BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan dunia yang semakin pesat diikuti pula dengan berbagai

permasalahan kompleks yang mulai bermunculan. Hal tersebut memberikan
motivasi yang berarti dalam mengembangkan ilmu pengetahuan guna memberi
solusi real terhadap masalah-masalah real yang ada dalam kehidupan sehari-hari.

Fenomena seperti ini memotivasi analisis statistik untuk berkembang dalam

menjawab permasalahan-permasalahan real yang ada. Analisis statistik
diharapkan menjadi salah satu alternatif dalam mengambil keputusan yang
rasional ilmiah berdasarkan data historis yang ada. Dengan analisis statistik,
kemungkinan untuk melakukan prediksi-prediksi dengan tingkat konfidensi
(kepercayaan) yang sangat tinggi. Selain itu, analisis statistik dapat mengolah data
yang ada untuk digunakan sebagai bahan pengambilan keputusan-keputusan yang
strategis. Oleh karena itu, analisis statistik merupakan metode yang patut
diperhitungkan untuk mengambil keputusan maupun kebijakan yang akurat.

Banyaknya ilmu-ilmu yang dikembangkan dalam ilmu-ilmu statistik terapan

dalam kehidupan sehari-hari menyebabkan penemuan-penemuan baru untuk
menganalisis suatu masalah, salah satunya adalah analisis regresi. Analisis regresi
merupakan alat yang memanfaatkan hubungan dua atau lebih variabel sehingga
salah satu variabel bisa diramalkan dari variabel lainnya.

Pada analisis regresi terdapat dua jenis variabel yaitu variabel bebas (variable
independent) dan variabel tak bebas (variable dependent). Variabel independent
adalah variabel yang nilainya dapat diamati namun tidak dapat dikendalikan,
sedangkan varibel dependent adalah variabel yang nilainya bergantung pada
variabel independent. Hubungan antara satu atau dua variabel dapat lebih mudah
dipahami dengan satu model yang disebut model regresi. Analisis regresi dapat
dikelompokkan menjadi analisis regresi linier dan regresi nonlinier. Data hasil
penelitian yang berupa data kualitatif dapat dianalisis dengan regresi nonlinier.
Salah satu model nonlinier yang dapat digunakan untuk menganalisis data kualitatif
adalah model regresi logistik. Model regresi logistik adalah model matematika
yang menggambarkan hubungan antara satu atau lebih variabel independent dengan
variabel dependent yang dikotomi yang variabelnya dianggap hanya mempunyai
dua nilai yang mungkin, yaitu 0 atau 1, dimana kondisi ini dapat diartikan
sebagai solusi atau gagal pada analisis regresi logistik univariat tunggal dan model
regresi logistik multivariat (ganda).

Untuk menentukan persamaan regresi logistik yang akan digunakan untuk

memprediksi nilai variabel dependent harus dicari estimasi parameter pada model
regresi logistik. Ada beberapa metode yang dapat digunakan untuk mengestimasi
parameter model regresi logistik, yaitu maximum likelihood methods, nonit-
erative weighted least squares methods dan discriminant functionanalysis. Salah
satu metode yang lebih umum dan digunakan pada sebagian besar paket program
komputer yang menganalisis regresi logistik adalah maximum likelihood. Metode
maximum likelihood merupakan metode untuk menentukan parameter yang
memberikan nilai maksimum pada fungsi likelihood.

Analisis regresi logistik banyak dimanfaatkan pada penelitian yang

mempunyai dua kemungkinan “sukses” atau “gagal” seperti pada penelitian di
bidang biologi, elektronik, dunia kesehatan dan masih banyak lagi penerapan
dibidang lain. Sebagai contoh pada bidang kesehatan adalah terjadinya salah satu
penyakit yang sebagian besar manusia pernah mengalaminya yakni Maag. Yang
disebut dengan Maag atau radang lambung atau tukak lambung adalah gejala
penyakit yang menyerang lambung dikarenakan terjadi luka atau peradangan pada
lambung yang menyebabkan sakit, mulas, dan perih pada perut. sejumlah faktor
yang menjadi penyebab dari maag disebabkan oleh beberapa faktor antara lain
Makan Tidak Teratur, Perokok Aktif, Stress, Kurang Istirahat, Efek samping obat-
obatan tertentu, Sering makan pedas/asam/minum kopi. Oleh karena itu penting
bagi setiap orang untuk melakukan pencegahan dini terhadap penyakit maag
terutama jenis maag kronis yakni maag yang sudah parah intensitasnya di
bandingkan maag biasa dan jenis magh yang lebih parah dari maag konis yakni
Kanker lambung, kanker lambung terjadi akibat mikroorganisme yang merugikan,
yaitu Helycobacter pylori. Meskipun banyak ahli yang berpendapat bahwa biasanya
setiap orang sudah berada di tahap maag ringan. Maag ringan masih tergolong tahap
ringan, jika dilakukan pemeriksaan akan terlihat asam lambung berlebih di bagian
dinding. Sedangkan Maag sedang adalah Maag yang sudah menyebabkan nyeri,
sakit dan mual yang menyakitkan.

