ANALISIS REGRESI LOGISTIK

Analisis ini mirip dengan regresi linier berganda, yaitu sama-sama merupakan metode
yang bertujuan menganalisis pengaruh antara satu atau beberapa variabel independen
terhadap satu variabel dependen.
Perbedaannya terletak pada skala variabel dependen.
Analisis regresi linier : skala variabel dependen adalah metrik
Analisis regresi logistik : skala variabel dependen adalah non metrik
Input data :
Data dari observable variable atau merupakan skor indikator variabel laten. Data yang
dianalisis adalah data mentah (raw data), bukan data standardize. Untuk variabel
dependen berupa data kategori (non metrik) dan variabel dependen berupa data kategori
(non metrik) atau metrik atau campuran.
Output :
Berupa persamaan regresi logistik
Kegunaan :
Merupakan alat untuk mengetahui pengaruh variabel, serta dapat digunakan untuk
prediksi berapa peluang terjadinya variabel Y.

CONTOH KASUS:

Lama Merokok (X1)

Jenis Kelamin (X2)

Kejadian
Hipertensi (Y)
Jenis rokok (X3)

Usia (X4)

Lama merokok  1:<=10 tahun 2:>10 tahun

Jenis kelamin  1:laki-laki 2:perempuan
Jenis rokok  0: dengan filter 1:tanpa filter
Usia  satuan tahun
Kejadian hipertensi  0: tidak hipertensi 1: hipertensi
KEDUDUKAN REGRESI LOGISTIK DALAM METODE STATISTIKA
DATA
Lama Jenis Rokok
Jenis Kelamin
Merokok 0: dengan Usia Kejadian Hipertensi
1:laki-laki
No 1:<=10 tahun filter (tahun) 0: tidak hipertensi
2:perempuan
2:>10 tahun 1:tanpa filter 1: hipertensi
X1 X2 X3 X4 Y
1 1 1 0 35 0
2 2 1 0 41 1
3 1 2 0 25 0
4 1 1 0 26 0
5 1 1 0 34 0
6 2 1 0 36 0
7 1 1 1 34 1
8 1 1 0 35 0
9 1 2 0 35 0
10 1 1 0 35 0
11 1 1 0 35 0
12 1 1 0 36 0
13 1 1 1 37 0
14 1 1 0 26 0
15 1 2 0 32 0
16 1 1 0 36 0
17 1 1 0 36 0
18 1 1 1 36 1
19 1 1 0 36 1
20 1 2 0 38 0
21 1 1 0 35 0
22 1 1 0 36 0
23 2 1 0 37 0
24 2 1 0 44 0
25 1 2 0 35 0
26 2 1 1 41 1
27 1 1 0 31 0
28 1 2 0 28 0
29 1 1 0 34 1
30 1 1 0 34 0
31 1 1 0 36 1
32 1 2 0 40 0
33 2 1 0 37 1
34 1 1 0 35 1
35 1 2 0 35 0
 Lama Jenis Rokok
Jenis Kelamin
Merokok 0: dengan Usia Kejadian Hipertensi
1:laki-laki
No 1:<=10 tahun filter (tahun) 0: tidak hipertensi
2:perempuan
2:>10 tahun 1:tanpa filter 1: hipertensi
X1 X2 X3 X4 Y
36 2 1 0 44 0
37 2 1 0 38 1
38 1 1 1 35 1
39 2 1 1 42 1
40 1 1 0 38 1
41 1 1 0 32 0
42 1 1 0 35 0
43 1 2 1 31 1
44 2 1 0 38 1
45 1 1 0 30 0
46 2 1 1 39 1
47 2 1 0 36 1
48 2 1 1 37 1
49 1 2 0 43 0
50 1 1 0 44 0
51 2 1 1 39 1
52 1 2 0 25 0
53 2 1 1 44 1
54 1 1 1 34 1
55 2 1 1 39 1
56 1 1 0 34 0
57 2 1 1 38 1
58 2 1 0 37 1
59 1 1 0 36 0
60 1 1 0 35 0
LANGKAH-LANGKAH ANALISIS REGRESI LOGISTIK DENGAN
SOFTWARE SPSS
1. Buka program SPSS

2. Masukkan data ke dalam sheet SPSS

Lalu simpan data, misal dengan nama “Data Logistik”

3. Klik Analyze > Regression > Binary Logistics

Lalu muncul menu sbb:

Lalu isikan variabel X1-X4 ke kotak Covariate, dan Y ke kotak Dependent.

Klik tombol Save, lalu centang sbb:

Klik Continue, lalu klik tombol Option, lalu centang sbb:

Lalu klik Continue
Lalu klik OK
OUTPUT SPSS

Logistic Regression

Logistic Regression

Block 0: Beginning Block

Block 1: Method = Enter
KERANGKA BERPIKIR CARA MENGINTERPRETASIKAN OUTPUT
ANALISIS LOGISTIK

1. Penilaian Keseluruhan Model (Model Overall Fit)

Penilaian model fit secara keseluruhan dilakukan dengan menggunakan nilai -2

Log Likelihood. Model regresi logistik yang dihasilkan dikatakan fit (sesuai)
dengan data jika terdapat pengurangan nilai dari -2 Log Likelihood awal (Block
number = 0) menjadi nilai -2 Log Likelihood akhir (Block number = 1).

Catatan:

2. Koefisien Determinasi (Cox and Snell R Square dan Nagelkerke R Square)

Untuk mengetahui seberapa besar variabilitas variabel-variabel bebas (lama

merokok, jenis kelamin, jenis rokok, usia) mampu memperjelas variabilitas
variabel terikat (kejadian hipertensi), digunakan nilai Nagelkerke R Square.
Nagelkerke R Square merupakan modifikasi dari Cox and Snell R Square yang
dapat diintepretasikan seperti nilai R Square pada regresi linier.
 Catatan:

3. Menguji Kelayakan Model

Pengujian kelayakan model regresi logistik dilakukan dengan Hosmer and

Lemeshow’s Goodness of Fit Test. Model regresi logistik dikatakan layak jika
Hosmer and Lomeshow’s Goodness of Fit Test menghasilkan nilai signifikansi
Chi-Square > 0,05 (α=5%).

Catatan:
4. Matriks Klasifikasi

Tingkat presisi persamaan logistik untuk prediksi, semakin mendekati 100% maka
semakin baik.

Catatan:

5. Estimasi Parameter

Sama seperti interpretasi persamaan regresi.

Ada tambahan statistik odds ratio, yang hanya bisa diintepretasikan pada variabel
independen yang berskala non metrik. Nilai odds ratio menandakan besarnya
peluang terjadinya Y.

Catatan: