LAPORAN PRAKTIKUM

PEMODELAN DATA KATEGORI

MODUL III

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI

PENERIMAAN VAKSIN COVID-19 PADA MASYARAKAT
KEC. LANGKE ROMBONG MENGGUNAKAN REGRESI
LOGISTIK BINER

Oleh:
Nabilla Rizqina Efrianti 2043201078
Frederica Octivia 2043201079

Asisten Dosen
Safira Azizah

Dosen :
Ir. Sri Pingit Wulandari, M.Si.
Iis Dewi Ratih, S.Si, M.Si.

Program Studi Sarjana Terapan

Departemen Statistika Bisnis
Fakultas Vokasi
Institut Teknologi Sepuluh Nopember
Surabaya
 2022ABSTRAK
The emergency committee telah menyatakan bahwa penyebaran
COVID-19 dapat dihentikan jika dilakukan proteksi, deteksi dini, isolasi,
dan perawatan yang cepat agar tercipta implementasi sistem yang kuat untuk
menghentikan penyebaran COVID-19 salah satunya dengan melakukan
vaksin COVID-19. Tetapi tidak semua masyarakat Indonesia menerima
secara langsung terhadap vaksin tersebut dan cenderung menolaknya karena
masih banyak dari mereka yang belum mengerti dengan baik tentang vaksin
COVID-19. Penelitian ini bertujuan untuk menganalisis pengaruh jenis
kelamin, usia, kecemasan tentang vaksin, pengetahuan tentang manfaat
vaksin, dan kemauan divaksinasi terhadap penerimaan vaksinasi COVID-19.
Metode yang digunakan yaitu analisis regresi logistik biner. Data yang kami
analisis berupa data sekunder yang diperoleh melalui tugas akhir Fakultas
Sains dan Teknis Universitas Nusa Cendana dengan judul Aplikasi Analisis
Regresi Logistik dalam Menentukan Faktor-Faktor yang Mempengaruhi
Penerimaan Vaksin COVID-19. Hasil dari karakteristik data perbandingan
penduduk yang tidak menerima vaksin dengan yang menerima vaksin dan
perbandingan jenis kelaminnya adalah sama, rata-rata berusia 18-40 tahun,
memiliki kecemasan akan vaksin, mengetahui manfaat vaksin, dan memiliki
kemauan untuk divaksin. Hasil uji independensi didapatkan bahwa variabel
jenis kelamin, usia, dan kemauan divaksinasi memiliki hubungan atau
dependen. Sedangkan variabel kecemasan dan pengetahuan tentang manfaat
vaksin tidak memiliki hubungan atau independen. Hasil regresi logistik biner
didapatkan bahwa variabel kecemasan dan variabel pengetahuan tentang
manfaat vaksin berpengaruh signifikan. Pada uji kesesuaian model, model
yang terbentuk telah sesuai. Model regresi logistik biner ini memiliki nilai
ketepatan klasifikasi sebesar 73%.
Kata Kunci: Regresi Logistik Biner, Vaksin COVID-19

i
 DAFTAR ISI

Halaman
ABSTRAK..............................................................................................................ii
DAFTAR ISI..........................................................................................................iii
DAFTAR TABEL....................................................................................................v
DAFTAR GAMBAR..............................................................................................vi
DAFTAR LAMPIRAN.........................................................................................vii
BAB I PENDAHULUAN
1.1 Latar Belakang.........................................................................................1
1.2 Rumusan Masalah....................................................................................2
1.3 Tujuan......................................................................................................2
1.4 Manfaat....................................................................................................2
1.5 Batasan Masalah.......................................................................................3
BAB II TINJAUAN PUSTAKA
2.1 Statistika Deskriptif..................................................................................4
2.1.1 Pie Chart........................................................................................4
2.1.2 Tabel Kontingensi...........................................................................4
2.2 Uji Independensi......................................................................................5
2.3 Regresi Logistik Biner..............................................................................6
2.3.1 Uji Signifikansi Parameter Serentak.............................................6
2.3.2 Uji Signifikansi Parameter Parsial................................................6
2.3.3 Model Regresi Logistik Biner......................................................7
2.3.4 Uji Kesesuaian Model..................................................................7
2.3.5 Odds Ratio....................................................................................8
2.3.6 Ketepatan Klasifikasi....................................................................9
2.4 Vaksin Covid-19....................................................................................9
2.5 Jenis Kelamin.......................................................................................10
2.6 Usia......................................................................................................10
2.7 Kecemasan...........................................................................................10
2.8 Pengetahuan Manfaat Vaksin...............................................................10
2.9 Kemauan divaksinasi...........................................................................11
BAB III METODOLOGI PENELITIAN
i
 Halaman
3.1 Sumber Data...........................................................................................12
3.2 Variabel Penelitian..................................................................................12
3.3 Struktur Data..........................................................................................12
3.4 Langkah Analisis....................................................................................12
3.5 Diagram Alir..........................................................................................13
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Karakteristik Faktor-Faktor yang Mempengaruhi Penerimaan Vaksin…
COVID-19 pada Masyarakat Kec. Langke Rembong...........................15
4.1.1 Karakteristik Penerimaan Vaksin COVID-19.............................15
4.1.2 Karakteristik Data Penerimaan Vaksin COVID-19 dan Jenis…
Kelamin......................................................................................16
4.1.3 Karakteristik Data Penerimaan Vaksin COVID-19 dan Usia......16
4.1.4 Karakteristik Data Penerimaan Vaksin COVID-19 dan….
Kecemasan akan Penerimaan Vaksin..........................................16
4.1.5 Karakteristik Data Penerimaan Vaksin COVID-19 dan….
Pengetahuan Tentang Manfaat Vaksin........................................17
4.1.6 Karakteristik Data Penerimaan Vaksin COVID-19 dan….
Kemauan Divaksinasi.................................................................18
4.2 Uji Independensi pada Faktor-Faktor yang Mempengaruhi…
Penerimaan Vaksin COVID-19 pada Masyarakat Kec. Langke…
Rembong................................................................................................18
4.3 Analisis Regresi Logistik Biner pada Faktor-Faktor yang…
Mempengaruhi Penerimaan Vaksin COVID-19 pada Masyarakat Kec…
Langke Rembong...................................................................................21
4.3.1 Uji Signifikansi Parameter Serentak...........................................21
4.3.2 Uji Signifikansi Parameter Parsial..............................................22
4.3.3 Uji Signifikansi Parameter Serentak 2........................................23
4.3.4 Uji Signifikansi Parameter Parsial 2...........................................24
4.3.5 Model Regresi Logistik Biner.....................................................25
4.3.6 Uji Kesesuaian Model................................................................26
4.3.7 Odds Ratio..................................................................................26

ii
 4.3.8 Ketepatan Klasifikasi..................................................................27
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan............................................................................................28
5.2 Saran .....................................................................................................28
DAFTAR PUSTAKA
LAMPIRAN

iii
 DAFTAR TABEL
Halaman

Tabel 2.1 Tabel Kontingensi 2 Dimensi r x c........................................................5

Tabel 2.2 Perhitungan Ketepatan Klasifikasi.........................................................9

Tabel 3.1 Variabel Penelitian...............................................................................12

Tabel 3.2 Struktur Data........................................................................................12

Tabel 4.1 Tabel Kontingensi Penerimaan Vaksin COVID-19 &Jenis Kelamin. .15

Tabel 4.2 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Usia..............15

Tabel 4.3 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Kecemasan…

akan Penerimaan Vaksin......................................................................16

Tabel 4.4 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Pengetahuan…

Manfaat Vaksin....................................................................................16

Tabel 4.5 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Kemauan.....

Divaksinasi..........................................................................................17

Tabel 4.6 Statistik Uji Independensi....................................................................17

iv
Tabel 4.7 Uji Serentak.........................................................................................21

Tabel 4.8 Uji Parsial............................................................................................22

Tabel 4.9 Uji Serentak 2......................................................................................23

Tabel 4.10 Uji Parsial 2.......................................................................................24

Tabel 4.11 Koefisien Parameter...........................................................................24

Tabel 4.12 Uji Kesesuaian Model........................................................................25

Tabel 4.13 Odds Ratio.........................................................................................26

Tabel 4.14 Ketepatan Klasifikasi.........................................................................26

v
 DAFTAR GAMBAR

Halaman

Gambar 2.1 Pie Chart...........................................................................................4

Gambar 3.1 Diagram Alir...................................................................................13

vi
 DAFTAR LAMPIRAN

Halaman

Lampiran 1. Data................................................................................................32

Lampiran 2. Output Software.............................................................................33

Lampiran 3. Dokumentasi..................................................................................38

vii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Pada akhir tahun 2019, dunia dikejutkan dengan munculnya suatu wabah
penyakit yang disebabkan oleh virus. Virus tersebut sangat ramai diperbincangkan
dan muncul di situs berita. Virus tersebut diketahui pertama kali di suatu Pasar
Grosir Makanan Laut Huanan yang ada di Kota Wuhan, Ibukota Provinsi Hubei,
Cina Tengah. Pada awal kemunculannya, virus tersebut dikenal dengan sebutan
2019 novel coronavirus atau yang disingkat 2019-nCoV. Virus ini diberi nama
berdasarkan struktur genetiknya untuk memfasilitasi pengembangan tes
diagnostic, vaksin, dan obat-obatan. Pasien-pasien yang terkena mengalami gejala
klinis batuk kering, dispnea, demam, infeksi paru bilateral pada gambaran foto
thorax x-ray. The emergency committee telah menyatakan bahwa penyebaran
COVID-19 dapat dihentikan jika dilakukan proteksi, deteksi dini, isolasi, dan
perawatan yang cepat agar tercipta implementasi sistem yang kuat untuk
menghentikan penyebaran COVID-19. Sejauh ini telah banyak kandidat vaksin
yang diluncurkan untuk melawan virus SARS-CoV-2, penyebab COVID-19.
Dengan adanya vaksin COVID-19 ini, tentunya merupakan kabar baik bagi
masyarakat di seluruh dunia, khususnya Indonesia yang sudah lama menunggu
kedatangan vaksin. Tetapi tidak semua masyarakat Indonesia menerima secara
langsung terhadap vaksin tersebut dan cenderung menolaknya karena masih
banyak dari mereka yang belum mengerti dengan baik tentang vaksin COVID-19
(Silvianti, 2021).
Regresi logistic biner merupakan suatu metode analisis data yang digunakan
untuk mencari hubungan antara variabel respon (Y) yang bersifat biner atau
dikotomus dengan variabel prediktor (X) yang bersifat polikotomus yautu regresi
logistik biner. Pada penelitian ini, regresi logistik biner digunakan untuk
mengetahui pengaruh antara jenis kelamin, usia, kecemasan tentang vaksin,
pengetahuan tentang manfaat vaksin, dan kemauan divaksinasi dengan
penerimaan vaksinasi COVID-19 menggunakan uji independensi, uji serentak, uji
parsial, odds ratio, dan ketepatan klasifikasi.

