MAKALAH

PEMODELAN

Model Regresi logistik (Logistic Regression)

Oleh :
Fildza Nadhila
05021382025070

PROGRAM STUDI TEKNIK PERTANIAN

JURUSAN TEKNOLOGI PERTANIAN
FAKULTAS PERTANIAN
UNIVERSITAS SRIWIJAYA
PALEMBANG
2023
 KATA PENGANTAR

Puji syukur penulis panjatkan ke hadirat Allah SWT yang telah melimpahkan
rahmat dan hidayah-Nya sehingga penulis bisa menyelesaikan makalah ini dengan
baik. Adapun pengajuan makalah ini ditujukan sebagai pemenuhan tugas Sifat
Optik Pertanian yang merupakan ketentuan kelulusan pada Mata Kuliah
Pemodelan. Dalam penyusunan makalah ini tentunya penulis mengalami beberapa
hambatan, tantangan serta kesulitan, namun karena binaan dan dukungan dari
semua pihak, akhirnya semua hambatan tersebut dapat teratasi.
Tidak lupa juga penulis mengucapkan terima kasih kepada semua pihak yang
telah turut memberikan kontribusi dalam penyusunan makalah ini. Tentunya
makalah ini tidak akan bisa maksimal jika tidak mendapat dukungan dari berbagai
pihak. Oleh karena itu, izinkan penulis mengucapkan rasa terima kasih kepada :
1. Bapak Prof. Dr. Ir. Anis Sagaff, MSCE selaku rektor Universitas Sriwijaya.
2. Bapak Prof. Dr. Ir. Amin Rejo, M. P selaku Dosen Pengampu Mata Kuliah
Pemodelan yang telah meluangkan waktu guna memberikan arahan dan
bimbinganya.
Penulis sadar bahwa makalah yang disusun ini masih belum sempurna dan
masih terdapat kekurangan baik dari penulisan hingga tata bahasa penyampaian
dalam laporan ini. Oleh karena itu, dengan rendah hati penulis memohon kritik dan
saran yang membangun dari pembaca untuk penyempurnaan makalah ini.
Demikian semoga makalah ini bisa diterima sebagai ide atau gagasan yang
menambah kekayaan intelektual serta dapat bermanfaat bagi pembaca dan juga
untuk penulis sendiri.

Palembang, 14 Maret 2023

Fildza Nadhila

i
 DAFTAR ISI

Kata Pengantar ................................................................................................. i

Daftar Isi........................................................................................................... ii
BAB I PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Tujuan........................................................................................................ 2
BAB II TINJAUAN PUSTAKA ...................................................................... 3
2.1 Model Regresi Logistik ............................................................................. 3
2.2 Konsep Model Regresi Logistik................................................................ 3
2.3 Metodelogi Penelitian ............................................................................... 4
2.4 Intepretasi Hasil ........................................................................................ 5
2.5 Aplikasi Model Regresi Logistik .............................................................. 7
2.6 Kelebihan dan Keterbatasan Model Regresi Logistik ............................... 8
BAB III PENUTUP ......................................................................................... 10
3.1 Kesimpulan ............................................................................................... 10
3.2 Saran .......................................................................................................... 10
DAFTAR PUSTAKA ....................................................................................... 11

