ANALISIS REGRESI LOGISTIK MULTINOMIAL PENGARUH PENDAPATAN

PERKAPITA,TINGKAT PENDIDIKAN DAN STATUS PEKERJAAN TERHADAP STATUS GIZI

MASYARAKAT KABUPATEN SIJUNJUNG
Hanna Felina Ferdya), Rafda Afrilia b), Sakinah Fitri c), Yolanda Sriwahyuni d)

ABSTRAK
Model regresi digunakan untuk menganalisis hubungan antara variabel dependen dan variabel
independen.Model regresi logistik multinomial digunakan saat variabel dependennya bersifat kualitatif.Model
yang sesuai diperoleh setelah dilakukan penaksiran parameter, uji signifikansi, dan uji kecocokan model.Dalam
artikel ini digunakan model regresi logistik multinomial untuk mengetahui pengaruh pendapatan per kapita,
pendidikan, dan pekerjaan pada status gizi masyarakat Kabupaten Sijunjung.Data sejumlah 150 diambil dari
BPS Kabupaten Sijunjungyaitu pada data SUSENAS.Hasil pengolahan data menunjukkan bahwa tingkat
pendidikan dan status pekerjaan mempengaruhi status gizi.
Kata Kunci : model regresi logistik multinomial, status gizi.

PENDAHULUAN

Gizi merupakan hal penting yang harus diperhatikan karena derajat kesehatan mempengaruhi
pertumbuhan dan pembangunan ekonomi, meskipun berlaku sebaliknya, pertumbuhan dan pembangunan
ekonomi juga mempengaruhi derajat kesehatan.Perawatan kesehatan menyerap cukup banyak anggaran keluarga
maupun pemerintah. Menurut Mills dan Gilson (1990), hal tersebut terjadi karena banyak kebutuhan yang perlu
dibeli dengan valuta asing, seperti obat dan alat kesehatan. Pembangunan ekonomi tidak lagi dipandang sebagai
suatu proses sederhana, suatu proses penanaman modal bagi sistem perekonomian dengan harapan akan
memberikan keuntungan otomatis dalam pembangunan dan kesejahteraan manusia. Pembangunan menjadi
rumit karena harus mempertimbangkan semua aspek ekonomi termasuk masalah kesehatan.
Masalah gizi menurut Supariasa dkk.(2001), merupakan masalah kesehatan masyarakat, namun
penanggulangannya tidak dapat dilakukan dengan pendekatan medis dan pelayanan kesehatan saja.Penyebab
timbulnya masalah gizi bersifat multifaktor.Pokok masalah yang merupakan faktor penyebab masalah gizi
adalah kemiskinan, pendidikan rendah, dan kurang keterampilan, (Persagi, 1999).Faktor-faktor tersebut
merupakan faktor tidak langsung penyebab masalah gizi.
Gizi juga dipengaruhi oleh tingkat pendidikan dan status pekerjaan.Soedarmo dan Sediaoetama (1977)
menyampaikan bahwa pendidikan berperan penting dalam hal perbaikan makanan.Penduduk mengetahui
pentingnya makanan bagi kesehatan dari pendidikan yang diperoleh.Pengetahuan tentang makanan yang
seimbang berpengaruh pada pola konsumsi yang sehat.
Pengetahuan hubungan antara gizi masyarakat dengan faktor yang mempengaruhinya menjadi hal
penting untuk mempermudah penanggulangan masalah gizi.Jika hubungan itu dapat diketahui, maka langkah-
langkah yang diambil dapat lebih terarah.Model statistik yaitu analisis regresi dapat digunakan untuk
mengetahui hubungan tersebut.
Analisis regresi dapat digunakan untuk mengetahui pengaruh dan mengukur hubungan antara variabel
dependen dan variabel independen. Pada kasus ini, variabel dependen model regresinya yaitu status gizi orang
dewasa (usia 18 tahun ke atas) yang diukur dengan Indeks Massa Tubuh (IMT). Sedangkan untuk variabel
independennya terdiri dari pendapatan per kapita keluarga, tingkat pendidikan terakhir, dan status pekerjaan.
Salah satu cara untuk menilai status gizi orang dewasa adalah dengan mempertahankan berat badan yang ideal,
(Supariasa, 2001). Supariasa menjelaskan bahwa laporan FAO/WHO/UNU tahun 1985 menyatakan bahwa
batasan berat badan normal orang dewasa ditentukan berdasarkan nilai Indeks Massa Tubuh (IMT).Status gizi
dinyatakan dalam tiga kategori, yaitu kurang, normal, dan berlebih.
Model regresi yang diterapkan pada saat variabel dependennya bersifat kualitatif adalah model regresi
logistik.Model regresi logistik yang variabel dependennya memiliki lebih dari dua kategori disebut model
regresi logistik multnomial.
Uji kecocokan model harus dilakukan pada model regresi logistik.Kurang cocoknya model dapat
memberikan kesimpulan yang salah terhadap data hasil observasi.Uji kecocokan diperlukan untuk mengetahui
apakah model statistik sudah layak digunakan. Terdapat beberapa uji kecocokan untuk model regresi
logistikmultinomial, salah satunya adalah Uji Simultan , Parsial, dan Kebaikan Model.

