REGRESI LOGISTIK

KAPAN MENGGUNAKAN ANALISIS

REGRESI LOGISTIK
Analisis dengan variabel dependen berupa variabel kategorik
dikotom

Bila terdapat lebih dari 1 variabel independen dengan 1 variabel

dependen analisis multivariat

Analisis multivariat secara umum

Analisis statistik yang bertujuan untuk mengetahui hubungan satu
atau beberapa variabel independen dengan satu atau beberapa
variabel dependen

pada analisis multivariat regresi logistik:

Analisis statistik yang bertujuan untuk mengetahui hubungan
beberapa variabel independen dengan satu variabel dependen
dengan skala kategorik dikotom sakit/tidak, mati atau
tidak,puas /tidak puas
KERANGKA KONSEP
 Etiologik
Ada variabel independen utama dengan adanya
variabel confounding dan interaksi
Tujuan kerangka konsep etiologik:
Mencari hubungan murni antara variabel independen
utama dan varibel dependen

 Prediktif
Status varibel independen setara tanpa varibel
independen utama
Tujuan: mengetahui variabel apa saja yang
berhubungan dengan varibel dependen
KERANGKA KONSEP ETIOLOGIK
VI VD

Konfounding

VI VD

Konfounding
KERANGKA KONSEP PREDIKTIF
VI 1
VI 2 VD
VI 3
VI 4
LANGKAH ANALISIS
MULTIVARIAT
 Menyeleksi variabel yang akan dimasukkan
dalam analisis multivariat (yaitu variabel yang
pada analisis bivariat mempunyai p<0.25)
 Melakukan analisis multivariat dengan pilihan
metode enter,forward dan backward
 Backward semua variabel dimasukkan lalu
dikeluarkan satu persatu yang tidak
berpengaruh
 Forward memasukkan secara otomatis variabel
yang paling kuat pengaruhnya lalu diikuti yang
kurang berpengaruh dst
PERBANDINGAN METODE
FORWARD BACKWARD DAN ENTER
Variabel yang forward backward Enter manual
dimasukkan
Langkah 1 A A,B,C,D,E A,B,C,D,E
Langkah 2 A,B A,B,C,D A,B,C,D
Langkah 3 A,B,C A,B,C A,B,C
KEPUTUSAN UTK MEMBUANG
VARIABEL DARI MODEL
 Nilai p
 Lihat apakah faktor confounding atau bukan
 Cara selisih or var utama sebelum dan
setelh var yg dikeluarkan / or bk emas x100%
 Bila <10% keluarkan krn artinya bukan var
konfounding
 ANALISIS REGRESI LOGISTIK
 1.analisis bivariat
bila var independen adalah data
kategorikchi square
2. Bila var independen adalah data numerik
 Gunakan uji independen t test atau mann whitney
 Terganting sebaran data normal

 3.seleksivariabel independen yang masuk model 

yang memiliki p<0.25
 4. analisis regresi logistik model akhir
ANALISIS REGRESI LOGISTIK
MENCARI ETIOLOGI
 1. Analisis bivariat
 Masukan variabel ke analisis berdasarkan
hirarki var independen utama , konfounding
baru interaksi
 Seleksi secara backward buang satu
persatu yang tidak bermakna
 Analisis konfounderpilih model paling
robust yaitu sederhana tapi bisa
menghasilkan nilai OR sama dengan model
baku emas dan interval kepercayaan lebih
sempit/presisi
MENGANALISIS KONFOUNDING
 jika OR variabel independen utama tidak
tidak berbeda >10% dari OR var
independen utama pada model baku emas

 Contoh:
 Peneliti ingin melihat hub antara penyakit
periodontal dengan kebiasaan merokok
sebagai variabel utamanya
 Di duga kebiasaan menyikat gigi,usia, adanya
penyakit sistemik merupakan confounding
 MODEL variabel nilai
1 BAKU Kebiasaan OR 3.5 (1,2-
EMAS merokok 6)
DIKONTROL
Menyikat
gigi,usia,pe
ny sistemik
2 kebiasaan OR 2(1.5-5)
merokok
DIKONTROL
Usia dan
peny
sistemin

2-3,5/3,5 x 100% =33.3%

Karena >10% menyikat gg adalah confounder jadi tak boleh keluar dari model
OUTPUT ANALISIS REGRESI
LOGISTIC
 Persamaan regresi logistic
 Kekuatan hub var independen dan dependen
(OR)
 Kemaknaan (nilai p) dan CI
 Menganalisis confounding
DESAIN APA SAJA YANG BISA
DIANALISIS DENGAN REG LOG
 Kohort
 Kasus kontrol
 Potong lintang

