Full PDF
Full PDF
HALAMAN JUDUL
Makalah
Oleh:
NIM: 123114013
YOGYAKARTA
2017
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
By:
NIM: 123114013
YOGYAKARTA
2017
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PENGESAHAN
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
mengucap sykuur”
Kolose 4:2
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
HALAMAN ABSTRAK
Analisis Regresi Logistik Ordinal adalah analisis regresi yang peubah
responnya bersifat ordinal yang memiliki tiga atau lebih kategori. Analisis regresi
logistik ordinal didasarkan pada suatu fungsi:
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
HALAMAN ABSTRACT
Ordinal Logistic Regression analysis is a regression analysis which its variable
response is ordinal and have three or more categories. Ordinal Logistic Regression
analysis is originated from function:
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan
kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,
mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan
data, mendistribusikannya secara terbatas, dan mempublikasikannya di internet
atau media lain untuk kepentingan akademis tanpa meminta ijin dari saya maupun
memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai
penulis.
Dibuat di Yogyakarta
Yang menyatakan
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji syukur penulis haturkan ke hadirat Tuhan Yang Maha Kuasa atas segala
dengan baik. Tugas akhir yang berjudul “Analisis Regresi Logistik Ordinal” ini
adalah salah satu syarat untuk memperoleh gelar sarjana Matematika pada
Fakultas Sains dan Teknologi. Dalam penulisan tugas akhir ini, tentunya penulis
telah menerima bantuan baik secara moril maupun materil dari berbagai pihak.
Oleh karena itu penulis ingin menyampaikan ucapan terima kasih kepada:
1. Bapak Ir. Ig. Aris Dwiatmoko M. Sc. Selaku dosen pembimbing yang
3. Serta bapak dan ibu dosen yang telah memberikan banyak ilmu
Sanata Dharma.
4. Mas Susilo selaku laboran yang telah banyak membantu penulis dalam
6. Papah Andy Pramudya dan Mamah Rini Sih Mintowati serta kakak
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
baik.
Dewi, Noni, Putri, Sila, Ajeng, Bobi, Budi, Ega, Ferni, Happy, Ilga,
9. Teman-teman kos, Febri, Nia, Rita, Nindy, Hesti, Yanti, Iin, Priska,
11. Semua pihak yang tidak dapat disebutkan satu persatu yang telah banyak
dapat diselesaikan.
Penulis menyadari bahwa tugas akhir ini masih jauh dari kesempurnaan,
maka saran dan kritik yang konstruktif dari semua pihak sangat
Penulis
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
A. PENDUGAAN PARAMETER............................................................................. 80
B. PERHITUNGAN DAN ANALISIS DATA ......................................................... 88
BAB V KESIMPULAN .................................................................................................... 99
DAFTAR PUSTAKA ..................................................................................................... 100
LAMPIRAN.................................................................................................................... 102
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar 2.1 Ruang sampel untuk percobaan pelemparan sebuah dadu ………… 9
Gambar 3.1 Scatterplot CHD menurut AGE pada 100 individu …………….… 42
Gambar 3.2 Plot presentase individu dengan CHD pada setiap kelompok umur 43
Gambar 3.3 Kurva hubungan dari variabel biner dengan prediktor X …………. 47
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB 1 PENDAHULUAN
PENDAHULUAN
A. RUMUSAN MASALAH
Perumusan masalah yang akan dibicarakan pada tugas akhir ini adalah:
B. TUJUAN PENULISAN
C. BATASAN MASALAH
D. MANFAAT PENULISAN
Manfaat yang dapat diperoleh dari penulisan tugas akhir ini adalah
mahasiswa atau pembaca dapat memahami penyebab suatu kejadian dengan
cara metode matematika.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
E. LATAR BELAKANG
berfungsi untuk menganalisis variabel respon atau biasa disebut variabel tak
bebas (dependen) yang mempunyai data berupa skala ordinal atau nominal.
Dilihat dari variabel bebasnya, regresi logistik terbagi menjadi dua yaitu
regresi logistik sederhana (hanya memiliki satu variabel bebas) dan regresi
logistik berganda (memiliki satu atau lebih variabel bebas) sedangkan dilihat
dari variabel responnya, regresi logistik dapat dibedakan menjadi dua yaitu
Logistik adalah
𝑒 𝛽0 +𝛽1𝑥
𝜋(𝑥) =
1 + 𝑒𝛽0 +𝛽1𝑥
Keterangan:
x = variabel dependen
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
yaitu:
𝜋(𝑥)
𝑙𝑛 ( ) = 𝛽0 + 𝛽1 𝑥
1 − 𝜋(𝑥)
Regresi logistik menghasilkan rasio peluang atau biasa disebut odds rations,
berskala nominal atau ordinal dengan satu atau lebih peubah penjelas kontinu
digunakan apabila memiliki lebih dari tiga kategori dan tidak berurutan (skala
yaitu peluang kurang dari sama dengan kategori respon ke-j pada p variabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
lebih besar daripada kategori dependen ke-j, 𝑃(𝑌 > 𝑗|𝑿) (Hosmer dan
Dengan
𝑗 = 1, 2, … , 𝐽 − 1, 𝑖 = 1, 2, … , 𝑛 dan 𝑘 = 1, 2, … , 𝑝
yaitu:
𝑝
𝑃(𝑌 ≤ 𝑗|𝑿𝑖 )
ln ( ) = 𝛽0𝑗 + ∑ 𝛽𝑘 𝑋𝑖𝑘
𝑃(𝑌 > 𝑗|𝑿𝑖 )
𝑘=1
𝐿(𝜷) = ∑ 𝑦1𝑖 ln[∅1 (𝑿𝑖 ) ] + 𝑦2𝑖 ln[∅2 (𝑿𝑖 ) ] + 𝑦3𝑖 ln[∅3 (𝑿𝑖 ) ]
𝑖=1
biner dengan bahwa variabel dependen dari regresi logistik ordinal berskala
F. SISTEMATIKA PENULISAN
BAB I PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
C. Batasan Masalah
D. Tujuan Penulisan
E. Manfaat Penulisan
F. Metode Penulisan
G. Sistematika Penulisan
A. Probabilitas
B. Distribusi Probabilitas
1. Variabel Random
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2. Fungsi Probabilitas
F. Metode Newton-Rhapson
LOGISTIK ORDINAL
A. Regresi Logistik
1. Pendahuluan
A. Pendugaan Parameter
BAB V KESIMPULAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
dengan pasti. Misalnya, tekanan darah seseorang pada suatu titik waktu
Definisi 2.1
(observarsi).
Definisi 2.2
dilambangkan dengan S.
Definisi 2.3
Definisi 2.4
Definisi 2.5
Definisi 2.6
sampel.
Contoh 2.1
𝐸1 : munculnya bilangan 1
𝐸2 : munculnya bilangan 2
𝐸3 : munculnya bilangan 3
𝐸4 : munculnya bilangan 4
𝐸5 : munculnya bilangan 5
𝐸6 : munculnya bilangan 6
𝐸1
𝐸2
𝐸3 𝐸4
𝐸5
𝐸6
Definisi 2.7
memenuhi aksioma:
Aksioma 1: 𝑃(𝐴) ≥ 0
Aksioma 2: 𝑃(𝑆) = 1
10
kejadian:
sampel.
sampel di A.
Contoh 2.2
Diketahui ada dua pelamar pekerjaan dari sebuah grup yang terdiri dari
Penilaian ini tentu saja tidak diketahui oleh karyawan. Didefinisikan dua
11
A: Karyawan memilih yang terbaik dan salah satu dari dua pelamar yang
Jawab:
Langkah-langkahnya:
𝐸4 : {1, 5}.
pasangan memiliki peluang yang sama untuk dipilih. Sebab itu, kita
termuat di B.
12
7 7
.1 + .1 = .2
Definisi 2.8
dinotasikan sebagai
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) = (2.2)
𝑃(𝐵)
B terjadi”.
dengan hasil kejadian 𝐴 dan 𝐵, 𝐴 ∩ 𝐵, 𝑛11 kali; pada 𝐴 dan tidak pada
𝐵, 𝐴 ∩ 𝐵̅ , 𝑛21 kali; pada 𝐵 dan tidak pada 𝐴, 𝐴̅ ∩ 𝐵, 𝑛12 kali; dan tidak
pada 𝐴 maupun B, 𝐴̅ ∩ 𝐵̅ , 𝑛22 kali. Hasil ini ada di dalam tabel 2.1.
𝑛11 𝑛11
𝑃(𝐵|𝐴) ≈ 𝑛 , dan 𝑃(𝐴 ∩ 𝐵) ≈ ,
11 +𝑛21 𝑁
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
𝑃(𝐴∩𝐵) 𝑃(𝐴∩𝐵)
𝑃(𝐴|𝐵) = dan 𝑃(𝐵|𝐴) =
𝑃(𝐵) 𝑃(𝐴)
Oleh karena itu, definisi 2.8 ini konsisten dengan konsep frekuensi relatif
probabilitas.
𝐴 𝐴̅
𝐵 𝑛11 𝑛12 𝑛11 + 𝑛12
𝐵̅ 𝑛21 𝑛22 𝑛21 + 𝑛22
𝑛11 + 𝑛21 𝑛12 + 𝑛22 𝑁
Contoh 2.3
Di suatu desa yang berpenduduk 2000 orang, terdapat 1250 orang yang
tergolong ke dalam usia kerja, yang terdiri atas 750 orang laki-laki dan
500 orang wanita. Dari 750 orang laki-laki terdapat 650 orang yang
bekerja sedangkan diantara 500 orang wanita tersebut terdapat 200 orang
yang bekerja. Jika dari mereka yang tergolong dalam usia kerja dipilih
secara acak, berapa peluang bahwa yang terpilih adalah bekerja jika ada
14
Jawab:
𝑛(𝐿 ) 750 3
maka: 𝑃(𝐿) = = 1250 = 5
𝑁
𝑛(𝐿 ∩ 𝐵) 650 13
𝑃(𝐿 ∩ 𝐵) = = =
𝑁 1250 15
Jadi
3
𝑃(𝐿 ∩ 𝐵) 9
𝑃(𝐵|𝐿) = = 5 =
𝑃(𝐿) 13 13
15
Definisi 2.9
Dua kejadian A dan B disebut saling bebas jika memenuhi salah satu:
Contoh 2.4
15
kejadian bahwa banyaknya mata yang muncul lebih besar dari 4 dan C
adalah kejadian bahwa banyaknya mata yang muncul lebih kecil dari 4.
