LAPORAN TUGAS AKHIR
BE 3105 Analisis dan Interpretasi Data
Aplikasi Regresi Logistik dalam Pemodelan Pertumbuhan Bakteri Alicyclobacillus
acidoterrestris CRA7152 dalam Jus Apel yang dipengaruhi pH, Brix, Temperatur
dan Konsentrasi Nisin
Anggota: Kelompok 7
Elisa Frederica S. 11213007
Hafsah 11213015
Ricky 11213023
Grace Amadea 11213031
Valenikhe F. N. 11213039
ANALISIS DAN INTERPRETASI DATA PROGRAM STUDI REKAYASA HAYATI
SEKOLAH ILMU DAN TEKNOLOGI HAYATI INSTITUT TEKNOLOGI BANDUNG
1
RINGKASAN
Penelitian yang banyak saat ini menyebabkan banyaknya data yang harus
diolah sehingga dibutuhkan suatu metode yang tepat untuk mengolah semua data
tersebut. Salah satu metode yang bisa digunakan adalah regresi logistik. Regresi
logistik biasanya digunakan untuk menganalisa regresi dengan variabel dikotomi.
Variabel dikotomi artinya hanya ada 2 nilai yang mewakili suatu kejadian (0 atau 1).
Variabel prediktor yang didapat dari regresi logistik dapat ditransformasikan menjadi
probabilitas dengan fungsi logistik. Regresi logistik merupakan regresi non linier
artinya tidak ada asumsi keterkaitan variabel-variabelnya secara linier.
Suatu penelitian dilakukan untuk mengetahui pengaruh temperatur (25-50oC),
pH (2,5-5,5), konsentrasi padatan terlarut (11-19 Brix) dan konsentrasi nisin (0-70
IU/mL) terhadap peluang pertumbuhan Alicyclobacillus acidoterrestris CRA7152 dalam jus apel. Ada 74 sampel yang diolah dengan variabel yang ditinjau berupa tumbuh
tidaknya, pH, kadar nisin, temperatur, konsentrasi padatan terlarut (Brix), Brix*pH, Brix*Nisin
dan Brix*Temperatur.
Analisa regresi dilakukan dengan SPSS tanpa ada data yang hilang (missing
case). Output yang diperoleh adalah persentase variabel yang diprediksi sebesar 64,9% adalah baik. Selanjutnya untuk memperoleh model regresi logistik, dilakukan beberapa
pengujian yaitu uji parameter β0, uji overall dan uji parsial. Kesimpulan secara keseluruhan dari uji tersebut adalah dengan α =5%, model tersebut sesuai, minimal ada satu variabel X yang signifikan mempengaruhi variabel Y dan semua variabel X yang
ditinjau berpengaruh secara signifikan terhadap Y.
Hasil interpretasi menunjukkan setiap peningkatan variabel pH, temperatur,
brix, dan brix*nisin sebesar satu poin membuat kecenderungan bakteri tumbuh
berturut-turut sebesar 43,002; 3,185; 13,412; dan 0,100 kali. Setiap peningkatkan variabel nisin,
brix*pH, dan brix*temperatur sebesar satu poin mengurangi peluang sebesar 1,903;
2,215; dan 0,169 kali. Sehingga model yang merepresentasikan peluang tumbuhnya
A.acidoterrestris CRA7152 dalam jus apel selama 16 hari adalah:
2 BAB I PENDAHULUAN
1.1 Latar Belakang
Semakin berkembangnya ilmu pengetahuan berbanding lurus dengan
banyaknya riset yang dilakukan. Semakin banyaknya riset yang dilakukan juga
akan berbanding lurus dengan banyaknya data yang harus diolah. Karena data
yang harus diolah semakin banyak, maka diperlukan suatu metode yang tepat
agar hasil olahan data yang didapatkan tepat sasaran dan informatif. Salah satu
metode yang banyak digunakan adalah model regresi logistik.
Kebanyakan bentuk riset yang sekarang dilakukan memiliki tujuan untuk
mengetahui pengaruh suatu variabel terhadap variabel yang lain. Salah satu riset
yang dilakukan adalah menentukan pengaruh dari temperatur, pH, konsentrasi
padatan terlarut, dan konsentrasi nisin terhadap peluang pertumbuhan
Alicyclobacillus acidoterrestris di dalam jus apel. Peluang pertumbuhan A. acidoterrestris pada jus apel penting untuk diketahui karena pertumbuhan A. acidoterrestris yang tinggi akan menurunkan kualitas jus apel sehingga bisa menurunkan pula kualitas produk atau mengurangi jumlah produk yang layak
jual.
