MAKALAH

EKONOMETRIKA

“Regresi Logistik Multinomial"

DISUSUN OLEH :

KELOMPOK 3

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PATTIMURA

AMBON

2022
 DAFTAR ISI
KATA PENGANTAR ........................................................................................................................... II
BAB I ...................................................................................................................................................... 1
PENDAHULUAN ................................................................................................................................. 1
I. 1. Latar Belakang Masalah ...................................................................................................... 1
I. 2. Rumusan Masalah ................................................................................................................ 2
I. 3. Tujuan Penulisan .................................................................................................................. 2
BAB II .................................................................................................................................................... 3
ISI ........................................................................................................................................................... 3
II. 1. Regresi Logistik Multinomial .......................................................................................... 3
II. 2. Asumsi Pada Regresi Logistik Multinomial ................................................................... 5
II. 3. Analisis Menggunakan Regresi Logistik Multinomial .................................................. 6
II. 4. Analisis Regresi Logistik Multinomial Menggunakan SPSS ...................................... 10
BAB III................................................................................................................................................. 17
KESIMPULAN ................................................................................................................................... 17
III. 1. Kesimpulan ...................................................................................................................... 17

I
 KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Mahakuasa karena telah memberikan kesempatan pada
penulis untuk menyelesaikan makalah ini. Atas rahmat dan hidayah-Nya lah penulis dapat
menyelesaikan makalah Ekonometrika yang berjudul “Regresi Logistik Multinomial" ini
tepat waktu. Makalah ini disusun guna memenuhi tugas Mata Kuliah Ekonometrika. Selain
itu, penulis juga berharap agar makalah ini dapat menambah wawasan bagi pembaca
tentang topic yang dimaksud dalam makalah ini.

Penulis mengucapkan terima kasih sebesar-besarnya kepada Ibu Sanlly J. Latupeirissa,

S.Si, M.Si selaku Dosen Ekonometrika. Tugas yang telah diberikan ini dapat menambah
pengetahuan dan wawasan terkait bidang yang ditekuni penulis. Penulis juga
mengucapkan terima kasih pada semua pihak yang telah membantu proses penyusunan
makalah ini.

Penulis menyadari makalah ini masih jauh dari kata sempurna. Oleh karena itu, kritik dan
saran yang membangun akan penulis terima demi kesempurnaan makalah ini.

Ambon, 2022

Tim Penulis

II
 BAB I

PENDAHULUAN
I. 1. Latar Belakang Masalah
Statistika merupakan salah satu disiplin ilmu yang penerapannya hampir di
semua aspek kehidupan. Hal ini menunjukkan bahwa penerapan statistika sangat
diperlukan dalam kehidupan sehari-hari. Begitu pula dalam penelitian ilmiah, statistika
merupakan alat yang brguna bagi perencanaa dan evaluasi hasil penelitian, sehingga
dapat dilakukan perbaikan dan dilakukan perbaikan dan penyempurnaan terhadap hasil
penemuan (Gunardi, 1999). Salah satu metode yang paling umum digunakan dalam
analisis statistika adalah metode regresi.
Regresi adalah metode statistik yang dipakai untuk memperkirakan hubungan
antara sebuah variabel terikat dan satu variabel independen atau lebih. Metode ini juga
bisa digunakan untuk menilai kekuatan hubungan antara variabel dengan perkiraan
masa depan.Analisis regresi termasuk beberapa variasi, yakni linear, linear majemuk,
dan nonlinear.
Regresi logistik (kadang disebut model logistik atau model logit)
dalam statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan
mencocokkan data pada fungsi logit kurva logistik. Seperti analisis regresi pada
umumnya, metode ini menggunakan beberapa variabel prediktor, baik numerik maupun
kategori. Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada
waktu tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa
tubuh. Regresi logistik juga digunakan secara luas pada bidang kedokteran dan ilmu
sosial, maupun pemasaran seperti prediksi kecenderungan pelanggan untuk membeli
suatu produk atau berhenti berlangganan.
Sehingga, dapat disimpulkan bahwa Regresi Logistik merupakan metode
analisis yang digunakan untuk melihat hubungan anatara variabel dependen dan
independen, dimana variabel dependennya bersifat kategorik. Terdapat dua model
dalam analisis regresi logistik, yaitu regresi logistik biner dan regresi logistik
multinomial. Regresi logistik biner digunakan apabila variabel dependen dari data
bersifat dikotomi. Sedangkan apabila variabel dependen yang digunakan terdiri lebih
dari dua kategori, maka model regresi logsitik yang tepat adalah regresi logistik
multinomial (P. H., 2013).

