Академический Документы
Профессиональный Документы
Культура Документы
Disusun Oleh:
Variabel terkait :
Variabel bebas :
Interpretasi Output
Model Summary
Model Summary
Classification Tablea
Observed Predicted
terdiagnosa
Chi-square df Sig.
a) Hipotesis
𝐻0 : 𝛽1 = 𝛽2 = ... 𝛽𝑝 = 0 (Model layak digunakan/tidak ada pengaruh
variabel bebas terhadap variabel terikat)
𝐻1 : ada 𝛽1 ≠ 0, dimana i = 1,2,..., p (Model layak digunakan / ada pengaruh
variabel bebas terhadap variabel terikat )
b) Tingkat Signifikansi (tingkat risiko)
Tingkat signifikansinya (𝛼) = 5% = 0.05, dengan begitu tingkat kepercayaan
(Confidence Interval) yang digunakan praktikan adalah 95%.
c) Daerah kritis
Tolak jika: P-Value 𝐻0 < 𝛼
Chi-Square > Chi- Square tabel
d) Statistika Uji
Model : P-Value (0.000) < 𝛼 (0.05)
e) Keputusan
Tolak 𝐻0
f) Kesimpulan
Dengan menggunakan 𝛼 sebesar 5%, maka keputusannya tolak 𝐻0 , artinya
ada 𝛽1 yang tidak sama dengan 0 (Model layak digunakan/ada pengaruh
variabel bebas terhadap variabel terikat).
Uji Parsial
Parameter Model
Uji parameter model dengan data (uji hosmer and lemeshow), uji ini untuk
mengukur apakah probabilitas yang diprediksi sesuai dengan probabilitas yang
diobservasi. Namun uji ini dapat dilakukan ketika sudah dapat dipastikan bahwa
model yang diperoleh refresentatif dengan menggunakan Tabel 6 berikut.
1 18,173 8 ,020
Gambar 5. Output Hosmer and Lemeshow Test
a. Hipotesis
𝐻0 = model sesuai dengan data atau tidak ada perbedaan antara model
dengan data sehingga dapat dikatakan fit
𝐻1 = model tidak sesuai dengan data atau ada perbedaan antara model
dengan data sehingga dapat dikatakan fit (peluang data asli dengan peluang
data prediksi sama atau sesuai)
b. Tingkat signifikansi : 𝛼 : 0,05
c. Daerah Kritis
p-value < 𝛼, maka tolak 𝐻0
d. Statistik uji
p-value =0.020
e. Keputusan
p-value (0.020) < 𝛼 (0,05) maka tolak 𝐻0
f. Kesimpulan
karena nilai p-value signifikan maka probabilitas yang diprediksi tidak
sesuai dengan probabilitas yang diobservasi.
Dari serangkaian uji yang telah dilakukan, dapat diinterpretasikan model yang
diperoleh sebagai berikut.
1. Exp (𝛽1 )= 0,951 Artinya setiap pertambahan usia subjek saat diwawancara
sebesar 1 satuan akan meningkatkan peluang wanita tidak mengidap peyakit
kanker payudara jinak sebesar 0,951 kali, dengan nilai variabel lain tetap.
Atau dengan kata lain semakin bertambah usia wanita maka akan semakin
mempunyai kecenderungan untuk tidak mengidap penyakit kanker
payudara jinak.
2. Exp (𝛽2 ) = 0,269 Artinya setiap wanita yang melakukan pemeriksaan
umum medis akan didiagnosa mengidap penyakit kanker payudara jinak
sebesar 0,269 kali dari pada yang tidak melakukan pemeriksaan medis.
3. Exp (𝛽3 ) = 1.069 Artinya setiap pertambahan usia pertama kali hamil
sebesar 1 satuan akan meningkatkan peluang wanita tidak mengidap peyakit
kanker payudara jinak sebesar 1,069 kali, dengan nilai variabel lain tetap.
Atau dengan kata lain semakin bertambah usia wanita untuk pertama kali
hamil maka akan semakin mempunyai kecenderungan untuk tidak
mengidap penyakit kanker payudara jinak.
4. Exp (𝛽4 ) = 1,495 Artinya setiap pertambahan usia pertama kali menstruasi
sebesar 1 satuan akan meningkatkan peluang wanita tidak mengidap peyakit
kanker payudara jinak sebesar 1,495 kali, dengan nilai variabel lain tetap.
Atau dengan kata lain semakin bertambah usia wanita untuk pertama kali
menstruasi maka akan semakin mempunyai kecenderungan untuk tidak
mengidap penyakit kanker payudara jinak.
5. Exp (𝛽5 ) = 0,974 Artinya setiap pertambahan berat badan wanita sebesar 1
satuan akan meningkatkan peluang wanita tidak mengidap peyakit kanker
payudara jinak sebesar 0,974 kali, dengan nilai variabel lain tetap. Atau
dengan kata lain semakin bertambah berat badan wanita maka akan
semakin mempunyai kecenderungan untuk tidak mengidap penyakit kanker
payudara jinak.
6. Exp (𝛽6 ) = 1,119 Artinya setiap pertambahan usia wanita untuk menopouse
sebesar 1 satuan meningkatkan kelipatan seorang wanita sebesar 1,118 kali
untuk tidak mengidap penyakit kanker payudara jinak.
Kesimpulan
Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika
variabel dependen (respon) merupakan variabel dikotomi. Sedangkan Variabel
yang dikotomi/biner adalah variabel yang hanya mempunyai dua kategori saja,
yaitu kategori yang menyatakan kejadian sukses (Y=1) dan kategori yang
menyatakan kejadian gagal (Y=0).
Dalam kasus ini setelah dilakukan analisis regresi logistik biner. Nilai
Nagelkerke R Square yang didapatkan adalah sebesar 0,365 atau 36,5 % yang
berarti seluruh variabel independen mempengaruhi variabel dependen secara
serentak pada kisaran 36,5 %, sedangkan 63,5 % lainya dipengaruhi atau dijelaskan
oleh variabel-variabel yang tidak dimasukkan dalam penelitian ini.
Jadi, model regresi logistik yang digunakan cukup baik karena mampu
menebak dengan benar 78,1 % kondisi yang terjadi. Dari keseluruhan model yang
didapatkan, terbukti bahwa modelnya layak untuk digunakan.