Resume Regresi
Resume Regresi
beberapa variabel independen (variabel bebas) dengan variabel dependen yang berupa
kategori; biasanya 0 dan 1. Jenis variabel independen berupa kategori inilah yang
membedakan regresi logistik dengan regresi berganda atau regresi linear lainnya.
Tujuan Menggunakan regresi Logistik :
1. Menghitung peluang
2. Melihat karakteristik
Persamaan regresi logistik adalah :
ln ( 1−pp )=B 0+ B 1 X
Atau
p
e (B 0+B 1 X )=
(1− p)
Dengan keterangan
B0 = Konstanta
B1 = Koefisien Masing Masing Variabel
Untuk nilai p atau peluang (Y = 1) maka dapat dicari dengan persamaan :
e (Bo+B 1 X )
p= ¿¿
Untuk saat ini didapatkan contoh pada Regresi Logistik Untuk Data Kesehatan
Regresi logistik dengan nilai koefisien nantinya dapat digunakan untuk menghitung nilai
probabilitas kejadian Y=1.
Dari hasil analisa terlihat bahwa yang signifikan berpengaruh terhadap kejadian diabetes
(Y=1) adalah usia dengan p-value= 0.014, status gizi (stgizi) dengan p-value 0.028, dan
riwayat diabetes orang tua (org_tua) dengan p-value 0.007. Dengan memperhasikan nilai
varian dari sampel, maka faktor resiko yang paling besar pengaruhnya terhadap kejadian
diabetes adalah riwayat diabetes orang tua (org_tua)karena memiliki statistik z terbesar yaitu
2.67.
Dengan nilai Pseudo R2 diperolah 0.2927 yang berarti bahwa pengaruh 5 faktor tesiko yang
masuk dalam persamaan regresi logistik terhadap kejadian diabetes sebesar 29.27%.
Regresi Berganda
Regresi berganda adalah model regresi atau prediksi yang melibatkan lebih dari satu variabel
bebas atau prediktor. Istilah regresi berganda dapat disebut juga dengan istilah multiple
regression. Kata multiple berarti jamak atau lebih dari satu variabel. erbedaannya adalah jika
multiple regression atau regresi berganda adalah adanya lebih dari satu variabel prediktor
(variabel bebas/variabel independen. Sedangkan multivariat regression atau regresi
multivariat adalah analisis regresi dimana melibatkan lebih dari satu variabel response
(variabel terikat/variabel dependen).
Nilai Y untuk Regresi Berganda adalah :
Y =B 0+ B 1 X 1+ B 2 X 2+ … .+ BkXk
Misalkan dari sampel diperoleh data (Yi, X1i, X2i,….Xki) untuk i =1, n maka model regresi
linear jamaknya adalah :
Pada model regresi linear berganda ini akan diberikan satu contoh kasus yaitu sebuah studi
tentang emisi NOx dari sebuah truk dilakukan untuk melihat penagruh dari kelembaban,
suhu, dan tekanan udara mempengaruhi emisi NOx. Model yang ingin ditest tersebut adalah
NO NOx (ppm) Kelembaban (%) Suhu (F) Tekanan (Psi)
Y X1 X2 X3
1 0.9 72.4 76.3 29.18
2 0.96 34.3 77.1 29.24
3 1 10.7 79 29.78
4 1.1 12.9 67.4 29.39
5 1.15 8.3 66.8 29.69
6 1.03 20.1 76.9 29.48
7 1.1 31.5 76.9 29.63
8 0.78 96.6 78.7 29.29
9 0.82 107.4 86.8 29.03
10 0.95 54.9 70.9 29.37
Sum 9.79 449.1 756.8 294.08
Average 0.979 44.91 75.68 29.408
n
Dengan menggunakan rumus Mb = N, maka b = dan didapatkan hasil
M
Dimana :
X1i = Profitabilitas
X2i = Likuiditas
I = 1,2,…,n