LATAR BELAKANG
Keberhasilan Program Keluarga Berencana di suatu wilayah dapat diukur dengan melihat
tingkat pemakaian kontrasepsi (prevalensi kontrasepsi). Dengan demikian dapat dipahami betapa
pentingnya informasi tentang pemakaian kontrasepsi, yang dapat digunakan juga untuk
memperkirakan penurunan angka fertilitas akibat dari pemakaian kontrasepsi tersebut. Latar
belakang sosial-ekonomi dan demografi berpengaruh terhadap penentuan jenis/cara KB yang
sedang digunakan. Terdapat banyak faktor sosial-ekonomi dan demografi, namun dalam penelitian
ini dibatasi menjadi: umur, daerah tempat tinggal, tingkat pendidikan, status bekerja, jumlah anak
dan
lama
dalam
ikatan
perkawinan.
Penelitian
ini
bertujuan
untuk
mengetahui
VARIABEL
Analisis determinan pemilihan alat/cara KB di Provinsi Sumatera Barat menggunakan raw data
Susenas Kor Tahun 2010. Unit analisisnya adalah perempuan umur 15-49 tahun dan berstatus
kawin. Variabel yang digunakan untuk membuat model dan estimasi parameter determinasi
pemilihan alat/cara KB di Provinsi Sumatera Barat Tahun 2010 adalah:
A. Variabel tidak bebas (Y)
Variabel tidak bebas yang dimaksud dalam analisis ini ialah jenis/cara KB yang sedang
digunakan. Variabel ini bersumber dari pertanyaan Blok V.E, Rincian 36. Dengan rincian:
2 = Alat/Cara KB Jangka Panjang (1,2,3 dan 5)
1 = Alat/Cara KB Jangka Pendek/Tradisonal (4, 6,7,8,9 dan 10)
0
Keterangan:
Alat/cara KB yang digunakan/dipakai:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
MOW/tubektomi
MOP/Vasektomi
AKDR/IUD/Spiral
Suntikan KB
Susuk KB/norplan/implanon/alwalit
Pil KB
Kondom/Karet KB
Intravag/tisue
Kondom Wanita
Cara Tradisional
1
( ) = 10 + 11 + 12 2 + 13 + 14
0
+ 15 2 + 1611 + 162 2 + 1711
+ 171 2 + 18
2. Metode Jangka Panjang
2
( ) = 20 + 21 + 22 2 + 23 + 24 + 25 2
0
+ 261 1 + 262 2 + 271 1 + 271 2 + 28
Dimana :
P0 = Probabilitas (Y=0) = probabilitas sedang tidak menggunakan alat/cara KB
P1 = Probabilitas (Y=1) = probabilitas menggunakan alat/cara KB metode jangka pendek/tradisional
P2 = Probabilitas (Y=2) = probabilitas menggunakan alat/cara KB metode jangka panjang
HASIL PENGOLAHAN
Persentase Penduduk Menggunakan alat/cara KB
Menurut Karakteristik di Provinsi Sumatera Barat, Berdasarkan Susenas 2010 (persen)
(2)
Total
(6)
Perkotaan
Perdesaan
49.73
45.18
38.84
44.51
11.43
10.31
100.00
100.00
15-24
25-34
35-49
46.30
42.89
49.98
47.16
47.14
37.82
6.54
9.97
12.19
100.00
100.00
100.00
Tinggi
Sedang
Rendah
54.15
44.66
47.62
33.78
45.25
41.18
12.07
10.09
11.20
100.00
100.00
100.00
Bekerja di Pertanian
Bekerja di Non Pertanian
Tidak Bekerja
47.87
46.50
46.34
39.52
41.95
44.67
12.61
11.55
8.99
100.00
100.00
100.00
0-4
5-8
9-12
45.30
59.26
87.40
43.88
30.63
9.47
10.82
10.11
3.14
100.00
100.00
100.00
0-10
11-20
21-36
47.71
38.68
58.02
43.91
48.29
30.40
8.38
13.03
11.59
100.00
100.00
100.00
46.87
42.41
10.73
100.00
Umur
Pendidikan
Bekerja
Jumlah Anak
Lama Menikah
Total
Pengujian Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi
klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model
regresi. Ada beberapa cara untuk mendeteksi ada tidaknya gejala multikolinieritas yang antara
lain, pertama menurut Gujarati (2003) dengan melihat pada matriks korelasi (korelasi antar
variabel bebas), yaitu jika korelasi antar variabel kuat diduga terdapat gejala multikolinieritas.
