BAB I

PENDAHULUAN
Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika
variabel dependen (respon) merupakan variabel dikotomi. Variabel dikotomi
biasanya hanya terdiri atas dua nilai, yang mewakili kemunculan atau tidak
adanya suatu kejadian yang biasanya diberi angka 0 atau 1.
Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan
hubungan antara variabel independen dan dependen secara linier. Regresi logistik
merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola
kurva seperti gambar di bawah ini.

Gambar 1.1 Grafik regresi logistik

Model yang digunakan pada regresi logistik adalah:
Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk
Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel
independen, dan b adalah koefisien regresi.
Regresi logistik akan membentuk variabel prediktor/respon (log (p/(1-p))
yang merupakan kombinasi linier dari variabel independen. Nilai variabel
prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi
logit.
Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai
setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas
hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi.
Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang
dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai
jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun
(rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar 1 unit.

1
 BAB II
DESKRIPSI KERJA

Pada praktikum terakhir analisis regresi terapan semester ini mempelajari

regresi logistik. Berikut merupakan sebuah kasus serta cara mengerjakan
menggunakan software SPSS.

A. STUDI KASUS
Suatu penelitian dilakukan untuk mengetahui seberapa besar peluang
seseorang dapat diterima bekerja di PT Makmur Jaya. Penelitian dilakukan
dengan mengambil sampel sebesar 40 orang dan menggunakan analisis regresi
logistik. Adapun variabel yang diteliti adalah sebagai berikut.
y (keputusan) = 1 jika diterima dan 0 jika tidak diterima
x1 = lama pendidikan terakhir (tahun)
x2 = lama pengalaman kerja (tahun)
x3 (jenis kelamin) = 1 jika pelamarnya laki-laki dan 0 jika pelamarnya
perempuan
Pertanyaan:
1. Carilah Model logit dan model regresi logistik dari kasus tersebut.
2. Interpretasikan nilai estimasi β (dengan menggunakan nilai odd dari masing-
masing variabel)
3. Berapa peluang diterimanya seorang wanita yang ingin melamar pekerjaan
di PT Makmur Jaya, jika diketahui memiliki lama pendidikan 4 tahun dan
pengalaman bekerja 1 tahun ?

Tabel 2.1 Data 40 orang yang melamar pekerjaan

Pelamar Education (X1) Experience (X2) SEX (X3) HIRED (Y)
1 6 6 1 1
2 6 3 1 1
3 8 3 0 1
4 8 10 0 1
5 4 5 1 1
6 6 1 1 1
7 8 5 1 1
8 4 10 1 1

2
 9 6 12 0 1
10 6 2 0 1
11 4 0 1 0
12 4 1 0 0
13 4 2 1 0
14 4 4 0 0
15 6 1 0 0
16 4 2 1 0
17 8 5 1 0
18 4 2 0 0
19 6 7 0 0
20 6 4 0 0
21 8 0 1 0
22 4 0 0 0
23 4 1 1 0
24 4 5 1 0
25 6 0 1 0
26 4 9 0 0
27 8 1 0 0
28 6 1 1 0
29 6 6 1 1
30 6 3 1 1
31 8 3 0 1
32 8 10 0 1
33 4 5 1 1
34 6 1 1 1
35 8 5 1 1
36 4 10 1 1
37 6 12 0 1
38 6 2 0 1
39 4 0 1 0
40 4 10 1 1

B. DESKRIPSI KERJA
Dalam melakukan analisis regresi logistik diperlukan langkah-langkah
sebagai berikut:
1. Membuka Lembar Kerja SPSS
Langkah-langkah yang diperlukan dalam menggunakan SPSS adalah
sebagai berikut :
a. Klik start
b. Kemudian klik SPSS pada menu start

3
 c. Setelah itu, maka muncul lembar kerja SPSS yang siap untuk digunakan
d. Kemudian klik variable view kemudian ketikkan nama variiabel dengan
nama Education, Experience, Sex, dan Hired

Gambar 2.1 Membuat nama variabel

e. Input data
Tabel 2.2 Data yang telah diinput

f. Membuat value label dengan cara klik values pada variabel X3 yang
bernilai 1 untuk laki-laki dan 0 untuk perempuan dan value label untuk Y
yang bernilai 1 untuk diterima dan 0 untuk tidak diterima

Gambar 2.2 Membuat Value label

2. Melakukan Regresi Logistik

Langkah-langkah yang diperlukan untuk melakukan analisis regresi
logistic antaralain:
a. Klik analyze, pilih regression, kemudian pilih binary logistic

4
 Gambar 2.3 Pemilihan Menu Analyze
b. Muncul kotak dialog linear regression, kemudian masukkan variabel
Hired sebagai variabel dependen dan variabel Education, Experience
dan Sex sebagai variabel independen. Kemudian milih metode yang
enter.