Jawab:
S = {1, 2, 3, 4, 5, 6}
A = {1, 3, 5}
B = {5, 6}
C = {1, 2, 3}
𝐴 ∩ B = {5}
𝐴 ∩ C = {1, 3}
𝑛(𝐴 ∩ B) 1
𝑃(𝐴 ∩ B) = =
N 6
𝑛(𝐴 ∩ C) 2 1
𝑃(𝐴 ∩ C) = = =
N 6 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Sehingga
3 2 1
a. 𝑃(𝐴)𝑃(𝐵) = (6) (6) = 6 = 𝑃(𝐴 ∩ B) sehingga A dan B adalah dua
3 3 1 1
b. 𝑃(𝐴)𝑃(𝐶) = (6) (6) = 4 ≠ 3 = 𝑃(𝐴 ∩ C) sehingga A dan C bukan
Teorema 2.1
= 𝑃(𝐵)𝑃(𝐴|𝐵) (2.7)
Bukti:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵|𝐴)
= 𝑃(𝐵)𝑃(𝐴|𝐵)
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) ∎
Teorema 2.2
dan B adalah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Bukti:
Teorema 2.3
Bukti:
18
B. DISTRIBUSI PROBABILITAS
1. Variabel Random
Definisi 2.10
Variabel random adalah fungsi yang bernilai real yang domainnya adalah
Contoh 2.5
berwarna “putih”.
Nilai 0, 1, atau 2 dapat diberikan pada setiap titik sampel, dimana nilai 0,
pemetaan berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
S R
HH
0
HP
1
PH
2
PP
Gambar 2.2 X : S → R
Definisi 2.11
keluarga dan contoh variabel random kontinu adalah usia penduduk suatu
daerah.
2. Fungsi Probabilitas
Definisi 2.12
20
2. ∑ 𝑃(𝑥) = 1
Contoh 2.6
Jawab:
Pada gambar 2.2 nilai X adalah banyaknya bola putih yang terambil.
3 5
( ) ( ) 10
𝑃(𝑋 = 0) = 0 2 =
8 28
( )
2
3 5
( ) ( ) 15
𝑃(𝑋 = 1) = 1 1 =
8 28
( )
2
3 5
( )( ) 3
𝑃(𝑋 = 2) = 2 0 =
8 28
( )
2
Definisi 2.13
21
∞
2. ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Contoh 2.7
𝑐𝑦, 0≤𝑦≤2
𝑓(𝑦) = {
0, 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
probabilitas densitas
b. Tentukan 𝐹(𝑦)
Jawab:
2
a. 𝑓(𝑦) = ∫0 𝑐𝑦 𝑑𝑦
2
1 = 𝑐 ∫ 𝑦 𝑑𝑦
0
1 2
1 = 𝑐 [ 𝑦2]
2 0
1 = 𝑐 (2)
1 = 2𝑐
1
𝑐=
2
Sehingga didapat
1
𝑦, 0≤𝑦≤2
𝑓(𝑦) = { 2
0, 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Sehingga
Untuk 𝑦 < 0
𝑦 𝑦
𝐹(𝑦) = ∫ 𝑓(𝑡)𝑑𝑡 = ∫ 0 𝑑𝑡 = 0
−∞ −∞
Untuk 0 ≤ 𝑦 ≤ 2
𝑦
𝐹(𝑦) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
0 𝑦
1
= ∫ 0 𝑑𝑡 + ∫ 𝑡 𝑑𝑡
−∞ 0 2
1 𝑦
= 0 + [ 𝑡2]
4 0
1 2
= 𝑦
4
Untuk 𝑦 > 2
𝑦
𝐹(𝑦) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
0 2 𝑦
1
= ∫ 0 𝑑𝑡 + ∫ 𝑡 𝑑𝑡 + ∫ 0 𝑑𝑡
−∞ 0 2 2
1 2
= 0 + [ 𝑡2] + 0
4 0
= (1 − 0)
=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Maka didapatkan
0, 𝑦<2
1
𝐹(𝑦) = {4 𝑦 2 , 0≤𝑦≤2
1, 𝑦>2
Definisi 2.14
Contoh 2.8
0, 𝑥<0
𝑥+1
𝐹(𝑥) = { , 0≤𝑥≤1
2
1, 1≤𝑥
1
a. Tentukan 𝑃 (−3 < 𝑥 ≤ 2)
b. Tentukan 𝑃(𝑋 = 0)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Jawab:
1 1 3 3
a. 𝑃 (−3 < 𝑋 ≤ 2) = 𝐹 (2) − 𝐹(−3) = 4 − 0 = 4
1 1
b. 𝑃(𝑋 = 0) = 𝐹(0) − 𝐹(0) = 2 − 0 = 2
Model regresi yang baik adalah model regresi yang dapat mendekati
nilai aktualnya.
Definisi 2.15
𝛽0 =intersep
𝛽1 =parameter regresi
parameter dalam regresi tersebut adalah metode kuadrat terkecil atau yang
biasa disebut ordinary least square (OLS). Misalkan (𝑥𝑖 , 𝑦𝑖 ) sampel random
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 (2.13)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
̂0 dan 𝛽
𝛽1 yaitu 𝛽 ̂1 yang akan meminimumkan Jumlah Kuadrat Galat (sum of
square error).
̂0 + 𝛽
̂𝑖 = 𝛽
𝑌 ̂1 𝑋𝑖 . (2.14)
Definisi 2.16
̂0 dan 𝛽
parsial terhadap 𝛽 ̂1, maka:
2
𝜕𝑆𝑆𝐸 𝜕{∑𝑛 ̂ ̂
𝑖=1[𝑦𝑖 −(𝛽0 + 𝛽1 𝑥𝑖 )] }
̂0 = ̂0 =0
𝜕𝛽 𝜕𝛽
𝑛
̂0 + 𝛽
= − ∑ 2[𝑦𝑖 − (𝛽 ̂1 𝑥𝑖 )] = 0
𝑖=1
𝑛 𝑛
̂0 − 𝛽
= −2 (∑ 𝑦𝑖 − 𝑛𝛽 ̂1 ∑ 𝑥𝑖 ) = 0
𝑖−1 𝑖=1
𝑛 𝑛
̂0 − 𝛽
= ∑ 𝑦𝑖 − 𝑛𝛽 ̂1 ∑ 𝑥𝑖 = 0
𝑖−1 𝑖=1
𝑛 𝑛
̂0 + 𝛽
∑ 𝑦𝑖 = 𝑛𝛽 ̂1 ∑ 𝑥𝑖 (2.16)
𝑖=1 𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
̂1 𝑥𝑖 )]2 }
̂0 + 𝛽
𝜕𝑆𝑆𝐸 𝜕{∑𝑛𝑖=1[𝑦𝑖 − (𝛽
= =0
𝜕𝛽̂1 𝜕𝛽̂1
𝑛
̂0 + 𝛽
= − ∑ 2{[𝑦𝑖 − (𝛽 ̂1 𝑋𝑖 )]𝑥𝑖 } = 0
𝑖=1
𝑛 𝑛 𝑛
̂0 ∑ 𝑥𝑖 − 𝛽
= −2 (∑ 𝑥𝑖 𝑦𝑖 − 𝛽 ̂1 ∑ 𝑥𝑖2 ) = 0
𝑖−1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛
̂0 ∑ 𝑥𝑖 − 𝛽
= ∑ 𝑥𝑖 𝑦𝑖 − 𝛽 ̂1 ∑ 𝑥𝑖2 = 0
𝑖−1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛
̂0 ∑ 𝑥𝑖 + 𝛽
∑ 𝑥𝑖 𝑦𝑖 = 𝛽 ̂1 ∑ 𝑥𝑖2 (2.17)
𝑖−1 𝑖=1 𝑖=1
diperoleh
̂0 + 𝛽
∑𝑛𝑖=1 𝑦𝑖 = 𝑛𝛽 ̂1 ∑𝑛𝑖=1 𝑥𝑖
𝑛 𝑛
̂0 = ∑ 𝑦𝑖 − 𝛽
𝑛𝛽 ̂1 ∑ 𝑥𝑖
𝑖=1 𝑖=1
𝑛 𝑛
𝑦𝑖 𝑥
̂0 = ∑
𝛽 ̂1 ∑ 𝑖
−𝛽
𝑛 𝑛
𝑖=1 𝑖=1
̂0 = 𝑦̅ − 𝛽
𝛽 ̂1 𝑥̅ (2.18)
̂0 ∑𝑛𝑖=1 𝑥𝑖 + 𝛽
∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 = 𝛽 ̂1 ∑𝑛𝑖=1 𝑥𝑖2
𝑛 𝑛 𝑛
̂1 ∑ 𝑥𝑖2 = ∑ 𝑥𝑖 𝑦𝑖 − 𝛽
𝛽 ̂0 ∑ 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
𝑛 𝑛 𝑛
̂1 ∑ 𝑥𝑖2 = ∑ 𝑥𝑖 𝑦𝑖 − (𝑦̅ − 𝛽
𝛽 ̂1 𝑥̅ ) ∑ 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛
𝑦𝑖 𝑥
̂1 ∑ 𝑥𝑖2 = ∑ 𝑥𝑖 𝑦𝑖 − (∑
𝛽 ̂1 ∑ 𝑖 ) ∑ 𝑥𝑖
−𝛽
𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
𝑦𝑖 𝑥
̂1 ∑ 𝑥𝑖2
𝛽 ̂1 ∑ 𝑖 ∑ 𝑥𝑖 )
= ∑ 𝑥𝑖 𝑦𝑖 − (∑ ∑ 𝑥𝑖 − 𝛽
𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
𝑥 𝑦
̂1 (∑ 𝑥𝑖2 − ∑ 𝑖 ∑ 𝑥𝑖 ) = ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑖 ∑ 𝑥𝑖
𝛽
𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑦
∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑖 ∑𝑛𝑖=1 𝑥𝑖
̂1 =
𝛽 𝑛
𝑥
(∑𝑖=1 𝑥𝑖2 − ∑𝑖=1 𝑛𝑖 ∑𝑛𝑖=1 𝑥𝑖 )
𝑛 𝑛
1
∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑦𝑖 ∑𝑛𝑖=1 𝑥𝑖
̂1 =
𝛽 𝑛 (2.19)
1
∑𝑛𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2
𝑛
berikut:
𝛽0 = intersep
𝛽𝑗 = parameter regresi (𝑗 = 1, … , 𝑘)
28
matriks. Misalkan
𝑌1 1 𝑋11 … 𝑋𝑘1 𝛽0 𝜀1
𝒀 = ( ⋮ ) , 𝑿 = (⋮ ⋮ ⋮ ),𝜷 = ( ⋮ ),𝜺 = ( ⋮ ) (2.21)
𝑌𝑛 1 𝑋1𝑛 … 𝑋𝑘𝑛 𝛽𝑘 𝜀𝑛
𝑌1 1 𝑋11 … 𝑋𝑘1 𝛽0 𝜀1
( ⋮ ) = (⋮ ⋮ ⋮ )( ⋮ )+ ( ⋮ ) (2.22)
𝑌𝑛 1 𝑋1𝑛 … 𝑋𝑘𝑛 𝛽𝑘 𝜀𝑛
𝒀 = 𝑿𝜷 + 𝜺 (2.23)
galat 𝑛𝑥1.
