MAKALAH BIOSTATISTIKA

ANALISIS REGRESI LINEAR DAN ANALISIS REGRESI LOGISTIK

Dosen Pengampu :
Ns. Arif Rohman Mansur, S.Kep, M.Kep, Sp.An

Oleh Kelompok 3
1. Yuni Mellianti (2011316017)
2. Ahmad Mudhofir (2011316041)
3. Della Fatimah (2011316042)
4. Three Nur Oktavia (2011316043)
5. Rizki Cahaya Putri (2011316044)
6. Windi Wahyuni (2011316045)
7. Nadiya Ayu Nopihartati (2011316046)
8. Dina Annisa Utami (2011316047)
9. Salmi Dianita Nasution (2011316048)
10. Rada Putri Agusti (2011316049)
11. Anita Rahayu (2011316050)
12. Intan Putri Andriani (2011316051)
13. Fajar Alifah (2011316052)
14. Maya Rosita (2011316054)
15. Yoga Marsa Dinata (2011316055)
16. Dina Rahmiyanti Saputri (2011316056)
17. Fatria Surisna (2011316057)
18. Syafitri Wulandari (2011316058)
19. Rheynanda (2011316059)

PROGRAM B STUDI ILMU KEPERAWATAN

UNIVERSITAS ANDALAS
TAHUN 2020
 KATA PENGANTAR

Puji syukur kami ucapkan kehadirat Allah SWT, yang atas berkat rahmat-Nya sehingga
kami dapat menyelesaikan tugas Makalah Biostatistika yang berjudul “Analisis Regresi
Linear Dan Analisis Regresi Logistik”. Penulisan makalah ini merupakan salah satu tugas
yang diberikan dalam mata kuliah Biostatistika di Fakultas Keperawatan Unand.
Dalam penulisan makalah ini kami merasa masih banyak kekurangan baik pada teknis
penulisan maupun materi, mengingat kemampuan yang kami miliki. Untuk itu, kritik dan
saran dari semua pihak sangat kami harapkan demi penyempurnaan pembuatan makalah ini.
Dalam penulisan makalah ini penulis menyampaikan ucapan terimakasih kepada pihak-
pihak yang membantu dalam menyelesaikan makalah ini. Semoga makalah ini dapat
bermanfaat bagi pembaca.

Padang, April 2021

Pemakalah

ii
 DAFTAR ISI

KATA PENGANTAR........................................................................................................ii

DAFTAR ISI.....................................................................................................................iii

BAB I PENDAHULUAN
A. Latar Belakang.....................................................................................................1
B. Rumusan Masalah...............................................................................................2
C. Tujuan Penelitian.................................................................................................2
D. Manfaat Penelitian...............................................................................................2

BAB II TINJAUAN PUSTAKA

A. Konsep Analisis Regresi......................................................................................3
B. Konsep Analisis Linear.......................................................................................9
BAB III PENUTUP
A. Kesimpulan........................................................................................................14
B. Saran..................................................................................................................15
CONTOH PROPOSAL ANALISIS REGRESSI
CONTOH PROPOSAL ANALISIS LINIER
DAFTAR PUSTAKA

iii
 BAB I
PENDAHULUAN

A. Latar Belakang
Penggunaan statistika dalam mengolah data penelitian berpengaruh
terhadap tingkat
analisis hasil penelitian. Penelitian-penelitian dalam bidang ilmu pengetahuan
alam yang menggunakan perhitungan-perhitungan statistika, akan
menghasilkan data yang mendekati benar jika memperhatikan tata cara
analisis data yang digunakan. Dalam memprediksi dan mengukur nilai dari
pengaruh satu variabel (bebas/independent/ predictor) terhadap variabel lain
(tak bebas/dependent/response) dapat digunakan uji regresi (Yuliara, 2016).
Analisis/uji regresi merupakan suatu kajian dari hubungan antara satu
variabel, yaitu
variabel yang diterangkan (the explained variabel) dengan satu atau lebih
variabel, yaitu
variabel yang menerangkan (the explanatory). Apabila variabel bebasnya
hanya satu, maka analisis regresinya disebut dengan regresi sederhana.
Apabila variabel bebasnya lebih dari satu, maka analisis regresinya dikenal
dengan regresi linear berganda. Dikatakan berganda karena terdapat beberapa
variabel bebas yang mempengaruhi variabel tak bebas. (Yuliara, 2016)
Analisis Regresi adalah teknik analisis yang menjelaskan bentuk hubungan
antara dua atau lebih khususnya hubungan antara variabel-variabel yang
mengandung sebab akibat (Akbar, 2011). Regresi Logistik di dalam statistik
seringkali disebut model logistik atau model logit, digunakan untuk
memprediksi kemungkinan (probabilitas) dari suatu kejadian dengan data
fungsi logit dari kurva logistik. Regresi logistik juga dapat diartikan sebuah
pendekatan untuk membuat model prediksi. Dalam regresi logistik, peneliti
memprediksi variabel dependent yang berskala dikotomi. Skala dikotomi yang
dimaksud adalah skala data nominal dengan dua kategori, misalnya: Ya dan
Tidak, Baik dan Buruk atau Tinggi dan Rendah. Regresi logistik tidak

1
 membutuhkan asumsi bahwa error varians (residual) terdistribusi secara
normal sebab pada regresi jenis logistik ini mengikuti distribusi logistik.
Analisis/uji regresi banyak digunakan dalam perhitungan hasil akhir untuk
penulisan
karya ilmiah/penelitian. Hasil perhitungan analisis/uji regresi akan dimuat
dalam kesimpulan penelitian dan akan menentukan apakah penelitian yang
sedang dilakukan berhasil atau tidak. Analisis perhitungan pada uji regresi
menyangkut beberapa perhitungan statistika seperti uji signifikansi (uji-t, uji-
F), anova dan penentuan hipotesis. Hasil dari analisis/ uji regresi berupa suatu
persamaan regresi. Persamaan regresi ini merupakan suatu fungsi prediksi
variabel yang mempengaruhi variabel lain (Yuliara, 2016).

B. Tujuan
Makalah ini bertujuan untuk menjelaskan tentang cara melakukan analisis
regresi linear dan analisis regresi logistik.