Correlations antar variabel independen
Lama
Jumlah
Tempat
Menikah
Anak
Tinggal
,879**
,588**
,000
Umur
Pearson Correlation
Umur
Sig. (2-tailed)
Didik
Bekerja
-,050**
,066**
-,202**
,000
,000
,000
,000
810084
810084
810084
810084
810084
810084
Pearson Correlation
,879**
,686**
,058**
,277**
-,126**
Sig. (2-tailed)
,000
,000
,000
,000
,000
810084
810084
810084
810084
810084
810084
Pearson Correlation
,588**
,686**
,045**
,213**
-,067**
Sig. (2-tailed)
,000
,000
,000
,000
,000
810084
810084
810084
810084
810084
810084
Pearson Correlation
-,050**
,058**
,045**
,281**
,068**
Sig. (2-tailed)
,000
,000
,000
,000
,000
810084
810084
810084
810084
810084
810084
Pearson Correlation
,066**
,277**
,213**
,281**
,207**
Sig. (2-tailed)
,000
,000
,000
,000
810084
810084
810084
810084
810084
810084
Pearson Correlation
-,202**
-,126**
-,067**
,068**
,207**
Sig. (2-tailed)
,000
,000
,000
,000
,000
810084
810084
810084
810084
810084
Lama
Menikah
Jumlah
Anak
Tempat
Tinggal
Didik
Bekerja
,000
810084
Berdasarkan penghitungan tersebut terlihat bahwa diduga terlihat hubungan linear antar
variabel independen, namun demikian tetap dilakukan pengujian terhadap nilai inflation
factor (VIF) pada model regresi.
Menurut Neter et al. (1993) disarankan melihat pada nilai Variance Inflation Factor (VIF), yaitu
jika nilai VIF kurang dari 10 maka tidak terdapat multikolinieritas.
Coefficientsa
Collinearity Statistics
Model
Tolerance
VIF
Umur
,189
5,301
Lama Menikah
,151
6,625
Jumlah Anak
,529
1,891
Tempat Tinggal
,908
1,101
Didik
,721
1,388
Bekerja
,910
1,099
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) keseluruhan variabel
adalah lebih kecil dari 10, sehingga bisa diduga bahwa antar variabel penjelas tidak terjadi
persoalan multikolinearitas.
Dari rincian variabel bebas dan variabel tidak bebas tersebut, maka didapat hasil sebagai berikut:
1. Output Case Processing Summary menghilangkan variabel yang tidak diperhitungkan dalam
model.
Case Processing Summary
N
Metodekb
Tempat Tinggal
Didik
Bekerja
Valid
Missing
Total
Subpopulation
.00
1.00
2.00
Perkotaan
Perdesaan
1.00
2.00
3.00
1.00
2.00
3.00
86,893.38
343,537.34
379,652.84
300,555.14
509,528.42
95,747.52
418,701.73
295,634.31
257,951.08
185,759.61
366,372.87
810,083.56
Marginal
Percentage
10.7%
42.4%
46.9%
37.1%
62.9%
11.8%
51.7%
36.5%
31.8%
22.9%
45.2%
100.0%
.00
810,083.56
5,436.00a
a. The dependent variable has only one value observed in 4640 (85,4%) subpopulations.
Pada Case Processing Summary, terlihat bahwa terdapat 810,083.56 data yang dianalisa dan tidak
memiliki missing value sehingga tingkat kevalidan datanya adalah 100%.
2. Model Fitting Criteria
Model
-2 Log Likelihood
Intercept Only
1,256,679.26
Final
1,188,600.59
68,078.67
df
Sig.