ii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Sektor pertanian merupakan sektor yang penting bagi perekonomian
Indonesia karena sebagian besar penduduk masih bergantung pada sektor ini
sebagai sumber penghasilan utama. Namun, sektor pertanian Indonesia masih
dihadapkan pada berbagai tantangan, termasuk rendahnya produktivitas dan
kualitas produk pertanian serta kondisi alam yang tidak selalu mendukung.
Faktor risiko dalam pertanian, seperti serangan hama dan penyakit pada
tanaman atau hewan ternak, serta kondisi lingkungan seperti iklim dan jenis tanah,
dapat mempengaruhi produktivitas dan kualitas produk pertanian, dan
menyebabkan kerugian yang besar bagi petani dan berdampak pada ketahanan
pangan nasional.
Analisis risiko dan prediksi kejadian suatu kondisi pada sistem pertanian
dapat membantu mengurangi risiko tersebut. Salah satu metode analisis yang dapat
digunakan adalah Model Regresi Logistik, yang memodelkan hubungan antara
variabel independen dan variabel dependen biner.
Dalam konteks pertanian, model regresi logistik dapat digunakan untuk
memprediksi kejadian atau kondisi biner pada tanaman, hewan ternak, dan sistem
pertanian secara keseluruhan. Misalnya, model regresi logistik dapat digunakan
untuk memprediksi risiko serangan hama pada tanaman cabai, risiko terkena
penyakit kerdil pada tanaman karet, atau risiko terkena serangan hama pada
tanaman padi.
Melalui Model Regresi Logistik, petani dan peneliti dapat mengidentifikasi
faktor-faktor risiko yang mempengaruhi kejadian suatu kondisi pada sistem
pertanian. Selain itu, model regresi logistik juga dapat membantu petani dan peneliti
dalam mengambil tindakan preventif atau intervensi yang tepat untuk mengurangi
risiko terjadinya kondisi yang tidak diinginkan pada sistem pertanian.
Sebagai contoh, penelitian di Kabupaten Blitar, Jawa Timur, menggunakan
model regresi logistik untuk memprediksi risiko serangan hama pada tanaman
cabai. Hasil penelitian menunjukkan bahwa faktor-faktor seperti pH tanah,

1 Universitas Sriwijaya
kedalaman tanah, dan penggunaan pupuk memiliki pengaruh signifikan terhadap
risiko serangan hama pada tanaman cabai. Dengan demikian, petani dapat
menggunakan informasi ini untuk mengoptimalkan penggunaan pupuk dan
menjaga kualitas tanah agar risiko serangan hama dapat diminimalkan.
Dalam upaya meningkatkan produktivitas dan keberlanjutan sistem
pertanian, model regresi logistik menjadi salah satu metode analisis yang penting
untuk digunakan dalam penelitian dan praktik pertanian. Pemahaman tentang
model regresi logistik dan kemampuan untuk menerapkannya dalam bidang
pertanian menjadi hal yang penting bagi petani dan peneliti di Indonesia untuk
mengatasi tantangan yang dihadapi oleh sektor pertanian.

1.2 Tujuan
Tujuan dari penggunaan Model Regresi Logistik adalah :
1. Untuk memberikan pemahaman yang lebih mendalam tentang Model
Regresi Logistik.
2. Untuk memperoleh pemahaman yang lebih baik tentang bagaimana metode
ini dapat digunakan dalam analisis data dan bagaimana cara menghitung
koefisien regresi yang tepat.
3. Untuk menghitung dan memperoleh koefisien regresi yang tepat.

2 Universitas Sriwijaya
 BAB II
TINJAUAN PUSTAKA

2.1 Model Regresi Logistik

Model regresi logistik adalah salah satu jenis model regresi yang digunakan
untuk memprediksi kemungkinan suatu kejadian terjadi (yaitu variabel dependen
biner) berdasarkan satu atau lebih variabel independen. Model ini sering digunakan
dalam berbagai bidang seperti kesehatan, ilmu sosial, ekonomi, dan teknik. Model
regresi logistik merupakan pengembangan dari model regresi linear, dengan tujuan
untuk memodelkan probabilitas kejadian biner sebagai fungsi dari satu atau
beberapa variabel independen. Model ini menggunakan fungsi logit sebagai fungsi
link antara variabel dependen biner dan variabel independen.
Regresi logistik adalah suatu metode analisis statistika yang
mendiskripsikan hubungan antara peubah terikat yang memiliki dua kayegori atau
lebih peubah bebas berskala kategori atau interval. Regresi logistik adalah model
regresi yang menggambarkan hubungan antara variabel bebas dengan variabel
terikat biner yaitu variabel yang diasumsikan mempunyai 2 nilai (0 atau 1) yang
seringkali diartikan gagal atau sukses (Yusuf et al., 2020). Regresi logistik
merupakan regresi nonlinear, digunakan untuk menjelaskan hubungan antara X dan
Y yang bersifat tidak linear, ketidak normalan sebaran Y, keragaman respon tidak
konstan yang tidak dapat dijelaskan dengan model linear biasa. Apabila dilakukan
uji regresi logistik dengan asumsi regresi klasik maka akan terjadi bias dari penduga
semula (Safitri et al., 2019).

