Professional Documents
Culture Documents
Regresi logistik merupakan pengembangan lebih lanjut sebagai multivariat chi square
yaitu variabel dependentnya dalam skala data nominal (dikotomis ). Regresi logistik termasuk
dalam rumpun dari regresi sehingga kedudukannya sama dengan regresi linier, sebagai uji
prediksi atau estimasi, namun secara sederhana perbedaan antara regresi biasa dengan
pemodelan logit ialah hanya pada variabel dependen atau responnya. Dimana pada regresi
biasa dengan pemodelan logit ialah hanya pada variabel dependen dan responnya. Dimana
pada regresi biasa, data variabel berupa data kontinyu, namun pada regresi logistik, data
variabel dependennya berupa kategorik, baik Biner ( seperti Ya atau Tidak ) yang sering
disebut dikotomus, atau juga polycotomus ( seperti sangat setuju, setuju, biasa, tidak setuju,
dan sangat tidak setuju ), namun yang sering digunakan adalah untuk variabel dependen
dikotomus.
Model logit berdasarkan dari ide linier probability model (LPM ), yaitu Y = b₀ + b₁X
+ u misalnya variabel X adalah usia sedangkan variabel Y kejadian ca pulmo ( kanker
pulmo)dimana 0 = tidak terjadi ca pulmo, 1 = tidak terjadi ca pulmo. Regresi linier tidak
mampu menyelesaikan analisis ini, namun LPM dapat menyelesaikan analisis ini dengan cara
ekspektasi kondisional Y dari X, dapat diinterpretasikan sebagai probabilitas kondisional saat
suatu event Y akan muncul karena X, atau dituliskan dengan E(Yix), yang didefinisikan :
p=P(Y) P=(Y=1IX=x), maka E(YIx)=p.1 + ( 1-p )*0=p
untuk memenuhi konsep LPM , sangat sulit karena terkadang nilai dari P berada diluar range
0-1, sedangkan nilai R² umumnya kecil, sehingga perlu dibuat pemodelan logit untuk
menyelesaikan kelemahan-kelemahan yang ada dalam LPM.
Untuk membuat harga p selalu berada diantara 0 dan 1, maka perlu suatu fungsi
monoton positif, yang memtakan linier prediktor h= a+bX ke unit interval. Transformasi tipe
ini akan mempertahankan struktur linier dari model dan menghindari nilai peluang berada
diluar interval [0,1]. Fungsi distribusi kumulatif (CDF= cummulative distributions function)
akan memnuhi kriteria di atas.
p=P(Y) P=(Y=1IX=x), P(h)= P(a+bX)
dengan menggunakan fungsi logistik, diperoleh linier regresion atau linier logit model,
dengan rumus sebagai berikut :
p= = =
1
maka untuk rumus regresi logistik adalah
p= E (Y=1IX )=
untuk mencari odd ratio / OR ( sebagai faktor resiko ), maka dapat dicari dari harga b yang
OR=
2
capulmo merokok 57 ada riwayat ca kota
capulmo merokok 54 tdk ada riwayat ca kota
capulmo tak merokok 55 tdk ada riwayat ca kota
capulmo tak merokok 48 tdk ada riwayat ca kota
capulmo tak merokok 49 tdk ada riwayat ca kota
capulmo tak merokok 59 tdk ada riwayat ca kota
capulmo merokok 37 tdk ada riwayat ca kota
capulmo merokok 57 tdk ada riwayat ca kota
capulmo merokok 58 tdk ada riwayat ca desa
capulmo merokok 59 ada riwayat ca desa
Keterangan data dari variabel dimana dari variabel ca pulmo , ca pulmo=1; tidak ca pulmo=0,
pada variabel umur berskala data interval, pada variabel perokok, tak merokok=0 ;
merokok=1,pada variabel daerah, desa=0 ; kota=1, pada variabel riwayat keluarga tidak ada
riwayat ca=0; ada riwayat ca=1. Untuk menyelesaikan masalah diatas hanya dapat dikerjakan
dengan regresi logistik karena variabelnya berupa variabel dikotomi untuk variabel ca pulmo,
perokok, daerah dan riwayat keluarga. Sedangkan variabel usia distribusi data tidak normal.
Soal ini dapat diselesaikan dengan menggunakan aplikasi SPSS (Statistical Package For
Social Science)
RIWAYAT
CA PULMO PEROKOK USIA KELUARGA DAERAH
0 0 45 0 0
0 0 43 0 0
0 0 34 0 0
0 0 34 0 0
0 0 26 0 1
0 0 27 0 1
0 0 27 0 1
0 1 28 0 1
0 0 29 0 1
0 0 29 0 1
0 0 30 0 0
0 0 31 0 0
0 1 32 1 0
0 1 33 0 0
1 1 45 1 0
1 1 45 1 0
1 1 46 1 0
1 1 47 1 0
3
1 1 8 1 0
1 1 57 1 1
1 1 57 1 1
1 1 54 0 1
1 0 55 0 1
1 0 48 0 1
1 0 49 0 1
1 0 59 0 1
1 1 37 0 1
1 1 57 0 1
1 1 58 0 0
1 1 59 1 0
• Masukkan data tersebut ke dalam aplikasi SPSS
• Analyze, pilih regression, binary logistik
• Isikan ca pulmo pada dependent
• Sedangkan rokok, usia, riwayat keluarga dan daerah pada covariates selanjutnya klik
ok
• Maka akan tampil output seperti dibawah ini
Logistic Regression
4
a,b
Classification Table
Predicted
Score df Sig.