C. Manfaat
Penulisan makalah ini diharapkan mampu memberikan manfaat yang
signifikan bagi pembacanya dalam memahami dan menerapkan cara
menganalisis menggunakan analisis regresi linear dan analisis regresi logistik
yang dapat berguna salah satunya dalam melakukan penelitian.

2
 BAB II
TINJAUAN PUSTAKA

A. KONSEP ANALISIS REGRESI LINIER

1. Definisi regresi linier

Regresi linier adalah metode statistika yang digunakan untuk
membentuk model hubungan antara variabel terikat (dependen; respon;
Y) dengan satu atau lebih variabel bebas (independen, prediktor, X).
Apabila banyaknya variabel bebas hanya ada satu, disebut sebagai regresi
linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas,
disebut sebagai regresi linier berganda. Analisis regresi setidak-tidaknya
memiliki 3 kegunaan, yaitu untuk tujuan deskripsi dari fenomena data
atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan
prediksi. Regresi mampu mendeskripsikan fenomena data melalui
terbentuknya suatu model hubungan yang bersifatnya numerik. Regresi
juga dapat digunakan untuk melakukan pengendalian (kontrol) terhadap
suatu kasus atau hal-hal yang sedang diamati melalui penggunaan model
regresi yang diperoleh. Selain itu, model regresi juga dapat dimanfaatkan
untuk melakukan prediksi untuk variabel terikat. Namun yang perlu
diingat, prediksi di dalam konsep regresi hanya boleh dilakukan di dalam
rentang data dari variabel-variabel bebas yang digunakan untuk
membentuk model regresi tersebut.
Data untuk variabel independen X pada regresi linier bisa merupakan
data pengamatan yang tidak ditetapkan sebelumnya oleh peneliti
(obsevational data) maupun data yang telah ditetapkan (dikontrol) oleh
peneliti sebelumnya (experimental or fixed data). Perbedaannya adalah
bahwa dengan menggunakan fixed data, informasi yang diperoleh lebih
kuat dalam menjelaskan hubungan sebab akibat antara variabel X dan
variabel Y. Sedangkan, pada observational data, informasi yang diperoleh
belum tentu merupakan hubungan sebab-akibat. Untuk fixed data, peneliti
sebelumnya telah memiliki beberapa nilai variabel X yang ingin diteliti.
Sedangkan, pada observational data, variabel X yang diamati bisa berapa

3
 saja, tergantung keadaan di lapangan. Biasanya, fixed data diperoleh dari
percobaan laboratorium, dan observational data diperoleh dengan
menggunakan kuesioner. Di dalam suatu model regresi kita akan
menemukan koefisien-koefisien. Koefisien pada model regresi sebenarnya
adalah nilai duga parameter di dalam model regresi untuk kondisi yang
sebenarnya (true condition), sama halnya dengan statistik mean (rata-rata)
pada konsep statistika dasar. Hanya saja, koefisien-koefisien untuk model
regresi merupakan suatu nilai rata-rata yang berpeluang terjadi pada
variabel Y (variabel terikat) bila suatu nilai X (variabel bebas) diberikan.
Koefisien regresi dapat dibedakan menjadi 2 macam, yaitu: 1. Intersep
(intercept) Intersep, definisi secara metematis adalah suatu titik
perpotongan antara suatu garis dengan sumbu Y pada diagram/sumbu
kartesius saat nilai X = 0. Sedangkan definisi secara statistika adalah nilai
rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan
kata lain, apabila X tidak memberikan kontribusi, maka secara rata-rata,
variabel Y akan bernilai sebesar intersep. Perlu diingat, intersep hanyalah
suatu konstanta yang memungkinkan munculnya koefisien lain di dalam
model regresi. Intersep tidak selalu dapat atau perlu untuk
diinterpretasikan. Apabila data pengamatan pada variabel X tidak
mencakup nilai 0 atau mendekati 0, maka intersep tidak memiliki makna
yang berarti, sehingga tidak perlu diinterpretasikan.

2. Tujuan Analisis Regresi Linier

Tujuan Penggunaan Analisis Regresi antara lain:
a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan
didasarkan pada nilai variabel bebas.
b. Untuk menguji hipotesis karakteristik dependensi.

c. Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel

bebas diluar jangkauan sample

3. Asumsi Penggunaan Regresi

4
Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya
sebagai berikut:
1. Model regresi harus linier dalam parameter
2. Variabel bebas tidak berkorelasi dengan disturbance term (Error)
3. Nilai disturbance term sebesar 0 atau dengan simbol  sebagai berikut:
(E (U / X) = 0
4. Varian untuk masing-masing error term (kesalahan) konstan
5. Tidak terjadi otokorelasi
6. Model regresi dispesifikasi secara benar. Tidak terdapat bias
spesifikasi dalam model yang digunakan dalam analisis empiris.
7. Jika variabel bebas lebih dari satu, maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata
Syarat-Syarat model kelayakan  regresi linear dalam IBM SPSS
didasarkan pada hal-hal sebagai berikut:

1. Model regresi dikatakan layak  jika angka signifikansi pada ANOVA

sebesar < 0.05
2. Predictor yang digunakan sebagai variabel bebas harus layak.
Kelayakan ini diketahui jika angka Standard Error of Estimate <
Standard Deviation
3. Koefesien regresi harus signifikan. Pengujian dilakukan dengan uji t.
Koefesien regresi signifikan jika t hitung > t table (nilai kritis).
Dalam IBM SPSS dapat diganti dengan menggunakan nilai
signifikansi (sig) dengan ketentuan sebagai berikut:
a. Jika sig < 0,05; koefesien regresi signifikan
b. Jika sig > 0,05; koefesien regresi tidak signifikan
4. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi
korelasi antar variabel bebas yang sangat tinggi atau terlalu rendah.
Syarat ini hanya berlaku untuk regresi linier berganda dengan
variabel bebas lebih dari satu. Terjadi multikolinieritas jika koefesien
korelasi antara variable bebas > 0,7 atau < - 0,7
5. Tidak terjadi otokorelasi jika: - 2 ≤ DW ≤ 2

5
 6. Keselerasan model regresi dapat diterangkan dengan menggunakan
nilai r2 semakin besar nilai tersebut maka model semakin baik. Jika
nilai mendekati 1 maka model regresi semakin baik. Nilai
r2mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai
r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti
kesesuaian yang sempurna. Maksudnya seluruh variasi dalam
variabel tergantung (variabel Y) dapat diterangkan oleh model
regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan
linier antara variabel bebas (variabel  X) dan variabel tergantung
(variabel Y).
7. Terdapat hubungan linier antara variabel bebas (X) dan variabel
tergantung (Y)
8. Data harus berdistribusi normal
9. Data berskala interval atau rasio
10. Terdapat hubungan  dependensi, artinya satu variabel merupakan
variabel tergantung yang tergantung pada variabel (variabel) lainnya.

