Disusun Oleh:
Kelompok 12
Laila Kartika 719311035
Agus Sahur Ramadhan 719311020
Ahmad Haris 719311023
Puji syukur kehadirat Allah SWT. yang telah memberikan rahmat dan hidayah-Nya
sehingga kami dapat menyelesaikan tugas makalah yang berjudul “Makalah Statistik Para
metrik Regresi Logistik” ini tepat pada waktunya.
Adapun tujuan dari penulisan makalah ini adalah untuk memenuhi tugas Dosen pada
mata kuliah “Statistik Para metrik”. Selain itu, makalah ini bertujuan untuk menambah
wawasan tentang “Statistik Para metrik Regresi Logistik” bagi para pembaca dan juga
penulis.
Kami mengucapkan terima kasih kepada ibu Dr. Ir. Ida Ekawati, M.P. selaku dosen
mata kuliah Statistik Para metrik yang telah memberikan tugas ini sehingga dapat menambah
pengetahuan dan wawasan sesuai dengan bidang study yang kami tekuni.
Kami juga mengucapkan terima kasih kepada semua pihak yang telah membagi
sebagian pengetahuannya sehingga saya dapat menyelesaikan makalah ini.
Kami menyadari, makalah yang kami tulis ini masih jauh dari kata sempurna. Oleh
karena itu, kritik dan saran yang membangun akan kami nantikan demi kesempurnaan
makalah ini.
Penulis
DAFTAR ISI
Sampul
Kata pengantar
Daftar isi
Bab I Pendahuluan
1.1. Latar belakang
1.2. Rumusan masalah
1.3. Tujuan
Bab II Pembahasan
2.1. Regresi logistik
2.2. Jenis-jenis regresi logistik
2.3. Analisis uji regresi logistik
Bab III Penutup
3.1. Kesimpulan
3.2. Saran
Daftar Pustaka
BAB I
PENDAHULUAN
Statistika merupakan salah satu disiplin ilmu yang penerapannya hampir di semua
aspek kehidupan. Hal ini menunjukkan bahwa peranan statistika sangat diperlukan dalam
kehidupan sehari-hari. Begitu pula dalam sebuah penelitian, statistika merupakan alat
yang berguna bagi perencanaan dan evaluasi hasil penelitian, sehingga dapat dilakukan
perbaikan dan penyempurnaan terhadap hasil penemuan (Gunardi, 1999). Sebagai salah
satu disiplin ilmu, statistika berperan untuk mengumpulkan, menyajikan dan
menganalisis data. Apabila terbatas pada tiga peran tersebut maka dinamakan statistika
deskriptif.
Salah satu analisis pada statistika adalah analisis regresi. Analisis regresi
merupakan suatu metode yang digunakan untuk menganalisis hubungan antara dua atau
lebih variabel. Pada analisis regresi terdapat dua jenis variabel yaitu variabel bebas dan
variabel terikat. Berdasarkan pola hubungannya analisis regresi dibagi menjadi dua yaitu
analisis regresi linear dan analisis regresi non linear. Data hasil penelitian yang berupa
data kualitatif dapat dianalisis dengan regresi non-linear. Salah satu model regresi non
linear adalah regresi logistik. Regresi logistik merupakan sebuah metode analisis statistik
untuk menggambarkan hubungan antara variabel terikat dengan variabel bebas yang
mempunyai dua atau lebih kategori dengan variabel terikat yang menggunakan skala
kategori maupun interval (Hosmer dan Lemeshow, 1989). Regresi logistik terbagi
menjadi dua yaitu regresi logistik biner dan regresi logistik multinomial. Regresi Logistik
biner adalah suatu analisis regresi yang digunakan untuk menggambarkan hubungan
antara variabel bebas dengan sekumpulan variabel terikat, dimana variabel terikat
bersifat biner atau dikotomus. Variabel dikotomus adalah variabel yang hanya
mempunyai dua kemungkinan nilai, misalnya sukses dan gagal. Sedangkan variabel
bebas sering disebut juga dengan covariate. Hasil pengukuran suatu variabel sering
mempunyai ciri berupa dua atau lebih kemungkinan nilai yang dikenal sebagai variabel
kategorik. Variabel kategorik yang tidak memiliki urutan disebut sebagai variabel
nominal sedangkan yang memiliki urutan disebut variabel ordinal. Kedua jenis variabel
ini, baik nominal maupun ordinal sering disebut juga sebagai variabel multinomial.