2.2 Konsep Model Regresi Logistik

Model regresi logistik adalah model statistik yang digunakan untuk
memprediksi nilai probabilitas kejadian biner (bernilai 0 atau 1) berdasarkan
variabel-variabel independen yang terkait. Contoh kejadian biner pada model
regresi logistik di bidang pertanian dapat berupa tanaman yang tumbuh dengan baik
(sukses) atau tidak tumbuh sama sekali (gagal) pada suatu lahan tertentu. Model
regresi logistik menggunakan fungsi logit sebagai fungsi link yang menghubungkan
variabel dependen biner dan variabel independen. Fungsi ini mengubah nilai

3 Universitas Sriwijaya
probabilitas kejadian biner menjadi skala logit (logarithmic odds ratio) yang dapat
diinterpretasikan secara statistik.
Model regresi logistik dapat menggunakan satu atau beberapa variabel
independen dalam memprediksi nilai probabilitas kejadian biner. Variabel
independen yang digunakan dapat berupa variabel kuantitatif, seperti ketersediaan
air, nutrisi tanah, atau suhu lingkungan, maupun variabel kategorikal, seperti jenis
tanaman atau jenis pakan pada peternakan.
Model regresi logistik berbeda dari model regresi linear karena model
regresi linear hanya dapat memprediksi nilai variabel dependen yang kontinu,
sedangkan model regresi logistik dapat memprediksi nilai probabilitas kejadian
biner. Selain itu, model regresi logistik juga dapat mengatasi masalah
heteroskedastisitas, yaitu ketidakseimbangan variansi pada variabel dependen yang
terjadi pada model regresi linear.

2.3 Metodelogi Penelitian

Metodologi penelitian dalam membuat model regresi logistik sangat penting
untuk memastikan validitas dan reliabilitas model yang dibuat. Beberapa tahapan
metodologi penelitian yang dapat dilakukan antara lain:
1. Pemilihan variabel dependen dan independent
Variabel dependen adalah variabel yang akan diprediksi atau dijelaskan oleh
model regresi logistik, sedangkan variabel independen adalah variabel yang
digunakan untuk menjelaskan variasi pada variabel dependen. Pemilihan
variabel dependen dan independen yang tepat sangat penting dalam
membuat model regresi logistik yang akurat dan valid. Sebagai contoh,
dalam penelitian tentang prediksi keberhasilan panen padi, variabel
dependen dapat berupa keberhasilan panen (berhasil/gagal), sedangkan
variabel independen dapat berupa jenis varietas, jenis pupuk, dan iklim.
2. Pengumpulan data
Data yang dikumpulkan harus sesuai dengan variabel dependen dan
independen yang telah dipilih. Pengumpulan data dapat dilakukan melalui
survei lapangan, pengukuran langsung, atau sumber data lainnya yang
terpercaya.

