LAPORAN TUGAS KELOMPOK

ANALISIS DATA KATEGORIK

‘Model Regresi Logistik Multinomial’

Disusun Oleh

Muh.Hijrah || G152150131
Lukmanul Hakim || G152150391
Afriansyah || G152150521

PROGRAM STUDI STATISTIKA TERAPAN

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2017
 LATAR BELAKANG

Seiring berkembangnya ilmu pengetahuan tidak sedikit dari peneliti – peneliti

memfokuskan penelitian mereka dalam dunia hewan khususnya pada hewan vertebrata. Hal ini
dilakukan karena pengetahuan serta perhatian terhadap reptil sangat kurang . Reptil adalah
hewan vertebrata yang terdiri dari ular, kadal cacing, kadal, buaya, Caiman, buaya, kura-kura,
penyu dan tuatara. Ada sekitar 7900 spesies reptil hidup sampai saat ini yang mendiami
berbagai tipe habitat beriklim sedang dan tropis termasuk padang pasir, hutan, lahan basah air
tawar, hutan bakau dan laut terbuka (Klappenbach, 2013).
Pada dasarnya reptil dianggap hewan yang sangat menakutkan dan terkenal buas
sehingga harus dihindari bahkan dimusnahkan. Hal tersebut disebabkan karena sebagian besar
reptil dikira sebagai hewan liar yang berbahaya dan berbisa. Namun, sekarang ini pandangan
itu telah berubah dan banyak orang yang senang memelihara hewan melata ini karena keunikan
atau variasi warna dari reptil itu sendiri. Variasi dan keunikan-keunikan yang ada pada reptil
menarik perhatian para pecinta satwa untuk menangkarkan dan mengembangbiakkan reptil.
Banyaknya keuniakan serta bervariasinya bentuk dari reptil membuat penulis tertarik
menggali informasi pada jenis hewan vertebrata khususnya buaya atau dikenal dengan aligator
dengan menggunakan Regresi Logistik Multinomial. Dalam Masykur (2011) menjelaskan
bahwa Regresi logistik multinomial merupakan regresi logistik yang digunakan saat variabel
dependen mempunyai skala yang bersifat polichotomous atau multinomial dengan variabel
respon berskala nominal dengan tiga variabel penjelas. beberapa penelitian sebelumnya yang
berbasis karya ilmiah membahas tentang Regresi Logistik Multinomial diantaranya yaitu:
Hyun (2006), meneliti tentang Using Multinomial Logistic Regression Analysis To Understand
Anglers Willingness To Substitute Other Fishing Locations. Petrucci (2009), meneliti tentang
A Primer for Social Worker Researchers on How to Conduct a Multinomial Logistic
Regression. Bayaga (2010), meneliti tentang Multinomial Logistic Regression: Usage And
Application In Risk Analysis. Dwivedi dkk (2015), meneliti tentang Multinomial Logistic
Regression Approach For The Evaluation Of Binary Diagnostic Test In Medical Research.
Tidak hanya berbasis karya ilmiah beberapa buku menjelaskan tentang Regresi Logistik
Multinomial di antaranya yaitu: Azen dan Walker (2011), dengan judul Categorical Data
Analysis for the Behavioral and Social Sciences. Agresti (2002), dengan judul Categorical
Data Analysis.
Melihat banyaknya kasus yang menerapkan Regresi Logistik Multinomial penulis
mencoba menggunakan metode tersebut untuk melihat apakah tempat tinggal buaya (Lake),
ukuran buaya (Size), serta jenis kelamin buaya (Gender) mempengaruhi pemilihan makan pada
buaya.

METODE ANALISIS
Data yang digunakan pada peneliti ini didapat dari Buku Agresti (2002) tentang pilihan
makanan buaya pada empat danau di Florida. Total data pada penelitian ini sebanyak 219
dengan empat variabel danau (Lake) , jenis kelamin buaya (Gender), ukuran buaya (Size),
makanan buaya (Food). Analisis yang digunakan pada penelitian ini menggunakan Regresi
Logistik Multinomial.
Data Penelitian

HASIL DAN PEMBAHASAN

a) Lakukan pemodelan regresi logistik multinomial pada data tersebut dengan peubah
responnya adalah tipe makanan utama aligator dan peubah bebasnya adalah Lake (L)
dan Size (S). Bandingkkan hasilnya dengan buku Agresti serta berikan interpretasi pada
tiap nilai dugaan parameter model.

