regresi logistic biner 2014
DESCRIPTION
pptTRANSCRIPT
-
REGRESI DENGAN VARIABEL
TAK BEBAS KATEGORIK:
REGRESI LOGISTIK BINER
(BINARY LOGISTIC REGRESSION)
Oleh:
Agung Priyo Utomo
1
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
PENGGUNAAN
Memodelkan probabilita kondisi atau pernyataan tertentu yang bersifat kualitatif (seperti menikah atau bercerai, sehat atau sakit, menyenangkan atau menjemukan, dan sebagainya) sebagai fungsi dari beberapa variabel bebas.
Contoh, seseorang mungkin bermaksud memodelkan apakah seseorang sakit diabetes atau tidak dipengaruhi oleh berat badan, kadar glukosa saat puasa, dan usia.
Menggambarkan perbedaan antara kelompok sebagai fungsi dari beberapa variabel penjelas (dikenal juga dengan descriptive discriminant analysis).
Contoh, penelitian tentang perbedaan siswa yang berminat untuk bersekolah di sekolah negeri dan swasta sebagai fungsi dari skor test yang dimiliki, pekerjaan yang diinginkan, dan status sosial-ekonomi 2
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
PENGGUNAAN
Mengelompokkan individu ke dalam salah satu kategori berdasarkan variabel bebas. Dikenal juga dg nama predictive discriminant analysis
Contoh, seorang peneliti mungkin berkeinginan untuk memperkirakan apakah seorang siswa berminat untuk bersekolah di sekolah negeri atau swasta, berdasarkan fungsi dari skor test yang dimiliki, pekerjaan yang diinginkan, dan status sosial-ekonomi
Dibidang psikometri, penggunaan logistic regression lebih mirip predictive discriminant analysis.
Contoh, seseorang berkeinginan untuk memperkirakan peluang/probabilita peserta test akan menjawab dengan benar berdasarkan (sebagai fungsi dari) ras dan gender.
Dalam bidang psikometri dikenal dengan differential item functioning analyses 3
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
REGRESI DG VARIABEL TAK BEBAS
KUALITATIF
1. Apa yang mempengaruhi pilihan transportasi kerja? Variabel Tak bebas: Pilihan moda transportasi kerja (kategorik): Kendaraan umum atau pribadi Variabel bebas: Jarak ke tempat kerja, Pendapatan (rupiah), Harga BBM, Kondisi Jalan, Kenyamanan
2. Apakah punya rumah atau tidak
Variabel tak bebas: Kepemilikan rumah (Memiliki/Tidak Memiliki) Variabel bebas: Pendapatan Keluarga, Banyaknya Anggota Keluarga, Usia Kepala Keluarga. 4
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
REGRESI DG VARIABEL TAK BEBAS
KUALITATIF
3. Apa yang mempengaruhi kemiskinan?
Variabel Tak bebas: Status Kemiskinan (Miskin/Tidak Miskin)
Variabel bebas: Tingkat Pendidikan, Lapangan Kerja yg dimasuki, Pendapatan, Pengeluaran, Jumlah ART
4. Apakah yang mempengaruhi lapangan kerja yg dimasuki?
Variabel tak bebas: Lapangan Kerja (Pertanian atau Non Pertanian)
Variabel bebas: Usia, Jenis Kelamin, Pendidikan, Status Perkawinan
5
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
GLM UNTUK OUTCOME BINER
Random component: Response variable (Y) bersifat dichotomous atau binary sehingga untuk individu ke-i, Yi = 1 atau 0. Distribusi dari Yi adalah binomial dan kita akan memodelkan probabilita bahwa Yi = 1 sebagai fungsi dari variabel prediktor (independent variables), X1, X2, , Xp.
Systematic component: Variabel prediktor dapat berupa variabel kuantitatif (continuous), kualitatif (discrete), atau keduanya/campuran, dan komponen sistematiknya terdiri atas fungsi linier dari variabel prediktor dalam bentuk
+ 11 + 22 + +
dimana dan 1, 2, , merupakan koefisien yang bersifat tetap/konstan, dan Xji merupakan nilai variabel prediktor ke-j untuk individu ke-i
Link function: Untuk model regresi logistik, fungsi penghubung (link function) adalah natural log dari odds Yi = 1, atau dikenal dengan logit dari probabilita untuk Yi = 1: logit[P(Yi = 1)] = logit() = ln(/1), dimana adalah probabilita bahwa Yi = 1.