 Pada kohor RR

 Kasus kontrol/potong lintang OR
REGRESI LOGISTIK
 Persamaan dengan memanfaatkan fungsi
logistik untuk menghubungkan variabel
dependen kategori dan variabel independen
campuran (kategori & kontinyu)
 Logit(Y) = a + b1x1 + b2x2 + …. + bkxk
 Logit = log odds
 Manfaat
 Model prediksi  penelitian kohort
 Faktor risiko  kohort, kasus-kontrol, potong
lintang
FUNGSI LOGISTIK

• Dapat dihitung probabilitas y=1 (kejadian

terjadi) pada kombinasi nilai x tertentu
• Ingat: hanya berlaku untuk kohort

1
p( y  1 | x)   ( a  b1 x1  b2 x2 ...  bk xk )
1 e
 CONTOH
 Penelitian tentang hubungan antara kadar
estrogen ,stress psikososial( diukur dgn
kuesioner holmes) dengan depresi pada
wanita pra-menopause
Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step
a
ESTR3(1) 1.543 .584 6.980 1 .008 4.680
1 HOLMES3(1) 1.247 .580 4.622 1 .032 3.480
Constant -1.905 .569 11.223 1 .001 .149
a. Variable(s) entered on step 1: ESTR3, HOLMES3.
 CONTOH
Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step
a
ESTR3(1) 1.543 .584 6.980 1 .008 4.680
1 HOLMES3(1) 1.247 .580 4.622 1 .032 3.480
Constant -1.905 .569 11.223 1 .001 .149
a. Variable(s) entered on step 1: ESTR3, HOLMES3.

Logit(depresi) = -1,905 + 1,543 ESTR + 1,247 HOLMES

1
p( y  1 | x)   ( 1, 9051, 543ESTR 1, 247 HOLMES )
1 e
 CONTOH
 Misalkan ada 1 orang dengan kadar estrogen
rendah (ESTR=1) dan stress psikososial rendah
(HOLMES=0)
1
p( y  1 | x) 
1  e ( 1,9051,543*11, 247*0 )
p ( y  1 | x)  0,59
 Orang dengan kadar estrogen rendah
(ESTR=1) dan stress psikososial rendah
(HOLMES=0)  Probabilitas depresi = 0,59
 CONTOH
Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step
a
ESTR3(1) 1.543 .584 6.980 1 .008 4.680
1 HOLMES3(1) 1.247 .580 4.622 1 .032 3.480
Constant -1.905 .569 11.223 1 .001 .149
a. Variable(s) entered on step 1: ESTR3, HOLMES3.

ODDS RATIO

 Model prediksi hanya digunakan pada penelitian

kohort
 Pada penelitian lain  Rasio odds
 CONTOH
Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step
a
ESTR3(1) 1.543 .584 6.980 1 .008 4.680
1 HOLMES3(1) 1.247 .580 4.622 1 .032 3.480
Constant -1.905 .569 11.223 1 .001 .149
a. Variable(s) entered on step 1: ESTR3, HOLMES3.
INTERPRETASI UJI WALD DAN
CI OR

Hub antara riwayat perdarahan dengan terjadinya kelainan periodontal

p wald bermakna 0,03 artinya terdapat hub antara perdarahan
dengan kel periodontal
Exp B= 3,6 artinya seorg dengan rwyt perdarahan gusi berisiko 3,6x lebih
Besar untuk menderita kel jaringan periodontal
dibandingkan yang tidak memiliki rwyt perdarahan gusi
CI tak ada melalui angka 1 terdapat hub bermakna
MODEL SDH SESUAI DENGAN
DATA
SAMA DENGAN R SQUARE PADA REGRESI LINIER
PERSENTASE DARI VARIABEL INDEPENDEN YANG
DAPAT MENJELASKAN VARIABEL DEPENDEN
 MENILAI KUALITAS PERSAMAAN
REGRESI
dilihat 2 hal yaitu:
Kalibrasi  uji hosmer lemeshow
diskriminasi  AUC ( area under curve)

Kalibrasi dikatakan baik bila

tak ada perbedaan antara observasi dan ekspektasi(p>0.05)

