1. LATAR BELAKANG
Imunisasi merupakan usaha memberikan kekebalan pada bayi dan anak dengan
memasukkan vaksin kedalam tubuh.Agar tubuh membuat zat anti. Untuk merangsang
pembentukan zat anti yang dimasukkan kedalam tubuh melalui suntikan. Ada beberapa tipe
imunisasi yang digunakan yang terdiri dari tiga kategori yaitu: “Tipe A, Tipe B, dan Tipe
C”.
Dalam penelitian ini tentang pilihan imunisasi (TipeA,Tipe B, danTipe C) untuk 60
bayi berdasarkan berat badan bayi. Terdapat syarat untuk menentukan tipe imunisasi apa
yang akan diberikan kepada bayi seperti ketentuan berat badan.
Salah satu cara yang dapat dilakukan dalam penetapan tipe imunisasi berdasarkan
berat badan bayi yaitu penetapan tipe imunisasi dengan Model Regresi Logistik
Multinomial. Model Regresi Logistik Multinomial (MRLM), merupakan suatu model
regresi yang variable dependennya berupa variable kategori misalnya pilihan tipe imunisasi
(Tipe A, Tipe B, dan Tipe C) . Model Regresi Logistik Multinomial merupakan model
dengan alternative pilihan lebih dari dua.
2. TUJUAN
a. Mahasiswa dapat mengetahui cara menghitung Regresi Logistik Multinomial dengan
SPSS
b. Mahasiswa mampu menginterpretasi hasil output SPSS
1
BAB II TINJAUAN PUSTAKA
dependen yang berupa variabel kategori politomus dengan skala pengukuran nominal,
xp
Pada model regresi multinomial logit , Yi terdiri lebih dari dua kategori maka model
regresi multinomial logit didasarkan pada distribusi multinomial yi ~ M (n, π)
Fungsi likelihood untuk data Y = {y1, y2, . . ., yn} adalah sebagai berikut
n n n
L (β | y ) = exp { g1 (x) ∑ y1i + g2 (x) ∑ y2i – ∑ log (1 + eg1 (x) + eg2 (x) )}
i=1 i=1 i=1
Dengan
g1 (x) = β 10 + β 11 x1 + β 12 x2
g2 (x) = β 20 + β 21 x1 + β 22 x2
2
Misal X variabel independent yang berukuran (p+1) dan variabel dependent Y (j kategori)
2
mempunyai kategori j = 0, 1, 2 dengan probabilitas π 0, π 1, π 2 dan ∑ π j = 1
j=0
Contoh Model logistik dengan tiga kategori, memiliki dua fungsi logit sebagai berikut.
Secara umum, bila akan menganalisis model dengan n variabel bebas, maka tiga fungsi
logitnya dinotasikan sebagai berikut:
Dalam regresi logistik variabel respon (Y), didefenisikan sebagai log dari odds dimana
odds didefenisikan sebagai rasio probabilitas dari dua alternatif (Garrow, 2010). Pada model
binary logit, fungsi logitnya dinotasikan sebagai berikut.
In ¿ = g
In ( 1−p p ) = (g)
( 1−p p ) = exp (g)
p = exp (g) – p exp (g)
3
p(1+ exp (g)) = exp (g)
exp(g)
p=
(1+exp( g))
ez
p=
1+ e z
Persamaan In ( 1−p p ) = (g) menunjukkan log odds, sedangkan odds ditunjukkan pada
persamaan ( 1−p p ) = exp (g). Analog dengan pembahasan model binary logit, untuk model
regresi logistik dengan tiga kategori, probabilitas untuk masing-masing kategori adalah:
g1 (x) = β 10 + β 11 x1 + β 12 x2
g2 (x) = β 20 + β 21 x1 + β 22 x2
Hasil regresi multinomial logit memerlukan sebuah evaluasi untuk mengetahui seberapa
baik hasil regresi multinmial logit tersebut. Evaluasi hasil regresi logistic meliputi:
Uji kebaikan model digunakan untuk mengetahui kebaikan model dengan menggunakan
ukuran koefisien determinasi. Koefisien determinasi (R2) mengukur proporsi varian di dalam
4
variabel independen yang dijelaskna oleh variabel dependen. Ukuran kebaikan regresi dalam
model regresi multinomial logit disebut Pseudo R2.
Ada tiga ukuran Pseudo Rsquare yang dapat digunaka untuk mengukur kebaikan model
regresi multinomial logit, yaitu:
¿
L(0)
2
R =1–
CS
L( B) [ ] 2/n
2 R 2CS
R =
N
1−L(0)2 /n
L( B)
R2M = 1 - [ ]
L( 0)
dimana L(0) adalah likelihood model hanya dengan konstan dan L(B) adalah model
yang diestimasi serta n adalah jumlah observasi.
