MAKALAH

Statistik Para metrik Uji Regresi Logistik

Makalah ini diajukan untuk memenuhi tugas mata kuliah “Statistik Para metrik” yang
diampuh oleh:
Dr. Ir. Ida Ekawati, M.P.

Disusun Oleh:
Kelompok 12
Laila Kartika 719311035
Agus Sahur Ramadhan 719311020
Ahmad Haris 719311023

UNIVERSITAS WIRARAJA MADURA

FAKULTAS PERTANIAN PRODI AGRIBISNIS
2021
 KATA PENGANTAR

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.

Sumenep, 01 Juni 2021

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

1.1. Latar Belakang

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

2.1. Regresi Logistik

2.1.1. Pengertian Regresi Logistik

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.
Nilai kategori biasanya tertulis 0 dan 1, saat artikel ini ditulis, kebanyakan
peneliti menggunakan regresi logistik untuk  memproses 2 kategori saja. 0 biasanya
digunakan untuk kategori “tidak” atau “belum”. Sedangkan angka 1 biasanya
digunakan untuk mendeskripsikan responden yang bersesuaian dengan maksud
penelitian.
Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi
seperti halnya regresi linear atau yang biasa disebut dengan istilah Ordinary Least
Squares (OLS) regression. Perbedaannya adalah pada regresi logistik, peneliti
memprediksi variabel terikat 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.
Apabila pada OLS mewajibkan syarat atau asumsi bahwa
error varians (residual) terdistribusi secara normal. Sebaliknya, pada regresi ini tidak
dibutuhkan asumsi tersebut sebab pada regresi jenis logistik ini mengikuti distribusi
logistik.
Analisis regresi logistik merupakan metode analisis yang biasanya digunakan
oleh mahasiswa dalam menyelesaikan skripsi berkaitan dengan skripsi tentang
persepsi. Bahasa gaul metode ini biasa disebut reglog. 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.
Sebenarnya untuk masalah diatas bisa digunakan analisis regresi OLS. Tapi
harus memenuhi asumsi bahwa 0 <= E(Yi ÷ Xi) <= 1. Namun persyaratan tersebut
sulit untuk terpenuhi. sehingga metode regresi OLS kurang cocok untuk data
kuantitatif dan lebih baik menggunakan metode regresi logistik.

Asumsi Regresi Logistik

Asumsi Regresi Logistik antara lain:
1. Regresi logistik tidak membutuhkan hubungan linier antara variabel independen
dengan variabel dependen.
2. Variabel independen tidak memerlukan asumsi multivariate normality.
3. Asumsi homokedastisitas tidak diperlukan
4. Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval atau skala
ratio).
5. Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah
atau baik dan buruk)
6. Variabel independen tidak harus memiliki keragaman yang sama antar kelompok
variabel
7. Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat
eksklusif
8. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga
50 sampel data untuk sebuah variabel prediktor (independen).
9. Dapat menyeleksi hubungan karena menggunakan pendekatan non linier log
transformasi untuk memprediksi odds ratio. Odd dalam regresi logistik sering
dinyatakan sebagai probabilitas.

2.1.2. Tujuan Menggunakan regresi Logistik

 Pemahaman tujuan menggunakan regresi logistik sangat diperlukan sebelum
anda menggunakannya sebagai alat penelitian. Anda bisa mendalami dan membahas
secara detil jika tujuan penggunaan regresi logistik anda kuasai secara detil. Setelah
saya membaca beberapa jurnal yang menggunakan regresi logistik, saya
menyimpulkan tujuan penggunaan regresi logistik secara umum ada tiga, yakni
1. Menghitung peluang
Persamaan yang diperoleh dari proses regresi logistik, dapat digunakan
untuk menghitung peluang responden diluar responden yang termasuk dalam
penelitian. Contoh yang dapat dipahami adalah proses pengajuan kredit. Pihak
bank biasanya melakukan evaluasi kelayakan seseorang layak atau tidak untuk
menerima kredit pinjaman dari bank. Beberapa pertanyaan diberikan kepada pihak
bank terhadap calon penerima kredit. Pertanyaan yang diberikan seputar
karakteristik variabel calon penerima modal tersebut merupakan variabel
independen yang akan diinput oleh petugas bank kedalam model. Dari beberapa
variabel yang dipertanyakan itulah, petugas bank dapat menentukan peluang calon
penerima kredit tersebut untuk bisa mengembalikan pinjaman atau tidak, nilai
antara 0 – 1.
Tentunya model yang digunakan oleh petugas bank adalah model regresi
logistik berdasarkan data-data peminjam sebelumnya. Dalam model tersebut
terdapat komponen bahwa biasanya peminjam yang memiliki pendapatan dibawah
sekian dengan pinjaman yang telah dimiliki sebelumnya sekian, ditambah
tanggungan kerja sekian, memiliki peluang untuk mengembalikan pinjaman
sebesar sekian ( nilai 0 -1).

