analisis regresi logistik

LAPORAN PRAKTIKUM

ANALISIS REGRESI TERAPAN

MODUL: 06

ANALISIS REGRESI LOGISTIK

Praktikum Laboran

Nama

Praktikum

Nomer

Mahasiswa

Tanggal

Kumpul

Tanda Tangan

Purwanti

Rahayu11611048

Asisten Dosen

Edy Widodo ,M.Si

Herni Utami, M.Si

Nama PenilaiTanggal

KoreksiNilai

Tanda Tangan

1. Fajar Supriadi

2. Kartika Ari S

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ISLAM INDONESIA

YOGYAKARTA

2013

Kelas

C

BAB I

PENDAHULUAN

A. Regresi logistik

Pada prinsipnya, regresi logistik mempunyai tujuan untuk memperkirakan

besarnya probabilitas kejadian tertentu di dalam suatu populasi sebagai suatu fungsi

eksplanatori, misalnya untuk mengetahui peluang kejadian kebakaran di kawasan

taman nasional X pada kondisi wilayah tertentu dan faktor apa saja yang berpengaruh

signifikan terhadap kejadian kebakaran di sana. Regresi ini menggunakan variabel

respon/terikat berbentuk dummy. Tidak seperti regresi linier biasa, penggunaan

regresi logistik memiliki kelebihan dalam hal pelanggaran beberapa asumsi yang

harus ada pada regresi linier biasa seperti asumsi kenormalan dan homokedastisitas.

Estimasi nilai Y juga terletak pada range yang sangat luas (dapat berada di luar

interval 0-1). Dengan demikian secara matematis penggunaan regresi logistik menjadi

lebih mudah digunakan.

Variabel respon/terikat yang digunakan dalam regresi ini dikategorikan.

Regresi logistik biner menggunakan variabel respon dikotomi, yaitu 1 sebagai

kejadian dan 0 untuk tidak ada kejadian. Variabel respon bisa lebih dari 2 jenis,

seperti dalam kasus tingkat kejadian kebakaran hutan yang dibagi menjadi 3 kelas,

kerawanan rendah (Y=0), sedang (Y=1) dan tinggi (Y=2). Untuk kasus seperti ini

maka dapat digunakan regresi logistik multinomial.

Model regresi logistik biner digunakan untuk melihat apakah variabel tak

bebas yang berskala dikotomi (Y = 0 dan Y = 1) dipengaruhi oleh variabel bebas baik

yang kategorik maupun numerik. Bentuk umum model peluang regresi logistik

dengan k variabel diformulasikan sebagai berikut :

Fungsi tersebut merupakan fungsi linier sehingga perlu dilakukan transformasi

ke dalam bentuk logit agar dapat dilihat hubungan antar variabel respon dengan

penjelas. Dengan melakukan transformasi logit dari phy (x) , didapat persamaan yang

lebih sederhana yang merupakan fungsi linier data parameter-parameternya, yaitu:

Apabila terdapat sebanyak p peubah bebas dan peubah ke-j merupakan

merupakan peubah kategorik, maka akan terdapat peubah boneka sebanyak k-1,

dengan dummy variabel kj dinamakan Dju dengan koefisien Bju, u = 1,2,.., kj-1.

Sehingga model transformasi logit dapat dituliskan seperti persamaan berikut ini :

BAB II

DESKRIPSI KERJA

Dalam laporan kali ini praktikan akan menyelesaikan masalah terkait pasien yang

melakukan operasi pernafasan dengan kategori (1= yes , 0 = No). Untuk variabel D terkait

dengan waktu lama operasi. Untuk variabel T terkait dengan tipe yang digunakan untuk

pernafasan dengan kategori (0 = untuk jalan pernafasan pada laring, 1 = tabung trakea).

Berikut ini data dari pasien.

Tabel 2.1 Data pasien

Patien D T Y

1 45.00 0.00 0.00

2 15.00 0.00 0.00

3 40.00 0.00 1.00

4 83.00 1.00 1.00

5 90.00 1.00 1.00

6 25.00 1.00 1.00

7 35.00 0.00 1.00

8 65.00 0.00 1.00

9 95.00 0.00 1.00

10 35.00 0.00 1.00

11 75.00 0.00 1.00

12 45.00 1.00 1.00

13 50.00 1.00 0.00

14 75.00 1.00 1.00

15 30.00 0.00 0.00

16 25.00 0.00 1.00

17 20.00 1.00 0.00

18 60.00 1.00 1.00

19 70.00 1.00 1.00

20 30.00 0.00 1.00

21 60.00 0.00 1.00

22 61.00 0.00 0.00

23 65.00 0.00 1.00

24 15.00 1.00 0.00

25 20.00 1.00 0.00

26 45.00 0.00 1.00

27 15.00 1.00 0.00

28 25.00 0.00 1.00

29 15.00 1.00 0.00

30 30.00 0.00 1.00

31 40.00 0.00 1.00

32 15.00 1.00 0.00

33 135.00 1.00 1.00

34 20.00 1.00 0.00

35 40.00 1.00 0.00

Dengan langkah sebagai berikut.

