PEMBAHASAN

A. ANALISI REGRESI
Analisi regresi digunakan untuk memprediksi seberapa besar perubahan variable
dependen (Y) yang disimbulkan dengan disebut dengan residu. Semakin kecil nilai
residu maka pediksi ( regresi) semakin akurat.
Antara kolerasi dengan regresi memiliki hubungan yang erat. Kolerasi
menyatakan arah dan kuat hubungan antar variable sedangkan regresi memprediksi
perubahan nilai variable dependen (Y) aibat adanya perubahan nilai pada variabel
independen(Y). oleh karena itu analisis regresi akan dilakukan jika sudah diketahui dua
variabel memiliki hubungan.
Analisi regresi dapat dilakukan terhadap dua variabel (regresi sederhana) atau
lebih dari dua variabel tetapi hanya satu variabel terikat disebut dengan regresi
ganda.(Hal 98, statistic untuk perawat)

B. REGRESI LINIER
1.Analisi Regresi Linier Sederhana
Dalam analisa regresi sederhana,pengaruh variable bebas terhadap variabel
tergantung di amsumsikan linier. Persamaan garisnya ditentukan sebagai berikut:

Y = a + bX

Dimana :
Y = Variabel tergantung
X = Variabel bebas
a = konstanta / intercept,merupakan tempat garis regrasi memotong
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor

Koefisien regrasi (b) menyatakan besarnya perubahan variabel tergantung sebagai akibat
perubahan nilai variabel bebas .Besarnya nilai b dihitung dengan rumus :
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

b = n(xy) (x) (y)

n(x) (x)

Besarnya intercept (a) dihitung dengan rumus:

a = (y) (x) (x) (xy)

n(x) (x)

2. Analisis Regresi Linier Ganda/ Majemuk

Persamaan regresi linear berganda sebagai berikut:

Y = a + b1X1+ b2X2+..+ bnXn

Jumlah kuadrat regresi (SSReg)= a+b1X1+b2X2+..+bKXK

Jumlah kuadrat Total (SSt):Y2

Jumlah kuadrat residu (SSRes) = SSt-SSReg

SS Rg g
Koefision determinasi :R2=

R2 merupakan etimasi proposi varian variabel terikat (Y)akibat variabel bebas secara
bersama-sama. Jika R2=0,89 maka secara bersama-sama varibel bebas memberikan
kontribusi sebesar 89% terhadap Y.

R2 error = 1-R2

Koefision kolerasi total (kolerasi secara bersama-sama variabel bebas terhadap variabel
Y) dihitung dengan rumus r = .Jadi nilai r merupakan nilai kolerasi tertinggi variabel
bebas secara bersama-sama terikatnya. Makna nilai r dengan nilai R2 berbeda oleh
karena nilai r mengatakan kuat arah hubunagan sedangkan nilai r dengan R2 merupakan
besarnya kostribusi dalam presentasi variabel bebas terhadap variabel terikatnya. Nilai r
berkisar -1 sampai dengan +2 ,sedangakan R2bekisar 0-1

Pengaruh masing-masing variabel bebas terhadap variabel terikat tersebut dengan

kolersai parsial. Kolerasi pasial memiiliki makna yang sangat pentingg,karena pada
umumnya antara variabel bebas memiki hubungan (kolerasi) sehingga setiap variabel
bebas tidak murni memberikan kontribussi terhadap variabel terikatnya. Kolerasi murni
(kolerasi pasial)dari masing-masing variabel bebas di hitung dengan membuat variabel
bebas yang lain konstan. Kolerasi parsial dilakukan menghitung koefision kolerasi
masing-masing variabel bebas terhadap variabel terikat. Rumusnya :

xy kYi (xk )(y)

Rk=
{X2I (Xi )2 )(nY2i (Yi )2 }

Uji signifikansi ( uji keberartian regresi) dilakikuan dengan uji F. Rumus:

SSreg
F = 1
2

d1 = k= jumlah variabel bebas

d2 = n k 1

Hasil akan sama dengan hasil dari rumus :

2
F=(1 2 )
()

Jika kolerasi antar variabel bebas =0, misalnya r X1X2 =0,maka

R2=rYX1 + rYX2

Jika rX1X2>0 , maka varian Y tidak murni lagi karena pengaruh X1 dan X 2 tetapi
kemungkinan karena pengaruh rekundasi X1 dan X 2
 2
Uji signifikansi dilakukan dengan rumus uji t, rumus : t =
1

Uji signifikansi koefisien regresi (b) dilakukan uji t dengan rumus:

tbk =

2 SSreg 1
= = 2 = s
2

Hasil perhitungan dikonsulkan dengan table t, dengan DF=n-k-l-k merupakan jumlah

variabel bebas.