Untuk menentukan paramater yang bisa mempengaruhi pertumbuhan A. acidoterrestris dan pengaruhnya terhadap pertumbuhan A. acidoterrestris dilakukan riset yang hasilnya ditampilkan dalam makalah ini. Agar dapat
mengatahui faktor apa yang benar-benar berpengaruh pada pertumbuhan A. acidoterrestris dan dapat menentukan modelnya, dalam pengolahan data riset digunakan metode regresi logistik (Pena et al., 2011).
1.2 Tujuan
1. Menentukan pengaruh pH, nisin, temperatur dan konsentrasi padatan terlarut
terhadap peluang pertumbuhan Alicyclobacillus acidoterrestris CRA 7152 dalam jus apel.
2. Menentukan model peluang pertumbuhan Alicyclobacillus acidoterrestris CRA 7152 dalam jus apel berdasarkan pengaruh pH, temperatur, konsentrasi
3 BAB II
TINJAUAN PUSTAKA
Regresi logistik merupakan metode analisis regresi yang digunakan ketika
variabel terikat/dependen (respon) merupakan variabel dikotomi dan banyak
diaplikasikan dalam penelitian sosial ilmiah (Peng dan So, 2002). Variabel dikotomi
biasanya hanya terdiri dari dua nilai yang mewakili kemunculan atau tidak adanya suatu
kejadian yang biasanya diberi angka 0 atau 1 (Novianti dan Purnami, 2012). Di dalam
statistik, regresi logistik, seringkali disebut model logistik atau model logit, digunakan
untuk memprediksi kemungkinan atau probabilitas dari suatu kejadian dengan data
fungsi logit dari kurva logistik. Bentuk analisis regresi banyak menggunakan beberapa
variabel yang berupa numerik atau kategoris.
Regresi logistik akan membentuk variabel prediktor atau respon yang
merupakan kombinasi linier dari variabel bebas/independen. Nilai variabel prediktor ini
kemudian ditransformasikan menjadi probabilitas dengan fungsi logit. Regresi logistik
juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor.
Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul dan
dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang
merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi
prediktor diartikan sebagai jumlah relatif yang menunjukkan peluang hasil meningkat
(rasio peluang > 1) atau peluang hasil menurun (rasio peluang < 1) ketika nilai variabel
prediktor meningkat sebesar 1 unit. Tidak seperti regresi linier biasa, regresi logistik
tidak mengasumsikan hubungan antara variabel bebas (independen) dan variabel terikat
(dependen) secara linier. Regresi logistik merupakan regresi non linier dimana model
yang ditentukan akan mengikuti pola kurva seperti gambar 2.1.
4
Bentuk umum dari model regresi logistik untuk satu prediktor (Peng dan So,
2002) sebagai berikut:
ln
= log (odds) = logit = + x (1)
merupakan probabilitas (Y = outcome of interest|X = x) =
(2)
Keterangan, merupakan intercept atau konstanta dan merupakan slope atau kemiringan. Sedangkan, bentuk umum untuk model regresi logistik dengan lebih dari
satu prediktor adalah:
ln
= + 1x1 + 2x2 +…+ kxk (3) =
probabilitas (Y = outcome of interest|X1 = x1, X2 = x2, … , Xk = xk)
=
(4)
Keterangan, s merupakan kumpulan prediktor. dan s diestimasi dengan
menggunakan metoda kemungkinan maksimum (maximum likelihood method). Metoda
ini didesain untuk memaksimalkan kemungkinan perolehan data yang diberikan dengan
5 BAB III DATA DAN HASIL
3.1 Data
Sesuai dengan tujuan, telah dilakukan penelitian untuk mengetahui
pengaruh temperatur (25-50oC), pH (2,5-5,5), konsentrasi padatan terlarut
(11-19 Brix) dan konsentrasi nisin (0-70 IU/mL) terhadap peluang pertumbuhan