1
 Data yang kami analisis berupa data primer yang diperoleh melalui website
Jurusan Matematika Fakultas Sains dan Teknik Universitas Nusa Cendana tentang
Aplikasi Analisis Regresi Logistik Dalam Menentukan Faktor-faktor yang
Mempengaruhi Penerimaan Vaksin COVID-19. Penelitian ini bertujuan untuk
mengetahui apakah terdapat hubungan antara jenis kelamin, usia, kecemasan
tentang vaksin, pengetahuan tentang manfaat vaksin, dan kemauan divaksinasi
dengan penerimaan vaksinasi COVID-19.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, rumusan masalahnya
adalah sebagai berikut.
1. Bagaimana karakteristik data penerimaan vaksin COVID-19 di Kecamatan
Langke Rombong?
2. Adakah hubungan antara penerimaan vaksinasi COVID-19 di Kecamatan
Langke Rombong dengan faktor-faktor yang mempengaruhinya?
3. Bagaimana model regresi logistik biner pada faktor-faktor yang diduga
mempengaruhi penerimaan vaksinasi COVID-19 di Kecamatan Langke
Rombong?
1.3 Tujuan
Berdasarkan rumusan masalah di atas, adapun tujuan dari praktikum ini
adalah sebagai berikut.
1. Mengetahui karakteristik data penerimaan vaksin COVID-19 di Kecamatan
Langke Rombong.
2. Mengetahui hubungan antara penerimaan vaksinasi COVID-19 di
Kecamatan Langke Rombong dengan faktor-faktor yang mempengaruhinya.
3. Mengetahui model regresi logistik biner pada faktor-faktor yang diduga
mempengaruhi penerimaan vaksinasi COVID-19 di Kecamatan Langke
Rombong.
1.4 Manfaat
Manfaat dari praktikum ini bagi penulis ialah agar dapat mengetahui konsep
dan penerapan regresi logistik biner dalam kehidupan sehari-hari. Sedangkan bagi
pembaca adalah dapat memperoleh informasi tentang hubungan dan pengaruh
antara faktor pengaruh jenis kelamin, usia, kecemasan tentang vaksin,

2
pengetahuan tentang manfaat vaksin, dan kemauan divaksinasi terhadap
penerimaan vaksinasi COVID-19.
1.5 Batasan Masalah
Batasan masalah yang ada dalam praktikum ini adalah memakai seluruh
data berjumlah 100 data penerimaan vaksin COVID-19 Di Kecamatan Langke
Rombon. Data variabel respon berupa penerimaan vaksin COVID-19 yang
dikategorikan menjadi menerima vaksin (1) dan tidak menerima vaksin (0). Serta
variabel prediktor berupa jenis kelamin yang dikategorikan berupa laki-laki (1)
dan perempuan (0), usia yang dikategorikan menjadi 41-60 tahun (1) dan 18-40
(0), kecemasan akan efek penerimaan vaksin yang dikategorikan menjadi cemas
(1) dan tidak cemas (0), pengetahuan tentang manfaat vaksin yang dikategorikan
menjadi mengetahui (1) dan tidak mengetahui (0), serta kemauan divaksinasi yang
dikategorikan menjadi kesadaran sendiri (1) dan aturan (0).

3
 BAB II
TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif merupakan bidang ilmu statistika yang mempelajari
cara-cara pengumpulan, penyusunan, dan penyajian data suatu penelitian.
Statistika deskriptif hanya berhubungan dengan hal menguraikan atau
memberikan keterangan-keterangan mengenai suatu data, atau bisa disebut juga
melihat gambaran secara umum dari data yang didapat. Data yang disajikan dalam
statistika deskriptif biasanya dalam bentuk ukuran pemusatan data (Kuswanto,
2012).
2.1.1 Pie Chart
Pie chart atau diagram lingkaran merupakan grafik statistik berbentuk
lingkaran yang dibagi menjadi beberapa irisan dan luasnya bergantung kepada
proporsi numerik atau kuantitas dari data yang dimiliki. Dalam penelitian kali ini
digunakan metode menggunakan pie chart untuk memperoleh gambaran utama
data secara sekilas karena lebih mudah dipahami secara cepat, jelas, dan efektif.
Pie chart juga sangat cocok untuk menampilkan data kategori (Budiharto, 2015).
Berikut Gambar 2.2 menunjukkan contoh visualisasi bagian pada pie chart.

Gambar 2.2 Contoh Pie Chart

2.1.2 Tabel Kontingensi

Tabel kontingensi atau yang sering disebut tabulasi silang (cross tabulation
atau cross classification) adalah tabel yang berisi data jumlah atau frekuensi atau
beberapa klasifikasi (kategori). Cross tabulation yaitu suatu metode statistik yang

4
menggambarkan dua atau lebih variabel secara simultan dan hasilnya ditampilkan
dalam bentuk tabel yang merefleksikan distribusi bersama dua atau lebih variabel
dengan jumlah kategori yang terbatas. Metode cross tabulation dapat menjawab
hubungan antara dua atau lebih variabel penelitian tetapi bukan hubungan sebab
akibat. Semakin bertambah jumlah variabel yang ditabulasikan maka semakin
kompleks interpretasinya (Wulandari, Salamah, & Susilaningrum, 2009). Berikut
ini contoh tabel kontingensi 2 dimensi yang disajikan pada tabel 2.1.
Tabel 2.1 Tabel Kontingensi 2 Dimensi rxc
B1 B2 … Bc Total
A1 n11 n12 … n1c n1.
A2 n21 n22 … n2c n2.
… … … … … …
Ar nr1 nr2 … nrc nr.
Total n.1 n.2 … n.c n..

2.2 Uji Independensi

Uji independensi merupakan uji dua arah antara dua variabel, yaitu variabel
pertama dalam kolom dan variabel kedua dalam baris atau yang biasa dikenal
dengan tabel kontingensi (Suharyadi & Purwanto, 2009). Uji independensi
digunakan untuk mengetahui hubungan antara dua variabel. Setiap level atau kelas
dari variabel-variabel tersebut harus memenuhi syarat. Uji independensi memiliki
hipotesis sebagai berikut.
Hipotesis :
H0 : Tidak ada hubungan antara dua variabel yang diamati (independen)
H1 : Ada hubungan antara dua variabel yang diamati (dependen)
Taraf signifikan : α = 0,05
Daerah penolakan : Tolak H0 jika χ2hitung > χ2α,df atau p-value < α
Statistik uji:

O  Eij 
2
n n
 2  
ij

Eij
i 1 j 1
(2.1)

Keterangan:
Oij = Nilai observasi/ pengamatan baris ke-i dan kolom ke-j
Eij = Nilai ekspektasi baris ke-i dan kolom ke-j

5
2.3 Regresi Logistik Biner
Regresi logistik adalah suatu metode analisis statistika yang digunakan
untuk mendeskripsikan hubungan antara variabel terikat yang memiliki dua
kategori atau lebih dengan satu atau lebih peubah bebas berskala kategori atau
kontinu. Regresi logistik biner merupakan suatu metode statistika yang digunakan
untuk pemodelan terbaik yang menggambarkan hubungan antara variabel respon
(y) yang bersifat biner atau dichotomus dengan variabel prediktor (x) yang
bersifat kualitatif, kuantitatif ataupun kombinasi keduanya (Hosmer & Lemeshow,
2013).
2.3.1 Uji Signifikansi Parameter Serentak
Pengujian serentak dilakukan untuk memeriksa siignifikansi koefisien b
secara keseluruhan. Pengujian signifikansi parameter tersebut menggunakan
statistik uji G, dimana statistik uji G mengikuti distribusi Chi-Square (Hosmer &
Lemeshow, 2013). Hipotesis yang digunakan adalah sebagai berikut.
H0 : β1= β2 = … = βp = 0
H0 : minimal ada satu βj ¹ 0, dengan j=1,2,..,p
Taraf signifikan : α
Daerah penolakan : Tolak H0 jika G > χ2(α, df) atau P-Value < α
Statistik Uji:

( )( )
ni n0
n1 n0
n n
G=−2 ln n

∑ π^ i (1−π^ i )
(1− y )
i
y
i
i=1 (2.2)

Keterangan:
n0 = jumlah pengamatan dengan kategori y = 0
n1 = jumlah pengamatan dengan kategori y = 1
n = jumlah pengamatan
p = banyaknya prameter
2.3.2 Uji Signifikansi Parameter Parsial

6
 Pengujian secara parsial dilakukan untuk mengetahui signifikansi setiap
parameter terhadap variabel respon. Pengujian signifikansi parameter
menggunakan uji Wald dengan hipotesis sebagai berikut (Hosmer & Lemeshow,
2013).
H 0 : βj = 0
H0 : βj ¹ 0, dengan j=1,2,..,p
Taraf signifikan : α
Daerah penolakan : Tolak H0 jika W > χ2(α, df) atau P-Value < α
Statistik Uji:
β^ j
W=
SE( β^ j ) (2.3)
Keterangan:
W = statistik uji Wald