̂ +𝜺
𝒀=𝑿𝜷 (2.24)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Sehingga didapatkan
̂
𝜺 =𝒀−𝑿𝜷 (2.25)
Transpos dari sebuah matriks dinotasikan dengan (′). Misalkan transpos dari
𝜀1
𝜺 𝜺 = [𝜀1
′ … 𝜀1 ]1𝑥𝑛 [ ⋮ ] (2.26)
𝜀1 𝑛𝑥1
residual sebagai:
̂ ) = ∑ 𝜀𝑖2
𝑆( 𝜷
= 𝜺′𝜺
̂ )′ (𝒀 − 𝑿 𝜷
= (𝒀 − 𝑿 𝜷 ̂)
̂− 𝜷
= 𝒀′ 𝒀 − 𝒀′ 𝑿 𝜷 ̂ ′ 𝑿′ 𝒀 + 𝜷
̂ ′𝑿′𝑿 𝜷
̂ (2.27)
̂ dan 𝜷
Karena 𝒀′ 𝑿 𝜷 ̂ ′𝑿′ 𝒀′ merupakan skalar yang bernilai sama sehingga
𝒀′ 𝑿 𝜷 ̂ )′ = 𝜷
̂ = (𝒀′ 𝑿 𝜷 ̂ ′ 𝑿′ 𝒀 (2.28)
Sehingga
̂ ′𝑿′ 𝒀 − 𝜷
𝜺′ 𝜺 = 𝒀′ 𝒀 − 𝜷 ̂ ′𝑿′ 𝒀 + 𝜷
̂ ′𝑿′ 𝑿 𝜷
̂
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
̂ ′ 𝑿′ 𝒀 + 𝑿′ 𝑿 𝜷
= 𝒀′ 𝒀 − 2 𝜷 ̂𝟐 (2.29)
̂ yang mampu
Dengan menggunakan OLS untuk menentukan penduga 𝜷
̂ sebagai berikut:
(penurunan) terhadap 𝜷
𝜕𝑆
̂
= −2𝑿′𝒀 + 2𝑿′𝑿 𝜷 (2.30)
̂
𝜕𝜷
karena
̂ ′ 𝑿′ 𝒀) 𝜕2 𝜷
𝜕(2 𝜷 ̂ ′ (𝑿′ 𝒀)
= = 2𝑿′ 𝒀
𝜕𝜷̂ 𝜕𝜷 ̂
misalkan 𝑨 = 𝑿′ 𝑿, maka
̂ ′𝑿′ 𝑿 𝜷
𝜕(𝜷 ̂ ) 𝜕( 𝜷
̂ ′ 𝑨𝜷
̂)
= ̂
= 2𝑨𝜷
𝜕𝜷̂ 𝜕𝜷 ̂
Sehingga
̂ ′𝑿′ 𝑿 𝜷
𝜕(𝜷 ̂)
̂
= 2𝑿′ 𝑿𝜷
𝜕𝜷̂
Sebagai contoh, bila persamaan regresi dengan parameter 𝛽1 dan 𝛽2, misalkan
̂ ′𝑿′ 𝑿 𝜷
𝑿′ 𝑿 = 𝑐𝑖𝑗 , 𝑖, 𝑗 = 1,2 dengan 𝑐12 = 𝑐21. Maka: 𝜷 ̂2 + 𝑐 𝛽
̂ = 𝑐11 𝛽 ̂2
1 22 2 +
̂1 𝛽
2𝑐12 𝛽 ̂2. Lalu, 𝜷
̂ ′𝑿′ 𝑿 𝜷
̂ akan diturunkan terhadap 𝛽
̂1 dan 𝛽
̂2.
̂ ′𝑿′ 𝑿 𝜷 ̂2 + 𝑐 𝛽
̂ ) 𝜕(𝑐11 𝛽 ̂2 ̂̂
𝜕(𝜷 1 22 2 + 2𝑐12 𝛽1 𝛽2 )
= = 2𝑐11 𝛽1 + 2𝑐12 𝛽2
𝜕𝛽̂1 ̂1
𝜕𝛽
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Dan
̂ ′𝑿′ 𝑿 𝜷 ̂2 + 𝑐 𝛽
̂ ) 𝜕(𝑐11 𝛽 ̂2 ̂̂
𝜕(𝜷 1 22 2 + 2𝑐12 𝛽1 𝛽2 )
= = 2𝑐12 𝛽1 + 2𝑐12 𝛽2
𝜕𝛽̂2 ̂2
𝜕𝛽
Karena kedua turunan parsial dalam vektor 2 𝑥 1,maka dapat ditulis dengan
̂.
2𝑿′ 𝑿𝜷
𝜕𝑆
=0
̂
𝜕𝜷
Sehingga
̂
0 = −2𝑿′𝒀 + 2𝑿′𝑿 𝜷
̂ = 2𝑿′𝒀
2𝑿′𝑿 𝜷
̂ = 𝑿′𝒀
(𝑿′𝑿) 𝜷
̂ , yaitu:
nilai 𝜷
̂ = (𝑿′𝑿)−1 𝑿′𝒀
𝜷 (2.31)
32
bola, dimana ketiga bola itu berwarna merah atau putih tetapi tidak diketahui
secara random tanpa pengembalian. Jika yang terambil adalah dua bola
berwarna merah maka dapat disimpulkan bahwa jumlah bola berwana merah
yang ada di kotak haruslah dua atau tiga (jika terdapat nol atau satu bola
merah pada kotak, maka tidak mungkin sampel yang terambil dua bola
merah). Jika terdapat dua bola merah dan satu bola putih di dalam kotak,
2 1
( )( ) 1
2 0 =
3 3
( )
2
Jika terdapat tiga bola berwarna merah di dalam kotak, maka peluang
3
( )
2 =1
3
( )
2
Karena itu dipilih tiga sebagai penduga dari banyaknya bola merah di dalam
sampel yang diamati. Tentu saja ini mungkin apabila terdapat dua bola merah
untuk tiga bola merah yang terdapat di dalam kotak. Contoh ilustrasi ini
33
Definisi 2.17
fungsi likelihood dari sampel random adalah densitas bersama dari 𝑛 variabel
random dan bergantung pada fungsi parameter yang tidak diketahui. Fungsi
Definisi 2.18
logaritma natural fungsi likelihood tersebut atau disebut dengan fungsi log-
𝑙 = ln 𝐿(𝜃) (2.33)
likelihood. Hal ini tersebut dilakukan dengan mencari turunan parsial pertama
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
𝑑𝑙
=0 (2.34)
𝑑𝜃
𝑑𝑙
=0 (2.35)
𝑑𝜃1
dengan 𝑙 = ln(𝜃1 , 𝜃2 , … , 𝜃𝑛 ) , 𝑖 = 1, 2, … , 𝑘
Contoh 2.9
𝑥 0 1 2 3
2𝜃 𝜃 2(1 − 𝜃) 1−𝜃
𝑃(𝑥)
3 3 3 3
Jawab:
35
𝑛 3
2𝜃 2 𝜃 3 2(1 − 𝜃) 1−𝜃 2
𝐿(𝜃) = ∏ 𝑃(𝑋𝑖 |𝜃) = ( ) ( ) ( ) ( )
3 3 3 3
𝑖=1
Ini jelas bahwa fungsi likelihood 𝐿(𝜃) tidak mudah untuk dimaksimalkan.
2 1 2
= 2 (log + log 𝜃) + 3 (log + log 𝜃) + 3 (log + log(1 − 𝜃))
3 3 3
1
+ 2 (log + log(1 − 𝜃))
3
Penduga 𝜃dapat diperoleh dengan mencari turunan dari 𝑙(𝜃) terhadap 𝜃 dan
disamadengankan nol.
