REGRESI DENGAN VARIABEL TERIKAT DATA KUALITATIF

Pengantar

Sebelumnya telah dibahas mengenai aplikasi data kualitatif sebagai variable bebas yang
disebut variabel dummy. Pada kenyataannya banyak sekali kasus data kualitatif yang dapat
diterapkan pada variable terikat. Misalnya dikotomi kemampuan keluarga untuk memiliki sebuah
rumah dikota yang mungkin dipengaruhi tingkat pendapatan keluarga, jumlah anggota keluarga.
Seorang peneliti kesehatan tertarik untuk mengetahui bagaimana probabilitas suatu serangan
jantung dapat diperkirakan apabila diketahui pasien yang mengidap tekanan jantung, tingkat
kolesterol, kalori yang dikonsumsi dan gaya hidup.

Bidang pemasaran dari Telkom tertarik untuk mengetahui kemungkinan suatu rumah
tangga akan berlangganan suatu jaringan telepon apabila diketahui tingkat pendapatan perkapita,
tingkat Pendidikan, pekerjaan, status perkawinan, dan jumlah anak. Seorang auditor tertarik untuk
mengetahui kemungkinan bahwa sebuah perusahaan akan gagal apabila diketahui sejumlah ratio
financial dan secala dan lain sebagainya.

Untuk melihat bagaimana model yang menggunakan variable kualitataif atau kategori
terkait, khusunya dengan dua category (binary) yaitu pertama dengan regresi model probabilitas
linier (linear probability model = LPM) dan kedua dengan regresi model logistic binary (binary
logistics regression model).

1.2 Regresi Model Probabilitas Linier (LPM)

Dalam teknis analisis ini variable tarikat yang berupa kualitatif (kategori) dianggap sebagai
variable dummy, yang mana dalam bentuk sederhananya dapat ditunjukkan dalam model
probabilitas linier (LPM) sbb:

Ŷi = α + Βx...............................................................................(1.1)
Keterangan: Y = 1 keluarga memiliki rumah; 0 = tidak memiliki rumah

X = pendapatan keluarga

Dalam kasus tersebut E(Yi/Xi) menunjukkan probabilitas suatu keluarga memiliki sebuah
rumah apabila pendapatan sebesar Xi. Variable Y merupakan variable binomial sebagai syarat dari
Xi, maka modelnya dapat dinyatakan:

E(Yi/Xi) = α + βX…………………………………… (1.2)

Oleh karena E(Yi/Xi) merupaka suatu probabilitas maka besarnya akan minimal sama
dengan nol dan maksimal sama denagan satu. Atau dapat dinyatakan

0 ≤ E(Yi/Xi) ≤ 1……………………………………………… (1.3)

Dengan menaksir agar Y minimal 0 dan maksimal 1 maka jumlah pengamat harus cukup
banyak, yaitu sekitar 100 pengamatan. Apabila Y yang ditaksir tidak memenuhi syarat tersebut,
maka langkah pertama dapat diasumsikan bahwa apabila Y tidak lebih besar dari satu maka
dianggap satu dan apabila Y lebih kecil dari nol. Langkah kedua yang lebih ilmiah adalah dengan
menggunakan fungsi logistic atau logit model yang akan dijelaskan pada bagian berikutnya.

Persamaan 1.1 diatas dapat dikembangkan dengan beberapa variable bebas, baik yang
menggunakan variable kategori (dummy) atau menggunakan variable kontinyu seperti yang telah
dibahas dalam regresi berganda sebelumnya, sehingga persamaannya menjadi :

Ŷi = βo + βiXi + β2X2, …. βkXk ………………………………. (1.4)

Pengolahan data untuk LPM ini dapat digunakn metode kuadrat terkecil biasa (ordinary
least square = OLS), seperti yang telah banyak dibahas sebelumnya.
Contoh 1.1

Dibawah ini adalah data 24 Bank yang diambil secara random, diteliti mengenai tingkat
kinerjanya dengan karegori “bagus” dan “jelek” menuruk skala usaha (BS) serta kinerja
keuangannya (FP) sepert table berikut

Table 1.1 Kinerja Bank, Menurut Skala dan Kinerja Keuangannya (FP)