SE ( β^ j ) = taksiran standard error parameter

2.3.3 Model Regresi Logistik Biner
Model regresi logistik biner digunakan untuk menganalisis hubungan antara
satu peubah respon dan beberapa peubah bebas, dengan peubah responnya berupa
data kualitatif dikotomi yaitu bernilai 1 untuk menyatakan keberadaan suatu
karakteristik dan bernilai 0 untuk menyatakan ketidakberadaan suatu karakteristik
(Hosmer & Lemeshow, 2013). Model regresi logistik dengan k buah pejelas
dibentuk dengan nilai
p (x) = E (Y=1 | x)
p (x) dinotasikan sebagai berikut:
( β 0 +β 1 x1 +. . .+ β p x k +ε )
e
π ( x )= ( β 0 +β 1 x 1+. ..+ β p x k +ε )
1+ e
Untuk mempermudah menaksir parameter regresi, maka 𝜋(𝑥) pada persamaan di
atas ditransformasikan sehingga menghasilkan bentuk logit regresi logistik,
sebagai berikut:
𝑔(𝑥) = 𝛽0 + 𝛽1𝑥𝑖1 + ⋯ + 𝛽𝑟𝑥𝑖𝑟

7
dengan 𝑔(𝑥) merupakan fungsi hubungan dari model regresi logistik yang disebut
dengan fungsi hubungan logit. 𝑥 adalah peubah bebas dari parameter regresi dan
𝜷 adalah koefisien parameter regresi (Risdayanti & Aidid, 2020).
2.3.4 Uji Kesesuaian Model
Pengujian ini dilakukan untuk menguji apakah model yang dihasilkan
berdasarkan regresi logistik multivariat/serentak sudah layak. Pengujian ini
menggunakan statistik uji Hosmer dan Lemeshow dengan hipotesis yang
digunakan sebagai berikut (Hosmer & Lemeshow, 2013).
H0: Model sesuai (tidak terdapat perbedaan yang signifikan antara hasil
pengamatan dengan kemungkinan hasil prediksi model)
H1: Model tidak sesuai (terdapat perbedaan yang signifikan antara hasil
pengamatan dengan kemungkinan hasil prediksi model)
Taraf signifikan : α
Daerah penolakan : Tolak H0 jika χ2hitung > χ2(α, df) atau P-Value < α
Statistik Uji:
2
g
( ok −n k π^ k )
χ =∑
2

k −1 nk π^ k ( 1− π^ k ) (2.4)
2.3.5 Odds Ratio
Odds ratio merupakan ukuran risiko atau kecenderungan untuk mengalami
kejadian ‘sukses’ antara suatu kategori dengan kategori lainnya. Odds ratio adalah
ukuran yang memperkirakan berapa besar kecenderungan peubah-peubah terikat.
Odds ratio mengindikasikan seberapa besar munculnya kejadian sukses pada suatu
kelompok dibandingkan dengan kelompok lainnya (Risdayanti & Aidid, 2020).
Rasio dari odds untuk x=1 dan x=0 sehingga dapat dituliskan pada persamaan
berikut:
π (1 )/ [ 1−π (1 ) ]
ϕ=
π (0 )/ [ 1−π (0) ] (2.5)
Maka, nilai Odds Ratio yaitu:

( )( )
β 0 +β 1
e 1
β 0+ β 1 β 0 +β 1
1+e 1+ e
ϕ=

( )( )
β0
e 1
β0 β0
1+ e 1+ e (2.6)

8
 β0 + β1
e β
ϕ= β
=e 1

e 0
(2.7)
Artinya, odds (resiko) terjadinya 𝑌 = 1 pada kategori 𝑋 = 1 adalah sebesar exp(𝛽1)
kali odds terjadinya 𝑌 = 0 pada kategori 𝑋 = 0. Jika peubah bebas merupakan
peubah kategori dengan lebih dari dua kategori (polikotomi), maka interpretasinya
dilakukan dengan cara yang sama dengan interpretasi peubah dikotomi, namun
pada peubah ini perlu dibentuk peubah dummy terlebih dahulu. Sementara untuk
peubah bebas kontinu, interpretasinya adalah setiap kenaikan nilai X sebesar satu
satuan (unit) akan mengakibatkan perubahan nilai odds terjadinya 𝑌 = 1 sebesar
exp(𝛽1) kali (Risdayanti & Aidid, 2020).
2.3.6 Ketepatan Klasifikasi
Ketepatan klasifikasi model digunakan untuk mengetahui apakah data
diklasifikasikan dengan benar atau tidak. Evaluasi prosedur klasifikasi adalah
suatu evaluasi yang melihat peluang kesalahan klasifikasi yang dilakukan oleh
suatu fungsi klasifikasi. Ukuran yang dipakai adalah Apparent Error Rate
(APER). Nilai APER menyatakan nilai proporsi sampel yang diklasifikasikan oleh
fungsi klasifikasi (Pamungkas, 2017).
Tabel 2.1 Perhitungan Ketepatan Klasifikasi
Hasil Taksiran/Klasifikasi
Observasi y1 y2
y1 n11 n12
y2 n21 n22
Keterangan:
n11 = jumlah subjek dari y1 tepat diklasifikasikan sebagai y1
n12 = jumlah subjek dari y1 tepat diklasifikasikan sebagai y2
n21 = jumlah subjek dari y2 tepat diklasifikasikan sebagai y1
n22 = jumlah subjek dari y2 tepat diklasifikasikan sebagai y2
Perhitungan nilai APER proporsi observasi yang diprediksi tidak benar
oleh fungsi klasifikasi dengan rumus sebagai berikut (Pamungkas, 2017).
n21 +n12
APER=
n (2.8)
Keterangan:
n = total pengamatan
2.4 Vaksin Covid-19

9
 Vaksin adalah barang yang tidak dikenali yang dimasukkan ke dalam tubuh.
Karena hal tersebut, akan timbul respon imun yakni tahap perkenalan antara
elemen vaksin dengan antibodi di dalam tubuh, kadangkala tahap perkenalan
tersebut dapat menimbulkan pusing, nyeri kepala, mual muntah, demam, meriang,
diare, dan lain sebagainya. Vaksin Covid-19 adalah virus Corona yang
dilemahkan. Sebelum administrasi vaksin, calon penerima vaksin harus lolos
skrining kelayakan vaksin oleh dokter untuk meminimalkan efek samping setelah
vaksin. Terdapat berbagai macam efek samping vaksin tergantung dengan
jenisnya dan berbanding terbalik dengan efikasinya. Semakin rendah
keamanannya (kejadian efek samping tinggi) maka semakin tinggi efikasinya,
begitu pun sebaliknya (Yolanda, 2022).
2.5 Jenis Kelamin
Jenis kelamin sama dengan seks, mengacu pada perbedaan biologis antara
perempuan dan laki-laki. Perbedaan secara biologi ini dibawa sejak lahir dan tak
dapat diubah. Gender adalah perbedaan peluang, peran, dan tanggung jawab
antara laki-laki dan perempuan sebagai hasil konstruksi sosial dalam kehidupan
berkeluarga dan bermasyarakat. Gender = sociological term (sphare), Seks =
biological term (sphare) (Tangkudung, 2014).
2.6 Usia
Usia adalah usia individu terhitung mulai saat dia dilahirkan sampai saat
berulang tahun. Semakin cukup umur, tingkat kematangan dan kekuatan
seseorang akan lebih matang dalam berfikir dan bekerja (Yogi, Hariyanto, &
Sonbay, 2014).
2.7 Kecemasan
Kecemasan menurut Stuart dan Sundeen adalah kekhawatiran yang tidak
jelas dan menyebar, yang berkaitan dengan perasaan tidak pasti dan tidak berdaya.
Definisi lain dari kecemasan dijelaskan bahwa kecemasan merupakan
ketidakberdayaan neurotik, rasa tidak aman dan kekurangmampuan dalam
menghadapi tuntutan realitas (lingkungan) dan tekanan kehidupan sehari-hari.
Kecemasan mirip dengan rasa takut tetapi dengan fokus yang kurang spesifik
(Azkia, Sembada, & Wahyuningratna, 2022).
2.8 Pengetahuan Manfaat Vaksin

10
 Pengetahuan yang baik akan meningkatkan kesediaan masyarakat untuk
divaksin. Namun bagi masyarakat dengan informasi yang diperoleh baik melalui
pendengaran dan penglihatan tentu akan mempengaruhi persepsinya terhadap
vaksin Covid-19. Di mana persepsi masyarakat akan memengaruhi sikap terhadap
penerimaan vaksin (Jelita, 2022). Sementara menurut Menteri Kesehatan,
menegaskan bahwa yang dikatakan dengan vaksin Covid-19 memiliki tiga
manfaat, diantaranya adalah untuk menjaga tubuh agar lebih kebal terhadap
serangan penyakit virus pada setiap orang yang sudah divaksinasi secara
langsung, apabila jumlah penduduk banyak yang divaksinasi maka sistem
penjagaan terhadap serangan penyakit akan lebih kebal karena tidak dapat
menularkan atau ditularkan sehingga dapat memberikan perlindungan kepada
penduduk lain yang belum menjadi sasaran vaksinasi (Widjaja, 2021).
2.9 Kemauan Divaksinasi
Vaksinasi Covid-19 bisa melindungi tubuh dengan menciptakan respons
antibodi yang mampu mencegah seseorang dari Covid-19 dan dapat membantu
melindungi orang-orang di sekitar dari Covid-19. Terutama orang-orang yang
berisiko tinggi terkena penyakit parah akibat Covid-19. Karena itu, diperlukan
kesadaran sendiri untuk menerima vaksin Covid-19. Aturan yang mengharuskan
masyarakat untuk divaksinasi juga menjadi alasan masyarakat mau menerima
vaksin Covid-19 (Jelita, 2022).

