Oleh:
1. Aqidatur Riska Puspitasari
(1311100008)
(1311100028)
(1311100036)
(1311100049)
Dosen Pengampu:
Dr. Vita Ratna Sari S.Si, M.Si
Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya
2014
1
cumulative
logit
models
merupakan
model
yang
didapatkan
denga
berikut:
[
Keterangan:
j = banyaknya kategori pada variabel respon, j = 0,1,2,3,.... j-1
k = banyaknya variabel prediktor.
Fungsi logit yang dapat dibentuk jika terdapat J kategori respon adalah sebanyak J-1
fungsi logit. Setelah diketahui fungsi logit maka selajutnya dapat dicari persamaan dari
probabilitas kumulatif kategori respon ke-j dengan penjabaran sebagai berikut:
*
Sehingga didapatkan fungsi probabilitas kumulatif kategori respon ke-j sebagai berikut.
Jika
dan
menyatakan
probabilitas kumulatif pada variabel prediktor yang dinyatakan dalam vektor xi maka fungsi
probabilitas kumulatif tersebut dapat dinyatakan sebagai berikut:
2. Estimasi Parameter
Pada penelitian ini metode yang digunakan untuk menaksir nilai
adalah metode
Maksimum Likelihood Estimation (MLE). Metode ini digunakan untuk menaksir parameter
yang tidak diketahui. Prinsip metode ini adalah menaksir nilai
dengan memaksimumkan
fungsi likelihood. Bentuk umum dari fungsi likelihood untuk sampel dengan n observasi
independen, (
Selanjutnya didapatkan fungsi log likelihood sebagai berikut.
terhadap
parameter yang ingin diketahui dan selanjutnya turunan pertama tersebut disamadengankan
nol. Selanjutnya berdasarkan teori maximum likelihood, taksiran varian kovarian
didapatkan dari turunan kedua fungsi log-likeklihoodnya. Nilai parameter diestimasi dengan
menggunakan metode numerik karena persamaannya bersifat nonlinier. Metoder numerik
tersbut adalah metode iterasi Newton- Raphson (Agresti, 1990).
3. Pengujian Parameter
Menurut Hosmer dan Lameshow (2000), model yang telah diperoleh perlu diuji
kesignifikannya dengan melakukan pengujian statistik. Pengujian dilakukan terhadap
koefisien
dari model yang telah diperoleh. Dalam model regresi logistik terdapat dua
secara keseluruhan
atau serentak. Jika parameter yang diuji signifikan maka dapat dikatakan jika model yang
dibentuk sesuai untuk memodelkan variabel respon. Hipotesis yang digunakan adalah
sebagai berikut.
H0 :
p=
dengan k =1,2,...p
Statistik uji yang digunakan adalah statistik uji G atau likelihood ratio test.
[
Keterangan:
n0 = banyaknya observasi yang berkategori 0
4
dimana db = (I-1)(J-1). Dalam hal ini G menyebar mengikuti distribusi Chi-square dengan
derajat bebas p.
3.2 Uji Parsial
Uji parsial digunakan untuk mengetahui signifikansi parameter terhadap variabel
respon. Statistik uji yang digunakan adalah uji Wald. Berdasarkan hasil dari uji Wald maka
akan diketahui apakah suatu variabel prediktor layak atau tidak masuk dalam model.
Hipotesis yang digunakan adalah sebagai berikut.
H0 :
H1 :
dengan k = 1,2,...p
Keterangan : SE (
atau
sebesar v.
: Model sesuai (tidak ada perbedaan yang nyata antara hasil observasi
dengan
: Model tidak sesuai (ada perbedaan yang nyata antara hasil observasi
dengan
atau
sebesar jumlahan dari derajat bebas sebesar jumlahan dari derajat bebas pada estimasi
parameter setiap variabel yang masuk kedalam model.
IPK
Jenis Kelamin
Perempuan Laki-Laki
Jumlah
Memuaskan
11
17
Sangat Memuaskan
39
37
76
Dengan Pujian
53
10
63
98
58
156
Jumlah
IPK
Jumlah
SMK/MAN
SMA
Memuaskan
Sangat Memuaskan
2
6
15
70
17
76
Dengan Pujian
61
63
Jumlah
10
146
156
IPK
Daerah Asal
Jumlah
Luar Samarinda
9
Samarinda
8
17
Sangat Memuaskan
32
44
76
Dengan Pujian
31
32
63
Jumlah
72
84
156
Memuaskan
IPK
Swasta
Jumlah
Memuaskan
10
17
Sangat Memuaskan
21
11
35
76
Dengan Pujian
18
10
32
63
Jumlah
15
43
21
77
156
IPK
Jumlah
Memuaskan
15
17
Sangat Memuaskan
70
76
Dengan Pujian
61
63
10
146
156
Jumlah
Usia (tahun)
IPK
Jumlah
19 < X6 < 22
16 < X6 < 19
Memuaskan
16
17
Sangat Memuaskan
73
76
Dengan Pujian
Jumlah
0
4
63
152
63
156
Penyelesaian:
1.