Analisis Regresi Logistik Multinomial

 Uji Independensi
Uji independensi merupakan suatu uji untuk mengetahui hubungan antar variabel.Hipotesis
yang digunakan adalah sebagai berikut (Agresti, 1990).
H0 : Tidak ada hubungan antar variabel
 H1 : Ada hubungan antar variabel
Statistik uji yang digunakan dalam pengujian ini adalah uji Chi-square sebagaimana terdapat
pada persamaan berikut :

( )
2
a b
nij−^m
X =∑∑
2 ij

i=1 j=1 m
^ ij

dimana :
nij = Jumlah pengamatan pada baris ke-i, kolom ke-j ijn
m
^ ij= Nilai harapan baris ke-i, kolom ke-j ˆ ijm
i = banyaknya baris (1,2,…,a)
j= banyaknya kolom (1,2,…,b)

Kriteria Uji :
2
Penolakan hipotesis nol apabila X 2 ≥ X (db ,1−α )dengan derajat bebas (i-1)(j-1).

 Uji Korelasi
Analisis korelasi merupakan metode analisis data yang mengukur derajat hubungan antara dua
variabel random X dan Y melalui sebuah bilangan yang disebut koefisien korelasi r. Kuadrat dari
koefisien korelasi disebut koefisien determinasi yang merepresentasikan besarnya proporsi variasi
dalam variabel y yang dijelaskan oleh variabel x dalam model. Hipotesis yang digunakan adalah
sebagai berikut (Draper & Smith, 1992).

H0 :ρ=0

H1 : ρ≠ 0

Statistik Uji
n n n
n ∑ xy−∑ x ∑ y
i=1 i=1 i=1

√[
r=

( ) ][ (∑ ) ]
n n 2 n n 2
n∑ x − ∑x n∑ y −
2 2
y
i=1 i =1 i=1 i=1

Besar r mengukur keeratan hubungan linier antara peubah-peubah acak Y dan X. Misal r=1
maka berkorelasi positif sempurna dan kemungkinan nilai Y dan X terletak pada suatu garislurus
dengan kemiringan yang positif pada bidang-bidang YX. Jika r=0 maka kedua peubah dikatakan tidak
berkorelasi, artinya tidak berhubungan linier satu sama lain (Draper & Smith, 1992).

Regresi Logistik Multinomial

Regresi logistik multinomial merupakan suatu metode analisis data yang digunakan untuk mencari
hubungan antara variabel dependen (y) yang bersifat polikotomus atau multinomial (Hosmer & Lemeshow,
2000). Variabel dependen y terdiri lebih dari 2 kategori yang biasanya y dinotasikan dengan 0,1, atau 2. Hosmer
dan Lemeshow (2000) menjelaskan bahwa model yang digunakan pada regresi logistik multinomial adalah :

exp ( β 0+ β x + β 2 x2 +…+ βb x b )
π (x) =
1 1

1+ exp ( β 0+ β x + β x 2+ …+ β b x b )
1 1 2

Dilakukan transforasi logit terhadap π (x) , didapat persamaan fungsi logit yang dinyatakan didalam persamaan
berikut :

P1 ( x) = ln
( P ( Y =1 ) 1∨x
P ( Y =1 ) 0∨x )
= β 10+ β 11 x 1 + β 12 x 2 + ... + β 1 b x b = x ' β 1
 P2 ( x) = ln
( P ( Y =1 ) 2∨x
P ( Y =1 ) 0∨x )
= β 20+ β 21 x 1 + β 22 x 2 + ... + β 2 b x b = x ' β 2

Berdasarkan kedua fungsi logit tersebut maka didapatkan model regresi logistik :

1
π 0 ( x) =
1+ exp P 1 ( x )+ exp P2 ( x)

exp P1 ( x )
π 1 (x) =
1+ exp P 1 ( x )+ exp P2 (x)

exp P2 ( x )
π 2 ( x) =
1+ exp P 1 ( x )+ exp P2 (x)
Estimasi Parameter
Pada regresi linier, metode yang paling sering digunakan untuk mengestimasi parameter yang tidak
diketahui adalah least square. Metode ini akan meminimumkan jumlah kuadrat residual. Metode ini akan
menghasilkan estimator yang valid apabila digunakan pada data dengan asumsi IIDN yang terpenuhi.
Sebaliknya, metode ini akan menghasilkan estimator yang bias jika diaplikasikan pada variabel dependen yang
bersifat polikotomus. Metode yang mengarah pada fungsi least square dalam model regresi linier disebut
maximum likelihood dengan logaritma likelihood yang terdapat pada persamaan :
n
l(β) =∏ π 1i y 1 i π 2 i y 2 i π 3 i y 3 i ( 1−π 1 i −π 2i −π 3i )1−¿ y 1i − y 2i − y 3 i ¿

i=1

3
Dengan , ∑ y ji= 1
i=1

Dilakukan transformasi logaritma, sehingga didapat persamaan logaritma likelihood dengan fungsi linier.