1
I. 2. Rumusan Masalah
- Apa Itu Regresi Logistik Multinomial?
- Apa Asumsi yang Digunakan Dalam Regresi Logistik Multinomial?
- Bagaimana langkah-langkah serta Uji yang DIgunakan Dalam Regresi Logistik
Mulrinomial?

I. 3. Tujuan Penulisan
Agar penulis dan pembaca dapat mempelajari dan mengetahi langkah dan cara untuk
melakukan Analisis dengan Metode Regresi Logistik Multinomial.

2
 BAB II

ISI
II. 1. Regresi Logistik Multinomial
(Yudissanta, et al., 2012) menyatakan bahwa regresi logistik multinomial merupakan
regresi logistik yang digunakan saat variabel dependen mempunyai skala yang bersifat
polichotomous atau multinomial. Skala multinomial adalah suatu pengukuran yang
dikategorikan menjadi lebih dari dua kategori. Metode yang digunakan dalam penelitian ini
adalah regresi logistik dengan variabel dependen berskala nominal dengan tiga kategori.

Mengacu pada regresi logistik trichotomous untuk model regresi dengan variabel
dependen berskala nominal tiga kategori digunakan kategori variabel hasil Y dikodekan 0, 1,
dan 2. Variabel Y diparameterkan menjadi dua fungsi logit. Sebelumnya perlu ditentukan
kategori hasil mana yang digunakan untuk membandingkan. Pada umumnya digunakan Y = 0
sebagai pembanding. Untuk membentuk fungsi logit, akan dibandingan Y = 1 dan Y = 2,
terhadap Y = 0. Bentuk model regresi logistik dengan p variabel prediktor seperti berikut

𝑒(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 )
𝜋(𝑥) =
1 + 𝑒(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 )

dengan menggunakan transformasi logit akan didapatkan dua fungsi logit

𝑃(𝑌 = 1)1|𝑥
𝑔1 (𝑥) = ln ( ) = 𝛽10 + 𝛽11 𝑥1 + 𝛽12 𝑥2 + ⋯ + 𝛽1𝑏 𝑥𝑏
𝑃(𝑌 = 1)0|𝑥

= 𝑥 ′ 𝛽1

Dan
𝑃(𝑌 = 1)2|𝑥
𝑔2 (𝑥) = ln ( ) = 𝛽20 + 𝛽21 𝑥1 + 𝛽22 𝑥2 + ⋯ + 𝛽2𝑏 𝑥𝑏
𝑃(𝑌 = 1)0|𝑥

= 𝑥 ′ 𝛽2

Berdasarkan kedua fungsi logit tersebut maka didapatkan model regresi logistik trichotomous:

1
𝑃(𝑌 = 0|𝑥) =
1 + 𝑒 𝑔 1(𝑥) + 𝑒 𝑔 2(𝑥)

𝑒 𝑔 1(𝑥)
𝑃(𝑌 = 1|𝑥) =
1 + 𝑒 𝑔 1(𝑥) + 𝑒 𝑔 2(𝑥)

3
dan
𝑒 𝑔 1(𝑥)
𝑃(𝑌 = 1|𝑥) =
1 + 𝑒 𝑔 1(𝑥) + 𝑒 𝑔 2(𝑥)

Mengikuti aturan dari model logistik biner, maka akan dimisalkan 𝑃(𝑌 = 𝑗|𝑥) = 𝜋𝑗 (𝑥) untuk
𝑗 = 0,1,2 untuk setiap fungsi dari vektor dengan parameter 𝛽 𝑇 = (𝛽1𝑇 𝛽2𝑇 ) . Pernyataan umum
untuk probabilitas bersyarat dalam model tiga kategori adalah:

𝑒 𝑔𝑗(𝑥)
𝑃(𝑌 = 𝑗|𝑥) = 2 , 𝑗 = 0,1,2
∑𝑘=0 𝑒 𝑔𝑘(𝑥)
dengan vektor 𝛽0 = 0 sehinggga 𝑔0 (𝑥) = 0.