20
.000
Pseudo R-Square
Cox and Snell
.081
Nagelkerke
.095
McFadden
.044
nilai Cox and Snell R2 = 0,081 8,1 % variasi dalam probabilita pemilihan alat/cara KB dapat
dijelaskan oleh variabel-variabel bebas yang digunakan dalam Model.
nilai Nagelkerke R2 = 0,095 9,5 % variasi dalam probabilita pemilihan alat/cara KB dapat
dijelaskan oleh variabel-variabel bebas yang digunakan dalam Model.
nilai McFadden R2 = 0,044 4,4 % variasi dalam probabilita pemilihan alat/cara KB dapat
dijelaskan oleh variabel-variabel bebas yang digunakan dalam Model.
Mengacu kepada Washington, et. al. (2003) dijelaskan bahwa pada model pilihan dengan model
logistik, semakin tinggi nilai pseudo R2 (goodness of fit), semakin baik model yang disusun. Akan
tetapi hal ini tidak selalu tepat. ODonnel dan Cannor (2002) menyatakan bahwa secara praktis
nilai tersebut dapat diabaikan karena untuk model regresi logistik ini tidak ada nilai baku pseudo
R2 yang dapat dijadikan sebagai acuan kelayakan model.
4. Model Summary
Selanjutnya diuji signifikansi setiap variabel bebas yang digunakan dalam model. Untuk menguji
signifikansi setiap variabel bebas yang digunakan diketahui melalui Likelihood Ratio Test.
Likelihood Ratio Tests
Model Fitting Criteria
Effect
-2 Log Likelihood of
Reduced Model
df
Sig.
1,188,600.59a
.00
Umur
1,188,836.22
235.63
.000
Kawin
1,202,781.10
14,180.51
.000
Anak
1,194,211.39
5,610.79
.000
Umur2
1,190,081.28
1,480.69
.000
Kawin2
1,199,722.15
11,121.56
.000
Ress
1,190,005.31
1,404.72
.000
Didik
1,190,102.01
1,501.42
.000
Bekerja
1,189,999.49
1,398.90
.000
Intercept
The chi-square statistic is the difference in -2 log-likelihoods between the final model and a reduced
model. The reduced model is formed by omitting an effect from the final model. The null hypothesis is that
all parameters of that effect are 0.
a. This reduced model is equivalent to the final model because omitting the effect does not increase the
degrees of freedom.
Std.
Error
Wald
Intercept
-3.090
.101
939,92
Umur
.042
.006
43,84
Kawin
.225
.003
6.783,69
Anak
.160
.003
2.620,78
Umur2
-.002
.000
317,97
Kawin2
-.006
.000
5.309,05
[Ress=1]
.055
.009
41,56
.00
[Ress=2]
0b
.
.
[Didik=1,00]
.155
.015
110,48
[Didik=2,00]
.024
.009
6,55
[Didik=3,00]
0b
.
.
[Bekerja=1,00]
.320
.009
1.172,62
[Bekerja=2,00]
.140
.011
171,09
[Bekerja=3,00]
0b
.
.
Intercept
-.904
.057
254,90
Umur
.055
.004
225,86
Kawin
.158
.002
10.049,20
Anak
.148
.002
4.640,25
Umur2
-.002
.000
1.391,59
Kawin2
-.004
.000
7.841,00
[Ress=1]
-.180
.005
1.086,21
1.00
[Ress=2]
0b
.
.
[Didik=1,00]
-.035
.010
12,81
[Didik=2,00]
.162
.006
754,55
[Didik=3,00]
0b
.
.
[Bekerja=1,00]
.020
.006
11,01
[Bekerja=2,00]
-.066
.007
94,25
[Bekerja=3,00]
0b
.
.
a. The reference category is: 2,00.
b. This parameter is set to zero because it is redundant.
df
Sig.
1
1
1
1
1
1
1
0
1
1
0
1
1
0
1
1
1
1
1
1
1
0
1
1
0
1
1
0
.000
.000
.000
.000
.000
.000
.000
.
.000
.010
.
