SKRIPSI
Oleh
Anis Septiana Sari
NIM. 08305141039
Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Yogyakarta ABSTRAK
Untuk Memenuhi Sebagian Persyaratan
Penelitian ini bertujuan untuk mendeskripsikan analisis regresi logistik dua
Guna Mamperoleh Gelar Sarjana Sains level pada data ordinal dan aplikasinya. Analisis regresi logistik ordinal dua level
digunakan pada data berhirarki untuk mengetahui hubungan antara variabel tak
bebas berskala ordinal dengan variabel-variabel bebasnya. Pada saat variabel tak
bebas berskala ordinal, maka model multilevel linier tidak dapat digunakan. Oleh
karena itu digunakan pendekatan model logit.
Penelitian ini menggunakan metode Maksimum Likelihood untuk
mengestimasi parameter pada analisis regresi logistik ordinal dua level. Parameter
diestimasi dengan memaksimumkan fungsi turunan pertama. Analisis ini
menggunakan software HLM (Hierarchical Linear and Nonlinear Modeling)
dalam mengestimasi parameter.
vi
BAB I analisis regresi logistik dapat berupa data kategori atau data interval. Data
PENDAHULUAN
kategorik pada analisis regresi logistik terbagi atas data dikotomi atau data
ordinal. Data dikotomi yaitu apabila terdiri dari dua kemungkinan yaitu ya dan
A. Latar Belakang
tidak, sukses atau gagal, 1 atau 0, dan lain sebagainya. Data ordinal yaitu data
Suatu penelitian seringkali meneliti hubungan antara beberapa variabel bebas
berskala yang memiliki beberapa tingkatan. Oleh karena itu analisis regresi
terhadap variabel tak bebas. Salah satu analisis yang digunakan untuk mengetahui
logistik dapat dikelompokkan menjadi analisis regresi biner dan analisis logistik
hubungan ini dengan analisis regresi. Analisis regresi terbagi menjadi dua yaitu
ordinal. Analisis biner ditujukan untuk data dikotomi sedangkan analisis regresi
analisis regresi linier dan analisis regresi non linier. Analisis regresi linier
ordinal ditujukan untuk data yang berskala ordinal.
digunakan apabila terdapat hubungan linier antara variabel bebas dengan variabel
Model regresi logistik dapat ditransformasikan menjadi model khusus yaitu
tak bebasnya. Hubungan linier dapat dijelaskan melalui plot antara variabel bebas
model regresi linier tergeneralisasi. Model ini mempunyai tiga komponen yaitu a
dengan variabel tak bebas. Apabila letak titik-titik objek dalam diagram pencar
random component, a systematic component dan link component. Random
XY (X sebagai variabel bebas dan Y sebagai variabel tak bebas) berada di sekitar
component ditujukan pada variabel tak bebas. Variabel tak bebas pada regresi
garis lurus, maka bisa diduga merupakan regresi linier. Jika letak titik-titik itu
linier merupakan variabel kontinu dan diasumsikan berdistribusi normal
tidak di sekitar garis lurus, bisa lengkung, menyebar atau lainnya maka dapat
sedangkan pada regresi logistik berupa data ordinal atau dikotomi dan
diduga merupakan regresi nonlinier.
diasumsikan berdistribusi binomial. The systematic component ditujukan untuk
Di kehidupan nyata, seringkali dalam suatu penelitian tidak terdapat hubungan
variabel tak bebas dan komponen yang membangun variabel tersebut.
linier antara variabel bebas dengan variabel tak bebas. Sehingga analisis regresi
Penelitian seringkali terkonsentrasi tentang bagaimana mengetahui hubungan
linier tidak dapat digunakan. Ada beberapa alternatif yang dapat digunakan untuk
antara individu dengan lingkungan ataupun kelompok. Individu mempunyai
menganalisis hubungan antara variabel bebas dengan variabel tak bebas yaitu
korelasi dengan lingkungan ataupun kelompoknya. Begitu pula sebaliknya,
menggunakan analisi regresi logistik, analisis regresi eksponensial, analisis regresi
lingkungan ataupun kelompok mempunyai hubungan dengan individu yang
poisson, analisis regresi kuadratik dan lainnya.
