UJI REGRESI ORDINAL

MAKALAH
disusun guna memenuhi tugas mata kuliah
Biostatistika

Oleh Kelompok 1 :
Siti Noer Hotimatul Janna (222520102001)
Meysa Putri Genessy (222520102002)
Muhammad Elvinsyah Zidane (222520102004)
Kristina Mayasari (222520102007)
Bambang Ilamto (222520102009)
Andi Hilman Imtiyaz (222520102010)
Annisa Fitri Nur Laili (222520102011)
Ilham Mulia Sandi (222520102012)
Yudhistiro Angga Kurniawan (222520102017)

PROGRAM STUDI MAGISTER ILMU KESEHATAN MASYARAKAT

PASCASARJANA UNIVERSITAS JEMBER
2022
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT atas segala rahmat dan hidayah-Nya
sehingga Penulis dapat menyelesaikan tugas makalah yang berjudul “UJI
REGRESI ORDINAL”. Makalah ini dibuat untuk memenuhi tugas dari mata
kuliah Biostatistika.
Penulisan makalah ini tidak lepas dari bantuan berbagai pihak. Oleh karena
itu, kami ingin mengucapkan terimakasih kepada Prof. Dr. Drg. Ristya Widi
Endah Yuni, M.Kes., yang telah memberikan tugas makalah ini sehingga kami
dapat belajar hal baru dan memahami cara penerapan serta konsep uji regresi
linier berganda.
Kami menyadari bahwa di dunia ini tidak ada yang sempurna. Sama
halnya dengan Makalah ini, masih jauh dari kata sempurna. Oleh karena itu, kami
juga mengharapkan saran dan kritik dari para pembaca sehingga kami dapat
mengembangkan Makalah ini menjadi lebih baik lagi. Semoga hasil dari Makalah
ini dapat memberikan sumbang pikir yang positif bagi pengembangan dan
peningkatan kualitas sumber daya manusia di Indonesia.

Jember, November 2022

Penulis

ii
 DAFTAR ISI

HALAMAN JUDUL...............................................................................................i
KATA PENGANTAR............................................................................................ii
DAFTAR ISI.........................................................................................................iii
DAFTAR GAMBAR.............................................................................................iv
BAB 1. PENDAHULUAN.....................................................................................1
1.1 Latar Belakang......................................................................................1
1.2 Rumusan Masalah.................................................................................2
1.3 Tujuan....................................................................................................2
BAB 2. PEMBAHASAN........................................................................................3
2.1 Regresi Ordinal......................................................................................3
2.2 Syarat Uji Regresi Ordinal...................................................................3
2.3 Jenis Uji Regresi Ordinal......................................................................5
2.4 Contoh Kasus Regresi Ordinal.............................................................5
BAB 3. PENUTUP................................................................................................13
DAFTAR PUSTAKA...........................................................................................14

iii
 DAFTAR GAMBAR

Gambar 2.1 Memilih Menu Regresi Ordinal...........................................................6

Gambar 2.2 Menu Regresi Ordinal..........................................................................6
Gambar 2.3 Memilih Link untuk Model Regresi.....................................................7
Gambar 2.4 Menu Chart Builder..............................................................................7
Gambar 2.5 Memasukkan Diagram Bar..................................................................8
Gambar 2.6 Mengidentifikasikan X-Axis................................................................8
Gambar 2.7 Diagram Batang atau Bar.....................................................................9
Gambar 2.8 Memilih Link Cahuchit untuk Model Regresi.....................................9
Gambar 2.9 Ordinal Regression Output.................................................................10
Gambar 2.10 Output Warnings..............................................................................10
Gambar 2.11 Output Model Fitting Information...................................................10
Gambar 2.12 Output Goodness of fit.....................................................................11
Gambar 2.13 Output Pseudo R-Square..................................................................11
Gambar 2.14 Output Parameter Estimates.............................................................11
Gambar 2.15 Output Test of Parallel Lines...........................................................12