4. Uji Asumsi Klasik Regresi Linier
Koefisien-koefisien regresi linier sebenarnya adalah nilai duga dari
parameter model regresi. Parameter merupakan keadaan sesungguhnya
untuk kasus yang kita amati. Parameter regresi diduga melalui teknik
perhitungan yang disebut Ordinary Least Square (OLS). Tentu saja, yang
namanya menduga, kita tidak mungkin terlepas dari kesalahan, baik itu
sedikit maupun banyak. Namun dengan OLS, kesalahan pendugaan
dijamin yang terkecil (dan merupakan yang terbaik) asal memenuhi
beberapa asumsi. Asumsi-asumsi tersebut biasanya disebut asumsi klasik
regresi linier. Untuk mengetahui apakah koefisien regresi yang kita
dapatkan telah sahih (benar; dapat diterima), maka kita perlu melakukan
pengujian terhadap kemungkinan adanya pelanggaran asumsi klasik
tersebut.
Secara manual, dalam melakukan uji asumsi klasik regresi linier, kita
harus terlebih dahulu mendapatkan data residual. Perlu kita ingat,

6
pengujian asumsi klasik menggunakan data residual, bukan data
pengamatan, kecuali uji asumsi multikolinieritas. Dengan kata lain,
penerapan pengujian asumsi klasik regresi linier dilakukan terhadap data
residual, kecuali untuk uji asumsi multikolinieritas. Memang, untuk
memunculkan hasil uji asumsi klasik regresi linier, pengguna paket
software statistika pada umunya tidak diminta untuk memasukkan data
residual. Hal ini disebabkan karena pada umumnya software statistika
secara otomatis melakukan uji asumsi klasik tanpa terlebih dahulu
meminta pengguna software memasukkan data residual. Menurut penulis,
hal inilah yang membuat sebagian orang tidak menyadari bahwa
sebenarnya saat melakukan uji asumsi klasik, software statistika terlebih
dahulu mendapatkan data residual dan baru kemudian melakukan
perhitungan uji asumsi klasik regresi linier.
Asumsi klasik regresi linier adalah sebagai berikut:
a. Model dispesifikasikan dengan benar Asumsi ini adalah asumsi
pertama yang harus dipenuhi oleh peneliti. Maksud dari “model
dispesifikasikan dengan benar” adalah bahwa model regresi tersebut
dirancang dengan benar oleh peneliti. Khusus untuk asumsi ini
memang tidak ada uji statistikanya. Hal ini disebabkan karena model
regresi yang dirancang berhubungan dengan konsep teoritis dari kasus
yang sedang diteliti.
b. Error menyebar normal dengan rata-rata nol dan suatu ragam
(variance) tertentu.
statistik uji yang paling sering digunakan untuk menguji asumsi
kenormalan error dengan menggunakan data residual adalah
Kolmogorov-Smirnov normality test. Kolmogorov-Smirnov test
bekerja dengan cara membandingkan 2 buah distribusi/sebaran data,
yaitu distribusi yang dihipotesiskan dan distribusi yang teramati.
Distribusi yang dihipotesiskan dalam kasus ini adalah distribusi
normal. Sedangkan distribusi yang teramati adalah distribusi yang
dimiliki oleh data yang sedang kita uji. Apabila distribusi yang
teramati mirip dengan distribusi yang dihipotesiskan (distribusi

7
 normal), maka kita bisa menyimpulkan bahwa data yang kita amati
memiliki distribusi/sebaran normal.
c. Ragam dari error bersifat homogen (homoskedastic).
Maksud dari ragam bersifat homogen adalah bahwa error
memiliki nilai ragam yang sama antara error ke-i dan error ke-j.
Bagaimanapun juga, error sebenarnya berupa data. Hanya saja, sangat
sulit atau bahkan tidak mungkin untuk mengetahui nilainya secara
pasti. Oleh karena itu, diperlukan suatu penduga dari data error. Data
penduga yang paling tepat adalah data residual. Setiap nilai dari data
residual diharapkan memiliki nilai ragam yang mirip. Apabila error
memiliki ragam yang homogen, demikian juga seharusnya dengan
residualnya.
d. Error tidak mengalami autokorelasi
Adanya autokorelasi pada error mengindikasikan bahwa ada
satu atau beberapa faktor (variabel) penting yang mempengaruhi
variabel terikat Y yang tidak dimasukkan ke dalam model regresi.
Autokorelasi sering pula muncul pada kasus dimana data yang
digunakan memasukkan unsur waktu (data time-series). Statistik uji
yang sering dipakai adalah Durbin-Watson statistics. (DW-statistics).
e. Tidak terjadi multikolinieritas antar variabel bebas X.
Asumsi ini hanya tepat untuk kasus regresi linier berganda.
Multikolinieritas berarti bahwa terjadi korelasi linier yang erat antar
variabel bebas. Tentu saja, cara mengujinya bukan dengan meng-
korelasi-kan variabel bebas yang satu dengan variabel bebas yang
lain, walaupun cara ini mungkin saja dilakukan, namun dirasa kurang
“powerful”. Hal ini disebabkan karena walaupun terdapat variabel
yang mengalami multikolinieritas, kadang-kadang teknik korelasi
tersebut tidak dapat mendeteksinya. Statistik uji yang tepat adalah
dengan Variance Inflation Factor (VIF). Nilai VIF yang lebih besar
dari 10 mengindikasikan adanya multikolinieritas yang serius.

5. Uji Simultan Model Regresi

8
 Uji simultan (keseluruhan; bersama-sama) pada konsep regresi linier
adalah pengujian mengenai apakah model regresi yang didapatkan benar-
benar dapat diterima. Uji simultan bertujuan untuk menguji apakah antara
variabel-variabel bebas X dan terikat Y, atau setidaktidaknya antara salah
satu variabel X dengan variabel terikat Y, benar-benar terdapat hubungan
linier (linear relation).

