TUGAS

REGRESI TERAPAN LANJUTAN

Oleh: Kelompok 3
1. Fatkha Syahnas’ashri NIM. 081711833026
2. Nabila Rasyidah NIM. 081711833033

PRODI S-1 STATISTIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA

2019
 BAB I

PENDAHULUAN

1.1 Sumber Data dan Data

Data yang kami gunakan untuk mengerjakan tugas Regresi Terapan Lanjutan ini
adalah data sekunder yang berasal dari data skripsi yang berjudul Analisis Regresi
Logistik Biner Untuk Memprediksi Kepuasan Pengunjung pada Rumah Sakit Umum
Daerah Majene oleh Saddam Husain, mahasiswa jurusan Matematika UIN Alauddin
Makassar.
Data yang diperoleh adalah sebagai berikut:

No. X1 X2 X3 X4 X5 Y

1 22 27 13 22 7 1

2 22 23 17 18 5 0

3 20 22 14 20 7 1

4 20 23 10 18 4 1

5 20 22 10 17 4 0

6 19 23 14 19 6 0

7 20 30 14 16 4 1

8 22 23 15 17 6 0

9 21 24 15 21 8 1

10 22 22 15 17 6 1

11 21 22 14 18 7 1

12 23 21 13 19 7 1

13 24 24 14 18 10 1
14 18 21 17 19 7 1

15 20 23 17 19 7 0

16 22 20 14 17 7 1

17 22 24 13 15 6 1

18 22 22 15 18 8 1

19 19 20 11 22 7 1

20 21 22 11 19 7 1

21 20 22 14 16 8 1

22 21 22 18 17 8 0

23 22 25 18 18 7 1

24 21 22 14 17 7 1

25 25 22 20 18 7 1

26 19 22 14 9 8 0

27 21 22 14 20 6 0

28 20 22 13 20 8 1

29 20 22 18 22 9 1

30 19 23 15 18 7 1

31 21 23 14 18 9 1

32 22 26 16 18 8 1

33 22 28 16 21 8 0

34 20 22 14 19 10 1

35 23 22 15 15 8 1

36 21 23 14 10 4 0
37 28 22 18 21 9 1

38 20 23 13 17 7 1

39 21 25 14 17 8 0

40 27 27 16 22 9 1

41 22 25 18 17 7 0

42 25 28 16 15 10 1

43 27 27 16 20 9 1

44 24 28 18 23 9 1

45 20 28 18 21 9 1

46 19 22 14 18 7 1

47 21 23 14 19 5 0

48 20 28 18 22 9 1

49 21 26 15 23 9 1

50 21 22 11 18 6 0

51 20 23 7 19 8 0

52 21 22 19 18 7 0

53 20 22 15 18 7 0

54 21 23 15 19 8 1

55 21 23 14 19 8 1

56 20 22 15 20 6 1

57 24 24 19 19 7 1

58 18 22 18 18 7 0

59 20 23 18 19 6 0
60 20 23 20 23 7 1

61 22 23 17 23 8 1

62 22 26 17 23 7 1

63 18 27 17 18 9 0

64 20 27 18 22 9 1

65 22 25 19 15 8 1

66 23 26 19 15 9 1

67 24 26 17 15 8 1

68 24 27 17 25 7 0

69 21 27 19 22 9 0

70 23 26 20 21 9 1

71 22 25 20 17 9 1

72 24 27 7 18 9 1

73 21 26 17 17 8 1

74 21 26 17 21 8 1

75 23 26 19 18 8 1

76 22 23 17 19 7 1

77 23 22 17 23 8 1

78 22 26 20 17 9 0

79 19 27 16 17 7 0

80 21 26 16 22 7 1

81 25 27 16 20 9 1

82 22 26 17 21 9 0
83 20 25 20 20 7 1

84 21 26 20 18 9 0

85 20 25 17 16 9 1

86 22 27 18 18 9 0

87 21 26 15 14 9 1

88 28 26 17 13 9 1

89 20 28 15 12 7 1

90 20 26 20 18 8 1

91 23 27 16 11 7 1

92 19 26 20 13 9 1

93 19 26 17 14 10 1

94 19 26 14 13 9 0

95 21 10 19 16 8 1

96 22 16 18 17 8 1

97 24 25 18 21 8 1

98 23 22 19 17 8 1

99 21 19 19 22 8 1

100 19 26 16 19 9 0
1.2 Definisi Variabel
1.2.1 Variabel Respon
Y = Kepuasan Pasien
Kepuasan atau ketidakpuasan pelanggan adalah respon pelanggan terhadap