Diskriminasi uji seberapa kuat persamaan itu membedakan

subyek yang sakit dan sehat
Dilakukan dengan membuat kurve ROC
Nilai AUC

 >50-60% sangat lemah

 >60-70% lemah
 >70-80% sedang
 >80-90% kuat
 >90-100% sangat kuat
BUKA DATA REGRESI LOGISTIK
 Penelitian
 Ingin mengetahui faktor prediktor terhadap
terjadinya syok pada pasien anak demam
berdarah
 Variabel yang ingin diteliti: jenis
kelamin,perdarahan,trombositopenia,
hematokrit,hepatomegali
Desain yang digunakan peneliti adalah kasus
kontrol
tentukan variabel independen dan
dependen pada penelitian
tersebut.......
Perhatikan skala masing masing
variabel.....
Syok_reg 1 ya 0 tidak kat
Jenis kelamin 1 laki 2 perempuan kat
perdarahan 0 tidak 1 ya kat
trombosit 1<=50.000 kat
0>50.000
Hematokrit 1>42% 0<=42% kat
Hepatomegali 1 ya 0 tidak kat
PERTANYAAN YANG HARUS
DIJAWAB:
 Uji stat apa yg digunakan utk analisis bivariat
 Analisis multivariat apa yang akan digunakan
 Variabel apa saja yang dimasukkan ke
analisis multivariat
 Parameter kekuatan hub apa yang dipakai
 Variabel apa saja yang berpengaruh
 Persamaan yang diperoleh
 Bagaimana aplikasinya utk prediksi
probabilitas terjadinya syok
LANGKAH
 Ubah pengkodean data agar siap dianalisis
 Uji bivariat dengan chisquare/fischer exact
 Analyse-descriptive –crosstab
 Lihat dan buatkan tabel utk hasil analisis
bivariat
 Karena var dependen adalah dikotom maka
analisis multivariatnya dengan regresi logistik
 Yang masuk ke multivariat adalah yang
memilikin p<0.25 pada analisis bivariat
YANG MEMILIKI P < 0.25
ADALAH
 Perdarahan
 Hepatomegali
 Hematokrit
 Trombosit

Lakukan analisis
Anayse-regresion-binary logistic-
Syok_reg ke dependent var
Var lain ke covariate
Metode pilih backward LR
 Pada option pilih ci for exponen b
 Lameshow goodness of fit
 Continue
 Save – pilih probabilities include covariance
matrixl
MODEL SDH SESUAI DENGAN
DATA

persentase dari variabel independen yang

dapat menjelaskan variabel dependen
MEMILIH MODEL
 Mempertimbangkan apakah trombosit
merupakan confounding atau bukan
 Kalau confounding maka tak boleh
dikeluarkan dari model
 3.285-3.255/3.255x100%=0.92%
 Kurang dr 10% jadi bukan confounding shg
boleh dikeluarkan dari model
 Shg dipilih model 2
 Persamaan yang diperoleh
 Y=-2.675+ 1.189 perdarahan+1.233
hepatomegali+1.137 hematokrit

 Aplikasi persamaan=
 Untuk memprediksi probabilitas seseorang
pasien anak mengalami syok
 Rumus p=1/(1+e-y)
CONTOH APLIKASI RUMUS
 Seorang pasien anak DBD dirawat ,tanpa
perdarahan,tidak
hepatomegali,hematokritnya <=42%
 Berapa probabilitas pasien tsb utk mengalami
syok?.... %
MENILAI KUALITAS PERSAMAAN
DARI SEGI KALIBRASI
 Lihat nilai Hosmer and Lemeshow test
 P>0.05 artinya model fit dan data
acceptable
MENILAI KUALITAS PERSAMAAN

 Lihat data var baru pre_1

 Pilih —roc curve
 Masukan syok_reg ke state var
 Masukkan var pre_1 ke test var
 Masukkan 1 ke value of state var
 Pilih semua kotak pada menu display
 Diperoleh hasil area under curve 0.74
 =74%
 >50-60% sangat lemah
 >60-70% lemah
 >70-80% sedang
 >80-90% kuat
 >90-100% sangat kuat
DAFTAR PUSTAKA
 Regresi logistik Sopiudin
 Analisis Multivariat Regresi Logistik
 Biostatistics for oral health care Jay S
Kim,Ronald Dailey ,2008
 Analisis Data FKM UI 2010
 Aplkasi metode kasus kontrol Bastaman
Basuki
Selamat berlatih ...