P. 1
regR. LogistIk

regR. LogistIk

|Views: 367|Likes:
Published by Firly Cinnamons

More info:

Published by: Firly Cinnamons on Nov 23, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

11/25/2013

pdf

text

original

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

.

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

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

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

sedangkan regresi logistik tidak mengasumsikan data harus berdistribusi tertentu. . Selanjutnya dihitung proporsi pengamatan yang salah diklasifikasikan. Diharapkan proporsi pengamatan yang salah diklasifikasikan tersebut bisa sekecil mungkin.3) dengan g(x) = ln  Salah satu cara untuk mengestimasi parameter regresi logistik adalah dengan menggunakan metode maximum likelihood. 1996). 2003). Model regresi logistik multivariate dengan k variabel prediktor dinyatakan:     (2.natural log dari odds rasio (Fractal. Namun ada peneliti yang menganjurkan tetap menggunakan analisis diskriminan meskipun ada pelanggaran asumsi. Evaluasi fungsi klasifikasi (fungsi logistik) dilakukan dengan cara yang sama seperti pada analisis diskriminan. Proses menghitung estimasi maksimum likelihood ini disebut juga sebagai Iteratif Reweighted Least Square(Hosmer dan Lemeshow. dengan catatan tidak ada data yang outlier (Meshbane. Analisis diskriminan mengasumsikan data berdistribusi multivariate normal. Pemilihan antara kedua metode tersebut biasanya tergantung pada asumsi yang diperlukan oleh kedua metode tersebut. dimana matrik pembobotnya berubah setiap putaran. Estimasi maksimum likelihood merupakan pendekatan dari estimasi Weighted Least Square. 1989). Pelanggaran asumsi multivariate normal pada analisis diskriminan biasanya menghasilkan tingkat ketepatan klasifikasi yang rendah. Metode ini memperoleh dugaan maksimum likelihood bagi dengan iterasi Newton Raphson. Yaitu terlebih dahulu dibuat tabulasi antara actual group dan predicted group ynag diperoleh dari fungsi logistik.

maka akan muncul kotak sebagai berikut: 3. Diinterpretasikan .1. Waktu dan Tempat Praktikum dengan judul µRegresi Logistik¶ ini dilaksanakan pada hari Selasa. Memasukkan data ke dalam worksheet 2.2 Langkah-langkah Penggunaan MINITAB 1. Universitas Brawijaya. Isilah dialog box sesuai variabel Klik Ok 4. Malang 2. 09 November 2010 di laboratorium Komputer Jurusan Matematika.BAB II METODOLOGI 2. Klik Stat > Regression > Binary Logistik regression. Fakultas Matematika dan Ilmu Pengetahuan Alam.

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. FMIPA. dan variabel X bersifat nominal biner (bivariat) yaitu 1 (pemberian hormon auksin) dan 0 (tidak ada pemberian hormon auksin). Diketahui variabel respon Y bersifat nominal biner (bivariat) yaitu 1 (akar tumbuh banyak dan panjang) dan 0 (akar tidak tumbuh).

062 DF 1 1 2 P 0.1 10 8. P-Value = 0.893 Test that all slopes are zero: G = 0.1217 0.302 0.303 0.43 0.2839 Z P 0.194.2855 0.631 0.9 22 Total 45 11 9.668 -0.064 1.1 22 Value 1 Obs Exp 0 Obs Exp Total 1 8 9.1 18 34 79 .588 Table of Observed and Expected Frequencies: (See Hosmer-Lemeshow Test for the Pearson Chi-Square Statistic) Group 3 14 12.0287 SE Coef 0.48 0.919 (Event) Log-Likelihood = -53.Hasil dan Pembahasan Masalah dengan Program Minitab Binary Logistic Regression: y versus X1.9 8 9.908 Goodness-of-Fit Tests Method Pearson Deviance Hosmer-Lemeshow Chi-Square 1.2532 0.9 17 2 4 12 13.1 9 7. 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 0.1225 -0.9 7 8.062 1. DF = 2.10 0.

02 0.05 Goodman-Kruskal Gamma Kendall's Tau-a 0.0% Summary Measures Somers' D 0.2% 24. .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 = 45.9% 100.Measures of Association: (Between the Response Variable and Predicted Probabilities) Pairs Concordant Discordant Ties Total Number 611 538 381 1530 Percent 39.

.

50.4350 0.32 0.007469 Z P 1. 25.26 0.002422 SE Coef 0. 75 terhadap pertumbuhan biji kacang hijau (Phaseolus radiatus) (y=1 berarti biji tumbuh.3448 0. DF = 1.207 0.746 (Event) Log-Likelihood = -24. 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. y=0 berarti tidak tumbuh).752 . P-Value = 0.100.384 Test that all slopes are zero: G = 0.

085 0.0% 36.092 0.936 4.0% Summary Measures Somers' D Goodman-Kruskal Gamma Kendall's Tau-a 0.7 2 3.1 10 12 40 Measures of Association: (Between the Response Variable and Predicted Probabilities) Pairs Concordant Discordant Ties Total Number 141 121 74 336 Percent 42.3 10 2 4 9 7.08 0.03 .3 1 2.06 0.0% 22.1 5 2.092 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 DF 2 2 2 P 0.0% 100.9 10 Value 1 Obs Exp 0 Obs Exp Total 1 8 6.Goodness-of-Fit Tests Method Pearson Deviance Hosmer-Lemeshow Chi-Square 4.9 4 3.775 4.

.

.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. Dengan demikian praktikum dapat berjalan dengan lancar.BAB IV PENUTUP 4.1 Kesimpulan Regresi Logistik (Logistic Regression) merupakan regresi dengan variabel bebas (X) berupa variabel dummy. tidak satu computer digunakan dua praktikan. maka dikatagorikan sebagai regresi dummy. Regresi logistik digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori klasifikasi. 4. Salah satu cara untuk mengestimasi parameter regresi logistik adalah dengan menggunakan metode maximum likelihood.

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->