Analisis Regresi Logistik Biner

Kuliah ke 4 (online)
Senin 29 Maret 2021, jam 7.30-10.00

Apa yang dimaksud dengan analisis regresi logistic

Regresi logistik (logistic regression) merupakan suatu benrtuk regresi yang digunakan pada saat
variable tak bebas (dependent variable) bersifat kategorik (berskala nominal atau ordinal).
Regresi logistic biner digunakan jika kategori pada variable tak bebas bersifat dikotomus (terdiri
dari 2 kategori).
Skala pengukuran dari variable bebas (independent variable) yang digunakan dapat berskala
nominal, ordinal, interval atau rasio
Apa Kegunaan analisis regresi logistic biner?
Beberapa kegunaan dari regresi logistic biner (Azen & Walker, 2011) adalah:
1. Memodelkan probabilita kondisi atau pernyataan tertentu yang bersifat kualitatif (seperti
menikah atau tidak, sehat atau sakit, menyenangkan atau menjemukan dan sebagainya)
sebagai fungsi dari beberapa variable bebas. Contoh, seseorang bermaksud memodelkan
apakah seseorang sakit diabetes atau tidak dipengaruhi oleh berat badan, kadar glukosa saat
puasa dan usia.
2. Menggambarkan perbedaan antara kelompok sebagai fungsi dari beberapa variable
penjelas (dikenal juga dengan descriptive discriminant analisys). Contoh penelitian
tentang perbedaan siswa yang berminat untuk sekolah di sekolah negeri dan di sekolah
swasta sebagai fungsi dari skor test yang dimiliki untuk pekerjaan yang diinginkan dan
status social-ekonomi.
3. Mengelompokan individu ke dalam salah satu kategori berdasarkan variable bebas. Teknik
analisis ini dikenal juga dengan nama predictive discriminant analysis. Contoh seorang
peneliti mungkin berkeinginan untuk memperkirakan apakah seorang siswa berminat
untuk sekolah di sekolah negeri atau swasta, berdasarkan fungsi dari skor test yang
dimiliki, pekerjaan yang diinginkan dan status social ekonomi.
4. Di bidang psikometri, penggunaan logistic regression lebih mirip predictive discriminant
analysis. Contoh, seorang berkeinginan untuk memperkirakan peluang/probabilita peserta
test akan menjawab dengan benar berdasarkan (sebagai fungsi dari) ras dan gender. Dalam
bidang psikometri dikenal dengan differential item functioning analyses.

Bagaimana regresi logistic biner diestimasi?

Regresi logistic menerapkan metode maximum likelihood estimation (MLE) dalam menghasilkan
nilai estimasi setelah mentransformasi variable tak bebas ke dalam suatu variable logit. Pada
tahapan ini, regresi logistic mengestimasi berapa probabilita dari suatu peristiwa tertentu untuk

1
terjadi. Regresi logistic menghitung perubahan yang terjadi pada nilai log odds variable tak bebas
secara langsung seperti yang diterapkan dalam metode ordinary least squares (OLS).

Model Regresi Logistic Biner

Secara matematis bentuk model probabilita regresi logistic adalah :
E(Y/x) = π(x) 4.1
Dimana :
exp ( β0 + β1X1 + … + βpXp)
π(x) = 4.2
1+ exp (β0 + β1X1 + … + βpXp)

Nilai variable tak bebas (Y) adalah 1 (“sukses”) dan 0 (“gagal”), Nilai π (x) adalah probabilita
kejadian P(Y=1).

Fungsi π (x) merupakan fungsi non linier sehingga perlu dilakukan tarnsformasi logit untuk
memperoleh fungsi linier.

Bentuk transformasi logit tersebut adalah ;

( )
logit ( π (x) = ln ( )
= β0 +β1 + Xi1+ β2 + Xi2 + … + βpXip 4.3

i merupakan parameter koefisien regresi, i = 1,2 …p

Xip merupakan nilai variable bebas ke - p dari observasi ke – i
Dimana ( π (x)/1- π(x) merupakan resiko Y =1 untuk X tertentu, disebut juga dengan odds.

Apa persamaan dan perbedaan regresi logistic dengan regresi klasik?

