REGRESI LOGISTIK

(PENGARUH ATAU HUB SEBAB-AKIBAT)

(ANALISIS NONPARAMETRIK)

OLEH: LUCKY HERAWATI

 PARAMETRIK-NONPARAMETRIK
TUJUAN PARAMETRIK NONPARAMETRIK
HUBUNGAN/KORE KORELASI PRODUCT 1. CHI-SQUARE
LASI MOMENT 2. KORELASI TATA
JENJANG/KORELASI RANK
SPEARMAN

UJI BEDA MEAN T TEST BEBAS MANN WHITNEY

(2 SAMPLE) T TEST TERIKAT WILCOXON

UJI BEDA MEANS ANAVA 1 JALAN KRUSKAL WALLIS

(> 2 SAMPEL) ANAVA 2 JALAN

UJI PENGARUH REGRESI LINEAR REGRESI LOGISTIK

REGRESI BERGANDA
 KONSEP Y dan X
• X = Var yg digunakan unt memprediksi= Var
bebas. Misal= Frek ANC
• Y = Var yg diprediksi= Var respon=Var terikat.
Misal= BB bayi (skala: interval-ratio).
Misal=proses kelahiran (norma/ tdk normal–
skala: Nominal)
• Persamaan garis: Y = a + b X
 REGRESI LINEAR
Y=b0+b1X1+b2X2+b3X3 (parametrik)

(Y- skala Interval Ratio)

Y= B0+B1X1+B2X2+B3X3
REGRESI LOGISTIK (Y- skala kategorikal-
(nonparametrik)
dikhotomus-polytomus

Skala dari var Y menentukan jenis persamaan regresinya

(Reg linear atau Reg Logistik?)
 REG LINEAR Vs REG LOGISTIK
Regresi Linear Regresi Logistik
• Var terikat/dep/Y: 1 dg • Var terikat/dep/Y: 1 dg
skala interval-ratio skala katagorik (non-
metrik)-dikhotomis=binary
• Var Bebas/indep/X: >1, • Var Bebas/indep/X: >1, dg
dg skala interval-ratio skala katagorik (non-metrik)
(metrik) + interval-ratio (metrik)
• Prinsip: Reg Linear • Data katagorik-Dikhotomis=
Binary, misalnya:
semua variabel HARUS - puas-tdk puas,
berskala interval-ratio - Sembuh-gagal
(metrik) - Lulus- tidak lulus
 REGRESI LOGISTIK
1. Regresi logistik dapat dibedakan menjadi 2,
yaitu:
- Binary Logistic Regression (Regresi Logistik
Biner): digunakan ketika variabel
respon/kriterium (Y), hanya ada 2 (Bi=2)
kemungkinan, misal jwbn 1(YA) dan 0 (TIDAK)
- Multinomial Logistic Regression (Regresi Logistik
Multinomial): digunakan ketika pada variabel
respon (Y) terdapat lebih dari 2 kategorisasi,
misal jwb 1 (kurang), 2 (cukup), 3 (baik).
CIRI UTAMA REGRESI LOGISTIK (1):
1. Var yg diprediksi/ kriterion/ Y adalah
berskala nominal (dikhotomus/ binary atau
polytomus)– yg penting skala Y nya
2. Sedangkan variabel prediktornya (X) dapat
berskala nominal, ordinal, interval atau ratio
3. Model persamaan regresi:
- Y= b0 +b1 X1 + e (regresi logistik sederhana)
- Y= b0 +b1 X1 +b2 X2 +..bkXk + e (regresi logistik
berganda)
 REGRESI LOGISTIK
• Pada dsrnya menguji kecocokan model/persamaan
Regresi dg kata lain:
- Apakah model persamaan (regresi) yg dibentuk cocok
unt mempredik variabel Y?
- Y= b0 +b1 X1 +b2 X2 + b3 X3.........bkXk (model persamaan
regresi )
- Apakah ada pengaruh Var indep terhd var depend
• Menghitung b0 = intersep dari persamaan regresi (log
sederhana), dan konstanta (logreg multiple)
• Menghitung b (1,2,3....k)= koef regresi=perubahan nilai
rata-rata Y dari satu unit perubahan nilai X
Y= b0 +b1 X1 + e (regresi logistik sederhana)
 X1= hanya satu
 Contoh: Apakah kelulusan ujian karya ilmiah ditentukan
oleh nilai metopen?
 Y=Kriterion/ Var yg diprediksi yaitu kelulusan (ya/tdk–
dikhotomus-nominal dg 2 alternatif). Syarat dalam
Regresi Logistik: Y hrs kategorikal
 X1= prediktor, yaitu nilai metopen (skala: interval-ratio).
Prediktor boleh skala nominal, ordinal, interval, ratio)
 b0 =intercept, b1 =koefisien dari X1, e= eror (biasanya
diabaikan)
 Y= b0 +b1 X1+b2X2+..bkXk+ e (reg logistik berganda)
• Ciri Reg Log Berganda: Selain Y hrs berskala kategorikal,
Prediktornya hrs >1 (X1, X2, Xk)
• Contoh 1: Apakah kepuasan pelanggan RS ditentukan oleh
daya tanggap & empathy prwt?
• Y=Kriterion/ Var yg diprediksi yaitu Kepuasan pelanggan
(ya/tdk– dikhotomus)
• X1, X2, Xk= prediktor, yaitu daya tanggap dan empathy
perawat (skala: interval-ratio). Prediktor boleh skala
nominal, ordinal, interval, ratio)
• b0 = dan konstanta (log reg multiple)
• b (1,2,3....k)= koef regresi=perubahan nilai rata-rata Y dari
satu unit perubahan nilai X
Rumus persamaan Regresi Logistik Berganda