berada di dalamnya. Secara umum, individu dan lingkungan ataupun kelompok
Salah satu alternatif yang mendekati dengan kehidupan nyata yaitu analisis
merupakan sistem hirarki, dimana individu berada pada level satu sedangkan
regresi logistik. Analisis regresi logistik dapat digunakan apabila variabel bebas
dan variabel tak bebas tidak memiliki hubungan linier. Variabel tak bebas pada
1
3 4
lingkungan atau kelompok berada di level dua. Penelitian semacam ini disebut variabel-variabel sekolah. Variabel siswa sebagai level satu sedangkan variabel
analisis regresi multilevel (Hox, 2010:1). sekolah sebagai level dua. Pada kasus ini terdapat dua tingkatan level yang
Model multilevel dapat digunakan untuk menganalisis data berstruktur hierarki. berbeda yaitu level satu dan level dua. Berdasarkan hal tersebut analisis regresi
Misalnya pada ilmu kesehatan, dilakukan penelitian mengenai faktor-faktor yang yang digunakan dalam kasus ini yaitu analisis regresi dua level.
mempengaruhi kesembuhan pasien setelah menjalani operasi. Pada penelitian Salah satu kejadian khusus dari analisis regresi dua level yaitu analisis regresi
tersebut, pasien-pasien (sebagai unit-unit yang diteliti) dipilih secara acak dari tiap logistik dua level. Analisis regresi logistik dua level digunakan apabila data
rumah sakit yang dipilih secara acak. Variabel-variabel pasien berada pada level satu berstruktur hirarki dua level dan variabel tak bebas berupa data kategorik. Jika
sedangkan variabel-variabel rumah sakit berada pada level dua. Contoh pada bidang
data kategorik berupa data ordinal maka regresi logistik yang digunakan yaitu
pendidikan, penelitian dilakukan untuk mengetahui faktor-faktor yang mempengaruhi
regresi logistik ordinal dua level.
nilai UAN murid Sekolah Dasar di Yogyakarta. Sekolah dipilih secara acak dari
Terdapat beberapa penelitian tentang pengaruh SES, kepemilikan
masing-masing sekolah di Yogyakarta, kemudian dari masing-masing sekolah dipilih
laboratorium, kepemilikan buku terhadap prestasi. Penelitian yang dilakukan oleh
siswa-siswa secara acak. Variabel-variabel murid berada pada level satu sedangkan
Sheldon Rothman, yang meneliti tentang pengaruh perubahan SES terhadap
variabel-variabel sekolah berada pada level dua.
prestasi siswa. Penelitan lainnya dilakukan oleh Jennifer Barry tahun 2005 yang
Pada data hirarki, sebenarnya terdapat efek dari setiap kelompok terhadap unit-
menjelaskan tentang pengaruh Kondisi SES terhadap prestasi akademik.
unit yang terdapat dibawahnya. Oleh karena itu analisis regresi biasa kurang tepat jika
Penelitian juga dilakukan oleh Mehmet A. Ozturk tentang pengaruh status sosial
digunakan pada data berhirarki. Dalam kasus ini analisis regresi multilevel dapat
ekonomi, Ras, Jenis Kelamin, terhadap Prestasi Siswa.
digunakan untuk mengetahui efek dari setiap kelompok terhadap unit-unit yang
Dalam skripsi ini dikaji analisis regresi logistik ordinal dua level dan
terdapat dibawahnya.
aplikasinya. Aplikasi dari analisis regresi logistik ordinal dua level membahas
Salah satu kejadian sederhana dari analisis regresi multilevel yaitu analisis
tentang pengaruh variabel-variabel Sekolah Dasar dan variabel-variabel tingkat
regresi dua level. Sebagai contoh, penelitian tentang pengaruh variabel-variabel
kecamatan terhadap nilai rata-rata Ilmu Pengetahuan Alam tiap sekolah. Populasi
siswa dan variabel-variabel sekolah. Variabel-variabel siswa misalnya tingkat
dalam kajian ini adalah sekolah-sekolah yang ada di Kota Yogyakarta pada tahun
kecerdasan siswa, jenis kelamin dan suku. Variabel-variabel sekolah misalnya
ajaran 2010/2011. Variabel-variabel sekolah berada pada level yang paling rendah
status sekolah, golongan sekolah dan lainnya. Kelompok sekolah terdiri dari
sehingga dapat dikategorikan variabel-variabel sekolah berada pada level satu.