L ( β ) =log [ l ( β ) ]
n
¿∑ ¿¿
i=1

Estimasi parameter β dari persamaan diperoleh dengan memaksimumkan L(β ). Yang perlu menjadi
perhatian bahwa fungsi logaritma bersifat monoton naik sehingga jika fungsi log-likelihood mencapai
maksimum, maka fungsi likelihood juga akan mencapai maksimum (Hosmer & Lemeshiw, 2000). Nilai taksiran
parameter β yang akan diturunkan dari fungsi log-likelihood dapat diperoleh menggunakan iterasi Newton
Raphson (Agresti, 2002), dengan melakukan penurunan dari L ( β ) terhadap β jk ,maka diperoleh nilai β .

∂L(β) a
=∑ x i ( y ji −π ji )
∂ βj i=1

Dengan j : 1,2,…,b

Pengujian Signifikansi Parameter

 Uji Simultan
Pengujian ini dilakukan untuk memeriksa koefisien β secara serentak atau bersamaan terhadap variabel
dependen, dengan hipotesis sebagai berikut.
H0: Tidak ada satupun variabel independen yang secara statistik signifikan mempengaruhi variabel
dependen
 H1: Minimal terdapat satu buah variabel independen yang secara statistik signifikan mempengaruhi
variabel dependen

Statistik Uji :
L1
G=−2ln
L2
Dimana,
L1 : Likelihood tanpa variabel independen
L0 : Likelihood dengan variabel independen

Statistic uji G yang didapat dari persamaan merupakan likelihood ratio test dimana nilai G mengikuti
distribusi X 2 sehingga H0 ditolak apabila G > X 2 ( a , v) atau P-value < α, dengan v adalah banyaknya
parameter dalam model tanpa β 0 (Hosmer & Lemeshow,2000)

 Uji Parsial
Untuk memeriksa kemaknaan koefisien β secara parsial dengan membandingkan dugaan β dengan
penduga standar errornya,dengan hipotesis sebagai berikut (Hosmer & Lemeshow,2000).

H0 : β j =0(Tidak ada pengaruh variabel independen secara parsial terhadap variabel

dependen)

H1: β j ≠ 0 ; j = 1,2,..,b (Ada pengaruh variabel independen secara parsial terhadap

variabel dependen)

Statistik Uji :
^β 2
2 j
W =
SE( ^β j )
2

Dengan SE( ^ β j2 ) merupakan standar error koefisien dan ^β j merupakan nilai koefisien dugaan
variabel prediktor W . Statistik uji W2 disebut sebagai statistik uji Wald sebagaimana yang tertulis pada
2

persamaan, mengikuti distibusi X2.

Kriteria Uji :

Tolak H0apabila W2 > X2(a , v)atau P-value < α,dimana v adalah banyaknya variabel independen.

 Uji Kesesuaian Model

Uji kesesuaian model dilakukan untuk menguji apakah model yang dihasilkan berdasarkan regresi
logistik serentak sudah layak (tidak terdapat perbedaan antara hasil pengamatan dan kemungkinan hasil
prediksi model) dimana uji tersebut.Hipotesis yang digunakan adalah sebagai berikut.

H0 : Model sesuai (tidak terdapat perbedaan antara hasil pengamatan dengankemungkinan hasil
prediksi model)

H1 : Model tidak sesuai (terdapat perbedaan antara hasil pengamatan dengankemungkinan hasil
predikisi model)

Statistik Uji:

g
(Ok −n' k π k ) ²
C=∑ '
k=1 n k π k ( 1−π k )
Dengan
 ck
Ok =∑ y j=¿ Jumlah nilai variabel dependen pada grup ke-k
j=1

Ck
mj π (x j)
π k =∑ = Rata-rata taksiran probabilitas
j=1 n 'k

g=¿ Jumlah grup

n ' k =¿Banyaknya subjek pada grup ke-k

C k =¿Kategori variabel dependen

Kriteria Uji :

^ > X 2 (a , v) yang menyatakan bahwa model tidak sesuai (terdapat

Tolak H0, apabila C
perbedaan antara hasil pengamatan dengan kemungkinan hasil prediktif model) (Hosmer &
Lemeshow,2000)
 METODOLOGI

