ANALISIS

REGRESI LOGISTIK GANDA

( M U LTI P L E L O G I S T I C R EG R ES S I O N )

KELOMPOK 6 (KELAS H)
DICKY ALAMSYAH K012202036
FEBIYANTI AFITIA ROHMAN K012202067
 PENGERTIAN

• Analisis regresi logistik ganda adalah alat statistik yang sangat kuat
untuk menganalisis hubungan antara paparan dan penyakit dengan
serentak mengontrol pengaruh sejumlah faktor perancu potensial.
• Tujuan analisis regresi ganda logistik yaitu menemukan model regresi
yang paling sesuai, hemat biaya, sekaligus masuk akal secara biologik,
untuk menggambarkan hubungan antara variabel dependen dan satu set
variabel prediktor dalam populasi.
• Manfaat analisis regresi ganda: (a) meramalkan terjadinya variabel
dependen pada individu berdasarkan nilai-nilai sejumlah variabel
prediktor yang ada pada individu tersebut. (b) mengukur hubungan
antara variabel respon dan prediktor, setelah mengontrol pengaruh
prediktor (kovariat) lainnya.
 (a) Kemampuan
mengkonversi koefisien
regresi (bi) menjadi rasio
odds (OR).  OR = exp [bi]

(b) Kemampuan menaksir

KEISTIMEWAAN REGRESI probabilitas individu untuk sakit
LOGISTIK GANDA
(mengalami event) berdasarkan nilai-
nilai sejumlah variabel prediktor,
dengan rumus sebagai berikut:
 MACAM REGRESI LOGISTIK
REGRESI LOGISTIK GANDA
REGRESI LOGISTIK (MULTIPLE REGRESSION
SEDERHANA LOGISTIC)

• Untuk mempelajari hubungan • Untuk mempelajari hubungan

antara satu variabel prediktor antara beberapa variabel
dengan satu variabel dependen prediktor dengan satu variabel
dikotomus. dependen dikotomus.
 MODEL REGRESI LOGISTIK GANDA

Ln (p/(1-p) = logodd (logit). Logaritme natural dari odds.

Odds : rasio probabilitas suatu peristiwa untuk terjadi dan
probabilitas suatu peristiwa untuk tidak terjadi
a = Konstanta (intersep)
b1 , b2 , .... bk = koefisien regresi variabel prediktor (slope)
X1, X 2 ....Xk = variabel prediktor yg pengaruhnya akan diteliti.
p = probabilitas untuk terjadinya “peristiwa” dari variabel
dependen yg dikotomus.
 MEMBANGUN MODEL REGRESI
LOGISTIK GANDA
• Pembangunan model regresi logistik
ganda hendaknya tidak terjebak oleh
penggunaan variabel prediktor yang
terlalu banyak
• Pemilihan variabel sebaiknya
dilakukan dengan cara-cara yang lebih
purposif, dan tidak terpaku pada
pendekatan yang sifatnya deterministik
menurut kemaknaan statistik.
• Semakin banyak variabel yang
dimasukkan dalam model hanya akan
meningkatkan kesesuaian garis
regresi dengan hubungan antara
variabel dependen dan sejumpan
variabel prediktor pada data sampel,
tetapi belum tentu menggambarkan
hubungan tersebut pada tingkat
populasi.
 MEMBANGUN MODEL REGRESI
LOGISTIK GANDA

• Hal itu disebabkan karena, • Kesimpulannya, model tersebut tidak

bertambahnya variabel prediktor merefleksikan/menggambarkan
(baik yang relevan maupun tidak hubungan variabel respon dan
relevan) hanya akan menaikkan nilai variabel-variabel prediktor dalam
taksiran kesalahan baku, sehingga populasi yang sesungguhnya.
membuat model tersebut sangat
tergantung kepada data pengamatan
sampel.