Kinerja "bagus" (B) Kinerja "jelek" (J)

No Y BS FP No Y BS FP
1 1 1 0,58 13 0 1 2,28
2 1 1 2,80 14 0 0 1,06
3 1 1 2,77 15 0 0 1,08
4 1 1 3,50 16 0 0 0,07
5 1 1 2,67 17 0 0 0,16
6 1 1 2,97 18 0 0 0,70
7 1 1 2,18 19 0 0 0,75
8 1 1 3,24 20 0 0 1,61
9 1 1 1,49 21 0 0 0,34
10 1 1 2,19 22 0 0 1,15
11 1 1 2,70 23 0 0 0,44
12 1 0 2,57 24 0 0 0,86
Keterangan: Kinerja Bank : 1 = “bagus”; 0 = “jelek”
Skala Bank (BS) 1 = besar : 0 = kecil
FP = Financial Performance (kinerja keuangan)
 Laporan Regresi LPM

Secara simultan variable skala usaha dan FP bepengaruh nyata terhadap kinerja bank pada
level of significant 1 persen, hal ini dapat dilihat dimana F hitung = 23.33 sedabgkan F table pada
derajat bebas (2.21) adalah 5,85. Ini berarti bahwa variable skala usaha Bank dan kinerja keuangan
Bank (FP) berpengaruh secara seremapk terhadap tingkat kinerja Bank. Nilai R2 = 0,69 memberkan
makna bahwa 69 persen variasi kinerja Bank dipengaruhi oleh variasi skala usaha dan kinerja
keuangan (FP), sedangkan sisanya 31 persen dipengaruhi oleh factor lain diluar model.

Dari persamaan 1.5 dapat dilihat bahwa variable bebas BS dan FP berpengaruh nyara
terhadap kinerja bank, masing-masing pada tingkat signifikansi kurang dari 5 persen. Koefisien
regresi skala usaha 4,88 berarti bahwa bank berskala besar (1) mempunyai probabilitas berkinerja
bagus 0,488 lebih besar dibandingkan dengan bank dengan skala kecil (0), dengan anggapan
bahwa factor lainnya konstan. Koefisien regresi FP sebesar 0,221 mempunyai arti bahwa apabila
FP naik satu satuan, maka probabilitas bank berkinerj bagus meningkat sebesar 0,221 dengan
anggapan faktor lainnya konstan. Dan kinerja keuangannya (FP)

Dari persamaan 1.5 dapat dibuat taksiran probabilitas dari kinerja bank dengan
memasukkan nilai variable bebas skala usaha (BS) dan kinerja keuangannya (FP) seperti table 1.2

Tabel 1.2 Taksiran Probabilitas Kinerja Bank Menurut Skala Dank (BS) dan Kinerja Keuangan (FP)

Kinerja "bagus" (B) Kinerja "jelek" (J)

Yi BS FP* Yi Yi BS FP* Yi
1 1 0,58 0,5003 0 1 2,28 0,8760
1 1 2,80 0,9909 0 0 1,06 0,1584
1 1 2,77 0,9843 0 0 1,08 0,1628
1 1 3,50 11,456 0 0 0,07 -0,0604
1 1 2,67 0,9622 0 0 0,16 -0,0405
1 1 2,97 10,285 0 0 0,70 0,0788
1 1 2,18 0,8539 0 0 0,75 0,0899
1 1 3,24 10,881 0 0 1,61 0,2799
1 1 1,49 0,7014 0 0 0,34 -0,0008
1 1 2,19 0,8561 0 0 1,15 0,1783
1 1 2,70 0,5208 0 0 0,44 0,0213
1 1 2,57 0,4921 0 0 0,86 0,1143
 Hasil perkiraan kinerja dari table 1.2 ini tentu tidak sesuai dengan asumsi probabilitas yang
besarnya minimal nol dan maksimal satu. Oleh karena itu apabila taksiran probabilitas yang
dihasilkan lebih besar dari satu dianggap satu, sedangkan apabila lebih kecil dari nol dianggap nol.
Agar hasilnya lebih memuaskan maka, kelemahan itu dapat ditanggulangi dengan menambah
sampel, atau menggunakan regresi model logistic .