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.

3. Faktor Yang mempengaruhi

Tujuan ketiga ini merupakan pengembangan dari tujuan kedua, peneliti
mampu mengetahui faktor yang mempengaruhi mengapa terdapat perbedaan
antara kedua kelompok tersebut. Nilai odds ratio yang tinggi menandakan varaibel
tersebut memiliki pengaruh yang tinggi  terhadap pemilihan beda dari responden.
Tujuan untuk mengetahui faktor yang mempengaruhi ini adalah diharapkan faktor
yang signifikan mempengaruhi tersebut merupakan faktor yang bisa diatur oleh
peneliti atau pengambil kebijakan sehingga bisa menggiring responden lainnya
untuk berbuat yang sama terhadap responden yang bernilai 1 sebelumnya.
Contoh pada skripsi ini adalah bahwa harga merupakan faktor yang paling
berpengaruh terhadap preferensi petani memilih pertanian organik, maka
pemerintah jika ingin mengembangkan pertanian organik harus melakukan
kebijakan yang tetap menstabilkan harga agar terus berada diatas harga produk
anorganik sehingga peminat petani organik akan sebakin banyak dan bisa terus
berkembang.

2.2. Jenis-jenis Regresi Logistik

 2.2.1. Regresi Logistik Biner
Analisis regresi logistik biner digunakan untuk menjelaskan hubungan antara
variabel respon yang berupa data dikotomik/biner dengan variabel bebas yang berupa
data berskala interval dan atau kategorik.
Regresi logistik biner (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 tidak memerlukan asumsi normalitas,
meskipun screening data outliers tetap dapat dilakukan.
Asumsi-asumsi dalam regresi logistik biner:

 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).
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 seperti gambar di bawah ini.
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.

2.2.2. Regresi Logistik Multinomial

Dalam statistik, regresi logistik multinomial adalah metode klasifikasi yang
menggenerelisasi regresi logistik ke masalah multikelas, yaitu dengan lebih dari dua
kemungkinan hasil diskrit. Yaitu adalah model yang digunakan untuk memprediksi
probablilitas dari hasil yang berbeda dari variabel dependen yang terdistribusi secara
kategoris, mengingat sekumpulan variabel independen (yang mungkin bernilai riil,
bernilai biner, bernilai kategorikal, dan lain-lain.). Regresi logistik multinomial
dikenal dengan berbagai nama lain, termasuk LR polytomous, multiclass
LR , Softmax regresi , multinomial logit ( mlogit ), yang maksimum
entropi ( MAXENT ) classifier, dan model yang maksimum entropi bersyarat .
Regresi logistik multinomial digunakan ketika variabel dependen yang dimaksud
adalah nominal (ekuivalen kategorikal , yang berarti bahwa ia termasuk dalam salah
satu dari sekumpulan kategori yang tidak dapat diurutkan dengan cara yang berarti)
dan yang mana terdapat lebih dari dua kategori.
Model logistik multinomial mengasumsikan bahwa data adalah kasus-
spesifik; Artinya, setiap variabel independen memiliki nilai tunggal untuk setiap
kasus. Model logistik multinomial juga mengasumsikan bahwa variabel dependen
tidak dapat diprediksi secara sempurna dari variabel independen untuk kasus
apapun. Seperti jenis regresi lainnya, variabel independen tidak perlu secara statistik
independen satu sama lain (tidak seperti, misalnya, dalam pengklasifikasi Bayes yang
naif ); namun, kolinearitasdiasumsikan relatif rendah, karena menjadi sulit untuk
membedakan antara dampak beberapa variabel jika tidak demikian.
Jika multinomial logit digunakan untuk memodelkan pilihan, itu bergantung
pada asumsi independensi dari alternatif yang tidak relevan (IIA), yang tidak selalu
diinginkan. Asumsi ini menyatakan bahwa kemungkinan memilih satu kelas di atas
yang lain tidak bergantung pada ada atau tidaknya alternatif lain yang "tidak
relevan". Misalnya, probabilitas relatif naik mobil atau bus ke tempat kerja tidak
berubah jika sepeda ditambahkan sebagai kemungkinan tambahan. Hal ini
memungkinkan pilihan Kalternatif untuk dimodelkan sebagai sekumpulan pilihan
biner independen K -1, di mana satu alternatif dipilih sebagai "poros" dan K lainnya-1
dibandingkan dengan itu, satu per satu. Hipotesis IIA adalah hipotesis inti dalam teori
pilihan rasional; Namun banyak penelitian dalam psikologi menunjukkan bahwa
individu seringkali melanggar asumsi ini ketika membuat pilihan. Contoh kasus
masalah muncul jika pilihan termasuk mobil dan bus biru. Misalkan rasio peluang
antara keduanya adalah 1: 1. Sekarang jika opsi bus merah diperkenalkan, seseorang
mungkin acuh tak acuh antara bus merah dan biru, dan karenanya mungkin
menunjukkan rasio peluang mobil: bus biru: bus merah 1: 0,5: 0,5, dengan demikian
mempertahankan rasio 1: 1 mobil: bus apa pun sambil mengadopsi mobil yang
 diubah: rasio bus biru 1: 0,5. Di sini, opsi bus merah sebenarnya tidak relevan, karena
bus merah adalah pengganti yang sempurnauntuk bus biru.
Jika logit multinomial digunakan untuk memodelkan pilihan, dalam beberapa
situasi mungkin terlalu banyak memaksakan batasan pada preferensi relatif antara
alternatif yang berbeda. Hal ini sangat penting untuk dipertimbangkan jika analisis
bertujuan untuk memprediksi bagaimana pilihan akan berubah jika satu alternatif
menghilang (misalnya jika satu kandidat politik mundur dari pemilihan tiga
kandidat). Model lain seperti logit bersarang atau probit multinomial dapat digunakan
dalam kasus seperti memungkinkan pelanggaran IIA.