iv
 BAB 1. PENDAHULUAN

1.1 Latar Belakang

Regresi mempelajari persamaan estimasi yaitu rumus matematika yang
menghubungkan variabel yang diketahui dengan yang tidak diketahui, kemudian
diaplikasikan kepada analisis korelasi untuk mengetahui tingkatan dimana
variabel tersebut berhubungan. Apabila dalam korelasi, variabel tergantung dan
bebas memiliki hubungan simetris dan dicari arah kuatnya hubungan
antarvariabel. Regresi sendiri adalah ilmu mengenai ketergantungan variabel satu
terhadap variabel yang lain. Analisis regresi berkaitan dengan ketergantungan/
dependensi variabel satu dengan lainnya tanpa menyiratkan hubungan sebab
akibat (Sarwono, 2013). Regresi juga bisa disebut sebagai uji pengaruh (Sarwoko,
2016).
Analisis regresi didalamnya terdapat hubungan asimetri antara variabel
tergantung dimana mempunyai distribusi probabilitas dan variabel bebas yang
mempunyai nilai-nilai tetap prediktornya juga untuk mengukur seberapa jauh
perubahan nilai varabel apabila dilakukan manipulasi (dinaik turunkan) pada
variabel lain. Misalnya, naiknya IP mahasiswa (y) dapat dilakukan dengan
menaikkan nilai UTS dan UAS (x) atau tidak (Kurniawan and Yuniarto, 2017).
Tujuan uji regresi adalah membuat estimasi rata-rata nilai variabel tergantung
dengan nilai variabel bebas.
Analisis regresi adalah metode analisis yang sangat populer dikalangan
mahasiswa untuk keperluan penelitian. Analisis ini digunakan untuk membuat
suatu persamaan yang kelak diharapkan dapat membantu pihak-pihak yang
membutuhkan dalam memprediksi nilai variabel terikat dari variabel-variabel
bebas di dalam persamaan tersebut. Keunggulan analisis regresi ini sendiri adalah
kemampuannya dalam meramalkan atau mempresdiksi nilai variabel terikatnya
(Yudiaatmaja, 2013).
Jenis regresi terbagi menjadi 2 yaitu regresi linier dan regresi berganda.
Regresi linier adalah regresi yang menganalisis satu variabel independen dan satu
variabel dependen dengan persamaan Y = a + β 1X1 (Mulyono, 2017). Sedangkan

1
 2

regresi berganda adalah model regresi atau prediksi yang melibatkan lebih dari
satu variabel bebas atau prediktor.
Regresi ordinal adalah salah satu dari berbagai jenis analisis yang khusus
digunakan jika variabel dependen adalah data berskala kategorik bertingkat.
Istilah kategori bertingkat juga biasa disebut dengan istilah ordinal atau ranking
Ordinal atau ranking adalah salah satu jenis skala data yang mempunyai ciri
kategorik namun tiap kategorik yang ada terdapat perbedaan derajat, dimana ada
yang lebih baik atau buruk dan tinggi atau rendah (Purnomo, 2016). Contohnya
adalah tingkat pengetahuan seseorang, dimana ada kategorik tingkat pengetahuan
rendah, pengetahuan sedang dan pengetahuan tinggi. Contoh lain adalah pecandu
alkohol berat, sedang dan ringan. Makalah ini selanjutnya akan menjelaskan
mengenai regresi logistik dan regresi ordinal ditinjau dari pengertian, syarat –
syarat ujinya dan contoh kasusnya

1.2 Rumusan Masalah

a. Apa yang dimaksud regresi ordinal?
b. Bagaimana syarat-syarat regresi ordinal?
c. Bagaimana contoh penerapan kasus menggunakan analisis regresi ordinal?

