𝑝 𝑝
𝑙𝑜𝑔𝑖𝑡 (𝑝) = log( ) = ln( )
1−𝑝 1−𝑝
dimana 𝑝 bernilai antara 0-1.
Berikut ini adalah ciri-ciri dan asumsi yang digunakan dalam regresi logistik :
1. Regresi logistik tidak mengansumsikan hubungan linear antara variabel independen dengan
variabel dependen tetapi mengansumsikan hubungan yang linear antara log odds dari variabel
dependennya dengan variabel independennya.
2. Variabel dependen dan independennya tidak harus berdistribusi normal.
3. Asumsi homoskedastisitas tidak diperlukan.
4. Tidak adanya multikolinearitas.
5. Penambahan atau pengurangan alternatif variabel tidak mempengaruhi odds yang diasosiasikan.
6. Variabel independen tidak perlu diubah ke dalam bentuk metrik (interval atau skala ratio).
7. Variabel dependen bersifat dikotomi (2 kategori) untuk regresi logistik biner dan yang regresi
logistik ordinal (lebih dari 2 kategori).
8. Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel.
9. Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat eksklusif.
10. Dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk
memprediksi odds ratio. Odds dalam regresi logistik sering dinyatakan sebagai probabilitas.
Berdasarkan kurva diatas, didapatkan suatu bentuk fungsi regresi logistik yang dirumuskan
sebagai berikut :
𝑒 (𝛽0 +𝛽1𝑥1 )
𝜋(𝑥) =
1 + 𝑒 (𝛽0 +𝛽1 𝑥1)
Rumus tersebut memperlihatkan bahwa ketika 𝑥 → ∞, 𝜋(𝑥) ↓ 0 jika 𝛽 < 0 dan 𝜋(𝑥) ↑ 0
jika 𝛽 > 0. Jika 𝛽 → 0 kurvanya cenderung membentuk garis horizontal dan jika modelnya
dipenuhi dengan 𝛽 = 0 maka variabel dependen biner 𝑌 akan saling bebas pada 𝑥. Apabila
persamaan diatas ditransformasi menjadi bentuk logit maka persamaan berikut akan diperoleh :
𝜋(𝑥)
𝑔(𝑥) = 𝑙𝑜𝑔𝑖𝑡 (𝜋(𝑥)) = ln = 𝛽 0 + 𝛽1 𝑥
1 − 𝜋(𝑥)
dimana 𝑔(𝑥) merupakan fungsi hubungan dari model regresi logistik yang disebut sebagai
fungsi hubungan logit. Model regresi logistik pada persamaan di atas merupakan bentuk model
regresi logistik biner sederhana dengan satu variabel bebas. Model umum dari regresi logistik
biner dengan 𝑥𝑖 = (𝑥𝑖0 , 𝑥𝑖1 , … , 𝑥𝑖𝑘 ) menyatakan grup ke-𝑖 dari 𝑘 variabel bebas , 𝑖 =
1,2, . . , 𝑖 dan 𝑥𝑖0 = 1 adalah :
exp(∑𝑘𝑝=0 𝛽𝑝 𝑥𝑖𝑝 )
𝜋(𝑥𝑖 ) =
1 + exp(∑𝑘𝑝=0 𝛽𝑝 𝑥𝑖𝑝 )
dengan 𝑝 = 0,1,2, … , 𝑘 dan 𝛽0 = 𝛼 ketika 𝑥𝑖0 = 1.
b. Regresi Logistik Ordinal
Pengertian
Regresi logistik ordinal merupakan salah satu analisis regresi yang digunakan untuk
menganalisa hubungan antara variabel dependen dengan variabel independen, dimana variabel
dependen bersifat polikotomus (lebih dari dua kategori) dengan skala ordinal.