PROSEDUR
PEMILIHAN VARIABEL
Agar diperoleh model regresi
yang baik, maka prosedur
yang dapat dilakukan adalah
sebagai berikut:
• Melakukan analisis univariat untuk
menyaring variabel-variabel yang
penting
• Memasukkan dan/atau
mengeluarkan variabel-variabel
dalam model mutivariat
• Memasukkan dan memeriksa
kemungkinan ada interaksi variabel
dalam model
 • Uji statistik yang digunakan adalah Chi-
quadrat
• Jika terdapat variabel prediktor lebih dari dua
kategori, maka dibuat menjadi dua kategori
terlebih dahulu. Perlu diingat bahwa dalam
melakukan recode harus mempunyai alasan
biologik
• Mickey dan Greenland: variabel-variabel yang
MELAKUKAN ANALISIS mempunyai nilai p=0,25 dan memiliki
UNIVARIAT UNTUK kemaknaan biologik hendaknya
PENYARINGAN AWAL dipertimbangkan untuk dimasukkan ke dalam
model multivariat.
• Batasan p=0,25, untuk mengantisipasi
kemungkinan variabel yang secara terselubung
sesungguhnya penting untuk dimasukkan
dalam model. “Terselubung” yaitu
kemungkinan variabel-variabel secara kolektif
dapat menjadi prediktor penting, walaupun
secara sendiri sendiri merupakan prediktor
lemah.
 Beberapa metode:
• Enter
• Stepwise
MEMASUKKAN/MENGELUARK • Forward
AN VARIABEL DALAM MODEL
REGRESI • Backward

Conditional, LR (likelihood ratio),

Wald
 • Jika dengan uji interaksi
menunjukkan kemaknaan statistik,
maka dapat dikatakan interaksi
memberikan kontribusi penting
MEMERIKSA kepada model. Namun jika suatu
KEMUNGKINAN interaksi hanya memperbesar
INTERAKSI
taksiran kesalahan baku (S.E) dan
tidak mengubah taksiran koefisiens
regresi (b1), maka interaksi tersebut
kemungkinan tidak penting.
 CONTOH KASUS

Seorang peneliti ingin mengetahui faktor yang dapat mempengaruhi

status gizi anak balita. Variabel yang diteliti adalah Pemberian makanan
tambahan (PTM), Asal daerah dan Ekonomi. Dengan sampel 30 anak
balita.
Dengan Keterangan :
Status gizi : 1= Kurang, 0 = normal,
Pemberian makan tambahan = 1, tidak pemberian makan tambahan = 0
Daerah 1 = Urban, 2 = rural, Ekonomi : per 100.000
 Sampel  S.Gizi  PMT  Derah  Ekonomi  Sampel  S.Gizi  PMT  Daerah  Ekonomi
1  1  0  2  10  16  0  1  1  5
2  1  0  2  11  17  0  1  1  6
3  1  0  2  12  18  0  1  1  7
4  1  0  1  6  19  0  0  1  5
5  1  0  2  10  20  0  0  1  5
6  1  0  2  11  21  0  1  2  10
7  1  0  2  12  22  0  1  2  11
8  1  1  2  15  23  0  1  1  6
9  1  0  1  5  24  0  1  1  5
10  1  0  2  9  25  0  1  1  3
11  1  0  2  10  26  0  1  1  5
12  1  1  1  6  27  0  1  1  4
13  1  0  2  15  28  0  1  1  5
14  1  0  2  14  29  0  0  1  4
15  0  0  2  12  30  0  0  1  6
 PENYELESAIAN DENGAN PROGRAM
SPSS
1. Masukkan data di program SPSS sebagai berikut
2. Klik menu Analyze, kemudian pilih Regression, kemudian klik Binari Logistic
3. Pilih variabel PMT, Daerah, dan Ekonomi ke kotak Covariates, dan variabel
SGIZI kekotak Dependent. Akan muncul sebagai berikut
4. Karena pada variabel PMT dan Daerah adalah data kategori, maka klik
Categirical akan muncul sebagai berikut
5. Pindah kan variabel PMT dan Daerah ke kotak Categorical Covariates dengan
klik tanda panah ke kanan, akan muncul sebagai berikut
6. Klik Continue kemudian klik options, maka akan muncul sebagai berikut
7. Pada statistics and plots contreng Hosmer-Lameshow goodnes-of-fit dan CI for
exp (B) kemudian klik continue kemudian klik ok akan muncul hasil sebagai
berikut
Output pada tabel variabel in the equation merupakan tabel utama dari
hasil analisis data dengan menggunakan regresi logistik. Berdasarkan
tabel variabels in the equation nilai Cinstant ( B0) = -6,437, nilai
koefisien regresi logistik untuk variabel independen PMT ( B1) = 2,533,
daerah ( B2) = 0,756 dan variabel ekonomi ( B3 ) = 0,531. Nilai p
masing-masing variabel independen yaitu PMT = 0,034, daerah = 0,774,
dan ekonomi = 0,224. Dengan memperhatikan nilai p, hanya variabel
PTM yang mempunyai nilai p < 0,05. ini berarti hanya variabel PMT
yang mempunyai pengaruh terhadap status gizi balita.
TERIMA KASIH