6
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
MODEL REGRESI LOGISTIK
Model regresi logistik:
logit = 1 = 0 + 11 + 22 + +
atau secara umum dpt ditulis dg:
logit =
1 = 0 + 11 + 22 + +
= 0 +
= vektor parameter koefisien regresi 1, 2, , p
X = vektor variabel bebas X1, X2, , Xp
Model diatas terlihat seperti model regresi linier, namun
variabel tak bebas (random component) berupa peluang
yang nilainya antara 0 sampai 1 7
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Review:
Yi = 0 + 1 Xi + i
X = skor GRE (Graduate Record Exam)
Y = 1 ; bila seseorang lulus ujian masuk PT
0 ; bila seseorang tidak lulus ujian masuk PT (gagal)
Secara matematis, dengan mengasumsikan E(i) = 0,
E(Yi Xi) = 0 + 1Xi
Secara statistik, ekspektasi kondisional dari Yi jika diberikan Xi
E(Yi Xi) = (Yi=1) P(Yi=1Xi) + (Yi=0) P(Yi=0Xi)
= P(Yi = 1 Xi)
MODEL REGRESI LOGISTIK VS
REGRESI LINIER
8
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Misal
i : probabilita bahwa orang ke-i lulus ujian, yaitu bila Yi = 1;
(1 i ) : probabilita bahwa orang ke-i tidak lulus ujian, yaitu bila Yi = 0,
maka,
E(Yi X) = (Yi=0) P(Yi=0Xi) + (Yi=1) P(Yi=1Xi)
= P(Yi=1Xi)
= i
Akibatnya:
E(Yi Xi) = 0 + 1Xi = i
Karena 0 i 1, akibatnya: 0 0 + 1 Xi 1
MODEL REGRESI LOGISTIK VS
REGRESI LINIER
9
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Apakah estimator hasil OLS dapat menjamin bahwa
besaran 0 + 1 Xi terletak antara 0 dan 1?
CONTOH:
Akan dilihat pengaruh skor Graduate Record Exam (GRE) terhadap kelulusan seseorang dalam ujian masuk ke PT.
Model: Yi = 0 + 1 Xi + i
Yi = 1; Lulus ujian masuk PT
= 0; Tidak lulus ujian masuk PT
Xi = skor GRE
MODEL REGRESI LOGISTIK VS
REGRESI LINIER
10
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
No. Status
Kelulusan Skor GRE No.
Status
Kelulusan Skor GRE
01 0 550 21 0 540
02 0 460 22 1 760
03 0 640 23 1 800
04 0 640 24 1 645
05 1 520 25 1 660
06 0 560 26 0 560
07 0 420 27 1 780
08 0 620 28 1 600
09 0 560 29 1 650
10 0 580 30 1 660
11 1 800 31 1 800
12 0 460 32 0 660
13 1 580 33 0 640
14 1 700 34 0 620
15 0 600 35 1 750
16 1 685 36 1 620
17 1 760 37 0 540
18 1 800 38 1 725
19 1 640 39 1 780
20 0 605 40 1 760
DATA: Kelulusan
vs GRE
11
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Persamaan regresi linier (OLS) sbb:
= 1,587 + 0,003
R2 = 0,444
Interpretasi Model
Intercept = -1,587;
Bila skor GRE 0, maka probabilitas bahwa orang tersebut lulus dalam ujian masuk PT adalah negatif.
Bila skor GRE lebih kecil dari 529, probabilitas orang tersebut lulus dalam ujian masuk PT masih negatif.
JIKA ANALISIS DG REGRESI LINIER:
METODE OLS
12
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Bila skor GRE lebih besar 529 probabilitas orang
tersebut lulus dalam ujian masuk PT positif.
Tetapi, bila skor GRE lebih besar dari 836,33,
probabilitas orang tersebut lulus dalam ujian
masuk PT lebih dari satu.
Slope = 0,003,
artinya bila skor GRE naik 1 unit, probabilitas
seseorang untuk lulus dalam ujian masuk PT naik
0,3%.
JIKA ANALISIS DG REGRESI LINIER:
METODE OLS
13
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Kita gunakan model yang menjamin bahwa E(Yi Xi) terletak antara 0 dan 1.
Ada dua macam teknik yang dapat digunakan, yaitu :
(i). Logit Logistic Regression (ii). Probit Probit Regression
MASALAH: PERSYARATAN 0 E(YI XI) 1 SULIT UNTUK DIPENUHI, BAGAIMANA MENGATASINYA?
