Tujuan Menggunakan regresi Logistik

Pemahaman tujuan menggunakan regresi logistik sangat diperlukan sebelum anda menggunakannya
sebagai alat penelitian. Anda bisa mendalami dan membahas secara detil jika tujuan penggunaan regresi
logistik anda kuasai secara detil. Setelah saya membaca beberapa jurnal yang menggunakan regresi
logistik, saya menyimpulkan tujuan penggunaan regresi logistik secara umum ada tiga, yakni

Menghitung peluang

Persamaan yang diperoleh dari proses regresi logistik, dapat digunakan untuk menghitung peluang
responden diluar responden yang termasuk dalam penelitian. Contoh yang dapat dipahami adalah
proses pengajuan kredit. Pihak bank biasanya melakukan evaluasi kelayakan seseorang layak atau tidak
untuk menerima kredit pinjaman dari bank. Beberapa pertanyaan diberikan kepada pihak bank terhadap
calon penerima kredit. Pertanyaan yang diberikan seputar karakteristik variabel calon penerima modal
tersebut merupakan variabel independen yang akan diinput oleh petugas bank kedalam model. Dari
beberapa variabel yang dipertanyakan itulah, petugas bank dapat menentukan peluang calon penerima
kredit tersebut untuk bisa mengembalikan pinjaman atau tidak, nilai antara 0 – 1.

Tentunya model yang digunakan oleh petugas bank adalah model regresi logistik berdasarkan data-data
peminjam sebelumnya. Dalam model tersebut terdapat komponen bahwa biasanya peminjam yang
memiliki pendapatan dibawah sekian dengan pinjaman yang telah dimiliki sebelumnya sekian, ditambah
tanggungan kerja sekian, memiliki peluang untuk mengembalikan pinjaman sebesar sekian ( nilai 0 -1).

Melihat karakteristik

Tujuan kedua ini sering digunakan untuk melihat perbedaan karakteristik antara 2 kelompok. Salah
satunya adalah skripsi saya yang saya sebutkan diatas. Skripsi tersebut menggambarkan karakteristik
petani anorganik dan petani organik. Hasil kesimpulan bahwa peluang petani mampu beralih dari
anorganik ke organik adalah karena perbedaan harga produk hasil kedua proses tersebut. Petani organik
bersedia beralih dari anorganik ke organik meskipun produktivitas organik lebih kecil dibanding
anorganik. Namun, perbedaan harga yang tinggi menjadikan petani organik memiliki pendapatan yang
lebih tinggi dibandingkan petani anorganik.

Tujuan melihat karakteristik ini biasanya membahas nilai odds ratio di masing masing variabel
independen (nilai odds ratio adalah (exp(koefisien)) masing-masing variabel). Nilai odds ratio
menjelaskan peluang responden beralih ke organik (contoh kasus diatas). Penjelasan nilai odds ratio
berbeda dari nilai koefisien regresi pada umumnya. Bila koefisien regresi menjelaskan : “ jika variabel X
naik 1 satuan, maka nilai Y akan naik sebesar nilai koefisien satuan” maka exp(koefisien) atau odds ratio
pada regresi logistik menjelaskan : “ responden yang memiliki variabel x lebih tinggi, maka akan
berpeluang untuk memilih organik (contoh kasus diatas) sebesar “exp(nilai koefisien) atau biasa disebut
odds ratio” kali dibandingkan responden yang memiliki variabel x lebih rendah”. Iya, nilai exp(koefisien)
pada regresi logistik atau disebut sebagai odds ratio menjelaskan peluang, dan tidak menjelaskan
berapa yang dimaksud “lebih tinggi” dari variabel X tersebut.

Baca Juga Membaca Hasil Output Lindo Pada Linear Programming

Faktor Yang mempengaruhi

Tujuan ketiga ini merupakan pengembangan dari tujuan kedua, peneliti mampu mengetahui faktor yang
mempengaruhi mengapa terdapat perbedaan antara kedua kelompok tersebut. Nilai odds ratio yang
tinggi menandakan varaibel tersebut memiliki pengaruh yang tinggi terhadap pemilihan beda dari
responden. Tujuan untuk mengetahui faktor yang mempengaruhi ini adalah diharapkan faktor yang
signifikan mempengaruhi tersebut merupakan faktor yang bisa diatur oleh peneliti atau pengambil
kebijakan sehingga bisa menggiring responden lainnya untuk berbuat yang sama terhadap responden
yang bernilai 1 sebelumnya.

Contoh pada skripsi ini adalah bahwa harga merupakan faktor yang paling berpengaruh terhadap
preferensi petani memilih pertanian organik, maka pemerintah jika ingin mengembangkan pertanian
organik harus melakukan kebijakan yang tetap menstabilkan harga agar terus berada diatas harga
produk anorganik sehingga peminat petani organik akan sebakin banyak dan bisa terus berkembang.

https://agungbudisantoso.com/2017/04/06/pengertian-tutorial-dan-interpretasi-regresi-logistik-
dengan-spss/

Regresi Logistik

Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi seperti halnya regresi linear
atau yang biasa disebut dengan istilah Ordinary Least Squares (OLS) regression. Perbedaannya adalah
pada regresi logistik, peneliti memprediksi variabel terikat yang berskala dikotomi. Skala dikotomi yang
dimaksud adalah skala data nominal dengan dua kategori, misalnya: Ya dan Tidak, Baik dan Buruk atau
Tinggi dan Rendah.

Apabila pada OLS mewajibkan syarat atau asumsi bahwa error varians (residual) terdistribusi secara
normal. Sebaliknya, pada regresi ini tidak dibutuhkan asumsi tersebut sebab pada regresi jenis logistik
ini mengikuti distribusi logistik.

Asumsi Regresi Logistik

Asumsi Regresi Logistik antara lain:

Regresi logistik tidak membutuhkan hubungan linier antara variabel independen dengan variabel
dependen.

Variabel independen tidak memerlukan asumsi multivariate normality.

Asumsi homokedastisitas tidak diperlukan

Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval atau skala ratio).

Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah atau baik dan buruk)

Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel

Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat eksklusif

Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data untuk
sebuah variabel prediktor (independen).

Dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk
memprediksi odds ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas.

https://www.statistikian.com/2015/02/regresi-logistik.html

Ali Rokhman Program MAP Unsoed

2010

Regresi Logistik

Teknik statistik ini digunakan untuk mengetahui pengaruh satu variable independen atau lebih (X)
terhadap satu variable dependen (Y), dengan syarat:

1. Variabel dependent harus merupakan variable dummy yang hanya punya dua alternatif. Misalnya
Puas atau tidak puas, dimana jika responden menjawab puas maka kita beri skor 1 dan jika menjawab
tidak puas kita beri skor 0.

2. Variabel independent mempunyai skala data interval atau rasio.