Nama Anggota Kelompok 3 :

 Annisa Azriani (19037009)

 Arismonady Ilsap (19037013)
 Fhyra Aufha Rahmatika (19037027)
 Naufal Makarim Muhammad (19037051)
 Yolanda Putri (19037077)

Rangkuman Materi

ANALISIS REGRESI LOGISTIK BINNER

Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik ataupun
kategorik, termasuk variabel dummy.

Regresi logistik menghasilkan rasio peluang (odds ratios) antara keberhasilan atau kegagalan
suatu dari analisis. Misalnya dengan seorang tokoh yang ingin menjadi presiden, akan lebih baik
peluangnya jika menjadi ketua partai politik tertentu. Disini odds ratio yang dimaksud adalah
seberapa besar peluang tokoh tersebut dengan mempertimbangkan variabel prediktor yang ada.

Asumsi-asumsi dalam regresi logistik :

1. Tidak mengasumsikan hubungan linier antar variabel dependen dan independent

2. Variabel dependen harus bersifat dikotomi (2 variabel)
3. Variabel independent tidak harus memiliki keragaman yang sama antar kelompok variabel
4. Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat eksklusif

model regresi logistik :

eβ0 + β1 χ1 + . . . . β2 χ2
π(x) =
1 + eβ0 + β1 χ1 + . . . . + β2 χ2

bila model diatas ditransformasikan dengan transformasi logit, maka didapat bentuk logit :
 π(x)
g(x) = ln 1−π(x)
β0 + β1 χ1 + . . . . + β2 χ2

Pengujian Estimasi Parameter

1. Uji serentak
Uji serentak uji ini dilakukan untuk mengetahui signifikansi parameter β secara keseluruhan.
2. Uji Individu
uji ini dilakukan untuk mengetahui signifikansi parameter β secara individu.

Kecocokan Model (model fit) dan fungsi likelihood

Likelihood berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti yang kita
ketahui pada kurva regresi linier kita lihat adanya hubungan linier, peningkatan pada sumbu Y
akan diikuti dengan peningkatan pada sumbu X dan sebaliknya. Tetapi pada regresi logistik
dengan nilai Y antara 0 dan 1, pendekatan linier tidak bisa kita gunakan. Oleh karena itu metode
maximum likelihood sangat berguna dalam menentukan kecocokan model yang tepat bagi
persamaan yang kita miliki.

Interpretasi Koefisien Parameter

 untuk menjelaskan hubungan fungsional antara variabel - variabel prediktor dengan variabel
respon
 untuk menentukan unit perubahan setiap variabel prediktor
1. untuk variabel diskrit
odds ratio merupakan salah satu ukuran yang digunakan dalam menginterpretasikan parameter.
2. untuk variabel kontinu
jika variabel prediktor yang masuk kedalam model regresi logistik adalah kontinu maka
interpretasi dari parameter tergantung pada unit variabel bebas yang masuk.
 ANALISIS REGRESI LOGISTIK MULTINOMIAL

Analisis Regresi Logistik Multinom merupakan regresi logistik yang digunakan saat variabel
dependen (Y) mempunyai skala polichotomus atau multinomial, yaitu berskala nominal dengan
lebih dari dua kategori.

Model Regresi Logistik Trichotomous

1
�0(�) =
1 + ����1 (�) + ����2 (�)

����1(�)
�1(�) =
1 + ����1 (�) + ����2 (�)

����2(�)
�2(�) =
1 + ����1 (�) + ����2 (�)

Dengan P(Y = j x) = πj (x) untuk J = 0,1,2

Pengujian secara serentak digunakan untuk mengetahui pengaruh variabel prediktor terhadap
variabel respon dalam model secara bersama-sama. Uji serentak menggunakan uji likelihood.

ANALISIS REGRESI LOGISTIK ORDINAL

Regresi Logistik Ordinal adalah salah satu analisis yang digunakan untuk membuat
model hubungan antara varibel dependen yang berskala ordinal. Untuk menentukan model
regresi ordinal yang perlu diperhatikan adalah variabel mana yang bahrus dimasukkan kedalam
model dan meilih fungsi hubungan. Skala ordinal adalah skala pengukuran berupa data tingkat
atau rengking. Sedangkan variabel independen atau bebas bisa berupa covariate (jika skala
interval atau rasio) dan factor ( jika skala nominal atau ordinal).
 Analisis regresi logistik ordinal merupakan salah satu metode statistika yang
menggambarkan hubungan antara suatu variabel respon (Y) dengan lebih dari satu variabel
prediktor (X) dimana variabel respon lebih dari dua kategori dan skala pengukuran bersifat
tingkatan.

Model Umum Regresi Logistik Ordinal :

p1
log it(p1) = ln = ∝j − β` X
1 − p1

p1 + p2
log it (p1 + p2) = ln = ∝j − β` X
1 − p1 − p2

Perbedaan Regresi Logistik Ordinal dengan Regresi Lain :

Regresi data bertingkat atau ordinal menggunakan skala data ordinal pada variabel terikat.
Sedangkan regresi linear menggunakan skala data variabel terikat adalah data numerik
(interval/rasio). Regresi logistik menggunakan skala data variabel terikat adalah nominal
dikotomi (nominal 2 kategori). Regresi multinomial skala data variabel terikat adalah nominal
lebih dari 2 kategori.

Pada regresi linear membutuhkan beberapa uji asumsi klasik yaitu uji normalitas, uji
heteroskedastisitas, uji multikolinearitas, uji autokorelasi, uji linearitas, uji outlier baik univariat
maupun multivariat. Sedangkan pada uji regresi ordinal, tidak dibutuhkan adanya syarat atau
asumsi klasik. Sehingga uji-uji syarat di atas tidak perlu dilakukan dan juga tidak relevan untuk
dilakukan. Uji regresi linear karena menggunakan skala data interval atau rasio dan termasuk
dalam jenis uji parametris, maka informasi yang diberikan jauh lebih banyak.