𝑑𝑙(𝜃) 5 5
= − =0
𝑑𝜃 𝜃 1−𝜃
36
F. METODE NEWTON-RAPHSON
eksplisit.
dan |𝑥0 − 𝑝| suatu bilangan kecil. Deret Taylor untuk 𝑓(𝑥) di sekitar 𝑥0
adalah:
𝑓 ′′ (𝑥0 )
𝑓(𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 )𝑓 ′ (𝑥0 ) + (𝑥 − 𝑥0 )2 + ⋯ (2.36)
2!
𝑓 ′′ (𝑥0 )
0 = 𝑓(𝑥0 ) + (𝑝 − 𝑥0 )𝑓 ′ (𝑥0 ) + + (𝑝 − 𝑥0 )2 + ⋯ (2.37)
2!
𝑓(𝑥0 )
𝑝 ≈ 𝑥0 − (2.39)
𝑓 ′ (𝑥0 )
dengan nilai awal 𝑝0 dan menghasilkan barisan {𝑝𝑛 } yang didefinisikan oleh
𝑓(𝑝𝑛−1 )
𝑝𝑛 = 𝑝𝑛−1 − , 𝑛≥1 (2.40)
𝑓 ′ (𝑝𝑛−1 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
berturut-turut.
𝑔(𝑝𝑛−1 ) dengan
𝑓(𝑝𝑛−1 )
𝑔(𝑝𝑛−1 ) = 𝑝𝑛−1 − , 𝑛≥1 (2.41)
𝑓 ′ (𝑝𝑛−1 )
BAB III
ORDINAL
A. REGRESI LOGISTIK
I. Pendahuluan
tak bebas (dependen) yang datanya berskala ordinal atau nominal. Dilihat
dari variabel bebasnya, regresi logistik terbagi menjadi dua yaitu regresi
38
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Gaussian.
𝑌 ke 𝑌′ (Fox,1997)
besar dari kegagalan, maka nilai odds lebih besar dari 1. Jika kedua
kurang dari 1.
Contoh 𝟑. 𝟏
dapat digambarkan sebagai biner: seorang anak berhasil lulus ujian SIM
(sukses) atau tidak (gagal). Odds dapat dihitung dari data sampel dengan
𝑃(𝑌 = 1) 𝑃(𝑌 = 1)
Odds = =
𝑃(𝑌 = 0) 1 − 𝑃(𝑌 = 1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
atau usia, kita menggunakan rasio odds (OR), yang membandingkan odds
Contoh 𝟑. 𝟐
𝑃(𝑌 = 1|𝑥 = 1)
1 − 𝑃(𝑌 = 1|𝑥 = 1)
𝑂𝑅 =
𝑃(𝑌 = 1|𝑥 = 0)
1 − 𝑃(𝑌 = 1|𝑥 = 0)
4. Rasio odds harus lebih besar dari atau sama dengan 0 atau 𝑂𝑅 ≥ 1.
5. Rasio odds harus mendekati nol jika odds kejadian dari grup pertama
mendekati nol.
6. Rasio odds akan mendekati positif tak terhingga jika odds kejadian
41
dua kategori atau lebih dengan satu atau lebih peubah bebas berskala
Contoh 𝟑. 𝟑
(AGE), variabel kelompok umur (AGRP) dan variabel hasil CHD yang
diberi kode dengan "0" menunjukkan CHD tidak ada atau "1"
42
1.2
0.8
CHD
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80
AGE
Dalam scatterplot, semua titik jatuh pada salah satu dari dua garis sejajar
CHD Rata-rata
Kelompok Banyaknya
(proporsi)
umur (n) (-) (+)
[(+)/n]
20-29 10 9 1 0.10
30-34 15 13 2 0.13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
35-39 12 9 3 0.25
40-44 15 10 5 0.33
45-49 13 7 6 0.46
50-54 8 3 5 0.63
55-59 17 4 13 0.76
60-69 10 2 8 0.80
0.9
0.8
0.7
0.6
dalam persen
0.5
CHD
0.4
0.3
0.2
0.1
0
0 2 4 6 8 10
AGE
kelompok umur
Ada dua perbedaan penting dari kedua gambar di atas. Perbedaan yang
adalah nilai rata-rata dari variabel hasil, jika diketahui nilai variabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
dinyatakan sebagai
𝐸(𝑌|𝑥)
𝐸(𝑌|𝑥) = 𝛽0 + 𝛽1 𝑥 (3.1)
rata-rata bersyarat harus lebih besar atau sama dengan 0 dan kurang dari
adalah
𝑒 𝛽0 +𝛽1 𝑥
𝜋(𝑥) = (3.2)
1 + 𝑒𝛽0 +𝛽1𝑥
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
𝑒 𝛽0+𝛽1 𝑥
𝜋(𝑥) =
1 + 𝑒𝛽0 +𝛽1 𝑥
𝜋(𝑥)
= 𝑒 𝛽0 +𝛽1𝑥 (3.3)
1 − 𝜋(𝑥)
𝜋(𝑥)
ln ( ) = ln(𝑒 𝛽0 +𝛽1 𝑥 )
1 − 𝜋(𝑥)
𝜋(𝑥)
ln ( ) = 𝛽0 + 𝛽1 𝑥
1 − 𝜋(𝑥)
𝜋(𝑥) (3.4)
𝑔(𝑥) = ln ( ) = 𝛽0 + 𝛽1 𝑥
1 − 𝜋(𝑥)
dari model regresi linear, dan logit 𝑔(𝑥) adalah linear dalam
46
berdistribusi normal dengan rata-rata nol dan variansi konstan. Hal yang
demikian ini tidak terjadi pada variabel hasil yang dikotomis. Pada situasi
ada 3 yaitu:
𝑒 𝛽0 +𝛽1𝑥
𝜋̂(𝑥) =
1 + 𝑒𝛽0 +𝛽1𝑥
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
sukses”.
𝜋(𝑥)
= 𝑒 𝛽0 +𝛽1𝑥
1 − 𝜋(𝑥)
estimasi parameter.
𝜋̂(𝑥)
𝑔(𝑥) = ln ( ) = 𝛽0 + 𝛽1 𝑥
1 − 𝜋̂(𝑥)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
kuadrat terkecil. Tetapi bila diterapkan pada model hasil dikotomis maka
probabilitas pada data yang diamati. Maka kita harus mempunyai fungsi
49
adalah
𝑛
ln[𝜋(𝑥𝑖 )] = 𝛽0 + 𝛽1 𝑥𝑖 adalah:
𝑛
𝜕𝑙(𝜷) 𝜕
= {∑{ 𝑦𝑖 ln[𝜋(𝑥𝑖 )] + (1 − 𝑦𝑖 ) ln[1 − 𝜋(𝑥𝑖 )]}}
𝜕𝛽0 𝜕𝛽0
𝑖=1
𝑛
𝜕
= {∑{ 𝑦𝑖 (𝛽0 + 𝛽1 𝑥𝑖 ) + (1 − 𝑦𝑖 ) ln[1 − 𝜋(𝑥𝑖 )]}}
𝜕𝛽0
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
𝑛 𝑛
𝜕
= {∑ 𝑦𝑖 (𝛽0 + 𝛽1 𝑥𝑖 ) + ∑(1 − 𝑦𝑖 ) ln[1 − 𝜋(𝑥𝑖 )]}
𝜕𝛽0
𝑖=1 𝑖=1
𝑛 𝑛
1
= ∑ 𝑦𝑖 + ∑ (−1)( 1 − 𝜋(𝑥𝑖 ))𝜋(𝑥𝑖 )
(1 − 𝜋(𝑥𝑖 ))
𝑖=1 𝑖=1
ln[𝜋(𝑥𝑖 )] = 𝛽0 + 𝛽1 𝑥𝑖 adalah:
𝑛
𝜕𝑙(𝜷) 𝜕
= {∑{ 𝑦𝑖 ln[𝜋(𝑥𝑖 )] + (1 − 𝑦𝑖 ) ln[1 − 𝜋(𝑥𝑖 )]}}
𝜕𝛽1 𝜕𝛽1
𝑖=1
𝑛
𝜕
= {∑{ 𝑦𝑖 (𝛽0 + 𝛽1 𝑥𝑖 ) + (1 − 𝑦𝑖 ) ln[1 − 𝜋(𝑥𝑖 )]}}
𝜕𝛽0
𝑖=1
𝑛 𝑛
𝜕
= {∑ 𝑦𝑖 (𝛽0 + 𝛽1 𝑥𝑖 ) + ∑(1 − 𝑦𝑖 ) ln[1 − 𝜋(𝑥𝑖 )]}
𝜕𝛽0
𝑖=1 𝑖=1
𝑛 𝑛
1
= ∑ 𝑦𝑖 𝑥𝑖 + ∑ (−1)(𝑥𝑖 )(𝜋(𝑥𝑖 ))( 1 − 𝜋(𝑥𝑖 ))
(1 − 𝜋(𝑥𝑖 ))
𝑖=1 𝑖=1
51
dengan:
𝑛
dan
𝑛
∑[𝑦𝑖 − 𝜋(𝑥𝑖 )] = 0
𝑆 (𝛽 , 𝛽 )
𝑆(𝛽0 , 𝛽1 ) = [ 1 0 1 ] = 𝑖=1
𝑛 (3.12)
𝑆2 (𝛽0 , 𝛽1 )
∑ 𝑥𝑖 (𝑦𝑖 − 𝜋(𝑥𝑖 )) = 0
[ 𝑖=1 ]
̂.