• Y= b0 +b1 X1 +b2 X2 +..bkXk (model

persamaan regresi )
• Y= 1 Var terikat/dep= kepuasan pelanggan, skala
(katagorikal/kontinue?)
• X= Var Bebas/indep: >1, mis: daya tanggap perawat
dan empaty, skala? (katagorikal/kontinue)
• Skala menentukan jenis persamaan regresinya (Reg
linear atau Reg Logistik)
 REGRESI LOGISTIK berganda
contoh 2: apakah penjualan produk kosmetik ditentukan
oleh usia pembeli, income dan status?

1. V dep = penjualan produk kecantikan

2. V Independent ada 3, yaitu
- Usia : kontinue: ratio
- Income : kategorikal: High-Middle-low
- Status : kategorikal: menikah-single
3. Dalam hal ini Var indep disebut V covariate, adalah
Var BUKAN hsl interv
4. Persamaan garis regresi : Y= b0 +b1 X1 +b2 X2 + b3 X3
- Y= penjualan produk kecantikan, X1 = usia, X2 =
Income, X3 = status
 Y= b0 +b1 X1 +b2 X2 + b3 X3 REGRESI
• Merpk pendekatan model matematis yg dpt
digunakan unt menggambarkn hub bbrp var X dg
var dependent/Y yg dikhotomus/politomus
(kleinbaum&klein 2002)
• Model ini dpt unt menyelesaikan masalah hub
ant:
- Var Dependent/Y dg skala katagorikal:
dikhotomus/poli)
- var independent/X (kategorikal:nom, ord dan
kontinue: interval-ratio)
ASUMSI dari : Y= b0 +b1 X1 +b2 X2 + b3 X3