Dunia kedokteran belum dapat menemukan cara pasti untuk mencegah total
terjadinya segala jenis maag . Mereka berpendapat bahwa banyak orang bahkan
nyawa yang dapat diselamatkan jika ada cara efektif untuk pencegahan dini setiap
jenis maag. Dari berbagai kesulitan di atas harapan dari penelitian ini adalah
mensimulasikan penderita maag sehingga bisa diketahui pola hidup penderita maag
yang menyebabkan penyakit maag. Analisis regresi logistik digunakan untuk
analisis data respon kategorik (nominal/ ordinal) dengan variabel-variabel bebas
kontinu dan kategorik. Perbedaan nilai probabilitas pada setiap kelas akan
menghasilkan nilai odds rasio. Nilai odds rasio dapat menginformasikan besarnya
pengaruh salah satu variabel bebas terhadap terjadinya perubahan kelas. Dalam
penelitian ini adalah orang yang pernah dan tidak pernah maag.
1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas, maka dapat

dirumuskan permasalahan sebagai berikut:
1. Bagaimana pendekatan analisis regresi logistik pada kasus sakit
maag pada mahasiswa pendidikan matematika FKIP UNLAM?
2. Berdasarkan model regresi logistik, variabel-variabel apa saja yang
berpengaruh terhadap sakit maag pada mahasiswa pendidikan
matematika FKIP UNLAM?
3. Bagaimana peramalan untuk sakit maag pada mahasiswa pendidikan
matematika FKIP UNLAM?
4. Bagaimana caranya agar sakit maag pada mahasiswa pendidikan
matematika?

1.3 Tujuan

Adapun tujuan penelitian ini berdasarkan rumusan masalah di atas yaitu:

1. Memperoleh model regresi logistik untuk sakit maag pada mahasiswa
pendidikan matmatika FKIP UNLAM.
2. Mengetahui variabel-variabel yang mempengaruhi sakit maag pada
mahasiswa pendidikan matmatika FKIP UNLAM.
3. Mengetahui peluang terjadinya sakit maag pada mahasiswa pendidikan
matmatika FKIP UNLAM..
4. Mengetahui cara agar sakit maag pada mahasiswa pendidikan
matematika FKIP UNLAM dapat dicegah.
 BAB II

TINJAUAN PUSTAKA

2.1 Regresi Logistik

Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus
dimana variabel dependent bersifat dikotomi dan polikotomi (Felix Kasim. 2008)
contoh : sukses atau Gagal; terpilih atau tidak terpilih; lulus atau tidak lulus;
melakukan pembelian atau tidak; mendapat promosi atau tidak, dan lain-lain.
Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik
numerik ataupun kategorik, termasuk variabel dummy (Agresti, 1990). Pada regresi
linier, variabel prediktor yang digunakan biasanya numerik, tetapi jika kita
melibatkan campuran antara numerik maupun kategorik kita dapat menggunakan
regresi logistik.
Analisis regresi logistik adalah metode regresi yang menggambarkan
hubungan antara beberapa variabel independen (explanatory) dengan sebuah
variabel respon dikotomus atau biner. Variabel respon (Y) pada metode regresi
logistik dikatakan biner karena terdiri atas dua kategori yaitu 0 dan 1.( Buana, Indira
Swa & Mahendrawathi & Iriawan Nur, 2010: 245 )
Analisis regresi logistik biner bertujuan untuk memperoleh hubungan antara
Xi dan Pi (probabilitas kejadian yang diakibatkan oleh xi). Berapapun nilai x bila
disubtitusikan ke dalam fungsi logistik hasilnya akan berkisar antara 0 dan 1.
Regresi logistik membentuk persamaan atau fungsi dengan pendekatan
maximum likelihood, yang memaksimalkan peluang pengklasifikasian objek yang
diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien
regresi yang sederhana. Dua nilai yang biasa digunakan sebagai variabel dependen
yang diprediksi adalah 0 dan 1 (ex. 1=berhasil, 0=gagal).
Regresi logistik menghasilkan rasio peluang (odds ratios) antara keberhasilan
atau kegagalan suatu dari analisis. Dapat kita contohkan dengan seorang tokoh yang
ingin menjadi presiden, akan lebih baik peluangnya jika menjadi ketua partai politik
tertentu. Disini odds ratio yang dimaksud adalah seberapa besar peluang tokoh
tersebut dengan mempertimbangkan variabel prediktor yang ada.
Regresi logistik akan membentuk variabel prediktor/respon (log (p/(1-p))
yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor
ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.
Asumsi-asumsi dalam regresi logistik:
 Tidak mengasumsikan hubungan linier antar variabel dependen dan independent
 Variabel dependen harus bersifat dikotomi (2 variabel)
 Variabel independent tidak harus memiliki keragaman yang sama antar
kelompok variabel
 Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat
eksklusif

Persamaan Regresi Logistik

Regresi logistik menghasilkan rasio peluang yang dinyatakan dengan
transformasi fungsi logaritma (log), dengan demikian fungsi transformasi log
ataupun ln diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa
logit(p) merupakan log dari peluang (odds ratio) atau likelihood ratio dengan
kemungkinan terbesar nilai peluang adalah 1, dengan demikian persamaan regresi
logistik menjadi:

Logit (p) = log (p/1-p) = ln (p/1-p)

dimana p bernilai antara 0-1.