Uji Overall Model Fit digunakan untuk mengetahui apakah semua variabel independent
dalam regresi multinomial logit secara serentak mempengaruhi variabel dependent. Uji ini
dilakukan dengn uji likelihood ratio atau disebut juga dengan uji G.
H0 : β 0 = β 1 = β 2 = β 3 = β 4 = β 5 = 0
5
Dengan statistik uji
G berdistribusi Chi-Kuadrat dengan derajat bebas p atau G ~ Xp2. H0 ditolak jika G > X2 α ,
p ; α = tingkat signifikansi. Atau dengan cara lain, keputusan menolak atau tidak menolak H 0
dapat dilakukan dengan membandingkan nilai α dengan p-value, bila p-value < α, maka H0
ditolak. Bila H0 di tolak artinya model tersebut signifikan secara statistik pada tingkat
signifakansi α .
2. Uji Wald
6
Uji Wald dapat digunakan untuk mengetahui apakah variabel independent
mempengaruhi variabel dependent atau tidak. Nilai statistik Wald dapat dihitung dengan
menggunakan nilai statistik berdasarkan distribusi normal Z seperti persamaan berikut.
βto pi
Z=
se βtopi
dimana β topi merupakan nilai koefisienestimasi pada model sedangkan se βtopi
merupakan standar error dari koefisien tersebut.
Nilai Z diatas bila dikuadratkan akan menghasilkan nilai statistic Wald. Nilai statistik
Wald ini mengikuti distribusi chi-square. Jika nilai statistik Wald lebih besar daripada nilai chi-
square table (X2 α ,p ; α = tingkat signifikansi) maka H0 ditolak. Sedangkan jika nilai statistic
Wald lebih kecil daripada nilai chi-square table (X2 α ,p ; α = tingkat signifikansi) maka H0
diterima.
Regresi multinom dibagi menjadi dua katagori, yaitu model logit remampat (Generalized
Logit Model) dan model logit bersyarat (Conditional Logit Model). Keduanya memiliki struktur
model yang sama, tetapi berbeda dalam karakteristik peubah penjelas yang digunakan. Peubah
penjelas model logit terampat menggunakan karakteristik dari individu (subyek), sedang model
logit bersyarat menggunakan karakteistik dari pilihan individu. Untuk menjelaskan masalah ini
akan diberika beberapa ilustrasi :
Misalnya kita meneliti mengenai pilihan seseorang tehadap jenis kendaraan untuk
melakukan perjalanan. Data yang digunakan sebagai variabel penjelas adalah waktu tempuh
masing2x kendaraan dan usia siresponden, sedang variabel responnya berupa jenis kendaraan
yang digunakan (pesawat, kereta dan bus).
7
BAB III PENERAPAN
1. DATA
Data yang digunakan adalah data penelitian tentang pilihan tipe imunisasi untuk 60 bayi
berdasarkan berat badan bayi tersebut. Peubah respon dalam penelitian ini adalah Tipe
imunisasi, yang terdiri dari tiga kategori, yaitu Tipe A,Tipe B,Tipe C. sedangkan peubah
penjelasnya adalah Berat badan bayi (kg) .
Data Berat Badan Bayi (kg) dan Tipe Imunisasi untuk 60 Bayi
8
21 4,03 Tipe B
22 4,41 Tipe B
23 5,25 Tipe C
24 5,89 Tipe B
25 3,32 Tipe B
26 3,47 Tipe B
27 3,65 Tipe B
28 3,8 Tipe A
29 4,16 Tipe B
30 4,44 Tipe B
31 5,28 Tipe C
32 3,32 Tipe B
33 3,5 Tipe A
34 3,65 Tipe B
35 3,8 Tipe B
36 4,26 Tipe B
37 4,46 Tipe B
38 5,33 Tipe B
39 3,4 Tipe B
40 3,52 Tipe A
41 3,68 Tipe B
42 3,85 Tipe B
43 4,31 Tipe B
44 4,56 Tipe C
45 5,56 Tipe B
46 3,42 Tipe A
47 3,55 Tipe A
48 3,70 Tipe A
49 3,88 Tipe A
50 4,31 Tipe B
51 4,67 Tipe B
52 5,58 Tipe B
53 3,42 Tipe B
54 3,6 Tipe A
55 3,73 Tipe C
56 3,93 Tipe A
57 4,36 Tipe B
58 4,72 Tipe A
59 5,66 Tipe B
60 4,5 Tipe A
2. PEMBAHASAN
9
a. Langkah 1
Input data ke dalam data view spss 20.