Data dan Variabel

No Y X1 X2 X3
1 1 163 2 2
2 0 201 2 2
3 1 1167 1 0
4 0 400 1 0
5 1 625 1 4
6 0 1500 2 2
7 1 116 2 2
8 0 283 3 0
9 1 750 3 2
10 0 500 3 0
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
139 2 200 3 3
140 1 250 4 3
141 1 300 4 4
142 2 700 3 4
143 1 300 3 3
144 1 200 4 1
145 1 100 3 0
146 1 300 3 3
147 1 900 4 1
148 1 300 1 0
149 1 200 4 3
150 1 150 3 3

Data yang digunakan dalam penelitian ini adalah data sekunder, diambil dari Survei Ekonomi Sosial
(SUSENAS) yang diperoleh di Badan Pusat Statistik (BPS) Kabupaten Sijunjung, dengan data SUSENAStahun
2015.
Keadaan gizi dipengaruhi oleh faktor ekonomi dan faktor sosial.Faktor uutam yang mempengaruhi
status gizi adalah pendapatan pekapita, tingkat pendidikan, dan status pekerjaan.Adapun variabel yang terdapat
pada kasus ini yaitu varibel dependen dan variabel independen.
Y : keadaan atau status gizi di Kabupaten Sijunjung
0=gizi kurang
1=gizi normal
2=gizi berlebih
X : faktor yang mempengaruhi status gizi di Kabupaten Sijunjung

X1 (Pendapatan perkapita) Pendapatan perkapita (Rp)

0=tidak sekolah
1=SD
X2 (Tingkat Pendidikan) 2=SMP
3=SMA
4=Perguruan Tinggi
 0=tidak bekerja
1=buruh
X3 (status pekerjaan) 2=wiraswasta
3=swasta
4=PNS

HASIL ANALISIS REGRESI LOGISTIK MULTINOMIAL

UJI KESESUAIAN MODEL

Hipotesis
H0 : Model sesuai (tidak terdapat perbedaan antara hasil pengamatan dengan kemungkinan hasil
prediksi model)
H1 : Model tidak sesuai (terdapat perbedaan antara hasil pengamatan dengan kemungkinan hasil
prediksi model)

Kriteria Uji
Apabila nilai sig. Pearson > α maka terima H0 dan apabila nilai sig. Pearson < α maka tolak H0.

Goodness-of-Fit
Chi-Square df Sig.
Pearson 196.264 212 .774
Deviance 180.883 212 .941

Keputusan
nilai sig. Pearson > α yaitu 0,774 > 0,05 maka terima H0
Kesimpulan
Hasil uji kelayakan metode Pearson didapat nilai signifikan 0.774 menerima Ho yang meyatakan
bahwa Model sesuai (tidak terdapat perbedaan antara hasil pengamatan dengan kemungkinan hasil prediksi
model) model multinomial logit tersebut layak untuk digunakan.

UJI SIMULTAN

Model Fitting Information

Model Model Fitting Likelihood Ratio Tests
Criteria
-2 Log Chi-Square df Sig.
Likelihood
Intercept Only 246.787
Final 210.126 36.660 18 .006

Hipotesis

Ho: Tidak ada satupun variabel independen yang secara statistik signifikan mempengaruhi variabel
dependen
H1: Minimal terdapat satu buah variabel independen yang secara statistik signifikan mempengaruhi
variabel dependen.

Kriteria Uji
Tolak Ho Jika nilai prob Chi Square (db=k-1) lebih kecil dari α 5% ATAU Chi Square hitung lebih
besar dari Chi Square tabel (db=0,05;k-1)

Keputusan
 Nilai probabilitas Chi Square (db=18) yang dihasilkan 0,006 lebih kecil dibanding α 5%. Atau Chi
Square hitung (36,660)lebih besar dari Chi Square tabel (28,87). Dengan demikian, maka akan tolak hipotesis
nol.
Kesimpulan
Pada keputusan diatas maka dapat disimpulkan bahwa minimal ada satu buah variabel independen
(pendapatan perkapita, tingkat pendidikan, status pekerjaan) yang signifikan mempengaruhi variabel
dependennya (status gizi).

UJI PARSIAL
Hipotesis
Ho: Variabel independen ke-x secara statistik signifikan memengaruhi variabel dependen
H1: Variabel independen ke-x secara statistik tidak signifikan memengaruhi variabel dependen

Kriteria Uji
            Wilayah kritis/Tolak Ho: Jika nilai prob Chi Square untuk variabel ke –x (db=k+1) lebih kecil dari α 5%
ATAU Chi Square hitung lebih besar dari Chi Square tabel (db=0,05;k+1).