Estimasi Parameter
Setelah dilakukan estimasi parameter menggunakan metode MLE diperoleh hasil seperti
pada Tabel 7 berikut:
Variabel
X1
X2
X3
X4
X5
X6
Konstanta (1)
Konstanta (2)
Berdasarkan Tabel 7 tentang hasil
-1,767
-1,144
-0,502
-0,984
1,777
-0,504
0,331
3,642
estimasi
P-value
0,000
0,106
0,161
0,128
0,000
0,634
0,002
0,008
parameter menggunakan metode MLE
dapat digunakan untuk membuat taksiran model regresi logistik yang telah ditransformasi
logit. Berikut adalah model logit regresi logistik ordinal:
2.
Uji Serentak
G
df
P-value
55,158
8
0,000
Berdasarkan Tabel 8 dapat disimpulkan bahwa nilai statistik uji G sebesar 55,158
yang lebih besar dari nilai tabel
dari = 0,05 maka dapat diambil kesimpulan Tolak H0, yang berarti bahwa pada pengujian
secara serentak model regresi logistik ordinal antara variabel respon (Y) nilai IPK dengan
enam variabel bebas terdapat minimal satu variabel yang signifikan.
3.
Uji Parsial
Pengujian secara individu digunakan untuk mengetahui signifikansi masing-masing
variabel bebas (X) terhadap variabel respon (Y). Berikut adalah hasil pengujian individu
untuk masing-masing variabel prediktor:
Variabel
Uji Wald
P-value
Keputusan
Konstanta (1)
2,25
0,002
Tolak H0
Konstanta (2)
2,65
0,008
Tolak H0
X1
-4,49
0,000
Tolak H0
X2
-1,62
0,106
Gagal Tolak H0
X3
-1,40
0,161
Gagal Tolak H0
X4
1,52
0,128
Gagal Tolak H0
X5
4,70
0,000
Tolak H0
X6
-0,48
0,634
Gagal Tolak H0
Berdasarkan Tabel 9 dapat diketahui pada hasil pengujian signifikansi variabel
prediktor, variabel prediktor yang berpengaruh signifikan terhadap variabel respon adalah
dua konstanta yang dihasilkan pada model logit dan variabel X1, yaitu jenis kelamin dan
variabel X5, yaitu lama studi, sedangkan variabel jenis sekolah menengah (X2), daerah asal
(X3) dan pekerjaan orang tua (X4) tidak berpengaruh secara signifikan atau dapat dikatakan
bahwa variabel prediktor tersebut memiliki pengaruh yang kecil terhadap variabel respon.
Variabel
P-value
Konstanta (1)
-2,360
0,004
Konstanta (2)
0,754
0,027
X1
-1,515
0,000
X5
1,521
0,000
Berdasarkan pengujian terhadap variabel prediktor yang berpengaruh signifikan
terhadap variavel respon untuk mendapatkan model terbaik, diperoleh bahwa pada semua
variabel prediktor dan kedua konstanta model logit memiliki nilai P-value yang kurang dari
= 0,05 sehingga Tolak H0, yang berarti bahwa model telah sesuai. Berikut adalah model
logit pada yang digunakan dalam model regresi logistik ordinal:
10
5. Interpretasi Model
Interpretasi model regresi logistik ordinal dapat dilakukan dengan menggunakan nilai
Odds Ratio. Berikut adalah nilai Odds Ratio untuk masing-masing variabel prediktor yang
signifikan:
Tabel 11 Nilai Odds Ratio
Variabel
Nilai Odds Ratio
X1
0,22
X5
4,58
Pada variabel X1, yaitu jenis kelamin didapatkan nilai Odds Ratio sebesar 0,22 yang
artinya adalah mahasiswa perempuan memiliki resiko 4,54 kali lebih besar untuk
mendapatkan IPK yang lebih tinggi dibandingkan dengan mahasiswa laki-laki. Pada
variabel X5, yaitu lama studi didapatkan nilai Odds Ratio sebesar 4,58 yang artinya adalah
mahasiswa yang memiliki lama studi antara 3,66 < X5 < 5,33 resiko 4,58 kali lebih besar
untuk mendapatkan IPK yang lebih tinggi dibandingkan dengan mahasiswa yang memiliki
lama studi antara 5,33 < X5 < 7.
11