evaluasi ketidaksesuaian atau diskonfirmasi yang dirasakan antara harapan
sebelumnya dan kinerja aktual produk yang dirasakan setelah pemakaiannya.
Kepuasan pelanggan merupakan evaluasi purnabeli di mana alternatif yang dipilih
sekurang-kurangnya memberikan hasil sama atau melampaui harapan pelanggan,
sedangkan ketidakpuasan timbul apabila hasil yang diperoleh tidak memenuhi
harapan pelanggan (Edward,2005).
Y berskala Biner, 0 = Tidak Puas
1 = Puas

1.2.2 Variabel Prediktor

X1 = Bukti Fisik
Wujud fisik atau tangibles adalah kebutuhan pengunjung atau pasien yang
berfokus pada fasilitas fisik seperti gedung, ruangan, tempat tidur, kebersihan,
kerapian dan sebagainya. Bukti fisik yang baik akan mempengaruhi persepsi pasien
pada suatu rumah sakit. Pada saat yang sama aspek ini juga merupakan salah satu
sumber yang dapat berpengaruh pada harapan pengunjung rumah sakit, karena
dengan adanya bukti fisik yang baik maka kepuasaan layanan pengunjung menjadi
lebih tinggi. Oleh karena itu merupakan hal yang penting bagi pihak rumah sakit
untuk mengetahui seberapa jauh aspek ini paling tepat, yaitu memberikan impresi
positif terhadapa kualitas pelayanan yang diberikan sehingga dapat memenuhi
kebutuhan pengguna dan memberikan kepuasaan kepada pengunjung rumah sakit
(Lupioadi,2006).

X2 = Kehandalan
Kehandalan (Reliability) yaitu kemampuan dari perusahaan untuk memberikan
pelayanan sesuai yang dijanjikan secara akurat dan terpercaya. Kinerja harus sesuai
dengan harapan pelanggan yang berarti ketetapan waktu pelayanan yang sama
untuk semua pelanggan tanpa kesalahan, sikap yang simpatik, dan dengan
akurasi yang tinggi. Berbicara tentang rumah sakit, maka kinerja pegawai harus
sesuai dengan harapan pasien yang berarti ketetapan waktu, pelayanan atau perhatian
yang merata kepada semua pasien sehingga pengunjung tidak merasa dibeda-bedakan
dan ini juga mempengaruhi tingkat kepuasan pengunjung (Lupioadi,2006).

X3 = Daya Tanggap
Daya tanggap (responsiveness) adalah suatu kemauan untuk membantu dan
memberikan pelayanan yang cepat (responsif) dan tepat kepada pelanggan, dengan
penyampaian informasi yang jelas. Membiarkan konsumen menunggu tanpa adanya
suatu alasan yang jelas menyebabkan persepsi yang negatif dalam kualitas pelayanan.
Pengertian secara singkat adalah keinginan para staf untuk membantu para pelanggan
dan memberikan pelayanan dengan tanggap (Edward,2005).

X4 = Jaminan / Asuransi
Jaminan (Assurance) adalah pengetahuan, kesopan santunan, dan kemampuan
para pegawai perusahaan untuk menumbuhkan rasa percaya para pelanggan kepada
perusahaan. Terdiri dari beberapa komponen antara lain komunikasi
(communication), kredibilatas (credibility), keamanan (security), kompeten
(competence), dan sopan santun (courtesy) (Edward,2005).

