LECTURE 9

REGRESI LOGISTIK &

DISKRIMINAN
DR. MUDRAJAD KUNCORO, M.Soc.Sc
Fakultas Ekonomi & Pascasarjana UGM
Outline:
• Multinomial Regresi
• Binary Logistik
• Analisis Diskriminan
• Perbandingan
multinomial, binary, dan
diskriminan
 ANALISIS REGRESI LOGISTIK
– Tidak memiliki asumsi normalitas atas
variabel bebas yang digunakan dalam
model
– Variabel bebas bisa variabel kontinyu,
diskrit, dan dikotomis
– Distribusi respon atas variabel terikat
diharapkan nonlinear
– Jenis:
• binary logistic regression
• multinomial logistic regression
STUDI KASUS WANITA KARIR VS IBU RT
• Studi kasus mengenai
probabilitas wanita karir dan
ibu rumah tangga
(Tabachnick, 1996: bab 12)
• Pertanyaan yang hendak
dijawab adalah: apakah
status pekerjaan (wanita
karir versus ibu rumah
tangga) dapat dijelaskan
oleh empat variabel perilaku
(ATTHOUSE, ATTMAR,
ATTROLE, dan CONTROL)
• Keempat variabel penjelas
tersebut adalah:
– ATTHOUSE= perilaku
terhadap pekerjaan di
dalam rumah.
– ATTMAR=perilaku
terhadap status
pernikahan.
– ATTROLE= perilaku
terhadap perannan/hak
wanita.
– CONTROL= kemampuan
mengendalikan diri (locus
of control).
Tahapan Estimasi Regresi Logistik
Multinomial (1)
Tahapan Estimasi (2)
 Hasil Output SPSS
Model Fitting Information

-2 Log
Model Likelihood Chi-Square df Sig.
Intercept Only 884.175
Final 836.411 47.764 8 .000

• Chi square signifikan pada derajat 1% dengan nilai 47,8. artinya model dengan
hanya intercept berbeda secara statistik dibandingkan dengan model yang
memasukkan semua variabel prediktor.

Classification

Predicted
ibu RT ibu RT tidak Percent
Observed wanita karir bahagia bahagia Correct
wanita karir 213 25 2 88.8%
ibu RT bahagia 98 30 2 23.1%
ibu RT tidak bahagia 63 10 3 3.9%
Overall Percentage 83.9% 14.6% 1.6% 55.2%

• Dari hasil overall classification result untuk regresi logistik multinomial

ternyata kurang baik. Persentase kebenaran klasifikasi untuk ibu RT
bahagia dan ibu RT tidak bahagia yang di bawah 50 %, yaitu 23.1% dan
3.9%, menunjukkan banyak salah klasifikasi untuk ibu RT bahagia dan
tidak bahagia. Oleh karenanya, kita perlu melakukan klasifikasi ulang dan
menggunakan regresi logistik binari.
Tahapan Estimasi Binary Logistic Regression
Klasifikasi ulang: Mengubah values pada workstatÆ 1”wanita
karir”, 2”Ibu RT bahagia”, 3 “Ibu RT tidak bahagia”, dan values pada
status Æ 3” wanita karir” dan 4 “Ibu RT”
Tahapan Estimasi dengan Logit (1)
Tahapan Estimasi Binary Logistic Regression (2)
Tahapan Estimasi Binary (3)
 Output Estimasi Regresi Logistik Binari
Omnibus Tests of Model Coefficients • Pengujian dengan model
penuh dengan 4 variabel
Chi-square df Sig. bebas dibanding model
hanya dengan konstanta
Step 1 Step 22.781 4 .000 terbukti secara statistik
dapat dipercaya. Ini terlihat
Block 22.781 4 .000 dari Chi-Square(4,
Model 22.781 4 .000 N=440)=22.78 yang
signifikan dengan p<,001
artinya model dengan hanya
a intercept berbeda secara
Classification Table statistik dibandingkan
Predicted dengan model yang
memasukkan semua
variabel prediktor.
work status Percentage
Observed Ibu RT wanita karir Correct
Step 1 work status Ibu RT 96 110 46.6
• Kemampuan prediksi model
ini lumayan bagus. Tingkat
wanita karir 69 171 71.3 sukses total 60%, dengan
Overall Percentage 59.9 46.6% ibu RT dan 71.3%
a.The cut value is .500 wanita karir telah mampu
diprediksi secara benar
 Output Estimasi Binary Regresi
Correlation Matrix

