LAPORAN PRAKTIKUM BIOSTATISTIKA REGRESI LOGISTIK

Nama NIM Tanggal Asisten

Oleh: : Firli Rahmah P. D : 0810910009 : 09 November 2010 :1. Dewi Susanawati 2. Yusrina Nur Dianati

LABORATORIUM KOMPUTER JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS BRAWIJAYA MALANG 2010

.

yaitu: Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial Logistic Regression (Regresi Logistik Multinomial).2 Tujuan  Tujuan Umum . Karena pentingnya pemahaman tentang regresi logistik inilah sehingga praktikum ini penting untuk diadakan. Sedangkan Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y) terdapat lebih dari 2 kategorisasi.Menginterpretasikan model regresi logistik. 1.Dapat menghitung penduga parameter regresi logistik .Mampu melakukan pendugaan parameter pada model regresi logistik dan menginterpretasikannya.  Tujuan Khusus . Regresi logistik dapat dibedakan menjadi 2. misal membeli dan tidak membeli.1 Latar Belakang Analisa regresi merupakan salah satu uji statistika yang memiliki dua jenis pilihan model yaitu linear dan non linear dalam parameternya. Regresi Logistik biner digunakan ketika hanya ada 2 kemungkinan variabel respon (Y). sedangkan untuk model non linear dalam parameternya bersifat kuadratik dan kubik dengan kurva yang dihasillkan membentuk garis lengkung. Model linear memiliki dua sifat yaitu regresi sederhana dan regresi berganda dengan kurva yang dihasilkan membentuk garis lurus.BAB I PENDAHULUAN 1. .

Kondisi demikian juga sering dikatagorikan sebagai regresi dengan respon biner. Misalnya. . Error dari model regresi yang didapat tidak menyebar normal. Persamaan polinomial (secara umum): Y=c1+c2x+ c3 x2+«+ckxk-1+«+ cnxn-1 (d). pelayanan. sedangkan tipe data untuk variabel bebas (X) setidak-tidaknya interval (skala likert). Persamaan eksponensial: y=aebx2+cx+d (e). sedangkan untuk model non linear dalam parameternya bersifat kuadratik dan kubik dengan kurva yang dihasillkan membentuk garis lengkung. 2004) 1. Bila metode regresi linier biasa diterapkan pada kasus semacam ini. Regresi logistik digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori klasifikasi. Persamaan asimptotis: y= ax2+bx cx+d Regresi Logistik (Logistic Regression) Bila regresi dengan variabel bebas (X) berupa variabel dummy. maka dikatagorikan sebagai regresi dummy. kebersihan selera dan harga. Dalam kasus ini hanya ada 2 kemungkinan respon konsumen. Dari contoh kasus tersebut. variabel Y berupa dua respon yakni gagal (dilambangkan dengan nilai 0) dan berhasil (dilambangkan dengan nilai 1). Sebagai contoh yaitu terdapat kasus: ingin diketahui apakah konsumen akan membeli makanan di rumah makan berdasarkan penilaian konsumen terhadap lokasi. persamaan-persamaan matematis tertentu yang sering digunakan di antaranya adalah (Fowler. yaitu kategorisasi keputusan konsumen apakah membeli atau tidak (misal membeli dilambangkan angka 1. Seperti pada analisis regresi berganda. akan terdapat 2 pelanggaran asumsi Gauss-Markov dan 1 buah pelanggaran terhadap batasan dari nilai duga (fitted value) dari variabel respon (Y). Secara empiris. dapat diketahui bahwa tipe data variabel respon (Y) adalah nominal. 1990) : (a). yaitu: (Kutner dkk. Persamaan µgaris lurus¶ (linier): y = ax+b (b). yaitu konsumen membeli dan tidak membeli. sedangkan tidak membeli dengan angka 0). pendapatan.BAB II TINJAUAN PUSTAKA Model linear memiliki dua sifat yaitu regresi sederhana dan regresi berganda dengan kurva yang dihasilkan membentuk garis lurus. Persamaan parabolis (kuadratis): y=px2+qx+r (c). untuk regresi logistik variabel bebas (X) bisa juga terdiri lebih dari satu variabel.

