BAB I

PENDAHULUAN

1.1 Pengertian Regresi Logistik

Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika
variabel dependent (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 independent dan dependent secara linier. Regresi logistik
merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola
kurva seperti gambar di bawah ini.
Model yang digunakan pada regresi logistik adalah:
Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X 1, 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 independent. 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.
 BAB II

DESKRIPSI KERJA

2.1 Studi Kasus

Suatu penelitian dilakukan untuk mengetahui seberapa besar peluang
seseorang dapat diterima bekerja di suatu perusahaan. 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
Tabel 2.1 Data 40 Orang Yang Melamar Pekerjaan
Pelamar Education Experience SEX HIRED
(X1) (X2) (X3) (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
9 6 12 0 1
10 6 2 0 0
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 0 0
 18 4 2 0 0
19 6 7 0 0
20 6 4 0 0
21 8 0 1 0
22 4 7 0 0
23 4 1 1 0
24 4 5 0 0
25 6 0 1 0
26 4 9 0 0
27 8 1 0 0
28 6 1 1 0
29 6 2 1 1
30 6 2 1 1
31 8 3 1 1
32 8 1 1 1
33 6 1 0 1
34 8 2 0 1
35 6 4 0 1
36 4 2 1 1
37 4 1 0 0
38 4 2 1 0
39 4 1 0 0
40 6 0 1 0

Dengan studi kasus yang telah dipaparkan, permasalahan yang harus

diselesaikan adalah sebagai berikut :
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) Masukkan nilai estimasi terserah pada model terbaik

2.2 Penyelesaian Studi Kasus

Dalam menyelesaikan studi kasus di atas, langkah-langkah yang dilakukan
adalah sebagai berikut :
1. Double klik SPSS pada desktop. Pilihlah New Dataset pada kolom New File
lalu klik tombol OK.
2. Pada lembar kerja SPSS tuliskan nama-nama variable pada lembar Variable
View. Variabel yang digunakan adalah Pelamar, Education, Experience, Sex,
dan Hired. Masukan keterangan kategori sesuai dengan studi kasus dengan
melekukan klik pada values.

Gambar 2.1 Kotak Dialog Value Labels

3. Kemudian masukkan dan sesuai studi kasus, dengan melakukan klik pada
button Data View.

Gambar 2.2 Data Pada Data View

4. Selanjutnya melakukan uji regresi logistic dengan cara klik menu Analyze 
Regression  Binary Logistics. Masukkan variabel Hired pada kolom
Dependent: dan Education, Experience, dan Sex pada kolom Covariates:.
Pada tab Method: pilih Enter. Pada tab Save, beri tanda centang pada
Probabilities, Group membership, dan unstandardized. Pada tab Option, beri
tanda centang pada Classification plots, Hosmer-Lemershow goodness-of-fit,
 Casewise listing of residual, Correlations of estimates, dan Iteration history.
Lalu klik tombol Continue dam OK.

Gambar 2.3 Halaman Logistic Regression

5. Seluruh hasil output akan ditampilkan pada lembar output SPSS.

6. Untuk melakukan uji asumsi kenormalan sisaan maka klik menu bar analyze
> nonparametric test > legacy dialogs > 1-sample K-S. Kemudian
masukkan nilai different betwen ke dalam kotak. Lalu klik OK.
 BAB III
PEMBAHASAN

Dalam praktikum kali ini, praktikan akan melakukan analisis regresi logistic
untuk mengetahui seberapa besar peluang seseorang dapat diterima bekerja di suatu
perusahaan yang diselesaikan menggunakan SPSS 22.
Adapun hasil output untuk menyelesaikan permasalahan tersebut adalah
sebagai berikut :
Analisis Regresi Logistik Secara Umum

Tabel 3.1 Case Processing Summary

Unweighted Casesa N Percent

Selected Cases Included in Analysis 40 100.0

Missing Cases 0 .0

Total 40 100.0
Unselected Cases 0 .0
Total 40 100.0

a. If weight is in effect, see classification table for the total number of cases.

Berdasarkan Tabel 3.1 dapat diketahui bahwa jumlah data yang dianalisis
uuntuk regresi logistik ini adalah sebanyak 40 data (Incluade in Analysis) sedangkan
missing cases bernilai nol (0) yang menunjukan tidak ada data yang hilang ketika
proses analisis data dilakukan.

