regresi logistic biner 2014

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


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


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


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.


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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

regresi logistic biner 2014

Documents