BIOSTATISTIK

“Chi Square :Tabulasi Silang/Crostab, Uji Kesesuaian, Uji

Independensi
Analisis Multivariat : One Way Anova : Multivariat Anova, Analisis
Multivariat
Analisis Multivariat : Regresi Linier dan Regresi Logistik”

KELAS B12-B
Oleh :

NI LUH GEDE RIKA RAHAYU (193223139)

PROGRAM STUDI S1 KEPERAWATAN

STIKES WIRA MEDIKA PPNI BALI
2019
 BAB II

PEMBAHASAN

A. Chi Square : Tabulasi Silang/Crostab, Uji Kesesuaian, Uji Independensi

1. Tabulasi Silang (Crostab)
Statistik deskriptif crosstab (tabulasi silang) termasuk dalam analisis
deskripsi. Namun ada perbedaan dibandingkan dengan statistik deskriptif
frekuensi,dan eksplore. Deskriptif crosstab menyajikan data dalam bentuk
tabulasi, yang meliputi baris dan kolom. Ciri-ciri crosstab pada umumnya
adalah dua variabel atau lebih yang mempunyai hubungan secara deskriptif.
Penyajian data pada umumnya adalah data kualitatif, khususnya berskala
nominal seperti hubungan antara jenis kelamin dengan usia, jenis kelamin
dengan pekerjaan dan lain sebagainya.
Analisis table silang (crosstabs) merupakan salah satu analisis
korelasional yang digunakan untuk melihat hubungan antarvariabel (minimal 2
variabel) kategori nominal atau ordinal. Dimungkinkan pula adanya
penambahan variabel control.
Analisis tabulasi silang merupakan salah satu analisis korelasional yang
digunakan utnuk melihat hubungan antar variable. Sehingga analisa tabulasi
silang ini dapat digunakan untuk menganalisa lebih dari dua variable.
Berikut ini salah satu contoh perhitungan yang menggunakan analisis
tabulasi silang atau crosstab. Penelitian untuk mengetahui ada tidaknya
hubungan antara jenis kelamin dengan prestasi kerja.
Untuk membuktikan hipotesis tersebut hal yang terlebih dahulu dilakukan
adalah membuat penelitian seperti mengadakan survei di suatu perusahaan atau
organisasi. Data tersebut dapat diperoleh dari kuesioner yang dibagikan kepada
beberapa responden. Dalam contoh ini, kita mengambil responden sebanyak 30
orang. Dari data tersebut dapat menghasilkan data seperti contoh berikut ini:
 Untuk memudahkan analisa maka kita dapat membuat kode pada jenis kelamin
dan prestasi kerja.

Tabel 1. Pemberian Kode pada Variabel Jenis Kelamin dan Prestasi Kerja

No Jenis Kelamin Prestasi Kerja

1. Value 1 = Laki-Laki Value 1 = Rendah misal skor 0-40
2. Value 2 = Wanita Value 2 = Sedang misal skor 41-80
3. Value 3 = Tinggi misal skor 81-120

Setelah data yang diperoleh diubah menjadi data nominal, yakni dengan memberi
kode pada setiap variable maka dapat disajikan menjadi seperti tabel di bawah ini:

Tabel 2. Data-data yang diperoleh telah diubah sesuai ketentuan kode pada tabel 1

No Jenis Kelamin Prestasi Kerja

1 1 1
2 1 2
3 2 3
4 2 1
5 1 3
6 2 2
7 1 2
8 1 1
9 1 3
10 2 2
11 2 3
12 2 1
13 1 1
14 1 1
15 2 2
16 1 1
17 1 2
18 2 3
19 2 1
20 1 3
21 2 2
22 1 2
23 1 1
24 1 3
25 2 2
26 2 3
27 2 1
28 1 1
29 1 1
30 1 1

Setelah kita memberi kode seperti contoh tersebut di atas, maka kita telah siap untuk
mengadakan analisa crosstab atau analisa tabulasi silang. Langkah-langkahnya
sebagai berikut :

Membuka program SPSS dengan cara :

a. Double klik pada shortcut yang terdapat pada dekstop komputer

b. Atau dengan cara Start > All Program > SPSS for Windows

Kedua cara tersebut akan muncul tampilan SPSS yang mirip dengan tampilan
Microsoft Excel. Setelah itu, secara otomatis output akan keluar. Seperti gambar
berikut :