Regresi logistik multinomial, yang tidak mempertimbangkan sifat ordinal data, juga
dapat diterapkan untuk meneliti sebuah variabel ordinal namun memanfaatkan sifat
ordinal data dapat meningkatkan kesederhanaan dan kekuatan model (Agresti, 2002).
Model regresi logistik multinomial dapat digunakan untuk model dimana variabel
bebasnya merupakan himpunan diskrit, dua atau lebih. Model regresi logistik
multinomial efektif digunakan pada variabel terikat yang terdiri atas banyak kategori
(Zulkifli, 2014).
Menurut Hosmer dan Lemeshow (1989) ada beberapa metode yang dapat
digunakan untuk mengestimasi parameter model regresi logistik, yaitu maximum
likelihood methods, noniterative weighted least square methods, dan discriminant
function analysis methods. Salah satu metode yang lebih umum dan digunakan pada
sebagian besar paket program komputer adalah maximum likelihood methods atau
metode maksimum likelihood. Metode maksimum likelihood merupakan metode
pendugaan parameter yang digunakan pada model regresi logistik. Metode ini merupakan
dasar pendekatan dalam menaksir parameter pada model regresi logistik. Pada dasarnya
metode maksimum likelihood memberikan nilai taksiran parameter dengan
memaksimalkan fungsi likelihood. Untuk itu digunakan uji dan hipotesis statistik untuk
menentukan apakah variabel bebas dalam model signifikan atau berpengaruh secara
nyata terhadap variabel terikat. Maka dari itu kami akan membahas tentang regresi
logistik, jenis- jenis regresi logistik dan analisis regresi logistik.
1.2. Rumusan Masalah
1.2.1. Apa itu uji regresi logistik ?
1.2.2. Apa saja jenis-jenis uji regresi logistik ?
1.2.3. Bagaimana analisis uji regresi logistik ?
1.3. Tujuan
1.3.1. Untuk mengetahui tentang uji regresi logistik.
1.3.2. Untuk mengetahui jenis-jenis regresi logistik.
1.3.3. Untuk mengetahui cara analisis regresi logistik.
BAB II
PEMBAHASAN
2. Melihat karakteristik
Tujuan kedua ini sering digunakan untuk melihat perbedaan karakteristik
antara 2 kelompok. Salah satunya adalah skripsi saya yang saya sebutkan diatas.
Skripsi tersebut menggambarkan karakteristik petani anorganik dan petani
organik. Hasil kesimpulan bahwa peluang petani mampu beralih dari anorganik ke
organik adalah karena perbedaan harga produk hasil kedua proses tersebut. Petani
organik bersedia beralih dari anorganik ke organik meskipun produktivitas
organik lebih kecil dibanding anorganik. Namun, perbedaan harga yang tinggi
menjadikan petani organik memiliki pendapatan yang lebih tinggi dibandingkan
petani anorganik.
Tujuan melihat karakteristik ini biasanya membahas nilai odds ratio di
masing masing variabel independen (nilai odds ratio adalah (exp(koefisien))
masing-masing variabel). Nilai odds ratio menjelaskan peluang responden beralih
ke organik (contoh kasus diatas). Penjelasan nilai odds ratio berbeda dari nilai
koefisien regresi pada umumnya. Bila koefisien regresi menjelaskan : “ jika
variabel X naik 1 satuan, maka nilai Y akan naik sebesar nilai koefisien satuan”
maka exp(koefisien) atau odds ratio pada regresi logistik menjelaskan : “
responden yang memiliki variabel x lebih tinggi, maka akan berpeluang untuk
memilih organik (contoh kasus diatas) sebesar “exp(nilai koefisien) atau biasa
disebut odds ratio” kali dibandingkan responden yang memiliki variabel x lebih
rendah”. Iya, nilai exp(koefisien) pada regresi logistik atau disebut sebagai odds
ratio menjelaskan peluang, dan tidak menjelaskan berapa yang dimaksud “lebih
tinggi” dari variabel X tersebut.