X5 = Empati
Empati (Empathy) yaitu memberikan perhatian yang tulus dan invidual atau
pribadi yang diberikan kepada para pelanggan dengan berupaya memahami
keinginan konsumen. Dimana suatu perusahaan memilki pengertian dan pengetahuan
tentang pelanggan, memahami kebutuhan pelanggan secara spesifik serta memilki
waktu pengoperasian yang nyaman bagi pelanggan (Lupioadi,2006).
 BAB II

ANALISIS REGRESI LOGISTIK BINER DENGAN FUNGSI LINK LOGIT

2.1 Estimasi Model Logit Biner

Model logit biner merupakan model regresi dengan variabel respon Y terdiri dari
dua katagorik, yaitu Y={0,1} dan probabilitas sukses hasil percobaan didasarkan
pada distribusi logistik. Model logit biner ini merupakan permodelan regresi yang
didasarkan pada konsep probabilitas. Model logit biner ini dinyatakan dalam bentuk:

𝑔(𝜋𝑖 ) = 𝑋𝑖 𝛽 ; i=1,2,...,N
Xi= (1,Xi1,Xi2, ... , Xi,k-1) adalah vektor dari variabel prediktor ke i
β = (β0, β1, ... , βk-1)` adalah vektor parameter yang bersesuaian dengan variabel
prediktor,

dengan fungsi link nya adalah

𝜋
. 𝑔(𝜋𝑖 ) = 𝑙𝑛 (1−𝜋𝑖 )
𝑖

Probabilitas sukses pada percobaan ke i yang bersesuaian dengan variabel

prediktor Xi secara umum adalah sebagai berikut :
exp(𝑿 𝜷)
𝑖
𝜋𝑖 = 1+ exp(𝑿 𝜷)
𝑖

Berdasarkan data yang kami peroleh mengenai kepuasan pasien dilakukan

pengujian dengan Minitab sehingga outputnya diperoleh sebagai berikut:

Binary Logistic Regression: Kepuasan Pas versus Bukti Fisik, Kehandalan, ...
Link Function: Logit

Response Information

Variable Value Count

Kepuasan Pasien 1 71 (Event)
0 29
Total 100

Logistic Regression Table

Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant -6.89203 3.93550 -1.75 0.080
Bukti Fisik 0.367313 0.155967 2.36 0.019 1.44 1.06 1.96
Kehandalan -0.127199 0.105700 -1.20 0.229 0.88 0.72 1.08
Daya Tanggap -0.0471010 0.0988106 -0.48 0.634 0.95 0.79 1.16
Jaminan 0.0437518 0.0800777 0.55 0.585 1.04 0.89 1.22
Empati 0.403374 0.201700 2.00 0.046 1.50 1.01 2.22
 Berdasarkan output diatas, diperoleh fungsi logitnya adalah sebagai berikut:

𝑔(𝑥) = −6,8920 + 0,3673𝑋1 − 0,1272𝑋2 − 0,0471𝑋3 + 0,0437𝑋4 + 0,4034𝑋5

Dari fungsi logit tersebut dapat dihitung probabilitas seseorang merasa puas
dengan pelayanan rumah sakit, yang memiliki skor bukti fisik sebesar 23,
kehandalan sebesar 26, daya tanggap sebesar 19, jaminan sebesar 18 dan empati
sebesar 8 adalah :
exp(𝑋𝜷)
Pr(𝑌 = 1|𝑋1 = 23 , 𝑋2 = 26, 𝑋3 = 19 , 𝑋4 = 18, 𝑋5 = 8) =
1+ exp(𝑋𝜷)

exp(−6.8920 + 0.3673(23) − 0.1272(26) − 0.0471(19) + 0.0437(18) + 0.4034(8)

=
1 + exp(−6.8920 + 0.3673(23) − 0.1272(26) − 0.0471(19) + 0.0437(18) + 0.4034(8)
3.929846631
=
4.929846631
= 0.797153933

2.2 Inferensi pada Model Logit Biner

 Uji serentak
𝐻0 ∶ 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5
𝐻1 ∶ Paling sedikit ada 1 𝛽𝑘 ≠ 0, dengan k=1,2,...,5
2
Daerah kritis tolak 𝐻0 jika 𝐺 > 𝜒(0,05 , 5) atau P-value < 𝛼
𝐺 > 11.070 atau P-value < 0,05
Statistik Uji G diperoleh dari output minitab sebagai berikut:
Log-likelihood = -53.449
Test that all slopes are zero: G = 13.533, DF = 5, P-Value = 0.019

