KAJIAN TEORI

2.1 Regresi Logistik

Reresi logistik adalah bagian dari analisis regresi yang digunakan ketika variabel dependen
(respon) merupakan variabel dikotomi, yaitu variabel yang biasanya terdiri dari 2 (nilai) yang
mewakili kemunculannya.
Tidak seperti regresi linier, reresi logistik tidak mengasumsikan hubungan antara variabel
independent dan dependent secara linier. Regresi logistic merupakan regresi non linier
dimana model yang ditentukan akan mengikuti pola kurva.
2.1.1 Pendugaan Parameter Model Regresi Logistik
Suatu model regresi dikatakan non linier jika tidak berbentuk seperti :
Suatu model persamaan non linier, maka model tersebut dapat dikatakan linier. Jika
suatu data yang diberikan hanya dapat disajikan melalui kurva regresi non linier, maka
kita harus menentukan bentuk kurvanya yang menduga parameternya. Maka dalam
makalah ini akan dibahas transformasi model logistic ke dalam bentuk linier.
Bentuk paling sederhana dalam Model Regresi Logistik adalah sebagai berikut :

Dengan a dan b merupakan parameter yang harus diduga dari data. Model regresi
logistic di atas akan diubah menjadi bentuk linier,
log Y=
log Y=
log Y=
log Y=
Jadi, bentuk linier dari model regresi logistik

yaitu :

log Y=
Dalam hal ini linier dalam x dan log Y.
Kemudian dimisalkan bahwa

bentuk liniernya yang lebih sederhana yaitu :

, maka diperoleh

Sementara, dugaan untuk

pada bentuk linier

adalah sebagai

berikut :
dan
Selanjutnya untuk memperoleh koefisien a dan b dapat dilakukan dengan cara sebagai
berikut :
Karena

dan

maka diperoleh
dan

2.1.2 Pengujian Model Regresi

Jika telah diperoleh model regresi yang linier, maka dapat dilakukan analisa sebagai
berikut :
1. Untuk menguji model regresi digunakan uji F, dengan hipotesis sebagai berikut :
H0 : model regresi tidak berarti
H1: model regresi berarti
Dengan alat bantu Progran SPSS, diperoleh nilai Fhitung dari Anova, dan dari tabel
diperoleh Ftabel. Terima H0 jika Fhitung < Ftabel dan tolak H0 jika Fhitung > Ftabel.
2. Uji koefisien regresi
Untu menguji koefisien regresi menggunakan uji T, dengan hipotesis sebagai
berikut :
H0 :
, variabel bebas tidak berpengaruh terhadap variabel terikat.
H1:

, variabel bebas berpengaruh terhadap variabel terikat.

Dengan alat bantu program SPSS, diperoleh nilai Thitung dari Anova, dan dari tabel
dapat diperoleh Ttabel. Terima H0 jika Thitung < Ttabel dan tolak H0 jika Thitung > Ttabel.
3. Uji Asumsi Analisis Regresi
a) Normal Residul
H0 : Residul berdistribusi normal.
H1 : Residul tidak berdistribusi normal.
Untuk menentukan apakah menolak atau menerima H0 , P-value dibandingkan
dengan suatu nilai yaitu taraf kepercayaan dengan ketentuan sebagai berikut :

, jika data diperoleh dari penelitian di lapangan

, jika data diperoleh dari penelitian di laboratorium
, jika data diperoleh dari penelitian terhadap manusia atau binatang
, dalam bidang kedokteran.
Terima H0 jika P-value >

dan menolak H0 jika P-value < .

b) Kebebasan residul
Pengujian kebebasan galat dengan menggunakan Autokorelasi yaitu jika garis
merah melewati garis hitam atau garis merah tidak membentuk suatu corong,
mak kebebasan galat terpenuhi.
c) Uji homogenitas residual
Untuk menguji kehomogenitas residual digunakan alat bantu SPSS.
Homogenitas residual bersifat homogeny atau tidak saling bebas jika ada
korelasi antar sisa.
1.2 Regresi Hiperbolik
1.2.1 Persamaan Umum Regresi Non Linear Model Hiperbola dan Bentuk Linear dari
Persamaan Tersebut
Persamaan regresi hiperbola (lengkung cekung)ada dua model, yaitu:
1.2.1.1 Y^=

dimana garis persamaannya akan memotong sumbu Y berarti bahwa

nilai X ada yang negatif, atau bahkan keduanya(nilai X maupun Y) sama-sama

negatif.
Jika tidak ada Y^berharga nol dapat ditulis menjadi:

Dan bentuk tersebut sudah linier terhadap

1.2.1.2 Y^=

dimana garis persamaannya akan memotong sumbu X, ini

berartibahwa dalam persamaan ini penyebaran nilai Y ada yang negatif. Model
hiperbola ini jarang dipakai pada penelitian pendidikan karena nilai-nilai yang
dihadapi dalam dunia pendidikan sifatnya positif. .Walaupun terjadimaka model
ini pun dapat digunakan, sedangkan perhitungan koefisien regresinyatidak
berbeda dengan yang telah dibahas di muka (regresi linier sederhana seluruhnya

nilai Y diganti . dengan demikian maka untuk menghitung regresi a digunakan

rumus:

Sedangkan untuk menghitung koefisien regresi b digunakan rumus:

1.2.2 Menganalis model Regresi yang Telah Diperoleh

Jika telah diperoleh model regresi yang linear maka kita dapat melakukan analisa
sebagai berikut:
1.2.2.1 Untuk menguji model regresi digunakan uji F, dengan hipotesis sebagai berikut
H0: model regresi tidak berarti
H1: model regresi berarti
Dengan demikian diperoleh nilai Fhitung dari anova dan dari tabel dapat diperoleh
Ftabel . terima H0 jika Fhitung < Ftabel dan tolak H0 jika Fhitung > Ftabel .
1.2.2.2 Uji Koefisien Regresi
Untuk menguji koefisien regresi menggunakan uji T, dengan hipotesis sebagai
berikut:
H0:1=0 artinya variabel bebas tidak berpengaruh berpengaruh terhadap variabel
terikat.
H0:1=0 artinya variabel bebas berpengaruh terhadap variabel terikat. Dengan
demikan diperoleh nilai Thitung dari anova dan dari tabel dapat diperoleh Ttabel .
terima H0 jika Thitung < Ttabel dan tolak H0 jika Thitung > Ttabel .
1.2.3 Uji Asumsi analisis regresi
1.2.3.1 Normal Residuel
Untuk menguji kenormalan residual kita gunakan alat bantu SPSS dan uji
Anderson Darling dan mencari nilai P_value, dan dengan hipotesis sebagai
berikut:
H0: Residuel berdistribusi normal.
H1: Residual tidak berdistribusi normal.
Untuk menentukan menolak atau menerima H0 dilakukan perbandingan
P_value dengan suatu nilai (taraf kepercayaan/ taraf signifikan) dengan
ketentuan sebagai berikut:
= 0.05, jika data diperoleh dari penelitian di lapangan.
= 0.01, jika data diperoleh dari penelitian di laboratorium.

 = 0.1, jika data diperoleh dari penelitian terhadap manusia atau binatang.
= 0.00, dalam bidang kedokteran.
Terima H0 jika P_value > ,
Tolak H0 jika P_value < .
1.2.3.2 Kebebasan Residuel
Untuk menguji kebebasan residual dilihat dari autokorelasi fungsi
untuk residual. Homogenitas residual bersifat homogen atau tidak saling
bebas jika ada korelasi antar sisa.

1.2.3.3 Homogenitas
Untuk mengetahui apakah sisa antara variable terikat dengan variablebebas
mempunyai keragaman yang homogen, atau tidak menunjukkan
kecenderungan tertentu. Jika standar sisa 95% berada diantara (-2,2) secara
merata maka sisa dikatakan berada dalam sebaran sehingga mempunyai
keragaman yang tetap.
Jika asumsi kehomogenan ini terpenuhi maka secara otomatis asumsi
normalitas akan dipenuhi, jika sumsi ini tidak dipenuhi maka dilakukan cara
untuk mengatasi salah satunya dengan cara melakukan transformasi terhadap
data tersebut.

1.1 Regresi Logistik

Data penjualan suatu produk dari mulai diproduksi sampai produk tersebut berumur 24 bulan
(2 tahun) serta keuntungannya adalah sebagai berikut :
Bulan
(x)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Keuntungan (Y)
(dalam ribuan
rupiah)
150
270
480
750
1350
2310
3625
5390
9950
15510
26500
40350
77510
111950
165300
31600
627480
804250
1540980
2314250
3923250
6010500
12334230
15975210

Keterangan :
X : Bulan (mulai produksi sampai produk umur 24 bulan)
Y : Keuntungan (dalam ribuan rupiah)
Berikut ini ditunjukkan plot dari data di atas.

