REGRESI BERGANDA

BINARY
(LOGISTIC
REGRESSION)
Regresi logit atau regresi logistic adalah model regresi yang
dipergunakan untuk mengukur pengaruh probabilitas atas
suatu peristiwa. Logaritma dari perbandingan suatu peristiwa
terjadi dengan tidak terjadi tersebut sebagai logit. Secara
umum persamaan regresi logit untuk satu variabel
independen dapat dijelaskan sebagai berikut :

p
Ln 0 1 X1
1 p
Persamaan regresi logit untuk lebih dari satu variabel
independen, dapat dijelaskan dalam persamaan berikut :
p
Ln 0 1 X 1 2 X 2 .......... Bn X n e
1 p

Keterangan:
ln[p/(1 p)} = Z = variabel dependen dengan skala nominal
0 = konstanta; i= koefisien regrasi; Xi = variabel independen;
Pengujian secara statistik untuk melihat pengaruh
simultan variabel independen terhadap variabel
dependen digunakan ChiSquare. Jika nilai Chi
Square signifikan (nilai Sig < 0,05), dapat diartikan
ada pengaruh simultan variabel independen
terhadap variabel dependennya, sedangkan untuk
menguji secara parsial dilakukan dengan
membandingkan antara nilai Wald Statistic dengan
nilai kritisnya.
Jika nilai Wald Statisticnya lebih besar, dapat
diartikan ada pengaruh secara parsial. Atau dapat
juga dilihat berdasarkan nilai alpha yang ditentukan
oleh peneliti dengan nilai signifikansinya. Jika nilai
alpha lebih besar dari pada nilai signifikansinya, ada
pengaruh.
 Tujuan Logistic Regression
Logistic Regression bertujuan untuk memprediksi besar variabel
dependen yang berupa variabel binary dengan menggunakan data
variabel independen yang sudah diketahui besarnya.
Variabel binary adalah suatu variabel yang menggunakan data
nominal.
Contoh:
1 = pria
2 = wanita
 Contoh Kasus:
Manajer PT. ANTIKKN ingin mengetahui faktor-faktor apakah yang
memengaruhi konsumen dalam menentukan spesifikasi pembelian.
Untuk menjawab pertanyaan di atas, manajer melakukan kajian pustaka
dan berhasil mengidentifikasi faktor-faktor yang diduga berpengaruh
terhadap spesifikasi pembelian, antara lain, X1 s.d. X7.
Data hasil riset disimpan dalam file Hatco.
 Langkah-langkah
Buka file Hatco.
Dari menu utama SPSS, pilih menu Analyze, Regression, dan binary logistic.
Pada isian Dependent, pilih variabel X11 .
Covariate, masukkan variabel-variabel X1 s.d. X7.
Option, aktifkan pilihan Homer-Lemeshow goodness of fit dan Iteration
history.
Klik OK untuk menjalankan SPSS.
 Output SPSS
Analysis:
1. Menilai kelayakan model regresi
Lihat output dari Hosmer dan Lemeshow.
Hipotesis:
H0: Tidak ada perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang
diamati.
H1: Ada perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.
 Dasar pembuatan keputusan
- Jika nilai. Sig > 0,05, H0 diterima
- Jika nilai. Sig < 0,05, H0 ditolak
Keputusan:
Hasil uji Hosmer-lemeshow diperoleh nilai Sig 0,976. Karena nilai Sig >
0,05, H0 diterima. Artinya, model regresi binary layak dipakai untuk analisis
selanjutnya karena tidak ada perbedaan antara klasifikasi yang diprediksi
dengan klasifikasi yang diamati.
 2. Menilai Keseluruhan Model (overall model fit)

Pengujian dilakukan dengan membandingkan nilai antara -2

Log Likelihood pada awal (Block Number=0) dengan nilai -2
Log Likelihood pada akhir (Block Number=1) .

-2 log Likelihood
Awal (Block Number = 0) Akhir (Block Number = 1)
134,602 24,759
Terdapat penurunan nilai likelihood. Artinya, model yang
dihipotesiskan fit dengan data.
 3. Menguji Kemampuan Prediksi Model
Kemampuan prediksi model regresi dinilai dengan menggunakan
nilai chi-square goodness-of-fit dalam Tabel Omnibus Test Of Model
Coefficients.
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 109.844 7 .000
Block 109.844 7 .000
Model 109.844 7 .000

Nilai chi-square 109,844 dengan Sig. 0,000.

Karena Sig. < 0,05, berarti variabel independen yang dimasukkan
dalam model akan menambah kemampuan prediksi model regresi
logistik.
 4. Koefisien Determinasi
Koefisien determinasi ditunjukkan dengan koefisien Cox&Snell
R2 dan Negelkerke R2.
Koefisien berkisar antara 0 dan 1. Semakin mendekati 1
semakin besar kemampuan variabel independen dalam
menjelaskan variabilitas variabel dependen.
Model Summary
Cox & Snell R Nagelkerke R
Step -2 Log likelihood Square Square
1 24.759 a .667 .901
a. Estimation terminated at iteration number 9 because parameter estimates
changed by less than ,001.
5. Menguji koefisien regresi
Untuk menentukan signifikansi konstanta dan setiap variabel
independen, dilakukan uji t.
Hasil uji t dapat dilihat dalam tabel Variable in the Equation.
Hipotesis:
H0: Koefisien regresi tidak signifikan
H1: Koefisien regresi signifikan
Keputusan:
Jika nilai Sig. > 0,05, H0 diterima
Jika nilai Sig. < 0,05, H1 ditolak
 Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 1a x1 -1.164 5.055 .053 1 .818 .312
x2 -1.571 5.007 .098 1 .754 .208
x3 2.231 .874 6.522 1 .011 9.310
x4 -2.100 1.758 1.427 1 .232 .122
x5 5.141 10.425 .243 1 .622 170.887
x6 5.086 2.981 2.911 1 .088 161.805
x7 -3.349 1.079 9.630 1 .002 .035
Constant -1.552 5.313 .085 1 .770 .212
a. Variable(s) entered on step 1: x1, x2, x3, x4, x5, x6, x7.
 Dari tabel tersebut terlihat variabel X3 (price flexibility) dan X7
(product quality) yang berpengaruh terhadap X11 (specification
buying), sedangkan variabel lain tidak.
3. Penafsiran hasil
Cara penafsiran koefisien regresi logistik adalah dengan
pendekatan probabilitas.
Angka (-), dianggap probabilitas 0.
Angka (+) >1, dianggap probabilitas 1.
Angka (+) di antara 0 s.d. 1 probabilitas sesuai dengan angka masing-
masing.
 Contoh:
Koefisien X3 sebesar 2,231 menunjukkan bahwa setiap
perubahan 1 unit dalam X3, probabilitas konsumen melakukan
specification buying bertambah 100%.
Sebaliknya, Koefisien X7 sebesar -3,35 menunjukkan bahwa
setiap perubahan 1 unit dalam X7, probabilitas konsumen
melakukan specification buying berkurang 100%.
Tingkat Akurasi Prediksi
Classification Tablea
Observed
Predicted
Specification buying
use of employs
specification total value Percentage
buying analysis Correct
Step 1 Specification use of specification 38 2 95,0
buying buying
employs total value
analysis 2 58 96,7
Overall Percentage 96,0
a. The cut value is ,500