Constant ATTHOUSEATTROLE ATTMAR CONTROL

Step Constant 1.000 -.618 -.726 -.036 -.414
1 ATTHOUSE -.618 1.000 .313 -.230 -.113
ATTROLE -.726 .313 1.000 -.036 -.016
ATTMAR -.036 -.230 -.036 1.000 -.165
CONTROL -.414 -.113 -.016 -.165 1.000

Variables in the Equation

5.0% C.I.for EXP(B

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
ATTHOUS -.032 .023 1.826 1 .177 .969 .925 1.014
1 ATTROLE -.070 .016 19.851 1 .000 .932 .904 .962
ATTMAR .014 .012 1.345 1 .246 1.014 .991 1.038
CONTRO -.055 .077 .506 1 .477 .947 .814 1.101
Constant 3.423 .978 12.255 1 .000 30.656
a.Variable(s) entered on step 1: ATTHOUSE, ATTROLE, ATTMAR, CONTROL.
 Output Estimasi Binary Logistik
• Matriks korelasi menunjukkan tidak adanya
multikolinearitas yang serius antarvariabel bebas,
sebagaimana terlihat dari nilai korelasi antarvariabel
bebas yang di bawah 0,8.
• Hasil di atas juga menyajikan koefisien regresi, statistik
Wald, odds ratio, serta interval dengan keyakinan 95%
atas odds ratio untuk masing-masing variabel bebas.
Menurut kriteria Wald, hanya variabel perilaku terhadap
peranan wanita yang dapat diandalkan untuk
memprediksi status pekerjaan wanita. Ini terlihat dari
nilai z sebesar –19.8 dengan p<0,01. Odds ratio 0,93
menunjukkan adanya sedikit perubahan dalam
kemungkinan bekerja atas dasar satu unit perubahan
perilaku terhadap peranan wanita.
ANALISIS DISKRIMINAN
- Semua variabel independen merupakan
variabel yang kontinyu dan berdistribusi
normal
- Tujuan utama:
• diskriminasi: Pembedaan grup
dicapai dengan fungsi diskriminan
• klasifikasi: mengklasifikan
individu/obyek ke dalam grup
terpisah berdasarkan sejumlah
variabel bebas
 Studi tentang Kluster Industri
Michael E. Porter
• Innovation: Location Matters (2001)
•Competing Across Locations (1998)
• On Competition (1998)
• The Role of Geography in the Process of Innovation and the Sustainable
(1998)
• Competitive Advantage of Firms (1998)
• Clusters and the New Economics of Competition (1998)