Model yang digunakan pada regresi logistik adalah:

Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah

variabel independen, dan b adalah koefisien regresi
2.2 Pengertian Maag
Maag atau radang lambung atau tukak lambung adalah gejala penyakit yang
menyerang lambung dikarenakan terjadi luka atau peradangan pada lambung yang
menyebabkan sakit, mulas, dan perih pada perut. (wikipedia., 2015)
Secara garis besar, ada 2 jenis penyakit maag, yakni:
1. Gastritis Akut
Penyakit maag akut adalah inflamasi (reaksi tubuh terhadap mikroorganisme
dan benda asing yg ditandai oleh panas, bengkak, nyeri, dan gangguan fungsi organ
tubuh) akut dari lambung, dan biasanya terbatas hanya pada muklosa. Penyakit
maag akut dapat terjadi tanpa diketahui penyebabnya.
2. Gastritis Kronis
Lambung penderita penyakit maag kronis mungkin mengalami inflamasi
(reaksi tubuh terhadap mikroorganisme dan benda asing yg ditandai oleh panas,
bengkak, nyeri, dan gangguan fungsi organ tubuh) kronis dari tipe gangguan
tertentu, yang menyebabkan gastritis dari tipe yang spesifik yaitu gastritis kronis.

2.3 Jenis penyakit maag yang dilihat berdasarkan tingkat keparahan

1. Maag ringan
Maag ringan masih tergolong tahap ringan dimana biasanya setiap orang sudah
berada di tahap ini, jika dilakukan pemeriksaan akan terlihat asam lambung berlebih
di bagian dinding.
2. Maag sedang
Maag pada tahap ini sudah menyebabkan nyeri, sakit dan mual yang
menyakitkan.
3. Maag kronis
Maag kronis adalah maag yang sudah parah intensitasnya di bandingkan maag
biasa.
4. Kanker lambung
Kanker lambung terjadi akibat mikroorganisme yang merugikan,
yaitu Helycobacter pylori. (penyebabmaag.com, 2015)
2.4 Gejala Maag
Ciri-ciri atau gejala yang biasa muncul pada sesorang yang mengalami maag:
1. Perut kembung, gejala penyakit maag yang biasanya sering muncul pada
seseorang adalah mengalami perut kembung. Perut kembung ini diakibatkan
oleh lambung yang didalamnya terdapat banyak gas.
2. Mual dan muntah, gejala yang selanjutnya sering terjadi pada penderita maag
adalah mual dan juga muntah. Jika seseorang mengalami hal seperti ini bias
jadi ini merupakan salahsatu ciri penyakit maag.
3. Perut merasakan sering lapar, jika seseorang tidak menjaga pola makan secera
teratur biasanya orang tersebut akan mudah merasakan lapar, ciri ini juga
merupakan salah satu dari penyakit maag.
4. Sering bersendawa, akibat gas yang dihasilkan lambung, seseorang menjadi
sering bersendawa. Seringnya sendawa ada kemungkinan bahwa seseorang
tersebut menderita penyakit maag.
5. Perasaan sakit pada bagian perut dan juga dada, dari banyaknya ciri-ciri sakit
maag yang biasanya muncul yang paling sering terjadi adalah penderita
merasakan rasa sakit atau perih pada bagian perut dan juga pada bagian dada.

2.5 Faktor-faktor Resiko Penyebab Maag

1. Makan tidak teratur
2. Perokok aktif
3. Stres
4. Kurang istirahat
5. Efek samping obat-obatan tertentu
6. Sering makan pedas/asam/minum kopi. (penyebabmaag.com, 2015)

2.6 Cara Pencegahan Maag

1. Makan teratur.
2. Mengunyah makanan sebanyak 32 kali agar makanan lebih lembut ketika
masuk lambung.
3. Menghindari makanan penyebab maag.
 Kurangi makan-makanan yang dapat melukai lambung seperti cuka, kopi,
pedas atau beberapa makanan yang dapat membuat lambung memproduksi asam
lambung secera berlebihan.
4. Mengonsumsi susu kedelai
Dari berbagai studi ilmiah bahwa kandungan serat yang cukup tinggi dan baik
dari kedelai terbukti dapat mengatasi berbagai masalah pencernaan seperti maag,
radang saluran cerna, kembung dan lain-lain.
5. Hindari stres
Stress dapat menyebabkan kambuhnya penyakit maag. Oleh karena itu
usahakan untuk selalu berpikir positif dan menjauhkan stres dari pikiran Anda.
6. Hindari rokok
Asam lambung bias meningkat akibat rokok dan juga dapat menjadi
penghambat kesembuhan luka yang ada dalam lambung.
 BAB III

METODE PENELITIAN

3.1 Lokasi dan Tempat Penelitian

Penelitian ini telah dilakukan sebelumnya dengan metode berbeda

bertempat di FKIP UNLAM Banjarmasin

3.2 Populasi dan Sampel Penelitian

Populasi yang digunakan dalam penelitian ini adalah data seluruh

Mahasiswa Pendidikan FKIP UNLAM Banjarmasin dan Mahasiswa
Pendidikan Matematika Angkatan 2013 FKIP UNLAM Banjarmasin
3.3 Prosedur Pengambilan Data