1.3 Tujuan
a. Mengetahui analisis regresi ordinal.
b. Mengetahui syarat-syarat analisis regresi ordinal.
c. Mengetahui contoh penerapan kasus menggunakan analisis regresi ordinal.
 BAB 2. PEMBAHASAN

2.1 Regresi Ordinal

Regresi ordinal adalah salah satu dari berbagai jenis analisis yang khusus
digunakan jika variabel dependen adalah data berskala kategorik bertingkat.
Istilah kategori bertingkat juga biasa disebut dengan istilah ordinal atau ranking.
Ordinal atau ranking adalah salah satu jenis skala data yang mempunyai ciri
kategorik namun tiap kategorik yang ada terdapat perbedaan derajat, dimana ada
yang lebih baik atau buruk dan tinggi atau rendah. Contohnya adalah tingkat
pengetahuan seseorang, dimana ada kategorik tingkat pengetahuan rendah,
pengetahuan sedang, dan pengetahuan tinggi. Contoh lain adalah pecandu alkohol
berat, sedang, dan ringan (Machali, 2015).

2.2 Syarat Uji Regresi Ordinal

Regresi ordinal mensyaratkan skala data variabel terikat adalah ordinal dan
skala data variabel bebas boleh kategorik ataupun kuantitatif (numerik). Variabel
bebas kategorik dalam regresi ordinal disebut dengan istilah faktor. Sedangkan
variabel bebas numerik disebut dengan istilah covariate. Jika skala data sudah
sesuai dengan petunjuk di atas, selanjutnya kita bahas perihal prinsip regresi
ordinal. Prinsip yang digunakan dalam regresi ordinal adalah prinsip general least
square (Purnomo, 2015). Prinsip general least square yaitu metode pemodelan
yang memprediksikan probabilitas kumulatif dari tiap kategori yang ada. Contoh
probabilitas kumulatif yaitu:
a. Sebagai seseorang dengan pengetahuan rendah, kemungkinan atau
probabilitasnya adalah 0,5.
b. Sebagai seseorang dengan pengetahuan sedang, probabilitasnya adalah 0,3.
c. Sebagai seseorang dengan pengetahuan tinggi, probabilitasnya adalah 0,2.
Sehingga dari contoh di atas, maka nilai probabilitas kumulatif jika dihitung
adalah:
a. Sebagai seseorang dengan pengetahuan rendah, probabilitas kumulatifnya
adalah 0,5.

3
 4

b. Sebagai seseorang dengan pengetahuan rendah atau sedang, probabilitas

kumulatifnya adalah 0,5 + 0,3 = 0,8.
c. Sebagai seseorang dengan pengetahuan rendah atau sedang atau tinggi,
probabilitas kumulatifnya adalah 0,5 + 0,3 + 0,2 = 1.
Dari simulasi tersebut dapat dipahami bahwa regresi ordinal dapat
memberikan jawaban, seberapa besar kemungkinan seseorang memiliki
pengetahuan rendah? Jawabannya yaitu sebesar 0,5. Lebih lanjut, seberapa besar
kemungkinan seseorang memiliki pengetahuan rendah atau sedang? Jawabannya
0,8. Pertanyaan terakhir tidak perlu dipertanyakan karena pertanyaannya akan
menjadi seberapa besar kemungkinan seorang memiliki pengetahuan rendah atau
sedang atau tinggi? Jawabannya sudah pasti 1. Dalam implikasinya, regresi
ordinal hanya akan memberikan persamaan untuk memprediksi seberapa besar
kemungkinan seseorang memiliki pengetahuan rendah, pengetahuan rendah atau
sedang, dan pengetahuan rendah atau sedang atau tinggi. Sehingga dengan
penjelasan di atas, kita pahami pula bahwa regresi ini tidak membentuk model
persamaan yang dapat memprediksi seberapa besarnya seseorang memiliki
pengetahuan rendah, atau sedang, atau ringan (Sarwono, 2013).
Regresi data bertingkat atau ordinal menggunakan skala data ordinal pada
variabel terikat. Sedangkan regresi linear menggunakan skala data variabel terikat
adalah data numerik (interval/rasio). Regresi logistik menggunakan skala data
variabel terikat adalah nominal dikotomi (nominal 2 kategori) (Suyono, 2015).
Regresi multinomial skala data variabel terikat adalah nominal lebih dari 2
kategori. Pada regresi linear membutuhkan beberapa uji asumsi klasik yaitu uji
normalitas, uji heteroskedastisitas, uji multikolinearitas, uji autokorelasi, uji
linearitas, uji outlier baik univariat maupun multivariat. Sedangkat pada uji regresi
ordinal, tidak dibutuhkan adanya syarat atau asumsi klasik. Sehingga uji-uji syarat
di atas tidak perlu dilakukan dan juga tidak relevan untuk dilakukan. Namun perlu
dipahami bahwa uji regresi linear karena menggunakan skala data interval atau
rasio dan termasuk dalam jenis uji parametris, maka informasi yang diberikan
jauh lebih banyak (Supangat, 2010).
 5

