Nama Kelompok : Gian Binarta Saputera (21611176)

Rio Wahyu Saputra (21611177)

Berliana Astri Pitaloka (21611180)

exp⁡(𝛽 +𝛽1 𝑋)
1. 𝜋(𝑥) = 1+exp⁡(𝛽0
0 +𝛽1 𝑋)

Buktikan bahwa
𝜋(𝑥)
a. 𝑙𝑜𝑔 (1−𝜋(𝑥)) = 𝛽0 + 𝛽1 𝑋

Misal. 𝑧 = 𝛽0 + 𝛽1 𝑋
exp(𝑧)
𝜋(𝑥) 1 + exp(𝑧)
𝑙𝑜𝑔 ( ) = log ( )
1 − 𝜋(𝑥) exp(𝑧)
1−
1 + exp(𝑧)
exp(𝑧)
1+exp(𝑧)
= 𝑙𝑜𝑔 ( 1+exp(𝑧)−exp(𝑧) )
1+exp(𝑧)

exp(𝑧)
1 + exp(𝑧)
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= 𝑙𝑜𝑔 ( )
1
1 + exp(𝑧)
exp(𝑧) 1+exp(𝑧)
= 𝑙𝑜𝑔 (1+exp(𝑧) × )
1

= log(exp(𝑧))
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= ln(exp(𝑧)) = 𝑧 ln(exp) = 𝑧 = 𝛽0 + 𝛽1 𝑋 (Terbukti)
𝑑𝜋
b. = 𝛽1 𝑋(𝜋)[1 − 𝜋(𝑥)]
𝑑𝑥

𝑀𝑖𝑠𝑎𝑙.⁡
𝑢 = exp(𝛽0 + 𝛽1 𝑋) 𝑢′ = 𝛽1 (exp(𝛽0 + 𝛽1 𝑋))
𝑣 = 1 + exp(𝛽0 + 𝛽1 𝑋) 𝑣′ = 𝛽1 (exp(𝛽0 + 𝛽1 𝑋))
𝑑𝜋 𝑢′ 𝑣 − 𝑢𝑣 ′
=
𝑑𝑥 𝑣2
𝑑𝜋 𝛽1 (exp(𝛽0 + 𝛽1 𝑋))(1 + exp(𝛽0 + 𝛽1 𝑋)) − exp(𝛽0 + 𝛽1 𝑋) 𝛽1 (exp(𝛽0 + 𝛽1 𝑋))
=
𝑑𝑥 (1 + exp(𝛽0 + 𝛽1 𝑋))2
𝑑𝜋 𝛽1 (exp(𝛽0 + 𝛽1 𝑋))[(1 + exp(𝛽0 + 𝛽1 𝑋)) − (exp(𝛽0 + 𝛽1 𝑋))]
=
𝑑𝑥 (1 + exp(𝛽0 + 𝛽1 𝑋))2
𝑑𝜋 𝛽1 (exp(𝛽0 + 𝛽1 𝑋))[1]
=
𝑑𝑥 (1 + exp(𝛽0 + 𝛽1 𝑋))2
𝑑𝜋 𝛽1 (exp(𝛽0 + 𝛽1 𝑋))
=
𝑑𝑥 1 + exp(𝛽0 + 𝛽1 𝑋)) × 1 + exp(𝛽0 + 𝛽1 𝑋))
𝑑𝜋
= 𝛽1 𝑋(𝜋)[1 − 𝜋(𝑥)]⁡⁡⁡(𝑇𝑒𝑟𝑏𝑢𝑘𝑡𝑖)
𝑑𝑥
 c. 𝜋(𝑥) = 0.5 , pada −𝛽0 /𝛽1
exp⁡(𝛽 +𝛽1 𝑋) −𝛽0
𝜋(𝑥) = 1+exp⁡(𝛽0 ;𝑥=
0 +𝛽1 𝑋) 𝛽1