Data yang digunakan adalah data sekunder yang diperoleh dari peneliti
sebelumnya oleh Mahasiswa Pendidikan Matematika FKIP UNLAM
Banjarmasin

1.4 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah sebagai berikut.
1. Variabel respon, terdiri dari dua kategori yaitu :
a) Orang yang pernah sakit maag (diberi kode 1)
b) Orang yang tidak pernah sakit maag (diberi kode 0)
2. Variabel prediktor, terdiri dari 6 variabel yang diduga mempunyai
pengaruh terhadap variabel respon yaitu :
a) Makan Tidak Teratur atau Teratur (X1) terdiri dari dua kategori
sebagai berikut.
1. Tidak Teratur, dengan kode 1.
2. Teratur, dengan kode 0
 b) Perokok Aktif atau Tidak (X2)
1. Perokok aktif, dengan kode 1.
2. Tidak aktif (pasif), dengan kode 0.
c) Stress atau Tidak (X3)
1.Stress, dengan kode 1.
2.Tidak stress, dengan kode 0.
d) Kurang Istirahat atau tidak (X4)
1. Kurang istirahat, dengan kode 1.
2. Tidak, dengan kode 0.
e) Efek samping obat-obatan tertentu atau tidak (X5)
1. Efek samping obat-obatan tertentu, dengan kode 1.
2. Tidak, dengan kode 0.
f) Sering makan pedas, asam, minum kopi atau Tidak (X6)
1. Sering makan pedas/asam/minum kopi, dengan kode 1.
2. Tidak, dengan kode 0.

3.5 Analisis Data

Analisis data pada penelitian ini menggunakan perangkat lunak SPSS versi
21. Dengan analisis data dilakukan sesuai prosedur dibawah ini:
1. Analisis deskriptif
2. Mengedintifikasi kelayakan model
3. Melakukan uji signifikan model
4. Uji simultan parameter model (Uji Likelihood Ratio)
5. Uji parsial parameter model (Uji Wald)
6. Melakukan uji kecocokan model (goodness of fit)
7. Interpretasi
8. Kesimpulan
9. Selesai
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

4.1.1 Analisis Deskriptif Variabel Respon

Peneliti melakukan pengkategorian berdasarkan mahasiswa pernah

sakit maag dengan yang tidak. Mahasiswa dengan pernah sakit maag
dikategorikan 1 dan yang tidak 0, dapat dilihat pada gambar bahwa
mahasiswa yang pernah sakit maag ada 74% atau sebanyak 59 orang
sedangkan yang belum/tidak pernah sakit maag 26% atau sebanyak
20 orang.

ORANG YANG PERNAH

SAKIT MAAG

Tidak
26%

Ya
74%

Gambar 4.1 Orang yang pernah sakit Maag

Gambar 4.1 menunjukan bahwa kategori mahasiswa yang pernah
sakit maag paling tinggi didominasi oleh kategori ya sebesar 74%.
4.1.2 Mengedintifikasi kelayakan model

2. Block 0: Beginning Block

Iteration Historya,b,c

Coefficients

Iteration -2 Log likelihood Constant

Step 0 1 87,347 1,038

2 87,163 1,147

3 87,163 1,150

4 87,163 1,150

a. Constant is included in the model.

b. Initial -2 Log Likelihood: 87,163
c. Estimation terminated at iteration number 4
because parameter estimates changed by less than
,001.

Classification Tablea,b

Predicted

Sakit_Maag

Tidak pernah Pernah sakit Percentage

Observed sakit maag maag Correct

Step 0 Sakit_Maag Tidak pernah sakit maag 0 19 ,0

Pernah sakit maag 0 60 100,0

Overall Percentage 75,9

a. Constant is included in the model.

b. The cut value is ,500

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 0 Constant 1,150 ,263 19,081 1 ,000 3,158

 Block 1: Method = Backward Stepwise (Likelihood Ratio)

Iteration Historya,b,c,d,e

Coefficients

Sering_Makan_P
Efek_Samping_ edas_atau_Asa
-2 Log Makan_Tidak Kurang_I Obat_obatan_Te m_atau_Minum_
Iteration likelihood Constant _Teratur Stress stirahat rtentu Kopi