Model logistik untuk kategori variabel dependen lebih dari satu atau polichotomous, yaitu:

𝑘
𝜋𝑗 (𝑗) (𝑗)
ln [ ] = 𝛽0 + ∑ 𝛽𝑖 𝑥𝑖 , 𝑗 = 1, … , 𝑞 − 1
𝜋𝑞
𝑖=1

pada persamaan tersebut dapat dilihat bahwa salah satu dari kategori digunakan sebagai
referensi dan disebut sebagai basis(baseline), yaitu kategori yang menjadi dasar pembanding
pengaruh kategori lainnya.

Kelebihan dan kekurangan

Kuncoro (2001) mengatakan bahwa regresi logistik memiliki beberapa kelebihan

dibandingkan teknik analisis lain yaitu:

1. Regresi logistik tidak memiliki asumsi normalitas dan heteroskedastisitas atas variabel
bebas yang digunakan dalam model sehingga tidak diperlukan uji asumsi klasik walaupun
variabel independen berjumlah lebih dari satu.
2. Variabel independen dalam regresi logistik bisa campuran dari variabel kontinu, distrik,
dan dikotomis.
3. Regresi logistik tidak membutuhkan keterbatasan dari variabel independennya.
4. Regresi logistik tidak mengharuskan variabel bebasnya dalam bentuk interval.
Kekurangan yang paling mencolok adalah karena hasil ramalan dari analisis regresi
merupakan nilai estimasi, sehingga kemungkinan untuk tidak sesuai dengan data aktual
tetaplah ada.

4
II. 2. Asumsi Pada Regresi Logistik Multinomial
Ada beberapa asumsi dasar yang harus dipenuhi pada saat mengaplikasikan model
regresi logistik multinomial pada gugus data tertentu. Asumsi –asumsi itu diantaranya adalah
bahwa:

• Variabel respon merupakan variabel acak yang saling bebas dan kategorinya bersifat
mutually exclusive.
Variabel respon (Y) jika nilai-nilai yang dimiliki oleh Y adalah suatu kemungkinan
atau peristiwa acak yang tidak saling mempengaruhi satu sama lainnya. Atau bersifat
ekslusif antara kategori satu dan yang lainnya.
• Tidak terdapat masalah multikolinieritas diantara variabel predictor yang diamatinya.
Asumsi tersebut adalah non-multikolinieritas. Pada analisis regresi logistik
multinomial tidak diperbolehkan adanya kasus multikolinieritas. Artinya, antar
variabel independen pada model tidak boleh ada korelasi yang siginifikan. Untuk
mengetahui ada tidaknya kasus multikolinieritas dapat menggunakan Koefisien
korelasi. Asumsi terpenuhi jika p-value korelasi > alpha
Nilai VIF ( Variance Inflantion Factor ). Asumsi terpenuhi jika VIF < 10Nilai
Toleransi . Asumsi terpenuhi jika Nilai Toleransi > 0,01Jika asumsi non-
multikolinieritas telah terpenuhi, maka dapat dilanjutkan dengan pembentukan model
dan pengujian signifikansi parameter.
• Adanya tranformasi logit pada variabel respon.
Mengacu pada regresi logistic misalnya polychotomous untuk model regresi dengan
variabel dependen berskala nominal tiga kategori digunakan kategori variabel hasil
Y dikodekan 0,1, dan 2. Variabel Y dijadikan parameter dengan dua fungsi logit.
Sebelumya perlu ditentukan kategori hasil mana yang digunakan untuk
membandingkan. Pada umumnya digunakan Y=0 sebagai pembanding. Untuk
membentuk fungsi logit akan dibandingkan Y=1 dan Y=2, terhadap Y=0. Dari bentuk
model regresi logistik dengan p variabel prediktor seperti berikut:

exp(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 )
𝜋(𝑥) =
1 + exp(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 )