Hasil dengan menggunakan program R terlihat sama dengan yang dilakukan dengan
menggunakan program SAS di buku Agresti.
Persamaan regresi logistik multinomialnya adalah
𝜋̂𝑗 (𝑥)
log ( ) = 𝛼𝑗 + 𝛽 ′ 𝑥, 𝑗 = 1, … , 5
𝜋̂𝐽 (𝑥)
Persamaan prediksi odds dimana buaya memilih memakan invertebrata dibandingkan
dengan ikan adalah
𝜋̂𝐼
log ( ) = −1.55 + 1.46𝑆 − 1.66𝑍ℎ + 0.94𝑍𝑜 + 1.12𝑍𝑡
𝜋̂𝐹
Persamaan prediksi odds dimana buaya memilih memakan reptil dibandingkan dengan
ikan adalah
𝜋̂𝑅
log ( ) = −3.31 − 0.35𝑆 + 1.24𝑍ℎ + 2.46𝑍𝑜 + 2.94𝑍𝑡
𝜋̂𝐹
Persamaan prediksi odds dimana buaya memilih memakan bird dibandingkan dengan
ikan adalah
𝜋̂𝐵
log ( ) = −2.09𝑆 − 0.63𝑆 + 0.7𝑍ℎ − 0.65𝑍𝑜 + 1.09𝑍𝑡
𝜋̂𝐹
Persamaan prediksi odds dimana buaya memilih memakan others dibandingkan dengan
ikan adalah

𝜋̂𝑂
log ( ) = −1.90 + 0.33𝑆 + 0.83𝑍ℎ + 0.01𝑍𝑜 + 1.52𝑍𝑡
𝜋̂𝐹

Peluang pilihan makanan dari buaya yang berukuran besar di Danau Hancock

𝑒 −1.55−1.66
𝜋̂𝐼 = = 0.023
1 + 𝑒 −1.55−1.66 + 𝑒 −3.31+1.24 + 𝑒 −2.09+0.70 + 𝑒 −1.90+0.83

𝑒 −3.31+1.24
𝜋̂𝑅 = = 0.072
1 + 𝑒 −1.55−1.66 + 𝑒 −3.31+1.24 + 𝑒 −2.09+0.70 + 𝑒 −1.90+0.83

𝑒 −2.09+0.70
𝜋̂𝐵 = = 0.142
1 + 𝑒 −1.55−1.66 + 𝑒 −3.31+1.24 + 𝑒 −2.09+0.70 + 𝑒 −1.90+0.83

𝑒 −1.90+0.83
𝜋̂𝑂 = = 0.195
1 + 𝑒 −1.55−1.66 + 𝑒 −3.31+1.24 + 𝑒 −2.09+0.70 + 𝑒 −1.90+0.83

1
𝜋̂𝐹 = = 0.569
1 + 𝑒 −1.55−1.66 + 𝑒 −3.31+1.24 + 𝑒 −2.09+0.70 + 𝑒 −1.90+0.83

Peluang pilihan makanan dari buaya yang berukuran besar di Danau Hancock berupa
Invertebrata, Reptil, Bird, Others, dan Fish berturut-turut adalah sebesar 0.023, 0.072,
0.142, 0.195, 0.569

Peluang pilihan makanan dari buaya yang berukuran besar di Danau Oklawaha
 𝑒 −1.55+0.94
𝜋̂𝐼 = = 0.249
1 + 𝑒 −1.55+0.94 + 𝑒 −3.31+2.46 + 𝑒 −2.09−0.65 + 𝑒 −1.90+0.01