Likelihood Ratio Tests

Effect Model Fitting Likelihood Ratio Tests
Criteria
-2 Log Chi-Square df Sig.
Likelihood of
Reduced Model
Intercept 210.126a .000 0 .
x1 212.888 2.762 2 .251
x2 228.715 18.588 8 .017
x3 222.800 12.674 8 .124
The chi-square statistic is the difference in -2 log-likelihoods
between the final model and a reduced model. The reduced model
is formed by omitting an effect from the final model. The null
hypothesis is that all parameters of that effect are 0.
a. This reduced model is equivalent to the final model because
omitting the effect does not increase the degrees of freedom.

Keputusan
Nilai prob Chi Square variabel X2 lebih kecil dari pada α 5% yaitu 0,017 (Tingkat Pendidikan) . Atau
Nilai statistik Chi Square variabel X2 yaitu 18,588 lebih besar dari pada nilai tabel Chi Square (0,05;8) = 15,51.
Kesimpulan
Dari  hasil uji pada keputusan diatas, terlihat bahwa satu variabel independen (Tingkat Pendidikan)
secara statistik signifikan mempengaruhi variabel dependen (Status Gizi masyarakat).
Interpretasi Analisis Regresi Logistik Multinomial

MODEL PERSAMAAN
Model Persamaan Gizi kurang
Parameter Estimates
ya B Std. Wald df Sig. Exp(B) 95% Confidence Interval for
Error Exp(B)
Lower Bound Upper Bound
gizi Intercept -3.474 1.080 10.346 1 .001
kurang x1 .001 .001 2.728 1 .099 1.001 1.000 1.003
4447403642. 115660063058.0
[x2=.00] 22.216 1.662 178.575 1 .000 171013214.377
419 11
[x2=1.00] .759 1.182 .413 1 .521 2.137 .211 21.674
[x2=2.00] 1.271 1.090 1.361 1 .243 3.565 .421 30.166
[x2=3.00] 2.014 .902 4.987 1 .026 7.494 1.279 43.903
[x2=4.00] 0b . . 0 . . . .
[x3=.00] .607 .839 .523 1 .469 1.835 .354 9.511
 - 5195.22
[x3=1.00] .000 1 .997 1.076E-008 .000 .c
18.348 5
[x3=2.00] .641 .901 .506 1 .477 1.899 .325 11.111
[x3=3.00] -.702 .840 .698 1 .403 .496 .096 2.571
[x3=4.00] 0b . . 0 . . . .

(( ( gizi normal )
)
gizi kurang
p
Ln = -3,477 + 0,001 X1+ 22,216 X2 (0) + 0,759 X2 (1) +1,271 X2 (2) +2,014 X2 (3)
p 1−
gizi kurang
gizi normal )
+ 0.607 X3(0) – 18,348 X3 (1) + 0.641 X3 (2) - 0.702 X3 (3)
Kesimpulan
Hasil menunjukan bahwa untuk prediksi seseorang dengan gizi kurang dibandingkan dengan gizi
normal,pendapatan perkapita tidak berpengaruh dengan signifikan sebesar0,099,Tingkat pendidikan yang tidak
sekolah berpengaruh signifikan sebesar 0,000,Tingkat pendidikan SDtidak berpengaruh signifikan sebesar
0,521,Tingkat pendidikan SMP tidak berpengaruh signifikan sebesar 0,243,Tingkat pendidikan SMA
berpengaruh signifikan sebesar 0,026,Status pekerjaan yang tidak bekerja tidak berpengaruh signifian sebesar
0,469,Status pekerjaan Buruh tidak berpengaruh signifikan sebesar 0,997,Status pekerjaan Wiraswasta tidak
berpengaruh signifikan sebesar 0,477,Status pekerjaan Swasta tidak berpengaruh signifikan sebesar 0,403.

Model Persamaan Gizi Berlebih

Parameter Estimates
ya B Std. Wald df Sig. Exp(B) 95% Confidence Interval for
Error Exp(B)
Lower Bound Upper Bound
Intercept -1.516 .722 4.412 1 .036
x1 .000 .001 .127 1 .722 1.000 .999 1.002
1508592108. 1508592108.58
[x2=.00] 21.134 .000 . 1 . 1508592108.584
584 4
[x2=1.00] .191 .991 .037 1 .847 1.211 .174 8.437
[x2=2.00] -.727 1.204 .364 1 .546 .484 .046 5.119
gizi
[x2=3.00] 1.280 .599 4.562 1 .033 3.597 1.111 11.647
berlebih
[x2=4.00] 0b . . 0 . . . .
[x3=.00] -.282 .730 .150 1 .699 .754 .180 3.152
[x3=1.00] -1.074 .947 1.288 1 .256 .341 .053 2.183
[x3=2.00] -.734 .930 .623 1 .430 .480 .077 2.972
[x3=3.00] -.489 .635 .593 1 .441 .613 .177 2.129
[x3=4.00] 0b . . 0 . . . .