Step Variables ROKOK 8,571 1 ,003
0 USIA 12,820 1 ,000
RWYKLG 6,531 1 ,011
DAERAH ,536 1 ,464
Overall Statistics 19,306 4 ,001
Chi-square df Sig.
Step 1 Step 27,960 4 ,000
Block 27,960 4 ,000
Model 27,960 4 ,000
Model Summary
a
Classification Table
Predicted
5
Variables in the Equation
6
a,b
Classification Table
Predicted
Score df Sig.
Step Variables ROKOK 8,571 1 ,003
0 USIA 12,820 1 ,000
RWYKLG 6,531 1 ,011
DAERAH ,536 1 ,464
Overall Statistics 19,306 4 ,001
Chi-square df Sig.
Step 1 Step 15,640 1 ,000
Block 15,640 1 ,000
Model 15,640 1 ,000
Step 2 Step 6,407 1 ,011
Block 22,047 2 ,000
Model 22,047 2 ,000
Model Summary
7
a
Classification Table
Predicted
Change in
Model Log -2 Log Sig. of the
Variable Likelihood Likelihood df Change
Step 1 USIA -20,767 15,719 1 ,000
Step 2 ROKOK -13,403 7,398 1 ,007
USIA
-16,720 14,032 1 ,000
Score df Sig.
Step Variables ROKOK 6,458 1 ,011
1 RWYKLG 5,713 1 ,017
DAERAH ,365 1 ,546
Overall Statistics 9,801 3 ,020
Step Variables RWYKLG 1,741 1 ,187
2 DAERAH 1,301 1 ,254
Overall Statistics 5,530 2 ,063
8
Dari hasil forward diketahui bahwa variabel independen yang berpengaruh terhadap ca
pulmo adalah rokok ( koefesiensi regresi= 2,794 , sig.=0,027) dan variabel usia ( koefisiensi
regresi= 0,163, sig.=0,011 ) dengan konstanta -7,728. Sehingga persamaan regresinya adalah
P = -7,728+ 2,794X₁+0,163X₂
Interpretasi hasil dari model logit tersebut bukanlah nilai kuantitatif dari response melainkan
sebagai probabilitas atau peluang terjadinya suatu kejadian atau event dalam hal ini adalah
kejadian kanker pulmo (ca pulmo ), dengan persamaan distribusi komulatifnya adalah :
p= E (Y=1IX )=
Sehingga E (Y=1IX ) dibaca harga harapan / peluang terjadinya suatu kejadian atau event,
dengan nilai kuantitatif 1 dalam hal ini adalah terjadinya kanker paru ( ca pulmo )
dikarenakan suatu respon dengan input/ prediktor variabel X.
Dari haril koefisien regresi yang diperoleh, dapat dicari
• OR untuk variabel yang signifikan (yaitu rokok dan usia )
Dari hasil tersebut diketahui bahwa riwayat perokok sebagai faktor resiko terhadap terjadinya
ca pulmo sebesar 16,34. Sedangkan usia sebagai faktor resiko terjadinya ca pulmo sebasar
1,17.
Contoh :
Jika terdapat seseorang dengan kriteria X₁= perokok ( nilai= 1 ), dan X₂=usia 30 tahun, maka
kemungkinan terjadinya kanker paru-paru adalah
Z= a+b₁X₁+b₂X₂
Z= -7,728+ 2,794X₁+0,163X₂
Z= -7,728+( 2,794*1)+(0,163*30)
Z= -7,728 + 2,794 + 4,89
Z= -7,728 + 7,684
Z= -0,044
9
Sehingga p= E (Y=1IX )=
Atau p= E (Y=1I X )=
Sehingga besar Z = -0,044 dengan e adalah bilangan natural dengan nilai 2,718, maka
p= E (Y=1I X )=
p= E (Y=1IX )=
p= E (Y=1IX )=
p= E (Y=1IX )=
jadi orang memiliki peluang sebesar 48,9% atau 49% untuk terjadi kanker paru-paru, dengan
kondisi ia perokok dan berumur 30 tahun.
Jika terdapat seseorang dengan kriteria X₁=tidak perokok ( nilai= 0 ), dan X₂=usia 30 tahun,
maka kemungkinan terjadinya kanker paru-paru adalah
Z= a+b₁X₁+b₂X₂
Z= -7,728+ 2,794X₁+0,163X₂
Z= -7,728+( 2,794*0)+(0,163*30)
Z= -7,728 + 0 + 4,89
Z= -7,728 + 4,89
Z= -2,838
Sehingga besar Z = -2,838 dengan e adalah bilangan natural dengan nilai 2,718, maka
p= E (Y=1I X )=
p= E (Y=1IX )=
10
p= E (Y=1IX )=
p= E (Y=1IX )=
dengan kata lain bahwa orang tersebut memiliki peluang sebesar 5,5% atau 6 % untuk terjadi
kanker paru-paru, dengan kondisi ia tidak perokok dan berumur 30 tahun.
11