UJI REGRESI LOGISTIK

Oleh :
Mohammad Abdullah
 Batasan Regresi Logistik
Merupakan uji statistik yg digunakan untuk
prediksi probabilitas kejadian suatu peristiwa
dg mencocokkan data pd fungsi logit kurva
logistik
Digunakan pd variabel yg hanya memiliki 2
kategori (variabel dikhotom)
 Batasan Uji Regresi Logistik
Digunakan bila variabel terikat (dependen) merupakan
variabel dikhotom (berskala nominal), sedangkan
variabel independen bisa nominal, ordinal, interval atau
ratio.
Uji ini tidak mengasumsikan adanya hubungan linear
antara variabel-variabel independen dan variabel
dependen
Regresi logistik merupakan regresi non linear dengan
model sebagai berikut :
 Batasan (lanjutan)
Regresi logistik menghasilkan rasio peluang (odds ratio)
antara keberhasilan atau kegagalan dari sesuatu dalam
analisis.
Contoh: seberapa besar peluang seseorang menang dalam
sebuah pemilu Kepala Daerah.
Asumsi-asumsi dalam Regresi Logistik:
1. tdk mengasumsikan hubungan linear antara variabel dependen dan
independen
2. Variabel dependen harus bersifat dikotomi (2 atribut)
3. Variabel independent tidak harus memiliki keragaman yang sama antar
kelompok variabel
4. Kategori dalam variabel independent harus terpisah satu sama lain atau
bersifat eksklusif
5. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan
hingga 50 sampel data untuk sebuah variabel prediktor (bebas).
 Batasan (lanjutan)
Model Regresi Logistik :
Log (P / 1 p) = 0 + 1X1 + 2X2 + . + kXk
Keterangan :
Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3
adalah variabel independen, dan b adalah koefisien regresi.
ATAU
 Metode Enter
Bila seluruh variabel bebas yang bermakna
maupun yg tidak bermakna dimasukkan ke
dalam model persamaan regresi

Metode Eliminasi Backward

Memasukkan seluruh variabel bebas ke dalam
model persamaan dan mengeliminasi variabel
bebas yg tdk bermakna dari model persamaan
secara bertahap satu per satu
 Metoda Addisi Forward
Memasukkan satu variabel bebas yang bermakna yg
mempunyai kontribusi dalam prediksi, kemudian
secara bertahap satu per satu variabel bebas yang
bermakna masuk dalam model persamaan.

Metoda Estimasi Stepwise

Metoda ini mirip dengan addisi forward.
Seleksi dari memasukkan variabel ke dalam model
persamaan regresi dimulai dari variabel bebas
(prediktor) terbaik (yang paling bermakna).
Variabel prediktor yg telah masuk bila dikeluarkan
kembali bila dalam model selanjutnya menjadi tdk
bermakna lagi.
Analisa Regresi Logistik dengan
Software Statistik
 Contoh kasus
Akan dilakukan analisa pengaruh dari paritas, status
anemia dan status KEK serta frekuensi ANC pada ibu
hamil terhadap terjadinya BBLR pada bayi yang
dilahirkan.

Status BBLR (var. dependen) : 1 = tdk BBLR 0 =BBLR

Status anemia : 2 = tidak anemia; 1 = anemia
Status KEK : 2 = tidak KEK; 1 = KEK
Paritas : 2 =Paritas rendah 1 = paritas
tinggi
Frekuensi ANC : sesuai berapa kali berkunjung (ratio)
 Langkah-langkah
1. Klik : anlyze, -- regression -- binary logistic
2. Masukkan variabel-variabelnya

3. Klik categorical : untuk memilih variabel independen yg berskala

nominal (kategorikal)
3. Klik : continue
4. Pilih menu option, kemudian centang iteration history
5. Kemudian klik continue
6. Klik Ok, maka akan keluar output hasil analisa
regresi logistik
 Interpretasi Hasil
1. Identifikasi data yang hilang (missing data)
Case Processing Summary
a
Unweighted Cases N Percent
Selected Cases Included in Analysis 31 100.0
Missing Cases 0 .0
Total 31 100.0
Unselected Cases 0 .0
Total 31 100.0
a. If weight is in effect, see classification table for the total
number of cases.