Model Logistik Ordinal
a. Model Logit Kumulatif
Model yang dapat digunakan untuk regresi logit ordinal adalah model logit kumulatif,
dimana pada model ini terdapat sifat ordinal dari respon 𝑌 yang dituangkan dalam peluang
kumulatif sehingga model logit kumulatif merupakan model yang didapatkan dengan cara
membandingkan peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori
respon (dependen) ke-𝑗 pada 𝑝 variabel independen yang dinyatakan dalam vektor 𝑋,
𝑃(𝑌 ≤ 𝑗|𝑋) dengan peluang lebih besar daripada kategori respon ke- 𝑗, 𝑃(𝑌 > 𝑗|𝑋)
(Hosmer & Lemeshow, 1989). Peluang kumulatif, 𝑃(𝑌 ≤ 𝑗|𝑋) didefinisikan sebagai berikut
:
exp(𝛽0𝑗 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑘 )
𝑃(𝑌 ≤ 𝑗|𝑋) =
1 + exp(𝛽0𝑗 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑘 )
dengan 𝑗 = 1,2, … 𝑗 adalah kategori respon.
b. Metode Kemungkinan Maksimum
Metode kemungkinan maksimum digunakan untuk menjelaskan peluang
pengamatan sebagai suatu fungsi dari parameter yang tidak diketahui dapat dibangun dengan
suatu fungsi yang disebut likehood function. Metode ini digunakan untuk memaksimumkan
nilai dari fungsi tersebut (Hosmer & Lemeshow, 1989). Cara untuk menaksir parameter pada
regresi logistik multinomial adalah dengan metode kemungkinan maksimum.
Kategori respon (dependen) pada regresi logistik ordinal mempunyai urutan atau
ordering maka model logit yang digunakan adalah model logit kumulatif. Model logit
multiple respon dalam model logit adalah :
𝑙𝑜𝑔𝑖𝑡 𝑃 ≤ 𝑗|𝑋 = 𝜃𝑗 + 𝛽 𝑇 𝑋, 𝑗 = 1,2, … 𝑗 − 1
dengan 𝑗 = 1,2, … , 𝑗 − 1
c. Fungsi Likehood
Menurut Kim (2004), ketika lebih dari satu observasi 𝑌 muncul pada nilai 𝑋𝑖 maka
cara yang digunakan adalah cukup dengan mencatat jumlah observasi 𝑛𝑗𝑖 dan jumlah hasil ′𝑗′
untuk 𝑗 = 1,2, … , 𝐽 sehingga [𝑌𝑖 = 1,2, … , 𝑛] adalah variabel acak yang berdistribusi
multinomial independen dengan 𝐸𝑌𝑖 = 𝑛𝑗𝑖 𝑦𝑗 (𝑋𝑖 ) dimana 𝑛1𝑖 + ⋯ + 𝑛𝑗𝑖 = 1
sedemikian sehingga dapat dinyatakan :
𝑅1𝑖 = 𝑛1𝑖
{𝑅2𝑖 = 𝑛1𝑖 + 𝑛2𝑖
𝑅𝐽𝑖 = 1
Peluang kumulatif digunakan dalam menaksir parameter maka likehood dapat ditulis
sebagai perkalian 𝐽 − 1 kategori, sehingga fungsi kepadatan peluang bersama dari
(𝑌1 , 𝑌2 , … , 𝑌𝑛 ) adalah sama dengan perkalian 𝑛 fungsi multinomial. Fungsi likehoodnya
adalah
𝑛
𝑌1𝑖 𝑅1𝑖 𝑌2𝑖 − 𝑌1𝑖 𝑅2𝑖−𝑅1𝑖 𝑌2𝑖 𝑅2 𝑌3𝑖 − 𝑌2𝑖 𝑅3𝑖−𝑅2𝑖 𝑌2𝑖 − 𝑌1𝑖 𝑅2𝑖−𝑅1𝑖
𝐿(𝜃, 𝛽) = ∏ {( ) ( ) } 𝑋 {( ) ( ) } … 𝑋 {( ) }
𝑌2𝑖 𝑌21 𝑌3𝑖 𝑌31 𝑌21
𝑖=1
𝑅𝑗𝑖 −𝑅(𝑗−1)𝑖
𝑌𝑗𝑖 − 𝑌(𝑗−1)𝑖
= ( )
𝑌𝑗𝑖
Untuk melakukan analisis regresi logistik ada beberapa proses yang harus dilakukan. Proses
analisis regresi logistik tersebut meliputi :
1. Menentukan model regresi logistik
