(14.8214)
Radita Nareswari MP
(14.8322)
(14.8338)
(14.8438)
(14.7939)
1. Kajian Teori
Regresi logistik multinomial adalah model regresi yang digunakan untuk menyelesaikan
kasus regresi dengan variabel Y (dependent) berupa data kualitatif berbentuk multinomial (lebih
dari dua kategori) dengan satu atau lebih variabel X (independent). Misal X variabel independen
yang berukuran (p+1) dan variabel dependen Y (j kategori) mempunyai kategori j = 0, 1, 2 dengan
2
j
j=0
1
1+e
g 1 (x)
+e
g2 (x)
e g (x)
1 ( x )=
1+e g ( x)+ e g ( x)
1
2 ( x )=
e g (x)
1+e g ( x)+ e g ( x)
2
g j x j 0 j1 x1 j 2 x 2 ... jp x p
, dengan
g j x
xp
jp
Metode yang digunakan untuk mengestimasi parameter model regresi logistik multinomial
adalah metode maksimum likelihood (maximum likelihood methods). Persamaan likelihood pada
regresi logistik multinomial merupakan persamaan nonlinear dalam parameter koefisien regresi
, sehingga untuk menyelesaikan persamaan tersebut sampai diperoleh nilai estimasi
parameternya digunakan algoritma Newton Raphson. Kemudian setelah diperoleh estimasi
parameter, dilakukan uji taraf nyata parameter menggunakan Uji rasio likelihood dan uji Wald.
Langkah-langkah dalam Analisis Regresi Logistik Multinomial:
1. Melakukan pengujian parameter secara simultan untuk mengetahui kecocokan model analisis
tersebut.
Pengujian parameter dengan uji likelihood ratio (uji simultan atau uji G).
Statistik uji G, yaitu uji yang digunakan untuk menguji peranan variabel independen dalam
model secara bersama-sama (Hosmer dan Lemeshow, 1989).
Pengujian hipotesis:
H0: 1 = = p = 0 (tidak ada pengaruh antara sekumpulan variabel independen dengan
variabel dependen)
H1: minimal ada satu j 0 (minimal ada satu variabel independen yang berpengaruh terhadap
variabel dependen)
Dengan uji statistik :
l0
lk
2
2
Tolak H0 jika G > ,df atau p-value
[]
2
G =2 ln
dimana:
l0 adalah likelihood tanpa variabel bebas.
lk adalah likelihood dengan variabel bebas.
2. Melakukan pengujian parameter secara parsial untuk mengetahui variabel bebas yang paling
berpengaruh dalam model tersebut.
Pengujian variabel dilakukan satu per satu menggunakan statistik Uji Wald (Hosmer dan
Lemeshow, 1989). Uji ini dilakukan dengan membandingkan model terbaik yang dihasilkan
oleh uji simultan terhadap model tanpa variabel bebas di dalam model terbaik.
Pengujian Hipotesis:
H0: j = 0, artinya tidak ada pengaruh antara variabel independen ke-j terhadap variabel
dependen.
H1: j 0, artinya ada pengaruh variabel independen terhadap variabel dependen.
Statistik uji:
^
2
se
^
j
W =
j = 0, 1, 2, ... , p
2
Tolak H0 jika W > , df
dimana
atau p-value
^ j
adalah penduga dari j.
Tolak H0 jika
> ,df
atau p-value
2. Penjelasan Kasus
FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA
MEMILIH JENIS PERKULIAHAN DI UNIVERSITY OF CALIFORNIA
(UCLA)
Peneliti tertarik untuk membahas tentang faktor-faktor yang
mempengaruhi mahasiswa memilih Jenis Kelas Perkuliaham di University of
California (UCLA). Data yang digunakan merupakan data sekunder yang
bersumber dari website University of California (UCLA). Data kemudian
diolah menggunakan SPSS.