1. Tdk ada hub linear Var bebas/indep (X1,2,3)

dg var terikat/dependent (Y). Mengingat Var
Y berskala Non-metrik
(dikhotomus/polytomus) sdg Var
indepependent berskala metrik, maka ke 2
var tsb hubungannya non-linear, makanya
kita gunakan Reg Logistik bukan Reg Linear
2. Independensi (tdk ada hub) antar var bebas
(X) atau tdk terdp hub multikolinieritas
Y= b0 +b1 X1 +b2 X2 + b3 X3 LOG REG
BERGANDA/MULTIPLE
• Var depend (Y) harus katagorikal yaitu:
dikhotomus (membeli-tdk membeli)
atau polytomus (High-middle-Low)
• Var Indep/X tidak hrs memiliki
keragaman/skala yg sama ant klp var.
Contoh: apakah penjualan ditentukan oleh
usia dan tk pendapatan? Y= b0 +b1 X1 +b2 X2
Y = kepuasan pelanggan (dikhotomus: puas-tdk
puas)
X1 status (dikhotomus: menikah-single),
X2 tingkat pendpt (Polytomus: High-Middle-low)
atau umur (ratio: 40 th)
•Contoh tsb- semua variabel dg skala kategorikal-
nonmetrik-dikhotomus/poltthomus)
•Catatan: Sampel yg diperlukn relatif besar. Unt 1
var prediktor diperlukan s/d 50 sampel
LAKUKAN ANALISIS (dari DATA SIMULASI) ada 5 pertny?
a. Bgm bentuk persmaan regresinya?
b. Brp % ketepatan prediksinya?
c. Brp % kontribusi/prediksi X1 dan X2 terhadap
Y?---( Reg Linear=R2)
d. Apakh ada korelasi bermakna antara Y
dengan X (jika X1 dan X2 diuji sec bersm-
sama)? – ( Reg linear = Uji F)
e. Bgm kebermaknaan korelasinya (antara Y
dengan bbrp X) jika di uji satu per satu? (Reg
Linear= uji t)
ENTRY DATA
Analysis-Regresi-Binary
Masukkan ke Dialog box
 Output dan interpretasinya

 Y= b0 +b1 X1 +b2 X2 + b3 X3.........bkXk (model

persamaan regresi )
 Y = -23,966 +0,069 X1 +0,533 X2
 Output dan interpretasinya

• Ketepatan var X1 dan Var X2 memprediksi

nilai Y (Kepuasan pengguna) sebesar 74,0%
 Output dan interpretasinya

Lihat R square  Kontribusi variabel X1

dan variabel X2 terhadap Y sebesar 0,401
atau 40,1%, sedangkan 59,9%
dipengaruhi oleh variabel lain (selain X1
dan X2)
 Output dan interpretasinya

Korelasi bersama X1 dan X2 terhadap Y (korelasi

majemuk) dg teknik Chi-Square di dpt nilai
17,873 dengan nilai signifikansi 0,000 (<0,05),
berarti sec bersama-sama tanggapan (X1) dan
Empati (X2) berhubungan dengan kepuasan
pengguna (Y)
 OUTPUT DAN INTERPRETASINYA

 Lihat slide 17: bhw persamaan grs regresi ini dpt

dipakai unt mempredik Y (signifikansi 0,003) jk X1
disandingkan dg X2 (dihitung sec BERSAMA-SAMA)
 Namun sebenarnya X1= daya tanggap tdk ada
hub/pengaruh bermakna dg Y (sig 0,754 atau >
0,05)
 Aplikasi Persamaan garis regresi
Y = -23,966 +0,069 X1 +0,533 X2
Mis: nilai daya tanggap 50 dan nilai
empati 40, maka
Y= -23,966+3,450+21,320=0,804 = tidak
puas (<1)
Mis: nilai daya tanggap 53 dan nilai
empati 40, maka:
Y= -23,966+3,657+21,320=1,011 = puas
(>1)
 KESIMPULAN
• Dari data simulasi diketahui bahwa:
1.Ada korelasi yg signifikan antara Y dengan X1
dan X2 (SEC BERSM), dengan kontribusi
prediksi sebesar 40,1% (R square)
2.Persamaan garis regresi yg terbentuk yaitu: Y
= -23,966 +0,069 X1 +0,533 X2

dpt digunakan unt mempredik Y (dg ketepatan

74,0%)
 Acuan
1. Fauzie, M (2015). Buku panduan praktek:
analisa data menggunakan SPSS for window.
2. Herawati, L (2012). Regresi logistik berganda.
Bahan mengajar Prog Pascasarjana/Magister
Terapan (MT) Bid Kesehatan, UNDIP
Semarang, April 2012