Sumbangan relatif tiap variabel bebas dapat dihitung dengan rumus:

(kYxk y)
SRxk=
JKRe g

Sumbangan efektif tiap variabel bebas dapat dihitung dengan rumus

SKxk =SRxk . R2

Regrasi parsial standar merupakan bobot regrasi satu variabel bebas jika variabel lainnya
di buat konstan disebut dengan dan nilai dapat di peroleh dengan rumus:

bk =k

paragdigma tata hubungan variabel, sebagai berikut:

X1
X2 Y
X3
 Formula yang digunakan rumus :

b2 x1 y+b2 2 + 33
Ry(1,2,3) = 2

Asumsi yang harus di penuhi (tidak boleh dilanggar)

a) Atar variabel bebas tidak ko-linier (koefisien kolerasin antara variabel bebas tidak lebih
atau sama dengan 0,8). Jika terdapat variabel yang koliniefr berarti bahwa sesungguhnya
variabel tersebut menjadu satu.
b) Hubungan masing-masing variabel bebas harusb linier
c) Semua data X dan Y harus skala interval atau rasio dan distribusi normal

(Sukawana I Wayan.2008.Pengantar Statistik Untuk Perawat .Denpasar : Poltekes Bali)

C. REGRESI LOGISTIK

Regresi lohistik adalah satu pendekatan model matematis yang digunakan untuk
menganalisi hubungan satu atau beberapa variabel independen kategori yang bersifat
dikotom atau binary.

Perbedaan regresi linier dan regresi linier dan regrsi logistic terletak pada jenis
variabel dependennya. Regresi linier digunakan bila variabel dependennya numeric,
sedaangkan regresi linier, digunakan pada data yang dependennya berbetuk kategori
yang dikotom. Pada regresi logistik, nilai E(Y/x) dapat selalu berada antara nol dan satu
(0E(Y/x)1).

Fungsi logistic di pomulasikan dengan rumus :

1
F(z)=
1+ 2
 Rumus 13.7

f(z) merupakan probabilitas kejadian suatu penyakit berdasarkan factor resiko

tertentu, misalnya probabilitas kejadian jantung pada umur tertentu
Nilai z merupakan nilai indek variabel independen. Nilai z bervariasi antara -
sampai +. Bila nilai z mendekati -, maka didapatkan rumus :

1
() = =0
Rumus 13.8 1 + ez+

Bila nilai z mendekati , maka dapat dirumuskan:

Rumus 13.9 1
() = = =1
1 + ez

Terlihat bahwa fungsi f(z) menghasilkan nilai yang berkisar antara 0 dan 1,
beberapa nilai z-nya. Kisaran regresi logistik tersebut berarti cocok digunakan untuk
model hubungan yang variabel dependennya dikotom. Grafik f(z) membentuk garis
berbentukS, yang menunjukan bahwagambaran grafik tersebut sesuai dengan contohplot
hubungan antara PJK dan umur pada kasus yang telah dibahas. Bentuk tersebut
mencerminkan pengaruh nilai z pada risiko individu yang minimal pada nilai z rendah,
kemudian seiring dengan peningkatan nilai z, risiko juga semakin meningkat, dan pada
ketinggian tertentu, garisnya akan mendatar mendekati nilai 1. Dengan demikian, jelas
bahwa model regresi logistic merupakan pilihan tepat untuk mencari estimasi probabilitas
kejadia pada variabel dependen yang dikotom
MODEL LOGISIK

Model logistic dikembangkan dari fungsi logistic dengan nilai z, yang merupakan
penjumlahan linier konstanta () ditambah dengan 11 , ditambah 2 2 , dan seterusnya
sampai , sedangkan variabel x adalah variabel independen. Hal tersebut dapat
diilustrasikan sebagai berikut:

= + 1 1(regresi logistic sederhana)

z = + 1 1 + 2 2 +..+ (regresi logistik berganda)

Bila nila Z dimasukkan pada fungsi z, rumus fungsi z adalah:

1
() =
1 + e(+1 1 + 2 2 + )

Rumus 13.2

Aplikasi model regresi logistic diuraikan pada Contoh Perhitungan 13.2. (biostatistika
untuk keperawatan,hal 169)
 DAFTAR PUSTAKA

Grace E.C.Korompis.2000. Biostatistika Untuk Keperawatan: Penerbit Buku Kedokteran EGC.

Sukawana, I Wayan. 2008. Pengantar Statistik untuk Perawat. Denpasar. Jurusan Keperawatan
Poltekkes Denpasar.
 BIOSTATISTIK
ANALISIS LINIER DAN LOGISTIK

KELOMPOK
A8-D

1. Wayan Hendra Wijaya (14.321.2102)

2. Ni Made Eri Lestari (14.321.2120)
3. Ni Luh Gede Tarakasuma Dewi (14.321.2121)
4. Ni Made Dwi Utari (14.321.2122)
5. Ngakan Putu Hendra Juni Artama (14.321.2129)
6. Putu Visakha Damayanti (14.321.2130)

PROGRAM STUDI ILMU KEPERAWATAN

STIKES WIRA MEDIKA PPNI BALI
TAHUN AKADEMIK 2017