2.3 Jenis Uji Regresi Ordinal

Regresi ordinal mempunyai beberapa teknik perhitungan yang mana pada
SPSS disebut dengan istilah Option Link. Semua jenis atau option link ini dipilih
dengan menyesuaikan distribusi data yang ada. Jenis tersebut antara lain
(Sarwono, 2017):
a. Logit dengan persamaan: f(x) = log(x/(1-x)). Jenis ini digunakan pada
sebagian besar distribusi data. Maka aplikasi SPSS secara default atau
bawaan aslinya menggunakan option link jenis Logit ini.
b. Negative Log-log dengan persamaan f(x) = -log(-log(x)). Jenis ini
digunakan apabila data mempunyai kecenderungan bernilai rendah.
c. Complementary Log-log dengan persamaan f(x) = log(-log(1-x)). Jenis ini
digunakan apabila data mempunyai kecenderungan bernilai tinggi.
d. Cauchit (Inverse Cauchy) dengan persamaan f(x) = tan(Phi(x-0,5)). Jenis ini
digunakan apabila variabel latent mempunyai nilai yang ekstrim.
e. Probit dengan persamaan f(x) = O-1 (x) dengan O-1 adalah fungsi inverse
distribusi kumulatif standar normal. Jenis ini digunakan apabila variabel
latent terdistribusi secara normal.

2.4 Contoh Kasus Regresi Ordinal

Contoh kasus : Seorang manajer ingin mengetahui pengaruh Quick Ratio
(QR), Return on Assets (ROA) dan Debt to Equity Ratio (DER) terhadap opini
audit. Dalam hal ini variabel independen terdiri dari Quick Ratio (QR), Return on
Assets (ROA) dan Debt to Equity Ratio (DER) sedangkan variabel dependen (Y)
adalah opini audit yang diukur dalam 4 tingkatan yaitu Sangat baik (4), Baik (3),
Tidak Baik (2) dan Sangat tidak baik (1). Adapun langkah-langkah analisis regresi
ordinal sebagai berikut:
 6

a. Pilih Analyze lalu pilih Regression dan klik pada Ordinal

Gambar 2.1 Memilih Menu Regresi Ordinal

b. Masukan variabel “Opini” ke kotak Dependent. Untuk variabel bebasnya

karena termasuk skala rasio masukkan ke kotak Covariate(s). Jika variabel
bebas juga merupakan skala ordinal, maka harus dimasukkan ke dalam
Factor(s).

Gambar 2.2 Menu Regresi Ordinal

 7

c. Pilih Option maka akan masuk ke Sub Menu Option di mana kita harus
menentukan metode analisis apa yang harus digunakan dalam model kita.

Gambar 2.3 Memilih Link untuk Model Regresi

Di bagian bawah, pada Link, terdapat 5 pilihan yaitu Cauchit,
Complementari Log-log, Logit, Negative Log-log dan Probit. Untuk itu kita
lihat dulu deskriptif dari varibel terikatnya. Kita bisa menggunakan diagram
Batang (bar) atau metode yang lain. Di sini kita akan menggambarkannya
dalam diagram:
1) Pilih Graphs lalu klik pada Chart Builder. Jika muncul jendela pilihan,
klik OK. Maka kita akan masuk ke menu Chart Builder
 8

Gambar 2.4 Menu Chart Builder

2) Arahkan kursor pada bentuk diagram yang akan kita gunakan, kali ini
kita pilih Bar, lalu klik and drag dan letakkan di box kanan atas.