Step 1 80,234 ,093 ,878 -,176 ,794 ,890 -,479

1 2 78,932 ,193 1,072 -,268 1,015 1,870 -,747

3 78,756 ,226 1,092 -,283 1,043 2,902 -,801

4 78,698 ,227 1,092 -,283 1,044 3,917 -,802

5 78,677 ,227 1,092 -,283 1,044 4,922 -,802

6 78,669 ,227 1,092 -,283 1,044 5,924 -,802

7 78,666 ,227 1,092 -,283 1,044 6,925 -,802

8 78,665 ,227 1,092 -,283 1,044 7,926 -,802

9 78,665 ,227 1,092 -,283 1,044 8,926 -,802

10 78,665 ,227 1,092 -,283 1,044 9,926 -,802

11 78,665 ,227 1,092 -,283 1,044 10,926 -,802

12 78,665 ,227 1,092 -,283 1,044 11,926 -,802

13 78,665 ,227 1,092 -,283 1,044 12,926 -,802

14 78,665 ,227 1,092 -,283 1,044 13,926 -,802

15 78,665 ,227 1,092 -,283 1,044 14,926 -,802

16 78,665 ,227 1,092 -,283 1,044 15,926 -,802

17 78,665 ,227 1,092 -,283 1,044 16,926 -,802

18 78,665 ,227 1,092 -,283 1,044 17,926 -,802

19 78,665 ,227 1,092 -,283 1,044 18,926 -,802

20 78,665 ,227 1,092 -,283 1,044 19,926 -,802

Step 1 80,415 ,022 ,878 ,743 ,820 -,463
2 2 79,162 ,091 1,069 ,927 1,769 -,721
3 78,988 ,118 1,088 ,947 2,798 -,773
4 78,930 ,119 1,089 ,948 3,813 -,774
5 78,909 ,119 1,089 ,948 4,818 -,774
6 78,901 ,119 1,089 ,948 5,820 -,774
7 78,898 ,119 1,089 ,948 6,821 -,774
8 78,897 ,119 1,089 ,948 7,822 -,774
9 78,897 ,119 1,089 ,948 8,822 -,774
 10 78,896 ,119 1,089 ,948 9,822 -,774
11 78,896 ,119 1,089 ,948 10,822 -,774
12 78,896 ,119 1,089 ,948 11,822 -,774
13 78,896 ,119 1,089 ,948 12,822 -,774
14 78,896 ,119 1,089 ,948 13,822 -,774
15 78,896 ,119 1,089 ,948 14,822 -,774
16 78,896 ,119 1,089 ,948 15,822 -,774
17 78,896 ,119 1,089 ,948 16,822 -,774
18 78,896 ,119 1,089 ,948 17,822 -,774
19 78,896 ,119 1,089 ,948 18,822 -,774
20 78,896 ,119 1,089 ,948 19,822 -,774
Step 1 81,429 -,358 ,922 ,748 ,688
3 2 80,430 -,491 1,116 ,917 1,594
3 80,264 -,502 1,131 ,930 2,621
4 80,206 -,502 1,131 ,930 3,636
5 80,185 -,502 1,131 ,930 4,641
6 80,177 -,502 1,131 ,930 5,643
7 80,174 -,502 1,131 ,930 6,644
8 80,173 -,502 1,131 ,930 7,645
9 80,173 -,502 1,131 ,930 8,645
10 80,173 -,502 1,131 ,930 9,645
11 80,173 -,502 1,131 ,930 10,645
12 80,173 -,502 1,131 ,930 11,645
13 80,173 -,502 1,131 ,930 12,645
14 80,173 -,502 1,131 ,930 13,645
15 80,173 -,502 1,131 ,930 14,645
16 80,173 -,502 1,131 ,930 15,645
17 80,173 -,502 1,131 ,930 16,645
18 80,173 -,502 1,131 ,930 17,645
19 80,173 -,502 1,131 ,930 18,645
20 80,173 -,502 1,131 ,930 19,645
Step 1 81,912 -,382 ,953 ,777
4 2 81,289 -,530 1,168 ,964
3 81,285 -,544 1,186 ,980
4 81,285 -,544 1,186 ,981
Step 1 83,723 ,250 ,988
5 2 83,282 ,251 1,184

3 83,281 ,251 1,196

4 83,281 ,251 1,196

a. Method: Backward Stepwise (Likelihood Ratio)
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 87,163
d. Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution
cannot be found.
e. Estimation terminated at iteration number 4 because parameter estimates changed by less than ,001.

Untuk bagian Beginning, yaitu nilai -2 Log likelihood yang masih

hanya menggunakan konstanta (c) adalah 87,163 sedangkan saat
kita sudah melibatkan dua variabel bebasnya (Makan tidak teratur,
perokok aktif, stress, kurang istirahat, efek samping obat-obatan
tertentu, sering makan asam/pedas/minum kopi), nilai -2 Log
Likelihood adalah 83,281 (iterasi maksimum/20).

Untuk Beginning, ternyata dihasilkan koefisien dari -2 Log

Likelihood 1,150 yang lebih besar dibanding alpha 5% sehingga
terima H0 yang artinya model sudah fit.

4.1.1 Uji Simultan Parameter

Omnibus Tests of Model Coefficients

Chi-square Df Sig.

Step 1 Step 8,498 5 ,131

Block 8,498 5 ,131

Model 8,498 5 ,131

Step 2a Step -,232 1 ,630
Block 8,266 4 ,082
Model 8,266 4 ,082
Step 3a Step -1,276 1 ,259
Block 6,990 3 ,072
Model 6,990 3 ,072
Step 4a Step -1,113 1 ,292
Block 5,877 2 ,053
Model 5,877 2 ,053
Step 5a Step -1,996 1 ,158
 Block 3,882 1 ,049

Model 3,882 1 ,049

a. A negative Chi-squares value indicates that the Chi-

squares value has decreased from the previous step.

