BAB I

PENDAHULUAN

1.1 Regresi Logistik

Regresi logistik adalah bagian dari analisis regresi yang digunakan

ketika variabel dependen (respon) merupakan variabel dikotomi. Variabel

dikotomi biasanya hanya terdiri atas dua nilai, yang mewakili kemunculan

atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau 1.

Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan

hubungan antara variabel independen dan dependen secara linier. Regresi

logistik merupakan regresi non linier dimana model yang ditentukan akan

mengikuti pola kurva seperti gambar di bawah ini.

Gambar 1.1. Grafik regresi logistik

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. Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait

dengan nilai setiap prediktor. Peluang (odds) dari suatu kejadian diartikan

sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu

kejadian tidak terjadi.

Secara umum, rasio peluang (odds ratios) merupakan sekumpulan

peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor

diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio

peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor

meningkat sebesar 1 unit.

1

1.2. Tahapan Analisis Regresi Logistik

1. Menentukan variabel X dan variabel Y.

2. Analisis Deskriptif.

3. Uji Linearitas.

4. Analisis Regresi.

1) Uji Overall

2) Uji Parsial

3) R dan R2

4) Tuliskan Model

5. Uji Asumsi

1) Uji Normalitas

2) Uji Kecocokan Model

3) Peramalan

1.3 Model Regresi Non Linear

Ada dua model regresi logistik yag di ketahui diantaranya adalah :

1. Model Probit

π i = 1√ 2 π ∫

∞

β0+β 1 X 1+ β2 X2

e12

X 2

dx

2. Model Logit

π i = e β0+β 1 X 1+…+β p X p

1+eβ0+ β1 X1+…+β p X p

atau

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) 0 =+ 1Xβ1 + 2Xβ2 + ….kXk+ β

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

adalah variabel independen, dan b adalah koefisien regresi.

2

Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait

dengan nilai setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai

probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian

tidak terjadi.

π i

1−π i = π¿

1.4 Asumsi-Asumsi Dalam Regresi Logistik

1. Tidak mengasumsikan hubungan linier antar variabel dependen dan

independent Variabel dependen harus bersifat dikotomi (2 variabel).

2. Variabel independent tidak harus memiliki keragaman yang sama antar

kelompok variabel Kategori dalam variabel independent harus terpisah

satu sama lain atau bersifat eksklusif.

3. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan

hingga 50 sampel data untuk sebuah variabel prediktor (bebas).

1.5 Kecocokan Model (model fit) dan fungsi likelihood

Likelihood berarti juga peluang atau probabilitas untuk hipotesis

tertentu. Seperti yang kita ketahui pada kurva regresi linier kita lihat adanya

hubungan linier, peningkatan pada sumbu Y akan diikuti dengan peningkatan

pada sumbu X dan sebaliknya. Tetapi pada regresi logistik dengan nilai Y

antara 0 dan 1, pendekatan linier tidak bisa kita gunakan. Oleh karena itu

metode maximum likelihood sangat berguna dalam menentukan kecocokan

model yang tepat bagi persamaan yang kita miliki.

3

BAB II

DESKRIPSI KERJA

Pada bab ini, praktikan akan menunjukkan langkah-langkah yang dikerjakan untuk menyelesaikan kasus yang ada. Persoalan yang dibahas pada praktikum kali ini adalah melakukan analisa regresi logistik dengan menggunakan software SPSS. Kasus yang akan diselesaikan sebagai berikut :

Adapun langkah-langkah yang dikerjakan untuk menyelesaikan kasus diatas adalah sebagai berikut :1. Sebelum memulai di spss terlebih dahulu siapkan data seperti Gambar 2.1

dibawah ini :

Gambar 2.1. Data Excel

2. Buka software SPSS yang telah diinstal di komputer dan siapkan lembar kerja

SPSS nya.