disebut penduga kemungkinan maksimum dan akan dinotasikan oleh 𝜷
∑ 𝑦𝑖 = ∑ 𝜋̂(𝑥𝑖 ) (3.13)
𝑖=1 𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Yang artinya, jumlah nilai 𝑦 yang teramati sama dengan jumlah nilai
Contoh 3.4
logit(promosi) = 𝛽0 + β1 (publikasi)
= −6.00 + 0.39(publikasi)
sampai 30. Sebagai tambahan, diberikan tiga nilai yang diprediksi: logit,
“publikasi”. Hal ini dapat diverifikasi pada table 3.2 (lampiran 1) dengan
53
odds(promosi) = 𝑒 (−6.00+0.39(publikasi))
1
probabilitas (promosi) =
1 + 𝑒 (−6.00+0.39(publikasi))
Contoh 𝟑. 𝟓
𝐶𝐻𝐷 = 𝛽0 + 𝛽1 𝐴𝐺𝐸
Penyelesaian:
Persamaan (3.10)
𝑛 (3.14)
𝜕 ∑𝑛𝑖=1[𝑦𝑖 − 𝜋(𝑥𝑖 )]
= − ∑ 𝜋(𝑥𝑖 )(1 − 𝜋(𝑥𝑖 ))
𝜕𝛽0
𝑖=1
𝑛
𝜕 ∑𝑛𝑖=1[𝑦𝑖 − 𝜋(𝑥𝑖 )]
= − ∑ 𝑥𝑖 (𝜋(𝑥𝑖 ))(1 − 𝜋(𝑥𝑖 )) (3.15)
𝜕𝛽1
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Persamaan (3.11)
𝑛
𝜕 ∑𝑛𝑖=1 𝑥𝑖 (𝑦𝑖 − 𝜋(𝑥𝑖 ))
= − ∑ 𝑥𝑖 (𝜋(𝑥𝑖 ))(1 − 𝜋(𝑥𝑖 )) (3.16)
𝜕𝛽0
𝑖=1
𝑛
𝜕 ∑𝑛𝑖=1 𝑥𝑖 (𝑦𝑖 − 𝜋(𝑥𝑖 ))
= − ∑ 𝑥𝑖2 (𝜋(𝑥𝑖 ))(1 − 𝜋(𝑥𝑖 )) (3.17)
𝜕𝛽1
𝑖=1
(0) (0)
dengan nilai awal (𝛽0 , 𝛽1 ). Nilai awal (𝛽0 , 𝛽1 ) yang berlaku dari
(𝑗) (𝑗)
tersebut. Sehingga, jika 𝛽0 dan 𝛽1 adalah nilai parameter yang berlaku
(𝑗+1) (𝑗+1)
berikutnya (𝛽0 , 𝛽1 ) dihitung dengan:
(0) (0)
Dimulai dengan 𝛽0 dan 𝛽1 , evaluasi dari persamaan (3.18)
̂0 , 𝛽
yang mendekati nilai penduga maksimum (𝛽 ̂1 ). Karena nilai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
(0) (0)
maksimum itu tunggal, maka pemilihan nilai awal 𝛽0 dan 𝛽1 tidak
(0) (0)
begitu penting. Agar lebih mudah, pilih 𝛽0 = 0 dan 𝛽1 = 0.
(0)
𝛽1 = 0, maka untuk semua 𝑖 = 1, … ,100 sehingga
exp(0 + 0𝑥𝑖 )
𝜋(𝑥𝑖 ) = = 0.5
1 + exp(0 + 0𝑥𝑖 )
(0) (0)
Nilai fungsi log-kemungkinan pada 𝛽0 = 𝛽1 = 0 adalah
100
= 100(−0.6931)
= −69.31
(0) (0)
Dilihat pada Tabel 3.4. Hasil perhitungan dengan 𝛽0 = 0 dan 𝛽1 =0
(lampiran 2) didapat:
0 25 1109.5 −1 −7
=[ ]+[ ] [ ]
0 1109.5 52640 −14
0 0.6192 −0.0130 −7
=[ ]+[ ][ ]
0 −0.0130 0.0003 −14
0 −4.1518
=[ ]+[ ]
0 0.0872
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
−4.1518
=[ ]
0.087
̂0 =-5.3112 dan 𝛽
akhir 𝛽 ̂1 =0.1110 seperti yang terlihat pada tabel 3.9
(𝑗) (𝑗)
Iterasi (j) 𝛽0 𝛽1 fungsi likelihood
0 0 0 -69.3147
𝑒 −5.3112+0.1110xAGE
𝜋̂(𝑥) =
1 + 𝑒 −5.3112+0.1110xAGE
(AGE).
57
penyakit CHD, semakin bertambah nilai usia (AGE) maka akan semakin
𝜋(1) 𝜋(0)
dan nilai odds paada 𝑥 = 0 didefinisikan sebagai .
[1−𝜋(1)] [1−𝜋(0)]
𝜋(1)
[1 − 𝜋(1)]
𝑂𝑅 = (3.20)
𝜋(0)
[1 − 𝜋(0)]
58
𝑒 𝛽0 +𝛽1 𝑒 𝛽0
𝑦=1 𝜋(1) = 𝜋(0) =
1 + 𝑒 𝛽0 +𝛽1 1 + 𝑒𝛽0
1 1
𝑦=0 1 − 𝜋(1) = 1 − 𝜋(0) =
1 + 𝑒𝛽0 +𝛽1𝑥 1 + 𝑒𝛽0
Total 1 1
𝑒 𝛽0 +𝛽1
( )
1 + 𝑒 𝛽0 +𝛽1
1
( 𝛽0 +𝛽1 𝑥 )
𝑂𝑅 = 1 + 𝑒
𝑒 𝛽0
( )
1 + 𝑒𝛽0
1
( )
1 + 𝑒𝛽0
𝑒 𝛽0 +𝛽1
=
𝑒𝛽0
= 𝑒 𝛽1
𝑂𝑅 = 𝑒 𝛽1
Dengan menggunakan data pada Contoh 3.4 dicari rasio odds yaitu
dengan membuat variabel baru, AGE yang didefinisikan nilai 1 jika umur
responden lebih besar dari atau sama dengan 55 dan 0 jika umur
59
AGE (x)
(1) (0)
𝑦=1
21 22 43
(Ada)
𝑦=0
6 51 57
(Tidak Ada)
Total 27 73 100
Tabel 3.11 Klasifikasi Silang AGE pada 55 tahun dan CHD untuk 100
responden
21
6
Maka 𝑂𝑅 = 22 = 8.11
51
Yang mempunyai arti bahwa responden yang berusia lebih dari sama
dengan 55 tahun beresiko memiliki CHD 8.11 (atau 8:1) kali lipat
(𝑌) dengan lebih dari satu variabel independen (𝑋) dengan variabel
60
dependen berskala ordinal yang terdiri dari tiga atau lebih kategori.
𝑒 𝑔(𝑥)
𝜋(𝑥) = (3.21)
1 + 𝑒 𝑔(𝑥)
dependen, 𝑃(𝑌 > 𝑗|𝑿𝑖 ) (Hosmer dan Lemeshow, 2000: 290). Jika
𝑇
diasumsikan 𝑿𝒊 = [𝑋𝑖1 𝑋𝑖2 … 𝑋𝑖𝑝 ] dan 𝜷 = (𝛽1 , 𝛽2 , … , 𝛽𝑝 ). Maka
Dengan
𝑗 = 1, 2, … , 𝐽 − 1, 𝑖 = 1, 2, … , 𝑛 dan 𝑘 = 1, 2, … , 𝑝
61
𝑃(𝑌 ≤ 𝑗|𝑿𝑖 )
= ln ( )
𝑃(𝑌 > 𝑗|𝑿𝑖 )
𝑃(𝑌 ≤ 𝑗|𝑿𝑖 )
= ln ( )
1 − 𝑃(𝑌 ≤ 𝑗|𝑿𝑖 )
= 𝛽0𝑗 + ∑ 𝛽𝑘 𝑋𝑖𝑘
𝑘=1
62
dengan 𝑗 = 1, 2, … , 𝐽.