Dengan menggunakan transformasi logit akan didapatkan dua fungsi logit

5
 𝑃(𝑌 = 1|𝑥)
𝑔1 1(𝑥) = ln ( ) = 𝛽10 + 𝛽11 𝑥1 + ⋯ + 𝛽1𝑝 𝑥𝑝
𝑃(𝑌 = 0|𝑥)
𝛽10 + 𝛽11 𝑥1 + ⋯ + 𝛽1𝑝 𝑥𝑝 = 𝑥 ′ 𝛽1
Dan
𝑃(𝑌 = 1|𝑥)
𝑔2 (𝑥) = ln ( ) = 𝛽20 + 𝛽21 𝑥1 + ⋯ + 𝛽1𝑝 𝑥𝑝
𝑃(𝑌 = 0|𝑥)
𝛽20 + 𝛽21 𝑥1 + ⋯ + 𝛽1𝑝 𝑥𝑝 = 𝑥 ′ 𝛽2𝑘

Transfomasi logit digunakan untuk mempermudah dalam pendugaan parameter

regresi. Bentuk logit g(x) adalah model logit, parameter-parameter yang mengandung
fungsi linier, dan ada dijarak antara −∞ sampai +∞. Dimna bergantung pada variabel
prediktornya.
• Tidak ada data pencilan yang berpotensi sebagai data yang berpengaruh.
Outlier adalah titik data yang secara statistik berada jauh dari model yangdipilih jika
peneliti percaya bahwa model yang dipilih adalah model yang benar. Outlier memiliki
pengaruh yang relatif besar terhadap estimasi parameter. Pengaruh yang dimaksud
adalah penambahan atau penghilangan pengamatan tersebut akan menyebabkan
perubahan yang tidak biasa terhadap estimasi parameter regresi. Outlier biasanya
timbul karena kesalahan pada system pengukuran, kesalahan pada menginputkan data
ataupun karena data tersebut memang merupakan suatu kejadian yang tidak biasa.
Keberadaan outlier dapat mengganggu proses analisis data terutama karena asumsi
normalitas OLS tidak lagi terpenuhi, sehingga perlu dilakukan identifikasi
keberadaan outlier menggunakan metode diagnostik agar outlier dapat diidentifikasi

II. 3. Analisis Menggunakan Regresi Logistik Multinomial

• Melakukan pengujian parameter secara simultan untuk mengetahui kecocokan model
analisis tersebut.
• Melakukan pengujian parameter secara parsial untuk mengetahui veriabel bebas yang
paling berpengaruh dalam model tersebut.
• Melakukan interpretasi terhadap nilai rasio kecenderungan yang terbentuk.

6
Pengujian parameter dengan uji likelihood ratio (uji simultan)
Fungsi Likelihood

Definisi 1:

Fungsi likelihood dari 𝑛 variable random 𝑋1 , 𝑋2 , … , 𝑋𝑛 didefinisikan sebagai fungsi kepadatan

bersama dari 𝑛 variable random. Fungsi kepadatan bersama 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜃) yang
mempertimbangkan fungsi dari 𝜃. Jika 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sampel acak dari fungi kepadatan
𝑓(𝑥; 𝜃), maka fungsi likelihood adalah 𝑓(𝑥1 , 𝜃)𝑓(𝑥2 , 𝜃) … 𝑓(𝑥𝑛 𝜃).

Estimasi Maksimum Likelihood

Maksimum Likelihood adalah metode yang dapat digunakan untuk mengestimasi parameter
regresi.

Definisi 2:

Andaikan 𝑋1 , 𝑋2 , … , 𝑋𝑛 peubah acak dengan fungsi distribusi 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 |𝜃) dengan 𝜃 𝜖Θ

yang tidak diketahui dan fungsi likelihood adalah

𝑓(𝑥1 , 𝑥2 , … 𝑥𝑛 |𝜃) jika, 𝐹 mempunyai fungsi padat 𝑓

𝐿(𝜃) = {
𝑝(𝑥1 , 𝑥 − 2, … 𝑥𝑛 |𝜃)jika, 𝐹 mempunyai fungsi padat 𝑝

Setiap 𝜃̂ = 𝜃̂𝑛 (𝑋1, 𝑋2 , … , 𝑋𝑛 )𝜖Θ sehingga

𝐿(𝜃̂) = sup{𝐿(𝜃): 𝜃𝜖Θ}

Disebut maksimum likelihood estimation.

