Makalah Analisis Multivariat
Makalah Analisis Multivariat
REGRESI LOGISTIK
sebagai absis, atau sumbu X). Variabel “terkena akibat” dikenal sebagai variabel
variabel ini dapat merupakan variabel acak (random), namun variabel yang
dipengaruhi harus selalu variabel acak. Analisis Regresi adalah salah satu analisis
yang paling populer dan luas pemakaiannya. Hampir semua bidang ilmu yang
Adapun Regresi Logistik (kadang disebut model logistik atau model logit)
merupakan salah satu bagian dari Analisis Regresi, yang digunakan untuk
memprediksi probabilitas kejadian suatu peristiwa, dengan mencocokkan data
pada fungsi logit kurva logistik. Metode ini merupakan model linear umum yang
digunakan untuk regresi binomial. Seperti analisis regresi pada umumnya, metode
ini menggunakan beberapa variabel bebas, baik numerik maupun kategori.
Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu
tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa
tubuh. Regresi Logistik juga digunakan secara luas pada bidang kedokteran, ilmu
sosial, dan bahkan pada bidang pemasaran, seperti prediksi kecenderungan
pelanggan untuk membeli suatu produk atau berhenti berlangganan. Regresi
Logistik tidak memerlukan asumsi normalitas, heteroskedastisitas, dan
autokorelasi, dikarenakan variabel terikat yang terdapat pada Regresi Logistik
merupakan variabel dummy (0 dan 1), sehingga residualnya, tidak memerlukan
ketiga pengujian tersebut. Untuk asumsi multikolinearitas, karena hanya
melibatkan variabel-variabel bebas, maka masih perlu untuk dilakukan pengujian.
Untuk pengujian multikolinearitas ini dapat digunakan uji kebaikan sesuai
(goodness of fit test), yang kemudian dilanjutkan dengan pengujian hipotesis (uji
X
X2
), guna melihat variabel-variabel bebas mana saja yang signifikan, sehingga
dengan π(x) adalah peluang kejadian sukses dengan nilai probabilita 0 ≤ π(x) ≤ 1
dan βj adalah nilai parameter dengan j = 1,2,......,p. π(x) merupakan fungsi yang
non linier, sehingga perlu dilakukan transformasi ke dalam bentuk logit untuk
memperoleh fungsi yang linier agar dapat dilihat hubungan antara variabel bebas
dan variabel tidak bebas. Dengan melakukan transformasi dari logit π(x), maka
didapat persamaan yang lebih sederhana, yaitu:
Jika dari beberapa variabel bebas ada yang berskala nominal atau ordinal,
maka variabel tersebut tidak akan tepat jika dimasukkan dalam model logit karena
identifikasi dan tidak mempunyai nilai numerik dalam situasi seperti ini
diperlukan variabel dummy. Untuk variabel bebas dengan skala ordinal maupun
C. PENDUGAAN PARAMETER
Dengan :
Lo = Maksimum Lieklihood dari model reduksi (Reduced Model) atau model
yang terdiri dari konstanta saja
Lp = Maksimum Likelihood dari model penuh (Full Model) atau dengan semua
variabel bebas.
Statistik G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p
sehingga hipotesis ditolak jika p-value < α, yang berarti variabel bebas X secara
bersama-sama mempengaruhi variabel tak bebas Y.
Pada umumnya, tujuan analsis statistik adalah untuk mencari model yang
cocok dan keterpautan yang kuat antara model dengan data yang ada. Pengujian
keberartian parameter (koefisien β) secara parsial dapat dilakukan melalui Uji
Wald dengan hipotesisnya sebagai berikut:
- Ho: βj = 0 (variabel bebas ke j tidak mempunyai pengaruh secara signifikan
terhadap variabel tidak bebas)
- H1: βj ≠ 0 (variabel bebas ke j mempunyai pengaruh secara signifikan
terhadap variabel tidak bebas)
Untuk j = 1,2,....,p
Dengan statistik uji sebagai berikut:
Hipotesis akan ditolak jika p-value < α yang berarti variabel bebas Xj secara
partial mempengaruhi variabel tidak bebas Y.