Variabel dependen:
Jenis perkuliahan, yang terdiri dari 3 kategori:
a. General
b. Academic
c. Vocational (kategori referensi)
Variabel independen:
a. Status sosial ekonomi (kategorik), tediri dari 3 kategori:
Low } diberi kode 0
Medium
High
diberi kode 1
b. Total score ujian (kontinu)
Dalam hal ini, metode yang digunakan adalah adalah regresi logistik
multinomial karena variabel dependen (jenis perkuliahan) berupa data
kualitatif kategorik dengan jumlah kategori lebih dari 2 kategori.
3. Data
Data di lampiran file spss.
4. Pengolahan Data (Langkah-langkah)
Langkah-langkah pengolahan data:
1. Buka aplikasi SPSS pada komputer. Pada penelitian ini, peneliti
menggunakan SPSS versi 21
2. Buka file data hsbdemo.sav , yang akan diolah pada komputer
category,
6. Pada pilihan button Statistics, beri tanda centang pada Case Processing
Summary,Pseudo R-Square, Step Summary,Model fitting information,
Classification table, Goodness of fit, Estimates, Likelihood ratio test dan
Covariate patterns defined by factors and covariates. Akan muncul kotak
dialog seperti pada gambar dibawah ini
type
program
of
ses_
Valid
Missing
Total
Subpopulation
general
academ
ic
vocation
.00
1.00
45
105
Marginal
Percentage
22.5%
52.5%
50
47
153
200
0
25.0%
23.5%
76.5%
100.0%
200
139a
Model
Intercept
Only
Final
Model Fitting
Criteria
-2 Log
Likelihood
349.602
290.231
59.371
Goodness-of-Fit
Chidf
Square
259.078
272
Pearso
n
Devian
ce
238.911
df
272
Sig.
.000
Sig.
.703
.927
Pseudo R-Square
Cox
and
.257
Snell
Nagelkerke
.295
McFadden
.145
Likelihood Ratio Tests
Effect
Model Fitting
Criteria
-2 Log
Likelihood of
Reduced
Model
290.231a
344.480
df
Sig.
Intercept
.000
0
.
Total_scor
54.249
2
.000
e
ses_
294.647
4.416
2
.110
The chi-square statistic is the difference in -2 log-likelihoods between the final model and a reduced model. The reduced model
is formed by omitting an effect from the final model. The null hypothesis is that all parameters of that effect are 0.
a. This reduced model is equivalent to the final model because omitting the effect does not increase the degrees of freedom.
type of programa
Std.
Error
Parameter Estimates
Wald
df
Sig.
Exp(
B)
1.651
11.615
5.6
27
.
.033
10.839
Total_score
10
general
8
1.0
.496
4.198
[ses_=.00]
16
[ses_=1.00]
0b
.
.
1.621
32.212
Intercept
9.1
99
.
.032
36.990
Total_score
19
academ
3
ic
.
.494
.950
[ses_=.00]
48
1
[ses_=1.00]
0b
.
.
a. The reference category is: vocation.
b. This parameter is set to zero because it is redundant.
.001
.001
1.114
1.045
1.187
.040
2.763
1.045
7.305
0
1
.
.000
.000
1.213
1.140
1.291
.330
1.618
.615
4.261
Intercept
Observed
general
academic
vocation
Overall
Percentage
Classification
Predicted
genera
academ
vocatio
l
ic
n
6
28
11
7
88
10
4
22
24
8.5%
69.0%
22.5%
Percent
Correct
13.3%
83.8%
48.0%
59.0%
5. Interpretasi
a. Uji Simultan
H0: Tidak ada variabel independen yang secara signifikan mempengaruhi
variabel dependen
H1: Minimal ada satu variabel independn yang secara signifikan
mempengaruhi variabel dependen
: 0,05
Statistik Uji: Likelihood Ratio Test
Model
Intercept Only
Final
59.371
.000
x hit 59,371
p-value = 0,000
Wilayah kritis: Tolak H0 jika p-value
Keputusan: Tolak H0 karena p-value (0,000) (0,05)
Kesimpulan: Dengan tingkat signifikansi 5% dapat disimpulkan bahwa
minimal ada satu variabel yang mempengaruhi mahasiswa dalam
pemilihan jenis kelas perkuliahan.
b. Uji Parsial
Likelihood Ratio Tests
Model Fitting
Likelihood Ratio Tests
Criteria
-2 Log Likelihood Chi-Square
df
Sig.
of Reduced
Model
Intercept
290.231a
.000
0
.
