Anda di halaman 1dari 17

MAKALAH REGRESI LOGISTIK

DAN
REGRESI DENGAN VARIABLE DUMMY








KELOMPOK :
Karlina Siti Faresha 135020200111071
Rezky Ridhowati 135020200111074
Pahriyatul Ummah 135020201111002

JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
MALANG
2014

KATA PENGANTAR
Puji dan syukur kami panjatkan kepada Allah SWT, karena dengan rahmat dan
hidayah-Nya kami dapat menyelesaikan makalah mata kuliah Aplikasi
Komputer Statistika tentang Regresi Logistik dan Regresi dengan Variable Dummy ini
dengan tepat waktu.
Harapan kami makalah ini dapat meningkatkan pemahaman dalam mempelajari
regresi logistic dan dummy dalam Aplikasi Komputer Statistik. Apabila
terdapat kesalahan dan kekurangan baik yang disengaja maupun yang tidak
disengaja mohon dimaklumi dan dimaafkan karena kami masih dalam tahap
pembelajaran.
Kami menyadari bahwa makalah ini tidaklah sempurna, oleh karena itu kami
menerima kritikan dan saran yang membangun dari pembaca. Semoga makalah
ini dapat memberikan manfaat bagi kita semua. Atas perhatian dan kesempatan
serta bimbingan yang telah diberikan Dosen matakuliah Aplikasi Komputer
Statistika oleh Bapak Bayu , kami ucapkan terima kasih.


Malang , 30 Mei 2014
Penyusun









DAFTAR ISI
KATA PENGANTAR...i
DAFTAR ISI.ii
BAB I PENDAHULUAN.1
1.1 Latar Belakang....1
1.2 Rumusan Masalah..........1
1.2. Tujuan Penulisan.1
BAB II ISI
2.1 Regresi Logistik.2
2.1.1 Contoh Aplikasai dan Analisis Regresi Logistik...2
2.1.2 Fungsi Regresi Logistik.6
2.2 Regresi dengan Variable Dummy......6
2.2.1 Fungsi Regresi denngan Variable Dummy.......6
2.2.2 Contoh Aplikasi Regresi dengan Variable Dummy .6
2.2.3 Analisis Regresi dengan Variable Dummy.7
2.2.4 Hasil Data Regresi dengan Variable Dummy9
BAB III KESIMPULAN
Kesimpulan .12

DAFTAR PUSTAKAiii






BAB 1
PENDAHULUAN

1.1 Latar Belakang
Penggunaan statistika dalam segala bidang akan mempengaruhi tingkat analisis dari
hasil penelitian yang sedang dilakukan. Untuk mengukur besarnya pengaruh variabel bebas
terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan
variabel bebas. Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua
disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka analisis regresi
disebut regresi linear berganda. Disebut berganda karena pengaruh beberapa variabel bebas
akan dikenakan kepada variabel tergantung.
Salah satu bagian dari regresi linear berganda adalah regresi berganda dengan variabel
dummy atau variabel yang digunakan untuk mengkuantitatifkan variabel yang bersifat
kualitatif (misal: jenis kelamin, ras, agama, perubahan kebijakan pemerintah, perbedaan
situasi dan lain- Regresi dengan. Variabel dummy merupakan variabel yang bersifat
kategorikal yang diduga mempunyai pengaruh terhadap variabel yang bersifat kontinue
Model regresi logistik biner merupakan salah satu model regresi logistic yang
digunakan untuk menganalisa hubungan antara satu variabel respon dan beberapa variabel
prediktor, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai 1 untuk
menyatakan keberadaan sebuah karakteristik dan bernilai 0 untuk menyatakan
ketidakberadaan sebuah karakteristik.Model regresi logistik biner dengan satu variabel
respon dapat dikembangkan menjadi model regresi logistik biner dengan menggunakan dua
variabel respon, dimana model ini disebut model regresi logistik biner bivariat
.
1.2 Rumusan Masalah
A. Apa definisi regresi logistic?
B. Apa fungsi regresi logistic ?
C. Bagaimana aplikasi dan analisi regresi logistic ?
D. Apa definisi regresi dengan variable dummy?
E. Apa fungsi regresi dengan variable dummy ?
F. Bagaimana aplikasi dan analisi regresi dengan variable dummy ?