1.2 Regresi Logistik

Regresi logistic merupakan model cumulative distribution function (CDF) yang mampu
menjamin nilai variable terikat (Y) terletak antara 0 dan 1 sesuai dengan teori probabilitas. CDF
memiliki dua sifat yaitu :

1) Jika variable bebas naik, maka P(Yi = 1|Xi) juga ikut naik, tetapi tidak pernah melewati
rentangan 0-1, dan
2) Hubungan antara Pi dan Xi adalah non linear sehingga tigkat perubahannya tidak sama,
tetapi kenaikannya semakin besar, kemudian mengecil. Ketika nilai probabilitasnya
mendekati nol, maka tingkat penurunannya semakin kecil, begitu juga sebaliknya ketika
nilai probabilitasnya mendekati satu maka tingkat kenaikannya semakin kecil.
Pembahasan atau Analisa regresi logistic.

a. Menilai fit model

Fit model dalam analisis regresi logistic cukup dilihat dari likelihood ratio (LR) Chi-Squre
Statistic, dengan derajat bebas sebesar q, dimana q adalah jumlah wariabel dalam model.
Namun pada program SPSS disamping LR dan R-square, juga mengeluarkan output
Hosmer and lemeshow Test bertujuan untuk mengetahui apakah data fit atau sesuai dengan
model. Jika signifikansi nilai Chi-Square dari hosmer and Lemeshow Test lebih besar atau
sama dengan 0,05berarti bahwa data fit atau sesuai dengan model.
b. Menganalisis signifikansi estimasi parameter dan menginterpretasinya.

Langkah-langkah pengolahan data dengan SPSS

 Buka file Contoh 1.1 LPM-Logit

 Analyze → Regression → Binary Logistic
 masukkan variable Kinerja Bank pada kotak Dependent, dan Variabel BS dan FP pada
Covariates.
 Tekan tombol Option dan centangin Hosmer-Lemeshow goodness-of-fit →
 Continue → OK

Contoh 1.2

Di bawah ini adalah data 24 Bank yand diambil secara random, diteliti mengenai tingkat
kinerjanya denagan kategori “bagus” dan “jelek” menurut skala usaha (BS) serta kinerja
keuangannya (FP) seperti pada table 1.1. berdasarkan hasil olahan data

a. Buatlah persamaan regresinya

b. Buatlah laporan regresinya secara lengkap.
c. Dari sampel yang diambil, jika diketahui bahwa sampel tersebut merupakan Bank berskala
besar, dan kinerja keuangannya (FP) sebesar 0,58, prediksi apakah bank tersebut tergolong
berkinerja bagus ataukah jelek?
Laporan regresi

Secara serempak variable bebas skala dan FP berpengaruh nyata terhadap kinerja Bank.
Hal ini dapat dilihat dari hasil perhitungan X2 = 21,482 yang lebih besar dibandingkan dengan
nilai table x2 yang besarnya 5,991 pada derajat bebas 2 pada level of significant 5 persen. Chi-
square dari hosmer and lemeshow Test sebesar dari 10,450 dengan signifikansi sebesar 0,235.
Signifikansi tersebut lebih besar dari 0,05. Hal ini berarti bahwa data fit atau sesuai dengan model.

Dari hasil olahan data pada contoh 1,2 juga dapat dilihat bahwa Nagelkerke R2 sebesar
0,789 yang sama dengan koefisien determinasi pada model regresi biasa. Hal ini berarti bahwa
78,9 persen variasi kinerja bank dipengaruhi oleh variasi variable skala bank (BS) dan kinerja
keuangan (FP), sedangkan sisanya 21,1 persen dipengaruhi oleh variable lain diluar model.

Hasil olahan data juga dapat dilihat bahwa variable bebas skala bank tidak berpengaruh
nyata terhadap kinerja bank pada level of significant 5 persen pada uji dua sisi, sedangkan kinerja
keuangan (FP) berpengaruh nyata terhadap kinerja Bank pada level of significant 5 persen.

