laporan praktikum analisis regresi terapan modul vi-regresi logistik
TRANSCRIPT
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