ANALISIS REGRESI LOGISTIK BINARY (MODEL LOGIT)

1. Uji Asumsi Model Regresi Logistik

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.

Uji kebebasan antar variabel:

Uji kebebasan (independensi) antara variabel bebas dilakukan menggunakan uji

chi suqre (chi kuadrat). Hasil pengujian chi kuadarat disajikan pada Tabel
berikut:

Tabel 1.1

Uji Independensi
 Metode
IPK Pre Test Pembelajaran NILAI

Chi-square 2.438a 8.250b 0.500c 3.125c

df 28 13 1 1

Asymp. Sig. 1.000 .827 0.480 0.077

a. 29 cells (100.0%) have expected frequencies less than 5. The minimum

expected cell frequency is 1.1.
b. 14 cells (100.0%) have expected frequencies less than 5. The minimum
expected cell frequency is 2.3.
c. 0 cells (.0%) have expected frequencies less than 5. The minimum
expected cell frequency is 16.0.

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.

2. Ketepatan Model (goodness of fit model)

Pada analisis regresi logistik diberikan beberapa uji statistik untuk menilai kebaikan model.
Penilaian ketepatan model didasarkan pada hipotesis sebagai berikut:
H0: Model yang dihipotesiskan fit dengan data
H1: Model yang dihpotesiskan tidak fit dengan data.
Dari hipotesis ini jelas bahwa diharapkan menerima H0 agar model fit atau sesuai dengan
data sebenarnya. Statistik yang digunakan beradasarkan pada fungsi likelihood. Likelihood L dari
model adalah probabilitas bahwa model yang dihipotesakan menggambarkan data input. Untuk
menguji hipotesis nol , nilai L ditransformasikan menjadi -2LogL. Statistik -2LogL kadang-kadang
disebut likelihood rasio X2 statistik, dimana X2 distribusi dengan derajat bebas n-q, q adalah jumlah
parameter dalam model.
Hasil perhitungan statistik -2logL pada spss 18.0 untuk model yang hanya memasukkan
konstanta ditampilkan pada Tabel berikut ini:
 Iteration Historya,b,c

Iteration Coefficients

-2 Log likelihood Constant

Step 0 1 41.187 -.625

2 41.183 -.647

3 41.183 -.647

a. Constant is included in the model.

b. Initial -2 Log Likelihood: 41.183

c. Estimation terminated at iteration number 3 because

parameter estimates changed by less than .001.

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

Step Cox & Snell R Nagelkerke R

-2 Log likelihood Square Square

1 25.779a 0.382 0.528

a. Estimation terminated at iteration number 6 because parameter

estimates changed by less than .001.

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.

Ukuran Cox dan Snell’s R Square

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.

Hosmer and Lemeshow Test

Step Chi-square df Sig.

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.

3. Uji Signifikansi Model

a. UJI PENGARUH SECARA SIMULTAN

Ho: 1 = 2 = … = p=0

H1: Minimal ada satu j≠0, j=1,…,p, artinya minimal ada satu variabel
penjelas yang berpengaruh.

Dengan melihat tabel “Omnibus tests of Model Coefficients”, kita dapat

memutuskan apakah Ho ditolak atau tidak. Diharapkan dari uji ini
nantinya Ho akan ditolak. Bagaimana bisa menolak Ho? Jika nilai sig.
Model pada step terakhir bernilai kurang dari , maka Ho ditolak. Jika Ho
ditolak, tentunya kita ingin mengetahui variabel mana saja yang masuk
ke dalam model. Untuk itu, lanjutkan dengan uji parsial.

Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 15.404 3 .002

Block 15.404 3 .002

Model 15.404 3 .002

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

dibandingkan dengan , bukan α /2 ? Karena statistik uji yang

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 )

mengikuti sebaran Normal(0,1).

 Variables in the Equation

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

Step 1a M1 .095 .142 .452 1 .501 1,100

M2(1) -2.379 1.065 4.993 1 .025 0,093

IPK 2.826 1.263 5.007 1 .025 16,880

Constant -10.643 4.553 5.463 1 .019 0.000

a. Variable(s) entered on step 1: M1, M2, IPK.

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 Akhir Regresi Logistik:

Model regresi logistik yang dapat dibentuk dalam kasus ini adalah sebagai berikut:

 exp(10,643  0, 095M 1  2,379 M 2  2,826IPK )

 ( xi ) 
1  exp(10,643  0, 095M 1  2,379 M 2  2,826IPK ) , i=1, …, n

Peluang mahasiswa memperoleh nilai A jika nilai awal sebesar 20 satuan dengan menggunakan
metode baru (metode 1) dan IPK sebesar 3 adalah sebagai berikut:

 exp(10, 643  0, 095(20)  2,379(0)  2,826(3)

 (xi )   0, 72
1  exp( 10, 643  0, 095(20)  2,379(0)  2,826(3) kali
4. Odd Rasio (Rasio Kecenderungan).

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)