siswa-siswa. Hal ini menunjukkan variabel-variabel siswa tersarang pada
5 6
Variabel ini terdiri dari kepemilikan laboratorium dan rasio kepemilikan buku 2. Bagaimana pengaruh faktor-faktor sekolah (level satu) dan faktor-faktor
pegangan siswa mata pelajaran Ilmu Pengetahuan Alam. Variabel-variabel kecamatan (level dua) terhadap nilai rata-rata ujian IPA tiap sekolah di Kota
kecamatan berada pada level dua. Variabel ini terdiri dari variabel Mean SES Yogyakarta pada tahun ajaran 2010/2011?
dari SES tiap sekolah pada satu kecamatan yang sama. SES (Sosioeconomic C. Tujuan Penelitian
Status) dipengaruhi oleh beberapa faktor yaitu kondisi ruang kelas, kepemilikan 1. Mendeskripsikan analisis regresi logistik 2-level pada data ordinal
fasilita-fasilitas sekolah, pendapatan sekolah dan lain sebagainya. Variabel- menggunakan metode Maksimum Likelihood.
variabel Sekolah Dasar tersarang pada variabel kecamatan. 2. Mengetahui pengaruh pengaruh faktor-faktor sekolah (level satu) dan faktor-
Berdasarkan pemaparan di atas perlu adanya analisis tentang pengaruh faktor kecamatan (level dua) terhadap nilai rata-rata ujian IPA tiap Sekolah
variabel-variabel Sekolah Dasar dan variabel-variabel tingkat kecamatan terhadap Dasar di Kota Yogyakarta pada tahun ajaran 2010/2011.
nilai rata-rata Ilmu Pengetahuan Alam tiap sekolah. Analisis yang dapat
digunakan yaitu analisis regresi logistik ordinal dua level karena variabel tak D. Manfaat Penelitian
Analisis regresi logistik ordinal dua level mempunyai beberapa metode yang Manfaat yang diharapkan dalam penelitian ini untuk memperdalam
dapat digunakan untuk mengestimasi parameter. Metode-metode tersebut yaitu pengetahuan penulis tentang analisis regresi logistik ordinal dua level dan
Marginal Quasi Likelihood (MQE), dan Peralized Quasi Likelihood (PQL). Dalam 2. Bagi Pembaca
skripsi ini dikaji analisis regresi logistik ordinal 2-level menggunakan metode Manfaat yang diharapkan dalam penelitian ini untuk mempermudah pembaca
Maksimum Likelihood. Metode Maksimum Likelihood digunakan karena merupakan memahami analisis regresi logistik ordinal dua level dan aplikasinya
BAB II memberikan petunjuk bahwa jarak antara setiap dua angka itu sama. Contoh,
KAJIAN PUSTAKA
angka 1 untuk mewakili mahasiswa tahun pertama, 2 untuk tahun kedua, 3
untuk tahun ketiga, dan 4 untuk mahasiswa senior (S.S Steven, 1976).
A. Skala Pengukuran
3. Skala interval
Pengukuran merupakan aturan-aturan pemberian angka untuk berbagai objek
Skala interval adalah skala suatu variabel yang selain membedakan dan
sedemikian rupa sehingga angka ini mewakili kualitas atribut. Terdapat empat
mempunyai tingkatan, juga diasumsikan mempunyai jarak yang pasti antara
jenis skala yang dapat digunakan untuk mengukur atribut, yaitu: skala nominal,
satu kategori dengan kategori yang lain dalam satu variabel. Contoh, nilai
skala ordinal, skala interval, dan skala ratio (John Hendri, 2009:1).
prestasi yang telah ditransfer dalam bentuk huruf A, B, C, D, E. Selanjutnya
1. Skala nominal
diberi bobot masing-masing 4, 3, 2, 1, dan 0. Sehingga interval A dan B sama
Merupakan salah satu jenis pengukuran dimana angka dikenakan untuk
dengan interval D dan E, juga interval A dan C sama dengan antara C dan E
objek atau kelas objek untuk tujuan identifikasi. Nomor absen siswa, nomor
(S.S Steven, 1976).
punggung pemain sepakbola, loker, dan lain-lain adalah suatu skala nominal.
