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