1. Praktikan membuka SPSS klik pada variabel view Praktikan menginputkan

variabel-variabel yang ada yaitu variabel D, variabel T dan variabel Y. Sebelumnya

praktikan menambahkan values pada variabel T dan Y (variabel dependen).

Gambar 2.1 meninput variabel.

2. Praktikan memberikan 2 kategori pada variabel independen T yaitu kategori 0 untuk

laryngeal mask airway dan kategori 1 untuk tracheal tube. Praktikan menginputkan

dengan klik values pada variabel T kemudian pada kolom value ketik angka

kategorinya kemudian pada label ketik jenis kategorinya klik add.

Gambar 2.2 kategori untuk variabel T.

3. Kemudian pada variabel dependen memiliki 2 kategori yaitu 1 untuk Yes, 0 untuk No.

praktikan menginputkan angka kategorik pada klolo value kemudian praktikan

menulis jenis kategorinya pada kolom label.

Gambar 2.3 Kategori variable dependen Y.

4. Selanjutnya praktikan menginputkan data dengan klik pada data view input

datanya.

Gambar 2.4 menginput data.

5. Kemudian untuk menganalisisnya praktikan klik analyze regressin Binary

logistic.

Gambar 2. 5 langkah analisis logistic.

6. Selanjutnya akan muncul gambar dibawah ini, kemudian praktikan menginputkan

variabel Y kedalam variabel dependen, kemudian variabel D dan Y masukan kedalam

convariates.

Gambar 2.6 mengelompokan dan menginput variabel dependen dan variabel independen.

7. Selanjutnya praktikan klik categorical praktikan input variabel T dan untuk

reference category first change continue.

Gambar 2.7 variebl T menjadi reference category.

8. Selanutnya praktikan klik options klik pada iteration history klik Cl for

exp(B) klik continue.

Gambar 2.8 langkah analisis logistic.

9. Setelah itu praktikan klik save klik probabilities klik grup membership klik

continue, dan langkah terakhir praktikan klik ok.

Gambar 2.9 langkah analsisi logistic.

Setelah praktikan mendapati hasil output dari SPSSnya, pada tabel 3.12 menunjukan adanya

nilai signifikan yang tidak signifikan yaitu constanta, sehingga praktikan menghilangkan

constanta tersebut seperti berikut. Klik analyze regression Binary logistic Klik pada

Options klik pada include constanta klik ok.

Gambar 2.10 menghilangkan constanta.

BAB III

PEMBAHASAN

Setelah praktikan menyelesaikan langkah-langkah analisis logistic pada bab deskripsi

kerja. Maka didapatkan hasil outputnya, di dalam bab ini praktikan akan membahas hasil

outputnya. Berikut ini hasil outputnya.

Tabel 3.1 Processing Summary

Case Processing Summary

Unweighted Casesa N Percent

Selected Cases Included in Analysis 35 100.0

Missing Cases 0 .0

Total 35 100.0

Unselected Cases 0 .0

Total 35 100.0

a. If weight is in effect, see classification table for the total number of

cases.

Dalam tabel 3.1 untuk data pasien sejumlah 35, dan tidak adanya data yang missing atau

dihilangkan.

Tabel 3.2 Dependent Variabel encoding.

Dependent Variable

Encoding

Original

Value Internal Value

No 0

Yes 1

Dalam tabel 3.2 untuk kategori pada variabel dependen adalah (0= No dan 1=Yes).

Tabel 3.3 Categorical Variables coding

Categorical Variables Codings

Frequency

Parameter

coding

(1)

T laryngeal mask airway 18 .000

tracheal tube 17 1.000

Untuk variebel independen sebagai dengan jumlah data pada variebal laryngeal sebanyak 18

data pasien, dan untuk variabel tabung trakea sebanyak 17 pasien.

Tabel 3.4 Iteration history.

Iteration Historya,b,c

Iteration -2 Log likelihood

Coefficients

Constant

Step 0 1 46.181 .514

2 46.180 .526

3 46.180 .526

a. Constant is included in the model.

b. Initial -2 Log Likelihood: 46.180

c. Estimation terminated at iteration number 3

because parameter estimates changed by less than

.001.

Pada kolom -2 log likelihood tahap pertama memiliki nilai 46,181. Sedangkan tahap 2 dan 3

memiliki nilai yang sama 46,180. Dimana tahapan akan berhenti ketika nilai pada kolom -2

log likelihood sama bertahap.

Tabel 3.5 Classification Table.

Classification Tablea,b

Observed

Predicted

Y Percentage

Correct No Yes

Step 0 Y No 0 13 .0

Yes 0 22 100.0

Overall Percentage 62.9

a. Constant is included in the model.

b. The cut value is .500

Pada baris overall percentage memiliki arti model menjelaskan keseluruhan data vareiabel

memiliki pengaruh sebesar 62,9.

Tabel 3.6 Variabel in the equation

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 0 Constant .526 .350 2.262 1 .133 1.692

Uji konstanta.

H0: Konstanta tidak signifikan

H1: Konstanta Signifikan

Tingkat signifikan : 0,05

Uji Statistik : P-value <

0,133>0,05 (artinya p-value conctanta >0,05)

Kesimpulan gagal tolak H0, maka konstanta tidak signifikan.