𝑒 −3.31+2.46
𝜋̂𝑅 = = 0.195
1 + 𝑒 −1.55+0.94 + 𝑒 −3.31+2.46 + 𝑒 −2.09−0.65 + 𝑒 −1.90+0.01

𝑒 −2.09−0.65
𝜋̂𝐵 = = 0.030
1 + 𝑒 −1.55+0.94 + 𝑒 −3.31+2.46 + 𝑒 −2.09−0.65 + 𝑒 −1.90+0.01

𝑒 −1.90+0.01
𝜋̂𝑂 = = 0.069
1 + 𝑒 −1.55+0.94 + 𝑒 −3.31+2.46 + 𝑒 −2.09−0.65 + 𝑒 −1.90+0.01

1
𝜋̂𝐹 = = 0.457
1+ 𝑒 −1.55+0.94 + 𝑒 −3.31+2.46 + 𝑒 −2.09−0.65 + 𝑒 −1.90+0.01

Peluang pilihan makanan dari buaya yang berukuran besar di Danau Oklawaha berupa
Invertebrata, Reptil, Bird, Others, dan Fish berturut-turut adalah sebesar 0.249, 0.195,
0.030, 0.069, 0.457

Peluang pilihan makanan dari buaya yang berukuran besar di Danau Trafford

𝑒 −1.55+1.12
𝜋̂𝐼 = = 0.192
1 + 𝑒 −1.55+1.12 + 𝑒 −3.31+2.94 + 𝑒 −2.09+1.09 + 𝑒 −1.90+1.52

𝑒 −3.31+2.94
𝜋̂𝑅 = = 0.204
1 + 𝑒 −1.55+1.12 + 𝑒 −3.31+2.94 + 𝑒 −2.09+1.09 + 𝑒 −1.90+1.52

𝑒 −2.09+1.09
𝜋̂𝐵 = = 0.108
1 + 𝑒 −1.55+1.12 + 𝑒 −3.31+2.94 + 𝑒 −2.09+1.09 + 𝑒 −1.90+1.52

𝑒 −1.90+1.52
𝜋̂𝑂 = = 0.202
1 + 𝑒 −1.55+1.12 + 𝑒 −3.31+2.94 + 𝑒 −2.09+1.09 + 𝑒 −1.90+1.52

1
𝜋̂𝐹 = = 0.295
1+ 𝑒 −1.55+1.12 + 𝑒 −3.31+2.94 + 𝑒 −2.09+1.09 + 𝑒 −1.90+1.52
Peluang pilihan makanan dari buaya yang berukuran besar di Danau Trafford berupa
Invertebrata, Reptil, Bird, Others, dan Fish berturut-turut adalah sebesar 0.192, 0.204,
0.108, 0.202, 0.295

Peluang pilihan makanan dari buaya yang berukuran besar di Danau George

𝑒 −1.55
𝜋̂𝐼 = = 0.139
1 + 𝑒 −1.55 + 𝑒 −3.31 + 𝑒 −2.09 + 𝑒 −1.90

𝑒 −3.31+2.94
𝜋̂𝑅 = = 0.024
1 + 𝑒 −1.55 + 𝑒 −3.31 + 𝑒 −2.09 + 𝑒 −1.90

𝑒 −2.09
𝜋̂𝐵 = = 0.081
1 + 𝑒 −1.55 + 𝑒 −3.31 + 𝑒 −2.09 + 𝑒 −1.90

𝑒 −1.90
𝜋̂𝑂 = = 0.098
1 + 𝑒 −1.55 + 𝑒 −3.31 + 𝑒 −2.09 + 𝑒 −1.90

1
𝜋̂𝐹 = = 0.657
1+ 𝑒 −1.55 + 𝑒 −3.31 + 𝑒 −2.09 + 𝑒 −1.90

Peluang pilihan makanan dari buaya yang berukuran besar di Danau George berupa
Invertebrata, Reptil, Bird, Others, dan Fish berturut-turut adalah sebesar 0.139, 0.024,
0.081, 0.098, 0.657