Goodness-of-Fit Tests

Method Chi-Square DF P
Pearson 92.891 94 0.513
Deviance 106.898 94 0.171
Hosmer-Lemeshow 6.892 8 0.548

Nilai G pada output diatas adalah sebesar 13.533 dan nilai p-value=0.019.
Berdasarkan kedua nilai tersebut keputusan dan kesimpulan pengujiannya
adalah
Keputusan : Tolak 𝐻0 karena nilai G>11.070 dan p-value <0.05
 Kesimpulan : Secara serentak bukti fisik, kehandalan, daya tanggap, jaminan,
dan empati berpengaruh terhadap kepuasan pasien rumah sakit dengan 𝛼 = 5%.

 Uji Individu
𝐻0 ∶ 𝛽𝑘 = 0 ; k=1,2,...,8
𝐻1 ∶ 𝛽𝑘 ≠ 0
Daerah kritis: tolak 𝐻0 jika |𝑍𝑗 | > 𝑍𝛼
2

|𝑍𝑗 | > 𝑍0,05

|𝑍𝑗 | > 1,96
Atau daerah kritis: tolak 𝐻0 jika P-value < 𝛼 (0,05)
Output Minitab yang diperoleh untuk melakukan uji individu yaitu sebagai
berikut:
Logistic Regression Table

Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant -6.89203 3.93550 -1.75 0.080
Bukti Fisik 0.367313 0.155967 2.36 0.019 1.44 1.06 1.96
Kehandalan -0.127199 0.105700 -1.20 0.229 0.88 0.72 1.08
Daya Tanggap -0.0471010 0.0988106 -0.48 0.634 0.95 0.79 1.16
Jaminan 0.0437518 0.0800777 0.55 0.585 1.04 0.89 1.22
Empati 0.403374 0.201700 2.00 0.046 1.50 1.01 2.22

Keputusan :
1. Untuk k=1, bukti fisik
karena 𝑍 = 2.36 > 1,96 dan P-value = 0.019 < 0,05 maka tolak 𝐻0
2. Untuk k=2, kehandalan
karena 𝑍 = −1.20 > −1,96 dan P-value = 0.229 > 0,05 maka terima 𝐻0
3. Untuk k=3, Daya tanggap
karena 𝑍 = −0.48 > −1,96 dan P-value = 0.634 > 0,05 maka terima 𝐻0
4. Untuk k=4, Jaminan
karena 𝑍 = 0.55 < 1,96 dan P-value = 0.585 > 0,05 maka terima 𝐻0
5. Untuk k=5, empati
karena 𝑍 = 2.00 > 1,96 dan P-value = 0.046 < 0,05 maka tolak 𝐻0
 Kesimpulan:
Secara individu, variabel yang mempengaruhi status kepuasan pasien adalah
bukti fisik dan empati.

2.3 Odd Ratio

Didiefinisikan odd pada model logit biner sebagai perbandingan antara
probabilitas sukses dan probabilitas gagal sebagai berikut:
𝜋𝑖
𝑂𝑑𝑑 = = exp(𝑿𝒊 𝜷)
1 − 𝜋𝑖
Berdasarkan output Minitab diatas, dilakukan analisis odd ratio pada parameter
yang signifikan yaitu pada bukti fisik, kehandalan, daya tanggap, jaminan, empati
sebagai berikut :
 Variabel X1 (Bukti Fisik)
𝑂𝑅(𝑋1 ) = 1.4438
Interpretasi: Dari nilai odd ratio dapat disimpulkan bahwa jika variabel
kehandalan (X2),daya tanggap (X3), jaminan (X4), empati (X5) dianggap nol
maka bukti fisik yang baik di Rumah Sakit Umum Daerah Majene akan
mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit
1.4438 kali lebih besar dibandingkan dengan bukti fisik yang buruk.
 Variabel X2 (Kehandalan)
𝑂𝑅(𝑋2 ) = 0.8806
Interpretasi: Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti
fisik (X1),daya tanggap (X3), jaminan (X4), empati (X5) dianggap nol maka
kehandalan yang baik di Rumah Sakit Umum Daerah Majene akan
mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit
0.8806 kali lebih besar dibandingkan dengan kehandalan yang buruk.
 Variabel X3 (Daya Tanggap)
𝑂𝑅(𝑋3 ) = 0.9540
Interpretasi: Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti
fisik (X1),kehandalan (X2), jaminan (X4), empati (X5) dianggap nol maka
daya tanggap yang baik di Rumah Sakit Umum Daerah Majene akan
mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit
0.9540 kali lebih besar dibandingkan dengan daya tanggap yang buruk.
  Variabel X4 (Jaminan)
𝑂𝑅(𝑋4 ) = 1.0447
Interpretasi : Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti
fisik (X1),kehandalan (X2), daya tanggap (X3), empati (X5) dianggap nol
maka jaminan yang baik di Rumah Sakit Umum Daerah Majene akan
mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit
1.0447 kali lebih besar dibandingkan dengan jaminan yang buruk.
 Variabel X5 (Empati)
𝑂𝑅(𝑋5 ) = 1.4969
Interpretasi : Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti
fisik (X1),kehandalan (X2), daya tanggap (X3), jaminan (X4) dianggap nol
maka empati yang baik di Rumah Sakit Umum Daerah Majene akan
mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit
1.4969 kali lebih besar dibandingkan dengan empati yang buruk.