3. Masukkan nama, tipe, lebar, banyak desimal dan label pada lembar kerja

variabel view seperti pada Gambar 2.2 berikut :

Gambar 2.2. Memasukkan informasi pada variabel view

4. Sebelum memasukkan data yang akan di analisis, terlebih dahulu isikan nilai

pada kolom value di lembar variable view seperti pada Gambar 2.3 dan

Gambar 2.4 dibawah ini :

Gambar 2.3. Memasukkan nilai unutk variabel hired_y pada value labels

Gambar 2.4. Memasukkan nilai unutk variabel sex pada value labels

5. Masukkan data kasus persoalan seperti pada Gambar 2.1 yang ingin

dilakukan analisis regresi logistiknya pada lembar kerja Data View seperti

pada Gambar 2.5 berikut :

5

4

Gambar 2.5. Memasukkan Data pada lembar kerja Data View

6. Tahapan selanjutnya praktikkan akan melakukan analisis dekskriptif pada

data di atas, maka lakukan dengan cara mengklik menu Analyze

Descriptive Statistics Descriptive.

7. Masukkan semua variabel yang ada ke kotak variable(s) seperti pada

Gambar 2.6 berikut :

Gambar 2.6. Memasukkan semua variabel

8. Klik statistics, kemudian tandai statistik yang akan dikeluarkan outputnya,

lalu klik Continue dan klik OK seperti Gambar 2.7 berikut :

Gambar 2.7 Tahapan memilih statistik deskriptif yang diinginkan

6

9. Setelah melakukan langkah-langkah diatas, akan terbuka windows baru berupa

output Statistics Descriptive yang akan dijelaskan di bab berikutnya.

10. Tahapan ketiga praktikkan akan melakukan uji linearitas pada data di atas,

maka lakukan dengan cara mengklik menu Graph Legacy Dialogs

Scatter/Dot kemudian pilih Simple Scatter seperti pada Gambar 2.8 seperti

berikut :

Gambar 2.8. Uji Linearitas dengan Scatterplot

11. Klik Define kemudian masukkan variabel Y (hired_y) ke kolom Y Axis dan

variabel X1 ( education) ke kolom X Axis lalu klik OK seperti Gambar 2.9

berikut :

Gambar 2.9. Memasukkan Variabel Y Axis Dan X Axis

12. Karena jumlah variabel independentnya ada tiga yaitu X1(education),

X2(experiance) dan X3(sex) maka untuk uji linearitasnya dilakukan tiga kali

oleh karena itu ulangi langkah nomor 10.

13. Klik Define kemudian masukkan variabel Y (hired_y) ke kolom Y Axis dan

variabel X2 ( experiance) ke kolom X Axis lalu klik OK seperti Gambar 2.10

berikut :

Gambar 2.10. Memasukkan Variabel Y Axis Dan X2 Axis

14. Klik Define kemudian masukkan variabel Y (hired_y) ke kolom Y Axis dan

variabel X3 ( sex) ke kolom X Axis lalu klik OK seperti Gambar 2.11 berikut :

7

Gambar 2.11. Memasukkan Variabel Y Axis Dan X3 Axis

15. Setelah melakukan langkah diatas, akan terbuka windows baru berupa output

Scatterplot yang akan dijelaskan di bab berikutnya.

16. Langkah berikutnya adalah melakukan analisis regresi logistik dengan cara

analyze regression binary logistic seperti Gambar 2.12 maka akan

muncul kotak dialog binary logistic , masukkan data variabel y ke dalam

dependent dan masukkan variabel education, experiance dan sex ke dalam

kotak covariates seperti Gambar 2.13 dibawah ini :

Gambar 2.12. Memilih binery logistic

Gambar 2.13. Tampilan binary logistic regression

17. Kemudian klik Categorical, masukkan variabel (sex) yang berbentuk

kategorik kemudian tandai First dan kemudian klik Change lalu klik

Continue.

8

Gambar 2.14. Tampilan kotak dialog logistic regression : categorical

18. Berikutnya klik save kemudian pada kolom residuals berikan tanda centang

pada unstandardized seperti pada Gambar 2.15 berikut ini kemudian pilih

continue.

