ANALISIS MULTIVARIAT:

REGRESI LOGISTIK

Dr.APRININGSIH, S.K.M.,M.K.M.
REGRESI LOGISTIK
• Model matematis untuk menganalisis hubungan antara satu atau beberapa
variabel independent yang berjenis katagorik atau numerik dengan satu
variabel dependent yang berjenis katagorik dichotom (sehat/sakit,
hidup/mati)

• Regresi Logistik:
- Sederhana  hanya satu variabel independen
- Ganda/multiple  lebih dari satu variabel independen
Persamaan Regresi Logistik:

1 1
P(Y )   (logitY )

1  Exp 1  Exp  ( a  b1 x1 .....  bk xk )

OR  Exp (b )
 Exponensia l (b )
e (b )

P = Probabilitas OR = Odds Ratio

REGRESI LOGISTIK GANDA
Fungsi Regresi logistik ganda:
1. Menetapkan model matematik yang paling baik utk
menggambarkan hubungan var. indep dan var dep.
2. Menggambarkan hubungan kuantitatif antara var. indep (x) dng var
dep (y) setlah dikontrol var. lain
3. Mengetahui variabel x mana yang penting/dominan dlm
memprediksi var. dep
4. Mengetahui adanya interaksi pada dua/lebih var. independen thd
variabel dependen
Jenis Regresi logistik
1. Regresi Logistik Model Prediksi
Model yg terdiri beberapa variabel independen yang dianggap terbaik
untuk memprediksi kejadian variabel dependen

X1
X2 y
X3
Mis judul penelitian:
Faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X
tahun 2006
Jenis Regresi logistik
2. Regresi Logistik Model Faktor Risiko
Model dengan tujuan mengetahui hubungan satu/beberapa variabel
independen dengan kejadian variabel dependen dengan mengontrol
beberapa variabel confounding

x1 y

X2
X3
X4
Model Prediksi
• Langkah Pemodelan
1. Seleksi bivariat; variabel independen p value < 0,25 atau walaupun > 0,25 boleh masuk
multivariat kalau secara substansi merupakan variabel yg sangat penting
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat. Variabel yang p
valuenya besar dikeluarkan dari model multivariat. Ketentuannya : variabel yg p valuenya <
0,05 yang dapat tetap di model. Variabel yg p valuenya > 0,05 dikeluarkan dari model satu
persatu dimulai dari variabel yg p valuenya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien (nilai OR) variabel2 yg masih ada (berubah > 10
%), maka var tsb dimasukkan kembali dlm model. Pemilihan variabel dng metode ENTER
3. Identifikasi liniearitas untuk variabel independen yg berbentuk numerik; untuk memastikan
apakah variabel tsb tetap berbentuk numerik atau lebih baik dlm bentuk katagorik.
4. Uji interaksi sesama variabel indpenden yg secara substansi diduga ada interaksi
Model Faktor Risiko
Langkah Pemodelan
1. Melakukan analisis bivariat antara masing2 variabel konfounding dng dependen, bila
hasil p value < 0,25 maka var tsb dpt masuk multivariat, atau walaupun p value > 0,25
boleh masuk multivariat kalau secara substansi merupakan variabel yg sangat penting
(langkah ini bisa diabaikan)
2. Lakukan pemodelan lengkap, mencakup: var utama, var konfounding dan var
interaksi.
3. Langkah pertama, lakukan penilaian interaksi dng cara melihat nilai p. Bilai p value >
0,05 var interaksi dikeluarkan dari model secara bertahap dimulai dari p value
terbesar.
4. Lakukan penilaian konfounding dng cara mengeluarkan var konfounding satu persatu
dimulai dari p value terbesar. Bila setelah dikeluarkan diperoleh selisih OR var Utama
lebih besar dari 10 %, maka varibel tsb dinyatakan sbg konfounding dan var tsb
berarti harus tetap berada dalam model
Logistik Model prediksi
Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) ,
RAS (race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS (ui)
,PERIKSA HAMIL (ftv),merok, prematur dengan BBLR (low).