.000
.000
.
.000
.000
.000
.000
.000
.000
.000
.
.000
.000
.
.001
.000
.
Exp(B)
95% Confidence
Interval for Exp(B)
Lower
Upper
Bound
Bound
1.043
1.252
1.174
.998
.994
1.056
.
1.168
1.024
.
1.377
1.150
.
1.030
1.245
1.166
.998
.994
1.039
.
1.135
1.006
.
1.352
1.126
.
1.056
1.259
1.181
.999
.994
1.074
.
1.202
1.043
.
1.403
1.175
.
1.056
1.171
1.159
.998
.996
.835
.
.965
1.175
.
1.020
.936
.
1.049
1.167
1.155
.998
.996
.827
.
.947
1.162
.
1.008
.924
.
1.064
1.174
1.164
.998
.996
.844
.
.984
1.189
.
1.032
.949
.
Berdasarkan output diatas dapat ditunjukkan bahwa setiap variabel penjelas dengan tingkat
keyakinan 95% secara signifikan mempengaruhi variabel tak bebas.
1
( ) = 0,904 + 0,055 0,002 2 + 0,148 + 0,158
0
0,004 2 0,035 1 + 0,162 2 + 0,020 1
0,0666 2 0,180
k
k
Statistik uji yang digunakan adalah W
atau t
se k
se k
2
(1)
Exp(B)
Wald
Sig.
Exp(B)
Wald
Sig.
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
(12)
Umur
0.0419
0.0063
43.84
0.00
6.62
0.0549
0.0037
225.86
0.00
15.03
Umur2
-0.0016
0.0001
317.97
0.00
17.83
-0.0020
0.0001
1391.59
0.00
37.30
Kawin
0.2246
0.0027
6783.69
0.00
82.36
0.1576
0.0016
10049.20
0.00
100.25
Kawin2
-0.0058
0.0001
5309.05
0.00
72.86
-0.0043
0.0000
7841.00
0.00
88.55
Anak
0.1600
0.0031
2620.78
0.00
51.19
0.1479
0.0022
4640.25
0.00
68.12
[Bekerja=1.00]
0.3200
0.0093
1172.62
0.00
34.24
0.0200
0.0060
11.01
0.00
3.32
[Bekerja=2.00]
0.1399
0.0107
171.09
0.00
13.08
-0.0662
0.0068
94.25
0.00
9.71
[Didik=1.00]
0.1552
0.0148
110.48
0.00
10.51
-0.0354
0.0099
12.81
0.00
3.58
[Didik=2.00]
0.0236
0.0092
6.55
0.01
2.56
0.1616
0.0059
754.55
0.00
27.47
0.0548
0.0085
41.56
0.00
6.45
-0.1799
0.0055
1086.21
0.00
32.96
[Bekerja=3.00]
[Didik=3.00]
[Ress=1]
Statistik Wald
Berdasarkan tabel terlihat semua variabel bebas memiliki nilai Wald > 4, sehingga semua
variabel bebas dalam model secara parsial mempunyai pengaruh yang signifikan terhadap
probabilitas pemilihan alat/cara KB. Hal ini juga ditunjukkan oleh nilai Sig < 0,05.
Statistik t
H0 : k = 0
H1: Variabel bebas dapat menjelaskan variasi pada variabel terikat
Berdasarkan hasil perhitungan, diperoleh nilai t untuk setiap variabel bebas yaitu t > 2,
sehingga semua variabel bebas dalam model secara parsial mempunyai pengaruh yang
signifikan terhadap probabilitas pemilihan alat/cara KB.
Peringkat faktor-faktor yang paling berpengaruh dalam pemilihan alat/cara KB jangka panjang
(paling membedakan) dapat dilihat dari nilai Wald, dengan rincian sebagai berikut:
1. Lama Usia Perkawinan dengan nilai Wald sebesar 6.784
2. (Lama Usia Perkawinan)2 dengan nilai Wald sebesar 5309
3. Jumlah anak yang dilahirkan dengan nilai Wald sebesar 2.621
4. Status Pekerjaan di sektor non pertanian dengan nilai Wald sebesar 1.173
5. (Umur)2 dengan nilai Wald sebesar 318
7. Interprestasi
Pada tabel Variables in the Equation, kita dapat melihat pengaruh perubahan nilai suatu
variabel penjelas terhadap peluang suatu observasi untuk mengalami kategori sukses. Nilainilai odds ratio dapat dibaca pada kolom exp(B).