Gambar 2.15. Tampilan Kotak Dialog Logistic Regression : Save

19. Selanjutnya klik Options lalu berikan tanda pada semua pilihan pada

Statistics and Plots kecuali Cl for exp(B). Centang juga include constatn in

model, abaikan pilihan-pilihan lainnya lakukan saja persis seperti Gambar

2.16 berikut :

Gambar 2.16. Tampilan Kotak Dialog Logistic Regression : Options

20. Maka akan didapatkan hasil perhitungan regresi logistik yang akan dijelaskan

di bab berikutnya. Kemudian karena variabel yang didapatkan signifikan (p-

value < aplha) maka tidak perlu melakukan regresi ulang. Pembuktian akan

ditunjukkan di bab berikutnya.

21. Untuk asumsi normalitas klik Analyze > Nonparametric Test > Legacy

Dialogs > 1 Sample K.S. Masukkan Variabel Difference between observed

9

and predicted probabilities ke dalam kolom Test Variable List dan tandai

Normal pada Test Distribution > OK seperti Gambar 2.17 berikut :

Gambar 2.17. Uji Normalitas Data

22. Maka akan terbuka windows SPSS baru yang berisi output uji normalitas data

yang akan dijelaskan di bab berikutnya.

10

BAB III

PEMBAHASAN

Pada kasus yang telah disebutkan pada bagian bab deskripsi kerja, selanjutnya pada bab ini praktikkan akan menjelaskan output SPSS dari kasus yang telah diselesaikan oleh praktikkan. Output yang dihasilkan untuk menyelesaikan persoalan analisa regeresi logistik, berikut pemaparannya :

3.1 Analisis Deskriptif

Gambar 3.1 Output Analisa DeskriptifBerdasarkan gambar diatas, praktikan hanya akan membahas satu variabel

saja untuk dianalisi deskriptifnya yaitu variabel experiance.

1. N valid variabel experiance bernilai 40 mempunyai arti bahwa data yang

masuk sesuai dengan jumlah data yang dimasukkan sebelumnya yaitu

sebanyak 40 data.

2. Range untuk experiance adalah 12 dimana range didapatkan dengan

mengurangkan nilai maximum dengan nilai minimum . Nilai maximum untuk

adalah 12, serta nilai minimum adalah 0.

3. Mean untuk experiance bernilai 3,25 dan mempunyai arti bahwa rata-rata

experiance dari data yang di input adalah 3,25.

4. Standard deviasi merupakan salah satu teknik statistik yang digunakan untuk

menjelaskan homogenitas kelompok. Standar deviasi yang semakin besar

menunjukan data semakin bervariasi. Dari analisis diskriptif yang telah

dilakukan diperoleh nilai standard deviasi yaitu 3,028.

5. Nilai distribusi skewness untuk experiance adalah 1,318. Standard error of

skewness adalah 0,374. Variabel ini memiliki kemencengan menuju kearah

kanan karena nilai distribusinya positif.

6. Dan nilai distribusi kurtosis untuk esperiance adalah 1,141 dengan tingkat

kesalahan SPSS dalam menghitung distribusi kurtosis untuk experiance

mempunyai nilai yaitu 0,733.

3.2 Plot Linearitas

Gambar 3.2 Output Simple Scatterplot variabel X1 dan variabel Y

Gambar 3.2 Merupakan output dari simple scatterplot yang digunakan untuk menguji apakah kedua variabel X1 dan Y mempunyai hubungan linear secara signifikan. Uji ini merupakan prasyarat dalam analisis regresi linear. Linearitas yang dimaksud adalah sifat hubungan yang linear antara variabel, artinya setiap perubahan yang terjadi pada satu variabel akan diikuti perubahan dengan besaran yang sejajar pada variabel lainnya.