F. ODDS RATIO
illegal logging. untuk kasus seperti ini maka dapat memilih area berstatus
Lakukan hal yang sama pada variabel kedua. Setelah selesai tekan ‘OK’
Sekarang klik tombol ‘Option (1)’, centrang ‘Hosmer and Lemeshow Test
(2)’ lalu ‘Continue (3)’
Tekan ‘OK’
Hasil out put regresi logistik akan keluar seperti gambar di atas.
Interpretasi :
Unit analisis yang diolah dalam regresi ini berjumlah 1060 sel dan tidak
ada data missing.
Interpretasi :
Variabel bebas yang digunakan adalah penutupan lahan dan slope. Sebagai
kontrol (pembanding), variabel penutupan lahan menggunakan kelas hutan
mangrove (parameter coding 0.000 semua) dengan frekuensi 53 sel. Hutan rawa
dalam out put dikodekan dengan (1) ditandai angka 1.000 pada kolom (1),
demikian juga kelas-kelas lainnya. Ketentuan ini juga berlaku untuk variabel
slope.
Interpretasi :
Signifikansi model 0.000 < 0.05 berarti secara umum, model signifikan
secara statistik.
Interpretasi :
Cox and Snell sebesar 0,259 yang berarti 25,9 persen variasi dari kejadian
kebakaran (hotspot) di Taman Nasional Rawa Aopa Watumohai dapat
dijelaskan oleh variabel independent yang digunakan.
Nagelkerke sebesar 0,381 yang berarti 38,1 persen variasi dari kejadian
Interpretasi :
Probabilitas 0.552 > 0.05, artinya model regresi binary layak dipakai untuk
analisis selanjutnya karena tidak ada perbedaan yang nyata antara klasifikasi yang
diprediksi dengan klasifikasi yang diamati.
Interpretasi :
Kejadian kebakaran pada penutupan lahan savanna (sig. 0.000) berbeda
secara signifikan terhadap hutan mangrove, sedangkan peluang kejadian
kebakaran pada hutan rawa, hutan pegunungan dataran rendah, area
pertanian/pemukiman dan badan air (terbakar saat air surut) tidak berbeda secara
signifikan terhadap hutan mangrove.
Peluang terjadinya kebakaran di area savanna 17 kali lipat dibandingkan
area control. Dari sisi kelerengan, kelas lereng datar (sig. 0.000) berbeda
signifikan terhadap kelas lereng curam dimana peluang kejadian kebakaran pada
kelas lereng ini 5.5 kali dibandingkan control.
c. Kesimpulan
Berdasarkan hasil regresi logistik, area yang paling rawan kebakaran di
kawasan Taman Nasional Rawa Aopa Watumohai adalah pada area-area
bertopografi datar yang ditumbuhi vegetasi savanna. Berdasarkan kriteria
pembagian kelas slope di atas, maka pengaruh tutupan lahan savana lebih tinggi
dari pada pengaruh slope datar dengan pembanding kelas kontrol masing-masing,
dimana nilai Odd Rasio untuk penutupan lahan savanna 17.19 dan kelas topografi
datar 5.5.
B. REGRASI LINIER.
Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif
dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan.. Data yang digunakan biasanya berskala interval atau
rasio.
Rumus regresi linear sederhana sebagi berikut:
Y’ = a + bX
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y’ apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Contoh kasus:
Seorang mahasiswa bernama Hermawan ingin meneliti tentang pengaruh biaya
promosi terhadap volume penjualan pada perusahaan jual beli motor. Dengan ini di dapat
variabel dependen (Y) adalah volume penjualan dan variabel independen (X) adalah biaya
promosi. Dengan ini Hermawan menganalisis dengan bantuan program SPSS dengan alat
analisis regresi linear sederhana. Data-data yang di dapat ditabulasikan sebagai berikut:
Y’ = a + bX
Y’ = -28764,7 + 0,691X
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak, artinya bahwa
ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan. Jadi
dalam kasus ini dapat disimpulkan bahwa biaya promosi berpengaruh terhadap
volume penjualan pada perusahaan jual beli motor.