−𝛽0
exp⁡ (𝛽0 + 𝛽1 ( ))
𝛽1
𝜋(𝑥) =
−𝛽0
1 + exp⁡ (𝛽0 + 𝛽1 ( ))
𝛽1
exp⁡(0)
𝜋(𝑥) =
1 + exp⁡(0)
1
𝜋(𝑥) =
1+1
1
𝜋(𝑥) = = 0,5⁡⁡⁡(𝑇𝑒𝑟𝑏𝑢𝑘𝑡𝑖)
2

2. Pengamatan pengaruh dosis obat terhadap kesembuhan (X : dosis obat; n: jumlah

pengamatan; Y : jumlah sukses /sembuh)

X n Y
0,1 35 5
0,2 15 3
0,3 45 7
0,4 15 4
0,5 15 5
0,6 10 4
0,7 30 14
0,8 15 8
0,9 30 18
Lakukan analisis dengan menggunakan
model berikut Model 1 : Y = β0 + β1x
Model 2 : P = β0 + β1x dengan P = Y/n
Model 3 : Z = β0 + β1x dengan Z=
ln(P/(1-P))
Model 4 : Model logistik
a. Gunakan software dan bandingkan ke-empat model tersebut.
b. Gambarlah persamaan yang saudara peroleh dari ke empat model
c. Hitunglah untuk masing-masing model
• Prediksi peluang kematian pada x=0,33
• Nilai x sedemikian hingga peluang kematiannya sebesar 0,5
• Nilai x sedemikian hingga peluang kematiannya sebesar 0,75
a. Gunakan software dan bandingkan ke-empat model tersebut.
 Salah satu metrik yang umum digunakan adalah AIC (Akaike Information
Criterion). Semakin kecil nilai AIC, semakin baik model yang dihasilkan.
Dari keempat model diatas kita dapat melihat bahwa dari keempat model (logistic
regression) memiliki AIC terendah (-31.394440) dibandingkan dengan Model 1
(53.2906), Model 3 (-2.5972) dan Model 4 (34.450366), sedangkan Model 2 memiliki
AIC yang paling rendah (-31.394440). Model 2 memiliki nilai yang paling rendah (-
31.3944), yang menunjukkan bahwa model tersebut dapat memberikan penjelasan
yang lebih baik terhadap data dibandingkan dengan model lainnya.
b. Gambarlah persamaan yang saudara peroleh dari ke empat model
 Berdasarkan gambar diatas dapat dilihat penggambaran dari Model 1 hingga Model 4
dengan nilai sebagai berikut:
𝑀𝑜𝑑𝑒𝑙⁡1:⁡𝑌⁡ = ⁡0.8056⁡ + ⁡13.5𝑥
𝑀𝑜𝑑𝑒𝑙⁡2:⁡𝑃⁡ = ⁡0.0456⁡ + ⁡0.5974𝑥
𝑀𝑜𝑑𝑒𝑙⁡3:⁡𝑍⁡ = ⁡ −2.1531⁡ + ⁡2.8451𝑥
𝑀𝑜𝑑𝑒𝑙⁡4:⁡𝑙𝑜𝑔𝑖𝑡(𝑃) ⁡ = ⁡ −2.2608⁡ + ⁡2.9790𝑥
c. Hitunglah untuk masing-masing model
• Prediksi peluang kematian pada x=0,33
• Nilai x sedemikian hingga peluang kematiannya sebesar 0,5
• Nilai x sedemikian hingga peluang kematiannya sebesar 0,75
Dari Output diatas dapat dilihat penjelasan sebagai berikut:
Model 1:
Prediksi peluang kematian pada x = 0.33 adalah 5.260556
Nilai x yang menghasilkan peluang kematian sebesar 0.5 adalah -0.02263374
Nilai x yang menghasilkan peluang kematian sebesar 0.75 adalah -0.004115226

