Uji regresi

A. Capaian Pembelajaran :

Mahasiswa mampu mengoperasikan aplikasi komputer dan menginterpretasi uji regresi

B. Pokok Bahasan:
1. Uji Regresi Linier
2. Uji Regresi Logistik
C. Sub pokok bahasan :
1. Tujuan
2. Contoh Kasus
3. Interpretasi dalam laporan penelitian
D. Penyajian

1. Regresi Linier Sederhana

Analisis regresi dapat digunakan untuk menggambarkan hubungan linier antara dua
variable numeric. tujuan analisis regresi adalah untuk membuat perkiraan / memprediksi nilai
suatu variable (variable dependen) melalui variable yang lain (independent) sebagai contoh
dalam hubungan antara pengetahuan dengan sikap ingin diprediksi berapa besarnya skor
sikapnya bila diketahui skor pengetahuannya.
1. Persamaan Garis
Secara matematik model persamaan garis regresi sebagai berikut :

dimana :

x : variable independen = variable bebas = predictor

a : intercept = nilai bila x =0

atau intercept/perpotongan garis regresi dengan sumbu y
b : slope = kemiringan garis regresi = koefisien regresi
= nilai y meningkat sebesar b unit untuk setiap kenaikan nilai x sebesar satu unit..
Sedangkan nilai a dan b diperoleh dengan persamaan sebagai berikut :
Asumsi pada regresi linier:
1. Nilai mean dari Y adalah fungsi garis lurus (linierity) dari X Yi = a + biXi +e
2. Nilai Y terdistribusi sec. Normal untuk setiap nilai X (normality)
3. Varian Y adalah sama untuk setiap nilai X(homoscedasticity)
4. Nilai X dan Y adalah tidak saling berkaitan(independency)

Contoh kasus:
Menggunakan Latihan korelasi Pearson
Pertanyaan:
Apakah ada hubungan yang signifikan antara umur dengan pengetahuan ?
Bagaimana persamaan garis regresinya?
Perkirakan skor pengetahuan, jika diketahui umurnya=10 tahun

Langkah-langkah:
1. Buka SPSS, lalu buka data dengan nama file tugas01
2. Melakukan Uji kenormalan seperti hasil pada tabel 1
3. Melakukan analisis korelasi bivariate seperti gambar 3 (jika ada korelasi bisa dilanjutkan ke
regresi, jika tidak ada berarti hanya bisa sampai korelasi saja)
4. Melakukan analisis regresi linier dengan cara:
 Klik analyze, pilih regression, pilih linear
 Masukkan variabel pengetahuan kekotak dependent
 Masukkan variabel umur kekotak independent
 Method : pilih enter
 Klik : OK
 Gambar 5. Tampilan uji regresi

1. Nilai koefisien korelasi r = 0,525

2. Koefisien determinasi R2=0,276 (variasi pengetahuan sebesar 27,6 % dijelaskan oleh umur).

3. Nilai p anova = 0,017 (<0,05) maka (asumsi linier sudah terpenuhi)

4 Nilai p-value variabel umur = 0,017 sehingga signifikan ada hubungan umur dengan
pengetahuan.
Diperoleh nilai a = 39,861 dan nilai b = 4,087
sehingga persamaan garis regresinya adalah: Ŷ = 39,861 + 4,087X
artinya jika umur bertambah 1 tahun maka skor pengetahuan bertambah 4,087
5. Jadi jika diketahui umur 10 tahun maka pengetahuannnya :
Ŷ = 39,861 + 4,087 X
= 39,861 + 4,087 (10)=80,731

2. Regresi Logistik:
Model matematis untuk menganalisis hubungan antara satu atau beberapa variabel
independen yang bersifat kontinu maupun binary dengan satu variabel dependen yang
bersifat binary/binomial atau dikotom (sehat/sakit, hidup/mati, diare/tidak Diare ,dsb).
Regresi Logistik:
 Sederhana (simple)  hanya satu variabel independen

 Ganda (multiple)  lebih dari satu variabel independen

a. Tujuan penggunaan analisis ini :

Regresi Logistik Sederhana  Untuk mendapatkan model yang paling baik/ fitting dan
paling parsimonious/sederhana yang dapat menggambarkan hubungan antara variabel
dependen yang dikotom dengan satu variabel independen.
Sedangkan Regresi Logistik Multivariat  untuk menganalisis hubungan antara satu
variabel dependen dengan beberapa variabel independen secara bersama-sama.

b. Regresi Logistik Sederhana

Contoh 1. Variabel independent dikotomus (0,1)
Analisis hubungan antara jenis kelamin dengan kejadian Demam Berdarah Dengue
(DBD)
 Variabel dependent  DBD  1 = DBD
2= Tidak DBD
Variabel independent  jenis kelamin  1 = Laki-Laki
2 = Perempuan

Dengan Regresi Logistik Sederhana:

Langkah-langkah:
1. Buka data ‘DBD.sav’ dengan program SPSS
2. Klik analize  regression  binary logistic
3. Masukkan variabel DBD ke kotak ‘dependent’
4. Masukkan variabel jenis kelamin ke kotak ‘covariates’
5. Pilih metode : enter
6. Abaikan yang lainnya lalu klik OK
Hasil :