Dengan cara yang sama, untuk buaya yang berukuran kecil ditunjukkan oleh tabel
berikut:
 Hancock Oklawaha Trafford George
Invertebrata 0.093 0.602 0.515 0.413
Reptil 0.047 0.078 0.090 0.012
Bird 0.071 0.009 0.036 0.030
Others 0.255 0.054 0.175 0.094
Fish 0.534 0.257 0.184 0.452

Sehingga dari hasil di atas dapat dilihat bahwa buaya yang berukuran besar cenderung
lebih memilih memakan ikan dari pada sumber makanan lainnya di semua danau,
sedangkan buaya kecil sedikit berbeda. Buaya kecil lebih memilih memakan ikan
khususnya yang tinggal di danau hancock dan George. Namun buaya kecil yang berada
di danau trafford dan oklawaha cenderung memakan invertebrata.

b) Lakukan pemodelan seperti pada poin (a) di atas, tetapi peubah adalah Lake (L), Size
(S) dan Gender (G). Peubah mana saja (L, S, G) yang berpengaruh nyata? Gunakan uji
deviance untuk 𝑎 = 0.05
Pemodelan regresi logistik multinomial dengan peubah responnya adalah tipe
makanan utama aligator dan peubah bebasnya adalah Lake (L), Size (S) dan Gender
(G) dengan output R sebagai berikut
> summary(model)
Call:
multinom(formula = food ~ lake + size + gend)
Coefficients:
(Intercept) lake1Han lake2Okla lake3Traf size1 gendM
2Inv -1.167210 -1.7805263 0.91314471 1.155786 1.3362563 -0.4629756
3Rep -2.858940 1.1294537 2.53024455 3.061047 -0.5570885 -0.6276206
4Bird -1.701750 0.5751767 -0.55073594 1.236877 -0.7302898 -0.6064571
5Oth -1.721273 0.7665622 0.02600333 1.557716 0.2905663 -0.2525879

Std. Errors:
(Intercept) lake1Han lake2Okla lake3Traf size1 gendM
2Inv 0.5337511 0.6232106 0.4761165 0.4927850 0.4111930 0.3955225
3Rep 1.1456331 1.1928006 1.1221172 1.1297303 0.6466081 0.6852751
4Bird 0.7690488 0.7952037 1.2099728 0.8660879 0.6522819 0.6888490
5Oth 0.6313811 0.5685499 0.7777727 0.6256727 0.4599253 0.4663465
Residual Deviance: 537.8655
AIC: 585.8655

Untuk melihat peubah bebas apa saja yang memberikan pengaruh yang signifikan
dengan uji deviance maka model tandingannya adalah dengan mengeluarkan salah satu
peubah bebas disetiap model pengujian yaitu .
Berikut ringkasan nilai deviance model
Model dengan peubah bebas Residual Jumlah df
Deviance Parameter
Lake+Size+Gender 537.8655 24 195
Lake+Size 540.0803 20 199
Lake+Gender 555.4658 20 199
Size+Gender 588.1835 12 207

 Uji deviance untuk melihat pengaruh peubah bebas size

Hipotesis

𝜋
H0 : 𝑙𝑛 (𝜋 𝑗 ) = 𝛼𝑗 + β𝑗1 Lake + β𝑗3 𝑔𝑒𝑛𝑑(karena β2 =0)
5

𝜋
H1 :𝑙𝑛 (𝜋 𝑗 ) = 𝛼𝑗 + β𝑗1 Lake + β𝑗2 size + β𝑗3 𝑔𝑒𝑛𝑑(karena β2 ≠ 0)
5

Tingkat Signifikansi α = 0,05

Statistik Uji
Δ Deviance = Deviance model (a) – Deviance model (b)
= 555.4658– 537.8655
= 17.6003
Daerah Penolakan:
Tolak H0 jika Δ Deviance > χ(α, Δ df)
χ(α, Δ df) = χ(0.05, 4) = 9.4888
Keputusan: tolak H0 karena Δdeviance=17.6003 > χ(0.05, 4)=.4888
Kesimpulan : tolak H0 artinya karena β2 =0 maka peubah size (besar ukuran
buaya) berpengaruh nyata terhadap tipe makanan utama alligator (buaya).