Alicyclobacillus acidoterrestris CRA 7152 dalam jus apel. Penelitian dilakukan dengan mengambil sampel sebanyak 74 sampel yakni diperoleh dari 37
perlakuan dengan 2 kali ulangan (Tabel 3.1) dan dataset (terlampir) diolah
menggunakan analisis regresi logistik. Adapun variabel yang diteliti adalah
sebagai berikut. Variabel Bakteri sebagai variabel respons atau variabel independen yang memiliki keluaran biner dengan
0 : tidak tumbuh
1 : tumbuh
Variabel prediktor yang dianggap memiliki pengaruh terhadap variabel respons
yakni :
x1 (pH) = pH
x2 (Nisin) = nisin (IU/mL)
x3 (Temperatur) = temperatur (oC)
x4 (Brix) = konsentrasi padatan terlarut (Brix)
x5 (BrixpH) = Brix * pH
x6 (Brixnisin) = Brix * Nisin
x7 (Brixtemperatur) = Brix * Temperatur
Tabel 3.1 Penggalan Data Pertumbuhan A. acidoterrestris CRA7152 dalam Jus Apel pH Nisin Temperatur Brix BrixpH Brixnisin Brixtemperatur Bakteri
6 3.2 Hasil
3.2.1 Statistik Deskriptif
a) b) c) d)
e) f) g)
Gambar 3.1 Histogram Data Variabel Prediktor; a)pH b)Nisin c)Temperatur d)Brix e)BrixpH f)Brixnisin g)Brixtemperatur
Secara umum, tidak terdapat pencilan pada setiap variabel prediktor (Gambar 3.2). Interpretasi statistik deskriptif untuk setiap variabel prediktor adalah sebagai berikut.
1. pH
Pada data variabel pH, nilai mean lebih besar dibanding nilai median. Nilai mean bersifat tidak robust sehingga mudah mengalami pergeseran apabila terdapat nilai yang besar. Data terpusat pada pH 4 dilihat dari median dan modusnya yang sama. Karena mean lebih besar daripada median maka distribusi pH menceng/skew positif. Dari histogram pH dapat disimpulkan pH dengan nilai kecil lebih banyak digunakan dalam penelitian. Hal ini akan membuat model lebih sesuai untuk memprediksi pertumbuhan bakteri pada suasana lebih asam.
2. Nisin
Dari histogram variabel nisin dapat dilihat konsentrasi nisin yang rendah cenderung lebih banyak digunakan. Hal ini terbukti dengan nilai mean yang lebih besar daripada median. Namun skewness bernilai negatif karena terdapat sebagian data besar. Nilai mean lebih besar daripada median kemungkinan disebabkan adanya nilai yang besar sehingga bergeser lebih tinggi. Hal ini dilihat pula dari jangkauan data konsentrasi nisin yang cukup besar yakni 70. 3. Temperatur
7
disimpulkan bahwa temperatur yang digunakan cenderung temperatur tinggi. 4. Brix
Persebaran data brix tidak terlalu lebar. Variansinya cukup kecil dibanding persebaran data lain. Histogram menunjukkan distribusi data brix menceng ke kanan/ positif sejalan dengan mean yang lebih tinggi dari mediannya. Hal ini berarti bahwa yang banyak digunakan adalah konsentrasi brix yang rendah.
5. Brix*pH
Hubungan perkalian antara nilai brix dan pH menghasilkan kombinasi data dengan distribusi sebagian besar data berpusat pada nilai brix dan pH kecil dilihat dari kemencengan yang positif.
6. Brix*Nisin
Hubungan perkalian antara brix dengan nisin menghasilkan kombinasi data dengan distribusi kemencengan positif dilihat pula dari histogram data banyak berkumpul pada nilai kecil. Akan tetapi, mean lebih besar daripada median menunjukkan adanya data bernilai tinggi sehingga mean bergeser. Hal ini dipengaruhi jangkauan yang besar yakni 1330.
7. Brix*Temperatur
Hubungan perkalian antara brix dengan temperatur menghasilkan kombinasi data dengan distribusi kemencengan positif karena modus terdapat pada daerah bernilai kecil. Bila dilihat, histogram brix*temperatur cukup berbeda dengan histogram brix saja dan temperatur saja. Persebaran data brix*temperatur lebih besar dan beragam.
