PURBOSARI
PURBOSARI
0
= konstanta
1,
2,
.......,
5
= koefisien regresi
e = error terms atau kesalahan pengganggu
Bentuk log (Ln) dari odds atau probabilitas keputusan bertempat tinggal di daerah
perumahan terhadap keputusan bertempat tinggal di daerah bukan perumahan
66
[
p
1p
adalah fungsi linear dari variabel bebas dalam penelitian ini sehingga hasil
perhitungannya dapat diinterpretasikan seperti koefisien pada analisis regresi,
karena interpretasi terhadap koefisien variabel bebas harus dilihat pengaruhnya
terhadap log dari odds dan bukan terhadap probabilitas p nya saja (Imam Ghozali,
2007).
Dengan menggunakan regresi logistik binari maka penelitian ini akan
mengukur tingkat probabilitas atau kemungkinan keputusan bertempat tinggal di
daerah perumahan di Kota Bekasi bagi penduduk migran yang bekerja di Kota
J akarta yang dipengaruhi oleh variabel bebas berupa persepsi harga, aksesibilitas,
fasilitas umum, lingkungan dan penghasilan.
Terdapat beberapa kelebihan dari metode analisis regresi logistik
dibandingkan dengan metode statistika lainnya, yaitu (Imam Ghozali, 2007):
1. Analisis regresi logistik umumnya dipakai jika asumsi normalitas data
tidak terpenuhi.
2. Variabel bebas dalam regresi logistik dapat berupa data campuran antara
variabel metrik dan non metrik.
3. Regresi logistik tidak mensyaratkan jumlah sampel untuk kategori variabel
terikat dalam jumlah yang sebanding.
Namun, karena pada awalnya sebagian besar variabel bebas yang akan
dihasilkan dalam penelitian ini adalah data dengan skala ordinal (non-metrik)
yang kemudian diubah menjadi data dengan skala interval (metrik), maka terdapat
67
beberapa hal penting yang akan berdampak pada hasil pengujian statistiknya.
Berkaitan dengan hal tersebut dalam studinya, Monte Carlo, West, et.al (1995)
dalam Imam Ghozali (2007) menemukan beberapa hal penting. Pertama,
koefisien korelasi Pearson antar variabel kontinyu nilainya lebih besar
dibandingkan jika korelasi itu antara varaibel kategori atau ordinal. Kedua, jika
variabel kategorikal atau ordinal tersebut memiliki distribusi mendekati normal,
maka:
a. Jumlah kategori mempunyai pengaruh yang kecil terhadap
2
likelihood ratio
test model fit.
b. Loading factor dan correlation factor hanya sedikit underestimate.
c. Estimasi error variance dibandingkan parameter lainnya lebih sensitif
terhadap data kategorikal seperti yang dijelaskan pada poin b.
d. Estimasi standard error untuk semua parameter cenderung rendah.
3.5.3 Menilai Model Fit
Langkah pertama adalah menilai overall fit model terhadap data. Beberapa
uji statistik diberikan untuk menilai hal ini. Hipotesis untuk menilai model fit
adalah:
Ho : model yang dihipotesiskan tidak fit dengan data
Ha : model yang dihipotesiskan fit dengan data
68
Dari hipotesis ini jelas bahwa kita harus menolak hipotesis nol agar model fit
dengan data. Terdapat beberapa uji statistik yang dapat digunakan untuk menilai
kelayakan suatu model dalam binary logistic regression, yaitu (Imam Ghozali,
2007):
3.5.3.1 Uji Likelihood L Ratio
Uji likelihood ratio (rasio kemungkinan) digunakan untuk melihat
pengaruh variabel bebas terhadap variabel terikat secara simultan (bersama).
Statistik yang digunakan berdasarkan pada fungsi likelihood. Likelihood L
dari model adalah probabilitas bahwa model yang dihipotesiskan
menggambarkan data input. Untuk menguji hipotesis nol dan alternatif, L
ditransformasikan menjadi -2LogL. Statistik -2LogL kadang-kadang disebut
likelihood rasio
2
statistik, dimana
2
distribusi dengan degree of freedom n
q, q adalah jumlah parameter dalam model.