 Uji deviance untuk melihat pengaruh peubah bebas gender

Hipotesis
𝜋
H0 : 𝑙𝑛 (𝜋 𝑗 ) = 𝛼𝑗 + β𝑗1 Lake + β𝑗2 size (karena β3 =0)
5

𝜋𝑗
H1 :𝑙𝑛 (𝜋 ) = 𝛼𝑗 + β𝑗1 Lake + β𝑗2 size + β𝑗3 𝑔𝑒𝑛𝑑(karena β3 ≠ 0)
5

Tingkat Signifikansi : α = 0,05

Statistik Uji
Δ Deviance = Deviance model (a) – Deviance model (b)
= 540.0803 – 537.8655
 = 2.2148
Daerah Penolakan
Tolak H0 jika Δ Deviance > χ(α, Δ df) =χ(0.05, 4) = 9.4888
Keputusan :Gagal tolak H0 karena Δdeviance=2.2148 < χ(0.05, 2) = 9.4888
Kesimpulan: Gagal tolak H0 artinya karena β3 =0 maka peubah gender (jenis
kelamin buaya) tidak berpengaruh nyata terhadap tipe makanan utama alligator
(buaya).

 Uji deviance untuk melihat pengaruh peubah bebas lake

Hipotesis
𝜋
H0 : 𝑙𝑛 (𝜋 𝑗 ) = 𝛼𝑗 + β𝑗2 size+β𝑗3 𝑔𝑒𝑛𝑑( (karena β1 =0)
5

𝜋
H1 :𝑙𝑛 ( 𝑗 ) = 𝛼𝑗 + β𝑗1 Lake + β𝑗2 𝑠𝑖𝑧𝑒 + β𝑗3 𝑔𝑒𝑛𝑑(karena β1 ≠ 0)
𝜋5

Tingkat Signifikansi : α = 0,05

Statistik Uji
Δ Deviance = Deviance model (a) – Deviance model (b)
= 588.1835– 537.8655
= 50.318
Daerah Penolakan
Tolak H0 jika Δ Deviance > χ(α, Δ df) =χ(0.05, 12) = 21.026
Keputusan :Gagal tolak H0 karena Δdeviance=50.318> χ(0.05, 12) = 21.026
Kesimpulan: Gagal tolak H0 artinya karena β1 =0 maka peubah bebas lake (danau
tempat buaya) berpengaruh nyata terhadap tipe makanan utama alligator (buaya).
Berdasarkan pengujian dengan uji deviance diatas dengan α = 0,05 maka dapat
disimpulkan bahwa peubah yang berpengaruh nyata terhadap makanan utama alligator
(buaya) yaitu peubah bebas lake (danau tempat buaya) dan size (besar ukuran buaya).

c) Tentukan model terbaik dengan peubah peubah bebasnya adalah Lake (L), Size (S)
dan Gender (G) serta semua interaksinya (L*S), (L*G), (S*G), dan (L*S*G).
Tabel Ringkasan Model Regresi Logistik Multinomial
 Model Deviance Jumlah df AIC
Parameter
Saturated 487.6018 64 155 615.6018
(F~L+S+G+L*S+L*G+S*G+L*S*G)
Homogenous 489.5426 52 167 593.5426
(F~L+S+G+L*S+L*G+S*G)
Conditional on L 498.3422 48 171 594.3422
(F~L+S+G+L*S+L*G)
Conditional on S 514.52 40 179 594.52
(F~L+S+G+L*S +S*G)
Conditional on G 515.4422 40 179 595.4422
(F~L+S+G+L*G+S*G)

Penentuan Model Terbaik

Pada tahap ini akan dilakukan pengujian hipotesis untuk menetukan model terbaik
(optimum) berdasarkan semua kemungkinan model dengan = 0.05 ,
H0 ditolak jika : 𝐺 2 > 𝜒 2 (0.05,Δ𝑑𝑓)