Hasil ini hanya untuk menjelaskan tentang ringkasan proses. Pada

hasil tampak tidak ada data yang hilang (missing cases = 0)
dengan total sampel sebesar 31.
 2. Pemberian kode variabel dependen oleh SPSS
De pendent V aria ble Encodi ng

Original Value Int ernal Value

BB LR 0
tidak B BLR 1

Pada variabel dependen (status BLR), BBLR diberikan kode 0, dan tidak BBLR
diberi kode 1. Yang dianggap sebagai output adalah tidak BBLR (kode 1)

3. Pemberian kode pada variabel independen (covariate) yang

kategorikal Categorical Variables Codings
Paramete
Frequency r coding
(1)
status anemia anemia 10 1.000
tidak anemia 21 .000
status kurang KEK 9 1.000
energi kronis tidak KEK 22 .000
kategori paritas tinggi 8 1.000
paritas paritas rendah 23 .000

Pada penelitian ini digunakan 3 covariate yang berskala kategorikal, yaitu status
anemia, status kurang energi kronis dan kategori paritas. Status anemia, KEK
dan paritas tinggi masing-masing dikode 1 sebagai pembanding
 4. Uji signifikansi model
Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 21.447 4 .000
Block 21.447 4 .000
Model 21.447 4 .000

Untuk ini dipakai tabel Omnibus tests of model coefficients untuk

menguji signifikansi model pengaruh dari seluruh variabel
independen secara bersama-sama terhadap variabel dependen.
Karena nilai sig. model sebesar 0,000 ( < 0,05) maka berarti H0
ditolak, sehingga model adalah signifikans.
Disimpulkan: bahwa variabel-variabel independen (bebas) yang
digunakan bersama-sama berpengaruh terhadap kejadian BBLR
atau minimal ada 1 variabel yang berpengaruh
5. Persentase ketepatan klasifikasi
Classification Table a

Predicted

status BBLR Percentage

Observed BBLR tidak BBLR Correct
Step 1 status BBLR BBLR 8 3 72.7
tidak BBLR 1 19 95.0
Overall Percentage 87.1
a. The cut value is .500

Pada tabel tampak : ketepatan model dalam mengklasifikasi

observasi adalah sebesar 87,1%.
Diantara 31 observasi, terdapat 27 observasi yang tepat
pengklasifikasiannya oleh model regresi logistik
 6. Kontribusi Variabel Independen terhadap variasi
pada variabel Dependen
Model Summary

-2 Log Cox & Snell Nagelkerke

Step likelihood R Square R Square
1 a
18.877 .499 .686
a. Es timation terminated at iteration number 6 because
parameter estimates changed by les s than .001.

Negelkerke R square sebesar 0,686 maka sebanyak 68,6% variasi

pada variabel BBLR dapat dijelaskan oleh variabel-variabel
independen yang digunakan, yaitu paritas, status anemia, status
KEK dan frekuensi ANC sedangkan yang 31,4% dipengaruhi oleh
faktor lain.
 7. Uji Parsial dan Pembentukan Model
Va riables in the Equa tion

B S.E. W ald df Sig. Exp(B)

Step
a paritas_2(1) .728 1.576 .213 1 .644 2.071
1 kek(1) -3.609 1.668 4.684 1 .030 .027
anemia(1) -1.496 1.353 1.223 1 .269 .224
ANC -.850 .758 1.258 1 .262 .427
Constant 5.690 3.139 3.287 1 .070 295.911
a. Variable(s) entered on step 1: paritas_2, kek, anemia, ANC.