11
 BAB III
METODE PENELITIAN

3.1 Sumber Data

Sumber data yang digunakan dalam praktikum kali ini merupakan data
sekunder yang diperoleh melalui tugas akhir oleh Maria Renelda Jelita Jurusan
Matematika Fakultas Sains dan Teknis Universitas Nusa Cendana dengan judul
Aplikasi Analisis Regresi Logistik dalam Menentukan Faktor-Faktor yang
Mempengaruhi Penerimaan Vaksin COVID-19. Pengumpulan data dilakukan hari
Kamis, 27 Oktober 2022 pukul 15.30 di Surabaya.
3.2 Variabel Penelitian
Variabel penelitian yang digunakan pada praktikum adalah sebagai berikut.
Tabel 3.1 Variabel Penelitian
Variabel Keterangan Skala Kategori
0: Tidak Menerima Vaksin
Y Penerimaan Vaksin COVID-19 Nominal
1: Menerima Vaksin
0: Perempuan
X1 Jenis Kelamin Nominal
1: Laki-laki
0: 18-40 Tahun
X2 Usia Nominal
1: 41-60 Tahun
0: Tidak Cemas
X3 Kecemasan akan efek Vaksin Nominal
1: Cemas
0: Tidak Mengetahui
X4 Pengetahuan tentang manfaat vaksin Nominal
1: Mengetahui
0: Aturan
X5 Kemauan Divaksinasi Nominal
1: Kesadaran Sendiri

3.3 Struktur Data

Struktur data yang digunakan pada praktikum adalah sebagai berikut.
Tabel 3.2 Struktur Data
Variabel
Observasi
Y X1 X2 X3 X4 X5
1 Y1 n11 n21 n31 n41 n51
2 Y2 n12 n22 n32 n42 n52
3 Y3 n13 n23 n33 n43 n53

12
 ⁞ ⁞ ⁞ ⁞ ⁞ ⁞ ⁞

100 Y100 X1100 X2100 X3100 X4100 X5100

3.4 Langkah Analisis

Langkah analisis yang digunakan pada praktikum kali ini sebagai berikut.
1. Mengumpulkan data jenis kelamin, usia, kecemasan tentang efek vaksin,
pengetahuan tentang manfaat vaksin, dan kemauan divaksinasi dan
penerimaan vaksinasi COVID-19.
2. Mendeskripsikan karakteristik data non kategorik menggunakan Pie Chart
dan data kategorik menggunakan tabel kontingensi.
3. Melakukan uji independensi data jenis kelamin, usia, kecemasan tentang
efek vaksin, pengetahuan tentang manfaat vaksin, dan kemauan divaksinasi
terhadap penerimaan vaksinasi COVID-19.
4. Melakukan analisis regresi logistik biner penerimaan vaksin COVID-19 di
Kecamatan Langke Rombong yang terdiri atas:
a. Melakukan uji signifikansi penerimaan vaksin COVID-19 di Kecamatan
Langke Rombong secara serentak dan parsial
b. Melakukan interpretasi model penerimaan vaksin COVID-19 di
Kecamatan Langke Rombong
c. Uji kesesuaian model penerimaan vaksin COVID-19 di Kecamatan
Langke Rombong
d. Melakukan interpretasi Odds Ratio (OR) penerimaan vaksin COVID-19
di Kecamatan Langke Rombong
e. Melakukan identifikasi ketepatan klasifikasi penerimaan vaksin COVID-
19 di Kecamatan Langke Rombong
5. Menginterpretasikan hasil analisis.
6. Menarik kesimpulan dan saran

13
3.5 Diagram Alir
Diagram alir yang digunakan dalam praktikum ini adalah sebagai berikut.

Mulai

Mengumpulkan Data

Karekteristik Data Tidak

Uji Independensi
Tidak
Ya
Uji Serentak

Ya Variabel yang
tidak signifikan
Uji Parsial dikeluarkan dari
model
Ya
Model Regresi Logistik Biner

Uji Kesesuaian Model

Odds Ratio

Ketepatan Klasifikasi Model

Kesimpulan dan Saran

Selesai

14
 BAB IV
ANALISIS DAN PEMBAHASAN

Bab ini membahas tentang analisis faktor-faktor yang mempengaruhi

penerimaan vaksin Covid-19 dimana dalam bab ini akan dianalisis tentang
karakteristik datanya menggunakan pie chart dan tabel kontingensi, kemudian
melakukan uji independensi, melakukan analisis regresi logistik biner
menggunakan uji serentak, uji parsial, analisis model regresi, uji kesesuaian
model, odds ratio, dan ketepatan klasifikasi. Berikut merupakan hasil analisis
yang akan dijelaskan pada subbab sebagai berikut.

4.1 Karakteristik Faktor-Faktor yang Mempengaruhi Penerimaan Vaksin

COVID-19 pada Masyarakat Kec. Langke Rembong
Karakteristik data bertujuan untuk mengetahui bagaimana faktor
Penerimaan Vaksin COVID-19, Jenis Kelamin, Usia, Kecemasan akan Efek
Penerimaan Vaksin, Pengetahuan Tentang Manfaat Vaksin, dan Kemauan di
Vaksinasi yang akan ditunjukkan menggunakan tabel kontingensi.
4.1.1 Karakteristik Penerimaan Vaksin COVID-19

Gambar 4.1 Gambar Pie Chart Penerimaan Vaksin COVID-19

4.4.3 Tabel 4.1 menunjukkan bahwa dari 100 penduduk, masyarakat

yang tidak menerima vaksin COVID-19 yaitu 50 orang. Sedangkan, masyarakat
yang menerima vaksin COVID-19 juga sebanyak 50 orang. Sehingga pada

15
penerimaan vaksin COVID-19 di Kecamatan Langke Rembong, Kabupaten
Manggarai memiliki perbandingan yang sama.

4.1.2 Karakteristik Data Penerimaan Vaksin COVID-19 dan Jenis Kelamin

Tabel 4.1 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Jenis Kelamin
Jenis Kelamin
Penerimaan Vaksin Laki- Total
Perempuan
Laki
Tidak Menerima Vaksin 22 28 50
Menerima Vaksin 28 22 50

Total 50 50 100

4.4.3 Tabel 4.1 menunjukkan bahwa dari 100 penduduk, masyarakat

yang tidak menerima vaksin yaitu 22 orang berjenis kelamin perempuan dan 28
orang berjenis laki-laki. Sedangkan, masyarakat yang menerima vaksin sebanyak
28 orang berjenis kelamin perempuan dan 22 orang berjenis laki-laki. Jumlah
penduduk yang tidak menerima vaksin dan berjenis perempuan sama dengan
jumlah penduduk yang tidak menerima vaksin dan berjenis kelamin laki-laki.
Jumlah penduduk yang menerima vaksin dan berjenis perempuan sama dengan
jumlah penduduk yang menerima vaksin dan berjenis laki-laki.

4.1.3. Karakteristik Data Penerimaan Vaksin COVID-19 dan Usia

Tabel 4.2 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Usia

Usia
Penerimaan Vaksin Total
18-40 Tahun 41-60 Tahun
Tidak Menerima Vaksin 27 23 50
Menerima Vaksin 34 16 50

Total 61 39 100

4.4.3 Tabel 4.2 menunjukkan bahwa dari 100 penduduk, masyarakat

yang tidak menerima vaksin dan berusia antara 18 – 40 Tahun ada sebanyak 27
orang, masyarakat yang tidak menerima vaksin dan berusia antara 41-60 Tahun
ada sebanyak 23 orang. Sedangkan, masyarakat yang menerima vaksin dan
berusia antara 18 – 40 Tahun ada sebanyak 34 orang, masyarakat yang menerima
vaksin dan berusia antara 41-60 Tahun ada sebanyak 16 orang. Masyarakat lebih
banyak yang menerima vaksin dan berusia 18-40 tahun.

16
4.1.4. Karakteristik Data Penerimaan Vaksin COVID-19 dan Kecemasan
akan Penerimaan Vaksin
Tabel 4.3 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Kecemasan akan Penerimaan
Vaksin
Kecemasan akan Penerimaan Vaksin
Penerimaan Vaksin Total
Tidak Cemas Cemas
Tidak Menerima Vaksin 15 35 50
Menerima Vaksin 39 11 50

Total 54 46 100

4.4.3 Tabel 4.3 menunjukkan bahwa dari 100 penduduk, masyarakat

yang tidak menerima vaksin dan tidak merasa cemas akan penerimaan vaksin ada
sebanyak 15 orang, masyarakat yang tidak menerima vaksin dan merasa cemas
akan penerimaan vaksin ada sebanyak 35 orang. Sedangkan, masyarakat yang
menerima vaksin dan tidak merasa cemas akan penerimaan vaksin ada sebanyak
39 orang, masyarakat yang menerima vaksin dan merasa cemas akan penerimaan
vaksin ada sebanyak 11 orang. Masyarakat lebih banyak yang menerima vaksin
dan tidak merasa cemas akan penerimaan vaksin.

4.1.5. Karakteristik Data Penerimaan Vaksin COVID-19 dan Pengetahuan

Tentang Manfaat Vaksin
Tabel 4.4 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Pengetahuan Tentang Manfaat
Vaksin

Pengetahuan Tentang Manfaat Vaksin

Penerimaan Vaksin Total
Tidak Mengetahui Mengetahui

Tidak Menerima Vaksin 23 27 50

Menerima Vaksin 6 44 50

Total 29 71 100

4.4.3 Tabel 4.4 menunjukkan bahwa dari 100 penduduk, masyarakat

yang tidak menerima vaksin dan tidak tahu tentang manfaat vaksin ada sebanyak
23 orang, masyarakat yang tidak menerima vaksin dan tahu tentang manfaat
vaksin ada sebanyak 27 orang. Sedangkan, masyarakat yang menerima vaksin dan
tidak tahu tentang manfaat vaksin ada sebanyak 6 orang, masyarakat yang

17
menerima vaksin dan tahu tentang manfaat vaksin ada sebanyak 44 orang.
Masyarakat lebih banyak yang menerima vaksin dan tahu tentang manfaat vaksin.