14
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
LOGIT (FUNGSI LOGISTIK)
Didefinisikan:
= = 1| =1
1 + 0+1=
1
1 +
dimana
Zi = 0 + 1Xi
Pengamatan:
i terletak antara 0 dan 1, karena Zi terletak antara - dan .
Bila Z , maka i 1 Bila Z -, maka i 0
i mempunyai hubungan non linier dengan Zi
Model Non-Linier, baik
dalam parameter
maupun dalam variabel
OLS
15
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
LOGIT (FUNGSI LOGISTIK)
Dari definisi sebelumnya:
=1
1 +
sehingga
1 =1
1 + =
1 +
Rasio antara i dan 1 i:
1
=
11 +
1 +
=1
= = 0+1
Odds
(risk) 16
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Untuk contoh ujian masuk PT, maka odds merupakan perbandingan antara probabilitas seseorang lulus dalam ujian masuk PT dengan probabilitas seseorang tidak lulus dalam ujian tersebut.
Misalkan saja bahwa probabilitas seseorang lulus adalah 80%. Dengan demikian, probabilitas bahwa seseorang tidak lulus dalam ujian adalah 20%. Sehingga odds adalah 4 banding 1.
Makin besar odds ini, makin besar kecenderungan seseorang untuk lulus dalam ujian masuk PT.
Odds adalah suatu indikator kecenderungan seseorang untuk lulus dalam ujian masuk PT
INTERPRETASI TENTANG ODDS
17
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Bila odds ini kita log-kan, akan kita dapatkan log odds sebagai berikut:
=
1 = 0 + 1
Persamaan diatas disebut dg MODEL LOGIT Dalam bentuk probabilita, model logistik dapat dituliskan sbb:
=exp(0 + )
1 + exp(0 + )=
1
1 + 0+
Catatan :
L linier dalam X, juga linier dalam 0 dan 1 Karena 0 1, L terletak antara - dan L tidak linier dalam 1 = perubahan dalam L bila X berubah 1 unit 0 = log odds pada saat nilai X sama dengan nol.
LOGIT (FUNGSI LOGISTIK)
18
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Pada contoh sebelumnya, bila kita mengetahui skor GRE seseorang, misalkan sebesar Xi, maka dapat
dihitung probabilitas bahwa seseorang akan lulus
dalam ujian PT dengan cara menghitung:
=1
1 + 0+1
Masalahnya sekarang bagaimana menaksir 0 dan 1 ? MLE
LOGIT (FUNGSI LOGISTIK)
19
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
HUBUNGAN ANTARA NILAI
PROBABILITA, ODDS, & LN(ODDS)
Prob. 1-Prob. Odds ln(Odds)
0,001 0,999 0,001 -6,907
0,100 0,900 0,111 -2,197
0,200 0,800 0,250 -1,386
0,300 0,700 0,429 -0,847
0,400 0,600 0,667 -0,405
0,500 0,500 1,000 0,000
0,600 0,400 1,500 0,405
0,700 0,300 2,333 0,847
0,800 0,200 4,000 1,386
0,900 0,100 9,000 2,197
0,999 0,001 999,000 6,907
Semakin kecil probabilita, semakin kecil pula nilai odds,
dan nilai log odds juga makin
kecil (mendekati -), dan sebaliknya.