4 Universitas Sriwijaya
 3. Pemilihan model
Ada beberapa jenis model regresi logistik yang dapat digunakan, seperti
model regresi logistik biner, multinomial, dan ordinal. Pemilihan model
yang tepat tergantung pada jenis variabel dependen yang digunakan.
4. Analisis data
Data yang telah dikumpulkan dan dimasukkan ke dalam model regresi
logistik perlu dianalisis untuk mengetahui pengaruh variabel independen
terhadap variabel dependen. Analisis dapat dilakukan menggunakan
program statistik seperti SPSS atau R.
Sebagai contoh, seorang peneliti di bidang pertanian ingin memahami
faktor-faktor yang mempengaruhi keberhasilan panen padi. Ia memilih variabel
dependen "keberhasilan panen padi" yang diukur sebagai keberhasilan panen
dengan nilai 1 jika berhasil dan 0 jika gagal. Data dapat dikumpulkan melalui survei
lapangan dengan menanyakan jenis varietas yang digunakan, jenis pupuk, dan
kondisi iklim pada saat tanam. Kemudian data tersebut dimasukkan ke dalam model
regresi logistik biner untuk mengetahui pengaruh variabel independen terhadap
keberhasilan panen (berhasil/gagal). Variabel independen yang dipilih adalah jenis
pupuk, jenis benih, dan jumlah air yang diberikan pada tanaman. Data dikumpulkan
dari 100 petani yang menerapkan teknik budidaya yang sama. Data kemudian
dianalisis menggunakan model regresi logistik untuk memahami faktor-faktor yang
mempengaruhi keberhasilan panen padi. Hasil analisis dapat memberikan informasi
penting tentang faktor-faktor yang berkontribusi terhadap keberhasilan panen padi
dan dapat digunakan untuk mengembangkan strategi yang lebih efektif dalam
meningkatkan produksi pertanian.

2.4 Interpretasi Hasil

Interpretasi hasil Model Regresi Logistik sangat penting dalam memahami
hubungan antara variabel independen dan variabel dependen biner. Berikut adalah
beberapa poin penting dalam interpretasi hasil Model Regresi Logistik:
1. Signifikansi Variabel Independen
Setiap variabel independen yang dimasukkan dalam Model Regresi Logistik
harus memiliki tingkat signifikansi yang tinggi (biasanya p-value < 0,05)
untuk dianggap berpengaruh pada variabel dependen. Jika variabel

5 Universitas Sriwijaya
 independen tidak signifikan, maka variabel tersebut tidak dapat dianggap
memiliki pengaruh yang signifikan terhadap variabel dependen.
2. Koefisien Regresi
Koefisien regresi menunjukkan besarnya pengaruh variabel independen
terhadap variabel dependen dalam bentuk logit. Semakin besar koefisien
regresi, semakin besar pengaruh variabel independen terhadap variabel
dependen. Koefisien regresi positif menunjukkan bahwa variabel
independen berpengaruh positif pada variabel dependen, sementara
koefisien regresi negatif menunjukkan bahwa variabel independen
berpengaruh negatif pada variabel dependen.
3. Odds Ratio
Odds ratio adalah rasio antara probabilitas kejadian sukses (1) dibandingkan
dengan probabilitas kejadian gagal (0) pada kelompok dengan nilai tertentu
pada variabel independen dibandingkan dengan kelompok referensi
(biasanya kelompok dengan nilai 0 pada variabel independen). Jika odds
ratio lebih besar dari 1, maka variabel independen memiliki pengaruh positif
terhadap variabel dependen, sementara jika odds ratio kurang dari 1, maka
variabel independen memiliki pengaruh negatif terhadap variabel dependen.
Dalam model regresi logistik, interpretasi hasil penting untuk memahami
pengaruh variabel independen pada variabel dependen. Hasil analisis menunjukkan
bahwa jenis pupuk berpengaruh signifikan terhadap keberhasilan panen padi,
dengan koefisien regresi sebesar 0,89 dan nilai p < 0,05. Ini berarti bahwa jika
petani menggunakan jenis pupuk tertentu, maka kemungkinan keberhasilan panen
padi meningkat sebesar 89%. Selain itu, odds ratio untuk jenis pupuk adalah 2,43,
yang berarti petani yang menggunakan jenis pupuk tersebut memiliki kemungkinan
2,43 kali lebih besar untuk berhasil panen daripada petani yang tidak
menggunakannya.
Dari hasil analisis juga ditemukan bahwa jenis benih dan jumlah air yang
diberikan tidak berpengaruh signifikan pada keberhasilan panen padi, dengan nilai
p > 0,05. Hal ini menunjukkan bahwa penggunaan jenis benih atau jumlah air yang
lebih banyak tidak akan meningkatkan kemungkinan keberhasilan panen padi

6 Universitas Sriwijaya
secara signifikan. Oleh karena itu, petani disarankan untuk memilih jenis pupuk
yang tepat untuk meningkatkan peluang keberhasilan panen padi.