Gambar 2.4 Kotak Dialog Logistic Regression

c. Klik categorical, masukkan variabel sex ke kolom categorical
covariates, pilih first, kemudian klik continue

Gambar 2.5 Kotak Dialog Logistic Regression Categorical

5
d. Klik save, beri tanda pada probabilities dan group membership,
kemudian klik continue

Gambar 2.6 Kotak Dialog Logistic Regression Save

e. Klik options, beri tanda pada classification plots, hosmer-lemeshow
goodness of fit, correlations of estimaes dan include constant in model,
kemudian klik continue

Gambar 2.5 Kotak Dialog Logistic Regression Options

f. Klik Ok
g. Ketika variabel sex konstanta tidak signifikan, maka pengujian diulangi
dari awal kembali dengan tidak mengikutsertakan variabel sex
kemudian diulangi kembai dengan mengeluarkan konstanta

6
 BAB III
PEMBAHASAN
A. MODEL LOGIT DAN PENGUJIAN
Tabel 3.1 Case Processing Summary

Tabel 3.2 Dependent Variable Encoding

Tabel 3.3 Categorical Variables Codings

Berdasarkan tabel 3.1 dapat diketahui jumlah data yang dianalisis

sebanyak 40 data (included in Analysis), sedangkan missing cases bernilai nol
(0) menunjukan tidak ada data yang hilang ketika proses analisis data
dilakukan. Dilihat dari tabel 3.2 didapt informasi bahwa tebel tersebut
mengkategorikan variabel dependen menjadi 1 untuk yang diterima dan 0
untuk yang tidak diterima. Sedangkan tabel 3.2 memberikan informasi bahwa
variabel sex dikategorikan menjadi dua, yaitu 1 untuk jenis kelamin laki-laki
dan 0 untuk jenis kelamin perempuan. Selain itu juga dapai diketahui untuk

7
jumlah pelamar yang berjenis kelamin laki-laki itu sebanyak 23 dan sisanya 17
untuk jumlah pelamar dengan jenis kelamin perempuan.

Tabel 3.4 Classification Tablea,b

Output classification table diatas menjelaskan bahwa persentase variabel

yang diprediksi sebesar 50% adalah baik. Atau dengan kata lain, semua data
independen yang dianalisis sebesar 50% berpengaruh terhadap nilai variabel
dependen dengan mengikutsertakan parameter konstanta.
Cut value yang terdapat dalam output di atas mengindikasikan batas
peluang setiap kejadian sukses dan gagal. Jika nilai prediksi dalam data
(PRE_1) lebih dari 0,5 maka pelamar ini sukses atau diterima (ditunjukkan
dalam variabel PGR_1 dengan nilai 1) dalam data SPSS. Sebaliknya, jika
nilainya kurang dari 0,5 maka hasilnya tidak sukses atau gagal (ditunjukkan
dalam variabel PGR_1 dengan nilai 0).
Berdasarkan output yang ada, untuk mendapatkan model regresi logistik
yang terbaik maka perlu dilakukan beberapa pengujian antaralain:
1. Uji Parameter β0
Tabel 3.5 Variables in The Equation

Dari tabel 3.5 dapat dilakukan uji hipotesis sebagai berikut:

a. Hipotesis
H0 : β0 = 0 (model tidak sesuai)
H1 : β0 ≠ 0 (model sesuai)
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji

8
 P-value = 1,000
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (1.000) > α (0.05)
e. Keputusan
Gagal tolak H0 (H0 diterima)
f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa model tidak sesuai

2. Uji Overall
Tabel 3.6 Omnibus Tests of Model Coefficients

Dari tabel 3.6 dapat dilakukan uji hipotesis sebagai berikut:

a. Hipotesis
H0 : Tidak ada variabel X yang signifikan mempengaruhi variabel Y
H1 : Minimal ada satu variabel X yang signifikan mempengaruhi variabel
Y
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value = 0,002
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.002) < α (0.05)
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa minimal ada satu variabel X
yang signifikan mempengaruhi variabel Y
Selain menggunakan nilai pada tabel 3.6, uji overall juga dapat
dilakukan dengan menggunakan nilai Hosmer Lemeshow seperti berikut:

9
 Tabel 3.7 Hosmer and Lemeshow Test

Dari tabel 3.7 dapat dilakukan uji hipotesis sebagai berikut:

a. Hipotesis
H0 : Model telah cukup mampu menjelaskan data (sesuai)
H1 : Model tidak cukup mampu menjelaskan data
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value = 0,857
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.857) > α (0.05)
e. Keputusan
Gagal tolak H0
f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa model regresi logistik yang
digunakan telah cukup mampu menjelaskan data (sesuai)

Tabel 3.8 Model Summary

Berdasarkan tabel 3.8 hasil output pada Cox-Snell R2 dan Nagelkerke

R memiliki analogi sama dengan nilai R-square pada regresi linier,
menyakatan bahwa sebanyak 40,5% keragaman dapat dijelaskan oleh
model, sedangkan sisanya (59,5%) dijelaskan oleh faktor (variabel) lain
diluar model penelitian.