Total_score
344.480
54.249
2
.000
ses_
294.647
4.416
2
.110
The chi-square statistic is the difference in -2 log-likelihoods between the
final model and a reduced model. The reduced model is formed by
omitting an effect from the final model. The null hypothesis is that all
parameters of that effect are 0.
a. This reduced model is equivalent to the final model because omitting
the effect does not increase the degrees of freedom.
Effect
p-value = 0,110
p-value = 0,000
Wilayah Kritis: Tolak H0 jika p-value
Keputusan: Tolak H0 karena p-value (0,000) < (0,05)
Kesimpulan: Dengan tingkat signifikansi 5% dapat disimpulkan bahwa
rata-rata nilai ujian berpengaruh secara signifikan terhadap variabel
pemilihan jenis kelas perkuliahan.
c. Persamaan Regresi
type of programa
Std.
Error
Parameter Estimates
Wald
df
Sig.
Exp(B)
Intercept
-5.627 1.651
11.615
.001
Total_score
[ses_=.00]
[ses_=1.00]
Intercept
.108
.033 10.839
1.016
.496 4.198
0b
.
.
-9.199 1.621 32.212
1
1
0
1
.001
.040
.
.000
1.114
2.763
.
1.045
1.045
.
1.187
7.305
.
academi Total_score
.193
.032 36.990
1
c
[ses_=.00]
.481
.494
.950
1
[ses_=1.00]
0b
.
.
0
a. The reference category is: vocation.
b. This parameter is set to zero because it is redundant.
.000
.330
.
1.213
1.618
.
1.140
.615
.
1.291
4.261
.
general
Persamaan Regresi:
1) Logit 1 ( Program kelas pada kategori 1 = general dengan kategori 3 =
vocation )
g 1 ( x )=5,233+0,108 Total Score+1,016 ses
Interpretasi:
Total Score
Saat Total score bertambah satu satuan nilai, maka kecenderungan
memilih program kelas general naik sebesar 0,108 kali dibandingkan
memilih program kelas vocation dengan asumsi variabel lainnya
konstan.
Social Economic Status (SES)
Kecenderungan mahasiswa yang memiliki status sosial ekonomi
rendah untuk memilih program kelas general daripada program kelas
vocation naik sebesar 1,016 kali dibandingkan yang memiliki status
sosial ekonomi tinggi dengan asumsi variabel lainnya konstan.
Interpretasi:
Total Score
Saat Total score bertambah satu satuan nilai, maka kecenderungan
memilih program kelas academic naik sebesar 0,193 kali dibandingkan
memilih program kelas vocation dengan asumsi variabel lainya
konstan.
Social Economic Status (ses)
Kecenderungan mahasiswa yang memiliki status sosial ekonomi
rendah untuk memilih program kelas academic daripada program kelas
vocation naik sebesar 0.481 kali dibandingkan yang memiliki status
ekonomi tinggi dengan asumsi variabel lainnya konstan.
Pe
ars
on
De
via
nc
e
238.
911
27
2
Si
g.
.
70
3
.
92
7
.
25
7
.
29
5
.
14
5
Observed
ge
ne
ral
general
academic
vocation
Overall
Percentage
6
7
4
8.
5
%
Classification
Predicted
aca
vo
de
ca
mic
tio
n
28
11
88
10
22
24
69.
22
0%
.5
%
Percent
Correct
13.3%
83.8%
48.0%
59.0%