𝛾1
𝑙𝑜𝑔𝑖𝑡(𝛾1 ) = log ( ) = 𝛽01 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + ⋯ + 𝛽𝑘 𝑋𝑖𝑘
1 − 𝛾1
𝛾2
𝑙𝑜𝑔𝑖𝑡(𝛾2 ) = log ( ) = 𝛽02 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + ⋯ + 𝛽𝑘 𝑋𝑖𝑘
1 − 𝛾2
𝛾𝐽−1
𝑙𝑜𝑔𝑖𝑡(𝛾𝐽−1 ) = log ( ) = 𝛽0𝐽−1 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + ⋯ + 𝛽𝑘 𝑋𝑖𝑘
1 − 𝛾𝐽−1
Sehingga
63
berikut:
= 𝑃(𝑌 ≤ 1|𝑿𝑖 )
𝑝
exp(𝛽01 + ∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 )
= (3.26)
1 + exp(𝛽01 + ∑𝑝𝑘=1 𝛽𝑘 𝑋𝑖𝑘 )
persamaan (3.5).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
dengan 𝑖 = 1, … , 𝑛 dan 𝐽 = 3
𝑙(𝜷) = ∑ 𝑦1𝑖 ln[∅1 (𝑿𝑖 ) ] + 𝑦2𝑖 ln[∅2 (𝑿𝑖 ) ] + 𝑦3𝑖 ln[∅3 (𝑿𝑖 ) ] (3.30)
𝑖=1
likelihoodnya menjadi:
𝑛
𝑒 𝑔1 (𝑥)
𝑙(𝜷) = ∑ 𝑦1𝑖 ln [ ]
1 + 𝑒 𝑔1 (𝑥)
𝑖=1
𝑒 𝑔2 (𝑥)
+ 𝑦3𝑖 ln [1 − ]
1 + 𝑒 𝑔2 (𝑥)
𝑒 𝑔2 (𝑥) 𝑒 𝑔1 (𝑥)
Karena ln [1+𝑒 𝑔2(𝑥) − 1+𝑒 𝑔1(𝑥)]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
(𝑒 𝑔2 (𝑥) ) − (𝑒 𝑔1 (𝑥) )
=
(1 + 𝑒 𝑔2 (𝑥) )(1 + 𝑒 𝑔1 (𝑥) )
𝑝 𝑝
𝑒 (𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘) − 𝑒 (𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘)
= 𝑝 𝑝
(1 + 𝑒 (𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘) ) (1 + 𝑒 (𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘) )
𝑝
∑ 𝛽 𝑋
𝑒 𝑘=1 𝑘 𝑖𝑘 𝑒 (𝛽02 −𝛽01 )
= 𝛽 +∑
𝑝
𝛽 𝑋 𝛽 +∑ 𝛽 𝑋
𝑝 (3.32)
(1+𝑒 02 𝑘=1 𝑘 𝑖𝑘 )(1+𝑒 01 𝑘=1 𝑘 𝑖𝑘 )
𝑛 𝑝
𝑝
𝑙(𝜷) = ∑ 𝑦1𝑖 ((𝛽01 + ∑ 𝛽𝑘 𝑋𝑖𝑘 ) − ln (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ))
𝑖=1 𝑘=1
𝑛 𝑝
𝑝 𝑝
+ ∑ 𝑦2𝑖 (∑ 𝛽𝑘 𝑋𝑖𝑘 + ln(𝑒 𝛽02 − 𝑒 𝛽01 ) − ln (1 + 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ) − ln (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ))
𝑖=1 𝑘=1
𝑛
𝑝
+ ∑ 𝑦3𝑖 (− ln (1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )) (3.33)
𝑖=1
66
𝑛 𝑝 𝑝
𝜕 𝐿(𝜷) 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑒 𝛽01 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦1𝑖 (1 − 𝑝 ) +𝑦2𝑖 (− 𝛽 − 𝑝 )} (3.34)
𝜕 𝛽01 1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑒 02 − 𝑒𝛽01 1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑖=1
𝑛 𝑝 𝑝
𝜕 𝐿(𝜷) 𝑒 𝛽02 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦2𝑖 ( 𝛽 − 𝑝 ) + 𝑦3𝑖 (− 𝑝 )} (3.35)
𝜕 𝛽02 𝑒 02 − 𝑒𝛽01 1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑖=1
𝑝 𝑝
𝑋𝑖1 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑋𝑖1 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦2𝑖 (𝑋𝑖1 − 𝑝 − 𝑝 ) (3.36)
1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑝
𝑋𝑖1 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦3𝑖 (𝑋𝑖1 − 𝑝 )}
1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑛 𝑝
𝜕 𝐿(𝜷) 𝑋𝑖2 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦1𝑖 (𝑋𝑖2 − 𝑝 )
𝜕𝛽2 1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑖=1
𝑝 𝑝
𝑋𝑖2 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑋𝑖2 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦2𝑖 (𝑋𝑖2 − 𝑝 − 𝑝 ) (3.37)
1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑝
𝑋𝑖2 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦3𝑖 (𝑋𝑖2 − 𝑝 )}
1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
parameter:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
2 = ∑ {𝑦1𝑖 (− 2)
𝜕𝛽01 𝑝
𝑖=1 (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
(3.38)
𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒 𝛽01 +𝛽02 𝑒
+ 𝑦2𝑖 (− − 2 )}
(𝑒𝛽02 − 𝑒𝛽01 )2 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 )
𝑛
𝜕 2 𝑙(𝜷) 𝑒 𝛽01 +𝛽02
= ∑ {𝑦2𝑖 ( 𝛽 )} (3.39)
𝜕𝛽01 𝛽02 (𝑒 02 − 𝑒 𝛽01 )2
𝑖=1
𝑛
𝜕 2 𝑙(𝜷) 𝑒 𝛽01 +𝛽02
= ∑ {𝑦2𝑖 ( 𝛽 )} (3.40)
𝜕𝛽02 𝛽01 (𝑒 02 − 𝑒 𝛽01 )2
𝑖=1
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑒 𝛽01+𝛽02 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
2 = ∑ {𝑦2𝑖 ( 𝛽 − 2)
𝜕 𝛽02 (𝑒 02 − 𝑒𝛽01 )2 𝑝
𝑖=1 (1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
(3.41)
𝑝
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒
+ 𝑦3𝑖 (− 𝑝 2 )}
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦1𝑖 + 𝑦2𝑖 ) ( 2 )} (3.42)
𝜕𝛽01 𝛽1 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖2 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦1𝑖 + 𝑦2𝑖 ) ( 2 )} (3.43)
𝜕𝛽01 𝛽2 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦2𝑖 + 𝑦3𝑖 ) ( 2 )} (3.44)
𝜕𝛽02 𝛽1 𝑝
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖2 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦2𝑖 + 𝑦3𝑖 ) ( 2 )} (3.45)
𝜕𝛽02 𝛽2 𝑝
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
𝑛 𝑝
2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑒
= ∑ {𝑦1𝑖 (− 2)
𝜕𝛽12 𝑝
𝑖=1 (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
𝑝 𝑝
2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖1 𝑒 𝑋𝑖1 𝑒
+ 𝑦2𝑖 (− 𝑝 2 − 𝑝 2) (3.46)
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 ) (1 + 𝑒 )
𝑝
2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖1 𝑒
+ 𝑦3𝑖 (− 𝑝 2 )}
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 )
𝑛 𝑝
2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝜕 2 𝑙(𝜷) 𝑋𝑖2 𝑒
= ∑ {𝑦1𝑖 (− 2)
𝜕𝛽22 𝑝
𝑖=1 (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
𝑝 𝑝
2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖2 𝑒 𝑋𝑖2 𝑒
+ 𝑦2𝑖 (− 𝑝 2 − 𝑝 2) (3.47)
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 ) (1 + 𝑒 )
𝑝
2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖2 𝑒
+ 𝑦3𝑖 (− 𝑝 2 )}
(1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑋𝑖2 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦1𝑖 (− 2)
𝜕𝛽1 𝛽2 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑝 𝑝
𝑋𝑖1 𝑋𝑖2 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑋𝑖1 𝑋𝑖2 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦2𝑖 (− 𝑝 2 − 𝑝 2) (3.48)
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 ) (1 + 𝑒 )
𝑝
𝑋𝑖1 𝑋𝑖2 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦3𝑖 (− 𝑝 2 )}
(1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Dengan
𝑇
𝒕
𝜕𝑙(𝜷) 𝜕𝑙(𝜷) 𝜕𝑙(𝜷) 𝜕𝑙(𝜷)
𝒒 =( ) (3.50)
𝜕𝛽01 𝜕𝛽02 𝜕𝛽1 𝜕𝛽2
𝑻
𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
2 𝜕𝛽01 𝜕𝛽02 𝜕𝛽01 𝛽1
𝜕𝛽01 𝜕𝛽01 𝛽2
2
𝜕 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
𝜕𝛽02 𝛽01 2 𝜕𝛽02 𝛽1 𝜕𝛽02 𝛽2
𝜕𝛽02
𝑯𝒕 = 2 2
(3.51)
𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 𝑙(𝜷) 𝜕 𝑙(𝜷)
𝜕𝛽1 𝛽01 𝜕𝛽1 𝛽02 𝜕𝛽12 𝜕𝛽1 𝛽2
𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
( 𝜕𝛽2 𝛽01 𝜕𝛽2 𝛽02 𝜕𝛽2 𝛽1 𝜕𝛽22 )
Contoh 3.7
yaitu BWT > 3500𝑔 (0), 3000𝑔 < BWT ≤ 3500𝑔 (1), 2500𝑔 <
70
ini adalah menghitung nilai rasio odds pengaruh merokok pada berat
(0) (1)
y=0
35 11 46
(BWT > 3500)
y=1
29 17 46
(3000 < BWT ≤ 3500)
y=2
22 16 38
(2500 < BWT ≤ 3000)
y=3
29 30 38
(BWT ≤ 2500)
Tabel 3.12 Klasifikasi perkalian 4 kategori skala ordinal hasil berat lahir
17𝑥35
̂ (1,0) =
𝑂𝑅 = 1.87
29𝑥11
16𝑥35
̂ (2,0) =
𝑂𝑅 = 2.31
22𝑥11
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
10𝑥35
̂ (3,0) =
𝑂𝑅 = 3.29
29𝑥11
Contoh 3.8
mempunyai beberapa kategori (tidak berminat (0), agak berminat (1), dan
bilangan biner (0 = SMA, 1 = diatas SMA). GPA (𝑥2 ) adalah nilai ujian
72
Data: Keinginan_melanjutkan
3) Parameter Estimates
73
13.908 dan 𝛽02 (kategori agak berminat) adalah 17.024. Lalu nilai
74
berikut:
= 𝑃(𝑌 ≤ 1|𝑿𝑖 )
Rasio Odds
berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
1. Nilai rasio odds pada variabel status pendidikan orang tua (𝑥1 )
𝑦=0
2 1 3
(tidak berminat)
𝑦=1
3 5 8
(agak berminat)
𝑦=2
3 6 9
(berminat sekali)
Total 8 12 20
5𝑥2
̂ (1,0) =
𝑂𝑅 = 3.33
3𝑥1
6𝑥2
̂ (2,0) =
𝑂𝑅 =4
3𝑥1
̂ (𝑗, 0) menunjukkan rasio odds pendidikan di atas
Dengan 𝑂𝑅
76
adalah
GPA (𝑥2 )
Keinginan
>3 ≥3 Total
melanjutkan (y)
(0) (1)
𝑦=0
2 1 3
(tidak berminat)
𝑦=1
5 3 8
(agak berminat)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
𝑦=2
1 8 9
(berminat sekali)
Total 8 12 20
GPA
≥ 3 adalah
3𝑥2
̂ (1,1) =
𝑂𝑅 = 1.2
5𝑥1
8𝑥2
̂ (2,1) =
𝑂𝑅 = 16
1𝑥1
̂ (𝑗, 0) menunjukkan rasio odds GPA ≥ 3untuk y = j
Dengan 𝑂𝑅
78
= 0.999999999999262
= 0.999999999999967
berikut:
= 𝑃(𝑌 ≤ 1|𝑿𝑖 )
= 0.999999999999262
= 0.999999999999967 − 0.999999999999262
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
= 0.000000000000704
= 1 − 0.999999999999967
= 0.00000000000032
0.000000000000737.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV
APLIKASI REGRESI LOGISTIK ORDINAL
yang diambil merupakan hasil data yang diambil pada buku Categorical Data
program SPSS ini bertujuan untuk memudahkan dan mempercepat proses analisis.
