STATISTIK BISNIS

Dosen Pengampu : Dr. Berry Kurnia Vilmala, M.Pd.

Disusun Oleh : Kelompok 2

Okta Triandy Nasution (220304045)
Yaumil Akbar (220304061)
Yosan Trio Akbar (220304030)
Muhammad Ikbal Satria (220304020)
Fadil Martias (2203040)
Anju Dwi Putra (210304179)

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI BISNIS
UNIVERSITAS MUHAMMADIYAH RIAU
PEKANBARU
2023
 KATA PENGANTAR

Pengembangan teknologi informasi telah membawa revolusi dalam dunia

analisis data. Dalam konteks ini, analisis regresi logistik menjadi alat yang sangat
penting dalam mengeksplorasi hubungan antara variabel-variabel yang kompleks.
Makalah ini bertujuan untuk menyajikan pemahaman yang lebih dalam tentang
konsep, aplikasi, dan kegunaan analisis regresi logistik dalam berbagai bidang,
mulai dari ilmu sosial hingga ilmu kesehatan.

Makalah ini disusun untuk memberikan gambaran yang jelas tentang

dasar-dasar regresi logistik, teknik-teknik penggunaannya, interpretasi hasil, serta
kelebihan dan keterbatasannya. Dengan memadukan teori dan aplikasi,
diharapkan pembaca dapat memperoleh pemahaman yang kokoh tentang cara
mengaplikasikan metode ini dalam berbagai konteks situasional.

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.

Semoga makalah ini dapat memberikan kontribusi positif dalam

pemahaman tentang analisis regresi logistik dan dapat menjadi referensi yang
bermanfaat bagi pembaca yang tertarik dalam menjelajahi dunia analisis data yang
dinamis.

Pekanbaru, 11 November 2023

 DAFTAR ISI

KATA PENGANTAR ........................................................................................i

DAFTAR ISI .......................................................................................................ii

BAB I PEMBAHASAN ......................................................................................4

2.1 Pengertian .....................................................................................................4

2.2 Manfaat .......................................................................................................5
2.3 Tujuan .......................................................................................................5
2.4 Rumus dan Langkah langkah .......................................................................5
2.5 Contoh kasus ................................................................................................6
 BAB II
PEMBAHASAN

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:

-Prediksi Probabilitas: Memungkinkan untuk memprediksi probabilitas

kejadian suatu peristiwa dengan menggunakan variabel prediktor yang
relevan.

-Penyelidikan Faktor Risiko: Memungkinkan identifikasi dan penilaian

faktor-faktor risiko yang berpengaruh terhadap hasil kategorikal atau
biner.

-Pemodelan Hubungan: Memahami hubungan antara variabel independen

dengan variabel dependen yang bersifat biner atau kategorikal.
 -Pengendalian Variabel: Dapat digunakan untuk mengontrol atau
menyesuaikan efek variabel lain dalam analisis, sehingga memungkinkan
untuk mengevaluasi pengaruh suatu variabel secara terisolasi.

-Penyesuaian Model: Metode ini memungkinkan penyesuaian model

dengan mempertimbangkan berbagai variabel prediktor, sehingga dapat
meningkatkan akurasi dalam memprediksi hasil kategorikal.

-Pengambilan Keputusan: Memberikan landasan untuk pengambilan

keputusan yang lebih tepat terkait dengan hasil yang bersifat biner atau
kategorikal, seperti diagnosa medis, prediksi risiko kredit, atau penilaian
kelayakan suatu keputusan.

-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.

2.4 Rumus dan Langkah-Langkah

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 :

Langkah-langkah Analisis Regresi Logistik:

1) Kumpulkan Data: Data yang dibutuhkan terdiri dari variabel dependen
biner dan satu atau lebih variabel independen.
2) Persiapan Data: Lakukan pembersihan data, penanganan nilai yang
hilang, dan transformasi data jika diperlukan.
 3) Pemilihan Variabel: Tentukan variabel yang akan dimasukkan ke
dalam model.
4) Modeling: Lakukan regresi logistik dengan menggunakan metode
seperti Maximum Likelihood Estimation (MLE) atau teknik lainnya.
5) Evaluasi Model: Evaluasi kinerja model menggunakan metrik seperti
Akaike Information Criterion (AIC), Area Under the Receiver
Operating Characteristic Curve (AUC-ROC), atau confusion matrix.
6) Interpretasi Hasil: Interpretasikan koefisien regresi untuk memahami
dampak variabel independen terhadap variabel dependen biner.
7) Validasi Model: Uji ulang model menggunakan data validasi atau
teknik validasi silang untuk memastikan generalisasi yang baik.

2.5 Contoh Kasus

Contoh kasus: Pemberian pengetahuan tentang K3 oleh pengetahuan Masyarakat.
Pemberian pengetahuan K3 sebagai variabel dependent (Y), variabel independen :
Status pekerjaan (X1) dan pengetahuan Masyarakat (X2). Peneliti ingin mengetahui
pengaruh status pekerjaan dan pengetahuan Masyarakat tentang pemberian
pengetahuan K3. Data selengkapnya sebagai berikut :

Y = Pengetahuan K3 , Jika diberikan pengetahuan K3 (1) tidak diberi pengetahuan K3

(0)
X1 = Status pekerjaan, Jika bekerja (1); tidak bekerja (0)
X2 = Pengetahuan Masyarakat Jika (1) Tidak Memiliki Pengetahuan; (2) Kurang
Memiliki Pengetahuan; (3) Cukup Memiliki Pengetahuan; (4) Memiliki Pengetahuan
yang Baik; (5) Memiliki Pengetahuan Sangat Baik
 Data Sample Regresi Logistik

Langkah analisis Regresi logistik dengan SPSS

1. Klik Analyze >> Regression >> Binary Logistic
2. Masukkan variabel ASI Eksklusif (Y) ke dalam kolom Dependent
3. Masukkan variabel X1 dan X2 ke dalam kolom Covariate
4. Masukkan X1 ke dalam Categorical Covariate, klik Continue
5. Pilih Enter pada kolom Method
6. Klik Option, klik Classification plot dan Hosmer-Lemeshow goodness of fit,
Casewise listing residuals, and All case.
7. Klik OK
Hasil Output regresi Logistik

Case Processing summary

Output Case Processing Summary menjelaskan bahwa seluruh kasus atau case
ternyata teramati semua sebanyak 40 sampel, artinya tidak ada sampel yang
hilang/missing.

Coding variabel dependent

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

Output di atas menjelaskan proses pengkodean yang digunakan untuk variabel

independen (X1) saja, karena variabel ini adalah variabel kategori. Dapat juga dilihat
yang menjadi perhatian kita adalah responden dengan status tidak diberi
Pengetahuan K3 (angka 1 yang diberi tanda kurung).

Tabel.Classfication

Tabel.Variabel in the Equation

 Tabel.Variabel not in the Equation

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.

Tabel.Uji R-square cox & Snell,dan Nagelkerke

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.Uji Chi-square dari Hosmer dan Lemeshow test

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).

Tabel.nilai koefisien (B),wald & exp(B)

Kriteria uji :
Tolak hipotesis nol (H0) jika nilai p-value signifikansi '< 0.05

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.

Persamaan regresi logistik

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.