2. Melakukan pengujian parameter model regresi
a. Uji Kelayakan Model (Goodness of Fit)
Uji kelayakan model dilakukan dengan menggunakan uji statistik Deviance. Deviance
didasarkan pada kriteria rasio likehood untuk membandingkan model current (model tanpa
peubah independen) dengan model penuh (model dengan peubah independen). Statistik uji
Deviance didefinisikan dengan rumus :
𝑛
𝜋̂𝑖 1 − 𝜋̂𝑖
𝐷 = −2 ∑ [𝑦𝑖 ln ( ) + (1 − 𝑦𝑖 ) ln ( )]
𝑦𝑖 1 − 𝑦𝑖
𝑖=1
dengan
exp(𝑔(𝑥𝑖 ))
𝜋̂ =
1 + exp(𝑔(𝑥𝑖 ))
𝑔(𝑥𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 , 𝑖 = 1,2, … , 𝑛
b. Uji Keberartian Model
Prosedur uji perbandingan kemungkinan (ratio likehood test) dapat digunakan untuk
menguji keberartian model regresi logistik. Statistika uji-G digunakan untuk menguji peranan
variabel independen di dalam model secara bersama-sama (Hosmer & Lemeshow, 1989). Uji ini
membandingkan model lengkap (model dengan variabel independen) terhadap model yang hanya
dengan konstanta secara signifikan lebih baik dari model lengkap dengan rumus sebagai berikut :
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model B
𝐺 = −2 ln [ ]
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model A
Keterangan :
𝛽̂𝑘𝑖
𝑍=
𝑆𝐸 (𝛽̂𝑘𝑖 )
Keterangan :
2
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐵)
𝑅𝑀𝐹 =1−[ ]
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐴)
Berikut rumus untuk mencari koefisien determinasi Cox dan Snell
2
2
𝑅𝑐𝑠 = 1 − exp [− [𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐵) − 𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐴)]]
𝑛
Berikut rumus untuk mencari koefisien determinasi Nagelkerke
2
2
𝑅𝑀𝐴𝑋 = 1 − exp [− × [𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐴)]]
𝑛
2
𝑅𝑐𝑠
𝑅𝑁2 = [ 2 ]
𝑅𝑀𝐴𝑋
2
dimana 𝑅𝑁 merupakan koefisien determinasi Nagelkerke.
3. Interpretasi Model
Pada metode regresi linier, koefisien 𝛽1 menunjukkan perubahan nilai variabel
dependen sebagai akibat perubahan satu satuan variabel independen. Hal yang sama sebenarnya
juga berlaku dalam model regresi logit, tetapi secara matematis sulit diinterpretasikan.
Koefisien dalam model logit menunjukkan perubahan dalam logit sebagai akibat
perubahan satu satuan variabel independen. Interpretasi yang tepat untuk koefisien ini tentunya
bergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh karena itu,
dalam model logit dikembangkan pengukuran yang dikenal dengan nama Odds ratio (𝜓). Odds
ratio secara sederhana dapat dirumuskan sebagai :
𝜓 = 𝑒𝛽
dimana 𝑒 adalah bilangan 2,71828 dan 𝛽 adalah koefisien masing-masing variabel independen.