11

12

Dilihat pada Gambar 3.2 sebaran titik-titik tersebut tidak mendekati atau

tidak rapat pada satu garis lurus (diagonal). Cara pengujian dengan metode grafik

seperti ini memberikan interprestasi dan tentunya kesimpulan yang sangat

bervariatif antar orang yang melakukan interprestasi, sehingga sangat subjektif

dan dapat mengatakan hubungannya linear. Akan tetapi, apabila dilakukan uji

linearitas dengan menggunakan fungsi Compare Means yaitu pilih menu Analyze

> Compare Means... Berikut output yang didapat :

Gambar 3.3 Uji Linearitas X1Dengan fungsi Compare Means

Lihat kolom Sig. pada baris Linearity di Table Anova, jika nilainya < 0,05

maka bersifat linear, maka berdasarkan Gambar 3.3 nilai sig-nya adalah 0,116

dimana nilainya > 0,05 sehingga dapat disimpulkan tidak memenuhi syarat

linearitas artinya hubungan variabel education dengan variabel hired(y) tidak

linear.

Gambar 3.4 Output Simple Scatterplot variabel X2 dan variabel Y

Gambar 3.4 Merupakan output dari simple scatterplot yang digunakan untuk menguji apakah kedua variabel X2 dan Y mempunyai hubungan linear secara signifikan. Dilihat pada Gambar

3.4 sebaran titik-titik tersebut tidak mendekati/rapat pada garis lurus (diagonal)

tiap-tiap kategorik. Apabila diuji dengan fungsi Compare Means, didapatkan

output Gambar 3.5 berikut :

13

Gambar 3.5 Uji Linearitas X2 Dengan fungsi Compare Means

Berdasarkan Gambar 3.5 nilai sig-nya adalah 0,061 dimana nilainya

>0,05 sehingga dapat disimpulkan tidak memenuhi syarat linearitas artinya

hubungan variabel experiance dengan variabel hired(y) tidak linear.

Gambar 3.6 Output Simple Scatterplot variabel X3 dan variabel Y

Dilihat pada Gambar 3.6 sebaran titik-titik tersebut mendekati atau rapat

pada satu garis lurus (diagonal) pada tiap kategorinya artinya linearitas terpenuhi.

Apabila diuji dengan fungsi Compare Means, didapatkan output Gambar 3.7

berikut :

Gambar 3.7 Uji Linearitas X3 Dengan fungsi Compare Means

Berdasarkan Gambar 3.7 nilai sig-nya adalah 0,115 dimana nilainya >

0,05 sehingga dapat disimpulkan tidak memenuhi syarat linearitas artinya

hubungan variabel sex dengan variabel hired(y).

3.3 Analisis Regresi

14

3.3.1. Identifikasi Data yang Hilang

Gambar 3.8 Hasil Identifikasi Data Yang Hilang

Berdasarkan tabel 1 dapat diketahui jumlah data yang dianalisis sebanyak

40 data (included in Analysis), sedangkan missing cases bernilai nol (0)

menunjukan tidak ada data yang hilang ketika proses analisis data dilakukan.

3.3.2 Uji Overall

Untuk melihat hasil analisis, pertama praktikan akan mengidentifikasi

kesesuaian model dengan menggunakan uji simultan (uji overall) pada output

tabel Omnibus Test of Model Coefficients pada Block :1 = Method Enter.

Gambar 3.9. Hasil Omnibus test

Pengujian Hipotesis :

Hipotesis :

Ho : βi = 0 (i=0,1,2) (model regresi tidak layak digunakan)

H1 : Ada salah satu βi ≠ 0 (i=0,1,2,) (model regresi layak digunakan)

Tingkat Signifikan si = α=0,05 (5% )

Statistik Uji :

Dari tabel hasil perhitungan maka didapatkan nilai sig (p-value)

0,002.

Daerah Kritis :

Dalam kasus ini Sig. tersebut dibandingkan dengan alpha.

H0 ditolak jika p-value (Sig.2tailed) ≤ α

Keputusan :

15

Berdasarkan Gambar 3.9 diatas, p-value ≤ α maka tolak Ho.