 = -2,611
 = 1,599
Z =  + 1X1  Z = -2,611 + 1,599 jk
Uji hipotesis:
Ho : Tidak ada hubungan antara jenis kelamin dengan kejadian DBD
Ha : Ada hubungan antara jenis kelamin dengan kejadian DBD
Pada hasil analisis regresi logistik diperoleh p-value = 0,048 <  (0,05) maka Ho
Kesimpulannya: Ada hubungan antara jenis kelamin dengan kejadian DBD
OR pada anak laki-laki dibanding anak perempuan
OR = e = e 1,599 = Exp 1,599 = 4,950
Artinya anak laki-laki mempunyai peluang mengalami DBD 4,950 kali dibanding dengan anak
perempuan.

Contoh 2 : Variabel independent kontinyu

Analisis hubungan antara status gizi dengan kejadian DBD

Variabel dependent  DBD : 1 = DBD

2 = Tidak DBD
Variabel independent status gizi : kontinyu
Dengan Regresi Logistik Sederhana:
Langkah-langkah:
1. Buka data ‘DBD’ dengan program SPSS
2. Klik analize  regression  binary logistic
3. Masukkan variabel DBD ke kotak ‘dependent’
4. Masukkan variabel status gizi ibu ke kotak ‘covariates’
5. Pilih metode : enter
6. Abaikan yang lainnya lalu klik OK
Hasil :

 = -13,805
 = 0,164
Z =  + 1X1  Z = -13,805 +0,154 status gizi

Uji hipotesis:
Ho : Tidak ada hubungan antara status gizi dengan kejadian DBD
Ha : Ada hubungan antara status gizi dengan kejadian DBD
Pada hasil analisis regresi logistik diperoleh p-value = 0,010 (p-value < (0,05)) maka Ho
ditolak
Kesimpulannya: Ada hubungan antara status gizi dengan kejadian DBD

OR untuk setiap perubahan c unit pada x adalah sebesar = e c(b)

OR pada setiap kenaikan status gizi 1 adalah:

OR = e c(b) = e 1(0,164) = 1,178

Contoh 3. Variabel independen politomus (0,1,2,…)

Analisis hubungan antara pendidikan dengan kejadian DBD

DBD : 1 = DBD
2 = Tidak DBD
pendidikan : 1. SD, 2. SMP, 3. SMA
Mis: pendidikan (1=SD 2=SMP 3= SMA)
dan SD sebagai reference)

Dengan Regresi Logistik Sederhana:

Langkah-langkah:
1. Buka data ‘DBD’ dengan program SPSS
2. Klik analize  regression  binary logistic
3. Masukkan variabel DBD ke kotak ‘dependent’
4. Masukkan variabel pendidikan ke kotak ‘covariates’
5. Pilih metode : enter
6. Klik categorical lalu masukkan variabel pendidikan ke kotak categorical covariates
7. Klik first (karena pendidikan SD kode 1 sebagai reference) lalu klik change klik continyu
8. Klik OK
Hasil :
 Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 1a Pendidikan_ibu 6.577 2 .037

Pendidikan_ibu(1) 2.351 1.192 3.892 1 .049 10.500

Pendidikan_ibu(2) 3.807 1.520 6.270 1 .012 45.000

Constant -2.197 1.054 4.345 1 .037 .111

a. Variable(s) entered on step 1: Pendidikan_ibu.

Pendidikan SMP dibandingkan dengan SD :

 = -2,197
 = 2,351
Z =  + 1X1  Z = -2,197 + 2,351 pendidikan_ibu(1)
Uji hipotesis:
Ho : Tidak ada hubungan antara pendidikan ibu(1) dengan kejadian DBD
Ha : Ada hubungan antara pendidikan ibu(1) dengan kejadian DBD
Pada hasil analisis regresi logistik diperoleh p-value = 0,049
Karena p-value <  (0,05) maka Ho ditolak
Kesimpulannya: ada hubungan antara pendidikan(1) dengan kejadian DBD
OR pendidikan (1) dibandingkan dengan SD:

OR = e () =e (2,351) = 10,500

Artinya: ibu berpendidikan SMP mempunyai peluang 10,500 kali mempunyai anak tidak DBD
dibanding ibu berpendidikan SD
SMA dibandingkan dengan SD
 = -2,197
 = 3,807
Z =  + 1X1  Z = -2,197+3.807 pendidikan_ibu(2)

Uji hipotesis:
Ho : Tidak ada hubungan antara pendidikan (2) dengan kejadian DBD
Ha : Ada hubungan antara pendidikan (2) dengan kejadian DBD
Pada hasil analisis regresi logistik diperoleh p-value = 0,012
Karena p-value <  (0,05) maka Ho ditolak
OR pendidikan (2) dibandingkan dengan SD:
Kesimpulannya: Ada hubungan antara pendidikan(2) dengan kejadian DBD

OR = e () =e (3,807) = 45,000

Artinya: SMA mempunyai peluang 45 kali untuk mempunyai anak yang tidak mengalami dBD
dibanding ibu berpendidikan SD