A. PENDUGAAN PARAMETER
dependen adalah:
= 𝑃(𝑌 ≤ 1|𝑿𝑖 )
80
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
𝐿(𝜷) = ∏[∅1 (𝑿𝑖 )𝑦1𝑖 ∅2 (𝑿𝑖 )𝑦2𝑖 ∅3 (𝑿𝑖 )𝑦3𝑖 ∅4 (𝑿𝑖 )𝑦4𝑖 ] , (4.5)
𝑖=1
dengan 𝑖 = 1, … , 𝑛 dan 𝐽 = 4
𝑙(𝜷) = ∑ 𝑦1𝑖 ln[∅1 (𝑿𝑖 ) ] + 𝑦2𝑖 ln[∅2 (𝑿𝑖 ) ] + 𝑦3𝑖 ln[∅3 (𝑿𝑖 ) ] + 𝑦4𝑖 ln[∅4 (𝑿𝑖 ) ] (4.6)
𝑖=1
likelihoodnya menjadi:
𝑛
𝑒 𝑔1 (𝑥) 𝑒 𝑔2 (𝑥) 𝑒 𝑔1 (𝑥)
𝑙(𝜷) = ∑ 𝑦1𝑖 ln [ ] + 𝑦2𝑖 ln [ − ]
1 + 𝑒 𝑔1 (𝑥) 1 + 𝑒 𝑔2 (𝑥) 1 + 𝑒 𝑔1 (𝑥)
𝑖=1
(4.7)
𝑒 𝑔3 (𝑥) 𝑒 𝑔2 (𝑥) 𝑒 𝑔3 (𝑥)
+ 𝑦3𝑖 ln [ − ] + 𝑦4𝑖 ln [1 − ]
1 + 𝑒 𝑔3 (𝑥) 1 + 𝑒 𝑔2 (𝑥) 1 + 𝑒 𝑔3 (𝑥)
𝑒 𝑔2 (𝑥) 𝑒 𝑔1 (𝑥)
Karena ln [1+𝑒 𝑔2(𝑥) − 1+𝑒 𝑔1(𝑥)]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
(𝑒 𝑔2 (𝑥) ) − (𝑒 𝑔1 (𝑥) )
=
(1 + 𝑒 𝑔2 (𝑥) )(1 + 𝑒 𝑔1 (𝑥) )
𝑝 𝑝
𝑒 (𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘) − 𝑒 (𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘)
= 𝑝 𝑝
(1 + 𝑒 (𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘) ) (1 + 𝑒 (𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘) )
𝑝
𝑒 ∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑒 (𝛽02 −𝛽01)
= 𝑝 𝑝 (4.8)
(1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ) (1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
𝑛 𝑝
𝑝
𝑙(𝜷) = ∑ 𝑦1𝑖 ((𝛽01 + ∑ 𝛽𝑘 𝑋𝑖𝑘 ) − ln (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ))
𝑖=1 𝑘=1
𝑛 𝑝
𝑝 𝑝
+ ∑ 𝑦2𝑖 (∑ 𝛽𝑘 𝑋𝑖𝑘 + ln(𝑒 𝛽02 − 𝑒 𝛽01 ) − ln (1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ) − ln (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ))
(4.9)
𝑖=1 𝑘=1
𝑛 𝑝
𝑝 𝑝
+ ∑ 𝑦3𝑖 (∑ 𝛽𝑘 𝑋𝑖𝑘 + ln(𝑒 𝛽03 − 𝑒 𝛽02 ) − ln (1 + 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ) − ln (1 + 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ))
𝑖=1 𝑘=1
𝑛
𝑝
+ ∑ 𝑦4𝑖 (− ln (1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ))
𝑖=1
dengan nol.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
𝑛 𝑝
𝜕 𝑙(𝜷) 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑒 𝛽01
= ∑ {𝑦1𝑖 (1 − 𝑝 ) + 𝑦2𝑖 (− 𝛽
𝜕 𝛽01 1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑒 02 − 𝑒 𝛽01
𝑖=1
(4.10)
𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒
− 𝑝 )}
1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑛 𝑝
𝜕 𝑙(𝜷) 𝑒 𝛽02 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦2𝑖 ( 𝛽 − 𝑝 )
𝜕 𝛽02 𝑒 02 − 𝑒𝛽01 1 + 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑖=1
(4.11)
𝑝
𝛽02 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒 𝑒
+ 𝑦3𝑖 (− − 𝑝 )}
𝑒𝛽03 − 𝑒 𝛽02 1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑛 𝑝
𝜕 𝑙 (𝜷) 𝑒 𝛽03 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦3𝑖 ( 𝛽 − 𝑝 )
𝜕 𝛽03 𝑒 03 − 𝑒𝛽02 1 + 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑖=1
(4.12)
𝑝
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒
+ 𝑦4𝑖 (− 𝑝 )}
1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑛 𝑝
𝜕 𝑙(𝜷) 𝑋𝑖1 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦1𝑖 (𝑋𝑖1 − 𝑝 )
𝜕𝛽1 1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1
𝑝 𝑝
𝑋𝑖1 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑋𝑖1 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦2𝑖 (𝑋𝑖1 − 𝑝 − 𝑝 )
1 + 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
(4.13)
𝑝 𝑝
𝑋𝑖1 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑋𝑖1 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦3𝑖 (𝑋𝑖1 − 𝑝 − 𝑝 )
1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑝
𝑋𝑖1 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦4𝑖 (𝑋𝑖1 − 𝑝 )}
1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
𝑛 𝑝
𝜕 𝑙(𝜷) 𝑋𝑖2 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦1𝑖 (𝑋𝑖2 − 𝑝 )
𝜕𝛽2 1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑖=1
𝑝 𝑝
𝑋𝑖2 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑋𝑖2 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦2𝑖 (𝑋𝑖2 − 𝑝 − 𝑝 )
1 + 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 1 + 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
(4.14)
𝑝 𝑝
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖2 𝑒 𝑋𝑖2 𝑒
+ 𝑦3𝑖 (𝑋𝑖2 − 𝑝 − 𝑝 )
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
1+𝑒 1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
𝑝
𝑋𝑖2 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦4𝑖 (𝑋𝑖2 − 𝑝 )}
1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
penduga parameternya.
parameter:
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
2 = ∑ {𝑦1𝑖 (− 2)
𝜕𝛽01 𝑝
𝑖=1 (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
(4.15)
𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒 𝛽01 +𝛽02 𝑒
+ 𝑦2𝑖 (− − 2 )}
(𝑒𝛽02 − 𝑒𝛽01 )2 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 )
𝑛
𝜕 2 𝑙(𝜷) 𝑒 𝛽01 +𝛽02
= ∑ {𝑦2𝑖 ( 𝛽 )} (4.16)
𝜕𝛽01 𝛽02 (𝑒 02 − 𝑒 𝛽01 )2
𝑖=1
𝜕 2 𝑙(𝜷)
=0 (4.17)
𝜕𝛽01 𝛽03
𝑛
𝜕 2 𝑙(𝜷) 𝑒 𝛽01 +𝛽02
= ∑ {𝑦2𝑖 ( 𝛽 )} (4.18)
𝜕𝛽02 𝛽01 (𝑒 02 − 𝑒 𝛽01 )2
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑒 𝛽01+𝛽02 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
2 = ∑ {𝑦2𝑖 ( 𝛽 − 2)
𝜕 𝛽02 (𝑒 02 − 𝑒𝛽01 )2 𝑝
𝑖=1 (1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
(4.19)
𝑝
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒 𝛽02 +𝛽03 𝑒
+ 𝑦3𝑖 (− − 2 )}
(𝑒𝛽03 − 𝑒𝛽02 )2 𝑝
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 )
𝑛
𝜕 2 𝑙(𝜷) 𝑒 𝛽02 +𝛽03
= ∑ {𝑦3𝑖 ( 𝛽 )} (4.20)
𝜕𝛽02 𝛽03 (𝑒 03 − 𝑒 𝛽02 )2
𝑖=1
𝜕 2 𝑙(𝜷)
=0 (4.21)
𝜕𝛽03 𝛽01
𝑛
𝜕 2 𝑙(𝜷) 𝑒 𝛽02 +𝛽03
= ∑ {𝑦3𝑖 ( 𝛽 )} (4.22)
𝜕𝛽03 𝛽02 (𝑒 03 − 𝑒 𝛽02 )2
𝑖=1
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑒 𝛽02+𝛽03 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
2 = ∑ {𝑦3𝑖 ( − 2)
𝜕 𝛽03 (𝑒𝛽03 − 𝑒𝛽02 )2 𝑝
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
(4.23)
𝑝
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑒
+ 𝑦4𝑖 (− 𝑝 2 )}
(1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦1𝑖 + 𝑦2𝑖 ) ( 2 )} (4.24)
𝜕𝛽01 𝛽1 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖2 𝑒 𝛽01 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦1𝑖 + 𝑦2𝑖 ) ( 2 )} (4.25)
𝜕𝛽01 𝛽2 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦2𝑖 + 𝑦3𝑖 ) ( 2 )} (4.26)
𝜕𝛽02 𝛽1 𝑝
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖2 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 (4.27)
= ∑ {−(𝑦2𝑖 + 𝑦3𝑖 ) ( 2 )}
𝜕𝛽02 𝛽2 𝑝
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦3𝑖 + 𝑦4𝑖 ) ( 2 )} (4.28)
𝜕𝛽03 𝛽1 𝑝
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖2 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {−(𝑦3𝑖 + 𝑦4𝑖 ) ( 2 )} (4.29)
𝜕𝛽03 𝛽2 𝑝
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑛 𝑝
2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑒
= ∑ {𝑦1𝑖 (− 2)
𝜕𝛽12 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑝 𝑝
2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖1 𝑒 𝑋𝑖1 𝑒
+ 𝑦2𝑖 (− 𝑝 2 − 𝑝 2)