A. Interprestasi (Rasio kecenderungan/Odds Ratio=Exp(B))
1) Umur
Jika umur naik satu tahun maka probabilitas penggunaan alat/cara KB jangka
panjang dibandingkan tidak pakai KB akan naik 0,0063 kali
Jika umur naik satu tahun maka probabilitas penggunaan alat/cara KB jangka
pendek/tradisional dibandingkan tidak pakai KB akan naik 0,0037 kali
2) Umur kuadrat
Variabel umur kuadrat negatif signifikan pada probabilitas penggunaan alat/cara
KB jangka panjang, hal ini mengandung pengertian bahwa hubungan antara
variabel umur dengan probabilitas penggunaan alat/cara KB jangka panjang
memiliki bentuk pola U terbalik (kuadratik), di mana penambahan variabel umur
3) Tempat Tinggal
Mereka yang tinggal di perkotaan 0,0085 kali lebih cenderung untuk
menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang tinggal di perdesaan
4) Pendidikan
Mereka yang berpendidikan tinggi 0,0148 kali lebih cenderung untuk
menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang berpendidikan rendah
5) Status Pekerjaan
Mereka yang bekerja disektor non pertanian 0,0093 kali lebih cenderung untuk
menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang tidak bekerja
Mereka yang bekerja disektor non pertanian 0,006 kali lebih cenderung untuk
menggunakan alat/cara KB jangka pendek/tradisional dibandingkan tidak pakai
alat/cara KB dibandingkan dengan mereka yang tidak bekerja
Mereka yang bekerja disektor pertanian 0,0107 kali lebih cenderung untuk
menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang tidak bekerja
Mereka yang bekerja disektor pertanian 0,0068 kali lebih cenderung untuk
menggunakan alat/cara KB jangka pendek/tradisional dibandingkan tidak pakai
alat/cara KB dibandingkan dengan mereka yang tidak bekerja
6) Jumlah Anak
Jika jumlah anak bertambah satu maka probabilitas penggunaan alat/cara KB
jangka panjang dibandingkan tidak pakai alat/cara KB akan bertambah 0,0031 kali
Jika lama kawin naik satu tahun maka probabilitas penggunaan alat/cara KB
jangka pendek/tradisional dibandingkan tidak pakai alat/cara KB akan bertambah
0,0016 kali
= 0,0419
= [1-exp(0,0419)]x100
= [1-0,0063]x100
= 99,37%
artinya Jika umur naik satu tahun maka probabilitas penggunaan alat/cara KB
jangka panjang dibandingkan tidak pakai KB akan naik 99,37%.
= 0,0549
[1-exp(b)]x100
= [1-exp(0,0549)]x100
= [1-0,0037]x100
= 99,63%
artinya Jika umur naik satu tahun maka probabilitas penggunaan alat/cara KB
jangka pendek/tradisional dibandingkan tidak pakai KB akan naik 99,63%
2) Umur kuadrat
Variabel umur kuadrat negatif signifikan pada probabilitas penggunaan alat/cara
KB jangka panjang, hal ini mengandung pengertian bahwa hubungan antara
variabel umur dengan probabilitas penggunaan alat/cara KB jangka panjang
memiliki bentuk pola U terbalik (kuadratik), di mana penambahan variabel umur
memiliki kecenderungan meningkatkan probabilitas penggunaan alat/cara KB
jangka panjang hingga pada suatu saat dicapainya ambang batas (turning point),
penambahan variabel umur akan menurunkan probabilitas penggunaan alat/cara
KB jangka panjang. Selanjutnya peningkatan maupun penurunan probabilitas
penggunaan alat/cara KB jangka panjang sangat bergantung pada level variabel
umur atau dengan kata lain pengaruh variabel umur terhadap probabilitas
penggunaan alat/cara KB jangka panjang tidak konstan untuk setiap level.