Kesimpulan :

Dari uji hipotesis untuk uji overall maka didapatkan bahwa ada

salah satu diantara parameter β0 , β1 , β2 yang tidak sama dengan 0. Hal ini

menunjukkan bahwa model yang didapatkan layak digunakan. Artinya

model regresi linear yang diestimasi sesuai dengan model.

Selanjutnya untuk mengetahui variabel mana yang tidak sama

dengan 0 perlu dilakukan uji parsial.

3.3.3 Uji Parsial

Uji t dalam regresi logistik biner dimaksudkan untuk menguji apakah

parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi

persamaan/model regresi linier berganda sudah merupakan parameter yang tepat

atau belum. Maksud tepat disini adalah parameter tersebut mampu menjelaskan

perilaku variabel bebas dalam mempengaruhi variabel terikatnya.

Dalam analisis regresi pada studi kasus digunakan analisis regresi dengan

metode enter pada SPSS, Hasil output model dapat dilihat pada tabel Variables in

the Equation yang terletak pada Block 1 seperti pada gambar berikut :

Gambar 3.10. Hasil hitung variables in the quation

Pengujian Hipotesis :

Hipotesis :

Ho : βi = 0 (i=0,1,2) (Koefisien regresi tidak signifikan dalam model)

H1 : βi ≠ 0 (i=0,1,2) (Koefisien regresi signifikan dalam model)

Tingkat Signifikansi = α=0,05 (5 % )

Statistik Uji :

16

Membandingkan nilai sig dengan alpha (0,05).

β0 0,005

β1 0,032

β2 0,019

β3 0,015

Daerah Kritis :

H0 ditolak jika P-value (Sig.) ≤ α

Keputusan :

Berdasarkan Gambar 3.10 diatas dapat dibuat tabel seperti berikut :Tabel 3.1 Tabel keputusan

p-value Keputusan

β0 (0,005<0,05) Tolak H0

β1 (0,032<0,05) Tolak H0

β2 (0,019<0,05) Tolak H0

β3 (0,015<0,05) Tolak H0

Kesimpulan :

Dengan tingkat kepercayaan sebesar 95%, data yang telah ada

terdapat tiga parameter yang semuanya menolak H0. Karena tolak H0 maka

koefisien regresi signifikan dalam model.

Berdasarkan uji parsial dapat diketahui bahwa variabel yang

signifikan adalah education, experiance dan sex.

3.3.3 R dan R2

Gambar 3.11 Output Model Summary

17

Gambar 3.11 diatas merupakan output untuk melihat R dan R-square

dalam uji regresi logistik. R memiliki rentang dari 0 sampai 1. Gambar 3.11

diatas menjelaskan besarnya nilai korelasi/hubungan R yaitu sebesar 0,303 maka

R lebih mendekati 0. Artinya eratnya hubungan antar koefisien regresi lemah.

Koefisien determinasi (R square) menunjukan kebaikan model, semakin

besar R square semakin baik modelnya. Nilai R square berada antara 0% sampai

100%. Berdasarkan Gambar 3.11 diatas diperoleh koefisien determinasi (R

square) sebesar 0,408. Artinya kemampuan model dalam menjelaskan variabel Y

oleh variabel X adalah sebesar 40,8% sedangkan sisanya 50,2% dijelaskan atau

dipengaruhi oleh faktor lain yang tidak termasuk di dalam model.

3.3.4 Tulis Model

Gambar 3.12. Hasil hitung variables in the quation

Setelah dilakukan semua uji overall dan partial akan didapatkan model.