4. Skala ratio
Demikian juga, jika dalam suatu penelitian tertentu pria diberikan kode 1 dan
Skala rasio adalah skala suatu variabel yang selain membedakan dan
wanita mendapat kode 2, untuk mengetahui jenis kelamin seseorang adalah
mempunyai tingkatan serta jarak antara suatu nilai dengan nilai yang lainnya,
melihat apakah orang ini berkode 1 atau 2. Angka-angka tersebut tidak
juga diasumsikan bahwa setiap nilai variabel diukur dari suatu keadaan atau
mewakili hal lain kecuali jenis kelamin seseorang. Wanita, meskipun
titik yang sama (mempunyai titik nol mutlak). Angka-angka pada skala
mendapat angka yang lebih tinggi, tidak berarti lebih baik dibanding pria,
menunjukkan besaran sesungguhnya dari sifat yang diukur. Contoh, berat
atau lebih banyak dari pria (John Hendri, 2009:1).
benda A adalah 30 kg dan berat benda B adalah 60 kg (S.S Steven, 1976).
2. Skala ordinal
9 10
1987). Ukuran matriks dijelaskan dengan menyatakan banyaknya baris (garis 4. Determinan Matriks
horizontal) dan banyaknya kolom (garis vertikal) yang terdapat pada matriks Menurut Johnson R.A dan Wichren D.W (2007: 93) determinan matriks
tersebut. Jika A adalah sebuah matriks, maka kita menggunakan aij untuk persegi Anxn = dinotasikan |A|, dengan skalar
menyatakan entri yang terdapat didalam baris i dan kolom j dari A. Matriks a. |A| = , jika n = 1 (2.6)
dengan banyaknya baris m dan banyaknya kolom n umumnya dituliskan sebagai b. (2.7)
berikut:
dengan matriks (n-1) x (n-1) dengan menghapus baris pertama dan kolom
ke-j.
(2.1)
Matriks A disebut matriks persegi apabila mempunyai jumlah baris dan Diberikan matriks Anxn , kofaktor dari matriks A dinotasikan Cij didefinisikan
jumlah kolom yang sama ( m = n ) (Howard Anton, 1987). sebagai (Howard Anton, 1987).
Jika A adalah sebarang matriks m x n, maka transpos A dinyatakan oleh dan Matriks adjoint dari A dinotasikan Adj (A), didefinisikan sebagai tranpos dari
didefinisikan dengan matriks n x m yang kolom pertamanya adalah baris pertama matriks kofaktor dari A (Howard Anton, 1987).
dari A, kolom keduanya adalah baris kedua dari A, demikian juga dengan kolom
ketiga dan seterusnya ( Howard Anton, 1987). Sifat-sifat dari tranpos matriks 7. Invers Matriks
sebagai berikut : Jika Anxn adalah matriks persegi, dan jika kita dapat mencari matriks Bnxn
c. dimana adalah sebarang skalar (2.4) Sifat-sifat invers matriks adalah sebagai berikut:
d. (2.5) a. (2.8)
b. (2.9)
11 12
c. (2.10) melalui nilai VIF. Jika nilai VIF<10 maka tidak terjadi multikolineritas. (Adriyan,
2010)
C. Regresi Logistik
Persamaan regresi logistik mempunyai fungsi untuk menentukan pengaruh D. Metode Maksimum Likelihood
beberapa variabel bebas yang secara bersamaan memprediksikan variabel tak Definisi :
bebas. Regresi logistik dapat digunakan untuk memodelkan hubungan antara dua Diberikan L adalah fungsi densitas peluang bersama dari (X1, X2 ,X3 , ..., Xn),
kategori atau lebih dari variabel tak bebas dan dua atau lebih variabel bebas. yang tergantung pada parameter , yaitu L( ) = f (x1, x2, ... ,xn ; ). Nilai
Estimasi model regresi logistik untuk masing-masing variabel bebas memberikan dari yang menghasilkan nilai maksimum untuk L( ) disebut estimasi maksimum
hasil estimasi variabel untuk setiap variabel bebas terhadap variabel tak bebas likelihood untuk , dan dinyatakan dengan simbol . Jadi
dengan mengikut sertakan variabel bebas lainnya pada permodelan tersebut (Cath (Bain & Engelhard, 1991:294).