3) Tempat Tinggal
besar koef. regresi b
= 0,0548
[1-exp(b)]x100 = [1-exp(0,0548)]x100
= [1-0,0085]x100
=99,15%
artinya Mereka yang tinggal di perkotaan 99,15% lebih cenderung untuk
menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang tinggal di perdesaan
= -0,1799
[1-exp(b)]x100 = [1-exp(-0,1799)]x100
= [1-0,0055]x100
=99,45%
artinya Mereka yang tinggal di perkotaan 99,45% lebih cenderung menggunakan
alat/cara KB jangka pendek/tradisional dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang tinggal di perdesaan
4) Pendidikan
besar koef. regresi b
= 0,1552
[1-exp(b)]x100 = [1-exp(0,1552)]x100
= [1-0,0148]x100
=98,52%
artinya Mereka yang berpendidikan tinggi 98,52% lebih cenderung untuk
menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang berpendidikan rendah
= -0,0354
[1-exp(b)]x100 = [1-exp(-0,0354)]x100
= [1-0,0099]x100
=99,01%
artinya Mereka yang berpendidikan tinggi 99,01% lebih cenderung untuk
menggunakan alat/cara KB jangka pendek/tradisional dibandingkan tidak pakai
alat/cara KB dibandingkan dengan mereka yang berpendidikan rendah
= 0,0236
[1-exp(b)]x100
= [1-exp(0,0236)]x100
= [1-0,0092]x100
=99,08%
= 0,1616
[1-exp(b)]x100
= [1-exp(0,1616)]x100
= [1-0,0059]x100
=99,41%
= 0,32
= [1-exp(0,32)]x100
= [1-0,0093]x100
=99,07%
artinya Mereka yang bekerja disektor non pertanian 99,07% lebih cenderung
untuk menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai
alat/cara KB dibandingkan dengan mereka yang tidak bekerja
= 0,02
[1-exp(b)]x100
= [1-exp(0,02)]x100
= [1-0,006]x100
=99,4%
artinya Mereka yang bekerja disektor non pertanian 99,4% lebih cenderung untuk
menggunakan alat/cara KB jangka pendek/tradisional dibandingkan tidak pakai
alat/cara KB dibandingkan dengan mereka yang tidak bekerja
= 0,1399
[1-exp(b)]x100
= [1-exp(0,1399)]x100
= [1-0,0107]x100
=98,93%
artinya Mereka yang bekerja disektor pertanian 98,93% lebih cenderung untuk
menggunakan alat/cara KB jangka panjang dibandingkan tidak pakai alat/cara KB
dibandingkan dengan mereka yang tidak bekerja
= -0,0662
[1-exp(b)]x100
= [1-exp(-0,0662)]x100
= [1-0,0068]x100
=99,32%
artinya Mereka yang bekerja disektor pertanian 99,32% lebih cenderung untuk
menggunakan alat/cara KB jangka pendek/tradisional dibandingkan tidak pakai
alat/cara KB dibandingkan dengan mereka yang tidak bekerja
6) Jumlah Anak
besar koef. regresi b
[1-exp(b)]x100
= 0,16
= [1-exp(0,16)]x100
= [1-0,0031]x100
=99,69%
artinya Jika jumlah anak bertambah satu maka probabilitas penggunaan alat/cara
KB jangka panjang dibandingkan tidak pakai alat/cara KB akan bertambah 99,69%
= 0,1479
[1-exp(b)]x100
= [1-exp(0,1479)]x100
= [1-0,0022]x100
=99,78%
artinya Jika jumlah anak bertambah satu maka probabilitas penggunaan alat/cara
KB jangka pendek/tradisional dibandingkan tidak pakai alat/cara KB akan
bertambah 99,78%
7) Lama Ikatan Perkawinan (Kawin)
besar koef. regresi b = 0,2246
[1-exp(b)]x100
= [1-exp(0,2246)]x100
= [1-0,0027]x100
=99,73%