Uji Simultan (Likelihod Ratop Test)

Uji simultan (likelihood ratio test) untuk menguji keseluruhan model dengan menggunakan
seluruh variabel bebas. Uji simultan bertujuan untuk mengetahui apakah variabel bebas
berpengaruh siginifikansi terhadap variabel terikat secara keseluruhan.

Dari persamaan 𝑔(𝑥1 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + ⋯ 𝛽𝑘 𝑥𝑖𝑘 diperoleh hipotesis yang akan diuji sebagai
berikut :

𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑗 = 0, artinya tidak ada pengaruh signifikansi antara variable bebas

dengan terikat secara simultan

7
𝐻1 : 𝛽𝑗 ≠ 0, artinya minimal ada satu variable bebas yang berpengaruh signifikansi terhadap
model.

Jika 𝐻0 ditolak, maka minimal ada satu variable bebas yang berpengaruh signifikansi terhadap
variable terikat.

𝑛 𝑛1 𝑛 𝑛2 𝑛 𝑛3
( 𝑛1 ) ( 𝑛2 ) ( 𝑛3 )
𝐺 = −2 ln [ 𝑏 ]
∏𝑗=1 𝜋1 (𝑥)𝑦1𝑗 𝜋2 (𝑥)𝑦2𝑗 𝜋3 (𝑥)𝑦3𝑗

Statistik uji G mengikuti distribusi Chi-Square, sehingga untuk memperoleh keputusan

2 2
dilakukan perbandingan dengan 𝜒𝛼,𝑣 . Kriteria penolakan (Tolak H0) jika nilai G > 𝜒𝛼,𝑣
dimana derajat bebas = v (banyaknya variabel prediktor).

Uji Wald

Dalam regresi logistik uji Wald digunakan untuk menguji ada tidaknya pengaruh dari variabel
bebas terhadap variabel terikat secara parsial dengan membandingkan nilai statistik Wald
dengan nilai pembanding Chi square pada derajat bebas (db) = 1 pada alpha 5% atau dengan
membandingkan nilai signifikansi (p-value) dengan alpha sebesar 5% dimana p-value yang
lebih kecil dari alpha menunjukan bahwa hipotesis diterima atau terdapat pengaruh yang
signifikansi dari variabel bebas terhadap variabel terikat secara parsial. Hipotesis yang
digunakan adalah :

𝐻0 : 𝛽𝑗 = 0, artinya tidak ada pengaruh antara variable bebas ke-j terhadap variable terikat.

𝐻1 : 𝛽𝑗 ≠ 0, artinya ada pengaruh antara signifikansi antara variable bebas ke-j terhadap
variable terikat.

Jika H0 ditolak, maka ada pengaruh sigifikansi antara variable bebas ke-j terhadap variable
terikat

Dengan statistik uji :

2
𝛽̂𝑗
𝑊=[ ] ; 𝑗 = 1,2, … , 𝑝
𝑆𝑒(𝛽̂𝑗 )
2
Dengan 𝑆𝐸̂ (𝛽̂𝑗 ) merupakan standar error koefisien dan 𝛽̂𝑗 merupakan nilai koefisien
dugaan variabel prediktor 𝑊2 . Statistik uji W2 disebut sebagai statistik uji Wald,

8
 2
mengikuti distribusi chi-square sehingga H0 ditolak apabila 𝑊2 > 𝜒𝛼,𝑣 atau P-value < α,
dimana v adalah banyaknya prediktor.