6. Uji parsial
Uji parsial digunakan untuk menguji apakah sebuah variabel bebas X
benar-benar memberikan kontribusi terhadap variabel terikat Y. Dalam
pengujian ini ingin diketahui apakah jika secara terpisah, suatu variabel X
masih memberikan kontribusi secara signifikan terhadap variabel terikat
Y.

B. ANALISIS REGRESI LOGISTIK

Analisis regresi logistik digunakan untuk menjelaskan hubungan

antara variabel respon yang berupa data dikotomik/biner dengan variabel
bebas yang berupa data berskala interval dan atau kategorik (Hosmer dan
Lemeshow, 1989). Variabel yang dikotomik/biner adalah variabel yang
hanya mempunyai dua kategori saja, yaitu kategori yang menyatakan
kejadian sukses (Y=1) dan kategori yang menyatakan kejadian gagal (Y=0).
pada model model linear umum komponen acak tidak harus mengikuti
sebaran normal, tapi harus masuk dalam sebaran keluarga
eksponensial. Sebaran bernoulli termasuk dalam salah satu dari sebaran
keluarga eksponensial. Variabel respon Y ini, diasumsikan mengikuti
distribusi Bernoulli.
Regresi logistik (logistic regression) sebenarnya sama dengan analisis
regresi berganda, hanya variabel terikatnya merupakan variabel dummy (0
dan 1). Sebagai contoh, pengaruh beberapa rasio keuangan terhadap
keterlambatan penyampaian laporan keuangan. Maka variabel terikatnya
adalah 0 jika terlambat dan 1 jika tidak terlambat (tepat). Regresi logistik

9
tidak memerlukan asumsi normalitas, meskipun screening data outliers tetap
dapat dilakukan.

Asumsi-asumsi dalam regresi logistik :

 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).

Pendugaan Parameter
Metode untuk mengestimasi parameter-parameter yang tidak diketahui
dalam model regresi logistik ada 3 yaitu:
1. Metode kemungkinan maksimum (Maximum Likelihood Method)
2. Metode kuadrat terkecil tertimbang noniterasi(Noniterative Weight
Least Square Method)
3. Analisis fungsi diskriminan (Discriminant Fuction Analysis
Pada dasarnya metode maksimum Likelihood merupakan metode kuadrat
terkecil tertimbang dengan beberapa proses iterasi, sedangkan metode
noniterative weight least square method hanya menggunakan satu kali iterasi.
kedua metode ini asymptoticaly equivalent, artinya jika ukuran sampel besar
keduanya akan menghasilkan estimator yang identik. Penggunaan fungsi
diskriminan mensyaratkan variabel penjelas yang kuantitatif berdistribusi
normal. Oleh karena itu, penduga dari fungsi diskriminan akanover
estimate bila variabel penjelas tidak berdistribusi normal.

10
 Dari Ketiga metodel di atas, metode yang banyak digunakan adalah
metode maksimum likelihood dengan alasan lebih praktis (Nachrowi dan
Usman, 2002). Metode maksimu likelihoood ini menduga parameter dengan
nilai yang memaksimumkan fungsi likelihood (likelihood function).
Tidak seperti regresi linier biasa, regresi logistik biner tidak
mengasumsikan hubungan antara variabel independen dan dependen secara
linier. Regresi logistik biner merupakan regresi non linier dimana model yang
ditentukan akan mengikuti pola kurva..
Model yang digunakan pada regresi logistik biner 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. Langkah-langkah dalam
penggunaan Analisis Regresi Logistik biner adalah:
1. Uji Signifikansi Model
Untuk mengetahui pengaruh variabel bebas terhadap variabel tidak
bebas secara bersama-sama (overall) di dalam model, dapat menggunakan
Uji Likelihood Ratio. Hipotesisnya adalah sebagai berikut:
Ho: β1 = β2 =….= βp = 0 (tidak ada pengaruh veriabel bebas secara
simultan terhadap variabel tak bebas)
H1: minimal ada satu βj ≠ 0 (ada pengaruh paling sedikit satu
veriabel bebas terhadap variabel tak bebas)
Untuk j = 1,2,…,p
Statistik uji yang digunakan adalah:
Dengan :
Lo = Maksimum Likelihood dari model reduksi (Reduced Model)
atau model yang terdiri dari konstanta saja
Lp =  Maksimum Likelihood dari model penuh (Full Model) atau
dengan semua variabel bebas.

11
 Statistik G2 ini mengkuti distribusi Khi-Khuadrat derajad bebas p
sehingga hipotesis ditolak jika p-value < α yang berarti variabel bebas
X secara bersama-sama mempengaruji variabel tak basa Y.

2. Uji parsial dan pembentukan model

Pada umumnya, tujuan analisis statistik adalah mencari model yang
cocok dan keterpautan yang kuat antara model dengan data yang ada.
Pengujian keberartian parameter (koefisien β) secara parsial dapat
dilakukan melalui uji wald dengan hipotesisnya sebagai berikut:
Ho: βj = 0 (variabel bebas j tidak mempunyai pengaruh secara
signifikan terhadap variabel tidak bebas.
H1: βj ≠ 0 (variabel bebas ke j pengaruh secara signifiakn terhadap
variabel tidak bebas)
Untuk 1, 2 .....p dengan statistik uji sebagai berikut:
Hipotesis akan ditoloak jika p-alue < α yang berati variabel bebas Xi
secara partial mempengaruhi variabel tidak bebas Y.