artinya Jika lama kawin naik satu tahun maka probabilitas penggunaan alat/cara
KB jangka panjang dibandingkan tidak pakai alat/cara KB akan bertambah 99,73%
= 0,1576
[1-exp(b)]x100
= [1-exp(0,1576)]x100
= [1-0,0016]x100
=99,84%
artinya Jika lama kawin naik satu tahun maka probabilitas penggunaan alat/cara
KB jangka pendek/tradisional dibandingkan tidak pakai alat/cara KB akan
bertambah 99,84%
8) Lama Ikatan Perkawinan Kuadrat (Kawin2)
Variabel lama ikatan perkawinan kuadrat negatif signifikan pada probabilitas
penggunaan alat/cara KB jangka panjang, hal ini mengandung pengertian bahwa
hubungan antara variabel lama ikatan perkawinan dengan probabilitas
penggunaan alat/cara KB jangka panjang memiliki bentuk pola U terbalik
(kuadratik), di mana penambahan variabel lama ikatan perkawinan memiliki
kecenderungan meningkatkan probabilitas penggunaan alat/cara KB jangka
panjang hingga pada suatu saat dicapainya ambang batas (turning point),
penambahan variabel lama ikatan perkawinan akan menurunkan probabilitas
penggunaan alat/cara KB jangka panjang. Selanjutnya peningkatan maupun
penurunan probabilitas penggunaan alat/cara KB jangka panjang sangat
bergantung pada level variabel lama ikatan perkawinan atau dengan kata lain
pengaruh variabel lama ikatan perkawinan terhadap probabilitas penggunaan
alat/cara KB jangka panjang tidak konstan untuk setiap level.
C. Adjusted Probability
Adjusted Probability
Adjusted Probability Pemilihan
Alat/Cara KB
Karakteristik
(1)
(2)
Rata-Rata
g1(x)
g2(x)
Tidak
Pakai
(Po)
Jangka
Pendek/Tradisional
(P1)
Jangka
Panjang
(P2)
Total
(3)
(4)
(5)
(6)
(7)
(8)
(9)
Konstanta
-0,1053
-1,5121
-0,2185
-1,5121
0,11
0,40
0,49
1,00
-0,0386
-1,5324
0,10
0,44
0,46
1,00
20
-0,9163
-2,1318
0,08
0,26
0,66
1,00
25
-0,6418
-1,9221
0,09
0,31
0,60
1,00
400
1,6238
-0,1338
0,13
0,73
0,14
1,00
625
1,1780
-0,4891
0,13
0,67
0,21
1,00
Rendah
-0,1847
-1,5427
0,10
0,41
0,49
1,00
Tempat Tinggal
Perkotaan
0,3710
Perdesaan
Umur
34,7750
Umur2
1272,7563
Pendidikan
Sedang
0,5169
-0,0231
-1,5190
0,10
0,44
0,46
1,00
Tinggi
0,1182
-0,2201
-1,3875
0,12
0,39
0,49
1,00
Bekerja di Pertanian
0,2293
-0,1627
-1,5062
0,11
0,41
0,48
1,00
0,3184
-0,0765
-1,3261
0,12
0,42
0,46
1,00
-0,0965
-1,6461
0,09
0,43
0,48
1,00
-0,3290
-1,5121
0,11
0,37
0,52
1,00
-0,1811
-1,5121
0,11
0,41
0,49
1,00
-1,4064
-1,5121
0,15
0,17
0,68
1,00
10
-0,6184
-1,5121
0,13
0,31
0,57
1,00
25
0,8407
-0,2226
0,56
0,24
0,68
1,49
100
0,5213
-0,6579
0,53
0,31
0,57
1,41
Bekerja
Tidak Bekerja
Jumlah Anak
2,5120
Lama Menikah
13,2555
Kawin2
247,1671
Adjusted Probability, memiliki arti bahwa Odd Ratio sudah disesuaikan atau dikontrol terhadap
pengaruh faktor-faktor lain dalam model dengan memperhatikan besaran standard error. Hal
ini menjadi penting karena nilai Odd Ratio lebih sensitif terhadap perubahan standard error.
a) Tempat Tinggal
f)
Pengujian Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi
klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model
regresi.