2.5 Aplikasi Model Regresi Logistik

Model Regresi Logistik memiliki banyak aplikasi di bidang pertanian, salah
satunya adalah dalam analisis faktor-faktor yang mempengaruhi keberhasilan usaha
pertanian. Sebagai contoh, sebuah studi tentang faktor-faktor yang mempengaruhi
keberhasilan petani dalam memproduksi tanaman padi di suatu daerah dapat
menggunakan model regresi logistik. Model regresi logistik dapat digunakan untuk
memodelkan probabilitas kegagalan panen sebagai fungsi dari variabel independen
seperti kelembaban tanah, pH tanah, dan tingkat cahaya matahari.
Dalam studi ini, variabel dependen bisa berupa variabel biner seperti
keberhasilan atau kegagalan produksi padi. Sedangkan variabel independen bisa
berupa faktor-faktor yang mempengaruhi produksi padi, seperti jenis pupuk yang
digunakan, jenis bibit yang ditanam, jumlah air yang diperlukan, dan lain
sebagainya. Dengan menggunakan model regresi logistik, peneliti dapat
menganalisis seberapa besar pengaruh setiap faktor terhadap keberhasilan produksi
padi dan dapat memperkirakan probabilitas keberhasilan produksi padi dengan
memasukkan nilai-nilai variabel independen ke dalam model.
Contoh lain aplikasi model regresi logistik di bidang pertanian adalah dalam
analisis faktor-faktor yang mempengaruhi keberhasilan usaha peternakan. Sebagai
contoh, sebuah studi tentang faktor-faktor yang mempengaruhi keberhasilan
peternak dalam memproduksi daging sapi dapat menggunakan model regresi
logistik. Dalam studi ini, variabel dependen bisa berupa variabel biner seperti
keberhasilan atau kegagalan produksi daging sapi. Sedangkan variabel independen
bisa berupa faktor-faktor yang mempengaruhi produk.
Sebagai contoh, hasil analisis model regresi logistik dapat menunjukkan
bahwa kelembaban tanah dan tingkat cahaya matahari memiliki pengaruh yang
signifikan terhadap probabilitas kegagalan panen padi. Hal ini dapat
diinterpretasikan sebagai perluasan pengairan dan pengaturan tingkat naungan yang
tepat sebagai strategi pengelolaan tanaman untuk meminimalkan risiko kegagalan
panen.

7 Universitas Sriwijaya
2.6 Kelebihan dan Keterbatasan Model Regresi Logistik
1. Kelebihan Model Regresi Logistik
a. Model regresi logistik dapat digunakan untuk memodelkan variabel
dependen biner, sehingga cocok untuk menganalisis data dengan
variabel kategori seperti sukses/gagal, hidup/mati, atau ya/tidak.
b. Model regresi logistik dapat menghasilkan hasil yang lebih mudah
diinterpretasikan daripada model regresi lainnya seperti regresi linear.
c. Model regresi logistik dapat mengestimasi probabilitas kejadian
variabel dependen biner yang terjadi, sehingga dapat membantu dalam
membuat keputusan dan perencanaan.
2. Keterbatasan Model Regresi Logistik
a. Model regresi logistik hanya cocok untuk memodelkan variabel
dependen biner dan tidak dapat digunakan untuk memodelkan variabel
dependen yang kontinu.
b. Model regresi logistik mengasumsikan hubungan linear antara variabel
independen dan logit dari variabel dependen, sehingga model tidak
dapat menangkap hubungan non-linear antara variabel independen dan
variabel dependen.
c. Model regresi logistik dapat terpengaruh oleh adanya variabel lain yang
tidak termasuk dalam model, sehingga dapat menghasilkan estimasi
yang bias.
Ada beberapa cara untuk meminimalkan bias dan kesalahan dalam analisis
data pada model regresi logistik:
1. Memilih variabel yang relevan
Memilih variabel yang relevan dan signifikan secara statistik dalam
mempengaruhi variabel dependen dapat meminimalkan bias dan kesalahan
dalam analisis data.
2. Memperbaiki kualitas data
Kualitas data yang buruk dapat memengaruhi hasil analisis. Sebelum
melakukan analisis, pastikan data yang digunakan berkualitas baik dan
valid.