Berikut diagram alir atau flowchart dari proses analisis regresi logistik
Pada makalah ini hanya akan dibahas mengenai implementasi dari analisis regresi logistik
ordinal, sehingga variabel dependen Y terdiri lebih dari dua kategori dengan skala ordinal. Regresi
logistik ordinal dalam hal ini diimplementasikan pada penelitian mengenai pengaruh pelayanan di
Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) terhadap kepuasan mahasiswa Offering
Statistika 2016 Jurusan Matematika UM
Pada penelitian ini digunakan satu tipe data yaitu data primer. Data primer merupakan data
yang dikumpulkan dan diolah sendiri oleh peneliti (Setyobudi, 2016). Data primer dalam penelitian ini
didapatkan dengan menyebar kuisioner kepada 30 responden yang berada di Offering Statistika 2016
Jurusan Matematika UM. Pengambilan data pada kuesioner dilakukan di FMIPA UM yaitu pada jam
perkuliahan antara pukul 08.00-12.00. Pengambilan data dilakukan selama satu hari. (kuisioner
relampir pada Lampiran)
Variabel merupakan besaran yang memiliki variasi nilai (Setyobudi, 2016). Pada penelitian
ini variabel yang digunakan meliputi dua variabel yaitu variabel bebas (independen) dan terikat
(dependen). Variabel independen dalam penelitian ini terdapat 3 variabel yang terdiri dari 22 indikator
yaitu aspek administrasi dengan 8 indikator, aspek pengajaran dengan 4 indikator, dan aspek sarana
prasarana dengan 10 indikator. Sedangkan variabel dependen terdiri dari 1 variabel yaitu kepuasan
mahasiswa untuk pelayanan secara keseluruhan di FMIPA UM. Variabel-variabel tersebut diperoleh
dari penelitian yang telah dilakukan sebelumnya oleh Riski Fajar Setyobudi pada tahun 2016 dengan
judul “Analisis Model Regresi Logistik Ordinal Pengaruh Pelayanan di Fakultas Matematika dan Ilmu
Pengetahuan Alam Terhadap Kepuasan Mahasiswa FMIPA UNNES”.
Berikut tabel variabel penelitian yang disertai dengan indikatornya.
Pengujian alat pengumpulan data yang kedua adalah pengujian reliabilitas. Suatu
instrumen dikatakan reliabel jika pengukurannya konsisten, cermat, dan akurat (Setyobudi, 2016).
Formula yang digunakan untuk menguji reliabilitas instrumen dalam penelitian ini adalah
koefisien Cronbach Alpha, yaitu
𝑘 ∑ 𝜎𝑖2
𝑟11 =( ) (1 − 2 )
𝑘−1 𝜎𝑡
𝑁 = Jumlah responden
3. Melakukan uji kebebasan antar variabel (multikolinearitas).
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antar variabel independen. Suatu model regresi menunjukkan adanya multikolinearitas
jika :
1. Tingkat korelasi > 95%
2. Nilai Tolerance < 0,10
3. Nilai VIF > 10
Suatu model regresi dikatakan baik apabila tidak terjadi korelasi antar variabel independennya
(Ghozali, 2007).
4. Membuat dan menduga model regresi logistik.
5. Melakukan pengujian parameter, diantaranya :
a. Menguji kelayakan model logit (Goodness of Fit) dengan menggunakan metode Deviance.
Statistik uji Deviance dilakukan dengan cara sebagai berikut.
Rumusan Hipotesis :
𝐻0 : Model logit layak digunakan
𝐻1 : Model logit tidak layak digunakan
Statistik Uji
𝑛
𝜋̂𝑖 1 − 𝜋̂𝑖
𝐷 = −2 ∑ [𝑦𝑖 ln ( ) + (1 − 𝑦𝑖 ) ln ( )]
𝑦𝑖 1 − 𝑦𝑖
𝑖=1
Dengan
exp(𝑔(𝑥𝑖 ))
𝜋̂ =
1 + exp(𝑔(𝑥𝑖 ))
𝑔(𝑥𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 , 𝑖 = 1,2, … , 𝑛
Kriteria Pengujian
Statistik D akan mengikuti sebaran 𝑋 2 dengan derajat kebabasan 𝑛 − 𝑝. Kriteria
2
keputusan yang diambil yaitu menolak 𝐻0 jika 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑋𝑎(𝑛−𝑝) .