4.1.6. Karakteristik Data Penerimaan Vaksin COVID-19 dan Kemauan

Divaksinasi
Tabel 4.5 Tabel Kontingensi Penerimaan Vaksin COVID-19 dan Kemauan Divaksinasi
Kemauan Divaksinasi
Penerimaan Vaksin Kesadaran Total
Aturan
Sendiri
Tidak Menerima Vaksin 21 29 50
Menerima Vaksin 9 41 50
Total 30 70 100

4.4.3 Tabel 4.5 menunjukkan bahwa dari 100 penduduk, masyarakat

yang tidak menerima vaksin dan mau divaksin karena adanya aturan yaitu
sebanyak 21 orang, masyarakat yang tidak menerima vaksin dan mau divaksin
atas kesadaran sendiri ada sebanyak 29 orang. Sedangkan, , masyarakat yang
menerima vaksin dan mau divaksin karena adanya aturan yaitu sebanyak 9 orang,
masyarakat yang menerima vaksin dan mau divaksin atas kesadaran sendiri ada
sebanyak 41 orang. Masyarakat lebih banyak yang menerima vaksin dan mau
divaksin atas dasar kesadaran sendiri.

4.2 Uji Independensi Data Penerimaan COVID-19 pada Penduduk

Kecamatan Langke Rambong
Uji independensi dapat digunakan untuk mengetahui hubungan antara
penerimaan vaksin COVID-19 dengan Faktor yang mempengaruhinya
menggunakan pearson Chi-square dan likelihood ratio adalah sebagai berikut.
 Penerimaan Vaksin dengan jenis Kelamin
Hipotesis:
H0 : Tidak ada hubungan antara penerimaan vaksin COVID-19 dan Jenis Kelamin
H1 : Terdapat hubungan antara penerimaan vaksin COVID-19 dan Jenis Kelamin
Dengan taraf signifikan sebesar 0,05, didapatkan daerah penolakan Tolak H0
2
jika nilai χ2hitung lebih besar dari nilai χ (0,05 ;1 ) atau nilai P-value kurang dari nilai
α. Diperoleh statistik uji sebagai berikut.
Tabel 4.6 Statistik Uji

18
 χ2hitung χ2tabel P-value
1,440 3,841 0,230

Tabel 4.6 menunjukkan bahwa dari data penerimaan vaksin dan jenis
kelamin diperoleh nilai χ2hitung sebesar 1,440 yang lebih kecil dari nilai χ 2tabel
sebesar 3,841 dan diperkuat dengan nilai P-value sebesar 0,230 yang lebih besar
dari nilai α sebesar 0,05 sehingga dapat diputuskan gagal tolak H0 yang artinya
bahwa Tidak terdapat hubungan antara penerimaan vaksin COVID-19 dan Jenis
Kelamin.

 Penerimaan Vaksin dengan Usia

Hipotesis:
H0 : Tidak ada hubungan antara penerimaan vaksin COVID-19 dan Usia
H1 : Terdapat hubungan antara penerimaan vaksin COVID-19 dan Usia
Dengan taraf signifikan sebesar 0,05, didapatkan daerah penolakan Tolak H0
2
jika nilai χ2hitung lebih besar dari nilai χ (0,05 ;1 ) atau nilai P-value kurang dari nilai
α. Diperoleh statistik uji sebagai berikut.
Tabel 4.6 Statistik Uji
χ hitung
2
χ2tabel P-value
2,060 3,841 0.151

Tabel 4.6 menunjukkan bahwa dari data penerimaan vaksin dan usia
diperoleh nilai χ2hitung sebesar 2,060 yang lebih kecil dari nilai χ2tabel sebesar 3,841
dan diperkuat dengan nilai P-value sebesar 0,151 yang lebih besar dari nilai α
sebesar 0,05 sehingga dapat diputuskan gagal tolak H0 yang artinya bahwa
Terdapat hubungan antara penerimaan vaksin COVID-19 dan usia.

 Penerimaan Vaksin dan Kecemasan akan penerimaan vaksin

Hipotesis:
H0 : Tidak ada hubungan antara penerimaan vaksin COVID-19 dan Kecemasan
akan penerimaan vaksin
H1 : Terdapat hubungan antara penerimaan vaksin COVID-19 dan kecemasan
akan penerimaan vaksin

19
 Dengan taraf signifikan sebesar 0,05, didapatkan daerah penolakan Tolak H0
2
jika nilai χ2hitung lebih besar dari nilai χ (0,05 ;1 ) atau nilai P-value kurang dari nilai
α. Diperoleh statistik uji sebagai berikut.

Tabel 4.6 Statistik Uji

χ hitung
2
χ2tabel P-value
23,188 3,841 0,000

Tabel 4.6 menunjukkan bahwa dari data penerimaan vaksin dan kecemasan
akan penerimaan vaksin diperoleh nilai χ2hitung sebesar 23,188 yang lebih besar dari
nilai χ2tabel sebesar 3,841 dan diperkuat dengan nilai P-value sebesar 0,000 yang
lebih kecil dari nilai α sebesar 0,05 sehingga dapat diputuskan tolak H0 yang
artinya bahwa terdapat hubungan antara penerimaan vaksin COVID-19 dan
Kecemasan akan penerimaan vaksin.

 Pengetahuan tentang manfaat akan vaksin

Hipotesis:
H0 : Tidak ada hubungan antara penerimaan vaksin COVID-19 dan pengetahuan
tentang manfaat vaksin
H1 : Terdapat hubungan antara penerimaan vaksin COVID-19 dan pengetahuan
tentang manfaat vaksin
Dengan taraf signifikan sebesar 0,05, didapatkan daerah penolakan Tolak H0
2
jika nilai χ2hitung lebih besar dari nilai χ (0,05 ;1 ) atau nilai P-value kurang dari nilai
α. Diperoleh statistik uji sebagai berikut.
Tabel 4.6 Statistik Uji
χ hitung
2
χ2tabel P-value
14,036 3,841 0,000

Tabel 4.6 menunjukkan bahwa dari data penerimaan vaksin dan pengetahuan
tentang manfaat vaksin diperoleh nilai χ2hitung sebesar 14,036 yang lebih besar dari
nilai χ2tabel sebesar 3,841 dan diperkuat dengan nilai P-value sebesar 0,000 yang
lebih kecil dari nilai α sebesar 0,05 sehingga dapat diputuskan tolak H 0 yang
artinya bahwa terdapat hubungan antara penerimaan vaksin COVID-19 dan
pengetahuan tentang manfaat vaksin.

20
  Penerimaan vaksin dan kemauan divaksinasi
Hipotesis:
H0 : Tidak ada hubungan antara penerimaan vaksin COVID-19 dan Kemauan
divaksinasi
H1 : Terdapat hubungan antara penerimaan vaksin COVID-19 dan kemauan
divaksinasi
Dengan taraf signifikan sebesar 0,05, didapatkan daerah penolakan Tolak H0
2
jika nilai χ2hitung lebih besar dari nilai χ (0,05 ;1 ) atau nilai P-value kurang dari nilai
α. Diperoleh statistik uji sebagai berikut.
Tabel 4.6 Statistik Uji
χ hitung
2
χ2tabel P-value
6,857 3,841 0,009
Tabel 4.6 menunjukkan bahwa dari data penerimaan vaksin dan kemauan
akan divaksinasi diperoleh nilai χ2hitung sebesar 6,857 yang lebih besar dari nilai
χ2tabel sebesar 3,841 sehingga dapat diputuskan tolak H 0 yang artinya bahwa
Terdapat hubungan antara penerimaan vaksin COVID-19 dan kemauan
divaksinasi.

4.3 Analisis Regresi Logistik Biner pada Faktor-Faktor yang

Mempengaruhi Penerimaan Vaksin COVID-19 pada Masyarakat Kec.
Langke Rembong
Analisis regresi logistik biner digunakan untuk mengetahui mana faktor-
faktor yang mempengaruhi penerimaan vaksin Covid-19 dimana dalam analisis
ini menggunakan uji serentak, uji parsial, analisis model regresi, uji kesesuaian
model, odds ratio, dan ketepatan klasifikasi. Analisis regresi logistik biner
disajikan sebagai berikut.
4.3.1 Uji Signifikansi Parameter Serentak
Uji signifikansi parameter serentak dilakukan untuk memeriksa signifikansi
koefisien b secara keseluruhan. Pengujian serentak disajikan sebagai berikut.
Hipotesis:
H0 : β1= β2 = β3 = β4 = β5= 0 (Jenis kelamin, usia, kecemasan efek vaksin,
pengetahuan manfaat vaksin, dan kemauan
divaksinasi tidak berpengaruh signifikan terhadap

21
 penerimaan vaksin Covid-19)

H1 : Minimal ada satu βj ¹ 0 (Minimal ada satu variabel prediktor yang

berpengaruh signifikan terhadap penerimaan
vaksin Covid-19)
Dengan menggunakan taraf signifikan α sebesar 0,05 dan daerah penolakan
yaitu Tolak H0 jika nilai G lebih besar dari χ2(α, df) atau P-Value lebih kecil dari α
sebesar 0,05. Hasil perhitungan statistik uji ditunjukkan pada Tabel 4.7 sebagai
berikut.
Tabel 4.7 Uji Serentak
χ2 db χ20,05;5) P-value
37,87 5 11,071 0,000
0
Tabel 4.7 menunjukkan bahwa pada uji serentak diperoleh nilai χ2 hitung
sebesar 37,870 dimana lebih besar dari nilai χ2(0,05;5) yaitu sebesar 11,071 dan
diperkuat oleh p-value sebesar 0,000 dimana kurang dari α sebesar 0,05 maka
diperoleh keputusan Tolak H0 yang artinya minimal ada satu variabel prediktor
yang berpengaruh signifikan terhadap penerimaan vaksin Covid-19.

