Dokumen ini membahas regresi logistik dalam meramalkan variabel respons dan hubungan antara variabel independen dan dependen. Terdapat langkah-langkah dalam membentuk model serta analisis univariat dan multivariat yang dilakukan untuk menguji hipotesis dengan menggunakan metode statistik. Contoh kasus pada infark otot jantung dijadikan sebagai latihan penerapan metode regresi logistik.

1. Regresi Logistik
Farid AGUSHYBANA
Fakultas Kesehatan Masyarakat Universitas Diponegoro

2. 2
Pemanfaatan
• Meramalkan terjadinya variabel
respons.
• Mengukur hubungan variabel
independent dan dependent setelah
mengontrol pengaruh covariatnya.

3. 3
Asumsi dasar
• Tidak memerlukan asumsi distribusi
normal (terutama pada variabel
dependent)
• Sample cukup besar
• Variabel :
– Independent : nominal, ordinal,interval, rasio
– Dependent : nominal –dikotomi
ordinal (> 2)

4. 4

5. 5
Rumus dasar
)
...
( 2
2
1
1
1
1
k
k x
b
x
b
x
b
a
e
p 







6. 6
Langkah Pembentukan Model
• Analisis univariat pd masing-2
variabel.
• Pengamatan secara individual
variabel-2 dalam model multivariat.
• Memasukkan dan memeriksa
kemungkinan ada interaksi variabel.

7. 7
Analisis univariat pd masing-2
variabel.
• Uji statistik chi-square atau uji rasio
likelihood G.
• Bila kategori lebih dari 2 maka dibuat
variabe dummy.
• Untuk variabel continue:
– Taksiran koef regresi (b).
– Taksiran kesalahan baku (SE)
– Statistik uji rasio likelihood G
– Statistik uji Wald (b/SE).
• Bisa digunakan patokan seleksi pada
p<0,25.

8. 8
Pengamatan secara individual
variabel-2 dalam model multivariat.
• Memasukkan semua variabel secara
serentak (metode Enter).
• Memasukkan sekelompok variabel
biologi penting. (metode Stepwise).
–Seleksi maju (forward selection).
–Seleksi mundur (backward selection).
–Seleksi Stepwise.
Statistik G dan Statistik Wald

9. 9
Memeriksa Interaksi Variabel
• Gunakan metode Rasio Likelihood=
–Membandingkan log-likelihood tanpa
interaksi dengn model log likelihood dgn
interaksi.

10. 10
Latihan Kasus
Infark otot jantung MI 1 = sakit
0 = tidak sakit
Aktifitas fisik AF 1 >= 2500 kcal
0 < 2500 kcal
Kategori umur Umur 1 >= 55 th
0 < 55 th
Kebiasaan merokok Mrk 2 = rokok sigaret
>= 15 btg / hr
1 = rokok sigaret <
15 btg / hr
0 = tidak merokok

11. 11
Langkah-langkah penyelesaian
• Karena variabel kebiasaan merokok
memiliki kategori lebih dari 2 maka harus
dibuat variabel dummy sebanyak 2 (k-1).
Dimana kategori tidak merokok
merupakan variabel acuan.
Variabel asli Variabel dummy
MRK D1 D2
Tidak merokok 0 0
Merokok sigaret < 15 btg / hr 1 0
Merokok sigaret >= 15 btg / hr 0 1

12. 12
_cons -1.9146 .9954819 -1.92 0.054 -3.865709 .0365083
umur 2.013169 .9773984 2.06 0.039 .0975038 3.928835
Merokok sigaret >= 15 btg/hr 2.67343 1.315551 2.03 0.042 .0949968 5.251864
Merokok sigater < 15 btg/hr 2.478233 1.084134 2.29 0.022 .3533694 4.603097
mrk
af -2.243155 1.019025 -2.20 0.028 -4.240408 -.2459031
mi Coef. Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -15.810109 Pseudo R2 = 0.5453
Prob > chi2 = 0.0000
LR chi2(4) = 37.93
Logistic regression Number of obs = 55

13. 13
_cons .1474007 .1467348 -1.92 0.054 .0209481 1.037183
umur 7.487009 7.317791 2.06 0.039 1.102416 50.84771
Merokok sigaret >= 15 btg/hr 14.48959 19.0618 2.03 0.042 1.099655 190.9218
Merokok sigater < 15 btg/hr 11.92019 12.92308 2.29 0.022 1.423857 99.7929
mrk
af .1061231 .1081421 -2.20 0.028 .0144017 .781998
mi Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -15.810109 Pseudo R2 = 0.5453
Prob > chi2 = 0.0000
LR chi2(4) = 37.93
Logistic regression Number of obs = 55