(1 + 𝑒 𝛽02 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ) (1 + 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘𝛽 )
(4.30)
𝑝 𝑝
2 𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖1 𝑒 𝑋𝑖1 𝑒
+ 𝑦3𝑖 (− 𝑝 2− 𝑝 2)
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 ) (1 + 𝑒 )
𝑝
2 𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖1 𝑒
+ 𝑦4𝑖 (− 𝑝 2 )}
(1 + 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
𝑛 𝑝
2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝜕 2 𝑙(𝜷) 𝑋𝑖2 𝑒
= ∑ {𝑦1𝑖 (− 2)
𝜕𝛽22 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑝 𝑝
2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 2 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖2 𝑒 𝑋𝑖2 𝑒
+ 𝑦2𝑖 (− 𝑝 2 − 𝑝 2)
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 ) (1 + 𝑒 )
(4.31)
𝑝 𝑝
2 𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 2 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖2 𝑒 𝑋𝑖2 𝑒
+ 𝑦3𝑖 (− 𝑝 2 − 𝑝 2)
(1 + 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 ) (1 + 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
𝑝
2 𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖2 𝑒
+ 𝑦4𝑖 (− 𝑝 2 )}
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
𝑛 𝑝
𝜕 2 𝑙(𝜷) 𝑋𝑖1 𝑋𝑖2 𝑒 𝛽01+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
= ∑ {𝑦1𝑖 (− 2)
𝜕𝛽1 𝛽2 𝑝
𝛽01 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑖=1 (1 + 𝑒 )
𝑝 𝑝
𝑋𝑖1 𝑋𝑖2 𝑒 𝛽02+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 𝑋𝑖1 𝑋𝑖2 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦2𝑖 (− 𝑝 2 − 𝑝 2)
𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 ) (1 + 𝑒 )
(4.32)
𝑝 𝑝
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
𝑋𝑖1 𝑋𝑖2 𝑒 𝑋𝑖1 𝑋𝑖2 𝑒
+ 𝑦3𝑖 (− 𝑝 2 − 𝑝 2)
𝛽03 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 𝛽02 +∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘
(1 + 𝑒 ) (1 + 𝑒 )
𝑝
𝑋𝑖1 𝑋𝑖2 𝑒 𝛽03+∑𝑘=1 𝛽𝑘𝑋𝑖𝑘
+ 𝑦4𝑖 (− 𝑝 2 )}
(1 + 𝑒 𝛽03 +∑𝑘=1 𝛽𝑘𝑋𝑖𝑘 )
Dengan
𝑇
𝒕
𝜕𝑙(𝜷) 𝜕𝑙(𝜷) 𝜕𝑙(𝜷) 𝜕𝑙(𝜷) 𝜕𝑙(𝜷)
𝒒 =( ) (4.34)
𝜕𝛽01 𝜕𝛽02 𝜕𝛽03 𝜕𝛽1 𝜕𝛽2
𝑻
𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
2 𝜕𝛽01 𝜕𝛽02 𝜕𝛽01 𝛽03 𝜕𝛽01 𝛽1
𝜕𝛽01 𝜕𝛽01 𝛽2
𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
𝜕𝛽02 𝛽01 2 𝜕𝛽02 𝛽03 𝜕𝛽02 𝛽1
𝜕𝛽02 𝜕𝛽02 𝛽2
2
𝜕 𝑙(𝜷) 2
𝜕 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
𝑯𝒕 = 2
(4.35)
𝜕𝛽03 𝛽01 𝜕𝛽03 𝛽02 𝜕𝛽03 𝜕𝛽03 𝛽1 𝜕𝛽03 𝛽2
𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
𝜕𝛽1 𝛽01 𝜕𝛽1 𝛽02 𝜕𝛽1 𝛽03 𝜕𝛽03 𝛽1 𝜕𝛽03 𝛽1
𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷) 𝜕 2 𝑙(𝜷)
2
( 𝜕𝛽2 𝛽01 𝜕𝛽1 𝛽02 𝜕𝛽2 𝛽03 𝜕𝛽2 𝛽1 𝜕𝛽02 )
88
mental (y) merupakan data ordinal yang mempunyai beberapa kategori (baik
(1), gejala sakit ringan (2), gejala sakit sedang (3), buruk (4)). Peristiwa
kehidupan (𝑥1 ) adalah gabungan dari jumlah dan keparahan dari peristiwa
kematian dalam keluarga yang terjadi dalam jangka waktu 3 tahun. Nilai 𝑥1
dikategorikan menjadi " < 5" dan " ≥ 5". Status ekonomi sosial/SES (𝑥2 )
bawah ini.
Data: kesehatan_mental
89
3) Parameter Estimates
90
𝛽02 (kategori gejala sakit ringan) adalah 1.213, dan 𝛽03 (kategori
gejala sakit sedang) adalah 2.209. Lalu 𝛽1 (SES) adalah -1.111 dan
= 𝑃(𝑌 ≤ 1|𝑿𝑖 )
91
Rasio odds
Nilai odds ratio masing masing koefisien pada model yang diperoleh
mental adalah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
𝑦=1
10 2 12
(baik)
𝑦=2
6 6 12
(gejala sakit ringan)
𝑦=3
5 2 7
(gejala sakit sedang)
𝑦=4
3 6 9
(parah)
Total 24 16 40
6𝑥10
̂ (2,0) =
𝑂𝑅 =5
6𝑥2
2𝑥10
̂ (3,0) =
𝑂𝑅 =2
5𝑥2
6𝑥10
̂ (4,0) =
𝑂𝑅 = 10
3𝑥2
̂ (𝑗, 0) menunjukkan rasio odds peristiwa kehidupan
Dengan 𝑂𝑅
93
(< 5)”.
SES.
3.
𝑦=1
4 8 12
(baik)
𝑦=2 4 8 12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
𝑦=3
5 2 7
(gejala sakit sedang)
𝑦=4
5 4 9
(parah)
Total 18 22 40
SES
tinggi adalah
8𝑥4
̂ (2,1) =
𝑂𝑅 =1
4𝑥8
2𝑥4
̂ (3,1) =
𝑂𝑅 = 0.2
5𝑥8
4𝑥4
̂ (4,1) =
𝑂𝑅 = 0.4
5𝑥8
95
= 0.6626
= 0.8975
= 0.2224
= 𝑃(𝑌 ≤ 1|𝑿𝑖 )
= 0.6626
96
= 0.8975 − 0.6626
= 0.2349
= 0.2224 − 0.8975
= −0.6752
= 1 − 0.2224
= 0.7776
SES yang rendah maka secara umum maka peluang responden terkena
97
BAB V
KESIMPULAN
BAB V KESIMPULAN
Analisis regresi logistik ordinal adalah analisis regresi yang peubah
responnya bersifat kategori berskala ordinal yang memiliki tiga atau lebih kategori
dan ada urutan kategori (skala ordinal) yang tidak dapat dianalisa dengan
1. Pendugaan model
3. Menguji model
seperti kelahiran anak, pekerjaan baru, perceraian atau kematian dalam keluarga
99
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
Agresti, Alan. (2002). Categorical Data Analysis, Second edition. Kanada: John
Wiley and Sons Inc.
Arum, Eva Setyarini dan Salamah, Mutiah. Analisis Regersi Logistik Ordinal
untuk Mengetahui Tingkat Gangguan Tunagrahita di Kabupaten Ponorogo
Berdasarkan Faktor-Faktor Internal Penyebab Tunagrahita. Jurnal Sains
dan Seni ITS, 4(2):2337-3520.
Burden, Richard L dan Faires, J. Douglas. (2011). Numerical Analysis Nine
Edition.USA: Brooks.
Cohen. Jacob. Dkk. (2003). Applied Multiple Regression/Corelation Analysis for
the Behavioral Sciences, Third Edition. New Jersey: Lawrence Erlbaum
Associates Inc.
Hosmer, D.W. and Lemeshow, S. (2000). Applied Logistic Regression. Kanada:
John Wiley and Sons Inc.
Kleinbaum, David G dan Mitchel Klein. (2002). Logistic Regression a Self-
Learning Text Second Edition. New York: Springer-Verlag.
Kleinbaum, David G dan Mitchel Klein. (2010). Logistic Regression a Self-
Learning Text Third Edition. New York: Springer-Verlag.
Kothari, C.R. (2004). Research Methodology Methods and Techniques (Second
Revised Edition). New Delhi: New Age International.
Meilia, Nur Indah S. (2014).Statisistika Deskriptif dan Induktif. Graha Ilmu:
Yogyakarta
O’Connel Ann A. (2006). Logistic Regression Models for Ordinal Response
Variables. Thousand Oaks: Sage Publications.
Riani, Galuh Putri, dkk. Analisis Faktor- Faktor yang Mempengaruhi Penerimaan
Peserta Didik SMA Negeri 2 Semarang Menggunakan Metode Rege=resi
Logistik Ordinal. Jurnal Gaussian, 5(3):405-416.
Scheaffer, Wackerly dan Mendenhall. (2008). Mathematical Statistics with
Applications, Seven Edition. USA: Thomson Higher education
100
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Sun, Hyun Kim. (2004). Disertasi: Topics in Ordinal Logistic Regression and Its
Applications. Texas: Texas A&M University.
Tjarta, Ahmad, dkk. (2006). Buku Ajar Patologi. Jakarta: Sagung Seto
Widarjono, Agus. (2010). Analisis Statistika Multivariat Terapan. Yogyakarta:
Unit Penerbit dan Percetakan Sekolah Tinggi Ilmu Manajemen YKPN.
Yudiaatmaja, Fridayana. (2013). Analisis Regresi dengan Menggunakan Aplikasi
Komputer Statistik SPSS. Jakarta: PT Gramedia Pustaka Utama.
101
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN
102