3. Odd Ratio
Odds ratio merupakan ukuran resiko atau kecendrungan untuk
mengalami kejadian ‘sukses’antara satu kategori dengan kategori lainnya,
didefinisikan sebagai ratio dari odds untuk xj=1 terhadap xj=0. Odds
ratio ini menyatakan risiko atau kecendrungan perngaruh obserbaso
dengan xj= 1 masalah berapa kali lipat jika dibandingkan dengan
observasi dengan xj=0 untuk variabel bebas yang beskala kontinyu maka
interpretasi daari koefisien βj pada model regresi logistik adalah setiap
kenaikan c unit pada variabel bebas akan menyebabkan risiko terjadinya
Y=1, adalah exp(c.βj) kali lebih besar odds ratio diambakan dengan θ,
didefinisikan sebagai perbandingan dua nial odds xj=1 dan xj=0 ,
sehingga regresi logistik biner juga menghasilkan rasio peluang (odds
ratio) terkait dengan nilai setiap prediktor, peluang(odds) dari suatu
kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi
dengan probabilitias suatu kejadian tidak terjadi. Secara umum, rasio

12
peluang (pdds rations) merupakan sekumpulan peluang yang dibagi oleh
peluang lainnya. rasio peluang dibagi prediktor diartikan sebagai jumlah
relatif dimana peluang hasil meningkat (rasio pelung >1 atau turun (rasio
peluang<1 ) ketika nilai variabel prediktor meningkat sebesar 1 unit.
Regresi logistik akan membentuk variabel prediktor/respon
(log(p/1-p) yang merupak kombonasi linier dari variabel independen.
Nilai variabel prediktor ini kemudian ditransformasikan menjadi
prbabilitas dengan fingsi logit. 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 diartikan sebagai probabilitas
hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak
terjadi. Secara umum, rasio peluang (odd ratios) merupaka sekumpulan
peluang yang dibagi oleh peluang lainnya. rasio peluang bagi prediktor
diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio
peluang> 1 ) atau turun (rasio peluang <1 )ketika nilai variabel prediktor
menigkat sebesar 2 unit.

13
 BAB III

PENUTUP

A. Kesimpulan
Ada tiga macam tipe dari analisis regresi. Tipe yang pertama
adalah regresi linier sederhana yang berfungsi untuk mengetahui hubungan
linier antara dua variabel, satu variabel dependen dan satu variabel
independen.Tipe kedua adalah regresi linier berganda yang merupakan
model regresi linier dengan satu variabel dependen dan lebih dari satu
variabel independen. Tipe ketiga adalah regresi non linier yang berasumsi
bahwa hubungan antara variabel dependen dan variabel independen tidak
linier pada parameter regresinya.
Model regresi logistik biner merupakan salah satu model regresi
logistic 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.
Dari penjelasan diatas dapat diambil kesimpulan bahwa analisis
regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara
satu buah variabel bebas terhadap satu buah variabel terikat. Persamaan
umumnya adalah:

Y = a + b X.
Dengan Y adalah variabel terikat dan X adalah variabel bebas.
Koefisien a adalah konstanta (intercept) yang merupakan titik potong
antara garis regresi dengan sumbu Y pada koordinat kartesius.
Langkah penghitungan analisis regresi dengan menggunakan
program SPSS adalah: Analyse --> regression --> linear. Pada jendela

14
 yang ada, klik variabel terikat lalu klik tanda panah pada kota dependent.
Maka variabel tersebut akan masuk ke kotak sebagai variabel dependen.
Lakukan dengan cara yang sama untuk variabel bebas (independent).
Lalu klik OK dan akan muncul output SPSS.
Dalam analisis regresi linier ganda terdiri dari satu variabel
dependen dan beberapa variabel independen. Analisis regresi linier ganda
dinyatakan dengan hubungan persamaan regresi:
Y’ = a + b1X1 + b2X2 + ..... + bnXn

B. Saran
Guna penyempurnaan Makalah ini, kelompok kami sangat
mengharapkan kritik,saran serta masukan dari Rekan-rekan pembaca
khususnya Dosen Pembimbing. Semoga Makalah ini bermanfaat bagi
rekan-rekan dalam membantu kegiatan belajar kita.

15
 CONTOH PROPOSAL KASUS AGGRESI LINIER (1)

PENGARUH MOTIVASI KERJA TERHADAP PENGEMBANGAN KARIR

PERAWAT DI RUANG RAWAT INAP DAN RAWAT JALAN RSUD. S. K. LERIK
KUPANG OLEH : ROVIANAWATI AGUSTINA
 CONTOH PROPOSAL KASUS AGGRESI LINIER (2)

1. Judul proposal
Pengaruh Kinerja Pustakawan terhadap Kepuasan Pemustaka pada Perpustakaan
Universitas Indonesia

2. Jenis sampel
Sampel yang digunakan dalam penelitian ini sebanyak 96 responden yang diambil
dari pengunjung pada perpustakaan Universitas Indonesia

3. Metode analisa data

Metode pengolahan data yang digunakan peneliti adalah analisis regresi linier
sederhana. Data yang diperoleh adalah data primer yang merupakan hasil dari
jawaban responden atas kuesioner yang disebarkan.

4. Hasil Regresi Linier

Hasil Uji Regresi Linier Sederhana
Metode regresi linier sederhana ini dimaksudkan untuk mengetahui seberapa besar
tingkat pengaruh antara kinerja pustakawan dengan kepuasan pemustaka. Untuk itu
penulis sajikan hasil uji regresi linier sederhana berdasarkan tabel berikut:

Tabel 29
Hasil Persamaan Regresi Linier Sederhana Coefficientsa
Model Unstandardized Standardiz T Sig.
Coefficients ed
Coefficie
nts
B Std. Beta
Error
(Constant) . . 3.4 .
X1 63 18 .667 83 00
1 1 8.6 1
. . 85 .
73 08 00
5 5 0

a. Dependent Variable: Y
Sumber: Data diolah
 Pada output ini, dikemukakan nilai koefisien dari persamaan regresi.

Dalam kasus ini, persamaan regresi sederhana yang digunakan adalah:

Y = a + bX

Dimana :

Y = Kepuasan Pemustaka

X = Kinerja Pustakawan

Dari output didapatkan model persamaan regresi:

Y = 0,631 + 0,735 X

Koefisien-koefisien persamaan regresi linier sederhana di atas dapat

diartikan koefisien regresi untuk konstan sebesar 0,631 menunjukan bahwa jika

variabel kinerja pustakawan bernilai nol atau tetap maka akan meningkatkan

kepuasan pemustaka sebesar 0,631 satuan atau sebesar 63,1%.

Variabel kinerja pustakawan 0,735 menunjukkan bahwa jika variabel

kinerja pustakawan meningkat 1 satuan maka akan meningkatkan kepuasan

pemustaka sebesar 0,735 satuan atau sebesar 73,5%.

Hasil Pengolahan Data dengan SPSS 20

Hasil Uji Validitas dan Reliabilitas Variabel Kinerja Pustakawan (X)

Case Processing Summary

N %
Valid 96 100.0
Cases Excluded 0 .0
a
Total 96 100.0

a. Listwise deletion based on all variables in the procedure.