Model 2:
Prediksi peluang kematian pada x = 0.33 adalah 0.2427178
Nilai x yang menghasilkan peluang kematian sebesar 0.5 adalah 0.7607027
Nilai x yang menghasilkan peluang kematian sebesar 0.75 adalah 1.179215

Model 3:
Prediksi peluang kematian pada x = 0.33 adalah -1.21417
Nilai x yang menghasilkan peluang kematian sebesar 0.5 adalah 0.932492
Nilai x yang menghasilkan peluang kematian sebesar 0.75 adalah 1.020361

Model 4:
Prediksi peluang kematian pada x = 0.33 adalah -1.27778
Nilai x yang menghasilkan peluang kematian sebesar 0.5 adalah -2.260836 2.978958
Nilai x yang menghasilkan peluang kematian sebesar 0.75 adalah -1.162224 4.07757
3. Berdasarkan data penelitian terhadap alligator yang meliputi Panjang (meter), jenis
kelamin (1: jantan, 0: betina) dan jenis makanan (I: invertebrate, F: Fish, O: lain-nya).
Lakukan analisis regresi logistik biner untuk mengetahui pengaruh ukuran dan jenis
kelamin terhadap kesukaan jenis makanan invertebrate. Gambarlah persamaan yang
diperoleh. Hitung prediksi proporsi jenis makanan Invertebrata pada alligator jantan
dengan ukuran 2 meter.

Jenis
No Panjang Makanan
Kelamin
1 1,24 1 I
2 1,45 0 I
3 1,63 0 I
4 1,78 1 I
5 1,98 0 I
6 2,36 0 F
7 2,79 0 F
8 3,68 0 O
9 1,3 1 I
10 1,65 0 O
11 1,78 0 I
12 2,03 1 F
13 2,39 1 F
14 2,84 0 F
15 3,71 0 F
16 1,3 0 I
17 1,47 1 I
18 1,65 0 I
19 1,78 1 O
20 2,03 0 F
21 2,41 0 F
22 3,25 0 O
23 3,89 1 F
24 1,32 0 F
25 1,47 0 F
 1,65 1 F
26
27 1,8 0 I
28 2,16 0 F
29 2,44 1 F
30 3,28 0 O
31 1,32 0 F
32 1,5 1 I
33 1,65 0 F
34 1,8 1 F
35 2,26 0 F
36 2,46 0 F
37 3,33 1 F
38 1,4 0 F
39 1,52 0 I
40 1,68 0 F
41 1,85 1 F
42 2,31 0 F
43 2,56 1 O
44 3,56 0 F
45 1,42 0 I
46 1,55 0 I
47 1,7 1 I
48 1,88 0 I
49 2,31 1 F
50 2,67 0 F
51 3,58 1 F
52 1,42 0 F
53 1 0 I
54 1,73 0 O
55 1,93 0 I
56 2,36 0 F
57 2,72 0 I
 58 3,66 1 F

Penyelesaian :

Mendefinisikan Variabel
a. Variabel independen
i. X1 (Jenis Kelamin) dengan kategori : 0 (Betina) dan 1 (Jantan)
ii. X2 (Panjang)
b. Variabel dependen
i. Y(Jenis Makanan) dengan kategori : 0 (Lainnya) dan 1 (Invertebrata)

Membentuk Model Logit

Berdasarkan Output diatas, didapatkan nilai 𝛽0 = -4.222 dan nilai 𝛽1 = 2.539. Dengan
demikian, dapat diperoleh model peluang regresi logistiknya adalah

e"#$𝛽0&𝛽1𝑥1&⋯&𝛽𝑝𝑥𝑝)
𝜋(𝑥) =
*&e"#$𝛽0&𝛽1𝑥1&⋯&𝛽𝑝𝑥𝑝)

exp(−4.222 + 2.539 𝑃𝑎𝑛𝑗𝑎𝑛𝑔)

𝜋(𝑥) =
1 + exp(−4.222 + 2.539 𝑃𝑎𝑛𝑗𝑎𝑛𝑔)

