stater acara 11
Post on 15-Feb-2016
8 Views
Preview:
DESCRIPTION
TRANSCRIPT
LAPORAN PRAKTIKUM
STATISTIK TERAPAN
( GPW 0108 )
ACARA XI
ANALISIS REGRESI LOGISTIC BINARY
Disusun oleh:
Nama : Intansania N
NIM : 13/348120/GE/07580
Hari, Jam : Selasa, jam 09.00-11.00
Asisten : 1. Anindyakusuma Hapsari
2. Dita Wulandari
FAKULTAS GEOGRAFI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2015
ACARA XI
I. JUDUL
Analisis Regresi Logistic Binary
II. TUJUAN
Memprediksikan seberapa besar pengaruh suatu variabel terhadap variabel
lainnya.
III. ALAT DAN BAHAN
1. SPSS for Windows
2. Alat tulis
3. Buku panduan
4. Data rasio/interval
IV. DASAR TEORI
Regresi logistik (logistic regression) sebenarnya sama dengan analisis regresi
berganda, hanya variabel terikatnya merupakan dummy variabel (0 dan 1). Regresi
logistik ini tidak memerlukan asumsi normalitas dan asumsi klasik yang lain, meskipun
screening data outliers tetap dapat dilakukan.
Interpretasi regresi logistik menggunakan odd ratio atau kemungkinan. Sebagai
contoh, jika rasio keuangan ROA meningkat sebesar 1% maka kemungkinan ketepatan
menyampaikan laporan keuangan meningkat sebesar 1,05 kali. Berarti semakin tinggi
ROA kemungkinan tepat semakin tinggi. Atau jika rasio keuangan DER meningkat
sebesar 2% maka kemungkinan ketepatan penyampaian laporan keuangan meningkat
sebesar 0,98 kali atau bisa dikatakan menurun karena lebih kecil dari 1 yang berarti
kemungkinan terlambat semakin tinggi.
Seringkali di dalam penelitian, seseorang ingin memodelkan hubungan antara
variabel X (prediktor; bebas) dan Y (respon; terikat). Metode yang paling sering
dipakai dalam kasus seperti itu adalah regresi linier, baik sederhana maupun berganda.
Namun, adakalanya regresi linier dengan metode OLS (Ordinary Least Square) yang
sering dipakai tersebut kurang sesuai untuk digunakan. Dikatakan kurang sesuai karena
jika regresi linier biasa digunakan akan terjadi pelanggaran asumsi Gauss-Markov.
Misalnya pada kasus dimana variabel respon (Y) bertipe data nominal, sedangkan
variabel bebas/prediktornya (X) bertipe data interval atau rasio.
Contoh kasus (diambil dari rencana skripsi Choirul Maqsudi):Ingin diketahui
apakah konsumen akan membeli makanan di rumah makan berdasarkan penilaian
konsumen terhadap lokasi, pelayanan, pendapatan, kebersihan, selera dan harga.
Dalam kasus ini hanya ada 2 kemungkinan respon konsumen, yaitu konsumen membeli
dan tidak membeli.
Dari contoh kasus di atas, dapat diketahui bahwa tipe data variabel respon (Y)
adalah nominal, yaitu kategorisasi keputusan konsumen apakah membeli atau tidak
(misal membeli dilambangkan angka 1, sedangkan tidak membeli dengan angka 0),
sedangkan tipe data untuk variabel bebas (X) setidak-tidaknya interval (skala likert).
Bila metode regresi linier biasa diterapkan pada kasus semacam ini, menurut Kutner,
dkk.(2004), akan terdapat 2 pelanggaran asumsi Gauss-Markov dan 1 buah pelanggaran
terhadap batasan dari nilai duga (fitted value) dari variabel respon (Y), yaitu:
1. Error dari model regresi yang didapat tidak menyebar normal.
2. Ragam (variance) dari error tidak homogen (terjadi heteroskedastisitas pada
ragam error).
3. Sedangkan, pelanggaran bagi batasan nilai duga Y (fitted value) adalah bahwa
nilai duga yang dihasilkan dari model regresi linier biasa melebihi rentang
antara 0 s.d. 1. Hal ini jelas tidak masuk akal , karena batasan nilai pada
variabel Y (dalam kasus ini adalah membeli=1 dan tidak membeli=0).
Bayangkan jika Anda mendapatkan nilai duga Y = 4 saat Anda memasukkan
suatu nilai X tertentu. What does it mean? It is no longer interpretable, guys.
Untuk mengatasi masalah ini, diperkenalkan metode Regresi Logistik.
Sebagaimana metode regresi biasa, regresi logistik dapat dibedakan menjadi 2, yaitu:
Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial Logistic
Regression (Regresi Logistik Multinomial). Regresi Logistik biner digunakan ketika
hanya ada 2 kemungkinan variabel respon (Y), misal membeli dan tidak membeli.
Sedangkan Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y)
terdapat lebih dari 2 kategorisasi.
Model Logistik memiliki bentuk fungsi seperti pada persamaan (1) dan (2). Untuk
memudahkan interpretasi, maka model logistik ditransformasi menjadi bentuk fungsi
logit, seperti pada persamaan (3). Nilai duga regresi logistik (Y duga) merupakan nilai
peluang. Lebih tepatnya berapakah peluang seorang konsumen akan membeli makanan
di warung/rumah makan tersebut berdasarkan penilaiannya pada variabel lokasi,
pelayanan, pendapatan, kebersihan, selera dan harga. Rentang nilai duga yang
dihasilkan akan berkisar antara 0 s.d. 1. (Kita ingat bahwa kisaran atau rentang nilai
peluang adalah 0 s.d 1).
Regresi logistik tidak terbatas hanya dapat diterapkan pada kasus dimana variabel
X nya bertipe interval atau rasio saja. Tapi regresi logistik juga bisa diterapkan untuk
kasus dimana variabel X-nya bertipe data nominal atau ordinal. Hal ini seperti ini
analog dengan regresi linier dengan variabel dummy.
V. LANGKAH KERJA
1. Mengktifkan program spss
2. Mengeklik Menubar Analyze kemudian Regression lalu Binary Logistic
3. Memasukkan Gangguan Tidur pada kolom Dependent Variable; dan variable
getsleprec, staysleprec, age, sex, juga hourwint pada kolom covariates.
4. Memilih Categorical dan memasukkan getsleprec,sex,staylprec ke dalam
categorical covariate
5. Aktivasi Classification Plots, Hosmer-Lemeshow goodness-of-fit pada menu
statistics and Plots, dan at each step pada menu display.
6. Menekan tombol continue lalu OK.
VI. HASIL PRAKTIKUM
1. Output Logistic Regression
DAFTAR PUSTAKA
Prakoso, Eko. 2011. Hand Out Mata Kuliah Statistik Terapan Pembangunan Wilayah.
Fakultas Geografi. Universitas Gadjah Mada. Yogyakarta
Priyatno, Duwi. 2010. Paham Analisa Statistik Data dengan SPSS. Yogyakarta : MediaKom
Tim Penyusun. 2013. Petunjuk Praktikum Statistik Terapan SIG&PW (GPW 0113).
Yogyakarta : Fakultas Geografi Universitas Gadjah Mada.
LAMPIRAN
top related