Nilai odds ratio 𝜓 digunakan untuk menunjukkan kecenderungan hubungan suatu variabel X
terhadap variabel Y dan selalu bernilai positif. Misalnya 𝜓 = 1 berarti bahwa 𝑥 = 𝑎
mempunyai resiko yang sama dengan 𝑥 = 𝑏 untuk menghasilkan 𝑌 = 𝑗. Apabila 1 < 𝜓 < ∞
berarti 𝑥 = 𝑎 memiliki resiko lebih tinggi 𝜓 kali dibandingkan 𝑥 = 𝑏 untuk menghasilkan
𝑌 = 𝑗 begitupun sebaliknya.
Berikut adalah diagram alir atau flowchart dari metode analisis data menggunakan analisis
regresi logistik ordinal
Mulai
Data
Ya
Uji
Multikolinearita
s
Tidak
Tidak
Uji kelayakan
model
Ya
Tidak
Eliminasi
variabel
Uji keberartian Tidak
independen
parameter secara yg tidak
parsial berpengaruh
Ya terhadap
variabel
dependen
Menguji koefisien
determinasi
Interpretasi
Model
Selesai
Uji validitas dan reliabilitas dilakukan pada item-item pertanyaan untuk melihat korelasi antar
pertanyaan dari kuisioner dan melihat kekonsistenan kuisioner.
a. Uji Validitas
Uji validitas menggunakan rumus korelasi product momen pearson dan diolah menggunakan
SPSS 16. Total responden yang akan diuji adalah 30 responden Mahasiswa Offering Statistika 2016
Jurusan Matematika UM. Hipotesis yang akan diuji adalah :
𝐻0 : Tidak adanya korelasi antar pertanyaan kuisioner (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 < 𝑟𝑡𝑎𝑏𝑒𝑙 )
𝐻1 : Adanya korelasi antar pertanyaan kuisioner (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑟𝑡𝑎𝑏𝑒𝑙 )
Taraf kepercayaan yang digunakan adalah 95% (𝛼 = 0,05). Pengujian validitas dilakukan
dengan cara membandingkan nilai 𝑟ℎ𝑖𝑡𝑢𝑛𝑔 dengan 𝑟𝑡𝑎𝑏𝑒𝑙 . Apabila hasil pengujian menunjukkan
𝑟ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑟𝑡𝑎𝑏𝑒𝑙 maka terdapat korelasi atau pertanyaan memiliki validitas. Berdasarkan hasil
pengujian menggunakan SPSS 16 maka hasil uji validitas adalah sebagai berikut.
Tabel 3. Hasil Uji Validasi
Hasil pengujian validitas untuk setiap butir pertanyaan pada 3 aspek yang dinilai yaitu aspek
administrasi, aspek pengajaran, dan aspek sarana prasarana di FMIPA UM diketahui bahwa nilai
korelasi semua butir pertanyaan lebih besar dari 𝑟𝑡𝑎𝑏𝑒𝑙 dengan (0,361) sehingga keputusannya adalah
menolak 𝐻0 dan menerima 𝐻1 . Kesimpulan dari uji validitas adalah bahwa ada keterkaitan pada
setiap butir pertanyaan di kuisioner.
b. Uji Reliabilitas
Uji reliabilitas dilakukan dari 30 responden Mahasiswa Offering Statistika 2016 Jurusan
Matematika UM menggunakan rumus cronbach’s alpha. Hipotesis yang akan diuji adalah sebagai
berikut.
𝐻0 : Kuisioner tidak bisa memberikan hasil yang konsisten sebagai alat ukur survei (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 <
0,7)
𝐻1 : Kuisioner bisa memberikan hasil yang konsisten sebagai alat ukur survei (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 > 0,7)
Berikut hasil pengujian reliabilitas menggunakan SPSS 16.