Roberts, Rachel Dolman, Anne Kingdon, 2007). Apabila adalah interval terbuka, jika L( ) diferensiabel dan mencapai nilai
Perbedaan antara analisis regresi berganda dengan analisis logistik yaitu: maksimum di suatu nilai dalam , maka MLE merupakan solusi dari persamaan
13 14
bebasnya dapat berupa data kontinu atau variabel berskala kategorik Metode pendugaan parameter yang dapat digunakan pada regresi logistik
(Agresi,1990). Jika diasumsikan terdapat variabel dependen Y yang berskala ordinal diantaranya adalah dengan metode maksimum likelihood. Metode ini
ordinal dengan J kategori adalah vektor variabel bebas, dapat dilakukan jika antara amatan yang satu dengan yang lain diasumsikan saling
adalah vektor paremeter intersep (slope) maka peluang dari bebas. Metode maximum likelihood estimation ( MLE) dipilih karena mempunyai
variabel tak bebas kategori ke-j pada p variabel bebas yang dinyatakan dalam beberapa kelebihan dibandingkan dengan metode lain, diantaranya dapat
vektor X tertentu dapat dinyatakan dengan dimana digunakan untuk model tidak linier seperti regresi logistik, serta hasil
penaksirannya unbiased.
dan peluang komulatifnya adalah
Peluang kumulatif digunakan untuk menduga parameter, maka likelihood
(Hosmer&Lemeshow, 2000:290):
dapat ditulis sebagai perkalian J-1 kategori, sehingga Fungsi kumulatif peluang
(2.12)
bersama dari adalah sama dengan perkalian n fungsi
(2.13)
multinomial. Fungsi likelihoodnya dapat dinyatakan sebagai (Hosmer&
(2.14) Lemeshow 2000:8).
(2.15)
Dengan
(2.16)
Selanjutnya dicari ln dari fungsi likelihood yaitu sebagai berikut:
(2.21)
(2.17)
Dimana -
(2.19)
(2.30)
(2.24)
Dimana
Maka fungsi log likelihood menjadi:
(2.25)
Konvergensi menuju untuk mudah dilakukan menggunakan metode
Dari fungsi log likelihood ini didapatkan turunan log terhadap
Newton-Rapson.
dan
Pada analisis regresi ordinal terdapat lima pilihan transformasi seperti
(2.26)
tercantum pada tabel 1. Penggunaannya berdasarkan sebaran data yang dianalisis.
(2.27) Logit, probit dan chauchit digunakan untuk sebagian besar sebaran data,
bernilai tinggi, negative log-log digunakan untuk data yang mempunyai nilai yang
(2.29)
17 18
Analisis regresi ordinal yang telah dijelaskan sebelumnya adalah analisis Yij : variabel respon dari individu ke- i dalam kelompok ke-j
regresi ordinal dengan fungsi transformasi atau sering disebut regresi logistik oj : intersep pada kelompok ke-j
Tabel 1. Tabel Transformasi Xij : variabel prediktor dari individu ke-i dalam kelompok ke-j
Fungsi Hubung Bentuk Fungsi
: error individu ke-i dalam kelompok ke-j dan berdistribusi
Logit
Pada persamaan (2.31) koefisien regresi dan memiliki indeks j untuk
Complementary log-log
kelompok pada level dua, yang mengidentifikasikan bahwa koefisien regresi pada
Negative log-log
level dua dapat memiliki dua nilai yang berbeda. Jika terdapat satu peubah
Probit
Chauchit Tan(phi( penjelas pada level dua, maka keragaman koefisien regresi tersebut dapat
(2.32)
F. Regresi Multilevel
(2.33)
Pemodelan multilevel merupakan suatu teknik statistika yang digunakan untuk
Dengan adalah peubah penjelas pada level kedua, dan adalah galat
menganalisis data dengan struktur hirarki. Pada model multilevel variabel
pada level kedua. Diasumsikan dan serta ,
dependen diukur pada level kesatu, sedangkan variabel independen dapat
dan saling bebas (Hox 2002)
didefinisikan pada setiap level. Bentuk sederhana dari model regresi multilevel
Terdapat dua model logistik multilevel yang dapat digunakan untuk data
adalah regresi dua level. Secara matematis regresi dua level dengan satu peubah
kategori. Model tersebut yaitu model regresi logistik multilevel biner dan model
bebas pada level kesatu dapat ditulis sebagai berikut (Hox, 2002):
regresi logistik ordinal. Model regresi logistik multilevel biner untuk respon biner
(2.31)
(berupa data dikotomi) dan model regresi logistik ordinal multilevel untuk respon
; dengan j = 1,2,...,m dan i =1,2,...,
ordinal.