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Jenis Kelamin *
30 100.0% 0 .0% 30 100.0%
Prestasi Kerja
Penjelasan output:
Pada tabel Case Processing Summary, menunjukkan dalam penelitian tersebut
terdapat 30 sampel. Tidak ada yang hilang atau missing sehingga tingkat
kevalidannya adalah 100%.
Jenis Kelamin * Prestasi Kerja Crosstabulation
Prestasi Kerja Total
Rendah Sedang Tinggi
Jenis Laki- Count 9 4 4 17
Kelamin Laki Expected Count 7.4 5.1 4.5 17.0
% within Jenis
52.9% 23.5% 23.5% 100.0%
Kelamin
% within Prestasi
69.2% 44.4% 50.0% 56.7%
Kerja
% of Total 30.0% 13.3% 13.3% 56.7%
Wanita Count 4 5 4 13
Expected Count 5.6 3.9 3.5 13.0
% within Jenis
30.8% 38.5% 30.8% 100.0%
Kelamin
% within Prestasi
30.8% 55.6% 50.0% 43.3%
Kerja
% of Total 13.3% 16.7% 13.3% 43.3%
Total Count 13 9 8 30
Expected Count 13.0 9.0 8.0 30.0
% within Jenis
43.3% 30.0% 26.7% 100.0%
Kelamin
% within Prestasi
100.0% 100.0% 100.0% 100.0%
Kerja
% of Total 43.3% 30.0% 26.7% 100.0%

Penjelasan output:
Pada tabel Jenis Kelamin * Prestasi Kerja Crosstabulation menunjukkan data
objektif/ frekuensi nyata (Count) dan frekuensi harapan (Expected Count) baik dalam
bentuk skor maupun presentase.
Kesimpulan: Dari penelitian tersebut terdapat 9 karyawan laki-laki yang memiliki
prestasi kerja rendah, 4 karyawan laki-laki berprestasi kerja sedang dan 4 sisanya
berprestasi tinggi.
 Sedangkan untuk karyawan wanita, 4 wanita mempunyai prestasi kerja rendah, 5
orang memiliki prestasi kerja sedang dan 4 orang lainnya mempunyai prestasi kerja
tinggi.
Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 1.528a 2 .466
Likelihood Ratio 1.550 2 .461
Linear-by-Linear
.916 1 .338
Association
N of Valid Cases 30
a. 3 cells (50,0%) have expected count less than 5. The
minimum expected count is 3,47.

Penjelasan output:
a. Untuk tabel Chi-Square Tests, menunjukkan hasil Chi Kuadrat (Chi Square)
hitung sebesar 1.528. Tingkat signifikan = 0,05 % yang telah ditentukan
terlebih dahulu sebelum melakukan penelitian.
b. Keputusan = 0.05 Asymp. Sig. (2-sided) maka Ho diterima dan Ha ditolak.
c. Bila = 0.05 Asymp. Sig. (2-sided) maka Ho ditolak dan Ha diterima.
Kesimpulan : Dari tabel Chi Square tersebut di atas, dapat diketahui bahwa
0.05 Asymp. Sig. (2-sided) yakni 0.466 maka Ho diterima dan Ha ditolak.
Atau dengan kata lain tidak terdapat hubungan antara jenis kelamin dengan
prestasi kerja.
2. Uji Kesesuaian
Metode ini dikembangkan oleh Pearson tahun 1900 yang merupakan
perhitungan suatu kuantitas yang disebut Kai Kuadrat . Metode ini sangat
bermanfaat ketika data yang tersedia hanya berupa frekuensi (disebut count),
misalnya banyaknya subjek dalam kategori sakit dan tidak sakit, atau
banyaknya penderita diabetes mellitus dalam kategori I, II, III, IV menurut
keparahan penyakitnya.
 Uji kai kuadrat untuk satu sampel dapat dipakai untuk menguji apakah
data sebuah sampel yang diambil menunjang hipotesa yang menyatakan bahwa
populasi asal sampel tersebut mengikuti suatu distribusi yang telah ditetapkan.
Oleh karena itu uji ini disebut juga uji keselarasan (goodness of fit test), karena
untuk menguji apakah sebuah sampel selaras dengan salah satu distribusi
teoritis (seperti distribusi normal, uniform, binomial dan lainnya).
Rumus yang digunakan untuk uji ini sama dengan rumus umum Uji Kai