Uji Kebaikan Model Regresi Logistik

Statistik uji yang digunakan untuk menguji kesesuaian model regresi logistik yaitu
Goodness of Fit dengan hipotesis sebagai berikut
H0 : Model sesuai (tidak terdapat perbedaan antara hasil pengamatan dengan kemungkinan
hasil prediksi model)

H1 : Model tidak sesuai (terdapat perbedaan antara hasil pengamatan dengan kemungkinan
hasil prediksi model)

Statistik Uji:
𝑔 (𝑜𝑘 − 𝑛𝑘 𝜋𝑘 )2
𝐶̂ = ∑
𝑘=1 𝑛𝑘 𝜋𝑘 (1 − 𝜋𝑘 )

Kriteria penolakan (Tolak H0) adalah jika 𝐶̂ > 𝜒𝛼,𝑣

2
, yang menyatakan bahwa model tidak
sesuai (terdapat perbedaan antara hasil pengamatan dengan kemungkinan hasil prediksi
model).

Rasio Kecenderungan (Odds Ratio)

Rasio kecenderungan adalah ukuran yang memperkirakan berapa besar kecenderungan

variabel-variabel indenpenden terhadap variabel dependen. Odd ratio merupakan ukuran untuk
mengetahui resiko kecenderungan untuk mengalami suatu kejadian tertentu antara kategori
yang satu dengan yang lain dalam suatu variabel yang dinotasikan dengan 𝜃, didefinisikan
sebagai ratio dan odds untuk 𝑥 = 1 terhadap 𝑥 = 0.

Odds ratio untuk 𝑌 = 𝑗 terhadap 𝑌 = 𝑘 yang dihitung pada dua nilai (misal 𝑥 = 1 dan 𝑥 =
0) adalah

𝑃(𝑌=𝑗 |𝑥=1)/𝑃(𝑌=𝑘 |𝑥=1)

𝜃= = exp[𝛽𝑗 ]
𝑃(𝑌=𝑗 |𝑥=0)/𝑃(𝑌=𝑘 |𝑥=0)

9
 II. 4. Analisis Regresi Logistik Multinomial Menggunakan SPSS
Sebuah Badan Kepolisian ingin menganalisis faktor-faktor yang mempengaruhi keadaan
setelah terjadi kecelakaan yang terjadi pada suatu daerah dengan menggunakan analisis regresi
logistic multinomial.

Keadaan Setelah Kecelakaan

Terluka Tapi
Penggunaan
Jenis Tidak
Lokasi Sabuk
Kelamin Tidak Memerlukan Rawat Rawat
(X2) Pengaman Meninggal
(X1) Terluka Perawatan Jalan Inap
(X3)
Petugas
Kesehatan
Urban Ya (0) 7287 175 720 91 10
Perempuan (0) Tidak (1) 11587 126 577 48 8
(0) Ya (0) 3246 73 710 159 31
Rural (1)
Tidak (1) 6134 94 564 82 17
Urban Ya (0) 10381 136 566 96 14
Laki-Laki (0) Tidak (1) 10969 83 259 37 1
(1) Ya (0) 6123 141 710 188 45
Rural (1)
Tidak (1) 6693 74 353 74 12
Urutkan data yang dimiliki berdasarkan X1, X2, X3, Y, dan Bobot Pada SPSS (Pada Bagian
Data View)

10
Lakukan Pendefinisian Variabel, Penyesuaian Measures, serta masukkan value dari masing-
masing variable pada Variable View.

Value Masing-Masing Variabel

Value 𝑋1 Value 𝑋3

Value 𝑋2 Value 𝑌

11
Lakukan Pembobotan Variabel dengan memilih menu Data > Weight Cases

Akan muncul jendela Weight Cases, dan Masukan BOBOT dalam kolom Weight Cases By
kemudian klik Ok. Maka Akan Muncul Pemberitahuan “Weigh By Bobot”

Untuk Melakukan Analisis Regresi, pilih Analyze > Regression > Multinomial Logistic

12
Akan muncul jendela Multinomial Logistic Regression.

Masukkan Variabel Y (Kondisi) ke dalam Kolom Dependant dan Variabel 𝑋1 (jenis Kelamin),
𝑋2 (Lokasi), dan 𝑋3 (Penggunaan Sabuk Pengaman) ke dalam kolom Facto(s)

Pilih Opsi Statistics, kemudian centang Case Processing Summary, Pseudo R Square, Step
Summary, Model Fitting Information, Classification Table, Goodness of Fit, Estimates,
Likelohood Ratio Test. Klik Continue dan Ok.