2.4 Selang Kepercayaan

Berdasarkan pengujian minitab diperoleh output untuk mengetahui selang
̂𝑘 dan se coef untuk nilai
kepercayaan berdasarkan nilai coef untuk nilai 𝛽
̂𝑘 )sebagai berikut:
𝑠(𝛽

Logistic Regression Table

Predictor Coef SE Coef

Constant -6.89203 3.93550
Bukti Fisik 0.367313 0.155967
Kehandalan -0.127199 0.105700
Daya Tanggap -0.0471010 0.0988106
Jaminan 0.0437518 0.0800777
Empati 0.403374 0.201700

Kemudian dilakukan analisis dengan perhitungan manual selang kepercayaan 95%

untuk parameter yang signifikan sebagai berikut:
 Untuk parameter 𝛽1adalah :
̂1 − 𝑧𝛼 𝑠(𝛽
𝛽 ̂1 ) < 𝛽1 < 𝛽
̂1 + 𝑧𝛼 𝑠(𝛽
̂1 )
2 2

0,367313 − 1,96(0,155967) < 𝛽1 < 0,367313 + 1,96(0,155967)

 0,0616 < 𝛽1 < 0,6730
 Untuk parameter 𝛽2adalah :
̂2 − 𝑧𝛼 𝑠(𝛽
𝛽 ̂2 ) < 𝛽2 < 𝛽
̂2 + 𝑧𝛼 𝑠(𝛽
̂2 )
2 2

−0,127199 − 1,96(0,105700) < 𝛽2 < −0.127199 + 1,96(0,105700)

−0,33437 < 𝛽2 < 0,07997
 Untuk parameter 𝛽3adalah :
̂3 − 𝑧𝛼 𝑠(𝛽
𝛽 ̂3 ) < 𝛽3 < 𝛽
̂3 + 𝑧𝛼 𝑠(𝛽
̂3 )
2 2

−0,0471010 − 1,96(0,0988106) < 𝛽3 < −0,0471010 + 1,96(0,0988106)

−0,24077 < 𝛽3 < 0,14657
 Untuk parameter 𝛽4 adalah :
̂4 − 𝑧𝛼 𝑠(𝛽
𝛽 ̂4 ) < 𝛽4 < 𝛽
̂4 + 𝑧𝛼 𝑠(𝛽
̂4 )
2 2

0,0437518 − 1,96(0,0800777) < 𝛽4 < 0,0437518 + 1,96(0,0800777)

−0,1132 < 𝛽4 < 0,2007
 Untuk parameter 𝛽5adalah :
̂5 − 𝑧𝛼 𝑠(𝛽
𝛽 ̂5 ) < 𝛽5 < 𝛽
̂5 + 𝑧𝛼 𝑠(𝛽
̂5 )
2 2

0,403374 − 1,96(0,201700) < 𝛽5 < 0,403374 + 1,96(0,201700)