Tabel 3.2 Dependent Variable Encoding

Original Value Internal Value

Tidak Diterima 0
Diterima 1
 Hasil output regresi logistic berbeda dengan hasil output pada analisis regresi
sebelumnya. Pada hasil output, ditampilakan informasi pengkategorian variabel
dependent. Dari Tabel 3.2 diketahui bahwa Hired terkategori menjadi dua yaitu :
kategori 0 untuk “Tidak Diterima” dan kategori 1 untuk “Diterima”.

Tabel 3.3 Classification Tablea

Predicted
Observed Hired Percentage
tidak diterima diterima Correct

Step 1 Hired tidak diterima 19 4 82.6

diterima 4 13 76.5

Overall Percentage 80.0

a. The cut value is .500

Output classification table pada Tabel 3.3 menjelaskan bahwa persentase

variabel yang diprediksi sebesar 80% adalah baik, atau dengan kata lain semua data
independent yang dianalisis sebesar 80% berpengaruh terhadap nilai variabel
dependent dengan mengikutsertakan parameter konstanta. Dengan hasil karyawan
yang diobservasi tidak diterima sebanyak 23 orang tetapi 19 diantaranya
diprediksikan tidak diterima menjadi karyawan dan sisanya 4 pelamar diterima
menjadi karyawan dan sedangkan karyawan yang diobservasi diterima sebanyak 17
orang, 4 diantaranya diprediksikan tidak diterima menjadi karyawan dan sisanya 13
pelamar diterima menjadi karyawan
Analisis Regresi Logistik untuk Uji Overall

Tabel 3.4 Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 17.986 3 .000

Block 17.986 3 .000

Model 17.986 3 .000

 Untuk melakukan uji overall, tabel output yang digunakan adalah tabel
Omnibus Tests of Model Coefficients. Analisis untuk uji overall adalah sebagai
berikut.
a. Hipotesis
H0 : βi = 0 (Model tidak sesuai atau tidak layak digunakan) i = 0,1,2,3
H1 : βi ≠ 0 (Model sesuai atau layak digunakan) i = 0,1,2,3
b. Tingkat Signifikasi
α = 5%
c. Daerah Kritis
Apabila Sig < α maka tolak H0
d. Statistik Uji
Sig = 0,000
e. Keputusan
Karena nilai Sig 0,000 < 0,05 maka keputusannya adalah tolak H0
f. Kesimpulan
Dengan menggunakan α =5% dan nilai Sig < α yaitu 0,000 < 0,05 sehingga
diambil keputusan tolak H0 yang berarti model regresi logistik sesuai atau
layak untuk digunakan sebagai model estimasi.

Analisi Regresi Logistik untuk Koefisien Determinasi

Tabel 3.5 Model Summary

Cox & Snell R Nagelkerke R

Step -2 Log likelihood Square Square

1 36.562a .362 .487

a. Estimation terminated at iteration number 5 because

parameter estimates changed by less than .001.

Berdasarkan Tabel 3.5 hasil output Model Summary pada Cox & Snell R2 dan
Nagelkerke R2 memiliki analogi sama dengan nilai R-square pada regresi linear,
menyakatan bahwa sebanyak 48.7% keragaman dapat dijelaskan oleh model,
sedangkan sisanya (51.3%) dijelaskan oleh faktor (variabel) lain diluar model
penelitian.
Selanjutnya untuk uji parsial digunakan hasil output Variables in the
Equation.
Analisis Regresi Logistik untuk Uji Parsial
Tabel 3.6 Variables in the Equation

B S.E. Wald df Sig. Exp(B)

a
Step 1 Education .820 .316 6.740 1 .009 2.271

Experience .427 .185 5.326 1 .021 1.532

Sex 2.457 1.033 5.656 1 .017 11.666

Constant -7.719 2.514 9.425 1 .002 .000

a. Variable(s) entered on step 1: Education, Experience, Sex.

Analisis uji parsial untuk β1

a. Hipotesis
H0 : β1 = 0 (Koefisien regresi variabel Education tidak signifikan)
H1 : β1 ≠ 0 (Koefisien regresi variabel Education signifikan)
b. Tingkat Signifikasi
α = 5%
c. Daerah Kritis
Apabila Sig. < α maka tolak H0
d. Statistik Uji
Sig. = 0,009
e. Keputusan
Karena nilai Sig. < 0,05 yaitu 0,009 < 0,05 maka keputusannya adalah tolak
H0
f. Kesimpulan
Dengan menggunakan α =5% dan nilai Sig. < α yaitu 0,009 < 0,05 sehingga
diambil keputusan tolak H0 yang berarti koefisien regresi variabel Education
signifikan mempengaruhi Y.
Analisis uji parsial untuk β2