Berdasarkan hasil perhitungan uji reliabilitas didapatkan nilai cronbach’s alpha kuisioner
adalah 0,894. Nilai ini lebih besar dari standar minimal agar kuisioner dapat dijadikan sebagai alat
ukur yaitu 0,7 (Setyobudi, 2016). Keputusan yang dapat diambil adalah menolak 𝐻0 dan menerima
𝐻1 , sehingga kesimpulannya adalah kuisioner yang digunakan untuk menganalisis tingkat kepuasan
mahasiswa dapat dijadikan alat ukur yang reliability dan memberikan hasil yang konsisten.
4.2 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk melihat kebebasan antar variabel independen. Hipotesis
yang digunakan adalah sebagai berikut :
𝐻0 = Variabel 𝑥1, , 𝑥2, 𝑥3 bersifat multikolinearitas (VIF > 10)
𝐻1 = Variabel 𝑥1, , 𝑥2, 𝑥3 tidak bersifat multikolinearitas (VIF ≤ 10)
Berikut hasil perhitungan uji multikolinearitas menggunakan SPSS 16.
Variabel VIF
Administrasi (𝑋1) 2,378
Pengajaran (𝑋2) 1,274
Sarana Prasarana (𝑋3) 2,071
Estimate
Threshold [𝑌 = 0] 29,546
[𝑌 = 1] 40,389
[𝑌 = 2] 54,072
karena nilai signifikansi pada Uji Deviance di atas diperoleh sebesar 1,000 yang lebih besar dari 0,05
maka dapat disimpulkan bahwa model logit tersebut layak untuk digunakan.
b. Uji Keberartian model
Uji keberartian model digunakan untuk menguji peranan variabel independen di dalam model
secara bersama-sama (serentak) atau dalam kata lain untuk menguji pengaruh variabel independen
secara simultan terhadap variabel dependen. Berikut adalah hasil uji keberartian model melalui uji
statistik G menggunakan SPSS 16 :
Tabel 8. Uji Statistik G
Hipotesis yang diuji adalah:
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0 , (tidak ada pengaruh variabel independen secara simultan terhadap
variabel dependen)
𝐻1 : sekurang-kurangnya terdapat satu 𝛽𝑗 ≠ 0 , 𝑗 = 1,2, … , 𝑝 (ada pengaruh paling sedikit satu
variabel independen secara simultan terhadap variabel dependen)
Berdasarkan data tersebut maka diketahui bahwa nilai statistik G sebesar 70,267. Kriteria
pengujian dilakukan dengan mengambil taraf nyata dari tabel distribusi chi-square
diperoleh , karena nilai statistik G pada output tersebut sebesar 70,267 yang
berarti bahwa nilai statistik G lebih besar dari nilai maka keputusannya yaitu
Hasil pengujian parameter Wald pada output di atas menjelaskan bahwa variabel sarana
prasarana adalah variabel yang mempunyai pengaruh signifikan secara parsial terhadap kepuasan
mahasiswa Offering Statistika 2016 Jurusan Matematika UM terhadap pelayanan di FMIPA UM
dikarenakan variabel tersebut mempunyai nilai signifikansi atau dengan kata lain
Jika model regresi logistik ordinal telah diuji dan hasil modelnya baik dan signifikansinya
nyata maka data tersebut dapat diinterpretasikan dengan menggunakan uji odds ratio sebagai berikut :
1. Odds rasio aspek administrasi (𝑋1 ): 𝜓 = 𝑒 1,064 = 2,89. Hal ini dapat diartikan bahwa
peluang seorang mahasiswa merasa sangat puas pada pelayanan aspek administrasi 2,89 kali
dibanding dengan mahasiswa yang merasa tidak puas.