Dengan
G Faktor-F
G. Faktor Seko
olah yang Mempengar
M ruhi Prestasi sekolah. Input sekolah mencakup input fisik yaitu kondisi bangunan, kondisi
siswa lebih terdiri dari sarana fisikk, mutu guruu, manajemeen sekolah, dan waktu ketersedian dan kualitas guru dan tenaga administrasi.
b
belajar sisw
wa. Faktor peranan
p gurru merupakaan faktor yang
y paling signifikan Input dari bukan sekolah sangat beragam, namun pada umumnya terdiri dari
d
ditengah-ten
ngah keterbaatasan saranaa dan prasaraana. Sebuah studi terhad
dap peranan karakteristik murid, karakteristik keluarga dan karakteristik lingkungan
p
pendidikan yang dilak
kukan di 16
1 negara berkembangg menunjukkkan mutu masyarakat. karakteristik murid biasanya diukur dengan jenis kelamin, ras, dan
p
pendidikan bergantung pada faktorr-faktor yanng berkontriibusi terhadaap prestasi kemampuan mula-mula murid. Karakteristik keluarga cenderung diwakili oleh
b
belajar siswaa (Dedi S, Widoyoko,
W 20008:1). tingkat status sosial ekonomi orang tua yang diukur dengan penghasilan keluarga,
tingkat pendidikan ayah dan ibu, jumlah anggota keluarga, jumlah buku di rumah,
Diagram Pie Kontributor Prestassi di
16 Negara Berkembang kepemilikan fasilitas dan lain-lain.
18%
26%
sarana fisik Beberapa hal yang berkenaan dengan apakah pendidikan bermutu atau tidak
22% mutu guru
34% bermutu, tentu banyak faktor yang yang terlibat, mulai input pendidikan yang
manajemen
waktu belaja r dikelompokkan menjadi siswa, Instrumental input (guru, kurikulum, sarana
pendidikan/media pembelajaran, buku teks dan buku pelajaran, dsb). Hal yang tidak
G
Gambar 1. Diagram Pie Kontributor
K Prrestasi di 16 Negara
N Berk
kembang
dapat diabaikan adalah sarana/prasarana, buku teks, buku pelajaran, dan media
Gambar 1 menunjuk
kan bahwa kontributor
k y
yang terbesaar dalam preestasi yaitu
pembelajaran, karena hal ini akan memberikan sumbangan yang sangat signifikan
f
faktor mutu
u guru ataau pengajar sebesar 34%. Faktorr-faktor yanng lainnya
terhadap peningkatan mutu pendidikan.
m
memberikan
n kontribusi yang lebih rendah terhhadap prestaasi. Faktor sarana
s fisik
Dalam skripsi ini akan membahas tentang pengaruh beberapa fasilitas yang
m
memberikan
n kontribusi sebesar 266% terhadapp prestasi. Faktor
F manaj
ajemen dan
dimiliki sekolah yaitu pengaruh kepemilikan laboratorium dan rasio kepemilikan
w
waktu belajjar hanya memberikan
m n kontribusii masing-m
masing 22% dan 18%
buku IPA terhadap nilai rata-rata ujian IPA tiap Sekolah dasar di Kota
t
terhadap preestasi.
Yogyakarta.
Menurutt Windham (1990)
( masuukan (input) pendidikan adalah sumbber-sumber
Keadaan sosial ekonomi setiap orang itu berbeda-beda dan bertingkat, ada
y
yang digunaakan dalam
m aktifitas pproduksi penndidikan. Windham
W meembedakan
yang keadaan sosial ekonominya tinggi, sedang, dan rendah. Sosial ekonomi
i
input yang disediakan oleh sekollah dengan input yangg ditentukann dari luar
menurut Abdulsyani (1994) adalah kedudukan atau posisi sesorang dalam
21
kelompok manusia yang ditentukan oleh jenis aktivitas ekonomi, pendapatan, Daftar Pustaka
tingkat pendidikan, jenis rumah tinggal, dan jabatan dalam organisasi. Menurut
Anton, Howard. (1987). Aljabar Linier Elementer. (Alih bahasa: Pantur Silaban).