Ragam (variance) dari error tidak homogen (terjadi heteroskedastisitas pada ragam error). Nilai duga regresi logistik (Y duga) merupakan nilai peluang. Lebih tepatnya berapakah peluang seorang konsumen akan membeli makanan di warung/rumah makan tersebut berdasarkan penilaiannya pada variabel lokasi. Sedangkan. kebersihan. Untuk memudahkan interpretasi. misal membeli dan tidak membeli. maka model logistik ditransformasi menjadi bentuk fungsi logit. guys. regresi logistik dapat dibedakan menjadi 2. pendapatan. 3. Rentang nilai duga yang dihasilkan akan berkisar antara 0 s. diperkenalkan metode Regresi Logistik. sedangkan Regresi Logistik Multinomial digunakan saat variabel dependen adalah variabel kategorik dengan lebih dari 2 kategori. Sedangkan Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y) terdapat lebih dari 2 kategorisasi.2. (Kita ingat bahwa kisaran atau rentang nilai peluang adalah 0 s. Regresi Logistik tidak memodelkan secara langsung variabel dependen (Y) dengan variabel independen (X). Tapi regresi logistik juga bisa diterapkan untuk kasus dimana variabel X nya bertipe data nominal atau ordinal (Steel.d 1). selera dan harga. Regresi Logistik merupakan salah satu metode klasifikasi yang sering digunakan. 1993). Untuk mengatasi masalah ini. Regresi logistik tidak terbatas hanya dapat diterapkan pada kasus dimana variabel X nya bertipe interval atau rasio saja. karena batasan nilai pada variabel Y (dalam kasus ini adalah membeli=1 dan tidak membeli=0). Regresi Logistik Biner digunakan saat variabel dependen merupakan variabel dikotomus (kategorik dengan 2 macam kagegori). Bayangkan jika Anda mendapatkan nilai duga Y = 4 saat Anda memasukkan suatu nilai X tertentu. Sebagaimana metode regresi biasa. Model Logistik memiliki bentuk fungsi seperti pada persamaan (1) dan (2). yaitu: Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial Logistic Regression (Regresi Logistik Multinomial). 1.d. pelayanan. pelanggaran bagi batasan nilai duga Y (fitted value) adalah bahwa nilai duga yang dihasilkan dari model regresi linier biasa melebihi rentang antara 0 s. 1. Hal ini jelas tidak masuk akal . Regresi Logistik biner digunakan ketika hanya ada 2 kemungkinan variabel respon (Y).d. What does it mean? It is no longer interpretable. melainkan melalui transformasi variabel dependen ke variabel logit yang merupakan . seperti pada persamaan (3).

Yaitu terlebih dahulu dibuat tabulasi antara actual group dan predicted group ynag diperoleh dari fungsi logistik. Metode ini memperoleh dugaan maksimum likelihood bagi dengan iterasi Newton Raphson. sedangkan regresi logistik tidak mengasumsikan data harus berdistribusi tertentu. Selanjutnya dihitung proporsi pengamatan yang salah diklasifikasikan. Model regresi logistik multivariate dengan k variabel prediktor dinyatakan:     (2.3) dengan g(x) = ln  Salah satu cara untuk mengestimasi parameter regresi logistik adalah dengan menggunakan metode maximum likelihood. dimana matrik pembobotnya berubah setiap putaran. Proses menghitung estimasi maksimum likelihood ini disebut juga sebagai Iteratif Reweighted Least Square(Hosmer dan Lemeshow. . Analisis diskriminan mengasumsikan data berdistribusi multivariate normal. 2003). Diharapkan proporsi pengamatan yang salah diklasifikasikan tersebut bisa sekecil mungkin.natural log dari odds rasio (Fractal. Pelanggaran asumsi multivariate normal pada analisis diskriminan biasanya menghasilkan tingkat ketepatan klasifikasi yang rendah. 1996). Evaluasi fungsi klasifikasi (fungsi logistik) dilakukan dengan cara yang sama seperti pada analisis diskriminan. dengan catatan tidak ada data yang outlier (Meshbane. Namun ada peneliti yang menganjurkan tetap menggunakan analisis diskriminan meskipun ada pelanggaran asumsi. 1989). Estimasi maksimum likelihood merupakan pendekatan dari estimasi Weighted Least Square. Pemilihan antara kedua metode tersebut biasanya tergantung pada asumsi yang diperlukan oleh kedua metode tersebut.