(( ( gizi
gizi normal )
)
berlebih
p
Ln = -1,516 + 0,000 X1+ 21.134 X2 (0) + 0,191 X2 (1) –0,727 1,271 X2 (2) + 1,280
p 1−
gizi berlebih
gizi normal )
X2 (3) 0,282 X3 (0) – 18,348 X3 (1) + 0.641 X3 (2) - 0.702 X3 (3)
Kesimpulan
Hasil menunjukan bahwa untuk prediksi seseorang dengan gizi berlebih dibandingkan dengan gizi
normal,pendapatan perkapita tidak berpengaruh dengan signifikan sebesar 0,722,Tingkat pendidikan SD tidak
berpengaruh signifikan sebesar 0,847, Tingkat pendidikan SMP tidak berpengaruh signifikan sebesar
0,546,Tingkat pendidikan SMA berpengaruh signifikan sebesar 0,033,Status pekerjaan yang tidak bekerja tidak
berpengaruh signifian sebesar 0,699, Status pekerjaan Buruh tidak berpengaruh signifikan sebesar 0,256, Status
pekerjaan Wiraswasta tidak berpengaruh signifikan sebesar 0,430 ,Status pekerjaan Swasta tidak berpengaruh
signifikan sebesar 0,441.

Interpretasi Koefisien Parameter

 Parameter Estimates
ya B Std. Wald df Sig. Exp(B) 95% Confidence Interval for
Error Exp(B)
Lower Bound Upper Bound
Intercept -3.474 1.080 10.346 1 .001
x1 .001 .001 2.728 1 .099 1.001 1.000 1.003
4447403642.4 171013214.37 115660063058.
[x2=.00] 22.216 1.662 178.575 1 .000
19 7 011
[x2=1.00] .759 1.182 .413 1 .521 2.137 .211 21.674
[x2=2.00] 1.271 1.090 1.361 1 .243 3.565 .421 30.166
gizi [x2=3.00] 2.014 .902 4.987 1 .026 7.494 1.279 43.903
kurang [x2=4.00] 0b . . 0 . . . .
[x3=.00] .607 .839 .523 1 .469 1.835 .354 9.511
- 5195.22
[x3=1.00] .000 1 .997 1.076E-008 .000 .c
18.348 5
[x3=2.00] .641 .901 .506 1 .477 1.899 .325 11.111
[x3=3.00] -.702 .840 .698 1 .403 .496 .096 2.571
[x3=4.00] 0b . . 0 . . . .
Intercept -1.516 .722 4.412 1 .036
x1 .000 .001 .127 1 .722 1.000 .999 1.002
1508592108.5 1508592108.5 1508592108.58
[x2=.00] 21.134 .000 . 1 .
84 84 4
[x2=1.00] .191 .991 .037 1 .847 1.211 .174 8.437
[x2=2.00] -.727 1.204 .364 1 .546 .484 .046 5.119
gizi [x2=3.00] 1.280 .599 4.562 1 .033 3.597 1.111 11.647
berlebih
[x2=4.00] 0b . . 0 . . . .
[x3=.00] -.282 .730 .150 1 .699 .754 .180 3.152
[x3=1.00] -1.074 .947 1.288 1 .256 .341 .053 2.183
[x3=2.00] -.734 .930 .623 1 .430 .480 .077 2.972
[x3=3.00] -.489 .635 .593 1 .441 .613 .177 2.129
[x3=4.00] 0 b
. . 0 . . . .
a. The reference category is: gizi normal.
b. This parameter is set to zero because it is redundant.
c. Floating point overflow occurred while computing this statistic. Its value is therefore set to system missing.

Interpretasi Variabel X2 kode 0 pada kategori gizi kurang

Kecenderungan seseorang dengan Tingkat pendidikan yang tidak sekolah memiliki status gizi kurang
dari pada gizi normal sebesar 45,4139 kali lipat dari seseorang dengan Tingkat pendidikanPerguruan Tinggi.
Interpretasi Variabel X2 kode 1 pada kategori gizi kurang
Kecenderungan seseorang dengan Tingkat pendidikan SD memiliki status gizi kurang dari pada gizi
normal sebesar 2,137 kali lipat dari seseorang dengan tingkat pendidikan Perguruan Tinggi.
Interpretasi Variabel X2 kode 2 pada kategori gizi kurang
Kecenderungan seseorang dengan Tingkat pendidikan SMP memiliki status gizi kurang dari pada gizi
normal sebesar 3,565 kali lipat dari seseorang dengan tingkat pendidikan Perguruan Tinggi.
Interpretasi Variabel X2 kode3 pada kategori gizi kurang
Kecenderungan seseorang dengan Tingkat pendidikan SMA memiliki status gizi kurang dari pada gizi
normal sebesar 7,494 kali lipat dari seseorang dengan tingkat pendidikan Perguruan Tinggi.
Interpretasi Variabel X3 kode 0 pada kategori gizi kurang
Kecenderungan seseorang dengan Status pekerjaan yang tidak bekerja memiliki status gizi kurang dari
pada gizi normal sebesar 1,835 kali lipat dari seseorang dengan Status pekerjaan PNS.
Interpretasi Variabel X3 kode 1 pada kategori gizi kurang
Kecenderungan seseorang dengan Status pekerjaan Buruh memiliki status gizi kurang dari pada gizi
normal sebesar 1,076E-008 kali lipat dari seseorang Status pekerjaan PNS.
Interpretasi Variabel X3 kode 2 pada kategori gizi kurang
 Kecenderungan seseorang dengan Status pekerjaan Wiraswasta memiliki status gizi kurang dari pada
gizi normal sebesar 1,899 kali lipat dari seseorang dengan Status pekerjaan PNS.
Interpretasi Variabel X3 kode 3 pada kategori gizi kurang
Kecenderungan seseorang dengan Status pekerjaan Swasta memiliki status gizi kurang dari pada gizi
normal sebesar 0,496 kali lipat dari seseorang dengan Status pekerjaan PNS.
Interpretasi Variabel X2 kode 0 pada kategori gizi berlebih
Kecenderungan seseorang dengan Tingkat pendidikan yang tidak sekolah memiliki status gizi berlebih
dari pada gizi normal sebesar 1508592108,584kali lipat dari seseorang dengan tingkat pendidikan Perguruan
Tinggi.