Soerjono Soekanto (2001) sosial ekonomi adalah posisi seseorang dalam Jakarta: Erlangga.
masyarakat berkaitan dengan orang lain dalam arti lingkungan pergaulan, Bain, Lee J & Engelhardt. (1991). Introduction To Probability and Mathematical
Statistics. Australia: Duxbury.
prestasinya, dan hak-hak serta kewajibannya dalam hubungannya dengan sumber
Chaimongkol, Saengla. (2005). Modeling Differential Item Functioning (DIF)
daya. Menurut Smith (2011) SES (Socioeconomic Status) adalah ukuran setiap Using Multilevel Logistic Regression Models: A Bayesian Perspective.
University of Florida. Electronic Theses, Treatises and Dissertations
individu terhadap dalam suatu lingkungan (kelompok) berdasarkan sumber daya (ETDs). Paper 3939.
yang dimiliki dan kedudukan di kehidupan sosial . Lebih dari 70 tahun yang lalu Croux C. & Haesbroeck G. (2011). Robust estimation for ordinal regression.
Journal of Statistical Planning and Inference. Hlm. 1-34.
sudah ditemukan hubungan antara SES dengan intelektual/ kompetensi akademik.
Darnah. (2011). Regresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang
Menurut Mc Call (1981) membuktikan bahwa terdapat hubungan yang erat antara Mempengaruhi Perilaku Sexual Remaja. Jurnal Eksponensial Vol. 2 No
1. Hlm 48-52.
SES dengan intelektual/ kompetensi akademik.
Gibbons , Robert D & Hedeker, Donald. (1997). Random Effects Probit and
Pengukuran SES dapat dilakukan dengan member skor/nilai dari beberapa Logistic Regression Models for Three-Level Data. Journal of Biometrics
Vol 53 No 4. Hlm. 1527-1537.
faktor. Skor gabungan dari SES dapat diperoleh dengan menstandardisasi
Hedeker, Donald. (2007). Handbook of Multilevel Analysis. New York: Springer.
pendapatan dan pendidikan dan standar penilaian yang lainnya (Oakes, 2006).
Hendri, Jhon. Skala Pengukuran dan Teknik Penskalaan. Riset Pemasaran
Ukuran univariat yaitu pendapatan, kekayaan, pencapaian akademik/pendidikan, Universitas Gunadarma. Jakarta: Universitas Gunadarma.
kemiskinan, ukuran tingkatan level. Herman. (2011). Hubungan Kompetensi dengan Kinerja Guru Ekonomi SMA.
Jurnal Ekonomi Bisnis Th 16 No 1. Hlm. 17-24.
Berdasarkan beberapa pendapat di atas, dapat disimpulkan pengertian keadaan
Hosmer, David W. & Lemeshow, Stanley. (2000). Applied Logistic Regression.
sosial ekonomi dalam penelitian ini adalah ukuran Sekolah Dasar terhadap New York: Wiley.
lingkungan di tiap kecamatan berkaitan dengan tingkat pendidikan, akreditasi Hox, Joop J. (2010). Multilevel Analysis Techniques and Applications. 2nd. ed.
New York: Routledge.
sekolah dan tingkat pendapatan pemilikan kekayaan atau fasilitas.
Keating, Kim.A. & Cherry, Steve. (2004). Use and Interpretation of Logistic
Regression in Habitat-Selection Studies. Jurnal of Wildlife Management.
Hlm. 774-789.
49
50
Rani, A. (2012). Supervisi Kelas oleh Kepala Sekolah dan Iklim Sekolah terhadap
Kinerja Guru di SMK Negeri Ketapang. Journal of Research and
Educational Research Evaluation. Hlm. 1-7.
Widiarta, Ida B.P. & Wardana, I G. N. (2011). Analisis Pemilihan Moda dengan
Regresi Logistik pada Rencana Koridor Trayek Trans Sarbagita. Jurnal
Ilmiah Teknik Sipil (Vol. 15, No. 2, Juli 2011). Hlm 131-142.
Yang, Min. Review of HLM 5.04 for Windows. London: Institute of Education,
University of London.