Secara teori, nilai prob. berkisar antara 0 sampai 1, sehingga
nilai odds akan berkisar antara
0 sampai Pada saat prob = 0,5 (midpoint),
maka odds = 1, dan ln(Odds) = 0
Nilai ln(Odds) berkisar antara - sampai , dan simetris di sekitar midpoint 20
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Berdasarkan data, diperoleh persamaan regresi logit
sbb (diolah menggunakan SPSS):
1 = 15,705 + 0,025
atau dalam bentuk probabilita:
=exp(15,705 + 0,025)
1 + exp(15,705 + 0,025)
CONTOH: KELULUSAN VS GRE
21
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
CONTOH: KELULUSAN VS GRE
No. Status
Kelulusan
Skor
GRE Prob
1 0 550 0,131
2 0 460 0,015
3 0 640 0,590
4 0 640 0,590
5 1 520 0,066
36 1 620 0,466
37 0 540 0,105
38 1 725 0,924
39 1 780 0,980
40 1 760 0,967 22
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
=exp(15,705 + 0,025)
1 + exp(15,705 + 0,025)
-
INTERPRETASI
Interpretasi pada persamaan regresi logistik dilakukan
melalui nilai rasio kecenderungan (odds ratio) atau probabilita
(predicted probability)
Pada persamaan regresi logistik dengan satu variabel bebas
kuantitatif:
1 = 0 + 1
0 menyatakan nilai log Odds jika Xi = 0
0 menyatakan perkiraan nilai odds (kecenderungan) bahwa Yi = 1 (dibandingkan saat Yi = 0), jika Xi = 0
0 digunakan juga untuk menghitung perkiraan probabilita untuk Yi = 1, saat Xi = 0
=0
1 + 0 23
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
INTERPRETASI
Pada contoh sebelumnya,
=exp(15,705 + 0,025)
1 + exp(15,705 + 0,025)
Perkiraan nilai odds (kecenderungan) bahwa Yi = 1, jika Xi = 0
adalah 15,705 = 1,5. 107. Dg kata lain, kecenderungan orang dg skor GRE = 0 untuk LULUS sangat kecil
1 menyatakan perubahan nilai log Odds bahwa Yi = 1, jika X berubah satu unit
1 menyatakan perkiraan perubahan nilai odds (kecenderungan) bahwa Yi = 1, jika Xi bertambah satu unit
Dari contoh, perkiraan perubahan nilai odds (kecenderungan)
bahwa Yi = 1, jika Xi bertambah satu unit adalah 0,025 = 1,03.
Seseorang dg skor GRE 1 point lebih tinggi memiliki
kecenderungan 1,03 kali untuk LULUS. 24
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
INTERPRETASI
Kemiringan (slope) paling ekstrim terjadi pada saat p = 0,5, yaitu terjadi ketika
0,5
1 0,5= ln 1 = 0 = 0 + 1
= 0 1
disebut juga dengan median effective level
25
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
Pada contoh sebelumnya, nilai
median effective level = 628,2
-
26
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
Agung Priyo Utomo - [email protected]
PENGUJIAN SIGNIFIKANSI MODEL
& PARAMETER
Uji seluruh parameter (Uji G)
H0 : 1 = 2 = .. = P = 0 H1 : sekurang-kurangnya terdapat satu j 0
Statistik uji yang digunakan :
A) (Model
B) (Model ln2likelihood
likelihoodG
Model B: model yang hanya terdiri dari konstanta saja
Model A: model yang terdiri dari seluruh variabel
27
-
Agung Priyo Utomo - [email protected]
PENGUJIAN SIGNIFIKANSI
MODEL & PARAMETER
P
2 ,
G berdistribusi Khi Kuadrat dengan derajat bebas p atau G ~ p
2.
H0 ditolak jika G > Bila H0 ditolak, artinya model A signifikan pada
tingkat signifikansi .
; : tingkat signifikansi.
28
-
Agung Priyo Utomo - [email protected]
UJI SIGNIFIKANSI TIAP-TIAP
PARAMETER: UJI WALD
21
2
j
j
j ~) ( .e.s
W
H0: j = 0, untuk suatu j = 0, 1, , p H1: j 0
Statistik Uji yang digunakan:
Pada tingkat signifikansi , H0 akan ditolak bila
Artinya parameter yang diuji signifikan pada tingkat
signifikansi
21,jW
29
-
Agung Priyo Utomo - [email protected]
INTERPRETASI MODEL /
PARAMETER
Interpretasi koefisien-koefisien dalam model regresi logistik dilakukan melalui odds ratio (perbandingan resiko) atau adjusted probability (probabilitas terjadi).
Odds didefinisikan dg p/(1-p), dimana p menyatakan probabilitas sukses (terjadinya peristiwa y = 1) dan 1-p menyatakan probabilitas gagal (terjadinya peristiwa y = 0).
Odds Ratio (perbandingan resiko), adalah perbandingan nilai Odds (resiko) pada dua individu ; misalkan individu A dan individu B.
30
-
Agung Priyo Utomo - [email protected]
INTERPRETASI MODEL /
PARAMETER
Odds Ratio dituliskan sebagai.
;
)X(p1)X(p
)X(p1)X(p
B
B
A
A
XA : karakteristik individu A
XB : karakteristik individu B
31
-
Agung Priyo Utomo - [email protected]
Adjusted/Predicted probabilitas merupakan probabilitas terjadinya suatu peristiwa y = 1 dengan karakteristik yang telah diketahui.