Interpretasi Variabel X2 kode 1 pada kategori gizi berlebih

Kecenderungan seseorang dengan Tingkat pendidikan SD memiliki status gizi berlebih dari pada gizi
normal sebesar 1,211 kali lipat dari seseorang dengan tingkat pendidikan Perguruan Tinggi.
Interpretasi Variabel X2 kode 2 pada kategori gizi berlebih
Kecenderungan seseorang dengan Tingkat pendidikan SMP memiliki status gizi berlebih dari pada gizi
normal sebesar 0,484 kali lipat dari seseorang dengan tingkat pendidikan Perguruan Tinggi.
Interpretasi Variabel X2 kode3 pada kategori gizi berlebih
Kecenderungan seseorang dengan Tingkat pendidikan SMA memiliki status gizi berlebih dari pada gizi
normal sebesar 3,597kali lipat dari seseorang dengan tingkat pendidikan Perguruan Tinggi.
Interpretasi Variabel X3 kode 0 pada kategori gizi berlebih
Kecenderungan seseorang dengan Status pekerjaan yang tidak bekerja memiliki status gizi berlebih
dari pada gizi normal sebesar 0,754kali lipat dari seseorang dengan Status pekerjaan PNS.
Interpretasi Variabel X3 kode 1 pada kategori gizi berlebih
Kecenderungan seseorang dengan Status pekerjaan Buruh memiliki status gizi berlebih dari pada gizi
normal sebesar 0,341 kali lipat dari seseorang Status pekerjaan PNS.
Interpretasi Variabel X3 kode 2 pada kategori gizi berlebih
Kecenderungan seseorang dengan Status pekerjaan Wiraswasta memiliki status gizi berlebih dari pada
gizi normal sebesar 0,480 kali lipat dari seseorang dengan Status pekerjaan PNS.
Interpretasi Variabel X3 kode 3 pada kategori gizi berlebih
Kecenderungan seseorang dengan Status pekerjaan Swasta memiliki status gizi berlebih dari pada gizi
normal sebesar 0,613 kali lipat dari seseorang dengan Status pekerjaan PNS.

UJI KEBAIKAN MODEL

  
Pseudo R-Square
Cox and Snell .217
Nagelkerke .257
McFadden .131

Berdasarkan Tabel Pseudo R-Square nilai diambil dari Nagelkerke yaitu sebesar 0,257. Nilai tersebut
mengindikasikan bahwa keragaman data variabel independen mampu menjelaskan keragaman data variabel
dependen sebesar 25,7% sedangkan sisanya dijelaskan oleh variabel indpenden lain yang ada di luar model.
Nilai Nagelkerke sebesar 0,257 sudah dianggap baik dalam menjelaskan nilai ukuran kebaikan model.

Daftar Pustaka

Agresti, A. (2002). Categorical Data Analysis.New York: John Wiley andSons, Inc.

Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression.NewYork: John Wiley and Sons,Inc.

Mills, A dan Gilson, L. (1990).Ekonomi Kesehatan untuk Negara-negaraSedang Berkembang.P.T. Dian

Rakyat, Jakarta.

Supariasa, I.D.N., Bakri, B., Fajar, I. (2001). Penilaian Status Gizi.PenerbitBuku Kedokteran EGC,Jakarta.
Persagi.(1999). Visi dan Misi Gizi dalam Mencapai Indonesia Sehat Tahun2010, Jakarta.

Sajogyo, S. dan Khumaidi.(1978). Tingkat Pendapatan Rumah Tangga danKecukupan Gizi.Widya Karya
Nasional Pangan dan Gizi, LIPI.10-14 Juli.