Coefficientsa
Dengan Penimbang
Model
Tolerance
Tanpa Penimbang
VIF
Tolerance
VIF
Umur
0,189
5,301
.192
5.217
Lama
Menikah
0,151
6,625
.153
6.541
Jumlah
Anak
0,529
1,891
.531
1.885
Tempat
Tinggal
0,908
1,101
.917
1.091
Didik
0,721
1,388
.710
1.408
Bekerja
0,91
1,099
.894
1.119
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) keseluruhan variabel
adalah lebih kecil dari 10 baik dengan maupun tanpa penimbang, sehingga bisa diduga bahwa
antar variabel penjelas tidak terjadi persoalan multikolinearitas.
Dengan Penimbang
Model
Model Fitting
Criteria
-2 Log Likelihood
Intercept
Only
1,256,679.26
Final
1,188,600.59
Tanpa Penimbang
df
Sig.
Model Fitting
Criteria
-2 Log Likelihood
df
Sig.
20
.000
12.740.134
68,078.67
20
.000
12.088.801
651.333
Dari tabel di atas menunjukkan nilai Sig. = 0,000 baik dengan maupun tanpa penimbang Ini
berarti bahwa model yang terdiri dari seluruh variabel signifikan secara statistik pada tingkat
kepercayaan 95 persen. Artinya, model yang digunakan dalam analisis ini secara keseluruhan
fit (cocok/baik). Dengan demikian dapat diputuskan bahwa kita akan menggunakan model
lengkap untuk melakukan analisis.
Metode
Cox and Snell
Nagelkerke
McFadden
Secara umum nilai pseudo R2 (goodness of fit) dengan atau tanpa menggunakan penimbang
berada pada range nilai yang mendekati.
5
Model Summary
Selanjutnya diuji signifikansi setiap variabel bebas yang digunakan dalam model. Untuk
menguji signifikansi setiap variabel bebas yang digunakan diketahui melalui Likelihood Ratio
Test.
Likelihood Ratio Tests
Dengan Penimbang
Effect
Model Fitting
Criteria
-2 Log Likelihood
of Reduced Model
Tanpa Penimbang
df
Sig.
Model Fitting
Criteria
-2 Log Likelihood
of Reduced Model
df
Sig.
1,188,600.59a
.00
12,088.801a
.000
Umur
1,188,836.22
235.63
.000
12,091.535
2.734
.255
Kawin
1,202,781.10
14,180.51
.000
12,216.605
127.804
.000
Anak
1,194,211.39
5,610.79
.000
12,161.709
72.908
.000
Umur2
1,190,081.28
1,480.69
.000
12,104.551
15.751
.000
Kawin2
1,199,722.15
11,121.56
.000
12,186.418
97.617
.000
Ress
1,190,005.31
1,404.72
.000
12,093.209
4.408
.110
Didik
1,190,102.01
1,501.42
.000
12,106.436
17.635
.001
Bekerja
1,189,999.49
1,398.90
.000
12,098.299
9.498
.050
Intercept
The chi-square statistic is the difference in -2 log-likelihoods between the final model and a reduced model.
The reduced model is formed by omitting an effect from the final model. The null hypothesis is that all
parameters of that effect are 0.
a. This reduced model is equivalent to the final model because omitting the effect does not increase the
degrees of freedom.
Dari nilai p-value pada model dengan penimbang, seluruh variabel bebas yang digunakan
dalam model (tempat tinggal, umur, pendidikan, bekerja, jumlah anak, serta lama menikah)
signifikan secara statistik pada tingkat kepercayaan 95 persen dalam mempengaruhi variabel
tidak bebas (pemilihan jenis/cara KB). Namun berbeda dengan model tanpa penimbang
terdapat 2 variabel yang tidak signifikan yakni umur dan tempat tinggal.