Dituliskan dg:
dimana z = 0 + 1 x1 + . + p xp
(z) exp 1
(z) .exp)x|1y(P
ADJUSTED/PREDICTED
PROBABILITY
32
-
Agung Priyo Utomo - [email protected]
Variabel bebas: kategorik
Membandingkan nilai odd dari salah satu nilai pada variabel tersebut dengan nilai odd dari nilai lainnya (Referensi).
Misalkan kedua kategori tersebut adalah 1 dan 0 dengan 0 yang digunakan sebagai kategori referensi, maka interprestasi koefisien pada variabel ini adalah rasio dari nilai odds untuk kategori 1 terhadap nilai odds untuk kategori 0; dituliskan sebagai:
).(exp)0x(p1
0) x(p
)1p(x - 1
1) p(x j
j
j
j
j
INTERPRETASI PARAMETER
33
-
Agung Priyo Utomo - [email protected]
Artinya
resiko terjadinya peristiwa y=1 pada kategori xj = 1
sebesar exp. ( j ) kali resiko terjadinya peristiwa y=1
pada kategori xj = 0.
Variabel Bebas: Kontinyu (tidak kategorik)
Setiap kenaikan C unit satuan pada variabel bebas
akan mengakibatkan resiko terjadinya y = 1 sebesar
exp ( C.j ) kali lebih besar
34
-
Agung Priyo Utomo - [email protected]
Siapa pilih ParPol ITU?
Analisis hubungan antara karakteristik pemilih dengan pilihan parpol
Variabel yg diduga berpengaruh terhadap pilihan: 1. Pendidikan
Pendidikan dapat mencerminkan tingkat
pengetahuan dan kecocokannya dengan program
partai
2. Lapangan pekerjaan
Pekerjaan sebagai proksi tingkat strata ekonomi
pemilih
CONTOH
35
-
Agung Priyo Utomo - [email protected]
Variabel Tak Bebas: Apakah memilih partai ITU pada PEMILU lalu? Misal Ya = 1 dan Tidak = 0
Variabel bebas: Pendidikan tertinggi yg ditamatkan:
Tidak Sekolah, Tidak tamat SD & Tamat SD = 1
SLTP dan SLTA = 2
Diploma I/II/III/Akademi, S-1, dan S-2/S-3 = 3
Definisi operasional:
Pendidik1 = 1; Tdk sekolah, Tidak tamat SD, & Tamat SD
= 0; Lainnya
Pendidik2 = 1; SLTP dan SLTA
= 0; Lainnya
Pembanding: kelompok yg lulus pendidikan tinggi
36
-
Agung Priyo Utomo - [email protected]
Lapangan Pekerjaan Utama: Pertanian = 1
Industri = 2
Perdagangan = 3
Definisi operasional: Pekerja1 = 1; Pertanian
= 0; Lainnya
Pekerja2 = 1; Industri
= 0; Lainnya
Pembanding: lapangan usaha Perdagangan.
Identifikasi Model:
Ln (p/1-p) = + 1 Pendidik1 + 2 Pendidik2 + 1
Pekerja1 + 2 Pekerja2 +
Model terestimasi:
Ln (p/1-p) = 2,383 2,280 Pendidik1 1,831 Pendidik2 1,130 Pekerja1 0,299 Pekerja2
37
-
Agung Priyo Utomo - [email protected]
Uji G: Nilai 2 log likelihood = 189,331, berarti model signifikan secara statistik
Uji Wald: semua koefisien signifikan secara statistik pada = 5%, kecuali koefisien pada
variabel pekerja(2)
Perlukah variabel tersebut dikeluarkan dari model?
Interpretasi
Bila pendidikan = 0, dan lapangan usaha = 0, atau disaat pendidikan seseorang tinggi, dan bekerja di
sektor perdagangan, maka probabilitas mereka
mendukung Partai ITU adalah sebesar:
Ln (p/1-p) = 2,383
(p/1-p) = e2,383
p = e2,383/ (1 + e2,383) = 91,55%. 38
-
Agung Priyo Utomo - [email protected]
Slop untuk variabel Pendidik1 adalah 2,280, artinya peluang penduduk berpendidikan rendah
untuk mendukung Partai ITU lebih rendah.
Terbukti dari nilai Exp(B= -2,280) = 0,102, berarti bahwa peluang penduduk berpendidikan rendah
hanya 0,102 kali peluang penduduk berpendidikan
tinggi untuk memilih partai ITU
Slop Pendidik2 adalah 1,831, artinya peluang penduduk berpendidikan SLTP/SLTA untuk
mendukung Partai ITU lebih rendah.