4.3.2 Uji Signifikansi Parameter Parsial

Uji signifikansi parameter parsial dilakukan untuk mengetahui signifikansi
setiap parameter terhadap variabel respon. Pengujian signifikansi parameter
parsial dilakukan menggunakan uji Wald yang disajikan sebagai berikut.
Hipotesis:
H0 : β1 = 0 (Jenis kelamin tidak berpengaruh signifikan terhadap penerimaan
vaksin Covid-19)
H1 : β1 ¹ 0 (Jenis kelamin berpengaruh signifikan terhadap penerimaan vaksin
Covid-19)
H0 : β2 = 0 (Usia tidak berpengaruh signifikan terhadap penerimaan vaksin
Covid-19)
H1 : β2 ¹ 0 (Usia berpengaruh signifikan terhadap penerimaan vaksin
Covid19)
H0 : β3 = 0 (Kecemasan akan efek vaksin tidak berpengaruh signifikan
terhadap penerimaan vaksin Covid-19)
H1 : β3 ¹ 0 (Kecemasan akan efek vaksin berpengaruh signifikan terhadap

22
 penerimaan vaksin Covid-19)
H0 : β4 = 0 (Pengetahuan tentang manfaat vaksin tidak berpengaruh signifikan
terhadap penerimaan vaksin Covid-19)
H1 : β4 ¹ 0 (Pengetahuan tentang manfaat vaksin berpengaruh signifikan
terhadap penerimaan vaksin Covid-19)
H0 : β5 = 0 (Pengetahuan tentang manfaat vaksin tidak berpengaruh signifikan
terhadap penerimaan vaksin Covid-19)
H1 : β5 ¹ 0 (Pengetahuan tentang manfaat vaksin berpengaruh signifikan
terhadap penerimaan vaksin Covid-19)
Dengan menggunakan taraf signifikan α sebesar 0,05 dan daerah penolakan
yaitu Tolak H0 jika nilai W lebih besar dari χ2(α, p) atau P-Value lebih kecil dari α
sebesar 0,05. Hasil perhitungan statistik uji ditunjukkan pada Tabel 4.8 sebagai
berikut.
Tabel 4.8 Uji Parsial
Variabel W db χ20,05;1 P-value Keputusan
Jenis Kelamin(1) 0,938 1 3,841 0,333 Gagal Tolak H0
Usia(1) 1,761 1 3,841 0,184 Gagal Tolak H0
Kecemasan(1) 17,02 1 3,841 0,000 Tolak H0
1
Pengetahuan_vaksin(1 5,187 1 3,841 0,023 Tolak H0
)
Kemauan_vaksin(1) 0,311 1 3,841 0,577 Gagal Tolak H0
Tabel 4.8 menunjukkan bahwa pada uji parsial diperoleh hasil bahwa
variabel kecemasan akan efek vaksin dan pengetahuan tentang manfaat vaksin
memiliki nilai W berturut-turut sebesar 17,021 dan 5,187 dimana lebih besar dari
χ2(0,05;1) yaitu sebesar 3,841 dan p-value berturut-turut sebesar 0,000 dan 0,023
dimana lebih kecil dari α sebesar 0,05 yang artinya variabel kecemasan akan efek
vaksin dan pengetahuan tentang manfaat vaksin berpengaruh signifikan terhadap
penerimaan vaksin Covid-19. Sedangkan pada variabel jenis kelamin, usia, dan
kemauan divaksinasi memiliki nilai W berturut-turut sebesar 0,938, 1,761, dan
0,311 dimana lebih kecil dari χ2(0,05;1) yaitu sebesar 3,841 dan p-value berturut-turut
sebesar 0,333, 0,184 dan 0,577 dimana lebih besar dari α sebesar 0,05 yang
artinya variabel jenis kelamin, usia, dan kemauan divaksinasi tidak berpengaruh
signifikan terhadap penerimaan vaksin Covid-19.

4.3.3 Uji Signifikansi Parameter Serentak 2

23
 Uji signifikansi parameter serentak yang kedua dilakukan untuk memeriksa
signifikansi koefisien b pada variabel yang signifikan pada pengujian signifikansi
parameter parsial yang pertama. Pada pengujian serentak yang kedua ini variabel
yang tidak signifikan pada pengujian pertama dihilangkan sehingga diperoleh
analisis sebagai berikut.
Hipotesis:
H0 : β1= β2 = 0 (Variabel kecemasan akan efek vaksin dan
pengetahuan tentang manfaat vaksin tidak
berpengaruh signifikan terhadap penerimaan
vaksin Covid-19)
H1 : Minimal ada satu βj ¹ 0 (Minimal ada satu variabel kecemasan akan efek
vaksin atau pengetahuan tentang manfaat vaksin
yang berpengaruh signifikan terhadap penerimaan
vaksin Covid-19)
Dengan menggunakan taraf signifikan α sebesar 0,05 dan daerah penolakan
yaitu Tolak H0 jika nilai G lebih besar dari χ2(α, df) atau P-Value lebih kecil dari α
sebesar 0,05. Hasil perhitungan statistik uji ditunjukkan pada Tabel 4.9 sebagai
berikut.
Tabel 4.9 Uji Serentak 2
χ
2
db χ20,05;2) P-value
34,79 2 5,991 0,000
2
Tabel 4.9 menunjukkan bahwa pada uji serentak yang kedua diperoleh nilai
χ2 hitung sebesar 34,792 dimana lebih besar dari nilai χ2(0,05;2) yaitu sebesar 5,991
dan diperkuat oleh p-value sebesar 0,000 dimana kurang dari α sebesar 0,05 maka
diperoleh keputusan Tolak H0 yang artinya minimal ada satu variabel kecemasan
akan efek vaksin atau pengetahuan tentang manfaat vaksin yang berpengaruh
signifikan terhadap penerimaan vaksin Covid-19.
4.3.4 Uji Signifikansi Parameter Parsial 2
Uji signifikansi parameter parsial dilakukan untuk mengetahui signifikansi
setiap parameter terhadap variabel respon. Pengujian signifikansi parameter
parsial dilakukan menggunakan uji Wald yang disajikan sebagai berikut.
Hipotesis:
H0 : β1 = 0 (Variabel kecemasan akan efek vaksin tidak berpengaruh

24
 signifikan terhadap penerimaan vaksin Covid-19)
H1 : β1 ¹ 0 (Variabel kecemasan akan efek vaksin berpengaruh signifikan
terhadap penerimaan vaksin Covid-19)
H0 : β2 = 0 (Variabel pengetahuan tentang manfaat vaksin tidak berpengaruh
signifikan terhadap penerimaan vaksin Covid-19)
H1 : β2 ¹ 0 (Variabel pengetahuan tentang manfaat vaksin berpengaruh
signifikan terhadap penerimaan vaksin Covid-19)
Dengan menggunakan taraf signifikan α sebesar 0,05 dan daerah penolakan
yaitu Tolak H0 jika nilai W lebih besar dari χ2(α, p) atau P-Value lebih kecil dari α
sebesar 0,05. Hasil perhitungan statistik uji ditunjukkan pada Tabel 4.10 sebagai
berikut.
Tabel 4.10 Uji Parsial 2
Variabel d Keputusan
W χ20,05;1 P-value
b
Kecemasan(1) 17,692 1 3,841 0,000 Tolak H0
Pengetahuan_vaksin(1 9,332 1 3,841 0,002 Tolak H0
)
Tabel 4.10 menunjukkan bahwa pada uji parsial diperoleh hasil bahwa
variabel kecemasan akan efek vaksin dan pengetahuan tentang manfaat vaksin
memiliki nilai W berturut-turut sebesar 17,692 dan 9,332 dimana lebih besar dari
χ2(0,05;1) yaitu sebesar 3,841 dan p-value berturut-turut sebesar 0,000 dan 0,002
dimana lebih kecil dari α sebesar 0,05 yang artinya variabel kecemasan akan efek
vaksin dan pengetahuan tentang manfaat vaksin berpengaruh signifikan terhadap
penerimaan vaksin Covid-19.
4.3.5 Model Regresi Logistik Biner
Model regresi logistik biner didapatkan dari koefisien parameter yang
masuk ke dalam model atau parameter yang signifikan. Nilai koefisien dari
parameter yang signifikan disajikan pada tabel 4.11 sebagai berikut.
Tabel 4.11 Koefisien Parameter
Variabel B
Kecemasan akan efek -2,059
vaksin(1)
Pengetahuan manfaat vaksin(1) 1,755
Constant -0,358
Berdasarkan nilai koefisien parameter, model logit yang dapat terbentuk dari

25
variabel-variabel yang berpengaruh signifikan terhadap penerimaan vaksin Covid
adalah sebagai berikut.
g(x) = -0,358 – 2,059 (X1) + 1,755(X2)
g(x) = -0,358 – 2,059 (1) + 1,755(1)
g(x) = -0,662
Berdasarkan model logit di atas dapat dibentuk model probit sebagai berikut.
−0 , 358−2, 059(1 )+1 , 755( 1) −0 , 662
e e 0 , 5158
π ( x )= −0, 358−2 , 059( 1)+1, 755(1 )
= =
−0, 662 1+0 ,5158
=0 ,3403
1+e 1+e
π 0 ( x)=1−0 , 3403=0 ,6597

Interpretasi:
Jika seseorang mengetahui pengetahuan tentang manfaat vaksin tetapi ia cemas
akan efek vaksin, maka peluang seseorang tersebut menerima vaksin Covid-19
yaitu sebesar 34,03 persen dan peluang seseorang yang mengetahui pengetahuan
tentang manfaat vaksin tetapi ia cemas akan efek vaksin, maka peluang ia tidak
menerima vaksin Covid-19 yaitu sebesar 65,97 persen. Sehingga jika seseorang
tersebut mengetahui pengetahuan tentang manfaat vaksin tetapi ia cemas akan
efek vaksin akan cenderung tidak menerima vaksin Covid-19.