Model persamaan aljabar layaknya OLS yang biasa kita gunakan adalah berikut: Y =
B0 + B1X + e. Dimana e adalah error varians atau residual. Dengan model regresi ini,
tidak menggunakan interpretasi yang sama seperti halnya persamaan regresi OLS.
Model Persamaan yang terbentuk berbeda dengan persamaan OLS.
Berikut persamaannya:
Sedangkan P Aksen adalah probabilitas logistik yang didapat rumus sebagai berikut:
Di mana:
exp atau ditulis “e” adalah fungsi exponen.
(Perlu diingat bahwa exponen merupakan kebalikan dari logaritma natural. Sedangkan
logaritma natural adalah bentuk logaritma namun dengan nilai
konstanta 2,71828182845904 atau biasa dibulatkan menjadi 2,72).
Contoh
Hasil interpretasi nilai logistic regression adalah sebagai berikut:
B0 = -4.2
B1 = 2.3
Variabel independen yang diproses adalah : IP semester 1 mahasiswa dengan
variabel dependennya : 0 berarti lulus lebih atau sama dengan 4 tahun, nilai 1
berarti lulus kurang dari 4 tahun.
Jika IP semester 1 seorang mahasiswa adalah 3, maka berapa peluang
mahasiswa tersebut untuk lulus kurang dari 4 tahun?
Kita tentukan persamaannya yakni :
p = e(B0+B1X) / (1+ e(B0+B1X) )
p = e(-4.2+2.3(3)) / (1+ e(-4.2+2.3(3)))
p = 0.94
Peluang mahasiswa tersebut untuk lulus kurang dari 4 tahun adalah 0.94%.
Dengan cara yang sama, mahasiswa yang memiliki IP semester 1 = 2,
memiliki peluang lulus kurang dari 4 tahun sebesar 0.59%.
Odds Ratio
Odds ratio merupakan ukuran risiko atau kecenderungan 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
kecenderungan pengaruh observasi dengan xj = 1 adalah berapa kali lipat jika
dibandingkan dengan observasi dengan xj = 0. Untuk variabel bebas yang berskala
kontinyu maka interpretasi dari 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 dilambangkan dengan θ, didefinisikan sebagai perbandingan dua nilai odds
xj = 1 dan xj = 0, sehingga:
Misalnya nilai Exp (B) pengaruh rokok terhadap terhadap kanker paru adalah sebesar
2,23, maka disimpulkan bahwa orang yang merokok lebih beresiko untuk mengalami
kanker paru dibandingkan dengan orang yang tidak merokok. Interprestasi ini
diartikan apabila pengkodean kategori pada tiap variabel sebagai berikut:
1. Variabel bebas adalah Rokok: Kode 0 untuk tidak merokok, kode 1 untuk
merokok.
2. Variabel terikat adalah kanker Paru: Kode 0 untuk tidak mengalami kanker
paru, kode 1 untuk mengalami kanker paru.
Pseudo R Square
Perbedaan lainnya yaitu pada regresi ini tidak ada nilai “R Square” untuk mengukur
besarnya pengaruh simultan beberapa variabel bebas terhadap variabel terikat. Dalam
regresi logistik dikenal istilah Pseudo R Square, yaitu nilai R Square Semu yang
maksudnya sama atau identik dengan R Square pada OLS.
Jika pada OLS menggunakan uji F Anova untuk mengukur tingkat signifikansi dan
seberapa baik model persamaan yang terbentuk, maka pada regresi ini menggunakan
Nilai Chi-Square. Perhitungan nilai Chi-Square ini berdasarkan perhitungan
Maximum Likelihood.
Dengan :
Lo = Maksimum Lieklihood 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.