Gambar

Dalam plot di atas diketahui bahwa model regresi yang diperoleh tidak berbentuk linier akan
tetapi berbentuk non linier yaitu Logistik.
3.2 Pendugaan Parameter Regresi
Untuk mentransformasikan persamaan regresi non linier logistic dalam bentuk linier, maka
diperlukan nilai-nilai sebagai berikut :
X
1
2
3
4

Y
150
270
480
750

log Y
2.17609126
2.43136376
2.68124124
2.87506126

X^2
1
4
9
16

X*log Y
2.17609126
4.86272753
8.04372371
11.5002451

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
300

1350
2310
3625
5390
9950
15510
26500
40350
77510
111950
165300
31600
627480
804250
1540980
2314250
3923250
6010500
12334230
15975210

3.13033377
3.36361198
3.55930801
3.73158877
3.99782308
4.1906118
4.42324587
4.60584354
4.88935774
5.0490241
5.21827285
4.49968708
5.79759989
5.90539107
6.187797
6.36441027
6.59364598
6.7789106
7.09111204
7.20344658

44023145

Dengan perhitungan manual diperoleh :

dengan

112.74478

25
36
49
64
81
100
121
144
169
196
225
256
289
324
361
400
441
484
529
576
4900

15.6516688
20.1816719
24.9151561
29.8527101
35.9804077
41.906118
48.6557046
55.2701225
63.5616506
70.6863374
78.2740928
71.9949933
98.5591981
106.297039
117.568143
127.288205
138.466566
149.136033
163.095577
172.882718
1656.8069

Jadi persamaan regresi yang diperoleh adalah

sehingga dapat

dicari a dan b dengan menggunakan :

dan

Jadi dugaan persamaannya adalah

Setelah diperoleh model regresi yang linier maka kita dapat melakukananalisa sebagai
berikut:
3.2.1

Uji model regresi

Untuk menguji model regresi digunakan uji F menggunakan Anova ,dengan hipotesis
sebagai berikut:
H0: model regresi tidak berarti
H1: model regresi berarti
Dari SPSS diperoleh ANOVA sebagai berikut

ANOVA
Sum of Squares
Regression
Residual
Total

Df

Mean Square

282.406

282.406

5.220

22

.237

287.626

23

F
1.190E3

Sig.
.000

The independent variable is x.

Karena data diperoleh dari lapangan maka = 0,05. Diperoleh Ftabel= 4,30095 dan
Fhitung= 1,190E3. Karena Fhitung> Ftabel maka tolak H0, ini berarti model regresi berarti
sehingga dapat disimpulkan bahwa model regresi log Y = 2.0075 +0.2152X
signifikan.

3.2.2

Uji koefisien regresi

Untuk menguji koefisian regresi digunakan uji T, dengan hipotesissebagai berikut:
Ho:i=0 artinya variabel bebas tidak berpengaruh terhadap variabel terikat.
H1:i0 artinya variabel bebas berpengaruh terhadap variabel terikat.
Dengan alat bantu SPSS, diperoleh:

Coefficients
Standardized
Unstandardized Coefficients
B

Std. Error

.609

.009

(Constant)

.010

.002

Coefficients
Beta

T
.371

Sig.

69.620

.000

4.872

.000

The dependent variable is ln(1 / y).

Dari tabel diperoleh Ttabel= 1,71714 dan dari Anova diperoleh Thitung= 4,872. Karena
Thitung > Ttabel maka tolak H0.Ini berarti variabel bebas berpengaruh terhadap variabel
terikat. Atau dengan kata lain penjualan suatu produk dari mulai diproduksi sampai
produk tersebut berumur 24 bulan (2 tahun) berpengaruh terhadap keuntungan yang
diperoleh.
3.3 Regresi Hiperbolik
Toko Maju Makmur pada hari pertama pembukaan memiliki jumlah pengunjung yang
berbeda pada setiap menitnya. Pada menit-menit pertama pembukaan, terdapat banyak
pengunjung yang tertarik untuk melihat-lihat dan membeli di toko tersebut. Data pengunjung
diberikan sebagai berikut:
X= menit setelah toko dibuka
Y= jumlah pengunjung toko

20
35

150
125

60
100
150
300
500
800
1200
1300
1500
1600

105
100
92
97
97
62
58
40
38
35

3.4 Ilustrasi pengolahan data menggunakan Microsof Excel

3.4.1

Pertama yang harus dilakukan adalah menyiapkan lembar kerja berisi data dan
formula-formula yang diperlukan.