2. Odds rasio aspek pengajaran (𝑋2 ): 𝜓 = 𝑒 −0,339 = 0,71. Hal ini dapat diartikan bahwa
peluang seorang mahasiswa merasa sangat puas pada pelayanan aspek pengajaran 0,71 kali
dibanding dengan mahasiswa yang merasa tidak puas.
3. Odds rasio aspek sarana prasarana (𝑋3 ): 𝜓 = 𝑒 1,949 = 7,02. Hal ini dapat diartikan bahwa
peluang seorang mahasiswa merasa sangat puas pada pelayanan aspek sarana prasarana 7,02 kali
dibanding dengan mahasiswa yang merasa tidak puas.
4.6 Pembahasan
Berdasarkan hasil analisis data yang didapatkan dari 30 responden di Offering Statistika
2016 Jurusan Matematika UM diperoleh hasil dari uji kelayakan model (goodness of fit)
menggunakan metode Deviance dengan hasil sebesar 3,960 dengan signifikansi 1,000
Berdasarkan nilai uji statistik G untuk melihat peranan variabel independen di dalam
model secara bersama-sama digunakan uji rasio kemungkinan (Uji G) didapat nilai statistik G
sebesar 70,267 yang lebih besar bila dibandingkan dengan nilai pada tabel
sehingga pada model regresi logistik ordinal terdapat salah satu .
Pada hasil Uji Wald diketahui bahwa terdapat satu variabel dependen yang berpengaruh
signifikan secara parsial terhadap kepuasan mahasiswa di FMIPA UM. Variabel dependen tersebut
adalah 𝑋3 = aspek sarana prasarana.
Koefisien determinasi Nagelkerke sebesar 0,993 atau sebesar 99,3%. Hal ini berarti bahwa
variabel independen yaitu aspek administrasi, aspek pengajaran dan aspek sarana dan prasarana
mempengaruhi penilaian kepuasan pelayanan di FMIPA UM secara umum sebesar 99,3%.
Berdasarkan hasil dari interpretasi persamaan regresi logistik ordinal dengan menggunakan
uji rasio odd dihasilkan peluang dari seorang mahasiswa merasa sangat puas paling tinggi berada pada
variabel ke tiga yaitu aspek sarana prasarana sebesar 7,02 kali dibanding dengan mahasiswa yang
merasa tidak puas, selanjutnya diikuti oleh variabel aspek administrasi sebesar 2,89 kali dan terakhir
yaitu variabel aspek pengajaran sebesar 0,71 kali.
5.1 Kesimpulan
1. Berdasarkan uji kelayakan model (goodness of fit) menggunakan metode Deviance dengan
hasil sebesar 3,960 dengan signifikansi 1,000 sehingga model logit regresi logistik
4. Berdasarkan hasil Uji Wald diketahui bahwa terdapat satu variabel independen yang
berpengaruh signifikan secara parsial terhadap kepuasan mahasiswa Offering Statistika
2016 Jurusan Matematika UM terhadap pelayanan di FMIPA UM. Variabel independen
tersebut adalah aspek sarana prasarana.
5. Berdasarkan koefisien determinasi Negelkerke sebesar 0,993 atau sebesar 99,3%. Hal ini
berarti variabel independen aspek administrasi, aspek pengajaran dan aspek sarana dan
prasarana mempengaruhi penilaian kepuasan pelayanan di FMIPA UM secara umum
sebesar 99,3%.
LAMPIRAN
Lampiran 1
Angket Pengaruh Pelayanan di Fakultas Matematika dan Ilmu Pengetahuan Alam Terhadap
Kepuasan Mahasiswa Offering Statistika 2016
Nama :
Jenis Kelamin :
Mohon diisi dengan tanda checklist (√) pada pilihan yang kami sediakan.