Statistik G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p sehingga
hipotesis ditolak jika p-value < α, yang berarti variabel bebas X secara bersama-sama
mempengaruhi variabel tak bebas Y.
Hipotesis akan ditolak jika p-value < α yang berarti variabel bebas Xj secara partial
mempengaruhi variabel tidak bebas Y.
BAB III
PENUTUP
3.1. Kesimpulan
hubungan antara dua atau lebih variabel. Regresi logistik merupakan sebuah
dan Lemeshow, 1989). Regresi logistik terbagi menjadi dua yaitu regresi
3.2. Saran
DAFTAR PUSTAKA
https://www-statistikian-
com.cdn.ampproject.org/v/s/www.statistikian.com/2015/02/regresi-logistik.html?
amp_js_v=a6&_gsa=1&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16194924015357&csi=1&referrer=https%3A%2F
%2Fwww.google.com&_tf=Dari%20%251%24s&share=https%3A%2F
%2Fwww.statistikian.com%2F2015%2F02%2Fregresi-logistik.html
https://agungbudisantoso-com.cdn.ampproject.org/v/s/agungbudisantoso.com/pengertian-
tutorial-dan-interpretasi-regresi-logistik-dengan-spss/?
amp_js_v=a6&_gsa=1&&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16194924015357&csi=1&referrer=https%3A%2F
%2Fwww.google.com&_tf=Dari%20%251%24s&share=https%3A%2F
%2Fagungbudisantoso.com%2Fpengertian-tutorial-dan-interpretasi-regresi-logistik-dengan-
spss%2F
https://statistikceria.blogspot.com/2013/01/konsep-regresi-logistik-biner-dikotomi.html?
m=1
https://agungbudisantoso-com.cdn.ampproject.org/v/s/agungbudisantoso.com/pengertian-
tutorial-dan-interpretasi-regresi-logistik-dengan-spss/?
amp&usqp=mq331AQTKAFQApgBnvLl-4rkzeGVAbABIA%3D
%3D&_js_v=a6&_gsa=1#referrer=https%3A%2F
%2Fwww.google.com&csi=0&share=https%3A%2F%2Fagungbudisantoso.com
%2Fpengertian-tutorial-dan-interpretasi-regresi-logistik-dengan-spss%2F%3Famp
%23referrer%3Dhttps%3A%2F%2Fwww.google.com%26csi%3D0
https://fdokumen.com/document/makalah-regresi-logistik
https://www-globalstatistik-
com.cdn.ampproject.org/v/s/www.globalstatistik.com/analisis-regresi-logistik-
biner/amp/?amp_js_v=a6&_gsa=1&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16200512823060&referrer=https%3A%2F
%2Fwww.google.com&_tf=Dari%20%251%24s&share=https%3A%2F
%2Fwww.globalstatistik.com%2Fanalisis-regresi-logistik-biner%2F
https://en.m.wikipedia.org/wiki/Multinomial_logistic_regression
http://statslab-rshiny.fmipa.unej.ac.id/JORS/logmult/
https://en.m.wikipedia.org/wiki/Multinomial_logistic_regression
https://docplayer-info.cdn.ampproject.org/v/s/docplayer.info/amp/72904362-Makalah-
regresi-logistik-dan-regresi-dengan-variable-dummy.html?
amp_js_v=a6&_gsa=1&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16200972299506&referrer=https%3A%2F%2Fwww.google.com&_tf=Dari
%20%251%24s&share=https%3A%2F%2Fdocplayer.info%2F72904362-Makalah-regresi-
logistik-dan-regresi-dengan-variable-dummy.html
https://agungbudisantoso-com.cdn.ampproject.org/v/s/agungbudisantoso.com/pengertian-
tutorial-dan-interpretasi-regresi-logistik-dengan-spss/?
amp_js_v=a6&_gsa=1&&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16225045151472&referrer=https%3A%2F%2Fwww.google.com&_tf=Dari
%20%251%24s&share=https%3A%2F%2Fagungbudisantoso.com%2Fpengertian-tutorial-
dan-interpretasi-regresi-logistik-dengan-spss%2F