a. Hipotesis
H0 : β2 = 0 (Koefisien regresi variabel Experience tidak signifikan)
H1 : β2 ≠ 0 (Koefisien regresi variabel Experience signifikan)
b. Tingkat Signifikasi
α = 5%
c. Daerah Kritis
Apabila Sig. < α maka tolak H0
d. Statistik Uji
Sig. = 0,021
e. Keputusan
Karena nilai Sig. < 0,05 yaitu 0,021 < 0,05 maka keputusannya adalah tolak
H0
f. Kesimpulan
Dengan menggunakan α =5% dan nilai Sig, < α yaitu 0,021 < 0,05 sehingga
diambil keputusan tolak H0 yang berarti koefisien regresi variabel
Experience signifikan mempengaruhi Y.

Analisis uji parsial untuk β3

a. Hipotesis
H0 : β3 = 0 (Koefisien regresi variabel Sex tidak signifikan)
H1 : β3 ≠ 0 (Koefisien regresi variabel Sex signifikan)
b. Tingkat Signifikasi
α = 5%
c. Daerah Kritis
Apabila Sig. < α maka tolak H0
d. Statistik Uji
Sig. = 0,017
 e. Keputusan
Karena nilai Sig. < 0.05 yaitu 0,017 < 0,05 maka keputusannya adalah tolak
H0
f. Kesimpulan
Dengan menggunakan α =5% dan nilai Sig, < α yaitu 0,017 < 0,05 sehingga
diambil keputusan tolak H0 yang berarti koefisien regresi variabel Sex
signifikan mempengaruhi Y.

Analisis Regresi Logistik untuk Uji Kecocokan Model

Tabel 3.7 Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 5.617 8 .690

Selanjutnya melakukan pengujian kecocokan model dalam regresi.

Berdasarkan Tabel 3.7 dapat diketahui analisis untuk uji kecocokan model adalah
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. Daerah Kritis
Apabila Sig < α maka tolak H0
d. Statistik Uji
P-value = 0,690
e. Keputusan
Karena nilai Sig. > 0,05 yaitu 0,690 > 0,05 maka keputusannya adalah gagal
tolak H0
f. Kesimpulan
 Dengan menggunakan α =5% dan nilai Sig. > α yaitu 0,690 > 0,05 sehingga
diambil keputusan gagal tolak H0 yang berarti model regresi logistik yang
digunakan telah cukup mampu menjelaskan data (sesuai).
Analisis Regresi Logistik untuk Uji Kenormalan Sisaan

Tabel 3.8 One-Sample Kolmogorov-Smirnov Test

Difference
between
observed and
predicted
probabilities

N 40
a,b
Normal Parameters Mean .0000000
Std. Deviation .39326080
Most Extreme Differences Absolute .127
Positive .127
Negative -.061
Test Statistic .127
Asymp. Sig. (2-tailed) .105c

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.

Selanjutnya melakukan pengujian kenormalan sisaan dalam regresi.

Berdasarkan Tabel 3.8 dapat diketahui analisis untuk uji kenormalan sisaan adalah
sebagai berikut.
a. Hipotesis
H0 : Residual menyebar normal
H1 : Residual tidak menyebar normal
b. Tingkat Signifikasi
α = 5%
c. Daerah Kritis
Apabila Asymp. Sig (2-tailed) < α/2 maka tolak H0
 d. Statistik Uji
Asymp. Sig (2-tailed) = 0,150
e. Keputusan
Karena nilai Asymp. Sig (2-tailed) > 0,05 yaitu 0,150 > 0,05 maka
keputusannya adalah gagal tolak H0
f. Kesimpulan
Dengan menggunakan α =5% dan nilai Asymp. Sig (2-tailed) > α yaitu 0,105
> 0,05 sehingga diambil keputusan gagal tolak H0 yang berarti residual atau
sisaan menyebar normal dan asumsi kenormalan terpenuhi
Analisis Regresi Logistik Untuk Uji Hipotesis Parameter
Tabel 3.9 Variables in the Equation

B S.E. Wald Df Sig. Exp(B)