1.3 Tujuan Penulisan

Tujuan penulisan makalah ini adalah agar para pembaca makalah dapat lebih
mengetahui secara luas mengenai regresi logistic dan regresi dengan variable dummy serta
tujuan penulisan makalah ini juga untuk memenuhi nilai dari mata kuliah Aplikasi Komputer
Statistika.

BAB II
ISI
2.1 Regresi Logistik
Pengertian Regresi logistik adalah bagian dari analisis regresi yang digunakan
ketika variable dependen (respon) merupakan variabel dikotomi. Variabel
dikotomi biasanya hanya terdiri atas dua nilai,yang mewakili kemunculan atau
tidak adanya suatu kejadian yang biasanya diberi 0 atau angka.
2. 1.1 Contoh Aplikasi dan Analisis Regresi Logistik

Jika kita ingin mengetahui pembelian tas merk tertentu oleh beberapa orang wanita
dengan beberapa variabel penjelas antara lain adalah umur, tingkat pendapatan (low, medium,
high), dan status (M menikah; S untuk single). Pada data tersebut, pembelian merupakan
variabel prediktor yang dijelaskan dengan angka 1 sebagai membeli dan 0 sebagai tidak
membeli.

1. Dengan SPSS 17.0 data yang diinput dapat berupa:



2. Setelah data diinput, pilih Analyze Regression Binary logistic seperti berikut:



3. Setelah muncul kotak dialog logistic regression, masukkan variabel dependen purchase ke
kolom dependent, dan ketiga variabel independen ke dalam kolom covariates, lalu pilih
button categorical untuk memasukkan variabel kategorik yaitu pendapatan dan status
klik continue:













4. Setelah itu pilih option, checklist classification plot dan Hosmer-lemeshow goodness of
fit, kemudian continue:




5. Kemudian pada method pilih enter, kemudian klik OK:



6. Output yang didapatkan adalah sebagai berikut:


Output Case Processing Summary menghilangkan variabel yang tidak diperhitungkan dalam
model.


Output classification table diatas menjelaskan bahwa persentase variabel yang diprediksi
sebesar 88,9 persen adalah baik, dan dari perbandingan antara kedua nilai mengindikasikan
tidak terdapatnya masalah homoskedastisitas (asumsi model logit).

Pada output variables in equation signifikansi adalah 0,05 artinya model tidak signifikan
dan dengan demikian terima H0.


Pada output omnibus test menyatakan bahwa hasil uji chi-square goodness of fit lebih kecil
dari 0,05, ini mengindikasikan bahwa model adalah signifikan.

Hasil output pada Cox-Snell R2 dan Nagelkerke R memiliki analogi sama dengan nilai R-
square pada regresi linier, menyakatan bahwa sebanyak 50,2 persen keragaman dapat
dijelaskan oleh model, sedangkan sisanya diluar model.

Hasil pada output Hosmer and Lemeshow Goodness-of-Fit Test mengindikasikan bahwa kita
dapat menerima H0 karena lebih dari 0,05 (1 > 0,05).




output variables in the equation menunjukkan nilai signifikansi berdasarkan Wald Statistic,
jika model signifikan, maka nilai sig. adalah kurang dari 0,05.

Kolom Exp(B) menunjukkan nilai odds ratio yang dihasilkan. Nilai odds ratio yang hanya
mendekati 1,0 mengindikasikan bahwa variabel independen tidak mempengaruhi variabel
dependen.


Output classplot diatas menunjukkan prediksi pada regresi logistik. Sumbu X menujukkan
probabilitas yang diprediksi, sedangkan sumbu Y menunjukkan jumlah kasus yang diamati.




