Regresi Logistic Biner 2014

1
Oleh:
Agung Priyo Utomo
Agung Priyo Utomo - agung@stis.ac.id
REGRESI DENGAN VARIABEL

TAK BEBAS KATEGORIK:
REGRESI LOGISTIK BINER
(BINARY LOGISTIC REGRESSION)
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
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
REGRESI DG VARIABEL TAK BEBAS

KUALITATIF
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.
1.
REGRESI DG VARIABEL TAK BEBAS

KUALITATIF
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
3.
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
+ 1 1 + 2 2 + +
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.
MODEL REGRESI LOGISTIK
Model regresi logistik:

logit = 1 = 0 + 1 1 + 2 2 + +
atau secara umum dpt ditulis dg:
logit =
= 0 + 1 1 + 2 2 + +
1
= 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
MODEL REGRESI LOGISTIK VS

REGRESI LINIER
Review:
Y i = 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)

REGRESI LINIER
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
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
Apakah estimator hasil OLS dapat menjamin bahwa

besaran 0 + 1 Xi terletak antara 0 dan 1?
10
Status
Kelulusan
Skor GRE
No.
Status
Kelulusan
Skor GRE
Kelulusan
vs GRE
01
550
21
540
02
460
22
760
03
640
23
800
04
640
24
645
05
520
25
660
06
560
26
560
07
420
27
780
08
620
28
600
09
560
29
650
10
580
30
660
11
800
31
800
12
460
32
660
13
580
33
640
14
700
34
620
15
600
35
750
16
685
36
620
17
760
37
540
18
800
38
725
19
640
39
780
20
605
40
760
DATA:
No.
11
JIKA ANALISIS DG REGRESI LINIER:

METODE OLS
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.
Persamaan regresi linier (OLS) sbb:

= 1,587 + 0,003
R2 = 0,444
12
JIKA ANALISIS DG REGRESI LINIER:

METODE OLS
Slope = 0,003,
artinya bila skor GRE naik 1 unit, probabilitas
seseorang untuk lulus dalam ujian masuk PT naik
0,3%.
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.
13
MASALAH:
PERSYARATAN 0 E(YI XI) 1 SULIT UNTUK
DIPENUHI, BAGAIMANA MENGATASINYA?
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
14
LOGIT (FUNGSI LOGISTIK)

Didefinisikan:
dimana
1 +
0 +1
Zi = 0 + 1Xi
1
=
1 +
Model Non-Linier, baik

dalam parameter
maupun dalam variabel
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
= = 1| =
OLS
15

Dari definisi sebelumnya:
1

1 =
=
1+
1 +
Rasio antara i dan 1 i:

1
1
1
+
= 0 +1
=
=
=
1
+
Odds
(risk)
sehingga
1
=
1 +
16
INTERPRETASI TENTANG ODDS
Odds
adalah suatu indikator

kecenderungan seseorang untuk lulus
dalam ujian masuk PT
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.
17
Bila odds ini kita log-kan, akan kita dapatkan log odds sebagai
berikut:
=
= 0 + 1
1
Persamaan diatas disebut dg MODEL LOGIT
Dalam bentuk probabilita, model logistik dapat dituliskan sbb:
exp(0 + )
1
=
=
1 + exp(0 + ) 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
Masalahnya sekarang bagaimana menaksir 0 dan

1 ? MLE
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
19
HUBUNGAN ANTARA NILAI

PROBABILITA, ODDS, & LN(ODDS)
Prob. 1-Prob.
0,999
0,001
0,900
0,111
0,800
0,250
0,700
0,429
0,600
0,667
0,500
1,000
0,400
1,500
0,300
2,333
0,200
4,000
0,100
9,000
0,001 999,000
ln(Odds) Semakin kecil probabilita,