Soedarmo, P. dan Sediaoetama, A.D. (1977).Ilmu Gizi. Dian Rakyat, Jakarta.

 LAMPIRAN

DATA

No Y X1 X2 X3
1 1 163 2 2
2 0 201 2 2
3 1 1167 1 0
4 0 400 1 0
5 1 625 1 4
6 0 1500 2 2
7 1 116 2 2
8 0 283 3 0
9 1 750 3 2
10 0 500 3 0
11 1 500 3 2
12 1 525 4 4
13 0 360 2 0
14 0 1000 4 4
15 1 540 3 0
16 0 800 3 0
17 1 363 2 0
18 1 1000 4 4
19 0 325 3 4
20 1 500 3 0
21 1 100 2 0
22 1 120 3 0
23 1 375 3 0
24 1 500 2 0
25 1 767 1 0
26 1 200 2 0
27 1 267 3 0
28 0 300 3 0
29 0 350 3 0
30 0 475 0 2
31 1 1325 3 4
32 1 357 4 4
33 1 225 3 0
34 1 400 4 0
35 1 667 1 0
36 0 933 4 4
37 1 333 1 0
38 0 625 3 3
39 1 500 3 3
40 1 713 3 3
41 1 750 3 4
42 1 300 3 2
43 0 350 3 2
44 1 250 4 3
45 0 400 1 0
46 1 700 4 4
47 0 600 3 2
48 1 380 2 2
49 0 900 3 3
50 0 650 3 2
51 0 400 3 3
52 0 1000 3 2
53 1 250 4 4
54 0 500 2 0
55 1 650 4 4
56 0 700 3 3
57 1 800 3 3
58 1 850 2 3
59 1 600 4 4
60 0 500 3 4
61 1 350 3 3
62 1 280 2 1
63 1 430 3 0
64 1 230 3 3
65 1 250 2 1
66 1 550 1 1
67 1 750 2 3
68 1 620 3 3
69 0 430 3 3
70 1 800 3 3
71 0 320 0 2
72 1 540 3 4
73 1 650 4 4
74 1 440 3 1
75 1 240 4 3
76 1 520 1 0
77 2 100 4 4
78 1 120 4 3
79 2 140 3 3
80 1 200 3 3
81 1 333 3 3
82 1 350 3 4
83 1 250 3 2
84 2 700 3 2
85 1 600 4 3
86 2 650 1 0
87 1 800 4 4
88 2 500 3 2
 89 1 850 2 2
90 2 650 3 3
91 1 400 3 2
92 2 150 3 3
93 2 250 3 2
94 1 200 4 4
95 2 900 2 0
96 2 1200 1 4
97 2 560 3 3
98 2 300 3 3
99 1 350 2 3
100 1 200 4 4
101 2 700 3 4
102 1 650 3 3
103 1 750 2 1
104 1 300 3 1
105 1 250 3 3
106 1 150 2 1
107 1 120 1 1
108 1 800 4 3
109 1 500 3 3
110 2 650 3 3
111 2 400 3 3
112 2 200 0 0
113 2 350 3 4
114 2 600 4 4
115 1 700 3 1
116 1 550 4 3
117 1 400 4 0
118 2 200 4 4
119 1 250 4 3
120 2 350 3 3
121 1 650 3 3
122 1 950 3 3
123 1 1120 3 4
124 1 900 3 1
125 2 300 3 0
126 1 1250 4 3
127 2 1000 4 0
128 1 1500 4 4
129 2 500 3 1
130 1 300 4 1
131 2 250 3 3
132 2 300 3 1
133 2 500 3 3
134 2 350 3 0
 135 1 700 4 4
136 2 800 4 0
137 2 1500 4 4
138 2 400 3 3
139 2 200 3 3
140 1 250 4 3
141 1 300 4 4
142 2 700 3 4
143 1 300 3 3
144 1 200 4 1
145 1 100 3 0
146 1 300 3 3
147 1 900 4 1
148 1 300 1 0
149 1 200 4 3
150 1 150 3 3

Langkah-langkah regresi logistik multinomial menggunakan Software SPSS

1. Inputkan data seluruh variabel dependen (y) dan independen (x1,x2,x3)

2. Lalu tentukan skala dari setiap variabel (y,x2 dan x3 kala nominal, dan x1 scala)
3. Lalu klik stat > regression > multinomial logistic

4. Pada kolom dependen isikan variabel y

5. Pada reference category centang custom, lalu pada kolom isikan 1 pada kolom value

6. Lalu klik continue

7. Kemudian pada kolom factor isikan variabel x2 dan x3 dan pada kolom covariance isikan variabel x1
8. Pada statistics centang seperti gambar berikut

9. Lalu klik continue

10. Klik OK, maka akan muncul output.