelkerke yaitu sebesar 0,826.
Hal ini menunjukkan bahwa Kecepatan Service, Keramahan Petugas, Kualitas Hasil
Service, dan Kenyamanan Fasilitas mampu menjelaskan varians Kepuasan Layanan
Service sebesar 82,6% dimana sisanya yaitu sebesar 17,4% dijelaskan oleh faktor-faktor
yang lain (Oktora, 2015).

Tabel Test of Parallel Lines digunakan untuk menguji asumsi bahwa setiap
kategori memiliki parameter yang sama atau hubungan antara variabel independen
dengan logit adalah sama untuk semua persamaan logit. Oleh karena nilai signifikansi

10
atau p-value adalah 0,217 (> 0,05), maka gagal tolak H0. Artinya model yang dihasilkan
memiliki parameter yang sama, sehingga pemilihan link function sudah sesuai. Namun
sebaliknya, bila asumsi ini tidak terpenuhi, maka pemilihan link function belum tepat
(Oktora, 2015).

11
 DAFTAR PUSTAKA

Fürnkranz, J. and Hüllermeier, E. 2010. Preference Learning. Germany: Springer. Hal:

121.
Powers, Bethel Ann dan Thomas R. 2011. Knapp Dictionary of Nursing Theory and
Research. 4th ed. New York: Springer Publishing Company. Hal: 90.
Oktora, Rino, AA Ngurah Hary Susila, dan Fathin Hilmiyah. 2015. PenerapanRegresi
Logistik Untuk Analisa Data Kepuasan Layanan Service di Toyota AUTO2000.
Surabaya: Institut Teknologi Sepuluh Nopember.
G. David Garson. 2014. Ordinal Regression ISBN: 978-1-62638-029-5. USA: Statistical
Publishing Associates.
Megahardiyani, Citra Elok dan Destri Susilaningrum. 2013. Analisis Regresi Logistik
Ordinal Untuk Mengetahui Faktor-faktor yang Mempengaruhi Status Gizi Balita
Nelayan Kecamatan Bulak Surabaya. JURNAL SAINS DAN SENI ITS. Vol. 1:
No. 3.
Hidayat, Anwar. 2012. Regresi Ordinal. Jakarta: Statistikian.
Kaur, S. P. 2013. Variables in Research. IJRRMS; 3(4).

12