ANALISIS REGRESI MULTIVARIAT DAN METODE REGRESI LOGISTIK

DISUSUN OLEH :
KELOMPOK 4
 INDAH REZBA SINAGA (1801070054)
 WILDA SIMAMORA (1901070035)
 LAVENIA HASIBUAN (1901070036)
 Pengertian Analisis Regresi Multivariat
 Analisis Multivariat adalah metode pengolahan variabel dalam jumlah yang banyak, dimana
tujuannya adalah untuk mencari pengaruh variabel-variabel tersebut terhadap suatu obyek secara
simultan atau serentak. Metode analisis multivariat adalah suatu metode statistika yang tujuan
digunakannya adalah untuk menganalisis data yang terdiri dari banyak variabel serta diduga antar 
variabel tersebut saling berhubungan satu sama lain. Analisis multivariat adalah salah satu dari teknik
statistik yang diterapkan untuk memahami struktur data dalam dimensi tinggi. Dimana variabel-
variabel yang dimaksud tersebut saling terkait satu sama lain. Berdasarkan beberapa definisi Analisis
Multivariat di atas, maka statistikian menyimpulkan bahwa yang dimaksud dengan Analisis
Multivariat adalah suatu analisis yang melibatkan variabel dalam jumlah lebih dari atau sama dengan
3 variabel. Dimana minimal ada satu variabel terikat dan lebih dari satu variabel bebas serta terdapat
korelasi atau keterikatan antara satu variabel dengan variabel lainnya. Maka dapat diartikan bahwa
Analisis Multivariat juga merupakan analisis yang melibatkan cara perhitungan yang kompleks.
tujuannya adalah agar dapat memahami struktur data berdimensi tinggi dan saling terkait satu sama
lain.
 Pengertian Variat

Titik penyusun bangunan atau pondasi dari Analisis Multivariat adalah

variat itu sendiriVariat adalah suatu kombinasi linear dari variabel-variabel
yang memiliki bobot empiris yang telah ditentukanSuatu variate dari
sejumlah n variabel yang terbobot (X1 sampai dengan Xn)  dapat
dinyatakan secara matematis adalah sebagai berikut: nilai variate = w1X1+
w2X2+ w3X3+…+wnXn.
 Jenis Data Dalam Analisis Multivariat
Seperti halnya analisis statistik lainnya, Analisis Multivariat yang kita bahas ini juga tidak lepas dari jenis
data atau skala data. Skala data yang digunakan ada dua macam, yaitu data metrik dan data non metrik.
Data metrik adalah data yang bersifat numerik atau berisi angka-angka dan dapat dilakukan perhitungan
matematis di dalamnya, misal nilai ujian, tingkat IQ, berat badan, dll. Data metrik disebut juga dengan 
data numerik atau data kuantitatif. Dalam hal ini data metrik ada 2 macam, yaitu data interval dan data
rasio. Untuk lebih jelasnya pelajari artikel kami tentang skala data. Sedangkan data non metrik adalah data
non numerik atau disebut juga data kualitatif atau data kategorik. Ada dua macam jenis data non metrik ini,
yaitu data nominal dan data ordinal. 
 Klasifikasi Analisis Multivariat
Klasifikasi analisis multivariat ada tiga macam, yaitu yang pertama adalah teknik dependensi atau istilah
english versionnya adalah dependent technique. Yang kedua adaah teknik interdependensi atau english
versionnya adalah interdependent technique. Dan yang ketiga atau yang terakhir adalah dan model
struktural atau english versionnya disebut dengan istilah structural model. Para pakar ada yang
menyebutkan bahwa Analisis Multivariat hanya dikelompokkan ke dalam 2 klasifikasi saja. Yaitu
analisis dependensi dan analisis interdependensi. Menurut statistikian, tidak ada masalah tentang
perbedaan ini, sebab para pakar yang berpendapat bahwa ada dua klasifikasi, telah memasukkan Model
Struktural atau struktural equation modelling sebagai bagian dari klasifikasi analisis dependensi
 Teknik – teknik analisis multivariate
Terdapat tiga jenis teknik dalam analisis multivariate, yaitu :
(1) Teknik dependent
(2) Teknik interdependent
(3) Teknik persamaan structural (structural model).
 Tujuan Regresi Multivariate
Tujuan regresi multivariate adalah agar dapat memahamistruktur data berdimensi tinggi dan
saling terkait satu sama lain. Regresi logistik bertujuan untuk menanggulangi kelemahan dari
LPM (Linier Probability Model) yang dapat memberi hasil kurang memuaskan, karena
menghasilkan probabilitas taksiran yang kurang dari nol atau lebih dari satu. Dalam hal ini,
yang mampu menjamin nilai variabel dependent terletak antara 0 dan 1 sesuai dengan teori
probabilitas adalah dengan model CDF (Cumulative Distribution Function).
 
 Regresi Logistik
Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi seperti halnya
regresi linear atau yang biasa disebut dengan istilah Ordinary Least Squares (OLS) regression.
Perbedaannya adalah pada regresi logistik, peneliti memprediksi variabel terikat yang berskala
dikotomi. Skala dikotomi yang dimaksud adalah skala data nominal dengan dua kategori,
misalnya: Ya dan Tidak, Baik dan Buruk atau Tinggi dan Rendah. Apabila pada OLS
mewajibkan syarat atau asumsi bahwa error varians (residual) terdistribusi secara normal.
Sebaliknya, pada regresi ini tidak dibutuhkan asumsi tersebut sebab pada regresi jenis logistik
ini mengikuti distribusi logistik.
 Asumsi Regresi Logistik
 Asumsi Regresi Logistik antara lain:
 Regresi logistik tidak membutuhkan hubungan linier antara variabel independen dengan variabel
dependen.
 Variabel independen tidak memerlukan asumsi multivariate normality.
 Asumsi homokedastisitas tidak diperlukan
 Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval atau skala ratio).
 Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah atau baik dan
buruk)
 Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel
 Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat eksklusif
 Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data
untuk sebuah variabel prediktor (independen).
 Dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk
memprediksi odds ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas.
 Model Persamaan Regresi Logistik
 Model persamaan aljabar layaknya OLS yang biasa kita gunakan adalah berikut: Y = B0 + B1X + e.
Dimana e adalah error varians atau residual. Dengan model regresi ini, tidak menggunakan
interpretasi yang sama seperti halnya persamaan regresi OLS. Model Persamaan yang terbentuk
berbeda dengan persamaan OLS.

 Ln: Logaritma Natural.Di mana:

 B0 + B1X: Persamaan yang biasa dikenal dalam OLS.
 Sedangkan P Aksen adalah probabilitas logistik yang didapat rumus sebagai berikut:
 exp atau ditulis “e” adalah fungsi exponen.
 (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. Jadi
misalkan nilai slope dari regresi adalah sebesar 0,80, maka Exp(B) dapat diperkirakan sebagai
berikut:
 Tujuan Menggunakan regresi Logistik
 Pemahaman tujuan menggunakan regresi logistik sangat diperlukan sebelum anda menggunakannya
sebagai alat penelitian. Anda bisa mendalami dan membahas secara detil jika tujuan penggunaan regresi
logistik anda kuasai secara detil. Setelah saya membaca beberapa jurnal yang menggunakan regresi
logistik, saya menyimpulkan tujuan penggunaan regresi logistik secara umum ada tiga, yakni
 1. Menghitung Peluang
 2. Melihat Karakterikstik
 3. Faktor Yang mempengaruhi
SEKIAN DAN TERIMAKASIH