4.3.6 Uji Kesesuaian Model

Uji kesesuaian model dilakukan untuk menguji apakah model yang
dihasilkan berdasarkan regresi logistik multivariat/serentak sudah layak.
Pengujian ini dilakukan menggunakan statistik uji Hosmer dan Lemeshow dengan
hipotesis sebagai berikut.
Hipotesis :
H0 : Model yang terbentuk telah sesuai
H1 : Model yang terbentuk tidak sesuai
Dengan menggunakan taraf signifikan α sebesar 0,05 dan daerah penolakan
yaitu Tolak H0 jika nilai χ2hitung lebih besar dari χ2(α, p) atau P-Value lebih kecil dari α
sebesar 0,05. Hasil perhitungan statistik uji ditunjukkan pada Tabel 4.12 sebagai
berikut.
Tabel 4.12 Uji Kesesuaian Model
χ2hitung χ2(0,05; 2) P-Value
3,084 5,991 0,214

26
 Tabel 4.12 menunjukkan bahwa pada uji kesesuaian model diperoleh hasil
χ2hitung sebesar 3,084 dimana lebih kecil dari χ2(0,05;2) yaitu sebesar 5,991 dan
diperkuat oleh p-value sebesar 0,214 dimana lebih besar dari α sebesar 0,05 maka
diperoleh keputusan gagal tolak H0 yang artinya model yang terbentuk telah
sesuai.
4.3.7 Odds Ratio
Odds ratio digunakan untuk mengukur resiko atau kecenderungan antara
jenis kelamin, usia, kecemasan tentang vaksin, pengetahuan tentang manfaat
vaksin, dan kemauan divaksinasi terhadap penerimaan vaksinasi COVID-19
adalah sebagai berikut.
Tabel 4.13 Odds Ratio
Variabel Exp(B)
Kecemasan 0.128
Pengetahuan tentang Manfaat Vaksin 5.783
Berdasarkan tabel tersebut, dapat kita lihat bahwa penduduk yang memiliki
kecemasan akan efek vaksin cenderung menerima vaksin COVID-19 sebesar 0,12
kali lebih kecil daripada penduduk yang tidak memiliki kecemasan akan efek
vaksin. Sedangkan, penduduk yang memiliki pengetahuan tentang manfaat
vaksinasi COVID-19 cenderung menerima vaksinasi COVID-19 sebesar 5,783
kali lebih banyak daripada penduduk yang tidak memiliki pengetahuan tentang
manfaat vaksin.
4.3.8 Ketepatan Klasifikasi
Analisis ketepatan klasifikasi berguna untuk mengetahui proporsi kasus
yang tepat diklasifikasikan melalui model regresi logistik biner. Berikut
merupakan hasil analisis ketepatan klasifikasi model.

Tabel 4.14 Ketepatan Klasifikasi

Penerimaan Vaksin
Observasi Menerim Persentase Benar
Tidak Menerima
a
Tidak Menerima 40 10 80%
Penerimaan Vaksin
Menerima 17 33 66%
Total 73%

Tabel 4.14 menunjukkan bahwa terdapat 40 penduduk yang tidak

menerima vaksin COVID-19 tepat diklasifikasikan sebagai penduduk yang tidak

27
menerima vaksin dan terdapat 10 penduduk yang tidak menerima vaksin COVID-
19 salah diklasifikasikan sebagai penduduk yang menerima vaksin. Pada tabel
tersebut juga menunjukkan bahwa terdapat 17 penduduk yang menerima vaksin
COVID-19 salah diklasifikasikan sebagai menerima vaksin dan terdapat 33
penduduk yang menerima vaksin COVID-19 tepat diklasifikasikan sebagai
penduduk yang menerima vaksin COVID-19. Sehingga dapat disimpulkan bahwa
model regresi logistik biner dari data indikator penerimaan vaksin COVID-19
pada penduduk kecamatan Langke Rombong memiliki nilai ketepatan klasifikasi
sebesar 73%.

BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil analisis yang telah dilakukan dapat disimpulkan beberapa
hal, yaitu sebagai berikut.
1. Karateristik penerimaan vaksin COVID-19 di Kecamatan Langke Rembong,
Kabupaten Manggarai memiliki perbandingan yang sama, rata-rata berusia
18-40 tahun, memiliki kecemasan akan vaksin, mengetahui manfaat vaksin,
dan memiliki kemauan untuk divaksin.
2. Uji independensi pada faktor-faktor yang mempengaruhi penerimaan vaksin
COVID-19 di Kecamatan Langke Rembong didapatkan bahwa variabel
jenis kelamin, usia, dan kemauan divaksinasi memiliki hubungan atau
dependen. Sedangkan variabel kecemasan dan pengetahuan tentang manfaat
vaksin tidak memiliki hubungan atau independen.
3. Hasil regresi logistik biner didapatkan bahwa faktor-faktor yang
berpengaruh signifikan adalah variabel kecemasan dan variabel pengetahuan
tentang manfaat vaksin. Pada uji kesesuaian model, model yang terbentuk
telah sesuai. Nilai odds ratio menunjukkan bahwa penduduk yang memiliki
kecemasan akan efek vaksin cenderung menerima vaksin COVID-19
sebesar 0,12 kali lebih kecil daripada penduduk yang tidak memiliki
kecemasan akan efek vaksin. Sedangkan, penduduk yang memiliki
pengetahuan tentang manfaat vaksinasi COVID-19 cenderung menerima

28
 vaksinasi COVID-19 sebesar 5,783 kali lebih banyak daripada penduduk
yang tidak memiliki pengetahuan tentang manfaat vaksin. Model regresi
logistik biner ini memiliki nilai ketepatan klasifikasi sebesar 73%.
5.2 Saran
Berdasarkan hasil analisis yang telah dilakukan, saran yang dapat diberikan
untuk pembaca yaitu diharapkan dapat lebih memahami konsep regresi logistik
biner beserta analisis-analisisnya agar dapat lebih mudah memahami analisis
regresi logistik yang lainnya. Dalam penelitian ini, didapatkan hasil bahwa
variabel yang berpengaruh signifikan terhadap penerimaan vaksin Covid-19 hanya
terdapat dua variabel prediktor, sehingga saran yang dapat diberikan untuk
pembaca atau peneliti selanjutnya untuk bisa menambah beberapa variabel
prediktor agar hasil yang didapatkan efektif.

29
 DAFTAR PUSTAKA

Azkia, R. N., Sembada, W. Y., & Wahyuningratna, R. N. (2022). Pengaruh

Disinformasi Vaksin COVID-19 Terhadap Kecemasan Wisatawan Jakarta-
Bali. Jurnal Pustaka Komunikasi, 392.
Budiharto, W. (2015). Metode Penelitian Ilmu Komputer dengan Komputasi
Statistika Berbasis R. Yogyakarta: CV Budi Utama.
Hosmer, D. W., & Lemeshow, J. S. (2013). Applied Logistic Regression. USA:
John Wiley & Sons.
Jelita, M. R. (2022). Aplikasi Analisis Regresi Logistik dalam Menetukan Faktor-
Faktor yang Mempengaruhi Penerimaan Vaksin COVID-19. Manggarai:
Prodi Matematika Fakultas Sains dan Teknik Universitas Nusa Cendana.
Kuswanto, D. (2012). Statistik Untuk Pemula & Orang Awam. Jakarta: Laskar
Aksara.
Pamungkas, E. T. (2017). Metode Regresi Logistik Biner pada Faktor yang
Mempengaruhi Kesembuhan Pasien Penderita Demam Berdarah Dengue di
RSUD DR. ISKAK Kabupaten Tulungagung. Surabaya: Departemen
Statistika Bisnis ITS.
Risdayanti, & Aidid, M. K. (2020). Analisis Regresi Logistik Biner Untuk
Menentukan Model Pengguna KB di Kelurahan Langnga Kabupaten
Pinrang. Journal of Statistics and Its application on Teaching and Research,
2.

30
Silvianti, A. (2021). Wabah Virus COVID-19. Dalam A. Agresti, Coronavirus
disease, Second Edition (hal. 1). Jakarta: WHO.
Suharyadi, & Purwanto. (2009). STATISTIKA: Untuk Ekonomi dan Keuangan
Modern, Edisi 2. Jakarta: Penerbit Salemba Empat.
Tangkudung, J. P. (2014). Proses Adaptasi Menurut Jenis Kelamin Dalam
Menunjang Studi Mahasiswa FISIP Universitas Sam Ratulangi. Journal
"Acta Diuma" Volume III No. 4, 3.
Widjaja, G. (2021). Pemahaman Vaksinasi pada Masyarakat di Jakarta. Journal of
Community Dedication, 47.
Wulandari, I. S., Salamah, I., & Susilaningrum, D. (2009). Analisa Data
Kualitatif. Surabaya: Jurusan Statistika FMIPA ITS.
Yogi, E. D., Hariyanto, & Sonbay, E. (2014). Hubungan Antara Usia Dengan
Preeklampsia Pada Ibu Hamil di POLI KIA RSUD Kefamenanu Kabupaten
Timor Tengah Utara. Jurnal Delima Harapan, 11-12.
Yolanda, S. (2022). Antihoaks pada Vaksinasi Covid-19. Surabaya: Airlangga
University Press.

