Model regresi logistik adalah model yang sangat “longgar” dalam hal asumsi
untuk variabel penjelasnya. Namun, pada semua hubungan dependensi, tetap
diberlakukan asumsi ketiadaan multikolinieritas. Asumsi ini juga diberlakukan
pada model regresi logistik. Oleh karena itu, sebelum pengumpulan data
dilakukan sebaiknya dipertimbangkan variabel-variabel yang akan digunakan,
apakah kemungkinan akan ada multikolinieritas atatu tidak. Model regresi
logistik kebanyakan digunakan pada variabel penjelas yang berupa data
kategorik, jadi pendeteksian multikolinieritas tidak bisa menggunakan matriks
korelasi. Untuk itu, bisa digunakan uji kebebasan (chi-square) terhadap dua
variabel yang dicurigai mengandung multikolinieritas.
Tabel 1.1
Uji Independensi
Metode
IPK Pre Test Pembelajaran NILAI
df 28 13 1 1
Berdasarkan Tabel 1.1 diperoleh nilai signifikansi sebesar masing-masing 1,00, 0,827, 0,48 dan
0,77, karena nilai sig>0.05, maka H0 diterima, artinya: Variabel yang digunakan adalah saling
bebas.
Iteration Coefficients
2 41.183 -.647
3 41.183 -.647
Berdasarkan nilai statistik -2logL diperoleh nilai sebesar 41,187 dengan mengikuti distribusi chi
square pada derajat bebas n-1 = 32-1=31 diperoleh Chi square tabel sebesar =44,985>41,183,
maka H0 diterima artinya: Model regresi logistik yang hanya dengan konstanta saja sudah fit
dengan data. Statistik -2logL yang kedua adalah untuk model dengan konstanta dan variabel
bebas (nili pre tes, metode pembelajaran dan IPK) dengan nilai -2logL sebesar 25,779
sabagaimana disajikan pada tabel berikut:
Model Summary
Diperoleh nilai -2logL pada saat menyertakan variabel bebas sebesar 25,779 dengan mengikuti
distribusi chi square pada derajat bebas =n-q=32-3=29 diperoleh nilai chi square tabel sebesar
=42,557>25,779, maka H0 diterima, artinya: Model yang menyertakan konstanta dan variabel
bebas nilai pre tes, metode pembelajaran dan IPK juga fit dengan data.
Statistik -2logL dapat digunakan untuk menentukan jika variabel bebas ditambahkan kedalam
model apakah secara signifikan memperbaiki model fit. Selisih -2logL yang menyertakan
variabel bebas dengan yang tanpa menyertakan variabel bebas mengikuti distribusi chi square
dengan derajat bebas sebesar db1-db2 = 31-29=2, sehingga dapat dihitung chi square tabel
sebesar: 5,99. Sedangkan selisih antara -2logL pertama dan -2logL yang kedua adalah: 41,187-
25,779=15,41, sehingga 5,99<15,41. Maka H0 ditolak dan penambahan viarabel bebas nilai pre
test dan metode pembelajaran dan IPK dapat memperbaiki model fit.
Statistik Cox dan Snell’s R square merupakan ukuran yang mencoba meniru ukuran R2 pada
regresi berganda didasarkan pada teknik estimasi likelihood dengan nilai maksimum kurang dari
1 (satu) sehingga sulit diinterpretasikan. Selanjutnya ukuran Nagelkerke’s R square merupakan
modifikasi dari koefisien Cox dan Snell untuk memastikan bahwa nilaina bervariasi dari 0
hingga 1. Hal ini dilakukan dengan cara membagi nilai Cox dan Snell R2 dengan nilai
maksimumnya. Pada kasus ini diperoleh nilai cox snell R square sebesar 0,382 sedangkan nilai
Nagel R saquare sebesar 0.528. Artinya: Variabilitas variabel nilai mahasasiswa dapat dijelaskan
oleh variabilitas variabel nilai pre tes, metode pembelajaran dan IPK adalah sebesar 52,80%.
Selanjutnya untuk menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model
(tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit) jika nilai
Hosmer and Lemeshow goodenss of fit test statistik sama dengan atau kurang dari 0.05, maka
Ho ditolak. Artinya: model tidak fit.
1 6.258 8 .618
Pada kasus ini diperoleh nilai sig sebesar 0,618>0.05, maka Ho diterima artinya: model sudah fit
atau tidak ada perbedaan yang signifikan antara model dengan nilai observasinya.
Ho: 1 = 2 = … = p=0
H1: Minimal ada satu j≠0, j=1,…,p, artinya minimal ada satu variabel
penjelas yang berpengaruh.
Chi-square df Sig.
Diperoleh nilai signifikansi pada model sebesar 0,002 <0.05, maka H0 ditolak artinya: Dari sini
bisa diketahui bahwa minimal ada satu vriabel bebas yang berpengaruh signifikan
terhadap nilai mahasiswa. Atau terdapat pengaruh yang signifikan secara simultan
antara nilai pre test, metode pembelajaran dan IPK tehadap nilai akhir mahasiswa.
b. UJI PENGARUH SECARA PARSIAL
Ho: j=0
H1: j≠0
Pada uji ini, Ho diharapkan juga dapat ditolak sehingga variabel yang
sedang diuji masuk ke dalam model. Dengan bantuan tabel Vriables In
the Equation, dapat dilihat variabel mana saja yang berpengaruh
signifikan sehingga bisa dimasukkan ke model.
Jika nilai sig.<, maka Ho dapat ditolak. Kenapa sig. atau p-value nya
2
βj
digunakan adalah
( )
se( β j )
atau Wald yang mengikuti sebaran chi –
square dengan derajat bebas 1. Jika statistik uji yang digunakan adalah
βj βj
( )
se( β j )
, maka sig. dibandingkan dengan α /2 karena
( )
se( β j )
Diperoleh:
Signifikansi pengaruh IPK terhadap nilai akhir mahasiswa sebesar 0,025, maka H0
ditolak, artinya: IPK berpengaruh signifikan terhadap nilai akhir mahasiswa.
Signifikansi pengaruh M1 (pre test) terhadap nilai akhir mahasiswa sebesar 0,501, Ho
diterima, artinya: nilai pre test tidak berpengaruh signifikan terhadap nilai akhir
mahasiswa.
Signifikansi pengaruh metode pembelajaran terhadap nilai akhir mahasiswa sebesar
0,025, maka H0 ditolak, artinya: Metode pembelajaran berpengaruh signifikan terhadap
nilain akhir mahasiswa.
Model regresi logistik yang dapat dibentuk dalam kasus ini adalah sebagai berikut:
Peluang mahasiswa memperoleh nilai A jika nilai awal sebesar 20 satuan dengan menggunakan
metode baru (metode 1) dan IPK sebesar 3 adalah sebagai berikut:
Odds ratio adalah analisis tambahan yang difasilitasi oleh model regresi
logistik. Masih pada tabel Variables in the Equation, kita dapat melihat
pengaruh perubahan nilai suatu variabel penjelas terhadap peluang suatu
observasi untuk mengalami kategori sukses. Nilai-nilai odds ratio dapat dibaca
pada kolom exp(B).
1. Jika IPK yang dimiliki seorang mahasiswa bertambah 1 poin (dengan asumsi
variabel lain konstan), maka kecenderungannya untuk mendapat nilai A
akan berlipat 16,880 kali.
2. Jika nilai pre test yang dimiliki seorang mahasiswa bertambah 1 poin
(dengan asumsi variabel lain konstan), maka kecenderungannya untuk
mendapat nilai A akan berlipat 1,1 kali.
3. Jika IPK yang dimiliki seorang mahasiswa bertambah 1 poin (dengan asumsi
variabel lain konstan), maka kecenderungannya untuk mendapat nilai A
akan berlipat 0,093 kali
4. Jika IPK, pre test dan metode pembelajaran konstan (sama dengan nol)
maka tidak akan berdampak terhadap perubahan nilai mahasiswa (karena
nilai odds rasionya sama dengan nol)