09 November 2010 di laboratorium Komputer Jurusan Matematika. Malang 2. Diinterpretasikan . Waktu dan Tempat Praktikum dengan judul µRegresi Logistik¶ ini dilaksanakan pada hari Selasa. Universitas Brawijaya. Memasukkan data ke dalam worksheet 2. maka akan muncul kotak sebagai berikut: 3. Fakultas Matematika dan Ilmu Pengetahuan Alam.1. Isilah dialog box sesuai variabel Klik Ok 4.BAB II METODOLOGI 2. Klik Stat > Regression > Binary Logistik regression.2 Langkah-langkah Penggunaan MINITAB 1.

FMIPA. Nilai-nilai frekuensi sebagai berikut: X1 X2 y Frekuensi 14 1 1 1 8 1 1 0 12 1 0 1 10 1 0 0 8 0 1 1 9 0 1 0 11 0 0 1 7 0 0 0 Ho: tidak ada hubungan antara pemberian hormon auksin terhadap jumlah akar H1: terdapat hubungan antara pemberian hormon auksin terhadap jumlah akar . UB dengan judul ³Pengaruh Hormon Auksin Terhadap Pembentukan Akar Adventif´ dengan perlakuan yaitu pemberian hormon auksin dan tidak.BAB III HASIL DAN PEMBAHASAN  Permasalahan 1 Praktikum Fisiologi tumbuhan Jurusan Biologi. Diketahui variabel respon Y bersifat nominal biner (bivariat) yaitu 1 (akar tumbuh banyak dan panjang) dan 0 (akar tidak tumbuh). dan variabel X bersifat nominal biner (bivariat) yaitu 1 (pemberian hormon auksin) dan 0 (tidak ada pemberian hormon auksin).

062 1. P-Value = 0.302 0. DF = 2.908 Goodness-of-Fit Tests Method Pearson Deviance Hosmer-Lemeshow Chi-Square 1.588 Table of Observed and Expected Frequencies: (See Hosmer-Lemeshow Test for the Pearson Chi-Square Statistic) Group 3 14 12.1 22 Value 1 Obs Exp 0 Obs Exp Total 1 8 9.Hasil dan Pembahasan Masalah dengan Program Minitab Binary Logistic Regression: y versus X1.062 DF 1 1 2 P 0.303 0.1217 0.194.9 7 8.1 9 7.1 18 34 79 .10 0.2855 0. X2 Link Function: Normit Response Information Variable y Value Count 1 45 0 34 Total 79 Frequency: Frekuensi Logistic Regression Table Predictor Constant X1 X2 Coef 0.919 (Event) Log-Likelihood = -53.48 0.2839 Z P 0.1225 -0.0287 SE Coef 0.1 10 8.668 -0.2532 0.9 17 2 4 12 13.893 Test that all slopes are zero: G = 0.631 0.9 8 9.9 22 Total 45 11 9.43 0.064 1.

2% 24.02 0.9% 35.06 Berdasarkan pada hasil perhitungan dengan menggunakan program minitab didapatkan hasil yaitu: pada count of variabel y = 45 (Event) artinya sukses regresi logistik (kategori akar menjadi tumbuh panjang = 1) atau merupakan hasil dari penjumlahn 14+12+8+11 = 45.Measures of Association: (Between the Response Variable and Predicted Probabilities) Pairs Concordant Discordant Ties Total Number 611 538 381 1530 Percent 39.05 Goodman-Kruskal Gamma Kendall's Tau-a 0.9% 100. .0% Summary Measures Somers' D 0.