Model Summary

Cox & Snell R Nagelkerke R

Step -2 Log likelihood Square Square

1 78,665a ,102 ,153

2 78,896a ,099 ,149
3 80,173a ,085 ,127
4 81,285b ,072 ,107
b
5 83,281 ,048 ,072

a. Estimation terminated at iteration number 20 because

maximum iterations has been reached. Final solution cannot
be found.
b. Estimation terminated at iteration number 4 because
parameter estimates changed by less than ,001.

Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 5,012 6 ,542
2 ,875 4 ,928
3 ,041 2 ,980
4 ,025 2 ,988
5 ,000 0 .

Pada tabel pertama :

H0 : Tidak ada variabel X yang signifkan mempengaruhi variabel Y
H1 : Minimal ada satu variabel yang signifikan mempengaruhi
variabel Y
Nilai signifikansi 0,049 < 0.05, sehingga H0 ditolak artinya minimal
ada satu variabel X memengaruhi variabel Y, sehingga analisis
dapat dilanjutkan.
 Pada tabel kedua :
Nilai variabel Makan tidak teratur, perokok aktif, stress, kurang
istirahat, efek samping obat-obatan tertentu, sering makan
asam/pedas/minum kopi yang kita pakai dalam penelitian sudah
mampu menjelaskan keragaman data pada variabel sakit maag
sebesar 7,2 %

Pada tabel ketiga :

H0 : Model cukup mampu menjelaskan data (layak/ sesuai)
H1 : Model tidak cukup mampu menjelaskan data (kurang sesuai)
nilai signifikansinya 0 < 0,05, maka H0 ditolak sehingga Model tidak
cukup mampu menjelaskan data (kurang sesuai) tetapi bukan berarti
tidak mampu samasekali menjelaskan data.

4.1.2 Uji Parsial Parameter

Uji parsial parameter model digunakan untuk memeriksa

signifikansi parameter model secara parsial atau terpisah dengan
hipotesis H0: βk = 0, untuk k = 1,2, ... ,11. Uji yang digunakan
untuk menguji signifikansi parameter model pertama secara parsial
adalah uji Wald (Persamaan 2.22). Uji Wald diperoleh dengan cara
mengkuadratkan hasil bagi estimasi parameter βk dengan standar
error estimasi parameternya hasil yang diperoleh dengan
menggunakan aplikasi SAS dapat dilihat sebagai berikut:
 dengan menjelaskan bahwa parameter yang signifikan merupakan
koefisien dari variabel X1 (Jalur Masuk Perguruan Tinggi) dan X3
(Jurusan pada Saat SMA) dikarenakan variabel-variabel yang
mempunyai nilai p-value < 0,05 sehingga hipotesis H0 ditolak.
Sedangkan parameter yang tidak signifikan yaitu koefisien dari
variabel X2, X4, dan X5.

Hal ini menjelaskan bahwa presepsi terhadap Index Prestasi

Kumulatif (IPK) ternyata tidak berhubungan dengan faktor X2
(Lama Belajar), X4 (Alamat Tempat Tinggal), dan X5 (Jenis
Kelamin).
4.1.3 Akaike’s Information Criterion (AIC)

Akaike’s Information Criterion (AIC) digunakan sebagai alat ukur

untuk memperoleh model yang paling baik dengan melihat nilai AIC
yang paling minimum. Nilai AIC (Persamaan 2.23) diperoleh dari
penjumlahan antara perkalian -2ln dikali nilai maksimal fungsi
likelihood (Persamaan 2.12) dijumlahkan dengan hasil perkalian 2
dikali dengan jumlah parameter dalam model, hasil yang diperoleh
dengan menggunakan aplikasi SAS dapat dilihat Sebagai Berikut:

Nilai AIC pada gambar diatas untuk model kedua sebesar 2877,969
sebagai perbandingan, model ini memiliki nilai AIC yang lebih kecil
dari pada model pertama pada lampiraan 14 sebesar 2884,986.
Artinya model kedua yang dibangun dengan 7 variabel prediktor ini
lebih baik dibanding model pertama yang menyertakan 4 variabel
prediktor, model lain bisa lebih baik dari model kedua jika memiliki
nilai AIC yang lebih kecil.
4.1.4 Analisis Dominan

Analisis Dominan digunakan untuk melihat tingkat kepentingan

variabel prediktor sehingga dapat diketahui peringkat masing-
masing variabel prediktor yang mendominasi variabel kemiskinan.
Analisis Dominan (Persamaan 2.24) diperoleh dengan melihat nilai
kontribusi dari suatu variabel prediktor terhadap variabel respon
melaluli nilai R2 (Persamaan 2.26) saat variabel prediktor tersebut
dimasukan kedalam model dikurangi dengan saat variabel prediktor
sebelum masuk kedalam model. Hasil yang diperoleh dapat dilihat
pada Lampiran 17.

Kesimpulan pada Lampiran 17 diperoleh bahwa tidak terdapat

variabel prediktor yang mendominasi secara lengkap (completely
dominance) karena tidak ditemukan variabel prediktor yang
memiliki nilai kontribusi lebih besar dari variabel prediktor lainnya
pada setiap model. Kemudian dapat dilihat pada tabel 4.5 bahwa X11
(Raskin) mendominasi variabel X1 (Luas lantai), X4 (Atap), X5
(Fasilitas BAB), X6 (Air minum), X9 (Kredit),dan X10 (Aset)
secara bersyarat (conditionally dominance), hal ini ditunjukan
dengan nilai rata-rata kontribusi setiap penambahan variabel
prediktor pada X11lebih besar dari pada variabel prediktor lainnya.