13
Akan muncul hasil analisis SPSS.

Jumlah N Valid menunjukkan bahwa terdapat 68 694 Kasus kecelakaan yang dihitung, dengan
0 Kasus yang hilang.

1. Uji Simultan
𝐻0 : Tidak ada satupun variable independent yang secara statistic signifikan
mempengaruhi variable dependen
𝐻1 : Minimal ada satu variable independent yang secara statistic signifikan
mempengaruhi variable dependen

Interpretasi : dengan tingkat signifikansi 5% terdapat cukup bukti untuk mengatakan

bahwa terdapat minimal satu variable independent yang secara statistic
signifikan mempengaruhi variabel dependen.

14
 2. Uji Kebaikan Model

Interpretasi : diambil nilai Negalkerke 0,056 yang mengindikasikan bahwa keragaman

data variabel bebas dalam penelitian mampu menjelaskan keragaman data
variabel terikatnya sebesar 5,6% sedangkan sisanya dijelaskan oleh
variabel diluar model penelitian.
3. Parameter Estimasi dan Pembentukan Model Regresi Logistik

15
 Interpretasi :
- Kondisi Terluka Tapi Tidak Memerlukan Perawatan Petugas Kesehatan
𝑃=1
ln ( ) = 6,257 − 0,340𝑋1 + 1,791𝑋2 − 1,305𝑋3
𝑃=5
Dengan kecenderungan responden dengan jenis kelamin perempuan mengalami cedera
namun tidak memerlukan perawatan petugas kesehatan dibandingkan dengan yang
meninggal 0,712 kali lebih kecil dibandingkan responden dengan jenis kelamin laki-
laki, kecenderungan responden dengan lokasi urban mengalami cedera namun tidak
memerlukan perawatan petugas kesehatan dibandingkan dengan yang meninggal 5,997
kali lebih besar dibandingkan responden dengan lokasi rural, dan kecenderungan
responden yang menggunakan sabuk pengaman mengalami cedera namun tidak
memerlukan perawatan petugas kesehatan dibandingkan dengan yang meninggal 1,305
kali lebih kecil dibandingkan responden yang tidak menggunakan sabuk pengaman.
- Kondisi Rawat Jalan
𝑃=1
ln ( ) = 1,713 + 0,014𝑋1 + 1,476𝑋2 + 0,660𝑋3
𝑃=5
- Kondisi Rawat Inap
𝑃=1
ln ( ) = 3,299 + 0,286𝑋1 + 1,054𝑋2 − 0,517𝑋3
𝑃=5
- Kondisi Meninggal
𝑃=1
ln ( ) = 1,691 − 0,003𝑋1 + 1,545𝑋2 + 0,180𝑋3
𝑃=5

16
 BAB III

KESIMPULAN
III. 1. Kesimpulan
Regresi logistik multinomial merupakan regresi logistik yang digunakan saat variabel
dependen mempunyai skala yang bersifat polichotomous atau multinomial. Skala multinomial
adalah suatu pengukuran yang dikategorikan menjadi lebih dari dua kategori. Metode yang
digunakan dalam penelitian ini adalah regresi logistik dengan variabel dependen berskala
nominal dengan tiga kategori.

Asumsi Pada Regresi Logistik Multinomial

• Variabel respon merupakan variabel acak yang saling bebas dan kategorinya bersifat
mutually exclusive.
• Tidak terdapat masalah multikolinieritas diantara variabel predictor yang diamatinya.
• Adanya tranformasi logit pada variabel respon.
• Tidak ada data pencilan yang berpotensi sebagai data yang berpengaruh.
Analisis Menggunakan Regresi Logistik Multinomial
Pengujian parameter dengan uji likelihood ratio (uji simultan)
• Fungsi Likelihood
• Estimasi Maksimum Likelihood
• Uji Simultan (Likelihod Ratop Test)
• Uji Wald
• Uji Kebaikan Model Regresi Logistik
• Rasio Kecenderungan (Odds Ratio)

17