-6,907
-2,197
-1,386
-0,847
-0,405
0,000
0,405
0,847
1,386
2,197
6,907
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
0,001
0,100
0,200
0,300
0,400
0,500
0,600
0,700
0,800
0,900
0,999
Odds
CONTOH: KELULUSAN VS GRE
atau dalam bentuk probabilita:

exp(15,705 + 0,025 )
=
1 + exp(15,705 + 0,025 )
Berdasarkan data, diperoleh persamaan regresi logit

sbb (diolah menggunakan SPSS):
= 15,705 + 0,025
1
21
CONTOH: KELULUSAN VS GRE

No.
Skor
GRE
550
460
640
640
520
620
540
725
780
760
Prob
0,131
0,015
0,590
0,590
0,066
0,466
0,105
0,924
0,980
0,967
1
2
3
4
5
36
37
38
39
40
Status
Kelulusan
0
0
0
0
1
1
0
1
1
1
exp(15,705 + 0,025 )
1 + exp(15,705 + 0,025 )
22
INTERPRETASI
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
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:
= 0 + 1
1
23
INTERPRETASI
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.
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
24
INTERPRETASI
disebut juga dengan median effective level

Pada contoh sebelumnya, nilai
median effective level = 628,2
Kemiringan (slope) paling ekstrim terjadi pada saat p = 0,5, yaitu

terjadi ketika
0,5
= ln 1 = 0 = 0 + 1
1 0,5
= 0 1
25
26
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 :
likelihood (Model B)
G 2 ln
likelihood
(Model
A)
Model B: model yang hanya terdiri dari konstanta saja

Model A: model yang terdiri dari seluruh variabel
27
PENGUJIAN SIGNIFIKANSI
MODEL & PARAMETER
G berdistribusi Khi Kuadrat dengan derajat bebas
p atau G ~ p2.
2
H0 ditolak jika G > , P ; : tingkat signifikansi.
Bila H0 ditolak, artinya model A signifikan pada

tingkat signifikansi .
28
UJI SIGNIFIKANSI TIAP-TIAP

PARAMETER: UJI WALD
H0: j = 0, untuk suatu j = 0, 1, , p
H 1: j 0
j
Statistik Uji yang digunakan: Wj

~ 12
s.e. ( j )
Pada tingkat signifikansi , H0 akan ditolak bila

Wj 2 ,1
Artinya parameter yang diuji signifikan pada tingkat
signifikansi
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.
p( X A )
1 p( X A )
;
p( X B )
1 p( X B )
XA : karakteristik individu A
XB : karakteristik individu B
31
ADJUSTED/PREDICTED
PROBABILITY
Adjusted/Predicted
probabilitas merupakan
probabilitas terjadinya suatu peristiwa y = 1 dengan
karakteristik yang telah diketahui.
Dituliskan dg:
exp . (z)
P( y 1|x)
1 exp (z)
dimana z = 0 + 1 x1 + . + p xp
32
INTERPRETASI PARAMETER
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:
p(x j 1)

1 - p(x j 1)
p( x j 0)
exp .( j )
1 p( x j 0)
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
CONTOH
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
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
LOGISTIC REGRESSION
Model Summary
-2 Log
Cox & Snell
likelihood
R Square
29,484a
,466
St ep
1
Case Processing Summary

Unweighted Cases
Selected Cases
N
Included in Analy sis
Missing Cases
Total
Unselected Cases
Total
40
0
40
0
40
Nagelkerke
R Square
,626
a. Estimation terminat ed at iteration number 6 because

parameter est imat es changed by less than ,001.
Percent
100,0
,0
100,0
,0
100,0
Hosmer and Lemeshow Test

Step
1
Chi-square
3,491
Sig.
,900
Classificati on Tablea
Predicted
Dependent Vari able Encoding

Original Value
Tidak Mampu
Mampu
Internal Value
0
1
St ep 1
Observ ed
Kemampuan
Pegawai
Tidak Mampu
Mampu
Kemampuan Pegawai
Tidak Mampu
Mampu
20
3
4
13
Ov erall Percentage
a. The cut v alue is , 500
Categorical Variables Codings
Tingkat
Pendidikan
SLTA/sederajat
Perguruan Tinggi
Max. SLTP/ sederajat
Frequency
12
15
13
Paramet er coding
(1)
(2)
1,000
,000
,000
1,000
,000
,000
Variables in the Equation
Omnibus Tests of Model Coefficients

