[Tutorial] Contoh Analisis Regresi Logistik biner_dikotomi dengan SPSS - Statistik Ceria.pdf
ANALISIS REGRESI LOGISTIK
-
Upload
purwanti-rahayu -
Category
Documents
-
view
98 -
download
4
description
Transcript of 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
Tingkat signifikan : 0,05
Uji Statistik : P-value <
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
Tingkat signifikan : 0,05
Uji Statistik : P-value <
0,195
-
2. Uji variabel T
H0: koefisien regresi tidak signifikan
H1: koefiseien regresi Signifikan
Tingkat signifikan : 0,05
Uji Statistik : P-value <
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
Tingkat signifikan : 0,05
Uji Statistik : P-value <
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)