10
 Tabel 3.9 Classification Tablea

Cut value yang terdapat dalam output di atas mengindikasikan batas

peluang setiap kejadian sukses dan gagal. Jika nilai prediksi dalam data
(PRE_1) lebih dari 0,5 maka kejadian ini sukses atau diterima (ditunjukkan
dalam variabel PGR_1 dengan nilai 1) dalam data SPSS. Sebaliknya, jika
nilainya kurang dari 0,5 maka hasilnya tidak sukses atau gagal (ditunjukkan
dalam variabel PGR_1 dengan nilai 0). Dari data tersebut dapat diketahui
juga bahwa nilai-nilai prediksi dapat memprediksi variabel-variabel dengan
tingkat kebenaran 75% (lebih besar daripada ketika mengikutsertakan
konstanta)

3. Uji Partial
Tabel 3.10 Variables in The Equation Block 1

Dari tabel 3.10 dapat dilakukan uji hipotesis sebagai berikut:

Untuk β1
a. Hipotesis
H0 : β1 = 0 (Variabel Education tidak signifikan mempengaruhi Y)
H1 : β1 ≠ 0 (Variabel Education signifikan mempengaruhi Y)
b. Tingkat Signifikasi
α = 5%

11
c. Statistik Uji
P-value = 0,021
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.021) < α (0.05)
e. Keputusan
Tolak H0

f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa variabel education signifikan
mempengaruhi Y
Untuk β2
a. Hipotesis
H0 : β2 = 0 (Variabel Experience tidak signifikan mempengaruhi Y)
H1 : β2 ≠ 0 (Variabel Experience signifikan mempengaruhi Y)
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value = 0,011
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.011) < α (0.05)
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa variabel experience signifikan
mempengaruhi Y
Untuk β3
a. Hipotesis
H0 : β2 = 0 (Variabel Sex tidak signifikan mempengaruhi Y)
H1 : β2 ≠ 0 (Variabel Sex signifikan mempengaruhi Y)
b. Tingkat Signifikasi
α = 5%

12
 c. Statistik Uji
P-value = 0,220
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.220) > α (0.05)
e. Keputusan
Gagal tolak H0

f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa variabel sex tidak signifikan
mempengaruhi Y
Karena variabel sex tidak signifikan, maka dilakukan pengujian kembali
dengan output sebagai berikut:
1. Uji Overall Setelah Variabel Sex Dikeluarkan
Tabel 3.11 Omnibus Tests of Model Coefficients Tanpa variabel sex

Dari tabel 3.11 dapat dilakukan uji hipotesis sebagai berikut:

g. Hipotesis
H0 : Tidak ada variabel X yang signifikan mempengaruhi variabel Y
H1 : Minimal ada satu variabel X yang signifikan mempengaruhi variabel
Y
h. Tingkat Signifikasi
α = 5%
i. Statistik Uji
P-value = 0,002
j. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.002) < α (0.05)
k. Keputusan
Tolak H0
l. Kesimpulan

13
 Dengan α =5% dapat disimpulkan bahwa minimal ada satu variabel X
yang signifikan mempengaruhi variabel Y
Selain menggunakan nilai pada tabel 3.6, uji overall juga dapat
dilakukan dengan menggunakan nilai Hosmer Lemeshow seperti berikut:
Tabel 3.12 Hosmer and Lemeshow Test Tanpa Variabel Sex

Dari tabel 3.12 dapat dilakukan uji hipotesis sebagai berikut:

g. Hipotesis
H0 : Model telah cukup mampu menjelaskan data (sesuai)
H1 : Model tidak cukup mampu menjelaskan data
h. Tingkat Signifikasi
α = 5%
i. Statistik Uji
P-value = 0,225
j. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.225) > α (0.05)
k. Keputusan
Gagal tolak H0
l. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa model regresi logistik yang
digunakan telah cukup mampu menjelaskan data (sesuai)
Tabel 3.13 Model Summary Tanpa Variabel Sex

Berdasarkan tabel 3.13 hasil output pada Cox-Snell R2 dan

Nagelkerke R memiliki analogi sama dengan nilai R-square pada regresi
linier, menyakatan bahwa sebanyak 36,7% keragaman dapat dijelaskan oleh
model, sedangkan sisanya (63,3%) dijelaskan oleh faktor (variabel) lain
diluar model penelitian.