Tabel 4.5 Nilai rata-rata kontribusi setiap variabel

K X1 X4 X5 X6 X9 X10 X11

0 0,043 0,023 0,047 0,050 0,003 0,009 0,058

1 0,021 0,024 0,015 0,016 0,032 0,030 0,013
2 0,043 0,035 0,045 0,048 0,025 0,028 0,052
3 0,029 0,031 0,029 0,027 0,035 0,035 0,026
4 0,032 0,030 0,032 0,034 0,029 0,030 0,035
5 0,023 0,023 0,024 0,023 0,024 0,024 0,023
 6 0,014 0,014 0,014 0,014 0,014 0,014 0,014

Gi 0,0294 0,0258 0,0295 0,0303 0,0231 0,0242 0,0315

Variabel prediktor yang mendominasi secara umum (generally
dominance) dapat dilihat melalui nilai rata-rata kontribusi
keseluruhan (Gi) (Persamaan 2.25) yang diperoleh dengan mencari
rata-rata kontribusi keseluruhan, hasil yang diperoleh dapat dilihat
pada Tabel 4.5 yang menunjukan bahwa variabel X11 (Raskin)
memiliki nilai rata-rata keseluruhan terbesar yaitu 0,032, sehingga
dapat disimpulkan bahwa secara umum variabel X11 (Raskin)
memiliki tingkat kepentingan paling tinggi dibandingkan dengan
variabel prediktor lainnya. Oleh karena itu variabel X11 (Raskin)
berada pada peringkat pertama dalam mempengaruhi variabel Y
(Kemiskinan) disusul variabel X6 (Air minum), X5 (Fasilitas BAB),
X1 (Luas lantai), X4 (Atap), X10 (Aset), dan X9 (Kredit).

4.2 Pembahasan

Pemodelan kemiskinan di Provinsi Sulawesi Tengah dimulai dengan

mendiskripsikan data variabel respon yang bertujuan untuk mengetahui
frekuensi dari tiap kategori kemiskinan pada rumah tangga di Provinsi
Sulawesi Tengah. Berdasarkan hasil tersebut kategori cukup memiliki
frekuensi yang tertinggi dengan jumlah 797 rumah tangga menyusul
kategori kaya dengan jumlah 489 rumah tangga, kategori miskin 149 rumah
tangga dan yang terendah kategori sangat miskin dengan jumlah 70 rumah
tangga. Selanjutnya akan dilakukan pemodelan dengan Analisis Regresi
Logistik Ordinal.

Dari hasil pemodelan Analisis Regresi Logistik Ordinal yang diperoleh

untuk model pertama dengan 11 variabel prediktor dan untuk model kedua
dengan menghilangkan 4 variabel prediktor yang tidak signifikan pada
model pertama, hasil uji Deviance membuktikan kedua model layak untuk
digunakan serta uji Likelihood Ratio yang membuktikan kedua model
signifikan secara simultan. Selanjutnya akan dilakukan pemilihan model
terbaik.

Akaike’s Information Criterion (AIC) membuktikan bahwa model kedua

dengan menghilangkaan 4 variabel prediktor yang tidak signifikan adalah
model yang terbaik sehingga didapatkan model analisis regresi logistik
ordinal untuk kasus kemiskinan di Provinsi Sulawesi Tengah sebagai
berikut:

logit[ Pˆ (Y  1 X)]  4, 7225  0, 00866(X1)  0,1063(X4)  0, 6989(X5)  0,1083(X6)

 0, 6666(X9)  0,3573(X10)  0, 7991(X11)

logit[ Pˆ (Y  2 X)]  3,3889  0, 00866(X1)  0,1063(X4)  0, 6989(X5)  0,1083(X6)

 0, 6666(X9)  0,3573(X10)  0, 7991(X11)

logit[ Pˆ (Y  3 X)]  0,3836  0, 00866(X1)  0,1063(X4)  0, 6989(X5)  0,1083(X6)

 0, 6666(X9)  0,3573(X10)  0, 7991(X11)

Dari model yang terbaik didapatkan variabel prediktor yang berpengaruh

terhadap variabel respon, variabel prediktor yang berpengaruh adalah X1
(Luas lantai), X4 (Atap), X5 (Fasilitas BAB), X6 (Air minum), X9
(Kredit), X10 (Aset), dan X11 (Raskin). Dengan analisis Dominan
membuktikan Peringkat variabel prediktor yang memiliki tingkat
kepentingan paling tinggi dalam mempengaruhi kemiskinan di Provinsi
Sulawesi Tengah adalah variabel X11 (Raskin) disusul variabel X6 (Air
minum), X5 (Fasilitas BAB), X1 (Luas lantai), X4 (Atap), X10 (Aset), dan
X9 (Kredit).
 BAB V
KESIMPULAN DAN SARAN

1.1. Kesimpulan

Berdasarkan hasil analisis kesimpulan yang diperoleh sebagai berikut:

1. Model Regresi Logistik Ordinal yang diperoleh untuk kasus
kemiskinan di Provinsi Sulawesi Tengah pada tahun 2015 adalah:

logit[ Pˆ (Y  1 X)]  4, 7225  0, 00866(X1)  0,1063(X4)  0, 6989(X5) 

0,1083(X6)  0, 6666(X9)  0, 3573(X10)  0, 7991(X11)

logit[ Pˆ (Y  2 X)]  3, 3889  0, 00866(X1)  0,1063(X4)  0, 6989(X5) 

0,1083(X6)  0, 6666(X9)  0, 3573(X10)  0, 7991(X11)

logit[ Pˆ (Y  3 X)]  0, 3836  0, 00866(X1)  0,1063(X4)  0, 6989(X5) 

0,1083(X6)  0, 6666(X9)  0, 3573(X10)  0, 7991(X11)

2. Variabel prediktor yang berpengaruh terhadap tingkat kemiskinan di

Provinsi Sulawesi Tengah adalah X1 (Luas lantai), X4 (Atap), X5
(Fasilitas BAB), X6 (Air minum), X9 (Kredit), X10 (Aset), dan X11
(Raskin).

3. Peringkat variabel prediktor yang memiliki tingkat kepentingan paling

tinggi ke yang paling rendah dalam mempengaruhi kemiskinan di
Provinsi Sulawesi Tengah adalah variabel X11 (Raskin) disusul
variabel X6 (Air minum), X5 (Fasilitas BAB), X1 (Luas lantai), X4
(Atap), X10 (Aset), dan X9 (Kredit).

1.2. Saran

Penulis menyarankan untuk penelitian selanjutnya agar menambah

variabel prediktor agar diperoleh model yang lebih baik. Dan khususnya
variabel nominal tidak harus lagi digunakan ketika variabel responnya
 merupakan data yang mempunyai skala ordinal, karena dapat
menghilangkan informasi mengenai sifat ordinal.
DAFTAR PUSTAKA
Agresti, A., Finlay B. (1997). Statistical methode for the social science. Toronto:
John Wiley and Sons, Inc.

Agresti, A. (1990). Categorical data analysis. Canada: John Wiley and Sons,Inc

Agresti, A. (2007). An introduction to categorical data analysis. John Wiley and

Sons, Inc. New York.

Albana, M. (2013). Aplikasi regresi logistik ordinal untuk menganalisa tingkat

kepuasan pengguna jasa terhadap pelayanan di stasiun jakarta kota. Skripsi.
Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Pakuan.
Bogor.

Anggistia, M. (2014). Penerapan regresi logistik ordinal untuk menganalisa tingkat

kerusakan tanaman padi akibat wereng batang coklat. Skripsi. Fakultas
Matematika Dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Bogor

Azen, R., and Traxel N. (2009). Using dominance analysis to determine predictor
importance in logistic regression [jurnal]. Journal of Educational and Behavi
oral Statistics. 34:319347.doi: 10.3102/1076998609332754.

Bain, L. J., and Engelhardt. (1991). Modeling differential item functioning (DIF)
using multilevel logistic regression models: A Bayesian Prespective.
Univerrsity of Florida. Electronic Theses, Treatises and Dissertations
(ETDs). Paper 3939.

[BPS] Badan Pusat Statistik. (2016b). Sulteng dalam angka Provinsi Sulawesi
Tengah.

[BPS] Badan Pusat Statistik. (2016a). Persentase penduduk miskin maret 2016.
Diperoleh dari website Badan Pusat Statistik: https://www.bps.go.id/Brs/vie
w/id/1229. Diakses 20 Agustus 2016

Emil, S. (1982). Lingkungan hidup dan pembangunan, jakarta: Mutiara

Ghozali, I. (2011). Aplikasi analisis multivariate dengan program SPSS. Semarang:

Badan Penerbit Universitas Diponegoro.

Goldameir, N. E. (2013). Tugas analisis regrsi terapan. Makalah. Fakultas Sekolah

Pasca Sarjana, Institut Pertanian Bogor. Bogor
Hasanah, S. H. (2013). Analisis regresi terapan ordinal logit. Fakultas Matematika
Dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Bogor.
Hosmer, D. W., and Lemeshow, S. (1989). Applied logistic regression. New York
: John Wiley and Sons.
Hosmer, D. W and Lemeshow, S. (2000). Applied logistic regression. Second
Edition. Canada: John Wiley and Sons, Inc.

Motulsky, H. and Christopoulos, A. (2003). Sitting models to biological data using

linear and nonlinear regression. Grabh Pad Software Inc. San Diego.

Pasaribu, I. L., dan Simanjuntak, B. (1982). Pendidikan nasional (tinjauan

paedagogik teoritis ), Bandung: Tarsito.

Ray, D. (1998). Economics development. Princeton university press.

Sajogyo., dan Sajogyo, P. (1980), Sosiologi pedesaan. Kumpulan Bacaan Jilid 1.

Gajah Mada University Press.

Sumodiningrat. (1989). Poverty in Indonesia:concept, fact and policy allevianition.

Paper Presentd at Indonesia’s New Order : Past Present Past, 4-8 Desember
1989, Canberra: The Australian national University.