2.1.2 Fungsi Regresi Logistik
membentuk persamaan atau fungsi dengan pendekatan maximum likelihood, yang
memaksimalkan peluang pengklasifikasian objek yang diamati menjadi kategori yang
sesuai kemudian mengubahnya menjadi koefisien regresi yang sederhana.

2. 2 Regresi Dengan Variable Dummy
Pengertian Regresi Dengan Variable Dummy
Variabel dummy adalah variabel yang digunakan untuk mengkuantitatifkan variabel
yang bersifat kualitatif (misal: jenis kelamin, ras, agama, perubahan kebijakan
pemerintah, perbedaan situasi dan lain-lain)
.
2.2.1 Fungsi Regresi Dengan Variable Dummy

digunakan sebagai upaya untuk melihat bagaimana klasifikasiklasifikasi dalam sampel
berpengaruh terhadap parameter pendugaan

2.2.2 Contoh Aplikasi
Seorang Manager sebuah perusahaan industri mobil ingin mengetahui gaji
karyawan berdasarkan masa kerja, jenis kelamin dan tingkat pendidikan
karyawannya Diketahui data sampel gaji 30 karyawan adalah sebagai berikut













Y D X1 X2
6.50
10 1.00 2.00
6.50 10 1.00 2.00
6.25 10 .00 2.00
6.25 10 .00 2.00
5.50 7 1.00 2.00
5.50 7 1.00 2.00
6.00 10 .00 2.00
5.25 8 1.00 2.00
4.50 5 1.00 2.00
5.00 10 1.00 1.00
5.25 7 .00 2.00
4.25 5 .00 2.00
5.50 7 1.00 2.00
4.00 8 1.00 1.00
4.00 8 1.00 1.00
3.75 8 .00 1.00
6.00 12 1.00 1.00
5.00 10 1.00 1.00
3.75 8 .00 1.00
3.75 7 .00 1.00
4.75 10 .00 1.00
4.00 9 1.00 1.00
4.00 8 1.00 1.00
5.00 10 1.00 1.00
6.00 12 1.00 1.00
5.75 12 .00 1.00
4.00 8 1.00 1.00
4.75 9 .00 1.00
6.00 8 1.00 2.00
4.75 11 .00 1.00
2.2.3 Analisi Regresi Variable Dummy
1. Buatlah variable dan masusakan data SPSS








2. Lakukanlah analisi dengan cara klik Analyze > Regression > Linear>, Selanjutnya
akan muncul dialog Linear Regression



3. Pindahkan variable Y ke dalam kolom Dependent dan pindahkan X1 ,
X2 , dan D ke kolom Independent


4. Klik Statistic, aktifkan Estimets , Model fit, Descriptives, Collinearity
diagnostics , dan Durbin Watson. Klik Countinue


5. Klik Plots pindahkan variable *Zresid* ke dalam kolom Y dan pindahkan
*Zresid* ke dalam kolom X . aktifkan Histogram dan Normal
Probability Plots klik Countinue


6. Klik save pada Predictide values aktifkan unstandardized. Pada residual
aktifkan unstandardized klik Countinue dan klik ok




2.2.4 Hasil data

a) Tabel 1


Dari table diatas diketahui bahwa variable yang dimasukkan adalah tingkat
pendidikan, jenis kelamin, dan masa bekerja.

b) Table 2


menunjukkan bahwa kofisien atau R simultannya adalah 0,939. Kisaran nilai R
adalah 0 hingga 1. Semakin nilai R mendekati angka 1, maka semakin kuat
variabel-variabel bebas memprediksikan variabel terikat. Karena 0,939
mendekati angka 1, maka variabel-variabel bebas berupa tingkat pendidikan,
jenis kelamin dan masa kerja dapat gaji pekerja dengan cukup kuat.