Mudrajad Kuncoro
• Analisis Spasial & Regional: Studi Aglomerasi dan Kluster Industri Indonesia
(2002)
• Why Manufacturing Industry Persisted to Cluster Spatially in Java ?, Gadjah
Mada International Journal of Business (2003), 5(2)
• “Regional Clustering Of Indonesia’s Manufacturing Industry: A Spatial
Analysis with Geographic Information System (GIS)”, Gadjah Mada
International Journal of Business (2001), 3(3)
 Kasus IKRT di Jawa
• Sebagai contoh aplikasi analisis
diskriminan akan disajikan studi
empiris mengenai industri kecil dan
rumah tangga (IKRT) di Jawa
(Kuncoro, 2000)
• Pertanyaan penelitian yang
hendak dijawab adalah: Apakah
sentra-sentra IKRT di Jawa
merupakan industrial district
dengan ciri-ciri yang menonjol?
• Untuk memudahkan analisis, kita
mengklasifikasikan sentra-sentra
industri dan non-sentra industri
• Di = di1 RURAL + di2 WAGES +
di3 SKILL + di4 STEP + di5AGE
+ di6 POP + di7 UNPAIDW + di8
PRODUCTIVITY
Variabel:
• proporsi daerah perdesaan
(RURAL)
• upah rata-rata (WAGES)
• jumlah tenaga terdidik dengan
pendidikan minimum SMU
(SKILL)
• proporsi perusahaan yang
terlibat dalam program Bapak
Angkat (STEP)
• rata-rata umur perusahaan
(AGE)
• jumlah penduduk (POP)
• proporsi pekerja keluarga
(UNPAIDW)
• produktivitas tenaga kerjada
(PRODUCTIVITY)
Tahapan Estimasi Diskriminan
Tahapan Estimasi Diskriminan
define range Æ min: 0, max: 1
Tahapan Estimasi Diskriminan
Æklik statistics
Tahapan Estimasi Diskriminan
Æ klik classify
 Output Estimasi Diskriminan
Classification Results a

Predicted Group
Membership
Non-industrial Industrial
Industrial clusters clusters clusters Total
Original Count Non-industrial clusters 52 6 58
Industrial clusters 8 37 45
% Non-industrial clusters 89.7 10.3 100.0
Industrial clusters 17.8 82.2 100.0
a. 86.4% of original grouped cases correctly classified.

Secara umum model diskriminan ini mampu

mengalokasikan secara benar lebih dari 86% kasus.
Tabel diatas menyajikan ringkasan klasifikasi dari model
tsb, yang hanya gagal mengalokasikan 6 kabupaten ke
dalam non-sentra industri dan 8 kasus untuk sentra
industri. Akibatnya, keanggotan grup secara benar telah
diprediksi sebesar 89.7% untuk non-sentra industri dan
82.2% untuk sentra industri.
 Output Estimasi Diskriminan
Wilks' Lambda

Wilks'
Test of Function( Lambda Chi-square df Sig.
1 .407 87.312 8 .000

Tabel diatas memperlihatkan chi-square yang tinggi

dan signifikan pada derajat kepercayaan 1% yaitu
sebesar 87.312. Artinya model dengan hanya
intercept berbeda secara statistik dibandingkan
dengan model yang memasukkan semua variabel
prediktor
 Output Estimasi Diskriminan
Structure Matrix

Function
1
Average wages .667
Family workers proportion -.659
Rural proportion -.656
Productivity of labour .558
Age of firm -.319
Step father proportion .232
Number of skilled
.054
workers
Population .041
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.

• upah merupakan variabel terbaik untuk memprediksi lokasi IKRT di sentra

industri dan non-sentra industri.
• Koefsien untuk upah yang positif menunjukkan bahwa semakin tinggi
upah semakin besar kemungkinan IKRT mengelompok di sekitar sentra
industri
• Proporsi tenaga kerja keluarga dan proporsi yang tinggal di perdesaan
memiliki daya prediksi yang kurang lebih sama dengan tanda negatif.
Tanda koefisien yang negatif menunjukkan bahwa semakin rendah
proporsi pekerja keluarga dan proporsi pedesaan dalam suatu kabupaten
maka akan mendorong IKRT untuk mengelompok di seputar sentra
industri.
 HOMEWORK
1.Untuk kasus studi wanita:
a. coba anda lakukan estimasi dengan model diskriminan, baik
dengan 3 klasifikasi (workstat) dan 2 klasifikasi (STATUS),
dengan menggunakan prediktor yang sama.
b. Bandingkan hasil estimasi dengan diskriminan dan regresi
logistik.
c. Interpretasikan hasil berdasarkan model yang menurut anda
paling baik.
2.Untuk kasus IKRT di Jawa:
a. Bandingkan hasil estimasi model diskriminan dengan 2
klasifikasi daerah (D) dan 3 klasifikasi (GROUP3).
b. Bandingkan hasil estimasi dengan diskriminan dan regresi
logistik.