3.4.2

Data di atas dianalisis dengan regresi model hiperbola yang ditransformasi menjadi
bentuk linier.
Nilai-nilai yang diperlukan untuk mencari parameter adalah sebagai berikut:

jumlah

X
20
35
60
100
150
300
500
800
1200
1300
1500
1600
7565

Y
150
125
105
100
92
97
97
62
58
40
38
35

Diperoleh
,

N=12
Sehingga didapat:

= 0,00733

1/Y
0,006667
0,008
0,009524
0,01
0,01087
0,010309
0,010309
0,016129
0,017241
0,025
0,026316
0,028571
0,178936

X^2
400
1225
3600
10000
22500
90000
250000
640000
1440000
1690000
2250000
2560000
8957725

X1/Y
0,133333333
0,28
0,571428571
1
1,630434783
3,092783505
5,154639175
12,90322581
20,68965517
32,5
39,47368421
45,71428571
163,1434703

= 0,000012
Jadi persamaan regresi model hiperbolik dari data di atas adalah

3.5 Ilustrasi pengolahan data menggunakan SPSS

3.5.1

Input data ke dalam table seperti pada gambar berikut:

3.5.2

Untuk mendapatkan plot grafik pilih Analyze, Regression, Curve Estimation. Pada
kotak dialog isikan seperti gambar.

3.4.3 Masukkan variable sepery pada kolom dependent(s) dan X pada kolom independent.
Pada table Models pilih linier, kemudia pilih Display ANOVA table.

3.4.4 Akan diperoleh output sebagai berikut

Model Summary

Adjusted R

Std. Error of the

Square

Estimate

R Square
.963

.927

.919

.002

The independent variable is x.

ANOVA
Sum of Squares

Df

Mean Square

Regression

.001

.001

Residual

.000

10

.000

Total

.001

11

Sig.

126.151

0.00000

The independent variable is x.

Coefficients
Standardized
Unstandardized Coefficients
B
x
(Constant)

Std. Error

1.202E-5

.000

0.00733

.001

Coefficients
Beta
.963

Sig.

11.232

0.00000

7.934

0.00001

3.6 Uji Model Regresi

Untuk menguji model regresi digunakan uji F menggunakan Anova ,dengan hipotesis sebagai
berikut:
H0: model regresi tidak berarti
H1: model regresi berarti
Dari SPSS diperoleh ANOVA sebagai berikut
ANOVA
Sum of Squares

Df

Mean Square

Regression

.001

.001

Residual

.000

10

.000

Total

.001

11

Sig.

126.151

0.00000

The independent variable is x.

Karena data diperoleh dari lapangan maka = 0,05. Diperoleh Ftabel= 4,30095 dan Fhitung=
126,151. Karena Fhitung> Ftabel maka tolak H0, ini menunjukkan bahwa model regresi berarti
sehingga dapat disimpulkan bahwa model regresi
adalah signifikan.
3.7 Uji koefisien regresi
Untuk menguji koefisian regresi digunakan uji T, dengan hipotesissebagai berikut:
Ho:i=0 artinya variabel bebas tidak berpengaruh terhadap variabel terikat.
Ho:i0 artinya variabel bebas berpengaruh terhadap variabel terikat.
Dengan alat bantu SPSS, diperoleh:
Coefficients
Standardized
Unstandardized Coefficients
B
x
(Constant)

Std. Error

1.202E-5

.000

0.00733

.001

Coefficients
Beta
.963

Sig.

11.232

0.00000

7.934

0.00001

Dari tabel diperoleh Ttabel= 1,71714 dan dari Anova diperoleh Thitung= 7,934. Karena Thitung >Ttabel
maka tolak H0.Ini berarti variabel bebas berpengaruh terhadap variabel terikat. Atau dengan
kata lain lamanya waktu toko dibuka mempengaruhi /berpengaruh terhadap jumlah
pengunjung.
Sehingga dapat disimpulkan bahwa model regresi 1/Y= 0.00733+0.000012X signifikan,
dengan kata lain data sangat mendukung adanya hubungan antara menit (X) dengan
pengunjung (Y) dengan persamaan 1/y=0.00733+0.000012X.