Step 0 Constant -.302 .320 .893 1 .345 .739

Sebelum penentuan model logit dan model logistic, uji yang harus dilakukan
setelah beberapa uji di atas adalah uji parameter β0. Adapun analisis untuk uji
parameter β0 berdasarkan Tabel 3.9 adalah sebagai berikut.
a. Hipotesis
H0 : β0 = 0 (Koefisien konstanta pada model tidak signifikan)
H1 : β0 ≠ 0 (Koefisien konstanta pada model signifikan)
b. Tingkat Signifikasi
α = 5%
c. Daerah Kritis
Apabila Sig. < α maka tolak H0
d. Statistik Uji
Sig. = 0,345
e. Keputusan
Karena nilai Sig. > 0,05 yaitu 0,345 > 0,05 maka keputusannya adalah gagal
tolak H0
 f. Kesimpulan
Dengan menggunakan α =5% dan nilai Sig. > α yaitu 0,345 > 0,05 sehingga
diambil keputusan gagal tolak H0 yang berarti koefisien konstanta pada
model signifikan.

Model Logit dan Model Regresi Logistik

Tabel 3.10 Variables in the Equation

B S.E. Wald df Sig. Exp(B)

a
Step 1 Education .820 .316 6.740 1 .009 2.271

Experience .427 .185 5.326 1 .021 1.532

Sex 2.457 1.033 5.656 1 .017 11.666

Constant -7.719 2.514 9.425 1 .002 .000

a. Variable(s) entered on step 1: Education, Experience, Sex.

1. Model Logit (p)

Logit=ln ( 1−p p )=−7,719+ 0,820(education)+0,427(experience)+2,457(sex )

2. Model Logistik
ex p (−7,719+ 0,820 Education+0,427 Experience+2,457 Sex )
π ( y )=
1+ ex p (−7,719+0,820 Education+ 0,427 Experience+2,457 Sex )
Sehingga :
exp ⁡(−7,719+0,820 Education+ 0,427 Experience+2,457 Sex )
π (1)=
1+ exp ⁡(−7,719+ 0,820 Education+0,427 Experience+2,457 Sex)
π ( 0 )=1−π ( 1 )=¿ (peluang tidak diterima)

Interpretasikan nilai estimasi β (dengan menggunakan nilai odd dari masing-

masing variabel)

Odd rasio adalah ukuran rasio perbandingan kemungkinan peristiwa terjadi

dalam satu kelompok dengan kemungkinan hal yang sama terjadi di kelompok lain.
Berdasarkan Tabel 3.10 pada kolom Exp(B) merupakan nilai yang menunjukkan odds
ratio dari variabel yang signifikan terhadap model atau yang masuk kedalam model.
Jadi peluang diterimanya seseorang (pelamar) dipengaruhi oleh Education,
Experience, dan Sex. Pada nilai odds ratio untuk parameter variabel Education adalah
senilai 2,271 yang artinya setiap penambahan satu tahun pada Education akan
menambah/memperbesar peluang Hider (kemungkinan seseorang diterima bekerja di
suatu perusahaan) sebesar 2,271 kali lebih besar dibanding yang tidak memiliki
Education atau tetap. Kemudian untuk variabel Experience, nilai odds rationya
sebesar 1,532 yang artinya setiap penambahan satu tahun pada Experience akan
menambah/memperbesar peluang Hider (kemungkinan seseorang diterima bekerja di
suatu perusahaan) sebesar 1,532 kali lebih besar dibanding yang tidak memiliki
Experience atau tetap. Begitu pula untuk variabel sex, nilai odds rationya sebesar
11,666 yang artinya setiap penambahan satu tahun pada Experience akan
menambah/memperbesar peluang Hider (kemungkinan seseorang diterima bekerja di
suatu perusahaan) sebesar 11,666 kali lebih besar dibanding yang tidak memiliki
Experience atau tetap. Dari nilai odds ratio dapat memberikan informasi peluang
seseorang diterima bekerja disuatu perusahaan.
Selanjutnya dalam analisis regresi logistik terdapat estimasi untuk masing-
masing parameter yang signifikan. Hal ini untuk mengatahui besarnya pertambahan
nilai odds ratio. Untuk parameter β 1 didapatkan odds ratio 2,271, parameter β 2
didapatkan odds ratio 1,532, dan parameter β 3 didapatkan odds ratio 11,666 Maka
nilai estimasinya yaitu:

Nilai estimasi β 1=exp (Odds ratio)−1

¿ exp(2,271)−1
¿ 8,6890
Nilai estimasi β 2=exp (Odds ratio)−1
¿ exp(1,532)−1
¿ 3,6274
Nilai estimasi β 3=exp(Odds ratio)−1
¿ exp(11,666 )−1
 ¿ 116540,18