Gambar 3.2 BoxplotData Variabel Prediktor; pH, Nisin, Temperatur, Brix, BrixpH, Brixnisin, Brixtemperatur
pH Nisin Temperatur Brix BrixpH BrixNisin Temperatur Brix Bakteri
8 3.2.2 Regresi Logistik
Tabel 3.2 Ringkasan Hasil Regresi Logistik menggunakan SPSS
S
tep
0
Case processing summary Included in analysis 74 (100%)
Missing cases 0
Dependent variable encoding Original value Tumbuh Tidak tumbuh
Internal value 1 0
Cassification table (constant is included)
Percentage correct 64,9
Cut value 0,500
Berdasarkan Tabel 3.2 dapat diketahui jumlah data yang dianalisis
sebanyak 74 data (included in Analysis), sedangkan missing cases bernilai nol (0) menunjukan tidak ada data yang hilang ketika proses analisis data dilakukan.
Didapat informasi bahwa tabel tersebut mengkategorikan variabel dependen
menjadi 1 untuk yang tumbuh dan 0 untuk yang tidak tumbuh.
Output classification table diatas menjelaskan bahwa persentase variabel yang diprediksi sebesar 64,9% adalah baik. Atau dengan kata lain, semua data
independen yang dianalisis sebesar 64,9% berpengaruh terhadap nilai variabel
dependen dengan mengikutsertakan parameter konstanta.
Cut value yang terdapat dalam output di atas mengindikasikan batas peluang setiap kejadian sukses dan gagal. Jika nilai prediksi dalam data (PRE_1)
lebih dari 0,5 maka bakteri tumbuh (ditunjukkan dalam variabel PGR_1 dengan
nilai 1) dalam data SPSS. Sebaliknya, jika nilainya kurang dari 0,5 maka
hasilnya tidak sukses atau gagal (ditunjukkan dalam variabel PGR_1 dengan
nilai 0).
Berdasarkan output yang ada, untuk mendapatkan model regresi logistik
yang terbaik maka perlu dilakukan beberapa pengujian antara lain:
1. Uji Parameter β0
Tabel 3.3 Hasil Regresi Logistik untuk uji parameter β0
9
Dari Tabel 3.3 dapat dilakukan uji hipotesis sebagai berikut:
a. Hipotesis
Tabel 3.4 Ringkasan Hasil Regresi Logistik untuk Uji Overall
S
Model summary Nagelkerke R Square 0,870
Classification table Percentage correct 97,3
Cut value 0,500
Berdasarkan Tabel 3.4 dapat dilakukan uji hipotesis terhadap nilai
Ominubus sebagai berikut:
disimpulkan bahwa minimal ada
satu variabel X yang signifikan
10
Selain menggunakan nilai Omnibus, uji overall juga dapat dilakukan dengan menggunakan nilai Hosmer dan Lemeshow seperti berikut:
a. Hipotesis
digunakan telah cukup mampu
menjelaskan data (sesuai)
Selain itu nilai Nagelkerke R menyakatan bahwa sebanyak 87% keragaman dapat dijelaskan oleh model, sedangkan sisanya (13%) dijelaskan
oleh faktor (variabel) lain diluar model penelitian.
Cut value yang terdapat dalam output di atas mengindikasikan batas peluang setiap kejadian sukses dan gagal. Jika nilai prediksi dalam data (PRE_1)
lebih dari 0,5 maka kejadian ini sukses atau diterima (ditunjukkan dalam
variabel PGR_1 dengan nilai 1) dalam data SPSS. Sebaliknya, jika nilainya
kurang dari 0,5 maka hasilnya tidak sukses atau gagal (ditunjukkan dalam
variabel PGR_1 dengan nilai 0). Dari data tersebut dapat diketahui juga bahwa
nilai-nilai prediksi dapat memprediksi variabel-variabel dengan tingkat
kebenaran 97,3% (lebih besar daripada ketika mengikutsertakan konstanta)
3. Uji Parsial
Tabel3.5 Hasil Regresi Logistik untuk Uji Parsial
11
Dari tabel 3.5 dapat dilakukan uji hipotesis untuk setiap βi. Sebagai
contoh dilakukan uji hipotesis terhadap pH sebagai berikut:
Untuk β1
disimpulkan bahwa variable pH
signifikan mempengaruhi Y
Dilakukan hal yang sama untuk β2, β3, β4, β5, β6, dan β7 dengan hasil seperti
yang ditunjukkan oleh Tabel 3.6.