Gambar 2.5 Memasukkan Diagram Bar

3) Pindahkan Variabel Opini dengan klik and drag menjadi X-Axis.
Setelah itu klik OK.
 9

Gambar 2.6 Mengidentifikasikan X-Axis

 10

4) Output diagram bar untuk data opini.

Gambar 2.7 Diagram Batang atau Bar

Tampak bahwa skor Baik (3) mempunyai frekuensi terbanyak. Kita bisa
memilih Cauchit karena mempunyai kecenderungan yang ekstrem. Setelah
kita tentukan Link, klik Continue.

Gambar 2.8 Memilih Link Cahuchit untuk Model Regresi

 11

d. Pilih Output dan klik kotak Predicted category dan Test of parallel lines.
Klik Continue. Lalu klik OK.

Gambar 2.9 Ordinal Regression Output

e. Hasil Output seperti di bawah ini.

Gambar 2.10 Output Warnings

Pada output Warnings, kita tidak usah cemas. Banyak nilai dengan frekuesni
zero (0) bahkan 75%. Ini wajar karena variabel bebas menggunakan skala rasio.
Tentunya tidak semua nilai variabel bebas mempunyai nilai prediksi. Akan tetapi
jika variabel bebas juga menggunakan skala ordinal (Factor) maka nilai zero
cenderung kecil bahkan bisa nol.

Gambar 2.11 Output Model Fitting Information

Pada Model Fitting Information -2 log Likelihood menerangkan bahwa
tanpa memasukkan variabel independen (intercept only) nilainya 149,318. Namun
dengan memasukkan variabel independen ke model (final) terjadi penurunan nilai
menjadi 123,894. Perubahan nilai ini merupakan nilai chi-square yaitu 25,424 dan
 12

Nilai Signifikansi adalah 0,00 < 0,05 yang menunjukan bahwa model telah fit dan
bisa dilanjutkan.

Gambar 2.12 Output Goodness of fit

Tabel Goodness of Fit menunjukkan uji kesesuaian model dengan data dan
juga memberikan hasil yang serupa yaitu signifikansi sebesar 0,049 < 0,05 yang
berarti model yang kita bangun adalah fit.

Gambar 2.13 Output Pseudo R-Square

Tabel Pseudo R-Square menunjukkan bahwa seberapa besar variabel bebas
(QR, ROA, dan DER) mampu menjelaskan variabel independen (opini audit).
Tabel di atas memberikan tiga nilai R Square berdasarkan tiga metode yang
berbeda. Kita dapat menggunakan salah satu saja dan kita pilih Nagelkerke yaitu
sebesar 0,333 atau 33,3% kemampuan variabel bebas dalam menjelaskan varians
variabel independen.

Gambar 2.14 Output Parameter Estimates

Tabel Parameter Estimate dapat digunakan untuk menguji hipotesis atau
melihat variabel mana yang berpengaruh signfikan terhadap variabel terikat.
 13

Perhatikan nilai Wald dan nilai signifikansinya. Variabel nilai QR sebesar 5,933
dengan sig. 0,015 < 0,05; variabel ROA sebesar 4,004 dengan sig. 0,045 < 0,05;
dan variabel DER sebesar 0,010 dengan sig. 0,918 > 0,05. Hal ini menunjukkan
faktor QR dan ROA berpengaruh terhadap opini audit. Berbeda dengan DER yang
menunjukkan tidak signifikan dalam mempengaruhi opini audit.

Gambar 2.15 Output Test of Parallel Lines

Tabel Test of Parallel diharapkan tidak terdapat perbedaan antara variabel
terikat dengan hasil prediksi. Tampak bahwa nilai Signifikansi adalah sebesar
0,061 > 0,05 yang menunjukkan bahwa tidak terdapat perbedaan antara data
dengan nilai prediksi sehingga pemilihan link function adalah sesuai. Ini yang
diharapkan karena jika berbeda maka model kita berarti kurang baik atau
pemilihan link function tidak tepat.
 BAB 3. PENUTUP

Berdasarkan pembahasan yang telah diuraikan, dapat disimpulkan bahwa

regresi ordinal merupakan salah satu jenis model regresi (model prediksi),
menggunakan prinsip general least square, membentuk prediksi probabilitas
kumulatif, jumlah probabilitas kumulatif adalah 1 (satu) atau seratus persen
(100%), skala data variabel terikat harus ordinal, sedangkan skala data variabel
bebas boleh kategorik ataupun numerik.