Maka jika diinterpretasikan untuk penambahan variabel Education (X1),

diperkirakan nilai odds untuk Education akan bertambah sebesar 868,9%, pada
variabel Experience (X2) dan variabel sex (X3) yang tetap. Bagitu juga dengan nilai
estimasi untuk parameter β 2 , maka didapatkan nilai estimasinya 3,6274. Jika
dinterpertasikan untuk penambahan Experience (X2), diperkirakan nilai odds untuk
Experience akan bertambah sebesar 362,74%, pada variabel education (X1) dan
variabel sex (X3) yang tetap. Begitu pula dengan penambahan variabel sex (X3),
diperkirakan nilai odds untuk sex akan bertambah sebesar 116504%, pada variabel
Experience (X2) dan variabel sex (X3) yang tetap
Berapa peluang diterimanya seorang wanita yang ingin melamar pekerjaan di
suatu perusahaan X, jika diketahui memiliki lama pendidikan 4 tahun dan
pengalaman bekerja 1 tahun ?
exp ⁡(−7,719+0,820 Education+ 0,427 Experience+2,457 Sex )
π (1)=
1+ exp ⁡(−7,719+ 0,820 Education+0,427 Experience+2,457 Sex)

exp ⁡(−7,719+0,820 ( 4 ) +0,427 ( 1 ) +2,457 ( 0 ) )

¿
1+ exp ⁡(−7,719+ 0,820 ( 4 ) +0,427 ( 1 ) +2,457 ( 0 ))

ex p (−4,012 ) 0.0180
¿ = =0. 01768
1+ ex p (−4,012 ) 1+0 , 0180
Dari hasil perhitungan yang dilakukan diperoleh peluang seorang wanita yang
memiliki lama education 4 tahun dan pengalaman kerja selama 1 tahun yaitu sebesar
0.01768 atau 1,76%. Maka dapat diinterpretasikan dengan kriteria tersebut peluang
diterimanya seorang wanita di suatu perusahaan X tidak terlalu baik. Karena nilai
peluangnya berada dibawah 0.5 atau kurang dari 50%. Setelah mengetahui peluang
diterimanya seorang wanita tersebut, dapat dihitung juga peluang tidak diterimanya
yaitu 1 – 0,01768 = 0,982 atau 98,2 % yang artinya peluang tidak diterima lebih besar
dari peluang diterima.

BAB IV
PENUTUPAN

Berdasarkan praktikum yang telah dilakukan praktikan, maka dapat

disimpulkan beberapa hal sebagai berikut :
1. Berdasarkan uji Overall dan Parsial yang dilakukan diperoleh model logit dan
model logistic regresi sebagai berikut.
Model Logit (p)

Logit=ln ( 1−p p )=−7,719+ 0,820(education)+0,427(experience)+2,457(sex )

Model Logistik
ex p (−7,719+ 0,820 Education+0,427 Experience+2,457 Sex )
π ( y )=
1+ ex p (−7,719+0,820 Education+ 0,427 Experience+2,457 Sex )
2. Uji Overall, uji kecocokan model, uji kenormalan sisaan dan uji parameter β0
menghasilkan keputusan model yang diperoleh sesuai dan sudah cukup mampu
menjelaskan data serta model telah signifikan.
3. Berdasarkan nilai odds ratio untuk parameter variabel Education adalah senilai
2,271 yang artinya setiap penambahan satu tahun pada Education akan
menambah/memperbesar peluang Hider (kemungkinan seseorang diterima
bekerja di suatu perusahaan) sebesar 2,271 kali lebih besar dibanding yang tidak
memiliki Education atau tetap. Kemudian untuk variabel Experience, nilai odds
rationya sebesar 1,532 yang artinya setiap penambahan satu tahun pada
Experience akan menambah/memperbesar peluang Hider (kemungkinan
 seseorang diterima bekerja di suatu perusahaan) sebesar 1,532 kali lebih besar
dibanding yang tidak memiliki Experience atau tetap. Begitu pula untuk variabel
sex, nilai odds rationya sebesar 11,666 yang artinya setiap penambahan satu tahun
pada Experience akan menambah/memperbesar peluang Hider (kemungkinan
seseorang diterima bekerja di suatu perusahaan) sebesar 11,666 kali lebih besar
dibanding yang tidak memiliki Experience atau tetap.
4. Peluang diterimanya seorang pelamar wanita apabila diketahui lama
pendidikannya selama 4 tahun dan memiliki pengalaman kerja selama 1 tahun
adalah sebesar 0,01768 atau 1,76%.