St ep 1
St ep
Block
Model
Chi-square
25,064
25,064
25,064
df
3
3
3
Sig.
,000
,000
,000
B
Staep
1
x2
x2(1)
x2(2)
x1
Constant
,092
3,275
,027
-16,651
S. E.
1,162
1,218
,011
6,193
a. Variable(s) entered on step 1: x2, x1.
Wald
8,559
,006
7,229
6,567
7,230
df
2
1
1
1
1
Sig.
,014
,937
,007
,010
,007
a. If weight is in ef f ect, see classif ication table f or the total

number of cases.
df
Percent age
Correct
87,0
76,5
82,5
Exp(B)
1,097
26,449
421,027
,000
Nama Pendidikan
A
B
C
D
SLTA
S-1
SD
SLTP
Skor
stabilitas
emosional
509
602
500
546
Peluang
?
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.
43
CONTOH 2
JK KRT
Lapangan
Pekerjaan KRT
Laki-laki
Perempuan
Miskin
Tidak Miskin
Pertanian
52
82
Non Pertanian
15
23
102
53
85
33
Pertanian
Non Pertanian
Apakah jenis kelamin dan lapangan pekerjaan

KRT memengaruhi status kemiskinan?
Suatu penelitian dilakukan untuk mengetahui

variabel yang meemngaruhi status kemiskinan
rumah tangga. Data yang dikumpulkan adalah
sebagai berikut:
44

Regresi Logistic Biner 2014

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Regresi Logistic Biner 2014

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Agung Priyo Utomo - agung@stis.ac.id

REGRESI DENGAN VARIABEL

Agung Priyo Utomo - agung@stis.ac.id

Memodelkan probabilita kondisi atau pernyataan

Menggambarkan perbedaan antara kelompok sebagai

Contoh, penelitian tentang perbedaan siswa yang berminat

Agung Priyo Utomo - agung@stis.ac.id

Mengelompokkan individu ke dalam salah satu kategori

Dibidang psikometri, penggunaan logistic regression

Contoh, seseorang berkeinginan untuk memperkirakan

Dalam bidang psikometri dikenal dengan differential

REGRESI DG VARIABEL TAK BEBAS

Apakah punya rumah atau tidak

Agung Priyo Utomo - agung@stis.ac.id

REGRESI DG VARIABEL TAK BEBAS

Apakah yang mempengaruhi lapangan kerja yg

Agung Priyo Utomo - agung@stis.ac.id

GLM UNTUK OUTCOME BINER

Agung Priyo Utomo - agung@stis.ac.id

Random component: Response variable (Y) bersifat

MODEL REGRESI LOGISTIK

Agung Priyo Utomo - agung@stis.ac.id

Model regresi logistik:

Model diatas terlihat seperti model regresi linier, namun

MODEL REGRESI LOGISTIK VS

Agung Priyo Utomo - agung@stis.ac.id

MODEL REGRESI LOGISTIK VS

Agung Priyo Utomo - agung@stis.ac.id

MODEL REGRESI LOGISTIK VS

Agung Priyo Utomo - agung@stis.ac.id

Apakah estimator hasil OLS dapat menjamin bahwa

Agung Priyo Utomo - agung@stis.ac.id

JIKA ANALISIS DG REGRESI LINIER:

Agung Priyo Utomo - agung@stis.ac.id

Persamaan regresi linier (OLS) sbb:

JIKA ANALISIS DG REGRESI LINIER:

Agung Priyo Utomo - agung@stis.ac.id

Bila skor GRE lebih besar 529 probabilitas orang

Agung Priyo Utomo - agung@stis.ac.id

LOGIT (FUNGSI LOGISTIK)

Model Non-Linier, baik

Agung Priyo Utomo - agung@stis.ac.id

LOGIT (FUNGSI LOGISTIK)

Rasio antara i dan 1 i:

Agung Priyo Utomo - agung@stis.ac.id

INTERPRETASI TENTANG ODDS

adalah suatu indikator

Agung Priyo Utomo - agung@stis.ac.id

Untuk contoh ujian masuk PT, maka odds merupakan

LOGIT (FUNGSI LOGISTIK)

Agung Priyo Utomo - agung@stis.ac.id

LOGIT (FUNGSI LOGISTIK)

Masalahnya sekarang bagaimana menaksir 0 dan

Agung Priyo Utomo - agung@stis.ac.id

Pada contoh sebelumnya, bila kita mengetahui skor

HUBUNGAN ANTARA NILAI

ln(Odds) Semakin kecil probabilita,

semakin kecil pula nilai odds,

Agung Priyo Utomo - agung@stis.ac.id

CONTOH: KELULUSAN VS GRE

atau dalam bentuk probabilita:

Agung Priyo Utomo - agung@stis.ac.id

Berdasarkan data, diperoleh persamaan regresi logit