 CONTOH PROPOSAL KASUS AGGRESI LOGISTIK

ANALISIS REGRESI LOGISTIK DAN APLIKASINYA PADA

PENYAKIT ANEMIA UNTUK IBU HAMIL DI RSKD IBU DAN
ANAK SITI FATIMAH MAKASSAR

Untuk uji variabel dengan analisis regresi logistik biner yang

membentuk model yakni:

A. Analisis Regresi Logistik Biner

a. Anemia pada ibu hamil yang dipengaruhi oleh Jarak

Kehamilan dan Usia Ibu.

1. Uji Kesesuaian Model

Tabel 4.2. Hosmer and Lemeshow Test (X1, X2)

Step Chi-square Df Sig

1 5,598 2 0,061

𝐻0 : Model sesuai

𝐻1: Model tidak sesuai

𝐻0 ditolak jika p < 𝛼. Berdasarkan hasil output pada Tabel 4.2

dapat dilihat bahwa nilai 𝑥2 = 5,598. Karena nilai p (0,061) lebih

besar dari pada taraf signifikansi 𝛼 = 0,05 (p > 0,05) maka dapat

disimpulkan bahwa model sesuai. Artinya bahwa jarak kehamilan

dan usia ibu memberikontribusi signifikan terhadap odds ratio

anemia, karena model logistik sesuai. Jadi, dapat disimpulakan

model ini layak digunakan untuk memprediksi besarnya peluang

terkena anemia pada ibu hamil.

2. Menguji Keseluruhan Parameter dengan menggunakn Uji G

Tabel 4.3. Omnibus Tests of Model Coefficients (X1,

X2)

Step 1 Chi-square Df Sig

Step 19,350 2 0,000

19,350 2 0,000
Block
19,350 2 0,000
Model

Berdasarkan hasil output pada Tabel 4.3 dapat dilihat bahwa

nilai chi- square yang diperoleh adalah 19,350 dengan derajat

kebebasan = 2, nilai p = 0,000. Karena nilai p = 0,000 < 𝛼 = 0,05

maka dapat disimpulkan minimal ada satu variabel independent

(jarak kehamilan dan usia ibu) yang berpengaruh signifikan terhadap

variabel dependent yaitu status anemia.

Tabel 4.4. Model Summary (X1,X2)

Step -2 Log likelihood Cox & Snell R Nagelkerke R

Square Square

1 44,419 0,343 0,458

Berdasarkan hasil output pada Tabel 4.4 dapat dilihat bahwa nilai

G adalah 44,419. Kemudian diperoleh nilai Nagelkerke R Square

sebesar 0,458 yang berarti bahwa variabel bebas (jarak kehamilan

dan usia ibu) mampu menjelaskan 45,8% variabel dependent anemia

dan sisanya yaitu 54,2% dijelaskan oleh faktor lain.

3. Pengubah yang terdapat dalam model regresi logistik tentang

pengaruh jarak kehamilan dan usia ibu terhadap anemia pada ibu

hamil.

Tabel 4.5. Variables in the Equation (X1, X2)

Dari hasil pengujian terhadap signifikansi model terlihat bahwa nilai

𝛽1 > 0 artinya untuk setiap tingginya jarak kehamilan untuk

anemia dengan faktor 4,948 untuk usia ibu yang sama. 𝛽2 > 0
artinya untuk setiap tingginya usia ibu untuk anemia dengan faktor

4,707 untuk jarak kehamilan yang sama. Berikut merupakan

hipotesis yang digunakan dalam pengujian parsial.

𝐻0 : Jarak kehamilan dan Usia ibu tidak berpengaruh signifikan

terhadap anemia

𝐻1 : Jarak kehamilan dan Usia ibu berpengaruh signifikan

terhadap anemia Dengan menggunakan tingkat kepercayaan

95% maka nilai 𝛼 = 0,05.

 Dengan hasil output pada pada Tabel 4.5 variabel jarak kehamilan

memiliki nilai signifikan sebesar 0,001 < 𝛼 = 0,05 maka 𝐻1 diterima yang

artinya variabel jarak kehamilan berpengaruh secara signifikan terhadap

anemia pada ibu hamil, dan usia ibu memiliki nilai signifikan sebesar 0,156 >

𝛼 = 0,05 maka 𝐻0 diterima yang artinya variabel usia ibu tidak berpengaruh

secara signifikan terhadap anemia pada ibu hamil.

4. Klasifikasi Model

b. Anemia pada ibu hamil yang dipengaruhi oleh Jarak Kehamilan dan

Usia kehamilan.

1. Uji Kesesuaian Model

Tabel 4.7. Hosmer and Lemeshow Test (X1, X3)

Step Chi-square Df Sig

1 0,309 1 0,578

𝐻0 : Model sesuai

𝐻1: Model tidak sesuai

𝐻0 ditolak jika p < 𝛼. Berdasarkan hasil output pada Tabel 4.7 dapat

dilihat bahwa nilai 𝑥2 = 0,309. Karena nilai p = 0,578 lebih besar dari pada

taraf signifikansi 𝛼 = 0,05 (p > 0,05) maka dapat disimpulkan bahwa model

sesuai. Artinya bahwa jarak kehamilan dan usia kehamilan memberi

kontribusi signifikan terhadap odds ratio anemia, karena model logistik sesuai.

Jadi, dapat disimpulakan model ini layak digunakan untuk memprediksi

besarnya peluang terkena anemia pada ibu hamil.

2. Menguji Keseluruhan Parameter dengan menggunakn Uji G

Tabel 4.8. Omnibus Tests of Model Coefficients (X1, X3)

Step 1 Chi-square Df Sig

Step 26,003 2 0,000

26,003 2 0,000
Block
26,003 2 0,000
Model

Berdasarkan hasil output pada Tabel 4.8 dapat dilihat bahwa nilai chi-

square yang diperoleh adalah 26,003 dengan derajat kebebasan = 2, nilai p =

0,000. Karena nilai p = 0,000 < 𝛼 = 0,05 maka dapat disimpulkan minimal ada

satu variabel independent (jarak kehamilan dan usia kehamilan) yang

berpengaruh signifikan terhadap variabel dependent yaitu status anemia.