0,008042 < 𝛽5 < 0,7987

2.5 Uji Kesesuaian Model Logit Biner

𝐻0 : Model logit biner sesuai
𝐻1 : Model logit biner tidak sesuai
2
Daerah kritis: tolak 𝐻0 jika 𝐷 > 𝜒94 atau P-value < 0,05
Atau daerah kritis: tolak 𝐻0 jika 𝐶̂ > 𝜒82 atau P-value < 0,05
Berdasarkan pengujian minitab diperoleh output sebagai berikut:
Goodness-of-Fit Tests

Method Chi-Square DF P
Pearson 92.891 94 0.513
Deviance 106.898 94 0.171
Hosmer-Lemeshow 6.892 8 0.548

Keputusan : Terima H0 karena hasil pengujian menggunakan uji deviance dengan

tingkat signifikansi 5% diperoleh nilai P-value = 0,171 > α dan hasil pengujian
 menggunakan statistic uji Hosmer-Lemeshow dengan tingkat signifikansi 5%
diperoleh nilai P-value = 0,548 > α.
Kesimpulan: Model regresi logistik biner dengan fungsi link logit sesuai.

2.6 Ketepatan Klasifikasi Model Logit Biner

Apparent Error Rate (APPER) merupakan suatu nilai yang digunakan untuk melihat
peluang kesalahan dalam mengklasifikasi objek. Berikut ketepatan klasifikasi model.
No. Y FITS1- 1 FITS2-0 Prediksi No. Y FITS1- 1 FITS2-0 Prediksi
1. 1 0.716738 0.283262 1 51. 0 0.778549 0.221451 0
2. 0 0.566349 0.433651 0 52. 0 0.676865 0.323135 0
3. 1 0.667100 0.332900 1 53. 0 0.636567 0.363433 0
4. 1 0.367880 0.632120 0 54. 1 0.776907 0.223093 1
5. 0 0.387490 0.612510 1 55. 1 0.784964 0.215036 1
6. 0 0.438676 0.561324 1 56. 1 0.560853 0.439147 1
7. 1 0.153473 0.846527 0 57. 1 0.836265 0.163735 1
8. 0 0.672782 0.327218 0 58. 0 0.421789 0.578211 1
9. 1 0.769952 0.230048 1 59. 0 0.483099 0.516901 1
10. 1 0.700146 0.299854 1 60. 1 0.602657 0.397343 1
11. 1 0.726097 0.273903 1 61. 1 0.844992 0.155008 1
12. 1 0.872982 0.127018 1 62. 1 0.713181 0.286819 1
13. 1 0.954024 0.045976 1 63. 0 0.475624 0.524376 1
14. 1 0.475673 0.524327 0 64. 1 0.682428 0.317572 1
15. 0 0.594559 0.405441 0 65. 1 0.730515 0.269485 1
16. 1 0.825327 0.174673 1 66. 1 0.837634 0.162366 1
17. 1 0.645724 0.354276 1 67. 1 0.845387 0.154613 1
18. 1 0.845338 0.154662 1 68. 0 0.832829 0.167171 0
19. 1 0.692320 0.307680 1 69. 0 0.747470 0.252530 0
20. 1 0.761326 0.238674 1 70. 1 0.864846 0.135154 1
21. 1 0.715748 0.284252 1 71. 1 0.808612 0.191388 1
22. 0 0.758803 0.241197 0 72. 1 0.929387 0.070613 1
23. 1 0.684001 0.315999 1 73. 1 0.664727 0.335273 1
24. 1 0.717310 0.282690 1 74. 1 0.702543 0.297457 1
 25. 1 0.896744 0.103256 1 75. 1 0.797155 0.202845 1
26. 0 0.562149 0.437851 0 76. 1 0.753519 0.246481 1
27. 0 0.659044 0.340956 0 77. 1 0.899381 0.100619 1
28. 1 0.758701 0.241299 1 78. 0 0.788151 0.211849 0
29. 1 0.802334 0.197666 1 79. 0 0.369662 0.630338 1
30. 1 0.516490 0.483510 1 80. 1 0.633420 0.366580 1
31. 1 0.839492 0.160508 1 81. 1 0.931388 0.068612 1
32. 1 0.758156 0.241844 1 82. 0 0.836187 0.163813 0
33. 0 0.734867 0.265133 0 83. 1 0.507723 0.492277 1
34. 1 0.865468 0.134532 1 84. 0 0.729138 0.270862 0
35. 1 0.873752 0.126248 1 85. 1 0.690817 0.309183 1
36. 0 0.329063 0.670937 1 86. 0 0.789941 0.210059 0
37. 1 0.986556 0.013444 1 87. 1 0.740919 0.259081 1
38. 1 0.618632 0.381368 1 88. 1 0.970229 0.029771 1
39. 0 0.721705 0.278295 0 89. 1 0.385751 0.614249 0
40. 1 0.968640 0.031360 1 90. 1 0.554673 0.445327 1
41. 0 0.674469 0.325531 0 91. 1 0.662192 0.337808 1
42. 1 0.934968 0.065032 1 92. 1 0.509216 0.490784 1
43. 1 0.965870 0.034130 1 93. 1 0.651423 0.348577 1
44. 1 0.895740 0.104260 1 94. 0 0.579197 0.420803 0
45. 1 0.644283 0.355717 1 95. 1 0.929672 0.070328 1
46. 1 0.559783 0.440217 1 96. 1 0.906923 0.093077 1
47. 0 0.521166 0.478834 0 97. 1 0.885083 0.114917 1
48. 1 0.654245 0.345755 1 98. 1 0.862196 0.137804 1
49. 1 0.809153 0.190847 1 99. 1 0.845454 0.154546 1
50. 0 0.671028 0.328972 0 100. 0 0.619584 0.380416 0
Ketepatan Klasifikasi Model
Pengamatan Prediksi Total
Tidak Puas = 0 Puas =1
Tidak Puas = 0 22 4 26
Puas = 1 7 67 74
Total 29 71 100
 𝑛12 + 𝑛12 4+7
APPER = 𝑛 𝑥 100% = x 100% = 11%
11 +𝑛12 + 𝑛12 +𝑛22 100