Statistik -2LogL dapat juga digunakan untuk menentukan jika variabel
bebas diitambahkan ke dalam model apakah secara signifikan memperbaiki
model fit. Selisih -2LogL untuk model dengan konstanta saja dan -2LogL
untuk model dengan konstanta dan variabel bebas didistribusikan sebagai
2
dengan df (selisih df kedua model).
69
3.5.3.2 Cox and Snells R
2
, Negelkerkes R
2
Cox dan Snells R Square merupakan ukuran yang mencoba untuk
meniru ukuran R
2
pada multiple regression yang didasarkan pada teknik
estimasi likelihood dengan nilai maksimum kurang dari 1 sehingga sulit
diinterpretasikan. Negelkerkes R Square merupakan modifikasi dari koefisien
Cox dan Snells R
2
untuk memastikan bahwa nilainya bervariasi dari 0 1.
Hal ini dilakukan dengan cara membagi nilai Cox dan Snells R
2
dengan nilai
maksimumnya. Nilai Negelkerkes R
2
dapat diinterpretasikan seperti nilai R
2
pada multiple regression.
3.5.3.3 Hosmer and Lemeshows Goodness of Fit Test
Tes ini berfungsi untuk menguji hipotesis alternatif bahwa data
empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model
dengan data sehingga model dapat dikatakan fit). J ika nilai Hosmer and
Lemeshows Goodness of Fit Test Statistics 0,05 ( dalam penelitian ini),
maka hipotesis nol diterima yang berarti terdapat perbedaan signifikan antara
model dengan nilai observasinya sehinggaa Goodness of Fit tidak baik karena
model tidak dapat memprediksi nilai observasinya. J ika nilai statistik Hosmer
and Lemeshows Goodness of Fit >0,05 maka hipotesis nol dapat ditolak
yang berarti model mampu memprediksi nilai observasinya atau dapat
dikatakan model dapat diterima karena cocok dengan data observasinya.
70
3.5.3.4 Tabel Klasifikasi
Tabel klasifikasi 2x2 menghitung nilai estimasi yang benar (correct)
dan salah (incorrect). Pada kolom merupakan dua nilai prediksi dari variabel
dependen , sedangkan pada baris menunjukkan nilai observasi sesungguhnya
dari variabel dependen. Pada model yang sempurna, maka semua kasus akan
berada pada diagonal dengan tingkat ketepatan peramalan 100%. J ika model
logistik mempunyai homokedastisitas, maka persentase yang benar akan sama
untuk kedua baris (Imam Ghozali, 2007).
3.5.3.5 Omnibus Tests of Model Coefficients
Pengujian ini juga menggunakan pendekatan uji chi square. Bila nilai
signifikansi <0,05 maka dapat disimpulkan bahwa variabel terikaatnya dapat
diprediksi dengan tepat oleh variabel bebas dalam penelitian ini.
3.5.4 Uji Wald
Uji Wald digunakan untuk menilai pengaruh variabel bebas terhadap
variabel terikat secara parsial (individual). J ika pada hasil uji Wald nilai
signifikansi < 0,05 ( dalam penelitian ini) maka dapat dikatakan bahwa variabel
bebas dalam penelitian ini berpengaruh secara signifikan terhadap variabel
terikatnya. Nilai signifikansi dapat dilihat dalam Variables in the Equation. J ika
nilai B dalam tabel Variables in the Equation bertanda positif itu berarti variabel
71
bebas tersebut memiliki pengaruh postif terhadap variabel terikatnya. Namun jika
nilai B dalam tabel Variables in the Equation bertanda negatif, maka hal tersebut
bermakna bahwa variabel bebas tersebut memiliki pengaruh negatif terhadap
variabel terikatnya.