BAB I PENDAHULUAN

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

A. REGRESI MULTINOMIAL LOGIT

Regresi multinomial logit atau disebut juga model logit politomus digunakan untuk
menyelesaikan kasus regresi dengan variabel dependen berupa data kualitatif berbentuk
multinomial/ lebih dari dua kategori (politomi) dengan satu atau lebih variabel independen. Ciri
yang dimiliki antar katagori dari respon adalah sederajat (unordered), artinya antar katagori tidak
ada tingkatanya dan sifatnya hanya berupa pembeda .

Persamaan model regresi multinomial logit dapat dituliskan sebagai berikut:

g j ( x )= β j 0 +β j1 x 1 +β j 2 x 2 +.. .+β jp x p , dengan g j (x ) merupakan variabel

dependen yang berupa variabel kategori politomus dengan skala pengukuran nominal,
xp

menyatakan variabel independen, dan

β jp adalah parameter.

Regresi multinomial logit merupakan regresi logistik dimana variabel dependennya

mempunyai skala yang bersifat polychotomous atau multinomial yang terdiri dari lebih dari dua
kategori. Pendugaan koefisien parameter model regresi multinomial logit pada umumnya
menggunakan metode Maksimum likelihood dengan menggunakan pendekatan distribusi.

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

Probabilitas bersyarat P(y = j| x) = π j(x), j = 0, 1, 2.

Contoh Model logistik dengan tiga kategori, memiliki dua fungsi logit sebagai berikut.

Fungsi logit untuk Y = 1 relatif terhadap fungsi logit untuk Y = 0

Fungsi logit untuk Y = 2 relatif terhadap fungsi logit untuk Y = 0

Kategori Y = 0 disebut sebagai kategori rujukan atau pembanding.

Secara umum, bila akan menganalisis model dengan n variabel bebas, maka tiga fungsi
logitnya dinotasikan sebagai berikut:

g1 (x) = In ¿ = β 10 + β 11x1 + β 12x2 + …+ β 1nxn

g2 (x) = In ¿ = β 20 + β 21x1 + β 22x2 + …+ β 2nxn

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.

g2 (x) = In ¿ = β 0 + β 1x1 + β 2x2 + …+ β nxn

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

B. TAHAPAN DALAM MENGEVALUASI MODEL REGRESI MULTINOMIAL

LOGIT

Hasil regresi multinomial logit memerlukan sebuah evaluasi untuk mengetahui seberapa
baik hasil regresi multinmial logit tersebut. Evaluasi hasil regresi logistic meliputi:

a. Uji Kebaikan Model (Goodness of fit)

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:

 Pseudo Rsquare Cox and Snell dengan rumus sebagai berikut:

¿
L(0)
2
R =1–
CS
L( B) [ ] 2/n

 Rsquare Nagelkerke dengan rumus sebagai berikut:

2 R 2CS
R =
N
1−L(0)2 /n

 Pseudo Rsquare McFadden dengan rumus sebagai berikut:

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.

b. Uji Signifikansi Variabel Independent Secara Serentak (Overall Model Fit)

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.

Hipotesis untuk menilai model fit adalah

H0 : β 0 = β 1 = β 2 = β 3 = β 4 = β 5 = 0

H1 : sekurang-kurangnya terdapat satu ≠ 0

5
 Dengan statistik uji

likeli h ood (Model A)

G = -2 In [ likeli h ood ( Model B) ]
Model B : model yang hanya terdiri dari konstan saja

Model A : model yangterdiri dari seluruh variabel

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 .

c. Uji Signifikansi Variabel Independent Secara Individual (Significance Test)

Uji signifikansi digunakan untuk mengetahui apakah variabel independent secara
individu berpengaruh pada variabel dependent. Uji signifikasi variabel independent dilakukan
dengan dua cara yaitu, uji Likelihood Ratio, dan uji Wald.

1. Uji Likelihood Ratio

likeli h ood (Model A)

Uji Likelihood Ratio didasarkan pada perbedaan G = -2 In [ likeli h ood ( Model B) ]
antara model yang diestimasi dengan model tanpa variabel yang diamati dengan derajat bebas
sebanyak variabel independent yang tidak dimasukkan dalam model. Jika nilai chi-square lebih
besar daripada nilai chi-square table (X2 α ,p ; α = tingkat signifikansi) maka H0 ditolak.
Sedangkan jika nilai chi-square lebih kecil daripada nilai chi-square table (X2 α ,p ; α = tingkat
signifikansi) maka H0 diterima.

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.

C. KATEGORI REGRESI MULTINOMIAL LOGIT

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). 

 Disini peubah waktu digunakan sebagai PERTIMBANGAN PILIHAN SUBYEK . Model

logit bersyarat menjelaskan bagaimana waktu tempuh mempengaruhi jenis kendaraan
yang dipilih 
 Sedang usia merupakan KARAKTERISTIK SUBYEK.Model logit terampat menjelaskan
bagaimana usia mempengaruhi jenis kendaraan yang dipilih. 

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

Berat Badan Tipe

NO
Bayi Imunisasi
1 3,24 Tipe A
2 3,45 Tipe A
3 3,63 Tipe A
4 3,78 Tipe A
5 3,98 Tipe A
6 4,36 Tipe B
7 4,79 Tipe B
8 5,68 Tipe C
9 3,3 Tipe A
10 5,45 Tipe C
11 5,65 Tipe C
12 3,78 Tipe B
13 4,03 Tipe B
14 4,39 Tipe B
15 4,84 Tipe B
16 4,71 Tipe B
17 3,3 Tipe A
18 3,47 Tipe A
19 3,65 Tipe A
20 5,78 Tipe C

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) .

Kategorikan Tipe Imunisasi:

Tipe A = 1

Tipe B = 2

Tipe C = 3

11
c. Langkah 3
Kemudian klik Analyze RegressionMultinomial Logistic

d. Langkah 4

Kemudian muncul kotak dialog Multinomial Logistic Regression

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