Tabel 4.9. Model Summary (X1,X3)

Step -2 Log likelihood Cox & Snell R Nagelkerke R

Square Square

1 37,767 0,432 0,576

Berdasarkan hasil output pada Tabel 4.9 dapat dilihat bahwa nilai G

adalah 37,767. Kemudian diperoleh nilai Nagelkerke R Square sebesar 0,576

yang berarti bahwa variabel bebas (jarak kehamilan dan usia kehamilan)

mampu menjelaskan 57,6% keragaman/variasi anemia dan sisanya yaitu

42,4% dijelaskan oleh faktor lain.

3. Pengubah yang terdapat dalam model regresi logistik tentang pengaruh

jarak kehamilan dan usia kehamilan terhadap anemia pada ibu hamil.
 Tabel 4.10. Variables in the Equation (X1,X3)

Variabel B S.E. Wald Df Sig.

X1(1) -0,211 0,893 0,056 1 0,813

X3(1) 1,998 0,791 6,384 1 0,012
tingginya usia kehamilan untuk anemia dengan faktor 7,374 untuk jarak

kehamilan yang sama.

Berikut merupakan hipotesis yang digunakan dalam pengujian parsial.

𝐻0 : Jarak kehamilanndan Usia kehamilan tidak berpengaruh signifikan

terhadap anemia

𝐻1 : Jarak kehamilan dan Usia kehamilan berpengaruh signifikan terhadap

anemia

Dengan menggunakan tingkat kepercayaan 95% maka nilai 𝛼 = 0,05.

Dengan hasil output pada Tabel 4.10 variabel jarak kehamilan memiliki

nilai signifikan sebesar 0,813 < 𝛼 = 0,05 maka 𝐻0 diterima yang artinya

variabel jarak kehamilan tidak berpengaruh secara signifikan terhadap anemia

pada ibu hamil, dan usia kehamilan memiliki nilai signifikan sebesar 0,012 <

𝛼 = 0,05 maka 𝐻1 diterima yang artinya variabel usia kehamilan berpengaruh

secara signifikan terhadap anemia pada ibu hamil.

4. Klasifikasi Model
 Tabel 4.11. Classification Tablea (X1, X3)

Predicted

Observed Status Penyakit Percenta

g
e Correct
Tidak Anemia Anemia

Step1 Status Penyakit Tidak Anemia 0 7 0

Anemia 1 38 97,4

Overall Percentage 82,6

Berdasarkan hasil output pada Tabel 4.11 diperoleh kemampuan ramalan

model ini dengan tingkat sukses total 82,6%. 97,4% dengan tepat meramalkan

39 pasien yang mengalami anemia.

2. Menguji Keseluruhan Parameter dengan menggunakn Uji G

Tabel 4.13. Omnibus Tests of Model Coefficients (X1, X4)

Step 1 Chi-square Df Sig

Step 22,768 2 0,000

22,768 2 0,000
Block
22,768 2 0,000
Model

Berdasarkan hasil output pada Tabel 4.13 dapat dilihat bahwa nilai chi-

square yang diperoleh adalah 22,768 dengan derajat kebebasan = 2, nilai p =

0,000. Karena nilai p = 0,000 < 𝛼 = 0,05 maka dapat disimpulkan minimal ada

satu variabel independent (jarak kehamilan dan pendidikan) yang berpengaruh

signifikan terhadap variabel dependent yaitu status anemia.

Tabel 4.14. Model Summary (X1,X4)

 Step -2 Log likelihood Cox & Snell R Nagelkerke R
Square Square

1 41,001 0,390 0,521

Berdasarkan hasil output pada Tabel 4.14 dapat dilihat bahwa nilai G

adalah 41,001. Kemudian diperoleh nilai Nagelkerke R Square sebesar 0,390

yang berarti bahwa variabel bebas (jarak kehamilan dan pendidikan) mampu

menjelaskan 52,1% keragaman/variasi anemia dan sisanya yaitu 47,9%

dijelaskan oleh faktor lain.

3. Pengubah yang terdapat dalam model regresi logistik tentang

pengaruh jarak kehamilan dan pendidikan terhadap anemia pada ibu

hamil.

Tabel 4.15. Variables in the Equation (X1,X4)

c. Anemia pada ibu hamil yang dipengaruhi oleh Jarak Kehamilan dan

Pendidikan.

1. Uji Kesesuaian Model

Tabel 4.12. Hosmer and Lemeshow Test (X1, X4)

Step Chi-square Df Sig

1 1,764 1 0,184

𝐻0 : Model sesuai

𝐻1: Model tidak sesuai

𝐻0 ditolak jika p < 𝛼. Berdasarkan hasil output pada Tabel 4.12 dapat

dilihat bahwa nilai 𝑥2 = 1,764. Karena nilai p = 0,184 lebih besar dari pada

taraf signifikansi 𝛼 = 0,05 (p > 0,05) maka dapat disimpulkan bahwa model

sesuai. Artinya bahwa jarak kehamilan dan pendidikan memberi kontribusi

signifikan terhadap odds ratio anemia, karena model logistik sesuai. Jadi,

dapat disimpulakan model ini layak digunakan untuk memprediksi besarnya

peluang terkena anemia pada ibu hamil.

2. Menguji Keseluruhan Parameter dengan menggunakn Uji G

Tabel 4.13. Omnibus Tests of Model Coefficients (X1, X4)

Step 1 Chi-square Df Sig

Step 22,768 2 0,000

22,768 2 0,000
Block
22,768 2 0,000
Model

Berdasarkan hasil output pada Tabel 4.13 dapat dilihat bahwa nilai chi-

square yang diperoleh adalah 22,768 dengan derajat kebebasan = 2, nilai p =

0,000. Karena nilai p = 0,000 < 𝛼 = 0,05 maka dapat disimpulkan minimal ada

satu variabel independent (jarak kehamilan dan pendidikan) yang berpengaruh

signifikan terhadap variabel dependent yaitu status anemia.

Tabel 4.14. Model Summary (X1,X4)

Step -2 Log likelihood Cox & Snell R Nagelkerke R

Square Square

1 41,001 0,390 0,521

Berdasarkan hasil output pada Tabel 4.14 dapat dilihat bahwa nilai G

adalah 41,001. Kemudian diperoleh nilai Nagelkerke R Square sebesar 0,390

yang berarti bahwa variabel bebas (jarak kehamilan dan pendidikan) mampu

menjelaskan 52,1% keragaman/variasi anemia dan sisanya yaitu 47,9%

dijelaskan oleh faktor lain.

d. Anemia pada ibu hamil yang dipengaruhi oleh Jarak Kehamilan dan

Pekerjaan.