.

26 0.002422 SE Coef 0.4350 0.384 Test that all slopes are zero: G = 0. 50. DF = 1. y=0 berarti tidak tumbuh).100.3448 0.746 (Event) Log-Likelihood = -24.207 0. P-Value = 0.32 0. Permasalahan 2 Praktikum Biologi umum yang dilaksanakan oleh mahasiswa Biologi ingin mengetahui tentang pengaruh pemberian NaCl dengan konsentrasi x= 0. Hasil pengamatan adalah sebagai berikut: x y ™ 1 0 0 8 2 10 25 6 4 10 50 5 5 10 75 9 1 10 ™ 28 12 40 Hipotesis: H0 : tidak ada hubungan antara pemberian NaCl dengan jumlah biji kacang hijau yang tumbuh H1 : terdapat hubungan antara pemberian NaCl dengan jumlah biji kacang hijau yang tumbuh Output dari Minitab: Link Function: Normit Response Information Variable Y2 Value Count 1 28 0 12 Total 40 Frequency: frekuensi2 Logistic Regression Table Predictor Constant X Coef 0.007469 Z P 1. 75 terhadap pertumbuhan biji kacang hijau (Phaseolus radiatus) (y=1 berarti biji tumbuh. 25.752 .

775 DF 2 2 2 P 0.08 0.3 1 2.9 4 3.0% 36.9 10 Value 1 Obs Exp 0 Obs Exp Total 1 8 6.1 10 12 40 Measures of Association: (Between the Response Variable and Predicted Probabilities) Pairs Concordant Discordant Ties Total Number 141 121 74 336 Percent 42.Goodness-of-Fit Tests Method Pearson Deviance Hosmer-Lemeshow Chi-Square 4.7 2 3.06 0.03 .092 Table of Observed and Expected Frequencies: (See Hosmer-Lemeshow Test for the Pearson Chi-Square Statistic) Group 3 5 7.7 10 Total 28 6 6.775 4.092 0.1 5 2.0% Summary Measures Somers' D Goodman-Kruskal Gamma Kendall's Tau-a 0.0% 100.3 10 2 4 9 7.0% 22.936 4.085 0.

.

maka dikatagorikan sebagai regresi dummy. tidak satu computer digunakan dua praktikan. 4.1 Kesimpulan Regresi Logistik (Logistic Regression) merupakan regresi dengan variabel bebas (X) berupa variabel dummy. . Regresi logistik digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori klasifikasi.2 Saran Diharapkan untuk praktikum selanjutnya semua fasilitas untuk praktikum dapat digunakan dengan baik (misalnya: computer yang rusak atau tidak dapat digunakan) sehingga setiap praktikan dapat menggunakan satu computer. Salah satu cara untuk mengestimasi parameter regresi logistik adalah dengan menggunakan metode maximum likelihood. Dengan demikian praktikum dapat berjalan dengan lancar.BAB IV PENUTUP 4.

Alice.H. Hosmer. Fourth Edition. Cohen.. M. . Chichester. New York. Meshbane. Singapore. J. Predictive Discriminant Analysis Versus Logistic Regression in Two-Group Classification Problems. D. dan J. Kutner. Steel. American Educational Research Paper. John Wiley & Sons. Inc. Gramedia Pustaka Utama. PT. John D. Jakarta. dan L.W. 1990. D. Prinsip dan Prosedur Statistika.J. C. Nachtsheim dan J. Morris. G. The McGraw-Hill Companies. Neter.1996. John Wiley. R. Torrie.DAFTAR PUSTAKA Fowler. dan Lemeshow. Applied Logistic Regression. Practical statistics for field biology. H. 1993. Applied Linear Regression Models.1989.

Sign up to vote on this title
UsefulNot useful