Dari Gambar 3.12 dapat dilihat hasil perhitungan variabel equation yang

dihasilkan. Dari Gambar 3.12 tersebut didapatkan model logit sebagai berikut :

π i=exp (−5,969+0,529 x1+0,438 x2+2,450 x3)1+exp(−5,969+0,529+0,438 x2+2,450 x3)

Dimana:

x1 = education (lama pendidikan)

x2= experiance (lama pengalaman kerja)

x3= sex (jenis kelamin)

3.3.5 Odd Ratio

Nilai Odds ratio ini juga disediakan oleh tabel “Variables in The

Equation” pada kolom Exp(B) yang terletak pada Block 1 seperti ditunjukkan

Gambar 3.10 diatas.

18

Berdasarkan hasil di atas praktikan dapat menginterpretasikan Odds ratio sebagai berikut :

1. Jika dalam melamar pekerjaan seseorang memilih mengandalkan

education atau lama pendidikan maka hanya akan meningkatkan

penerimaan sebesar 1,679 kali lipat.

2. Jika dalam melamar pekerjaan seseorang memilih mengandalkan

experiance atau lama pengalaman kerja maka hanya akan meningkatkan

penerimaan sebesar 1,549 kali lipat.

3. Jika dalam melamar pekerjaan seseorang memilih mengandalkan sex atau

jenis kelamin maka justru akan meningkatkan penerimaan sebesar 11,587

kali lipat.

3.3.6 Ketepatan Model

Nilai ketepatan model dapat di lihat pada output pada Block 1 dalam tabel

Classification Table dengan melihat nilai Overall Percentagenya. Berikut ini

adalah hasil dari ketepatan model.

Gambar 3.13 Hasil Tabel Classification Table

Gambar 3.13 di atas memberikan nilai overall percentage sebesar 72,5%

yang berarti ketepatan model penelitian ini adalah sebesar 72,5% dan jika

dilakukan peramalan untuk seseorang apakah diterima atau tidak, maka peluang

kebenarannya adalah sebesar 72,5 %

Prediksi yang di dapat adalah :

1. Prediksi jika tidak di terima dan jika diterima dari 18 dan 5 sampel

memiliki peluang kebenarannya sebesar 78,3 %.

2. Prediksi jika tidak di terima dan jika diterima dari 6 dan 11 sampel

memiliki peluang kebenarannya sebesar 64,7 %.

19

3.4 Uji Asumsi

3.4.1. Uji Normalitas

Pada analisis Regresi Logistik Biner terdapat dua uji asumsi yang harus

dipenuhi yaitu asumsi Normalitas dan uji kecocokan model. Untuk melihat hasil

pengujian normalitas dapat dilihat nilai sig. pada output tabel tests of normality,

apabila sampel yang digunakan lebih dari 50 maka digunakan tes kolmogorov-

smirnov, sedangkan apabila sampel yang digunakan kurang dari 50 maka

digunakan tes shapiro-wilk. Dalam kasus ini, sampel yang digunakan sebanyak

40, maka untuk menguji normalitas digunakan nilai sig. pada kolom Shapiro Wilk.

Gambar 3.14 Output SPSS Tests of Normality

Dari output pada Gambar 3.14, maka dapat dilakukan pengujian hipotesis

sebagai berikut :

Hipotesis :

H0 : Residual berdistribusi normal

H1 : Residual tidak berdistribusi normal

Tingkat Signifikan si = α=0,05 (5% )

Statistik Uji :

Dari Gambar 3.14 di atas didapat nilai Sig.(2-tailed) sebesar 0,765.

Daerah Kritis :

Dalam kasus ini Sig. tersebut dibandingkan dengan alpha.

H0 ditolak jika P-value (Sig.2tailed) ≤ α

Keputusan :

20

Berdasarkan Gambar 3.14 diatas, Sig.(2-tailed) ≥ α maka gagal tolak H0.

Kesimpulan :

Dengan menggunakan tingkat kepercayaan 95% data yang ada gagal

menolak H0 (nilai Sig > α) yang berarti residual berdistribusi bahwa

normal.

3.4.2. Uji Kecocokan Model (Goodness of fit)

Untuk menentukan apakah model yang dibentuk sudah tepat atau tidak

dengan melihat hasil output dari tabel Hosmer and Lemeshow Test pada Block 1.