Nilai t sattistik diperoleh dengan mengakarkan nilai Wald staistik

(𝑡 = √𝑊𝑎𝑙𝑑𝑆𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐). Nilai t table pada tingkat signifikasi 5 persen dengan pengujian

dua sisi dan pada derajat kebebasan 24-3 adalah sebesar ±2,08. Nilai t table ini lebih kecil dari t
hitung untuk variable FP, namun lebih besarr dari t hitung variable skala bank. Dari persamaan 1.8
dapat ditransformasikan menjadi persamaan 1.9 dan selanjutnya menjadi persamaan 1.10

Angka itu dapat diinterpretasikan bahwa koefisien regresi logistic dari skala bank sebesar
3,055 mempunyai arti bahwa untuk bank berskala besar (skala 1) mempunyai probabilitas
berkinerja bagus 0,955 lebih besar dibandingkan dengan bank yang berskala kecil. Angka sebesar
0,955 juga dapat diperoleh dari Exp(B)/(1+ Exp(B)), yaitu 21,266/(1 + 21,266). Angka koefisien
Exp(B) sebesar 21,226 memiliki arti bahwa bank yang berskala besar memiliki peluang berkinerja
bagus 21,226 kali lebih besar dari bank berskala kecil.

Koefisien regresi logistic dari kinerja keuangan (FP) sebesar 1,924 dapat dihitung
probabilitas sebesar 0,873 (yang diperoleh dari 1/(1+e-1,924), juga dapat diperoleh dari nilai
eksponensial (6,851/(1+6,851). Hal ini dapat diinterpretasikan bahwa denag meningkatnya kinerja
keuangan sebesar satu satuan, maka probabilitas bank berkinerja bagus meningkat sebesar 0,873
dengan asumsi faktor lainnnya konstan.

Hasil print out SPPS juga menampilkan validitas model, yaitu bahwa ketepatan prediksi
adalah 22 dari 24 pengamatan. Sehingga ketepatan model yang dibuat adalah 22/24 atau 91,7
persen.

Prediksi probabilitas kinerja bank

Dengan memasukkan nilai variable bebas yaitu bank beskala besar, dan kinerja keuangannya
berskala besar 0,50 maka probabilitas kinerja bank dapat diperkirakan :

Oleh karena taksiran probabilitas bank tersebut sebesar 0,432 yang kuran daro 0,5, maka
taksiran kinerja bank yang dianalisis adalah “jelek”. Taksiran probabilitas kinerja bank bertdasrkan
berbagai skala dan skor kinerja keuangan (FP) secara lengkap disajikan dalam table 1.3.

Berdasarkan table 1.3 dapat dilihat bahwa bank nomor 1 dinyatakan berkinerja “bagus”,
namun hasil prediksi ternyata berkinerja “jelek”, karena nilai probabilitasnya 0,4320 yang kurang
dari 0,50. Demikian juga bank nomor 13 sebelumnya dinyatakan berkinerja ”jelek”, namun hasil
prediksi ternyata berkinerja “bagus”. Hal ini disebabkan karena nilai probabilitasnya 0,9525 yang
lebih besar dari 0,50.
Tabel 1.3 Taksiran Probabilitaskinerja Bank menurut skala usaha dan kinerja keuangan (FP)

Kinerja "bagus" (B) Kinerja "jelek" (J)

Yi BS FP* Ŷi Group Yi BS FP* Ŷi Group
1 1 0,58 0,4320 0 0 1 2,28 0,9525 1
1 1 2,80 0,9820 1 0 0 1,06 0,0828 0
1 1 2,77 0,9972 1 0 0 1,08 0,0858 0
1 1 3,50 0,9953 1 0 0 0,07 0,0133 0
1 1 2,67 0,9770 1 0 0 0,16 0,0157 0
1 1 2,97 0,9870 1 0 0 0,70 0,0432 0
1 1 2,18 0,9430 1 0 0 0,75 0,0474 0
1 1 3,24 0,9922 1 0 0 1,61 0,2066 0
1 1 1,49 0,8143 1 0 0 0,34 0,0221 0
1 1 2,19 0,9441 1 0 0 1,15 0,0970 0
1 0 2,70 0,6797 1 0 0 0,44 0,0266 0
1 0 2,57 0,6230 1 0 0 0,86 0,0579 0