Penyusunan makalah ini tak terlepas dari bantuan dan dukungan berbagai
pihak. Kami mengucapkan terima kasih kepada dosen pembimbing, teman-teman
seperjuangan, serta sumber daya online yang telah menjadi landasan utama dalam
pengembangan makalah ini.
2.1 Pengertian
Analisis regresi logistik adalah metode statistik yang digunakan untuk
memodelkan hubungan antara variabel independen dengan variabel dependen
biner atau kategorikal. Tujuan utamanya adalah untuk memprediksi probabilitas
kejadian suatu peristiwa dengan menggunakan variabel-variabel prediktor yang
terkait. Model regresi logistik melibatkan transformasi logistik dari variabel
dependen biner ke dalam bentuk log-odds, sehingga memungkinkan interpretasi
terhadap pengaruh variabel independen terhadap kemungkinan terjadinya suatu
peristiwa. Metode ini sering digunakan dalam berbagai bidang seperti kedokteran,
ekonomi, ilmu sosial, dan lainnya untuk memprediksi hasil yang bersifat biner
atau kategorikal.
2.2 Manfaat
Analisis regresi logistik memiliki beberapa manfaat, antara lain:
-Analisis regresi logistik menjadi alat yang kuat untuk menggali hubungan
antar variabel dalam skenario di mana variabel dependen merupakan
variabel kategorikal, dan memberikan wawasan penting untuk
pengambilan keputusan yang terkait dengan prediksi atau penilaian risiko.
2.3 Tujuan
Tujuan utama dari analisis regresi logistik adalah untuk memprediksi
probabilitas kejadian suatu peristiwa dengan menggunakan variabel independen.
Metode ini sangat berguna dalam memahami hubungan antara variabel
independen dan variabel biner atau kategorikal, serta untuk mengidentifikasi
faktor-faktor yang memengaruhi atau memprediksi kemungkinan terjadinya suatu
kejadian.
Penting untuk memahami bahwa analisis regresi logistik memiliki asumsi tersendiri
dan perlu dipahami dengan baik sebelum menerapkannya pada data Anda. Analisis
regresi logistik adalah metode statistik yang digunakan untuk memodelkan
hubungan antara variabel dependen biner dengan satu atau lebih variabel
independen. Berikut adalah rumus dan langkah-langkah umum dalam analisis
regresi logistik
Rumus :
Output Case Processing Summary menjelaskan bahwa seluruh kasus atau case
ternyata teramati semua sebanyak 40 sampel, artinya tidak ada sampel yang
hilang/missing.
Output di atas menggambarkan hasil proses inputdata yang digunakan pada variabel
depeden yaitu tidak diberi Pengetahuan K3 kode : 0 dan Diberi pengetahuan K3
kode : 1.
Tabel.Categorical variabel coding
Tabel.Classfication
Output di atas merupakan Blok 0 atau blok permulaan adalah proses inisialisasi
artinya variabel X1 dan X2 belum dimasukkan ke dalam model penelitian. Dengan
kata lain, model ini adalah model persamaan logistik yang hanya menggunakan
konstanta saja untuk memprediksi responden masuk ke dalam kategori diberi
pengetahuan K3 atau tidak diberi pengetahuan K3.
Dari nilai signifikansi, diketahui konstanta yang dihasilkan adalah 0.118 ('> 0.05), hal
ini berarti bahwa dengan menggunakan model persamaan sederhana (hanya
konstanta saja) belum mampu memberikan penjelasan proporsi pemberian
pengetahuan K3 Eksklusif. Selanjutnya dapat dilihat pada output Blok 1.
Dari tabel di atas, dapat dilihat bahwa model dengan memasukkan dua variabel
independen ternyata telah terjadi perubahan dalam penaksiran parameter (-2 Log
likelihood) sebesar 31.772. Jika dilihat nilai Rsquare sebesar 0.411 atau 41.1% (Cox
& Snell) dan 0.56 atau 56% (Nagekerke). Dengan demikian dapat ditafsirkan bahwa
dengan dua variabel, yaitu X1 dan X2 maka proporsi pemberian pengetahuan K3
yang dapat dijelaskan sebesar 56%. Tetapi perlu diingat bahwa interpretasi ini hanya
nilai pendekatan saja seperti dalam koefisien determinasi (regresi linier biasa).
Tabel di atas merupakan uji chi-square dari Hosmer and Lemeshow test. Namun
dalam penerapannya telah dilakukan modifikasi. Hipotesisnya adalah :
H0 = Model telah cukup menjelaskan data (Goodness of fit)
H1 = Model tidak cukup menjelaskan data
Kriteria uji :
Jika nilai p-value signifikansi ( '> 0.05) maka terima H0
Hasil uji chi-square yang dihasilkan memiliki nilai p-signifikansi sebesar 0.09 ( '> 0.05)
maka terima H0.
Jadi kesimulanya bahwa model telah cukup menjelaskan data (goodness of fit).
Dari tabel di atas merupakan tabel utama dari analisis data dengan menggunakan
regresi logistik. Nilai pvalue signifikansi variabel status pekerjaan sebesar 0.034 '<
0.05 maka tolak H0. Dapat disimpulkan bahwa terdapat pengaruh yang signifikan
terhadap pemberian Pengetahuan K3 dengan nilai koefisien pengaruh sebesar
2.090.
Nilai p-value signifikansi variabel pengetahuan sebesar 0.038 '< 0.05 maka tolak H0
yang membuktikan bahwa terdapat pengaruh yang signifikan pengetahuan
masyarakat terhadap pemberian pengetahuan K3 dengan nilai koefisien pengaruh
sebesar 0.893.
Hasil persamaan regresi logistik di atas tidak bisa langsung diinterpretasikan dari
nilai koefisienya seperti regresi liner biasa. Interpretasi dapat dilakukan dengan
melihat nilai dari exp(B) atau nilai eksponen dari koefisien persamaan regresi yang
terbentuk.
Dari exp(B1) dapat dilihat bahwa status tidak bekerja mempunyai kesempatan
diberikan Pengetahuan K3 8.088 kali lebih dibandingkan dengan responden yang
berstatus bekerja.
Nilai exp(B2) sebesar 2.443 artinya bahwa peningkatan pengetahuan sebesar 1 akan
ada perubahan sebesar 2.443 pada pemberian pengetahuan K3. Dengan demikian
bahwa jika ada peningkatan pengetahuan masyarakat dari rendah ke tinggi akan
meningkatkan probabilitas memberikan pengetahuan K3 sebesar 2.443 kali.
BAB III
PENUTUP
3.1 Kesimpulan
Berdasarkan sumber yang ditemukan, analisis regresi logistik adalah sebuah
pendekatan model matematis yang digunakan untuk menganalisis hubungan antara
satu atau beberapa variabel independen dengan variabel dependen yang berskala
dikotomi. Tujuan utamanya adalah untuk memprediksi kemungkinan terjadinya
peristiwa binary, seperti apakah email yang masuk adalah spam atau bukan, apakah
tumor itu jinak atau ganas, atau apakah pengguna tertentu akan membeli produk
tertentu atau tidak. Regresi logistik memiliki beragam aplikasi di berbagai industri,
seperti manufaktur, layanan kesehatan, keuangan, dan pendidikan. Model persamaan
regresi logistik berbeda dengan persamaan regresi OLS, dan menggunakan nilai Chi-
Square untuk mengukur tingkat signifikansi dan seberapa baik model persamaan yang
terbentuk. Dengan demikian, analisis regresi logistik merupakan alat yang berguna
dalam memprediksi kemungkinan peristiwa binary dan memiliki beragam aplikasi di
berbagai industri.