Pada kolom sig, hanya variabel KEK yang signifikans

mempengaruhi BBLR karena memiliki nilai sig 0,03
(<0,05).
Dengan demikian, model regresi yang dapat dibentuk
adalah
- 3,609
- 3,609
8. Interpretasi Odds ratio
Jika paritas tinggi bertambah 1, maka kemungkinan untuk
menghasilkan anak tidak BBLR adalah sebesar 2 kali lipat (2,071)
jika KEK bertambah 1, maka kemungkinan untuk menghasilkan
anak tidak BBLR adalah sebesar 2,7/100 kali (sekitar 1/37 kali lipat)
atau dengan kata lain, bila KEK bertambah 1, maka kemungkingan
anak BBLR adalah 37 kali lipatnya.
Jika anemia bertambah 1, maka kemungkinan untuk menghasilkan
anak tidak BBLR adalah sebesar 22,7/100 kali lipat (sekitar kali),
atau dengan kata lain, jika anemia bertambah 1, maka kemungkinan
anak BBLR adalah 4 kali lipat
Bila ANC bertambah 1, maka kemungkinan untuk menghasilkan
anak tidak BBLR adalah sebesar 2,3 kali lipat (42,7/100)
Terima Kasih
 Beberapa Uji Asumsi
1. i berdistribusi normal dan merupakan variabel
random dengan (i) = 0
merupakan error term (residu), yg merupakan
metode efektif dan sederhana utk mendeteksi
defisiensi model pada analisis regresi.
Nilai i = Yi - i
Nilai standardized residual :
Bila model ini benar, maka standardized residual
diantara 2 dan -2 yang tersebar secara acak. Atau
merupakan variabel random dg (i) = 0
2. Homoskedasitas
2 adalah konstan. Variasi y adalah sama
untuk sembarang kombinasi yang tetap dari
X1, X2, .... Xp.
Cara melakukan uji ini adalah melakukan
analisis korelasi Spearman antara nilai residu
dengan masing-masing variabel independen.
Jika tidak didapatkan korelasi yang signifikan,
maka dikatakan tidak terjadi
heterokedastisitas (telah tercapai
Homoskedastisitas)
3. Tidak ada Otokorelasi
Salah satu asumsi baku dari model regresi adalah error
term atau galat i dan j yang berkaitan dg pengamatan
ke i dan ke j adalah tidak berhubungan (uncorrelated).
Apabila ada hubungan artinya ada otokorelasi berarti:
a. Taksiran kuadrat terkecil tidak sesat (unbiased) akan
tetapi tidak efisien dlm arti taksiran ini tidak
mempunyai varians minimum lagi.
b. Taksiran dari 2 dan SE (b0) serta SE (b1) bisa lebih
rendah dari kenyataannya sehingga memberi kesan
bahwa ketelitian (accuracy) adalah palsu
c. Interval kepercayaan dan uji kemaknaan akan menjadi
tidak sahih (valid) lagi.
 Ada tidaknya otokorelasi dapat diuji dengan statistik
Durbin Watson (d).

Nilai d dibandingkan dengan titik kritis bawah (dL) dan

titik kritis atas (du) sesuai dengan N (besar sampel) dan
k (banyaknya parameter termasuk 0.
Jika hipotesis H0 : tidak ada otokorelasi (+), maka:
d<dL : menolak H0: artinya ada otokorelasi (+)
d>dL : menerima H0 : artinya tidak ada otokorelasi (+)
dL d du : tidak dapat disimpulkan
 Jika hipotesis H0 : tidak ada otokorelasi (-),
maka:
d>4-dL : menolak H0: artinya ada otokorelasi (-)
d<4-du : menerima H0 : artinya tidak ada otokorelasi (-)
du d dL : tidak dapat disimpulkan
Jika hipotesis H0 dua ekor: tidak ada
otokorelasi (+) atau (-), maka:
d<dL : menolak H0: artinya ada otokorelasi
d>4-dL : menolak H0 : artinya ada otokorelasi
du d 4-du : menerima H0: artinya tidak ada
otokorelasi
du d dL atau 4-du d 4-dL tidak dapat disimpulkan
4. Tidak ada multikolinearitas
Artinya tidak ada hubungan linear yang eksak
antar variabel bebas.
Cara melihat multikoliearitas adalah dengan
melihat korelasi antar variabel bebas. Bila
terdapat korelasi antar beberapa variabel bebas
berarti ada multikolinearitas.
Cara lain utk melihat multikoliearitas adalah dg
melihat Collinarity diagnostics. Dikatakan ada
multikolinearitas bila nilai Eigenvalue mendekati
0 dan Condition Index > 15 (bisa dilihat dengan
software SPSS).
5. Linearitas
Untuk mendeteksi linearitas, dapat dibuat
scatter plot (diagram titik) masing-masing
variabel bebas dg variabel tergantung. Bila
scatter plot berpencar (tidak mengikuti garis
lurus) maka berarti tdk ada hubungan linear.
Cara lain untuk mendeteksi adalah dg melihat
plot nilai residu dengan variabel prediktor. Bila
titik-titik plot tersebar di sekitar nilai 0
dikatakan terdapat linearitas.
6. Y berdistribusi normal utk setiap nilai X.

Metoda Seleksi Variabel pada Persamaan

Regresi:
1. Metode Enter
2. Metode Eliminasi Backward
3. Addisi Forward
4. Estimasi Stepwise