Tabel 2. Pengujian hipotesis

Model Hipotesis Statistik uji 𝜒 2 (0.05,Δ𝑑𝑓) Keputusan Kesimpulan
H0:𝛽(𝐿𝑆𝐺) = G 2 = Deviance H  DevianceS Tidak ada
Saturated vs 0 𝜒 2 (0.05,12) = Gagal interaksi
Homogeneous H1:𝛽(𝐿𝑆𝐺) ≠ = 489.5426 - 487.6018 21.026 Tolak H0 bersama
0 = 1.9840 L*S*G
Homogeneous G 2 = Deviance C  DevianceH Tidak ada
vs Conditional H0:𝛽(𝑆𝐺) = 0 𝜒 2 (0.05,4) = Gagal interaksi
association (on H1:𝛽(𝑆𝐺) ≠ 0 = 498.3422 - 489.5426 9.488 Tolak H0 bersama
L) = 8.7996 S*G
Homogeneous G 2 = Deviance C  DevianceH ada
vs Conditional H0:𝛽(𝐿𝐺) = 0 𝜒 2 (0.05,12) = interaksi
= 514.52 - 489.5426 Tolak H0
association (on H1:𝛽(𝐿𝐺) ≠ 0 21.026 bersama
S) = 24.9774 L*G
Homogeneous G 2 = Deviance C  DevianceH ada
vs Conditional H0:𝛽(𝐿𝑆) = 0 𝜒 2 (0.05,12) = interaksi
= 515.4422 - 489.5426 Tolak H0
association (on H1:𝛽(𝐿𝑆) ≠ 0 21.026 bersama
G) = 25.8996 L*S

Berdasarkan pengujian hipotesis tersebut, maka model terbaik untuk contoh kasus ini, yaitu
model dengan ketiga peubah interaksi antara lake dengan gend serta interaksi antara lake
dengan size:
 𝜋𝑗
𝑙𝑛 (𝜋 ) = 𝛼𝑗 + β𝑗1 Lake + β𝑗2 size + β𝑗3 𝑔𝑒𝑛𝑑 + β𝑗4 (𝐿𝑎𝑘𝑒 ∗ 𝐺𝑒𝑛𝑑) + β𝑗5 (𝐿𝑎𝑘𝑒 ∗ 𝑆𝑖𝑧𝑒)
5

Berikut output dengan Program R untuk model terbaik

> summary(model)
Call:
multinom(formula = food ~ lake + size + gend + lake * size +
lake * gend)

Coefficients:
(Intercept) lake1Han lake2Okla lake3Traf size1 gendM
2Inv -2.325022 -11.825325 3.343036 2.464092 3.39642459 -1.34474341
3Rep -23.134727 21.806167 23.280548 23.102673 21.98323895 -20.17051633
4Bird -26.545198 26.052061 28.139480 27.156201 0.35746095 24.32889434
5Oth -1.723879 1.046963 -24.458241 2.707398 0.06578482 -0.01984412
lake1Han:size1 lake2Okla:size1 lake3Traf:size1 lake1Han:gendM
2Inv 9.1294547 -3.19803 -2.5823130 0.9185007
3Rep -22.6845545 -23.42510 -22.7124869 -6.5400092
4Bird -2.0599485 -41.07881 -1.8707416 -25.3707049
5Oth -0.7054789 25.78133 -0.3803866 0.6513613
lake2Okla:gendM lake3Traf:gendM
2Inv -0.2158311 1.066904
3Rep 19.2273535 19.910052
4Bird -49.7462757 -25.988068
5Oth -0.4355696 -1.489857