31
 LAMPIRAN

Lampiran 1. Data
N X1 X2 X3 X4 X5 Y X1 X2 X3 X4 X5 Y
o No
1 1 1 0 0 1 1 47 0 0 0 1 1 0
2 0 0 0 1 1 1 48 1 0 1 1 0 0
3 0 0 1 1 1 1 49 1 0 0 1 1 1
4 0 1 1 0 1 0 50 0 1 0 1 1 1
5 1 1 0 0 1 0 51 0 1 0 1 1 1
6 1 0 1 0 0 0 52 0 1 1 0 0 0
7 1 1 0 0 0 0 53 0 0 0 1 1 1
8 1 1 1 0 0 0 54 0 0 0 1 1 1
9 1 1 0 1 1 0 55 0 1 1 1 1 0
10 0 1 0 1 0 0 56 1 1 0 1 1 1
11 0 0 1 0 0 0 57 0 0 0 1 1 0
12 0 0 1 0 0 0 58 1 0 0 1 0 1
13 0 0 0 1 1 0 59 1 0 1 0 1 0
14 0 1 0 1 1 1 60 1 0 1 0 0 0
15 0 1 0 1 1 1 61 1 0 0 1 0 1
16 1 1 0 1 1 1 62 0 0 1 1 1 1
17 1 0 0 0 1 1 63 0 0 0 1 1 1
18 1 0 1 1 1 1 64 0 0 0 1 1 1
19 0 1 0 1 1 1 65 0 1 1 1 0 0
20 0 0 1 1 0 1 66 1 1 1 1 0 0
21 0 0 0 1 1 1 67 1 0 1 0 1 0
22 1 0 0 0 0 0 68 1 1 0 1 1 1
23 1 1 1 1 1 0 69 0 0 1 1 1 0
24 1 0 1 0 1 0 70 1 0 1 1 1 1
25 0 0 0 0 0 1 71 1 0 1 1 1 1
26 0 0 1 1 1 1 72 0 0 1 1 1 0
27 1 0 0 0 1 0 73 1 0 0 1 0 0

32
 28 1 0 0 0 0 1 74 1 0 1 1 1 1
29 0 1 1 0 0 0 75 1 0 0 1 1 1
30 0 1 1 1 0 1 76 1 0 1 1 1 0
31 1 1 0 0 0 0 77 1 0 0 1 1 0
32 1 1 0 0 0 1 78 0 1 1 1 0 0
33 1 1 0 1 1 0 79 1 0 0 1 1 1
34 1 0 0 1 1 1 80 0 0 1 1 1 0
35 1 0 0 1 1 0 81 0 0 0 1 1 1
36 1 0 0 1 1 1 82 1 1 1 0 1 0
37 1 0 1 0 1 0 83 0 0 0 1 1 1
38 0 1 1 1 0 0 84 0 1 1 1 1 0
39 0 1 0 0 0 1 85 1 0 1 0 0 0
40 0 1 0 1 1 1 86 0 1 0 1 1 1
41 1 0 1 0 1 0 87 1 0 0 1 1 1
42 1 0 1 1 1 1 88 1 0 0 1 1 1
43 0 0 0 1 1 1 89 0 0 0 1 1 1
44 1 1 0 1 1 1 90 1 0 1 1 1 0
45 0 0 0 1 1 1 91 0 0 1 1 0 0
46 0 0 1 1 1 0 92 1 1 1 0 1 0
Lampiran 1. Data (Lanjutan)
No X1 X2 X3 X4 X5 Y
93 0 1 1 0 0 0
94 0 1 1 1 0 1
95 0 0 1 0 1 0
96 0 0 0 1 1 1
97 1 1 0 1 1 0
98 0 0 0 1 1 1
99 1 1 1 1 1 0
100 0 1 1 1 0 0

Lampiran 2. Output Software

Tabel Kontingensi & Uji Independensi
Penerimaan_vaksin * Jenis_kelamin
Crosstab
Jenis_kelamin
Laki-
Perempuan laki Total
Penerimaan_vaksin Tidak Count 22 28 50
Menerima Expected 25.0 25.0 50.0
Vaksin Count
Menerima Count 28 22 50
vaksin Expected 25.0 25.0 50.0
Count
Total Count 50 50 100

33
 Expected 50.0 50.0 100.
Count 0
Chi-Square Tests
Exact
Asymptotic Exact Sig.
Significance (2- Sig. (2- (1-
Value df sided) sided) sided)
Pearson Chi- 1.440a 1 .230
Square
Continuity 1.000 1 .317
Correction b

Likelihood Ratio 1.443 1 .230

Fisher's Exact Test .317 .159
Linear-by-Linear 1.426 1 .232
Association
N of Valid Cases 100
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 25.00.
b. Computed only for a 2x2 table

Lampiran 2. Output Software (Lanjutan)

Penerimaan_vaksin * Usia
Crosstab
Usia
18-40 41-60
tahun tahun Total
Penerimaan_vaksin Tidak Count 27 23 50
Menerima Expected 30.5 19.5 50.0
Vaksin Count
Menerima Count 34 16 50
vaksin Expected 30.5 19.5 50.0
Count
Total Count 61 39 100
Expected 61.0 39.0 100.0
Count
Chi-Square Tests
Asymptotic Exact Sig. Exact Sig. (1-
Value df Significance (2-sided) (2-sided) sided)
Pearson Chi-Square 2.060a 1 .151
Continuity Correction b
1.513 1 .219

34
Likelihood Ratio 2.068 1 .150
Fisher's Exact Test .218 .109
Linear-by-Linear 2.039 1 .153
Association
N of Valid Cases 100
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 19.50.
b. Computed only for a 2x2 table

Penerimaan_vaksin * Kecemasan
Crosstab
Kecemasan
Tidak Ce Tot
Cemas mas al
Penerimaan_vak Tidak Menerima Count 15 35 50
sin Vaksin Expected 27.0 23.0 50.
Count 0
Menerima vaksin Count 39 11 50
Expected 27.0 23.0 50.
Count 0
Total Count 54 46 10
0
Expected 54.0 46.0 10
Count 0.0

Lampiran 2. Output Software (Lanjutan)

Chi-Square Tests
Asymptotic Significance Exact Sig. (2- Exact Sig. (1-
Value df (2-sided) sided) sided)
Pearson Chi-Square 23.188a 1 .000
Continuity Correctionb 21.296 1 .000
Likelihood Ratio 24.212 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear 22.957 1 .000
Association
N of Valid Cases 100
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 23.00.
b. Computed only for a 2x2 table
Penerimaan_vaksin * Pengatahuan

35
 Crosstab
Pengatahuan
Tidak Mengetah Tota
Mengetahui ui l
Penerimaan_vaksin Tidak Count 23 27 50
Menerima Expected 14.5 35.5 50.
Vaksin Count 0
Menerima Count 6 44 50
vaksin Expected 14.5 35.5 50.
Count 0
Total Count 29 71 100
Expected 29.0 71.0 100
Count .0
Chi-Square Tests
Asymptotic
d Significance (2- Exact Sig. Exact Sig.
Value f sided) (2-sided) (1-sided)
Pearson Chi- 14.036a 1 .000
Square
Continuity 12.433 1 .000
Correction b

Likelihood Ratio 14.743 1 .000

Fisher's Exact Test .000 .000
Linear-by-Linear 13.896 1 .000
Association
N of Valid Cases 100
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 14.50.
Lampiran 2. Output Software (Lanjutan)
Penerimaan_vaksin * Kemauan_vaksin
Crosstab
Kemauan_vaksin
Kesadaran
Aturan sendiri Total
Penerimaan_vaksin Tidak Menerima Count 21 29 50
Vaksin Expected 15.0 35.0 50.0
Count
Menerima vaksin Count 9 41 50
Expected 15.0 35.0 50.0
Count

36
Total Count 30 70 100
Expected 30.0 70.0 100.0
Count

Chi-Square Tests
Val d Asymptotic Exact Sig. Exact Sig.
ue f Significance (2-sided) (2-sided) (1-sided)
Pearson Chi- 6.8 1 .009
Square 57 a

Continuity 5.7 1 .016

Correction b
62
Likelihood Ratio 7.0 1 .008
04
Fisher's Exact Test .016 .008
Linear-by-Linear 6.7 1 .009
Association 89
N of Valid Cases 100
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 15.00.
b. Computed only for a 2x2 table

Regresi Logistik Biner

Uji Serentak 1

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step Step 37.870 5 .000
1 Block 37.870 5 .000
Mode 37.870 5 .000
l

Lampiran 2. Output Software (Lanjutan)

Uji Parsial 1
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1 a
Jenis_kelamin(1) -.505 .521 .938 1 .333 .604
Usia(1) -.685 .517 1.761 1 .184 .504
Kecemasan(1) -2.123 .515 17.021 1 .000 .120

37
 Pengetahuan_vaksin(1) 1.439 .632 5.187 1 .023 4.218
Kemauan_vaksin(1) .328 .589 .311 1 .577 1.389
Constant .211 .772 .075 1 .785 1.235
a. Variable(s) entered on step 1: Jenis_kelamin, Usia, Kecemasan, Pengetahuan_vaksin,
Kemauan_vaksin.
Uji Serentak 2
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step Step 34.792 2 .000
1 Block 34.792 2 .000
Mode 34.792 2 .000
l

Uji Parsial 2 & Odds Ratio

Variables in the Equation
S. d Sig Exp(B
B E. Wald f . )
Step 1a Kecemasan(1) - .49 17.69 1 .00 .128
2.059 0 2 0
Pengetahuan_vaksin(1) 1.755 .57 9.332 1 .00 5.783
4 2
Constant -.358 .52 .464 1 .49 .699
5 6
a. Variable(s) entered on step 1: Kecemasan, Pengetahuan_vaksin.
Kesesuaian Model
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 3.084 2 .214
Ketepatan Klasifikasi
Classification Tablea
Predicted
Penerimaan_vaksin
Observed .00 1.00 Percentage Correct
Step Penerimaan_vaksin .00 40 10 80.0
1 1.0 17 33 66.0
0
Overall Percentage 73.0
a. The cut value is .500

Lampiran 3. Dokumentasi

38
39