14
 DAFTAR PUSTAKA

Kurniawan, Robert, and Budi Yuniarto. 2017. Analisis Regresi - Robert

Kurniawan - Google Buku. Jakarta: Prenada Media.
https://books.google.co.id/books?id=KcY-
DwAAQBAJ&printsec=frontcover&dq=regresi+linier+berganda+2015+201
6+2017+2018+2019&hl=id&sa=X&ved=0ahUKEwjXg73tmK_lAhXTinA
KHTkUBV8Q6AEINDAB#v=onepage&q&f=false (October 22, 2019).

Machali, Imam. 2015. STATISTIK ITU MUDAH, Menggunakan SPSS Sebagai

Alat Bantu Statistik. ed. Zainal Arifin. Yogyakarta: Pustaka An Nur.

Mulyono, Sri. 2017. Statistika Untuk Ekonomi Dan Bisnis. Jakarta: Mitra Wacana
Media.

Pramana, S., R. Yoradani, R. Kurniawan, dan B. Yuniarto. 2019. Dasar-Dasar

Statistika Dengan Software R Konsep Dan Aplikasi – Edisi 3. Bogor : In
Media.

Purnomo, Rochmat Aldy. 2016. UNMUH Ponorogo Press Analisis Statistik

Ekonomi Dan Bisnis Dengan SPSS. 1st ed. ed. Puput Cahya Ambarwati.
Ponorogo: WADE Group.

Sarwoko. 2016. Statistika Untuk Ekonomi Dan Bisnis. 2nd ed. ed. Sigit
Suyantoro. Yogyakarta: Andi.

Sarwono, Jonathan. 2013. 12 Jurus Ampuh SPSS Untuk Riset Skripsi - Jonathan
Sarwono - Google Buku. 1st ed. Jakarta: PT Elex Media Komputindo.
https://books.google.co.id/books?
id=Z4ZKDwAAQBAJ&printsec=frontcover&hl=id#v=onepage&q&f=false
(October 22, 2019).

———. 2017. Mengenal Prosedur-Prosedur Populer Dalam SPSS 23. Jakarta:

PT. Elex Media Komputindo. https://books.google.co.id/books?
id=kC5IDwAAQBAJ&pg=PA140&dq=Variabel+tergantung+
%28dependent+variable
%29:+disebut+juga+sebagai+variabel+yang+d&hl=id&sa=X&ved=0ahUK
Ewjkn_3h3LblAhXV6XMBHfj4DxwQ6AEILzAB#v=onepage&q=Variabe
l.

Supangat, Andi. 2010. Statistika Dalam Kajian Deskriptif, Inferensi, Dan

Nonparametrik. 3rd ed. Jakarta: Prenada Media.

Suyono. 2015. Analisis Regresi Untuk Penelitian. 1st ed. Yogyakarta: Deepublish.
https://books.google.co.id/books?

15
 16

id=3vlRDwAAQBAJ&printsec=frontcover&dq=regresi+linier+berganda&h
l=id&sa=X&ved=0ahUKEwjnpu-
7m6_lAhWOb30KHYyEBkAQ6AEINTAC#v=onepage&q&f=false
(October 22, 2019).

Yudiaatmaja, Fridayana. 2013. Analisis Regresi Dengan Menggunakan Aplikasi

Komputer Statistik. Jakarta: PT. Gramedia.
https://books.google.co.id/books?
id=0R5QDwAAQBAJ&printsec=frontcover&dq=regresi&hl=id&sa=X&ve
d=0ahUKEwiSlv-
n1rblAhVggUsFHWGxAAgQ6AEIQjAE#v=onepage&q&f=false.