“LOGISTIC REGRESSION”
DOSEN PENGAMPU:
Dr.Syafri Arlis, S.Kom, M.kom
DISUSUN OLEH:
Tania Putri (22101152630277)
Puji syukur diucapkan kehadirat Allah SWT. atas segala rahmat-Nya sehingga
makalah ini dapat tersusun sampai selesai. Tidak lupa kami mengucapkan terima kasih
terhadap bantuan dari pihak yang telah berkontribusi dengan memberikan sumbangan
baik pikiran maupun materi.
Penulis sangat berharap semoga makalah ini dapat menambah pengetahuan dan
pengalaman bagi pembaca. Bahkan kami berharap lebih jauh lagi agar makalah ini bisa
pembaca praktikkan dalam kehidupan sehari-hari.
Bagi kami sebagai penyusun merasa bahwa masih banyak kekurangan dalam
penyusunan makalah ini karena keterbatasan pengetahuan dan pengalaman kami. Untuk
itu kami sangat mengharapkan kritik dan saran yang membangun dari pembaca demi
kesempurnaan makalah ini.
Penulis
i
DAFTAR ISI
ii
BAB I
PENDAHULUAN
A. Latar Belakang
Statistika merupakan salah satu disiplin ilmu yang penerapannya hampir
di semua aspek kehidupan. Hal ini menunjukkan bahwa peranan statistika sangat
diperlukan dalam kehidupan sehari-hari. Begitu pula dalam sebuah penelitian,
statistika merupakan alat yang berguna bagi perencanaan dan evaluasi hasil
penelitian, sehingga dapat dilakukan perbaikan dan penyempurnaan terhadap
hasil penemuan (Gunardi, 1999). Sebagai salah satu disiplin ilmu, statistika
berperan untuk mengumpulkan, menyajikan dan menganalisis data. Apabila
terbatas pada tiga peran tersebut maka dinamakan statistika deskriptif.
Salah satu analisis pada statistika adalah analisis regresi. Analisis regresi
merupakan suatu metode yang digunakan untuk menganalisis hubungan antara
dua atau lebih variabel. Pada analisis regresi terdapat dua jenis variabel yaitu
variabel bebas dan variabel terikat. Berdasarkan pola hubungannya analisis
regresi dibagi menjadi dua yaitu analisis regresi linear dan analisis regresi non
linear. Data hasil penelitian yang berupa data kualitatif dapat dianalisis dengan
regresi non-linear. Salah satu model regresi non linear adalah regresi logistik.
Regresi logistik merupakan sebuah metode analisis statistik untuk
menggambarkan hubungan antara variabel terikat dengan variabel bebas yang
mempunyai dua atau lebih kategori dengan variabel terikat yang menggunakan
skala kategori maupun interval (Hosmer dan Lemeshow, 1989). Regresi logistik
terbagi menjadi dua yaitu regresi logistik biner dan regresi logistik multinomial.
Regresi Logistik biner adalah suatu analisis regresi yang digunakan untuk
menggambarkan hubungan antara variabel bebas dengan sekumpulan variabel
terikat, dimana variabel terikat bersifat biner atau dikotomus. Variabel dikotomus
adalah variabel yang hanya mempunyai dua kemungkinan nilai, misalnya sukses
dan gagal. Sedangkan variabel bebas sering disebut juga dengan covariate. Hasil
pengukuran suatu variabel sering mempunyai ciri berupa dua atau lebih
kemungkinan nilai yang dikenal sebagai variabel kategorik. Variabel kategorik
yang tidak memiliki urutan disebut sebagai variabel nominal sedangkan yang
3
memiliki urutan disebut variabel ordinal. Kedua jenis variabel ini, baik nominal
maupun ordinal sering disebut juga sebagai variabel multinomial. Regresi logistik
multinomial, yang tidak mempertimbangkan sifat ordinal data, juga dapat
diterapkan untuk meneliti sebuah variabel ordinal namun memanfaatkan sifat
ordinal data dapat meningkatkan kesederhanaan dan kekuatan model (Agresti,
2002). Model regresi logistik multinomial dapat digunakan untuk model dimana
variabel bebasnya merupakan himpunan diskrit, dua atau lebih. Model regresi
logistik multinomial efektif digunakan pada variabel terikat yang terdiri atas
banyak kategori (Zulkifli, 2014).
Menurut Hosmer dan Lemeshow (1989) ada beberapa metode yang dapat
digunakan untuk mengestimasi parameter model regresi logistik, yaitu maximum
likelihood methods, noniterative weighted least square methods, dan discriminant
function analysis methods. Salah satu metode yang lebih umum dan digunakan
pada sebagian besar paket program komputer adalah maximum likelihood
methods atau metode maksimum likelihood. Metode maksimum likelihood
merupakan metode pendugaan parameter yang digunakan pada model regresi
logistik. Metode ini merupakan dasar pendekatan dalam menaksir parameter pada
model regresi logistik. Pada dasarnya metode maksimum likelihood memberikan
nilai taksiran parameter dengan memaksimalkan fungsi likelihood. Untuk itu
digunakan uji dan hipotesis statistik untuk menentukan apakah variabel bebas
dalam model signifikan atau berpengaruh secara nyata terhadap variabel terikat.