Tabel 3.7 Variables not in the equation

Variables not in the Equation

Score df Sig.

Step 0 Variables D 9.044 1 .003

T(1) 3.534 1 .060

Overall Statistics 12.855 2 .002

Tabel 3.8 Iteration History

Iteration Historya,b,c,d

Iteration -2 Log likelihood

Coefficients

Constant D T(1)

Step 1 1 32.351 -.532 .036 -1.276

2 30.344 -1.100 .058 -1.571

3 30.141 -1.376 .067 -1.651

4 30.138 -1.417 .069 -1.659

5 30.138 -1.417 .069 -1.659

a. Method: Enter

b. Constant is included in the model.

c. Initial -2 Log Likelihood: 46.180

d. Estimation terminated at iteration number 5 because parameter

estimates changed by less than .001.

Pada tabel iteration history kolom -2 log likehood memiliki tahapan 5, dimana tahapan

tersebut akan berhenti ketika nilainya sama, dilihat dari tabel maka tahapan berhenti setelah

tahap 4 dan 5 sama yaitu 30,138.

Tabel 3.9 Omnibus test

Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 16.042 2 .000

Block 16.042 2 .000

Model 16.042 2 .000

Uji kelayakan Model

H0: Model tidak layak digunakan

H1: Model layak digunakan



0,000>0,05 (artinya p-value conctanta >0,05)

Kesimpulan tolak H0, maka Model layak digunakan.

Tabel 3.10 Model summary

Model Summary

Step -2 Log likelihood

Cox & Snell R

Square

Nagelkerke R

Square

1 30.138a .368 .502

a. Estimation terminated at iteration number 5 because

parameter estimates changed by less than .001.

Pada kolom Nagelkerke R Square menunjukan bahwa besar pengaruh variabel independen

terhadap variabel dependen sebesar 0,502 atau 50,2 %. Unruk sisiannya dipengaruhi oleh

variabel indepdenden lainnya. Nilai 0,502 belum terlalu kuat untuk mempengaruhi variabel

dependen.

Tabel 3.11 Classification Table.

Classification Tablea

Observed

Predicted

Y Percentage

Correct No Yes

Step 1 Y No 9 4 69.2

Yes 1 21 95.5

Overall Percentage 85.7

a. The cut value is .500

Batas yang dihasilkan 0,5 ( cut value). Pada baris averall percentage menunjukan nilai

prediksi 85,7 % dapat menebak ap yg benar* terjadi.

Tabel 3.12 Variables in the equation

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

95% C.I.for EXP(B)

Lower Upper

Step 1a D .069 .026 6.761 1 .009 1.071 1.017 1.128

T(1) -1.659 .923 3.231 1 .072 .190 .031 1.162

Constant -1.417 1.095 1.677 1 .195 .242

a. Variable(s) entered on step 1: D, T.

1. Uji Konstanta

H0: Konstanta tidak signifikan

H1: Konstanta Signifikan



0,195

2. Uji variabel T

H0: koefisien regresi tidak signifikan

H1: koefiseien regresi Signifikan



0,072

T(1) -2.064 .822 6.304 1 .012 .127 .025 .636

a. Variable(s) entered on step 1: D, T.

1. Uji variabel T

H0: koefisien regresi tidak signifikan

H1: koefiseien regresi Signifikan



0,012

BAB IV

PENUTUP

Setelah praktikan menyelesaikan langkah-langkah kerja untuk menganalisis regresi

logistic dan praktikan telah membahas hasil outputnya, maka praktikan dapat menyimpulkan

seperti berikut.

1. Sebelumnnya praktikan memasukan variabel D terkait waktu oprasi dan variabel

Y terkait jenis penyakit tenggorokannya, dan melibatkan constanta. Dalam

outputnya ternyata nilai constanta tidak signifikan secara statistik. Dan variabel T

pun tidak signifikan secara statistic. Berikut ini modelnya.

Model :

2. Setelah diketahui constanta tidak signifikan praktikan tidak memasukan constanta

dalam outputnya, dengan praktikan mengeluarkan constanta mempengaruhi nilai

signifikan variabel dependen terkait jenis penyakit tenggorokan menjadi

signifikan, sehingga menghasilkan model seperti berikut.

Model :

Praktikan menggunakan model setelah mengeluarkan constanta, namun bukan

berarti apabila menggunakan model awal variabel T tidak memiliki rasio, tidak

memiliki rasio bila menggunakan perhitungan statistic.

DAFTAR PUSTAKA

Draper Norman.1992. Analisis Regresi Terapan. Jakarta: Gramedia Pustaka Utama

http://tnrawku.wordpress.com/2013/05/21/regresi-logistik-alat-analisis-spasial-dan-evaluasi-

kawasan-bagian-1/ . ( 19 Juni 2013/ 20.00)

http://wajibstat.blogspot.com/2013/04/konsep-regresi-logistik-contoh-dengan.html .( 21 Juni

2013/ 07.30)

analisis regresi logistik

Documents