Persaman regresi logistic multinomial

𝜋𝑗
𝑙𝑛 ( ) = 𝛼𝑗 + β𝑗1 Lake + β𝑗2 size + β𝑗3 𝑔𝑒𝑛𝑑 + β𝑗4 (𝐿𝑎𝑘𝑒 ∗ 𝐺𝑒𝑛𝑑) + β𝑗5 (𝐿𝑎𝑘𝑒 ∗ 𝑆𝑖𝑧𝑒)
𝜋5
Persamaan prediksi odds dimana buaya memilih memakan invertebrata dibandingkan
dengan ikan adalah
𝜋1
𝑙𝑛 ( ) = −2.325 − 11.826𝐿𝐻 + 3.343𝐿𝑂 + 2.464𝐿𝑇 + 3.396s − 1.3445𝑔 + 9.129(𝐿𝐻 𝑆)
𝜋5
− 3.198𝐿𝑂 𝑆 − 2.582𝐿𝑇 𝑆 + 0.919𝐿𝐻 𝐺 − 0.216𝐿𝑂 𝐺 + 1.067𝐿𝑇 𝐺
Persamaan prediksi odds dimana buaya memilih memakan reptil dibandingkan dengan
ikan adalah
𝜋2
𝑙𝑛 ( ) = −23.13 + 21.81𝐿𝐻 + 23.28𝐿𝑂 + 23.10𝐿𝑇 + 21.98s − 20.17𝑔 − 22.68(𝐿𝐻 𝑆)
𝜋5
− 23.42𝐿𝑂 𝑆 − 22.71𝐿𝑇 𝑆 − 6.54𝐿𝐻 𝐺 + 19.22𝐿𝑂 𝐺 + 19.91𝐿𝑇 𝐺

Persamaan prediksi odds dimana buaya memilih memakan bird dibandingkan dengan
ikan adalah
 𝜋3
𝑙𝑛 ( ) = −26.54 + 26.05𝐿𝐻 + 28.13𝐿𝑂 + 27.15𝐿𝑇 + 0.35s + 24.32𝑔 − 2.05(𝐿𝐻 𝑆)
𝜋5
− 41.07𝐿𝑂 𝑆 − 1.87𝐿𝑇 𝑆 − 25.37𝐿𝐻 𝐺 − 49.74𝐿𝑂 𝐺 − 25.98𝐿𝑇 𝐺
Persamaan prediksi odds dimana buaya memilih memakan others dibandingkan dengan
ikan adalah
𝜋4
𝑙𝑛 ( ) = −1.72 + 1.04𝐿𝐻 − 24.45𝐿𝑂 + 2.70𝐿𝑇 + 0.065s − 0.019𝑔 − 0.705(𝐿𝐻 𝑆)
𝜋5
+ 25.78𝐿𝑂 𝑆 − 0.38𝐿𝑇 𝑆 + 0.65𝐿𝐻 𝐺 − 0.43𝐿𝑂 𝐺 − 1.48𝐿𝑇 𝐺

DAFTAR PUSTAKA
Agresti, A. (2002). Categorical Data Analysis 2nd. New York: Wiley.

Azen, R. dan Walker, C.R. 2011. Categorical Data Analysis for the Behavioral and Social
Sciences. Routledge, Taylor and Francis Group, New York .

Bayaga, A. 2010. Multinomial Logistic Regression: Usage And Application In Risk Analysis.
Journal Of Aplied Quantitative Method. Vol.5 No.2.

Dwivedi dkk. 2015. Multinomial Logistic Regression Approach For The Evaluation Of Binary
Diagnostic Test In Medical Research. Statistics In Transition New Serie. Vol. 16, No. 2,
pp. 203–222

Hyun, W. 2006. Using Multinomial Logistic Regression Analysis To Understand Anglers

Willingness To Substitute Other Fishing Locations. Proceedings of the 2006 Northeastern
Recreation Research Symposium.

Klappenbach, L. 2013. Reptiles. http://animals.about.com/od/reptiles/p/reptiles.htm. 5 Januari

2017.

Masykur, M, K. 2011. Aplikasi Multinomial Logistic Regression Dalam Analisis Pengaruh

Keputusan Pemilihan Provider Seluler Gsm Di Kota Jember. Skripsi . Jurusan
Manajemen Fakultas Ekonomi Universitas Jember.

Petrucci, C, J. 2009. A Primer for Social Worker Researchers on How to Conduct a

Multinomial Logistic Regression. Journal of Social Service Research, 35:193–205.