14
 Tabel 3.14 Classification Tablea Tanpa Variabel Sex

Cut value yang terdapat dalam output di atas mengindikasikan batas

peluang setiap kejadian sukses dan gagal. Jika nilai prediksi dalam data
(PRE_1) lebih dari 0,5 maka kejadian ini sukses atau diterima (ditunjukkan
dalam variabel PGR_1 dengan nilai 1) dalam data SPSS. Sebaliknya, jika
nilainya kurang dari 0,5 maka hasilnya tidak sukses atau gagal (ditunjukkan
dalam variabel PGR_1 dengan nilai 0). Dari data tersebut dapat diketahui
juga bahwa nilai-nilai prediksi dapat memprediksi variabel-variabel dengan
tingkat kebenaran 62,5% (lebih besar daripada ketika mengikutsertakan
konstanta)
2. Uji Partial
Tabel 3.15 Variables in The Equation Block 1 Tanpa Variabel Sex

Dari tabel 3.10 dapat dilakukan uji hipotesis sebagai berikut:

Untuk β0
a. Hipotesis
H0 : β0 = 0 (konstanta tidak signifikan mempengaruhi Y)
H1 : β0 ≠ 0 (konstanta signifikan mempengaruhi Y)
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value = 0,009
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.009) < α (0.05)
e. Keputusan

15
 Tolak H0
f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa konstanta signifikan
mempengaruhi Y
Untuk β1
a. Hipotesis
H0 : β1 = 0 (Variabel Education tidak signifikan mempengaruhi Y)
H1 : β1 ≠ 0 (Variabel Education signifikan mempengaruhi Y)
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value = 0,029
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.029) < α (0.05)
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa variabel education signifikan
mempengaruhi Y
Untuk β2
a. Hipotesis
H0 : β2 = 0 (Variabel Experience tidak signifikan mempengaruhi Y)
H1 : β2 ≠ 0 (Variabel Experience signifikan mempengaruhi Y)
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value = 0,015
d. Daerah Kritis
H0 ditolak jika P-value < α  P-value (0.015) < α (0.05)
e. Keputusan
Tolak H0

16
 f. Kesimpulan
Dengan α =5% dapat disimpulkan bahwa variabel experience signifikan
mempengaruhi Y
Setelah dilakukan uji overall dan partial didaptkan model logit sebagai berikut:
p
Logit (p) = Ln = −¿4,467 + 0,58 Education + 0,293 Experience
1− p

B. INTERPRETASI DAN PELUANG

Berdasarkan tabel 3.15 dapat diinterpretasikan sebagai berikut:
1. Kecenderungan pelamar mengalami keberhasilan setelah mencoba
memasukkan lamaran pekerjaan ke PT Makmur Jaya berhubungan positif
dengan educations (pendidikan yang ditempuh pelamar). Setiap peningkatan
educations sebesar satu poin membuat kecenderungan mengalami
keberhasilan sebesar 0,58 kali.
2. Kecenderungan pelamar mengalami keberhasilan setelah mencoba
memasukkan lamaran pekerjaan ke PT Makmur Jaya berhubungan positif
dengan experience (pendidikan yang ditempuh pelamar). Setiap peningkatan
experience sebesar satu poin membuat kecenderungan mengalami
keberhasilan sebesar 0,293 kali.
3. Peluang pelamar mengalami keberhasilan diterima bekerja di PT Makmur
Jaya setelah mencoba memasukkan lamaran pekerjaan adalah
exp ⁡( β0 + β 1 + β 2) 0,11 +1,786+1,340
π ( 1 )= = =0,7639
1+exp ⁡(β 0 + β 1+ β 2 ) 1+(0,11+1,786+1,340)
4. Peluang pelamar mengalami tidak diterima bekerja di PT Makmur Jaya
setelah mencoba memasukkan lamaran pekerjaan adalah
π ( 0 )=1−0,7639=0,2361
5. Untuk pengalaman pekerjaan selama 1 tahun dan lamanya menempuh
pendidikan 4 tahun, maka diperoleh
p
Logit (p) = Ln = −¿4,467 + 0,58 Education + 0,293 Experience
1− p
= −¿4,467 + 0,58 (4) + 0,293 (1)

17
= −¿1,854

18
 BAB IV
PENUTUP
Berdasarkan pengujian yang telah dilakukan pada bab tiga diperoleh
kesimpulan bahwa variabel yang mempengaruhi diterima atau tidaknya seorang
pelamar oleh PT Makmur Jaya dipengaruhi oleh varibel education dan experience.
Variabel-variabel yang berpengaruh tersebut hanya mempengaruhi variabel Y
sebesar 36,7% dan sisanya dipengaruhi variabel lain diluar model. Peluang
seseorang diterima bekerja di PT Makmur Jaya yaitu sebesar 0,7639 dan peluang
tidak tidak diterima seseorang di PT Makmur Jaya yaitu sebesar 0,2361.

19