Lampiran 2
Data Penelitian
No Aspek Aspek Aspek Sarana dan Kepuasan
Administrasi Pengajaran Prasarana Mahasiswa
1 16 8 20 3
2 15 8 17 2
3 8 5 14 1
4 12 7 14 1
5 5 7 6 0
6 10 4 15 1
7 13 8 17 2
8 13 8 17 2
9 10 4 10 0
10 5 5 9 0
11 7 4 10 0
12 17 8 12 1
13 14 8 20 2
14 8 6 7 0
15 19 4 21 3
16 12 4 16 2
17 12 5 16 2
18 14 7 18 2
19 17 9 16 2
20 12 9 15 1
21 16 8 20 2
22 16 8 18 2
23 14 5 12 1
24 12 7 10 1
25 15 8 16 2
26 15 7 19 2
27 10 8 15 1
28 16 8 11 1
29 10 4 13 1
30 16 8 20 2
Lampiran 3
Data Penelitian
Skor
No. Nomor Butir Angket
Total
Resp
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 44
2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 1 1 2 1 1 2 2 3 40
3 1 1 1 2 2 0 0 1 1 2 1 1 2 1 2 2 2 1 0 2 1 1 27
4 2 2 2 1 2 2 1 1 1 2 2 2 1 2 1 1 3 1 0 1 2 2 34
5 1 1 0 1 1 1 0 0 1 2 2 2 1 1 2 0 1 0 0 0 0 1 19
6 1 1 1 2 1 2 1 1 1 1 1 1 1 1 2 2 2 1 2 1 1 2 29
7 2 2 1 2 2 2 1 1 2 2 2 2 2 2 2 1 2 2 2 1 1 2 38
8 2 2 1 2 2 2 1 1 2 2 2 2 2 2 2 1 2 2 2 1 1 2 38
9 1 1 2 1 2 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 0 1 24
10 0 0 0 1 1 2 1 0 1 1 2 1 1 0 1 0 2 1 1 2 1 0 19
11 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 21
12 2 2 2 2 3 2 2 2 2 2 2 2 1 1 1 2 2 1 1 1 1 1 37
13 2 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 42
14 1 1 0 1 2 1 0 2 1 1 2 2 1 0 0 1 1 1 0 1 1 1 21
15 2 2 2 3 3 3 2 2 1 1 1 1 3 2 3 2 3 2 2 1 1 2 44
16 2 1 2 2 2 1 1 1 1 1 2 0 3 2 2 1 2 1 1 1 2 1 32
17 2 1 2 2 2 1 1 1 1 1 2 1 2 1 2 2 2 1 0 2 2 2 33
18 1 1 3 3 3 3 0 0 2 2 2 1 3 3 1 0 3 1 2 1 1 3 39
19 2 2 1 3 3 2 2 2 1 3 3 2 2 1 2 1 2 2 1 1 2 2 42
20 1 1 1 2 2 2 2 1 2 2 3 2 2 1 2 2 2 1 1 1 1 2 36
21 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 44
22 2 1 2 2 3 3 2 1 2 2 2 2 2 2 2 1 2 2 1 2 2 2 42
23 2 2 2 2 2 1 2 1 1 1 1 2 2 1 1 1 2 1 0 1 2 1 31
24 1 1 1 2 2 2 1 2 2 2 2 1 2 2 0 2 1 0 0 0 1 1 28
25 1 1 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 39
26 2 2 2 2 1 2 2 2 2 1 2 2 2 2 2 2 2 2 2 1 2 2 41
27 1 1 1 2 1 2 1 1 2 2 2 2 1 2 2 2 1 2 1 1 2 1 33
28 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 35
29 1 0 3 2 1 3 0 0 2 1 1 0 2 2 1 0 1 2 2 0 0 3 27
30 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 44
Lampiran 4
Hasil Uji Validitas
Variabel Butir Pertanyaan Korelasi Sig R Tabel Ket
Lampiran 5
Hasil Uji Reliabilitas
Lampiran 6
Hasil Uji Keberartian Model
Lampiran 7
Tabel Distribusi Chi-Square (𝑋 2 )
Tabel R