Menard (2002) menjelaskan bahwa regresi logistic memiliki beberapa analogi dengan regresi
klasik ( OLS regression). Koefisien logit menunjukan nilai koefisien b pada persamaan regresi
logistic, dan nilai statistic R2 juga tersedia untuk menyimpulkan kekuatan hubungan meskipun
nilai ini tidak dapat persis disamakan dengan nilai R2 pada regresi klasik.
Namun dalam aplikasinya, penggunaan regresi logistic dan regresi klasik terdapat perbedaan yang
mencolok.
Contoh berkut menjelaskan tentang perbedaan tersebut

2
Misalkan diteliti hubungan antar skor Graduate Record Examination (GRE) dan status kelulusan
seseorang dalam ujian masuk suatu perguruan tinggi (PT). Model regresi klasik untuk kasus di atas
dapat dituliskan sebagai berikut ;
Yi = β0 + β1 Xi + εi 4.4
Xi = skor GRE dari observasi ke- i
Yi = 1 ; bila seseorang lulus ujian masuk PT
0 ; bila seseorang tidak lulus masuk PT (gagal)
Secara matematis dengan mengasumsikan E ( εi ) = 0, diperoleh
E(Yi/Xi) = β0 + β1 Xi 4.5
Nilai harapan bersyarat dari Y, jika diberikan Xi adalah
E(Yi/Xi) = ( Yi = 1)P(Yi = 1/Xi) + (Yi = 0) P(Yi = 0/Xi) = P (Yi = 1/Xi)
Jika P (Yi = 1/Xi) = πi menunjukan probabilita bahwa orang ke-i lulus ujian,
maka 1 - πi merupakan probabilita bahwa orang ke-i tidak lulus ujian, yaitu bila Yi = 0 sehingga
E(Yi/Xi) = πi
Akibatnya persamaan (4.5) menghasilkan
E(Yi/Xi) = β0 + β1 Xi = πi 4.6
Karena 0 ≤ πi ≤ 1, maka 0 ≤ β0 + β1 Xi ≤ 1
Pada kasus variable tak bebas yang berbentuk kategori, apakah estimator hasil OLS dapat
menjamin bahwa besaran β0 + β1 Xi terletak antara 0 dan 1? Inilah alasan mengapa pada kasus
variable tak bebas kategorik, regresi OLS tidak dapat digunakan.
Salah satu solusi untuk kasus variable tak bebas kategorik adalah menggunakan fungsi logit
(regresi logistic) sebagaimana telah dijelaskan sebelumnya.
Didefenisikan ;
πi = E(Yi = 1/Xi) = 1 8 = 1 8 4.7
- (β0 + β1 Xi) - Zi
1+e 1+e

Dimana ;
Zi = β0 + β1 Xi
Pada persamaan 4.7 probabilitas sukses (πi) memiliki hubungan non linier dengan Zi Persamaan

tersebut juga menjamin bahwa πi akan bernilai 0 dan 1, apabila Zi bernilai mendekati tak hingga

( ∞ ), maka πi akan bernilai mendekati 1 dan apabila Zi bernilai mendekati minus tak hingga

3
(- ∞ ) maka πi akan bernilai mendekati 0
Dari defenisi sebelumnya ;

πi =

sehingga

Rasio antara πi dan 1- πi adalah

Besaran diatas disebut dengan odds.

Logaritma natural dari odds akan menghasilkan

Persamaan diatas disebut model logit. Dalam bentuk probabilita, model regresi logistic dapat
ditulis sebagai berikut;

Apa pengertian Odds?

Odds dapat diinterorestasikan sebagai perbandingan antara probabilita sukses dan probabilita
gagal. Untuk contoh ujian masuk PT, maka odds merupakan perbandingan antara probabilita
seseorang lulus dalam ujian masuk PT dengan probabilita seseorang tidak lulus dalam ujian
tersebut. Misalkan saja bahwa probabilita seorang lulus adalah 60%. Dengan demikian probabilita
bahwa seseorang tidak lulus dalam ujian adalah 40%, sehingga odds adalah 3 banding 2. Makin
besar odds ini, makin besar kecenderungan seseorang untuk lulus dalam ujian masuk PT.
Bagaimana nilai peluang (π) dapat diperoleh?
Pada contoh sebelumnya bila mengetahui skor GRE seorang misalkan sebesar Xi, maka dapat
dihitung probabilitas bahwa seseorang akan lulus dalam ujian PT dengan cara menghitung ;

Selanjutnya untuk mengestimasinilai β0 dan β1 digunakan metode maximum likelihood estimation

(MLE)

4
Asumsi apa yang diperlukan oleh regresi logistic?
Tidak seperti pada regresi klasik, regresi logistic tidak mengasumsikan kelinieran
hubungan antara variable tak bebas dan variable bebas tidak memerlukan variable yang
terdistribusikan secara normal, atau secara umum dapat dikatakan bahwa regresi logistic tidak
memiliki persyaratan yang ketat. Namun demikian adanya kolineritas
(collinearity/multicollinearity) menjadi masalah serius. Jika terjadi kolinearitas sempurna antar
variable bebas, maka tidak dapat diperoleh estimasi koefisien regresi yang unik. Meskipun jarang
ditemukan adanya kolineritas sempurna, namun korelasi yang tinggi antar variable dapat berakibat
estimator koefisien regresi menjadi tidak lagi efisien (kesalahan baku dari estimator koefisien
regresi menjadi besar) (Menard, 2002).
Bagaimana menilai estimasi model regresi logistic yang dibuat?
Kebaikan model regresi logistic dapat dinilai dengan melihat pada table klasifikasi (clasifiation
table) (nilai Hit Ratio atau di output SPSS disebutkan sebagai overall percentage atau percentage
correct) yang menunjukan pengklasifikasi yang benar dan yang salah dari suatu variable tak bebas
dikotomus, ordinal, maupun polikotomus. Uji kebaikan model (goodness of fit test) juga dapat
dilakukan sebagai indicator ketepatan model. Sementara untuk menguji keberartian (secara
statistic) secara keseluruhan dapat dilakukan dengan uji likelihood ratio dengan statistic uji G,
sedangkan uji keberartian secara statistic dari tiap variable bebas dapat dilakukan dengan
menggunakan statistic uji Wald. Secara lebih rinci untuk prosedur pengujian hipotesis dalam
regresi logistic dapat dilakukan dengan cara sebagai berikut;

Pengujian Parameter
Uji Keseluruhan (Overall test)
Untuk mengetahui apakah minimal ada satu variable bebas yang signifikan di dalam model
digunakan hipotesis statistic uji likelihood ratio dengan rumusan hipotesis berikut (Hosmer dan
Lemeshow,2000)
H0 ; β1 = β2 = … = βp = 0
(Tidak ada pengaruh dari variable bebas terhadap variable tak bebas)
H1 ; Minimal ada satu β1 ≠ 0 dimana j = 1,2 ….p
(Minimal ada satu variable bebas berpengaruh pada variable tak bebas)
Statistik uji yang digunakan adalah ;

5
G = - 2ln( ) (4.11)

dimana ; Lo = Likelihood tanpa variable bebas

L1 = Likelihood dengan variable bebas
Statistik uji G di atas mengikuti distribusi chi-square ( χ2) dengan derajat bebas p, sehingga H0
ditolak jika G > χ2a.p, yang berarti ada paling sedikit satu βj ≠ 0

Uji Parsial
Selanjutnya untuk menguji koefisien βj secara parsial dapat digunakan uji Wald dengan
menggunakan hipotesis sebagai berikut ;
Ho ; βj = 0, (tidak ada pengaruh variable bebas ke-j terhadap variable tak bebas)
H1 ; βj≠ 0 ( ada pengaruh variable bebas ke-j terhadap variable tak bebas)
j = 1,2 …,p
Formula dari statistic uji Wald adalah ;

= ( )
(4.12)

dengan merupakan estimasi parameter βj dan merupakan estimasi standard error dari
Dijelaskan oleh Azen dan Walker (2011) bahwa statistic uji Wald tersebut mengikuti
distribusi chi-square dengan derajat bebas 1, sehingga H0 akan ditolak jika nilai >χ .
Jika H0
ditolak pada tingkat signifikansi α berarti dapat disimpulkan bahwa variable bebas Xj berpengaruh
secara signifikan terhadap variable tak bebas Y. Nilai statistic uji G (pada 4.11) maupun nilai
statistic uji W (pada 4.12) ini dapat secara langsung didapatkan dari hasil pengolahan dengan
menggunakan bantuan software statitiska seperti SPSS for windows.

Hubungan antara Nilai Probabilita, Odds & In(Odds)

Tabel 4.1. di bawah ini menyajikan nilai yang dapat menggambarkan hubungan antara nilai
probabilita, odds dan ln(odds) dapat diketahui bahwa ;
 Semakin kecil probabilita, semakin kecil pula nilai odds, dan nilai ln odds juga semakin
kecil (mendekati – ∞), dan sebaliknya.
 Secara teori, nilai probabilita berkisar antara 0 sampai 1, sehingga nilai odds akan berkisar
antara 0 sampai ∞.

6
  Pada saat probabilita = 0,5 (midpoint), maka odds = 1, dan ln (oods) = 0
 Nilai ln (odds) berkisar antara - ∞ sampai ∞, simetris di sekitar midpoint

Contoh 4.1.
Pada contoh hubungan antar skor Graduate Record Examination (GRE) dan status
kelulusan seseorang dalam ujian masuk suatu perguruan tinggi (PT), jika diketahui data yang
diperoleh adalah sebagai pada Tabel 4.2 di bawah, maka dapat diperoleh persamaan regeresi
logistic sbb:
#$
!" #$
= −15,705 + 0,025- 4.13

Atau dalam bentuk peluang:

./0 ( 1,2 1 , 13 )
= 4.14
./0 ( 1,2 1 , 13 )
pi

Pada contoh hubungan antar skor Graduate Record Examination (GRE) dan status
kelulusan seseorang dalam ujian masuk suatu perguruan tinggi (PT), jika diketahui data yang
diperoleh adalah sebagai:

7
 Tabel. 4.2 Skor Kelulusan dan GRE
Status Skor
No. Status Kelulusan Skor GRE No.
Kelulusan GRE
1 0 550 21 0 540

2 0 460 22 1 760

3 0 640 23 1 800

4 0 640 24 1 645

5 1 520 25 1 660

6 0 560 26 0 560

7 0 420 27 1 780

8 0 620 28 1 600

9 0 560 29 1 650

10 0 580 30 1 660

11 1 800 31 1 800

12 0 460 32 0 660

13 1 580 33 0 640

14 1 700 34 0 620

15 0 600 35 1 750

16 1 685 36 1 620

17 1 760 37 0 540

18 1 800 38 1 725

19 1 640 39 1 780

20 0 605 40 1 760

Berdasarkan persamaan di atas, maka nilai probabilita Yi = 1 disajikan pada tabel 4.3 di bawah
ini.

8
 Tabel. 4.3 Probabilita Yi = 1 berdasarkan persamaan 4.14
Status Skor Status Skor
No. P(Y=1) No. P(Y=1)
Kelulusan GRE Kelulusan GRE
1 0 550 0,1308 21 1 580 0,2422

2 0 460 0,0155 22 1 700 0,8668

3 0 640 0,5905 23 1 685 0,8170

4 0 640 0,5905 24 1 760 0,9671

5 0 560 0,1621 25 1 800 0,9877

6 0 420 0,0057 26 1 640 0,5905

7 0 620 0,4660 27 1 760 0,9671

8 0 560 0,1621 28 1 800 0,9877

9 0 580 0,2422 29 1 645 0,6205

10 0 460 0,0155 30 1 660 0,7044

11 0 600 0,3456 31 1 780 0,9798

12 0 605 0,3745 32 1 600 0,3456

13 1 540 0,1048 33 1 650 0,6496

14 1 560 0,1621 34 1 660 0,7044

15 0 660 0,7044 35 1 800 0,9877

16 1 640 0,5905 36 1 750 0,9580

17 1 620 0,4660 37 1 620 0,4669

18 1 540 0,1048 38 1 725 0,9242

19 1 520 0,0662 39 1 780 0,9798

20 0 800 0.9877 40 1 760 0,9671

9
 Dari nilai-nilai probabilita yang diperoleh di atas dapat dibuat grafik (Gambar 4.1) sebagai
berikut :

Interpretasi
Interpretasi pada persamaan regresi logistik dilakukan melalui nilai rasio kecenderungan
(odds rasio) atau probabilita (predicted probability) pada persamaan regresi logistik dengan satu
variabel bebas kuantitatif :
4
ln #
=b0+b1Xi

b0 menyatakan nilai log Odds jika Xi = 0

eb0 menyatakan perkiraan nilai odds (kecenderungan ) bahwa Yi = 1(dibandingkan saat Yi =0), jika
Xi = 0
b0 digunakan juga untuk menghitung perkiraan probabilita untuk Yi = 1, saat Xi = 0

67
5 =
1+ 67

Pada contoh sebelumnya,

./0 ( 1,2 1 , 13 )
pi =
./0 ( 1,2 1 , 13 )

Dengan demikian dapat diinterpretasikan bahwa

10
  Perkiraan nilai odds (kecenderunga) bahwa Yi = 1, jika Xi = 0 adalah e-15,705 = 1,5.10-7 .
Dengan kata lain, kecenderungan orang dengan skor GRE = 0 untuk LULUS sangat kecil.
 b1 menyatakan perubahan nilai log odds bahwa Yi=1 jika Xi berubah satu unit.
 eb1 menyatakan perkiraan perubahan nilai odds (kecenderungan) bahwa Yi=1, jika Xi
bertambah satu unit.
 Perkiraan perubahan nilai odds bahwa Yi=1 jika Xi bertambah satu unit adalah e0,025 =1,03.
Seseorang dengan skor GRE 1 point lebih tinggi memiliki kecenderungan 1,03 kali untuk
LULUS.
 Kemiringan (slope) paling ekstrim terjadi pada saat p = 0,5 ketika
,1
ln( ,1
) = ln(1) = 0 = ᵦ0+ ᵦ1X terjadi saat x = -ᵦ0 /ᵦ1

disebut juga dengan median effective level

Contoh 4.2. Analisis Regresi Logistik menggunakan SPSS : Usaha Informal

Berikut contoh kasus dengan keterangan sebagai berikut :

Variabel tak bebas ( Dependent variable)

Y = status keberlansungan usaha ( 1 = berlanjut, 0 = bangkrut)

Variabel bebas (Independent variable):

X1 = modal awal (puluhan juta rupiah)

11
X2 = pengalaman pelatihan kewirausahaan (1 = pernah, 0 = tidak pernah)

Model logit yang diajukan adalah :

( )
logit (π(x)) = ln = β0 +β1 + Xi1 + β2 + Xi2
( )

Misal berdasarkan output SPSS diperoleh hasil sbb (hanya output penting yg ditampilkan)

12
13
14
Berdasarkan output di atas maka analisis sederhana yang dapat dilakukan adalah sebagai berikut :
Estimasi Model Logit(Persamaan logit):
#
ln( #
) = -5,412 + 1,427Xi1 + 2,809Xi2

X1 = modal awal (puluhan juta rupiah)

X2 = pengalaman pelatihan kewirausahaan (1= pernah, 0 = tidak pernah)
Pengujian Hipotesis
Uji keseluruhan
Menguji apakah minimal ada satu variabel bebas yang signifikan di dalam model:

H0: ᵦ1 = ᵦ2 = 0

H1: minimal ada satu ᵦj ≠ 0 j =1,2

Nilai stat uji G = -2 Inlikelihood (Model B/Model A)

= -2 Inlikelihood Model B - (-2 Inlikelihood Model A)
= 55,051-22,204
= 32,847
Keterangan:
Model B = model yang hanya terdiri atas konstanta saja (Blok 0)
Model A = model yang terdiri atas konstanta dan semua variabel bebas (blok 1)
(nilai stat uji G = nilai chi-square pada tabel omnibus tests of model coefficients)
Nilai ini selanjutnya dibandingkan dengan nilai kritis χ2 dengan derajat bebas 2 (banyaknya
parameter yang diuji) pada tingkat signifikansi tertentu (misal 5%) atau dilihat@nilai@p-value
(signifikansi) dan dibandingkan dengan tingkat signifikansi yang telah ditentukan sebelumnya
(yaitu 5%). Jika p-value < 5%, maka H0 ditolak. Berdasarkan kriteria tersebut, hasilnya tolak H0,
yang berarti minimal ada satu variabel bebas yang secara statistik adalah signifikan berpengaruh
terhadap peluang status keberlanjutan usaha.
Uji Parsial
Hasil uji keseluruhan menunjukkan bahwa ada minimal satu variabel bebas yang secara statistik.
adalah signifikan sehingga dapat dilanjutkan ke uji parsial dengan rumus hipotesis:

H0: ᵦ1 = 0

H1: ᵦ1 ≠ 0 j = 1,2

15
Statistik uji yang kritis digunakan adalah statistic uji Wald. Hipotesis nol ditolak ,
1. Jika nilai statistic Wald lebih besar dari nilai χ2 dengan derajat bebas 1 pada tingkat
signifikansi tertentu (misal 5%) atau
2. Bila nilai p-value lebih kecil dari tingkat signifikansi yang telah ditentukan sebelumnya
(yaitu 5%)
Hasil pengujian menunjukan bahwa pada α =0,05, kedua variable bebas yang digunakan
mempengaruhi status keberlanjutan usaha secara signifikan.

Interpretasi
Interpretasi terhadap persamaan di atas adalah sebagai berikut;
(Melalui tanda dari koefisien regresi dan nilai odds ratio)
1. Tanda”+” pada koefisien Xi1, berarti semakin besar modal awal suatu usaha informal
maka semakin besar probabilita usaha tersebut untuk dapat berlanjut, atau usaha sector
informal dengan modal sepuluh juta rupiah lebih tinggi memiliki kecenderungan
sebesar exp(1,427) = 4,167 kali untuk dapat terus berlanjut (dengan anggapan variable
pengalaman keikutsertaan dalam pelatihan kewirausahaan sama/tetap)
2. Tanda “+” pada koefisien Xi2 , berarti usaha dengan pemilik usaha pernah mengikuti
pelatihan kewirausahaan memiliki kecenderungan/peluang yang lebih besar untuk
dapat berlanjut (dengan anggapan variable modal awal tetap), atau usaha dengan
pemilik usaha pernah mengikuti pelatihan kewirausahaan memiliki kecenderungan
sebesar 16,589 kali untuk dapat berlanjut (dengan anggapan variable modal awal
tetap/sama)
Pengujian Kecocokan Model
Pengujian ini bertujuan untuk mengetahui apakah persamaan yang diperoleh cocok untuk
menjelaskan hubungan antara status keberlanjutan usaha informasi dan variable model awal dan
pengalaman dalam pelatihan kewirausahaan. Hasil pengujian kecocokan model (goodness of fit
test) dengan hipotesis sebagai berikut ;
H0 : model cocok
H1 : model tidak cocok
Menyatakan bahwa model cocok (fit)

16
Hasil ini dapat dilihat pada table Hosmer & Lemeshow goodness of fit Test dengan nilai 13,153
dan p-value 0,107 (H0 tidak ditolak pada tingkat signifikansi 0,05).
Baik tidaknya suatu model dapat pula dinilai melalui besaran Hit Ratio (Percentage
correct) (overall percentage) pada classification table. Pada contoh di atas diperoleh nilai hit ratio
sebesar 92,5% artinya model dapat mengklasifikasikan obyek secara benar sebesar 92,5%,

Contoh 4.3. Penerapan Analisis Regresi Logistik : Peluang Pekerja Wanita dalam Memilih
Lapangan Pekerjaan Pertanian dan Non Pertanian di Kota Batam
Penilitian ini bertujuan untuk mengidentifikasi factor-faktor social demografi yang
berpengaruh dalam pemilihan lapangan pekerjaan yang dimasuki pekerja wanita di kota Batam,
serta mengetahui peluang dan kecenderungan pekerja wanita dalam memilih lapangan pekerjaan
yang dimasuki melalui aspek-aspek social demografi apa saja yang mempengaruhi kecenderungan
pekerja wanita dalam memilih lapangan pekerjaan.
Variabel tak bebas digunakan dalam analisis adalah lap
angan pekerjaan yang dimasuki oleh pekerja wanita yang telah digolongkan menjadi 2 (dua)
kelompok, yaitu lapangan pekerjaan pertanian (kode 0) dan non pertanian (kode 1).
Selanjutnya lapangan pekerjaan yang dimasuki pekerja wanita diregresikan terhadap beberapa
variable bebas yaitu ;
X = umur pekerja wanita
D1 = daerah tempat tinggal (0 = perkotaan, 1 = pedesaan)
D2 = status perkawinan (0 = kawin, 1 = tidak kawin)
D3 = kelompok pendidikan yang ditamatkan (0 = SLTA keatas, 1 = SLTP ke bawah)
D4 = status migrant (0 = migrant, 1 = non migran)
Berdasarkan sampel sebanyak 117.190 pekerja wanita, diperoleh hasil estimasi koefisien
regresi sebagai berikut (pengolahan menggunakan SPSS):

17
 Tabel di atas menunjukan bahwa semua variable bebas berpengaruh signifikan terhadap
lapangan kerja yang dimasuki pekerja wanita di Kota Batam. Persamaan logit (regresi logistic)
yang diperoleh sebagai berikut ;
8
ln 9:8
= 5,843 – 0,014X – 2,353D1 + 0,283D2 - 1,476D3 - 0,634D4

Berdasarkan persamaan di atas diperoleh beberapa informasi sebagai berikut ;

Pertama, apabila usia pekerja wanita bertambah 1 tahun, maka dia mempunyai kecenderungan
untuk bekerja di lapangan pekerjaan non pertanian sebesar 0,986 kali,dengan asumsi
pendidikan, status perkawinan, daerah tempat tinggal dan status migran pekerja wanita
tersebut sama. Ini berarti peluang pekerja wanita dengan umur lebih tua dapat bekerja di
lapangan pekerjaan non pertanian lebih kecil dibandingkan pekerja wanita yang berumur
lebih muda. Hal ini terlihat pula dari nilai koefisien b yang negative.
Kedua, pekerja wanita yang tinggal di daerah pedesaan memiliki kecenderungan sebesar 0,095
kali untuk dapat bekerja di lapangan pekerjaan non pertanian dibandingkan dengan
pekerja wanita yang bertempat tinggal di daerah perkotaan dengan asumsi umur, status
perkawinan, tingkat pendidikan yang ditamatkan dan status migrant yang sama. Ini
berarti bahwa peluang pekerja wanita yang tinggal di daerah pedesaan untuk bekerja di
lapangan pekerjaan non pertanian lebih kecil dibandingkan pekerja wanita yang tinggal
di daerah perkotaan.
Ketiga, pekerja wanita berstatus tidak kawin mempunyai kecenderungan untuk bekerja di lapangan
pekerjaan non pertanian sebesar 1,327 kali dibandingkan dengan pekerja wanita berstatus
kawin pada keadaan umur, tingkat pendidikan yang ditamatkan, daerah tempat tinggal
dan status migrant yang sama . Ini berarti peluang pekerja wanita yang tidak kawin
mempunyai kesempatan yang lebih besar untuk masuk di lapangan pekerja non pertanian
dibandingkan dengan pekerja wanita yang kawin.
Keempat, pekerja wanita yang berpendidikan rendah (SLTP ke bawah) mempunyai
kecenderungan untuk bekerja di lapangan pekerja non pertanian sebesar 0,228 kali
dibandingkan dengan pekerja wanita yang berpendidikan SLTA ke atas dengan asumsi
umur, status perkawinan , daerah tempat tinggal dan status migrant yang sma. Berarti
18
 pekerja wanita yang berpendidikan lebih tinggi mempunyai peluang/kesempatan yang
lebih besar untuk masuk ke lapangan pekerjaan non pertanian dibandingkan dengan
mereka yang berpendidikan rendah.
Kelima, pekerja wanita yang berstatus non migrant risen mempunyai peluang untuk bekerja di
lapangan pekerjaan non pertanian sebesar 0,530 kali dibandingkan pekerja wanita yang
berstatus migran dengan asumsi umur, tingkat pendidikan yang ditamatkan, daerah
tempat tinggal dan status perkawinan yang sama. Ini berarti pekerja wanita yang berstatus
migrant mempunyai kesempatan yang lebih besar untuk masuk ke lapangan pekerjaan
non pertanian dibandingkan dengan mereka yang berstatus non migran.

19