Uji Overall

1. Hipotesis

H0 : 𝛽0 = 𝛽1 = 𝛽2 = 0 (tidak ada pengaruh variabel bebas secara simultan

terhadap variabel tak bebas)
H1 : Minimal ada satu 𝛽𝑖 ≠ 0 (ada pengaruh variabel bebas secara simultan terhadap
 ariabel tak bebas)

2. Tingkat signifikansi

α=5%
3. Daerah kritis

Tolak H0 jika p-value < α

4. Statistika uji

p-value = 0.000

5. Keputusan

Tolak H0 karena p-value = 0.000 < α=0.05

6. Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% data yang ada mendukung untuk
tolak H0. Artinya, ada pengaruh paling sedikit satu variabel bebas terhadap
variabel tak bebas.
Uji Parsial

1. Hipotesis
- Konstanta

H0: β0=0 (Konstanta/ koefisien tidak signifikan mempengaruhi

model)H1: β0≠0 (Konstanta/ koefisien signifikan mempengaruhi

model)

- Koefisien Regresi X2

H0: β2=0 (Koefisien regresi variabel nilai Panjang tidak

signifikan)H1: β2≠0 (Koefisien regresi variabel nilai Panjang

signifikan)

2. Tingkat signifikansi
 α=5%

3. Daerah kritis

Tolak H0 jika p-value < α

4. Statistik uji

Model p-value Tanda α Keputusan

(Constant) 0.004 < 0.05 Tolak H0
Panjang 0.002 < 0.05 Tolak H0

5. Keputusan

Tolak H0 karena p-value = 0.004 < α = 0.05 dan p-value = 0.002 < α = 0.05

6. Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% data yang ada mendukung untuk
tolak H0. Artinya, konstanta dan koefisien regresi variabel panjang signifikan
mempengaruhi model.

Uji Kelayakan Model Regresi

1. Hipotesis
H0: Model sesuai dengan data (model layak)
H1: Model tidak sesuai dengan data (model tidak layak)

2. Tingkat signifikansi

α=5%

3. Daerah kritis

Tolak H0 jika p-value < α

4. Statistik uji
5. Keputusan
Gagal tolak H0 karena p-value = 0.415 > α = 0.05

6. Kesimpulan

Dengan menggunakan tingkat kepercayaan 95% data yang ada mendukung untuk
gagal tolak H0. Artinya, model sesuai dengan data atau model layak digunakan.

Koefisien Determinasi

Seberapa besar variabel independen (X) mampu menjelaskan variabel independen

dalam model (Y). Nilai Nagelkerke R Square adalah 0.382 artinya sebanyak 38.2%.
Hal tersebut menunjukkan bahwa kemampuan variabel independen (Y) dalam
menjelaskan variabel dependen (X) adalah sebesar 38.2%, sedangkan sisanya sebesar
61.8 % dijelaskan oleh faktor lain di luar model.

Prediksi Nilai
Prediksi proporsi jenis makanan invertebrata pada aligator jantan dengan ukuram 2
meter. Jantan merupakan variabel X1 dengan kategori 1 dan nilai Panjang merupakan
variabel X2.
exp(−4.222 + 2.539𝑃𝑎𝑛𝑗𝑎𝑛𝑔)
𝜋(𝑥) =
1 + exp(−4.222 + 2.539𝑃𝑎𝑛𝑗𝑎𝑛𝑔)
exp8−4.222 + 2.539(2)9
𝜋(𝑥) =
1 + exp8−4.222 + 2.539(2)9
 exp(−4.222 + 5.078)
𝜋(𝑥) =
1 + exp(−4.222 + 5.078)
exp(0.856)
𝜋(𝑥) =
1 + exp(0.856)
2.353727
𝜋(𝑥) =
1 + 2.353727
𝜋(𝑥) = 0.7018243

Jadi, peluang jenis makanan invertebrata pada aligator jantan dengan ukuran 2 meter
adalah sebesar 0.7018243