Sedangkan R Square adalah 0,881 yaitu hasil kuadrat dari koefisien korelasi
(0,939 x 0,939 = 0,881). Koefisien determinasi R-Square = 0.881 (88,1%). Ini
menunjukkan bahwa sebesar 88,1% variasi variabel dependent (Y) dapat
dijelaskan oleh 3 variabel independent (X1, X2,dan D), artinya pengaruh
variabel independen terhadap perubahan variabel dependen adalah 88,1%,
sedangkan sisanya sebesar 11,9% dipengaruhi oleh variabel lain selain variabel
independen X1,X2 dan D. Seperti halnya R Simultan, kisaran nilai adjusted R
Square adalah 0 hingga 1. Dari tabel diatas diketahui bahwa nilai adjusted R
Square adalah 0,867 tidak mendekati 1, sehingga ketetapan mencari jawaban
berdasarkan sampel yang ada sangat tinggi.


c) Table 3

Dari tabel diatas, diketahui bahwa df (degree of freedom) adalah derajat
kebebasan dimana df regression (perlakuan) sebagai df pembilang dan df
residual (sisa) sebagai df penyebut. Nilai df pembilang adalah 3 (jumlah variabel
bebas), sedangkan df penyebut adalah 26. Disamping itu diketahui bahwa
Fhitung adalah 64,167 diperoleh dari mean square untuk regression dibagi mean
square untuk residual (6,953 : 0,108). Kemudian nilai Ftabel kita peroleh dengan
melihat pada tabel untuk nilai dari F(0,05;6;23) adalah 2,53. Karena Fhitung >
Ftabel, maka dapat disimpulkan bahwa variabel bebas (tingkat pendidikan, jenis
kelamin dan masa kerja ) secara serentak mempengaruhi gaji pekerja atau
dengan kata lain model regresi dapat digunakan untuk memprediksi gaji Pekerja.
Selain itu, kita juga dapat menarik kesimpulan dengan membandingkan nilai
Sig.hitung pada tabel diatas yaitu 0,001 dengan = 0,05 dimana Sig.hitung < ,
sehingga juga dapat ditarik kesimpulan yang sama bahwa variabel bebas (tingkat
pendidikan, jenis kelamin dan masa kerja) secara serentak mempengaruhi gaji
pekerja atau dengan kata lain model regresi dapat digunakan untuk memprediksi
gaji Pekerja.




d) Table 4


disamping itu, kolom Sig. diatas juga menunjukkan nilai signifikansi hubungan
antara setiap variabel bebas dngan variable terikat dimana jika Sig.hitung < (
= 0,05), maka variabel bebas tersebut berpengaruh signifikan terhadap variabel
terikat. Artinya:
Masa Kerja Sig.hitung = 0.00 < = 0,05 , jadi Masa Kerja berpengaruh secara
signifikan terhadap gaji karyawan.
jenis Kelamin Regresi dengan Variabel Bebas Dummy
Sig.hitung = 0,.460> = 0.05 , jadi Jenis kelamin tidak berpengaruh secara
signifikan terhadap gaji karyawan.
Tingkat Pendidikan Sig.hitung = 0,00 < = 0,05 , jadi Tingkat Pendidikan
berpengaruh secara signifikan terhadap gaji karyawan.
Karena tidak semua variable bebas pada regresi tersebut yang signifikan terhadap
variabel terikat, maka model persamaan regresi tersebut menjadi: = -1,014 +
0,093X1 + 1,603X2 + 0,428D





BAB III
KESIMPULAN
Dari hasil pembahasan diatas maka dapat ditarik beberapa kesimpulan, yaitu:
a) Variabel dummy adalah variabel yang digunakan untuk mengkuantitatifkan variabel yang
bersifat kualitatif (misal: jenis kelamin, ras, agama, perubahan kebijakan pemerintah,
perbedaan situasi dan lain-lain)
b) Variabel dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0, serta diberi simbol
D. Dummy memiliki nilai 1 (D=1) untuk salah satu kategori dan nol (D=0) untuk
kategori yang lain.
c)




















DAFTAR PUSTAKA

http://www.slideshare.net/agecastaneda/model-regresi-dengan-variabel-bebas-dummy
http://id.wikipedia.org/wiki/Regresi_logistik

Anda mungkin juga menyukai