Umur(age)
Ras(race) BBLR(low)
Hipertensi(ht)
Uterus(ui)
Anc(ftv)
Merokok(smoke)
Prematur(ptl)
Seleksi bivariat
1. umur Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 2.760 1 .097
Block 2.760 1 .097
Model 2.760 1 .097

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.051 .032 2.635 1 .105 .950 .893 1.011
1 Const
.385 .732 .276 1 .599 1.469
ant
a. Variable(s) entered on step 1: age.

Hasil bivariat menunjukkan , umur mempunyai p value 0,097 (lihat

Di omnibus test bagian block). Dengan demikian p value < 0,25
Jadi umur dapat ke multivariat.
Dari hasil diatas juga dapat diketahui nilai OR, yaitu di kolom
EXP(B) = 0,950
2. Race
Categorical Variables Codings
Omnibus Tests of Model Coefficients
Parameter coding
Frequency (1) (2) Chi-square df Sig.
Race White 96 .000 .000 Step 1 Step 5.010 2 .082
Black 26 1.000 .000 Block 5.010 2 .082
Other 67 .000 1.000 Model 5.010 2 .082

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Stea race 4.922 2 .085
p1 race(1) .845 .463 3.323 1 .068 2.328 .939 5.772
race(2) .636 .348 3.345 1 .067 1.889 .955 3.736
Constant -1.155 .239 23.330 1 .000 .315
a. Variable(s) entered on step 1: race.

Hasil uji didapatkan p value 0,087 berarti p value < 0,25, sehingga variabel ras
dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy,
terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam akan berisiko
bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit putih. OR untuk race(2) besarnya 1,89
artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi
dibandingkan ras kulit putih.
3. hipertensi
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 4.022 1 .045
Block 4.022 1 .045
Model 4.022 1 .045

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ht 1.214 .608 3.979 1 .046 3.365 1.021 11.088
1 Constant -.877 .165 28.249 1 .000 .416
a. Variable(s) entered on step 1: ht.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti

masuk dalam multivariat
4. Kelainan uterus
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 5.076 1 .024
Block 5.076 1 .024
Model 5.076 1 .024

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ui .947 .417 5.162 1 .023 2.578 1.139 5.834
1 Constant -.947 .176 29.072 1 .000 .388
a. Variable(s) entered on step 1: ui.

Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus dapat
lanjut ke multivariat
5. ANC
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step .773 1 .379
Block .773 1 .379
Model .773 1 .379

Variables in the Equation

95.0% C.I.for EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ftv -.135 .157 .744 1 .389 .874 .643 1.188
1 Constant -.687 .195 12.427 1 .000 .503
a. Variable(s) entered on step 1: ftv.

Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak
dapat lanjut ke multivariat, namun karena secara substansi variabel periksa
hamil sangat penting, maka variabel ini dapat dianalisis multivariat.
6. merokok
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 4.867 1 .027
Block 4.867 1 .027
Model 4.867 1 .027

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
smoke .704 .320 4.852 1 .028 2.022 1.081 3.783
1 Constant -1.087 .215 25.627 1 .000 .337
a. Variable(s) entered on step 1: smoke.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan

demikian variabel merokok dapat masuk ke multivariat.
7. prematur
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 6.779 1 .009
Block 6.779 1 .009
Model 6.779 1 .009

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ptl .802 .317 6.391 1 .011 2.230 1.197 4.151
1 Constant -.964 .175 30.370 1 .000 .381
a. Variable(s) entered on step 1: ptl.

Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25 sehingga
variabel riwayat adanya prematur dapat masuk ke multivariat
 Hasil seleksi bivariat
Setelah masing-masing variabel independen dilakukan analisis bivariat, hasilnya:

Variabel P value
Umur 0,097
Ras 0,082
Hipertensi 0,045
Kelainan uterus 0,024
Periksa hamil 0,379
Merokok 0,027
Prematur 0,009

Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya periksa hamil yang p valuenya > 0,25.
namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan
variabel yang sangat penting berhubungan dengan kejadian bblr.
Pemodelan Multivariat
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.041 .036 1.249 1 .264 .960 .894 1.031
1 race 6.783 2 .034
race(1) 1.009 .502 4.034 1 .045 2.743 1.025 7.345
race(2) 1.003 .426 5.560 1 .018 2.727 1.185 6.280
smoke .964 .391 6.090 1 .014 2.622 1.219 5.639
ptl .630 .340 3.429 1 .064 1.877 .964 3.654
ht 1.361 .631 4.648 1 .031 3.902 1.132 13.451
ui .802 .458 3.066 1 .080 2.229 .909 5.468
ftv .009 .161 .003 1 .954 1.009 .736 1.384
Constant -1.183 .919 1.659 1 .198 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.

Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu
age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan
selanjutnya variabel ftv dikeluarkan dari model.
Model tanpa FTV
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.040 .036 1.275 1 .259 .960 .896 1.030
1 race 6.781 2 .034
race(1) 1.009 .503 4.035 1 .045 2.744 1.025 7.347
race(2) 1.002 .425 5.562 1 .018 2.723 1.184 6.262
smoke .963 .390 6.086 1 .014 2.620 1.219 5.632
ptl .629 .340 3.423 1 .064 1.875 .963 3.651
ht 1.358 .629 4.663 1 .031 3.889 1.134 13.341
ui .800 .457 3.063 1 .080 2.226 .908 5.454
Constant -1.184 .919 1.661 1 .197 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.

Setelah ftv keluar, kita lihat perubahan OR untuk masing-masing

variabel
Perubahan nilai OR
Variabel OR ftv ada OR ftv tak ada perubahan OR

Age 0.960 0.960 0%

Race(1) 2.743 2.744 0%
Race(2) 2.727 2.723 0%
Smoke 2.622 2.620 0%
Ptl 1.877 1.875 0,1 %
Ht 3.902 3.889 0.3 %
ui 2.229 2.226 0,1 %
ftv 1.009

Ternyata setelah ftv keluar, perubahan OR untuk semua variabel yg

Tersisa tidak ada yang > 10 %. Dengan demikian ftv dikeluarkan dari
Model.
Selanjutnya variabel umur dicoba dikeluarkan dari model
Model tanpa umur
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Setelah umur dikeluarkan kita lihat perubahan nilai OR untuk variabel

Yang tersisa
Perubahan nilai OR
Variabel OR age ada OR age tak ada perubahan OR

Age 0.960 -
Race(1) 2.743 2.968 8,2 %
Race(2) 2.727 2.883 5,7 %
Smoke 2.622 2.694 2,7 %
Ptl 1.877 1.779 5,2 %
Ht 3.902 3.912 0.3 %
ui 2.229 2.350 5,4 %
ftv 1.009

Setelah umur keluar, perubahan nilai OR nya tidak ada yang > 10%, berarti
Variabel umur dikeluarkan dari model
Selanjutnya variabel variabel prematur dicoba dikeluarkan
Model tanpa prematur
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 8.245 2 .016
1 race(1) 1.064 .499 4.545 1 .033 2.897 1.090 7.704
race(2) 1.083 .413 6.877 1 .009 2.955 1.315 6.640
smoke 1.094 .380 8.299 1 .004 2.986 1.419 6.286
ht 1.359 .630 4.660 1 .031 3.894 1.133 13.379
ui 1.006 .438 5.262 1 .022 2.734 1.158 6.458
Constant -2.092 .380 30.307 1 .000 .123
a. Variable(s) entered on step 1: race, smoke, ht, ui.