Tabel 3.6 Hasil Uji Parsial
Variabel Simbol Koefisien P-value Kesimpulan
(Pengaruh)
Brixtemperatur β7 -0,169 0,042 Signifikan
Konstanta α -260,745 0,045
Setelah dilakukan uji overall dan parsial didapatkan model logit berdasarkan
persamaan (3) sebagai berikut:
Logit (p) = Ln
= -260,745 + 43,002*pH - 1,903*Nisin +
3,185*Temperatur + 13,412*Brix - 2,215*Brix*pH + 0,100*Brix*Nisin -
12
Namun karena variabel BrixpH secara statistik tidak berpengaruh secara
signifikan, maka model seharusnya tidak memasukkan variabel BrixpH.
Variabel BrixpH dikatakan tidak signifikan secara statistik, bukan berarti
pengaruhnya tidak ada (nol rasio), melainkan ada pengaruhnya, hanya saja
sangat kecil.
Bila variabel BrixpH dieliminasi kemudian dilakukan regresi logistik
tanpa variabel BrixpH, didapati hasil model yang tidak sesuai dengan hasil
observasi. Hal ini dibuktikan dengan perbandingan hasil uji Hosmer dan
Lemeshow sebagai berikut.
Tabel 3.7 Uji Hosmer dan Lemeshow Model dengan dan tanpa variabel BrixpH
Model df
Chi-Tanpa variabel BrixpH 25,860 0,001
Dari tabel di atas dapat disimpulkan bahwa model dengan variabel
BrixpH lebih merepresentasikan observasi dibandingkan model tanpa variabel
BrixpH. Hal ini dikarenakan nilai chi-square lebih kecil dari chi-square tabel
dan P-value lebih besa dari α dimiliki oleh model dengan variabel BrixpH,
bukan model tanpa variabel BrixpH. Dengan demikian, model dengan 7
variabel (termasuk variabel BrixpH) tetap dipertahankan sebagai model yang
diajukan yakni
Logit (p) = Ln
= -260,745 + 43,002*pH - 1,903*Nisin +
3,185*Temperatur + 13,412*Brix - 2,215*Brix*pH + 0,100*Brix*Nisin -
0,169*Brix*Temperatur
Serta didapatkan model peluang pertumbuhan bakteri berdasarkan persamaan
13 4. Interpretasi dan Peluang
Berdasarkan tabel 3.12 dapat diinterpretasikan sebagai berikut:
1. Setiap peningkatan variabel pH, temperatur, brix, dan brix*nisin
sebesar satu poin membuat kecenderungan bakteri tumbuh
berturut-turut sebesar 43,002; 3,185; 13,412; dan 0,100 kali. Setiap
peningkatkan variabel nisin, brix*pH, dan brix*temperatur sebesar
satu poin mengurangi peluang tumbuh bakteri berturut-turut sebesar
1,903; 2,215; dan 0,169 kali.
2. Peluang A. acidoterrestris untuk tumbuh dalam jus apel selama 16 hari dan prediksi titik kristis setiap variabel dideskripsikan dengan
model:
Sehingga, misalkan untuk suatu percobaan dengan pH 4,5; konsentrasi Nisin 60 IU/mL, temperatur 40oC dan konsentrasi padatan terlarut 12 Brix, maka peluang tumbuhnya bakteri adalah sebesar
0,5)sehingga kemungkinan dengan kondisi tersebut jus apel tidak akan ditumbuhi bakteri A. acidoterrestris.
Sedangkan, misalnya untuk kondisi pH 5,4; nisin 20 IU/mL, temperatur 37, dan brix 15, peluangnya adalah sebesar 0,999962775 (> 0,5). Artinya sangat besar kemungkinan bakteri A. acidoterrestris untuk tumbuh dalam jus apel pada kondisi tersebut.
14 BAB IV
KESIMPULAN DAN SARAN
4.1 Kesimpulan
1. Berdasarkan pengujian yang telah dilakukan, diperoleh kesimpulan bahwa
variabel yang mempengaruhi tumbuh atau tidaknya bakteri A. acidoterrestris dalam jus apel selama 16 hari secara signifikan ialah pH, nisin, temperatur, konsentrasi padatan terlarut serta hubungan perkalian
antara konsentrasi padatan terlarut dengan pH, nisin, dan temperatur.
Variabel-variabel yang berpengaruh tersebut mempengaruhi variabel
respons sebesar 87% dan sisanya dipengaruhi variabel lain diluar model.
