Regresi logistik merupakan salah satu jenis regresi yang menghubungkan antara satu atau

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 :

Dengan ei adalah random error. Maka dapat didefinisikan SSE :

Dan dapat difenisikan menjadi :

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

Dengan menggunakan rumus di atas maka di dapatkan matriks

n
Dengan menggunakan rumus Mb = N, maka b = dan didapatkan hasil
M

Maka dapat dituliskan menjadi :

 Y = 0.5455 – 0.0025X1 – 0.0043X2 + 0.0293X3

Data Untuk Regresi Ordinal

Hasil Dari Pemrosesan

Penulisan Untuk Regresi Ordinal

Contoh Kasus Regresi Logistik Biner
Dilakukan pengkuran untuk melihat pengaruh antara variabel profitabilitas, kompleksitas
perusahaan, opini auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian
laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA; variabel
kompleksitas terdiri atas 2 kategorik yaitu diberi angka 2 jika mempunyai anak perusahaan
dan 1 jika perusahaan tidak mempunyai anak perusahaan; opini auditor diukur dengan 2 jika
mendapatkan opini wajar tanpa pengecualian dan 1 untuk opini yang lain; likuiditas diukur
dengan Current Ratio; dan ukuran perusahaan diukur dengan logaritma natural market value.
Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk
perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat.

Hasil Dari Data

Berdasarkan hasil di atas diketahui bahwa terdapat 2 variabel bebas yang signifikan
berpengaruh terhadap ketepatan penyampaian laporan keuangan perusahaan karena masing-
masing variabel tersebut memiliki nilai signifikansi yang lebih kecil dari a=5%. Variabel-
variabel tersebut adalah Profitabilitas (Sig.=0.004)dan Likuiditas (Sig.=0.000). Model yang
terbentuk adalah :

Dimana :
X1i = Profitabilitas
X2i = Likuiditas
I = 1,2,…,n