Maka dari itu kami akan membahas tentang regresi logistik, jenis- jenis regresi
logistik dan analisis regresi logistik.
B. Rumusan Masalah
1. Apa yang di maksud dengan logistic regression?
2. Apa jenis-jenis logistic regression?
3. Bagaimana Analisis uji logistic regression?
C. Tujuan Penulisan
1. Untuk mengetahui apa itu logistic regression.
2. Untuk mengetahui apa saja jenis-jenis logistic regression
3. Untuk mengetahui bagaimana analisis uji logistic regression.
4
D. Manfaat Penulisan
Manfaat penulisan makalah ini untuk penulis yaitu meningkatkan
pemikiran kritis, belajar berpikir sistematis, belajar bertanggung jawab dengan
sumber yang dicantumkan, lebih peka terhadap permasalahan di lingkungan
sekitar dan dapat menambah pengetahuan. Manfaat penulisan makalah ini untuk
pembaca yaitu untuk menambah wawasan pembaca mengenai permasalahan yang
dibahas
5
BAB II
PEMBAHASAN
A. Regresi Logistik
1. Pengertian Regresi Logistik
6
kurang cocok untuk data kuantitatif dan lebih baik menggunakan metode
regresi logistik.
a) Menghitung peluang
b) Melihat karakteristik
7
(contoh kasus diatas) sebesar “exp(nilai koefisien) atau biasa disebut
odds ratio” kali dibandingkan responden yang memiliki variabel x lebih
rendah”. Iya, nilai exp(koefisien) pada regresi logistik atau disebut
sebagai odds ratio menjelaskan peluang, dan tidak menjelaskan berapa
yang dimaksud “lebih tinggi” dari variabel X tersebut.
8
independen (yang mungkin bernilai riil, bernilai biner, bernilai kategorikal,
dan lain-lain.). Regresi logistik multinomial dikenal dengan berbagai nama
lain, termasuk LR polytomous, multiclass LR , Softmax regresi , multinomial
logit ( mlogit ), yang maksimum entropi ( MAXENT ) classifier, dan model
yang maksimum entropi bersyarat . Regresi logistik multinomial digunakan
ketika variabel dependen yang dimaksud adalah nominal (ekuivalen
kategorikal , yang berarti bahwa ia termasuk dalam salah satu dari sekumpulan
kategori yang tidak dapat diurutkan dengan cara yang berarti) dan yang mana
terdapat lebih dari dua kategori
Berikut persamaannya:
9
(Perlu diingat bahwa exponen merupakan kebalikan dari logaritma natural.
Sedangkan logaritma natural adalah bentuk logaritma namun dengan nilai
konstanta 2,71828182845904 atau biasa dibulatkan menjadi 2,72).
Dengan model persamaan di atas, tentunya akan sangat sulit untuk
menginterprestasikan koefisien regresinya. Oleh karena itu maka
diperkenalkanlah istilah Odds Ratio atau yang biasa disingkat Exp (B) atau
OR. Exp(B) merupakan exponen dari koefisien regresi.
2. Nilai Odds Ratio
10
BAB III
PENUTUP
A. Kesimpulan
Analisis regresi merupakan suatu metode yang digunakan untuk
menganalisis hubungan antara dua atau lebih variabel. Regresi logistik merupakan
sebuah metode analisis statistik untuk menggambarkan hubungan antara variabel
terikat dengan variabel bebas yang mempunyai dua atau lebih kategori dengan
variabel terikat yang menggunakan skala kategorik maupun interval (Hosmer dan
Lemeshow, 1989). Regresi logistik terbagi menjadi dua yaitu regresi logistik biner
dan regresi logistik multinomial.
B. Saran
Dalam penulisan makalah ini banyak terdapat kekurangannya, maka dari
itu penulis mengharapkan kritik dan saran dari pembaca agar makalah ini lebih
baik kedepannya lagi.
11
DAFTAR PUSTAKA
Dana, D. D. (2018). Binary Logistic Regression Analysis of Identifying Demographic,
Socioeconomic, and Cultural Factors thatAffect Fertility Among Women of
Child bearing Age in Ethiopia. Science Journal of Applied Mathematics and
Statistics, 65-73.
Gerson, G. D. (2014). Logistic Regression: Binary & Multinomial. North Carolina, USA:
Statistical Associates Publishing.
Hosmer, D. W., & Lemeshow, S. (1991). The Importance of Assesing the Fit of Logistic
Regression Models: A Case Study. American Jurnal of Public Health, 12.
Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. Columbus, Ohio:
A Wiley-Interscience Publication
12