10
b. Langkah 2
Kategorikan Y sebagai variable terikat (Tipe Imunisasi )dan X sebagai variable bebas
(Berat Badan Bayi) .
Tipe A = 1
Tipe B = 2
Tipe C = 3
11
c. Langkah 3
Kemudian klik Analyze RegressionMultinomial Logistic
d. Langkah 4
12
Masukkan Tipe Imunisasi (Y) ke Kolom Dependent dan Berat Badan (X) ke kolom
Covariate
Klik OK, lalu muncullah hasil output SPSS regresi logistic multinomial seperti dibawah
ini:
Case Processing Summary
N Marginal
Percentage
Tipe A 21 35.0%
13
Tipe Tipe B 31 51.7%
imunisasi Tipe C 8 13.3%
Valid 60 100.0%
Missing 0
Total 60
Subpopulation 48a
a. The dependent variable has only one value
observed in 44 (91.7%) subpopulations.
Pada Case Processing Summary kita dapat menginterpretasikan bahwa imunisasi tipe A
jumlah datanya sebesar 21 dengan persentasi 35.0%, Imunisas Tipe B jumlah datanya
sebesar 31 dengan presentasi 51.7%, dan imunisasi tipe C jumlah datanya sebesar 8 dengan
persentasi 13.3%.
Model Fitting Information
Model Model Fitting Likelihood Ratio Tests
Criteria
-2 Log Chi-Square df Sig.
Likelihood
Intercept
110.106
Only
Final 82.984 27.122 2 .000
Model Fitting Information dapat dilihat bahwa angka -2 log Likelihood pada model awal
(intercept only) sebesar 110,106 dan angka -2 log Likelihood pada model Final sebesar
82,984. Karena hasil ini menunjukkan adanya penurunan, maka dapat ditarik kesimpulan
bahwa model ini menunjukkan model multinomial logit yang lebih baik dan dapat diputuskan
bahwa dapat menggunakan model lengkap untuk melakukan analisis.
Pseudo R-Square
Cox and Snell .364
Nagelkerke .424
McFadden .231
2
Nilai statistik R-Square (R ) pada analisis multinomial logistik didekati dengan nilai Pseudo
R-Square : Cox and Snell, Nagelkerke dan McFadden. Nilai pada rentang 0 – 1, semakin
14
mendekati 1 maka semakin banyak variasi yang dapat dijelaskan oleh model. Nilai koefisien
Cox and Snell sebesar 0,364, nilai koefisien Nagelker pada tabel sebesar 0,424 yang berarti
bahwa variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel
independen sebesar 42,4%
Likelihood Ratio Tests
Effect Model Fitting Likelihood Ratio Tests
Criteria
-2 Log Chi- df Sig.
Likelihood of Square
Reduced Model
Intercept 112.617 29.633 2 .000
x 110.106 27.122 2 .000
The chi-square statistic is the difference in -2 log-
likelihoods between the final model and a reduced
model. The reduced model is formed by omitting an
effect from the final model. The null hypothesis is that all
parameters of that effect are 0.
Likelihood ratio test merupakan uji signifikansi model yang memperlihatkan kontribusi
pengaruh setiap variabel independen atau variabel vaktor terhadap model. Hasil output
multinomial logit pada kolom Sig. terlihat bahwa variabel bebas X memiliki konstribusi yang
signifikan terhadap model yaitu sebesar 0,00. Variabel ini dikatakan signifikan karena
variabel tersebut memiliki nilai Sig lebih kecil dari = 0,05
Hasil pengujian regresi multinomial logit pada tabel diatas, menunjukkan bahwa variabel
yang dapat digunakan untuk memprediksi probabilitas tipe imunisasi yang akan diberikan
terhadap bayi yaitu tipe A dan tipe B, dimana kedua variabel tersebut memiliki nilai statistik
signifikan pada tingkat 5%
15
3. KESIMPULAN
Dari hasil pembahasan pada penelitian ini dapat ditarik kesimpulan sebagai berikut:
a. Hasil pengujian secara parsial (Likelihood Ratio Test) menunjukkan bahwa varuabel tipe
imunisasi tipe A dan tipe B yang dapat digunakan untuk memprediksi tipe imunisasi
untuk bayi secara statistik signifikan pada tingkat 5%
b. Hasil pengujian multinomial logit menunjukkan bahwa nilai koefisien Nagelkerke R-
Square menjelaskan bahwa dalam model regresi ini kemampuan variabel dependen (tipe
imunisasi) sebesar 42,4% dan sisanya 57,6% dijelaskan variabel lain.
16