2. Peluang yang didapat untuk memprediksi pertumbuhan bakteri A. acidoterrestris dalam jus apel selama 16 hari dimodelkan dalam persamaan
dengan
pH = pH, N = konsentrasi nisin (IU/mL), T = Temperatur (oC), dan
B = konsentrasi padatan terlarut (Brix)
4.2 Saran
1. Diperlukan penelitian lebih lanjut variabel lain selain pH, temperatur, nisin dan brix yang dapat mempengaruhi pertumbuhan bakteri A. acidoterrestrisi dalam jus apel dengan waktu yang lebih bervariasi.
2. Diperlukan pendekatan metode analisis statistik lainnya selain maximum likelihood untuk mendapatkan model yang lebih akurat.
15
DAFTAR PUSTAKA
Novianti, F. A. dan S. W. Purnami. 2012. Analisis Diagnosis Pasien Kanker Payudara Menggunakan Regresi Logistik dan Support Vector Machine (SVM) Berdasarkan Hasil Mamografi. Jurnal Sains dan Seni ITS. 1(1), 147-152.
Pena, W. E. L., P. R. De Massaguer, A. D. G. Zuniga, dan S. H. Saraiva. 2011. Modeling the Growth Limit of Alicyclobacillus acidoterrestris CRA7152 in Apple Juice: Effect of pH, Brix, Temperature, and Nisin Concentration. Journal of Food Processing and Preservation. 35, 509-517.
Peng, C. Y. J. dan T. S. H. So. 2002. Logistic Regression Analysis and Reporting: A Primer. Understanding Statistics. 1(1), 31-70.
LAMPIRAN
Tabel 1 Dataset Respons Tumbuh dan Tidak Tumbuh dari A. acidoterrestris CRA7152 dalam Jus Apel pH Nisin Temperatur Brix BrixpH Brixnisin Brixtemperatur Bakteri
5,5 70 50 11 60,5 770,0 550,0 0
*Data BrixpH, Brixnisin, dan Brixtemperatur tidak didapat secara mentah dari data jurnal namun dihitung sendiri. Sumber dataset : www.stat.ufl.edu/~winner/datasets.html [Online]
Tabel 2 Statistik Deskriptif Variabel Prediktor Variansi 0,623 726,694 86,101 9,502 364,99 180.847,242 36.225,937
Skewness 0,046 -0,102 -0,239 0,526 0,661 0,276 0,561
Proses Pengolahan Data dengan Regresi Logistik menggunakan SPSS dengan langkah-langkah sebagai berikut : 1. Membuka Lembar Kerja SPSS
Langkah-langkah yang diperlukan dalam menggunakan SPSS adalah sebagai berikut : a. Klik start
b. Kemudian klik SPSS pada menu start
c. Setelah itu, maka muncul lembar kerja SPSS yang siap untuk digunakan
d. Kemudian klik variable view kemudian diketikkan nama variabel dengan nama pH, Temperatur, Nisin, Brix, BrixpH, Brixtemperatur, Brixnisin, dan Bakteri.
Gambar 1 Membuat nama variabel e. Input data
Tabel 3 Data yang telah diinput
f. Value label dibuat dengan cara klik values pada variable Bakteri yang bernilai 1 untuk tumbuh dan 0 untuk tidak tumbuh.
Gambar 2 Membuat value label
2. Melakukan Regresi Logistik
Gambar 3 Pemilihan menu analyze
b. Muncul kotak dialog linear regression, kemudian dimasukkan variabel Bakteri sebagai variabel dependen dan variabel pH, Temperatur, Nisin, Brix, BrixpH, Brixtemperatur, dan Brixnisin sebagai variabel independen. Kemudian metode enter dipilih.
Gambar 4 Kotak dialog logistic regression
c. Klik save, beri tanda pada probabilities dan group membership, kemudian klik continue
Gambar 5 Kotak dialog logistic regression save
d. Klik options, beri tanda pada classification plots, hosmer-lemeshow goodness of fit, correlations of estimaes
dan include constant in model, kemudian klik continue
Gambar 6 Kotak dialog logistic regression options e. Klik Ok
Hasil Output Regresi Logistik menggunakan SPSS
Tabel 5Dependent variable encoding
Tabel 6 Classification tablea,b
Tabel 7Variables in the equation
Tabel 8Omnibus tests of model coefficients
Tabel 9Hosmer and lemeshow test
Tabel 10Model summary
Tabel 11Classification tablea