Dikatakan tepat apabila tidak ada perbedaan signifikan antara model dengan nilai

observasinya.

Gambar 3.15 Hasil Tabel Hosmer and Lemeshow Test

Pengujian Hipotesis :

Hipotesis :

Ho : Model fit dengan data

H1 : Model tidak fit dengan data

Tingkat Signifikansi = α=0 , 05 (5% )

Statistik Uji :

Dari Gambar 3.15 di atas didapat nilai Sig.(2-tailed) sebesar 0,707.

Daerah Kritis :

H0 ditolak jika p-value (Sig.) < α . Membandingkan nilai sig dengan

alpha (0,1)

Keputusan :

Berdasarkan Gambar 3.15 diatas p-value > α maka gagal tolak Ho.

Kesimpulan :

Gagal tolak H0 yaitu model fit dengan data. Artinya model dapat

diterima dan pengujian hipotesis dapat dilakukan sebab tidak ada

perbedaan signifikan antara model dengan nilai observasinya.

21

3.5 Peramalan

Jika diketahui seorang pria(x3) melamar pekerjaan dengan kriteria memiliki

lama pendidikan (x1) selama 5 tahun dengan lama pengalaman kerja 10 tahun

(x2) maka hitunglah peluang pria tersebut diterima, hitung nilai odd rationya,

serta jelaskan output yang anda dapatkan

Jawab :

Peluang diterima : π i=exp (−5,969+0,529 x1+0,438 x2+2,450 x3)1+exp(−5,969+0,529+0,438 x2+2,450 x3)

π i=exp ¿¿

π i=exp (3,506)

1+exp (3,506)

π i=9,5303

1+9,5303

π i=0,905

Dari perhitungan diatas, didapat bahwa peluang diterimanya pria tersebut

adalah sebesar 0,905.

Nilai Odds Ratio :

π¿=π i

1−π i

π¿= 0 , 9051−0,905

π¿=9,526

22

BAB IV

PENUTUP

Berdasarkan praktikum yang telah dilakukan, praktikan dapat menarik kesimpulan bahwa :1. Variabel Xi (x1,x2 dan x3) dan Y tidak mempunyai hubungan

linear. Artinya setiap perubahan yang terjadi pada Xi maka tidak diikuti

dengan perubahan Y (hired_y).

2. Berdasarkan uji overall model regresi logistik Artinya model regresi linear

yang diestimasi sesuai dengan model.

3. Berdasrkan uji parsial di dapatkan bahwa koefisien regresi signifikan dalam

model.

4. Variabel yang signifikan adalah education, experiance dan sex.

5. Kemampuan model dalam menjelaskan variabel Y oleh variabel X adalah

sebesar 40,8% sedangkan sisanya 50,2% dijelaskan atau dipengaruhi oleh

faktor lain yang tidak termasuk di dalam model.

6. Korelasi/hubungan R yaitu sebesar 0,303 artinya eratnya hubungan antar

koefisien regresi lemah.

7. Dari data yang terdapat dalam kasus maka didapatkan model logit yaitu :

π i=exp (−5,969+0,529 x1+0,438 x2+2,450 x3)1+exp(−5,969+0,529+0,438 x2+2,450 x3)

8. Peningkatkan penerimaan jika dalam melamar pekerjaan seseorang memilih

mengandalkan education atau experiance atau sex akan meningkat sebesar

1,679, 1,549 dan 11,587 kali lipat.

9. Ketepatan model penelitian kasus adalah sebesar 72,5%.

10. Residual memenuhi asumsi normalitas.

11. Uji kecocokan model di dapatkan bahwa model fit dengan data.

12. Apabila seorang pria melamar pekerjaan dengan kriteria memiliki lama

pendidikan selama 5 tahun dengan lama pengalaman kerja 10 tahun maka

peluang untuk diterima pada pekerjaan tersebut sebesar 90,5% dengan nilai

odd ratio nya 9,526.

23