Regresi Logistik

Hadi Nugroho, SKM., M.Epid.

 A. Pendahuluan
• Analisis regeresi logistik adalah salah satu pendekatan
model matematis yang digunakan untuk menganalisis
hubungan satu atau beberapa variabel independen denggan
sebuah variabel dependen kategori yang bersifat
dikotom/binary.
• Variabel kategori yang dikotom adalah variabel yang
mempunyai dua nilai variasi, misalnya Sakit dan Tidak Sakit,
bayi BBLR dan Normal, Merokok dan Tidak Merokok, dll.
• Perbedaan antara regresi linier dengan regresi logistik
terletak pada jenis variabel dependennya. Regresi linier
digunakan apabila variabel dependennya numerik,
sedangkan regresi logistik digunakan pada data yang
dependennya berbentuk kategori yang dikotom.
• Fungsi Logistik :
– f(Z) =
• f(Z) merupakan probabilitas kejadian suatu penyakit
berdasarkan faktor resiko tertentu, misalnya
probabilitas kejadian jantung pada umur tertentu.
• Nilai z merupakan nilai indeks variabel independen.
Nilai z bervariasi antara sampai
– Bila nilai Z mendekati , maka f(Z) = = 0
– Bila nilai Z mendekati , maka f(Z) = = 1
• Terlihat bahwa fungsi f(Z) nilai berkisar antara 0 dan
1 berapapun nilai Z. Kisaran pada regresi logistik ini
berarti cocok/sesuai digunakan untuk model
hubungan yang variabel dependennya dikotom.
 B. Model Logistik
• Model logistik dikembangkan dari fungsi logistik dengan
nilai Z merupakan penjumlahan linier konnstanta (α)
ditambah dengan β1X1, ditambah β2X2 dan
seterusnya sampai βiXi. Variabel X adalah variabel
independen

Persamaannya adalah:
•  (regresi logistik sederhana)
•  (regresi logistik berganda)
Bila nilai Z dimasukkan pada fungsi Z, rumus fungsi Z
adalah:
• f(Z) =
 Aplikasi Model Regresi Logistik
• Contoh: suatu studi follow-up dilakukan selama 9 tahun. Dalam studi
ini dipelajari mengenai hubungan antara kejadian Penyakit Jantung
Koroner (PJK) dengan tinggi rendahnya kadar Katekolamin (kat)
dalam darah.
• Maka pemberian kode nilai variabel adalah sebagai berikut:
– Untuk variabel PJK  1 = timbul PJK
0 = tidak ada PJK
– Untuk variabel Kat  1 = kadar katekolamin darah tinggi
0 = kadar katekolamin darah rendah
Pertanyaan:
1. Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai
resiko untuk terjadi PJK?
2. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai
resiko untuk terjadi PJK?
3. Bandingkan resiko terjadinya jantung koroner antara mereka yang kadar
katekolaminnya tinggi dengan yang kadar katekolaminnya rendah?
• Jawaban:
• Dengan model regresi logistik, maka pada soal
tersebut bentuk modelnya adalah:
f(Z) =
• Nilai f(Z) dapat diganti dengan P(X), maka
rumusnya:
P(X) =
Bila Z = α + β1Kat, maka modelnya
menjadi:
P(X) =
• DALAM SOAL TERSEBUT BAGAIMANA BILA
NILAI α β DIKETAHUI ???
– MISAL α = -3,911 & β = 0,652

– MAKA: P(X) =
• MAKA: P(X) =
Dari model tersebut maka kita coba jawab pertanyaan diatas:
a. Besar resiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi
Karena kadar katekolaminnya tinggi diberi angka 1, maka masukkan nilai Kat=1 pada model diatas,
hasilnya:
P(X) = = 0,037  0,04 4%
Jadi, mereka dengan kadar katekolamin tinggi dalam darah mempunyai resiko untuk terjadinya PJK sebesar
4%
b. besar resiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah
Karena kadar katekolaminnya tinggi diberi angka 1, maka kadar katekolamin rendah nilainya Kat=0 pada
model diatas, hasilnya:

P(X) = = 0,019  0,02 2%

Jadi, mereka dengan kadar katekolamin rendah dalam darah mempunyai resiko untuk terjadinya PJK
sebesar 2%
c. Besar resiko kedua kelompok tersebut adalah sebagai berikut:

= = 1,947  2,0
Nilai tersebut diatas sesungguhnya adalah nilai resiko relatif (RR) yang diperoleh secara direct
(langsung). Arti dari angka tersebut adalah mereka yang kadar katekolaminnya tinggi mempunyai
resiko terjadi PJK 2 kali lebih tinggi dibandingkan mereka yang kadar katekolaminnya rendah.
Model regresi logistik dapat digunakan pada data yang dikumpulkan melalui rancangan kohort,
kasus-kontrol, atau kros-seksional. Namun pada 2 rancangan terakhir (kasus-kontrol dan kros-
seksional) parameternya dicari melalui estimasi OR (Oods Ratio) yang merupakan perhitungan
eksponensial beta (β) dari persamaan garis regresi logistik. Jadi nilai OR dapat dihitung dari nilai RR
dengan cara indirek.
OR=
Kelas A