Terbukti dari nilai Exp (B= -1,831) = 0,16, artinya bahwa peluang penduduk berpendidikan menengah
hanya 0,16 kali peluang penduduk berpendidikan
tinggi. 39
-
Agung Priyo Utomo - [email protected]
Secara analog, peluang penduduk yang bekerja di sektor pertanian atau industri untuk mendukung
partai lebih rendah dibanding penduduk yang
bekerja di sektor perdagangan
Peluang penduduk yang bekerja di sektor pertanian untuk mendukung partai hanya 0,323
kali penduduk yang bekerja di sektor perdagangan
Penduduk yang bekerja di sektor industri hanya 0,742 kali penduduk yang bekerja di sektor
perdagangan
40
-
CONTOH 1
Dalam rangka penjenjangan karir, dilakukan suatu tes kemampuan pegawai jika diberi sebuah tugas tertentu. Dengan criteria tertentu, selanjutnya pegawai tersebut dikategorikan mampu atau tidak mampu menyelesaikan tugas yang diberikan. Penelitian dilakukan untuk melihat apakah tingkat pendidikan (max. SLTP/sederajat, SLTA/sederajat, dan Perguruan Tinggi) dan skor stabilitas emosional berpengaruh secara signifikan terhadap mampu atau tidaknya seorang pegawai dalam menyelesaikan tugas tertentu. Berdasarkan data yang dikumpulkan, diperoleh hasil pengolahan menggunakan SPSS sebagai berikut: 41
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
-
LOGISTIC REGRESSION
42
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
Case Processing Summary
40 100,0
0 ,0
40 100,0
0 ,0
40 100,0
Unweighted Casesa
Included in Analysis
Missing Cases
Total
Selected Cases
Unselected Cases
Total
N Percent
If weight is in ef f ect, see classif ication table for the total
number of cases.
a.
Dependent Variable Encoding
0
1
Original Value
Tidak Mampu
Mampu
Internal Value
Categorical Variables Codings
12 1,000 ,000
15 ,000 1,000
13 ,000 ,000
SLTA/sederajat
Perguruan Tinggi
Max. SLTP/sederajat
Tingkat
Pendidikan
Frequency (1) (2)
Parameter coding
Omnibus Tests of Model Coefficients
25,064 3 ,000
25,064 3 ,000
25,064 3 ,000
Step
Block
Model
Step 1
Chi-square df Sig.
Model Summary
29,484a ,466 ,626
Step
1
-2 Log
likelihood
Cox & Snell
R Square
Nagelkerke
R Square
Estimation terminated at iteration number 6 because
parameter est imates changed by less than ,001.
a.
Hosmer and Lemeshow Test
3,491 8 ,900
Step
1
Chi-square df Sig.
Variables in the Equation
8,559 2 ,014
,092 1,162 ,006 1 ,937 1,097
3,275 1,218 7,229 1 ,007 26,449
,027 ,011 6,567 1 ,010 1,027
-16,651 6,193 7,230 1 ,007 ,000
x2
x2(1)
x2(2)
x1
Constant
Step
1a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: x2, x1.a.
Classification Tablea
20 3 87,0
4 13 76,5
82,5
Observed
Tidak Mampu
Mampu
Kemampuan
Pegawai
Overall Percentage
Step 1
Tidak Mampu Mampu
Kemampuan Pegawai Percentage
Correct
Predicted
The cut v alue is ,500a.
-
Nama Pendidikan Skor
stabilitas
emosional
Peluang
?
A SLTA 509
B S-1 602
C SD 500
D SLTP 546 43
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
Berdasarkan output diatas, tuliskan model logitnya. Lakukan analisis/interpretasi terhadap hasil diatas
dengan menghitung berbagai resiko yang mungkin
secara lengkap.
Jika ada beberapa karyawan dengan karakteristik sebagai berikut, berapa peluang mereka mampu
menyelesaikan tugas serupa yang diberikan.
-
CONTOH 2
Suatu penelitian dilakukan untuk mengetahui
variabel yang meemngaruhi status kemiskinan
rumah tangga. Data yang dikumpulkan adalah
sebagai berikut:
Apakah jenis kelamin dan lapangan pekerjaan
KRT memengaruhi status kemiskinan? 44
Agu
ng P
riyo U
tom
o - a
gu
ng@
stis.ac.id
JK KRT Lapangan
Pekerjaan KRT Miskin Tidak Miskin
Laki-laki Pertanian 52 82
Non Pertanian 15 23
Perempuan Pertanian 102 53
Non Pertanian 85 33