1. Uji Kesesuaian Model

Tabel 4.17. Hosmer and Lemeshow Test (X1, X5)

Step Chi-square Df Sig

1 7,143 1 0,008

𝐻0 : Model sesuai

𝐻1: Model tidak sesuai

𝐻0 ditolak jika p < 𝛼. Berdasarkan hasil output pada Tabel 4.17 dapat

dilihat bahwa nilai 𝑥2 = 7,143. Karena nilai p = 0,008 lebih kecil dari pada

taraf signifikansi 𝛼 = 0,05 (p < 0,05) maka dapat disimpulkan bahwa model

tidak sesuai. Artinya bahwa jarak kehamilan dan pekerjaan tidak memberi

kontribusi signifikan terhadap odds ratio anemia. Jadi, dapat disimpulakan

model ini tidak layak digunakan untuk memprediksi besarnya peluang terkena
anemia pada ibu hamil.

2. Menguji Keseluruhan Parameter dengan menggunakn Uji G

Tabel 4.18. Omnibus Tests of Model Coefficients (X1, X5)

Step 1 Chi-square df Sig

Step 17,273 2 0,000

17,273 2 0,000
Block
17,273 2 0,000
Model

Berdasarkan hasil output pada Tabel 4.18 dapat dilihat bahwa nilai chi-

square yang diperoleh adalah 17,273 dengan derajat kebebasan = 2, nilai p =

0,000. Karena nilai p = 0,000 < 𝛼 = 0,05 maka dapat disimpulkan minimal ada

satu variabel independent (jarak kehamilan dan pekerjaan) yang berpengaruh

signifikan terhadap variabel dependent yaitu status anemia.

Tabel 4.19. Model Summary (X1,X5)

Step -2 Log likelihood Cox & Snell R Nagelkerke R

Square Square

1 46,496 0,313 0,417

Berdasarkan hasil output pada Tabel 4.19 dapat dilihat bahwa nilai G

adalah 46,496. Kemudian diperoleh nilai Nagelkerke R Square sebesar 0,313

yang berarti bahwa variabel bebas (jarak kehamilan dan pekerjaan) mampu

menjelaskan 41,7% keragaman/variasi anemia dan sisanya yaitu 58,3%

dijelaskan oleh faktor lain.

1. Pengubah yang terdapat dalam model regresi logistik tentang pengaruh

jarak kehamilan dan pekerjaan terhadap anemia pada ibu hamil.

 Dari hasil pengujian terhadap signifikansi model terlihat bahwa nilai

𝛽1 > 0 artinya untuk setiap tingginya jarak kehamilan untuk anemia dengan

faktor 6,253 untuk pekerjaan yang sama. 𝛽5 > 0 artinya untuk setiap
tingginya pekerjaan untuk anemia dengan faktor 0,320 untuk jarak kehamilan

yang sama.

Berikut merupakan hipotesis yang digunakan dalam pengujian parsial.

𝐻0 : Jarak kehamilan dan pekerjaan tidak berpengaruh signifikan terhadap

anemia

𝐻1 : Jarak kehamilan dan pekerjaan berpengaruh signifikan terhadap anemia

Dengan menggunakan tingkat kepercayaan 95% maka nilai 𝛼 = 0,05.

Dengan hasil output pada Tabel 4.20 variabel jarak kehamilan memiliki

nilai signifikan sebesar 0,01 < 𝛼 = 0,05 maka 𝐻1 diterima yang artinya

variabel jarak kehamilan berpengaruh signifikan terhadap variabel dependent

yaitu anemia pada ibu hamil, pekerjaan memiliki nilai signifikan sebesar

0,394 > 𝛼 = 0,05 maka 𝐻0 diterima yang artinya variabel pekerjaan tidak

berpengaruh signifikan terhadap variabel dependent yaitu anemia pada ibu

hamil

2. Klasifikasi Model

Tabel 4.21. Classification Tablea (X1, X5)

Predicted

Observed Status Penyakit Percenta

g
e Correct
Tidak Anemia Anemia

Step1 Status Penyakit Tidak Anemia 0 7 0

Anemia 0 39 100,0

Overall Percentage 84,8

Berdasarkan hasil output pada Tabel 4.21 diperoleh kemampuan ramalan

model ini dengan tingkat sukses total 84,8. 100% meramalkan 39 pasien yang

mengalami anemia.
 DAFTAR PUSTAKA

Agustina, Rovianawati. 2020. Pengaruh Motivasi Kerja Terhadap

Pengembangan Karir Perawat di Ruang Rawat Inap dan Rawat Jalan
Rsud. S. K. Lerik Kupang. Universitas Citra Bangsa : Kupang. Di
download tanggal 17 April 2021
(http://repository.ucb.ac.id/465/1/SKRIPSI-ROVIANAWATI
%20AGUSTINA-131111086.pdf)

Akbar. M.A. 2011. Analisis Regresi Logistik Multinominal untuk Mengetahui

Faktor-Faktor Utama yang Mempengaruhi Keputusan Mahasiswa
matematika UNM Setelah Selesai S1. Skripsi. Universitas Negeri
Makassar. Makassar http://eprints.unm.ac.id/6321/1/SKRIPSI.pdf
diakses pada tanggal 17 April 2021 pukul 13. 20 WIB

Pangesti, Sri. Modul 1: Regresi Linier Sederhana, diakses melalui

https://www.pustaka.ut.ac.id/lib/wp-content/uploads/pdfmk/SATS4312-M1.pdf

R Development Core Team (2008). R: A language and environment for statistical

computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-
900051-07-0, URL http://www.R-project.org

VARAMITA., APRILYANI. (2017). Analisis Regresi Logistik Dan Aplikasinya

Pada Penyakit Anemia Untuk Ibu Hamil Di Rskd Ibu Dan Anak Siti
Fatimah Makassar. Di Download tanggal 17 April
(http://eprints.unm.ac.id/6321/)

Yuliara. I. Made. 2016. Modul Regresi Linear. Universitas Udayana.

https://simdos.unud.ac.id/uploads/file_pendidikan_1_dir/3218126438990
fa0771ddb555f70be42.pdf diakses pada tanggal 17 April 2021 pukul 13.
00 WIB