2.3. Aanlisis Uji Regresi Logistik

 Model Persamaan Regresi Logistik

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:

Persamaan Regresi Logistik

Ln: Logaritma Natural.Di mana:

B0 + B1X: Persamaan yang biasa dikenal dalam OLS.

Sedangkan P Aksen adalah probabilitas logistik yang didapat rumus sebagai berikut:

Probabilitas Regresi Logistik

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).

Dengan model persamaan di atas, tentunya akan sangat sulit untuk

menginterprestasikan koefisien regresinya. Oleh karena itu maka diperkenalkanlah
istilah Odds Ratio atau yang biasa disingkat Exp (B) atau OR. Exp(B) merupakan
exponen dari koefisien regresi.

 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:

 Nilai Odds Ratio

Besarnya nilai Exp (B) dapat diartikan sebagai berikut:

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.

 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 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.

 Uji Parsial dan Pembentukan Model

Pada umumnya, tujuan analsis statistik adalah untuk 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 ke j tidak mempunyai pengaruh secara signifikan terhadap

variabel tidak bebas)
H1: βj ≠ 0 (variabel bebas ke j mempunyai pengaruh secara signifikan terhadap
variabel tidak bebas)
Untuk j = 1,2,....,p

Dengan statistik uji sebagai berikut:

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

Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis

hubungan antara dua atau lebih variabel. 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 kategorik maupun interval (Hosmer

dan Lemeshow, 1989). Regresi logistik terbagi menjadi dua yaitu regresi

logistik biner dan regresi logistik multinomial.

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&amp_gsa=1&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16194924015357&csi=1&referrer=https%3A%2F
%2Fwww.google.com&amp_tf=Dari%20%251%24s&ampshare=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&amp_gsa=1&amp&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16194924015357&csi=1&referrer=https%3A%2F
%2Fwww.google.com&amp_tf=Dari%20%251%24s&ampshare=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&amp_js_v=a6&amp_gsa=1#referrer=https%3A%2F
%2Fwww.google.com&csi=0&ampshare=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&amp_gsa=1&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16200512823060&referrer=https%3A%2F
%2Fwww.google.com&amp_tf=Dari%20%251%24s&ampshare=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&amp_gsa=1&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16200972299506&referrer=https%3A%2F%2Fwww.google.com&amp_tf=Dari
%20%251%24s&ampshare=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&amp_gsa=1&amp&usqp=mq331AQHKAFQArABIA%3D
%3D#aoh=16225045151472&referrer=https%3A%2F%2Fwww.google.com&amp_tf=Dari
%20%251%24s&ampshare=https%3A%2F%2Fagungbudisantoso.com%2Fpengertian-tutorial-
dan-interpretasi-regresi-logistik-dengan-spss%2F