Ketepatan klasifikasi model = 1- APPER = 89%

Didapatkan nilai ketepatan klasifikasi model sebesar 89%yang artinya nilai tersebut
merupakan nilai ketepatan klasifikasi model terhadap pengamatan sebesar 89%.
Dengan besar nilai ketepatan klasifikasi tersebut berarti dapat dikatakan bahwa
ketepatannya sudah cukup baik.
 BAB III

PENUTUP

5.1 Kesimpulan
Berdasarkan hasil pembahasan diatas, dapat disimpulkan bahwa dengan
menggunakan taraf nyata sebesar 5 % , kelima variabel prediktor secara serentak
berpengaruh terhadap kepuasan pengunjung Rumah Sakit Umum Daerah
Majene. Nilai P-value = 0.019 menunjukkan bahwa hasil uji serentak tersebut
signifikan. Namun dalam pengujian individu untuk setiap parameter. Variabel
yang berpengaruh adalah bukti fisik dan empati.
Dan hasil analisis juga diperoleh fungsi logit biner sebagai berikut :
𝑔(𝑥) = −6,8920 + 0,3673𝑋1 − 0,1272𝑋2 − 0,0471𝑋3 + 0,0437𝑋4 + 0,4034𝑋5

5.2 Saran
Dari penelitian ini, saran yang dapat penulis berikan yaitu sebagai
mahasiswa statistika, hendaknya melakukan penelitian pada permasalahan yang
dihadapi masyarakat agar hasil yang didapatkan bisa memberikan manfaat.
Untuk menghindari adanya hasil yang kurang sesuai asumsi dan harapan pada
teori statistika, sebaiknya peneliti mengambil dan menganalisa data dengan teliti.
 DAFTAR PUSTAKA

Suliyanto. 2019. Diktat Regresi Terapan Lanjutan. Surabaya: Universitas

Airlangga.

Husain, Saddam. 2017. Analisis Regresi Logistik Biner Untuk Memprediksi

Kepuasan Pengunjung Rumah Sakit Umum Daerah Majene.
Makassar: Universitas Islam Negeri (UIN) Alauddin Makassar