Variabel OR ptl ada OR ptl tak ada perubahan OR

Age 0.960 -
Race(1) 2.743 2.897 5,6 %
Race(2) 2.727 2.955 8,3 %
Smoke 2.622 2.986 13,8 %
Ptl 1.877 - -
Ht 3.902 3.894 0.2 %
ui 2.229 2.734 22,6 %
ftv 1.009 -

Ada perubahan OR > 10 %, jadi prematur dimasukkan kembali dlm model

Model prematur masuk lagi
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Model setelah variabel prematur dimasukkan kembali.

Variabel ui p=0,058, dengan demikian variabel ui dicoba dikeluarkan
dari model
Model tanpa uterus

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 8.286 2 .016
1 race(1) 1.062 .500 4.513 1 .034 2.894 1.086 7.712
race(2) 1.085 .411 6.949 1 .008 2.958 1.321 6.626
smoke .996 .382 6.794 1 .009 2.707 1.280 5.726
ht 1.221 .629 3.764 1 .052 3.390 .988 11.640
ptl .696 .325 4.596 1 .032 2.007 1.062 3.793
Constant -2.025 .372 29.586 1 .000 .132
a. Variable(s) entered on step 1: race, smoke, ht, ptl.
Perubahan OR tanpa Uterus
Variabel OR ui ada OR ui tak ada perubahan OR

Age 0.960 -
Race(1) 2.743 2.894 5,5 %
Race(2) 2.727 2.958 8,4 %
Smoke 2.622 2.707 3,2 %
Ptl 1.877 2.007 6,9 %
Ht 3.902 3.390 13.1 %
ui 2.229 - -
ftv 1.009 - -

Uterus merubah OR > 10%, dengan demikian variabel uterus dimasukkan

Kembali dalam model

Dengan demikian pemodelan selesai

Model terakhir
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
interpretasi
Interpretasi:
• Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat Kohort.
• Untuk penelitian yang bersifat cross sectional atau case control, interpretasi yang dapat dilakukan hanya
• menjelaskan nilai OR (Exp B) pada masing-masing variabel.
• Oleh karena analisisnya multivariat/ganda maka nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain yang
ada pada model.
• Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan kejadian BBLR:
variabel ras, merokok dan hipertensi. Sedangkan variabel riwayat prematur dan kelainan uterus sebagai variabel
konfounding.
Hasil analisis didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 3,9, artinya Ibu yang menderita hipertensi
akan melahirkan bayi BBLR sebesar 4 kali lebih tinggi dibandingkan ibu yang tidak menderita hipertensi setelah
dikontrol variabel race, merokok, prematur dan uterus. Secara sama dapat diinterpretasikan untuk variabel yang lain.
Uji interaksi
Block 2: Method = Enter Chi-
 
Omnibus Tests of Model Coefficients square df Sig.
Step Step
1 .000 1 .994

Block .000 1 .994

Mode
l 26.560 7 .000

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.900 2 .019
1 race(1) 1.088 .502 4.692 1 .030 2.969 1.109 7.946
race(2) 1.059 .419 6.387 1 .011 2.883 1.268 6.555
smoke .990 .397 6.211 1 .013 2.692 1.236 5.865
ptl .576 .336 2.937 1 .087 1.779 .921 3.438
ht 1.360 .831 2.680 1 .102 3.896 .765 19.852
ui .854 .451 3.584 1 .058 2.350 .970 5.693
ht by smoke .010 1.283 .000 1 .994 1.010 .082 12.491
Constant -2.146 .386 30.875 1 .000 .117
a. Variable(s) entered on step 1: ht * smoke .

Uji interaksi didapatkan p value pada blok2 bagian step = 0,994, p value >0,05
berarti tidak ada interaksi.
Model terakhir
Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
This Photo by Unknown Author is licensed under CC BY-SA
This Photo by Unknown Author is licensed under CC BY-SA