8 Universitas Sriwijaya
 3. Menjaga ukuran sampel yang memadai
Ukuran sampel yang kecil dapat menyebabkan bias dan kesalahan dalam
analisis data. Pastikan sampel yang digunakan memadai untuk
meminimalkan kesalahan tersebut.
4. Menghindari multikolinearitas
Multikolinearitas terjadi ketika variabel independen saling berkaitan erat.
Hal ini dapat memengaruhi akurasi model dan menghasilkan koefisien
regresi yang tidak valid. Menghindari variabel independen yang memiliki
multikolinearitas dapat meminimalkan kesalahan dalam analisis data.
5. Melakukan validasi model
Validasi model dapat membantu mengukur sejauh mana model dapat
memprediksi hasil yang akurat. Melakukan validasi model dapat
meminimalkan bias dan kesalahan dalam analisis data.
Dengan memperhatikan faktor-faktor di atas, maka dapat meminimalkan
bias dan kesalahan dalam analisis data pada model regresi logistik.

9 Universitas Sriwijaya
 BAB III

PENUTUP

3.1 Kesimpulan
Dalam bidang pertanian, Model Regresi Logistik telah digunakan untuk
memprediksi berbagai kejadian biner, seperti tingkat kesuburan tanah, keberhasilan
panen, dan kualitas hasil panen. Penggunaan model ini dapat membantu petani
untuk membuat keputusan yang lebih tepat dalam manajemen pertanian dan
memaksimalkan hasil produksi.
Model Regresi Logistik adalah metode statistik yang kuat dan berguna
untuk memodelkan hubungan antara variabel independen dan dependen biner.
Keuntungan dari model ini meliputi kemampuan untuk memprediksi probabilitas
kejadian biner, mudah diinterpretasikan, dan dapat digunakan untuk
mengidentifikasi faktor-faktor yang mempengaruhi kejadian biner. Namun, seperti
metode statistik lainnya, model ini juga memiliki keterbatasan, seperti kepekaan
terhadap variabel yang tidak diamati dan risiko overfitting.

3.2 Saran
Dalam penggunaan Model Regresi Logistik di bidang pertanian, diperlukan
pemilihan variabel yang tepat untuk meminimalkan bias dan kesalahan dalam
analisis data. Selain itu, pengumpulan data yang akurat dan representatif sangat
penting untuk memastikan hasil analisis yang akurat dan dapat diandalkan. Lebih
lanjut, penelitian lebih lanjut dapat dilakukan untuk memperbaiki model dan
mengevaluasi keefektifannya dalam berbagai kondisi pertanian yang berbeda.

10 Universitas Sriwijaya
 DAFTAR PUSTAKA

Safitri, A., Sudarmin, S., & Nusrang, M. 2019. Model Regresi Logistik Biner pada
Tingkat Pengangguran Terbuka di Provinsi Sulawesi Barat Tahun 2017.
VARIANSI: Journal of Statistics and Its application on Teaching and
Research, 1(2), 1. https://doi.org/10.35580/variansiunm9354
Yusuf, G. O., Jaya, A. K., & Ilyas, N. 2020. Pemodelan Regresi Logistik
Menggunakan Metode Momen Diperumum. ESTIMASI: Journal of
Statistics and Its Application, 1(2), 74.

11 Universitas Sriwijaya