Kuadrat :
Contoh Kasus :

Sebuah survei berminat menyelidiki determinasi orang dalam mencegah factor-

faktor risiko penyakit jantung koroner. Setiap subjek dari sampel berukuran 200
orang diminta menyatakan sikapnya terhadap sebuah pertanyaan kuesioner
sebagai berikut “ apakah anda yakin dapat menghindari makanan berkolesterol
tinggi” dengan hasil 70 orang sangat yakin, 50 orang yakin, 45 orang ragu-ragu,
dan 35 orang sangat ragu-ragu. Dapatkah kita menarik kesimpulan berdasarkan
data tersebut, bahwa keempat sikap yang berbeda menyebar merata di dalam
populasi asal sampel.

Penyelesaian :

Buat tabel seperti ini untuk memudahkan dalam perhitungan :

 Nilai E = 50, karena kita berharap bahwa jumlah yang menjawab pada masing-
masing kategorik akan berdistribusi sama. Selanjutnya masukan dalam rumus.

Dari hasil perhitungan terlihat Chi square hitung adalah 13. Selanjutnya melihat
nilai tabel pada kemaknaan alfa = 0.05 pada df = 4-1 = 3.

Dari tabel chi square diperoleh chi square tabel dengan df= 3 adalah 7,815, berarti
Chi-square hitung > chi-square tabel, maka Ho ditolak. Artinya sikap responden
terhadap pertanyaan tidak proporsional, dimana sikap responden cendrung pada
sikap tertentu.
3. Uji Independensi
Chi-Kuadrat Untuk Pengujian Independensi
Di bidang kedokteran tidaki jarang kita menemukan dua variable di mana
masing-masing variable terdiri dari beberapa kategori, misalnya tingkat
beratnya penyakit dan tingkat kesembuhan. Bila kita ingin mengetahui apakah
di antara dua variable tersebut terdapat hubungan atau tidak, dengan kata lain
apakah kedua variabel tersebut tersebut bersifat dependen atau independen,
maka pengujian hipotesis dilakukan dengan x 2.
Interpretasi hasil pengujian ialah apabila hipotesis nol diterima, berarti
tidak ada hubungan (independen), tetapi bila hasilnya menolak hipotesis nol
maka dikatakan kedua variable tersebut mempunyai hubungan atau dependen.
Rumus yang digunakan adalah rumus umum x 2.
Contoh:
Sebuah penelitian dilakukan oleh seorang kepala rumah sakit untuk
mengetahui apakah ada hubungan antara tingkat pendidikan dengan kelas ruang
rawat inap. Untuk kepentingan tersebut diambil sampel sebanyak 200 orang
penderita dengan hasil sebagai berikut.
Ho : variable 1 dan variabel 2 bersifat independen
1. 70 orang dengan pendidikan SD
20 orang memilih kelas 1
40 orang memilih kelas 2
10 orang memilih kelas 3
2. 50 orang berpendidikan SLTP
25 orang memilih kelas 1
15 orang memilih kelas 2
10 orang memilih kelas 3
3. 40 orang berpendidikan SLTA
15 orang memilih kelas 1
10 orang memilih kelas 2
15 orang memilih kelas 3
4. 40 orang berpendidikan akademi atau perguruan tinggi
20 orang memilih kelas 1
5 orang memilih kelas 2
15 orang memilih kelas 3
Data di atas dapat disajikan dalam bentuk table seperti berikut :
 Kelas Pendidikan Jumlah
ruang
SD SLTP SLTA PT
1 20 25 15 20 80
2 40 15 10 5 70
3 10 10 15 15 50
Jumlah 70 50 40 40 200
Hasil perhitungan :

O E (O-E) (O-E)2 (O-E)2/E

20 28 -8 64 2,29
25 20 5 25 1,25
15 16 -1 1 0,06
20 16 4 16 1,00
40 24,5 15,5 240,25 9,81
15 17,5 -2,5 6,25 0,06
10 14 4 16 1,14
5 14 -9 81 5,75
10 12,5 -2,5 6,25 0,50
10 17,5 -7,5 56,25 3,21
15 10 5 25 2,5
15 10 5 25 2,5

30,11
X2 = 0,05,dk6 = 12,59
Hipotesis ditolak pada derajat kemaknaan 0,05 atau p > 0,05.
Kesimpulannya, kita 95% percaya bahwa terdapat hubungan antara tingkat
pendidikan dengan ruang rawat inap.
B. Analisis Multivariat
1. Pengertian Analisis Multivariat
Analisis Multivariat adalah metode pengolahan variabel dalam jumlah
yang banyak, dimana tujuannya adalah untuk mencari pengaruh variabel-
variabel tersebut terhadap suatu obyek secara simultan atau serentak. Metode
analisis multivariat adalah suatu metode statistika yang tujuan digunakannya
adalah untuk menganalisis data yang terdiri dari banyak variabel serta diduga
antar variabel tersebut saling berhubungan satu sama lain. Analisis multivariat
adalah salah satu dari teknik statistik yang diterapkan untuk memahami struktur
data dalam dimensi tinggi. Dimana variabel-variabel yang dimaksud tersebut
saling terkait satu sama lain. Berdasarkan beberapa definisi Analisis Multivariat
di atas, maka statistikian menyimpulkan bahwa yang dimaksud dengan Analisis
Multivariat adalah suatu analisis yang melibatkan variabel dalam jumlah lebih
dari atau sama dengan 3 variabel.
Dimana minimal ada satu variabel terikat dan lebih dari satu variabel
bebas serta terdapat korelasi atau keterikatan antara satu variabel dengan
variabel lainnya. Maka dapat diartikan bahwa Analisis Multivariat juga
merupakan analisis yang melibatkan cara perhitungan yang kompleks.
tujuannya adalah agar dapat memahami struktur data berdimensi tinggi dan
saling terkait satu sama lain.
a. Teori Analisis Multivariat
Teori dari Metode analisis multivariat dalam hal ini sebenarnya telah
diketahui sejak lama sekali, hanya saja karena cara perhitungannya yang
rumit maka jarang sekali diterapkan. Tetapi akhir-akhir ini, bersamaan
dengan berkembangnya teknologi. Dimana muncul aplikasi komputer
seperti SPSS untuk menghitung atau menganalisis metode statistik dengan
mudah. Maka barulah Analisis Multivariat ini sering digunakan oleh para
peneliti karena kemudahan-kemudahan yang diberikan oleh aplikasi
komputer dan banyaknya informasi yang bisa didapat dari Analisis
Multivariat ini.

b. Jenis Data Dalam Analisis Multivariat

Seperti halnya analisis statistik lainnya, Analisis Multivariat yang
kita bahas ini juga tidak lepas dari jenis data atau skala data. Skala data
yang digunakan ada dua macam, yaitu data metrik dan data non metrik.
Data metrik adalah data yang bersifat numerik atau berisi angka-angka dan
dapat dilakukan perhitungan matematis di dalamnya, misal nilai ujian,
tingkat IQ, berat badan, dll. Data metrik disebut juga dengan data numerik
atau data kuantitatif.
Dalam hal ini data metrik ada 2 macam, yaitu data interval dan data
rasio. Untuk lebih jelasnya pelajari artikel kami tentang skala data.
Sedangkan data non metrik adalah data non numerik atau disebut juga data
kualitatif atau data kategorik.Ada dua macam jenis data non metrik ini,
yaitu data nominal dan data ordinal. Sekali lagi, agar anda lebih paham lagi
maka untuk lebih jelasnya silahkan pelajari artikel kami tentang skala data.
Sepertinya pembukaan atau pengantar tentang Analisis Multivariat telah
kita lalui. Selanjutnya kita bahas lebih dalam lagi tentang klasifikasi
Analisis Multivariat.
c. Klasifikasi Analisis Multivariat
Klasifikasi analisis multivariat ada tiga macam, yaitu yang pertama
adalah teknik dependensi atau istilah english versionnya adalah dependent
technique. Yang kedua adalah teknik interdependensi atau english
versionnya adalah interdependent technique. Dan yang ketiga atau yang
terakhir adalah dan model struktural atau english versionnya disebut
dengan istilah structural model.
Para pakar ada yang menyebutkan bahwa Analisis Multivariat hanya
dikelompokkan ke dalam 2 klasifikasi saja. Yaitu analisis dependensi dan
analisis interdependensi. Menurut statistikian, tidak ada masalah tentang
 perbedaan ini, sebab para pakar yang berpendapat bahwa ada dua
klasifikasi, telah memasukkan Model Struktural atau struktural equation
modelling sebagai bagian dari klasifikasi analisis dependensi.
Statistikian juga berpendapat bahwa telah sering terjadi
kesalahpahaman yang mendasar dari para mahasiswa atau bahkan para
peneliti. Yaitu tentang definisi Analisis Multivariat, yaitu kerancuan dalam
memahami perbedaan antara Analisis Multivariat dan analisis multiple.
Perlu dipahami dan diperhatikan, bahwa pengertian Analisis Multivariat
benar-benar berbeda dengan analisis multiple atau disebut juga analisis
multivariabel. Kalau tentang Analisis Multivariat sudah dibahas di atas,
saatnya kita coba kupas tentang analisis multivariabel.
4. One Way Anova
a. Pengertian One-Way ANOVA (Analysis of Variance)
Analisis of variance atau ANOVA merupakan salah satu teknik
analisis multivariate yang berfungsi untuk membedakan rerata lebih dari
dua kelompok data dengan cara membandingkan variansinya. Sedangkan
menurut Teguh Wahyono dalam bukunya, One-Way ANOVA merupakan
prosedur yang digunakan untuk menghasilkan analisis variansi satu arah
untuk variabel dependen dengan tipe data kuantitatif dengan sebuah
variabel independen sebagai variabel faktor.
Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher
(Bapak Statistika Modern). Dalam praktek, analisis varians dapat
merupakan uji hipotesis (lebih sering dipakai) maupun pendughaan
(estimasi khususnya di bidang genetika terapan). Analisis varian dapat
dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis
dan desain penelitian.
d. Kriteria Data One-Way ANOVA
Sebelum menguji dengan ANOVA, data harus berdistribusi normal
dan mempunyai varians yang sama. Data yang digunakan pada One-way
 Anova untuk nilai variabel pada faktor harus integer sedangkan variabel
dependen harus berupa data kuantitatif (tingkat pengukuran interval).
Asumsi yang digunakan pada One-way Anova, yaitu setiap
kelompok pada sampel acak independen dari populasi yang normal dan
bervarian homogen. Dari output uji Anova akan diperoleh nilai F hitung.
Jika nilai F hitung tidak signifikan, berarti rata-rata variabel dependen pada
tingkat faktor yang ditentukan identik. Jika F hitung signifikan berarti
terdapat perbedaan rata-rata variabel dependen pada tingkat faktor yang
telah ditentukan.
e. Kegunaan One-Way ANOVA
Analisis varian banyak dipergunakan pada penelitian-penelitian
yang banyak melibatkan pengujian komparatif yaitu menguji variabel
terikat dengan cara membandingkannya pada kelompok-kelompok sampel
independen yang diamati. Analisis varian saat ini banyak digunakan dalam
penelitian survey dan penelitian eksperimen.
Analisis varians relatif mudah dimodifikasi dan dapat
dikembangkan untuk berbagai bentuk percobaan yang lebih rumit. Selain
itu, analisis ini juga masih memiliki keterkaitan dengan analisis regresi.
Akibatnya, penggunaannya sangat luas di berbagai bidang, mulai dari
eksperimen laboratorium hingga eksperimen periklanan, psikologi, dan
kemasyarakatan.
f. Prosedur menghitung One-Way Anova menggunakan Teknik Manual
Contoh soal:
Dari suatu pengamatan didapat data sebagai berikut:
Prosedur yang dicobakan
A B C
2 8 3
Data yang 0 4 8
dihasilkan 4 5 1
7 9 4
Pertanyaannya: Apakah ketiga prosedur kerja mereka berbeda?
Jawab:
 1) Uji atau asumsikan bahwa data masing-masing dipilih secara acak.
2) Uji atau asumsikan bahwa data masing-masing berdistribusi normal.
3) Uji atau asumsikan bahwa data masing-masing homogen.
4) Tulis Ha dan H0 dalam bentuk kalimat.
Ha : Terdapat perbedaan yang signifikan antara A, B, dan C.
H0 :Tidak terdapat hubungan yang signifikan antara A, B, dan C.
5) Hipotesis statistiknya.
Ha : salah satu tanda ada yang ≠
H0 : µA = µB = µC
6) Buat tabel penolong Anova sebagai berikut:
Prosedur yang dicobakan
A B C
2 8 3
Data yang 0 4 8
dihasilkan 4 5 1
7 9 4
n1 = 4 n2 = 4 n3 = 4 N = 12
∑χ1 = 13 ∑χ2 = 26 ∑χ3 = 16 ∑χn = 55
1 = 2,35 2 = 6,5 3 = 4
2 2
S = 8,92 S = 5,67 S2 = 8,67
7) Hitung jumlah kuadrat rata-rata dengan rumus:

JKR = = = 252,08
8) Hitung jumlah kuadrat antarkelompok dengan rumus:

JKA = + + + + - JKR

= + + - 252,08 = 23,17
9) Hitung jumlah kuadrat dalam kelompok dengan rumus:
JKD = ∑χ2 – JKR - JKA = 345 – 252,08 – 23,17 = 69,75
10) Hitung derajat kebebasan rata-rata dengan rumus:
dkrata-rata = 1
11) Hitung kebebasan antarkelompok dengan rumus:
dkA = k – 1 = 3 – 1 = 2
di mana k = banyak kelompok.
12) Hitung derajat kebebasan dalam kelompok dengan rumus:
 dkD = N- k = 12 – 3 = 9
di mana N = jumlah seluruh anggota sampel.
13) Hitung rata-rata jumlah kuadrat dengan rumus:

RKrata-rata = = = 252,08

14) Hitung rata-rata jumlah kuadrat antar kelompok dengan rumus:

RKA = = = 11,58
15) Hitung rata-rata jumlah kuadrat dalam kelompok dengan rumus:

RKD = = = 7,75
16) Cari Fhitung dengan rumus:

Fhitung = = = 1,49
17) Taraf signifikansi (α) = 0,05
18) Ftabel dengan rumus:
Ftabel = F(1-α)(dkA, dkD)
= F(1-0,05)(2, 9)
Dengan menggunakan tabel F didapat Ftabel = 4,26
19) Masukkan semua nilai yang telah didapat ke dalam tabel anova
berikut:
Rata-rata
Jumlah
Jumlah Variasi dk Kuadrat F
Kuadrat (JK)
(RK)
Rata-rata 252,08 1 252,08
Antar
23,17 2 11,58 1,49
Kelompok
Dalam
69,75 9 7,75
Kelompok
Jumlah 345 12 - -

20) Kriteria pengujiannya yaitu:

 H0 = signifikan
Ha = tidak signifikan
Jika Fhitung < Ftabel, maka H0 diterima.
21) Ternyata 1,49 < 4,26, sehingga H0 diterima.
22) Buatlah kesimpulannya.
H0 yang berbunyi: “Tidak terdapat perbedaan yang signifikan antara
A, B, dan C”, diterima. Sebaliknya, Ha yang berbunyi: “Terdapat
perbedaan yang signifikan antara A, B, dan C”, ditolak.
g. Prosedur menghitung One-Way Anova menggunakan Teknik SPSS
Contoh soal:
Seorang guru ingin membandingkan hasil belajar antara pembelajaran
kooperatif tipe JIGSAW, STAD, dan TAI. Untuk tujuan tersebut diambil 3
sampel yang saling bebas antara JIGSAW, STAD, dan TAI dengan asumsi
bahwa sampel berasal dari populasi yang berdistribusi normal. Data yang
diperoleh sebagai berikut:
Data JIGSAW STAD TAI
1 22 25 22
2 21 29 25
3 26 28 24
4 23 30 25
5 25 25 23
6 24 27 21
7 26 26 22
8 25 25 21
9 22 27 20
10 21 28 24

Langkah-langkah pengujiannya sebagai berikut:

1) Masukkan data ke SPSS Data Editor dengan mendefinisikan variabelnya
terlebih dahulu dengan memilih layout Variable View.
2) Beri nama JIGSAW, STAD, TAI, Kelas, dan Kelompok pada kotak Name
dan beri angka 0 pada kotak Decimals untuk seluruhnya.
3) Masukkan data untuk variabel JIGSAW, STAD, dan TAI dalam satu kolom
pada variabel Kelas.
 4) Beri angka 1 untuk data JIGSAW, angka 2 untuk data STAD, dan angka 3
untuk data TAI pada kolom Kelompok. Tampilannya seperti berikut:
5) Klik Analyze  Compare Means  One-Way Anova sehingga muncul
kotak dialog One-Way Anova.
6) Masukkan variabel Pembelajaran pada kotak Dependent List dan variabel
Kelompok padakotak Factor.
7) Klik tombol Options sehingga muncul kotak dialog Options. Pilih
Descriptive dan Homogeneity of variance test pada kotak Statistics. Pilih
Exclude cases analysis by analysis pada kotak Missing value. Klik
Continue.
8) Klik OK untuk menampilkan output berikut:
One Way

Descriptives
Pembelajaran
95% Confidence
Interval for Mean
Std. Std. Lower Upper
N Mean Deviation Error Bound Bound Minimum Maximum
JIGSAW 10 23.50 1.958 .619 22.10 24.90 21 26
STAD 10 27.00 1.764 .558 25.74 28.26 25 30
TAI 10 22.70 1.767 .559 21.44 23.96 20 25
Total 30 24.40 2.594 .474 23.43 25.37 20 30
Pada gambar di atas diperoleh rata-rata pembelajaran dengan JIGSAW adalah 23,50
dengan deviasi standar 1,958. Rata-rata pembelajaran dengan STAD adalah 27,00
dengan deviasi standar 1,764. Dan rata-rata pembelajaran dengan TAI adalah 22,70
dengan deviasi standar 2,594.

Test of Homogeneity of Variances

Pembelajaran
Levene
Statistic df1 df2 Sig.
.321 2 27 .728
Pada Test of Homogeneity of Variances diperoleh nilai Sig. 0,728. Nilai ini lebih dari
0,05 sehingga H0 diterima yang berarti ketiga varians adalah identik. Dengan
demikian, uji kesamaan varians untuk uji Anova sudah terpenuhi.
ANOVA
Pembelajaran
Sum of Squares df Mean Square F Sig.
Between Groups 104.600 2 52.300 15.586 .000
Within Groups 90.600 27 3.356
Total 195.200 29
Pada tabel ANOVA diperoleh nilai Sig. Adalah 0,000 < 0,05 sehingga H 0 ditolak
yang berarti rata-rata ketiga metode pembelajaran (JIGSAW, STAD, dan TAI) adalah
berbeda (tidak identik)
5. Multivariat Anova
a. Pengertian Analisis Multivariat

Analisis statistika multivariate adalah analisis statistika yang

dikenakan pada data yang terdiri dari banyak variabel dan antar
variabel yang saling berkorelasi. Beberapa metode yang termasuk ke
dalam golongan analisis ini adalah : Analisis Faktor, Analisis
Cluster, Analisis Diskriminan, Analisis Komponen Utama,
Korespondensi, dan MANOVA.
b. Pengertian MANOVA (Multivariate Analysis of Variance)

MANOVA atau Multivariate Analysis of Variance merupakan

pengembangan dari ANOVA, yaitu sebagai metode statistik suatu
teknik statistik yang digunakan untuk menghitung pengujian
signifikansi perbedaan rata-rata secara bersamaan antara kelompok
untuk dua atau lebih variable terikat. Karakteristik pada MANOVA
yaitu variabel bebas bisa lebih dari satu atau satu, namun variabel
terikat harus lebih dari satu. Skala pengukuran variabel bebas
berjenis kategorikal artinya data bisa berupa data nominal atau
ordinal, sedangkan pada variabel terikat merupakan variabel kontinu
artinya data bisa berupa interval atau rasio . Asumsi yang harus di
penuhi dalam MANOVA yaitu:

1) Distribusi datanya harus normal multivariat.

2) Matriks varian kovarian antar levelnya harus sama.
3) