PENGANTAR EKONOMETRIKA
“REGRESI LOGISTIK”
OLEH
KELOMPOK 10 :
1
KATA PENGANTAR
Penulis
i
DAFTAR ISI
HALAMAN JUDUL
KATA PENGANTAR .......................................................................................... i
DAFTAR ISI ...................................................................................................... ...ii
BAB I PENDAHULUAN
A. Latar Belakang ................................................................................................ 2
B. Rumusan Masalah ........................................................................................... 2
C. Tujuan Penulisan.............................................................................................. 2
BAB II PEMBAHASAN
A. Regresi Logistik…………………………………..……………. ....................5
B. Tujuan Menggunakan regresi Logistik………………………….. ............... . 7
C. Aplikasi Dan Analisi Regresi Logistic ...................................................... ...11
BAB III PENUTUP
Kesimpulan ....................................................................................................... .. 12
DAFTAR PUSTAKA
ii
BAB I
PENDAHULUAN
A. Latar Belakang
Ekonometrika adalah ilmu yang membahas tentang masalah pengukuran
ekonomi yang mencakup teori ekonomi, matematika, dan statistik (Widarjono,
2013:3). Ekonometrika digunakan sebagai alat analisis ekonomi yang bertujuan
untuk menguji kebenaran teori ekonomi yang berupa hubungan antar variabel
ekonomi. Teori dalam ekonomi dinyatakan dalam bentuk matematik yang disebut
model. Model ini digunakan untuk memprediksi dan membuat berbagai keputusan
yang bersifat kuantitatif.
Salah satu bagian paling penting dari ekonometrika adalah analisis regresi.
Model regresi merupakan komponen penting dalam analisis data yang
menggambarkan hubungan antara variabel dependen dan satu atau lebih variabel
independen (Hosmer dan Lemeshow,2000:1). Pada umumnya analisis regresi
digunakan untuk menganalisis data dengan variabel dependen berupa data
kuantitatif. Akan tetapi sering juga ditemui kasus dengan variabel dependennya
yang bersifat kualitatif/kategorik. Untuk mengatasi masalah tersebut dapat
digunakan model regresi logistik.
Dalam Hyeoun-Ae (2013:155) menyatakan model regresi logistik yang
sering disebut model logistik atau model logit menganalisa hubungan antara
beberapa variabel independen dan variabel dependen kategorik. Untuk lebih
mengetahui tentang model regresi logistic dan sebagai salah satu pemenuhan
tugas mata kuliah ekonometrika, maka kami membuat makalah ini, yang berjudul
“Model Regresi Logistik”.
Model regresi logistik biner merupakan salah satu model regresi logistic
yangdigunakan untuk menganalisa hubungan antara satu variabel respon dan
beberapa variabel prediktor, dengan variabel responnya berupa data kualitatif
dikotomi yaitu bernilai 1 untukmenyatakan keberadaan sebuah karakteristik dan
bernilai 0 untuk menyatakanketidakberadaan sebuah karakteristik.Model regresi
logistik biner dengan satu variabelrespon dapat dikembangkan menjadi model
1
regresi logistik biner dengan menggunakan duavariabel respon, dimana model ini
disebut model regresi logistik biner bivariat
B. Rumusan Masalah
Adapun rumsan masalahnya adalah :
1. Apa definisi regresi logistic?
2. Apa tujuan regresi logistic ?
3. Bagaimana aplikasi dan analisi regresi logistic ?
C. Tujuan
Adapun tujuananya adalah sebagai berikut :
1. Mengetahui definisi regresi logistic
2. Mengetahui tujuan regresi logistic
3. Mengetahui aplikasi dan analisi regresi logistic
2
BAB II
PEMBAHASAN
A. Regresi Logistic
Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus
dimana variabel dependent bersifat dikotomi dan polikotomi (Felix Kasim.
2008)contoh : sukses atau Gagal; terpilih atau tidak terpilih; lulus atau tidak
lulus; melakukan pembelian atau tidak; mendapat promosi atau tidak, dan lain-
lain.Regresi logistik umumnya melibatkan berbagai macam variabel prediktor
baiknumerik ataupun kategorik, termasuk variabel dummy (Agresti,
1990).
Pada regresi linier, variabel prediktor yang digunakan biasanya numerik,
tetapi jika kitamelibatkan campuran antara numerik maupun kategorik kita dapat
menggunakanregresi logistik.
Analisis regresi logistik adalah metode regresi yang menggambarkan
hubungan antara beberapa variabel independen (explanatory) dengan
sebuah variabel respon dikotomus atau biner. Variabel respon (Y) pada metode
regresi logistik dikatakan biner karena terdiri atas dua kategori yaitu 0 dan 1.
( Buana,Indira Swa & Mahendrawathi & Iriawan Nur, 2010: 245 ).
Analisis regresi logistik biner bertujuan untuk memperoleh hubungan antara
Xi dan Pi (probabilitas kejadian yang diakibatkan oleh xi). Berapapun nilai x
biladisubtitusikan ke dalam fungsi logistik hasilnya akan berkisar antara 0 dan 1.
Regresi logistik membentuk persamaan atau fungsi dengan
pendekatanmaximum likelihood, yang memaksimalkan peluang
pengklasifikasian objek yang diamati menjadi kategori yang sesuai kemudian
mengubahnya menjadi koefisien regresi yang sederhana. Dua nilai yang biasa
digunakan sebagai variabel dependen yang diprediksi adalah 0 dan 1 (ex.
1=berhasil, 0=gagal).
Regresi logistik menghasilkan rasio peluang (odds ratios) antara
keberhasilan atau kegagalan suatu dari analisis. Dapat kita contohkan
denganseorang tokoh yang ingin menjadi presiden, akan lebih baik peluangnya
3
jikamenjadi ketua partai politik tertentu. Disini odds ratio yang dimaksud
adalahseberapa besar peluang tokoh tersebut dengan mempertimbangkan
variabelprediktor yang ada.
Regresi logistik akan membentuk variabel prediktor/respon (log (p/(1-
p))yang merupakan kombinasi linier dari variabel independen. Nilai
variabelprediktor ini kemudian ditransformasikan menjadi probabilitas
dengan fungsilogit.
Asumsi-asumsi dalam regresi logistik :
Tidak mengasumsikan hubungan linier antar variabel dependen dan
independent
Variabel dependen harus bersifat dikotomi (2 variabel)
Variabel independent tidak harus memiliki keragaman yang sama antar
kelompok variabel
Kategori dalam variabel independent harus terpisah satu sama lain
ataubersifat eksklusif
model regresi ini, tidak menggunakan interpretasi yang sama seperti halnya
persamaan regresi OLS. Model Persamaan yang terbentuk berbeda dengan
persamaan OLS.
Berikut adalah model persamaan regresi logistic biner:
Dimana:
ln: Logaritma Natural.Di mana:
Sedangkan P Hat adalah probabilitas logistik yang didapat rumus sebagai berikut:
4
Dimana:
exp atau ditulis “e” adalah fungsi exponen. (Perlu diingat bahwa exponen
merupakan kebalikan dari logaritma natural. Sedangkan logaritma natural adalah
bentuk logaritma namun dengan nilai konstanta 2,71828182845904 atau biasa
dibulatkan menjadi 2,72).
Dengan model persamaan di atas, tentunya akan sangat sulit untuk
menginterprestasikan koefisien regresinya. Oleh karena itu maka
diperkenalkanlah istilah Odds Ratio atau yang biasa disingkat Exp(B) atau OR.
Exp(B) merupakan exponen dari koefisien regresi. Jadi misalkan nilai slope dari
regresi adalah sebesar 0,80, maka Exp(B) dapat diperkirakan sebagai berikut:
5
tanggungan kerja sekian, memiliki peluang untuk mengembalikan pinjaman
sebesar sekian ( nilai 0 -1).
2. Melihat karakteristik
Tujuan kedua ini sering digunakan untuk melihat perbedaan karakteristik
antara 2 kelompok. Salah satunya adalah skripsi saya yang saya sebutkan diatas.
Skripsi tersebut menggambarkan karakteristik petani anorganik dan petani
organik. Hasil kesimpulan bahwa peluang petani mampu beralih dari anorganik ke
organik adalah karena perbedaan harga produk hasil kedua proses tersebut. Petani
organik bersedia beralih dari anorganik ke organik meskipun produktivitas
organik lebih kecil dibanding anorganik. Namun, perbedaan harga yang tinggi
menjadikan petani organik memiliki pendapatan yang lebih tinggi dibandingkan
petani anorganik.
Tujuan melihat karakteristik ini biasanya membahas nilai odds ratio di masing
masing variabel independen (nilai odds ratio adalah (exp(koefisien)) masing-
masing variabel). Nilai odds ratio menjelaskan peluang responden beralih ke
organik (contoh kasus diatas). Penjelasan nilai odds ratio berbeda dari nilai
koefisien regresi pada umumnya. Bila koefisien regresi menjelaskan : “ jika
variabel X naik 1 satuan, maka nilai Y akan naik sebesar nilai koefisien satuan”
maka exp(koefisien) atau odds ratio pada regresi logistik menjelaskan : “
responden yang memiliki variabel x lebih tinggi, maka akan berpeluang untuk
memilih organik (contoh kasus diatas) sebesar “exp(nilai koefisien) atau biasa
disebut odds ratio” kali dibandingkan responden yang memiliki variabel x lebih
rendah”. Iya, nilai exp(koefisien) pada regresi logistik atau disebut sebagai odds
ratio menjelaskan peluang, dan tidak menjelaskan berapa yang dimaksud “lebih
tinggi” dari variabel X tersebut.
3. Mengetahui Faktor Yang mempengaruhi
Tujuan ketiga ini merupakan pengembangan dari tujuan kedua, peneliti
mampu mengetahui faktor yang mempengaruhi mengapa terdapat perbedaan
antara kedua kelompok tersebut. Nilai odds ratio yang tinggi menandakan varaibel
tersebut memiliki pengaruh yang tinggi terhadap pemilihan beda dari responden.
Tujuan untuk mengetahui faktor yang mempengaruhi ini adalah diharapkan faktor
6
yang signifikan mempengaruhi tersebut merupakan faktor yang bisa diatur oleh
peneliti atau pengambil kebijakan sehingga bisa menggiring responden lainnya
untuk berbuat yang sama terhadap responden yang bernilai 1 sebelumnya.
7
Muncul Menu Dialog berikut :
Masukan Variabel :
Status Kridit ke Dependent
Uang Muka , Jangka Waktu Pembayaran, Umur Pemohon dan Pendidikan
ke Covariates
Klik Menu Categorical
Muncul Menu Dialog:
8
Klik Continue
Klik Menu Options..
Muncul Menu Dialog berikut :
Centang Hosmer-Lemeshow… dan CI for exp(B)..
Klik Continue
Klik OK
Hasil Analisa
9
Tabel Variabel In the Equation
Kolom Sig menginformasikan signifikan pengaruh variabel Independen terhadap
Variabel Dependen. Terjadi pengaruh yang signifikan jika nilai sig < 0,05.
Tampak variabel yang berpengaruh terhadap Macet/Tidak dari Kridit seorang
Pemohon diantaranya dp (sig 0,040), Jangka_waktu (sig 0,032), dan
pendidikan(2)/<= SMP (sig 0,029). Untuk pendidikan(1) merupakan kategori
pendidiikan “SMA” dibanding dengan yang pendidikan “Perguruan Tinggi”
(Reference Category) tidak signifikan berbeda resiko macetnya, namun dengan
pendidikan(2) yang merupakan kategori pendidikan “<= SMP” ada perbedaan
signifikan resiko macetnya dengan yang pendidikan “Perguruan Tinggi”
Kolom Exp(B) menginformasikan jensi pengaruh pada variabel yang
berpengaruh signifikan. Jika nilainya diatas satu “1”, berarti resikonya lebih besar
untuk Macet. Nilai Exp(B) pada variabel dp 15,474 yang artinya nilai dp <= 1,5
juta cenderung lebih beresiko mengalami macet jika dibandingkan dengan yang
dp > 1,5 juta (reference Category-nya) sebesar 15,474 kali. Nilai Exp(B) pada
variabel Jangka_waktu 0,869 yang artinya semakin lama Jangka_waktu
pembayaran akan semakin kecil resiko untuk mengalami macet. Nilai Exp(B)
pada variabel “pendidikan(2)” 15,818 yang artinya pemohon yang pendidikannya
“<= SMP” lebih beresiko 15,818 mengalami macet jika dibandingkan dengan
yang pendidikannya “Perguruan Tinggi”.
10
Tabel Hosmer and Lemeshow Test
Merupakan uji kelayakan model, dimana hipotesanya Ho: Model Layak dan H1:
Model tdk Layak. Hasil uji menunjukan nilai Sig 0,404 yang artinya model Layak
Tabel Model Summary
Nilai Negelkerke R Square menunjukan nilai koefisien determinasi. Di dapat
nilainya 0,571 yang artinya 57,1% pengaruh seluruh variabel independent
terhadap variabel Dependen, dimana yang berpengaruh signifikan hanya variabel
dp, jangka waktu pembayaran dan pendidikan.
11
BAB III
PENUTUP
KESIMPULAN
1. Analisis regresi logistik adalah metode regresi yang
menggambarkanhubungan antara beberapa variabel independen
(explanatory) dengan sebuahvariabel respon dikotomus atau biner.
Variabel respon (Y) pada metode regresilogistik dikatakan biner karena
terdiri atas dua kategori yaitu 0 dan 1
2. Tujuan menggunakan regresi logistik ini adalah menghitung peluang,
melihat karakterristik, dan melihat faktor yang mempengaruhi.
12
DAFTAR PUSTAKA
13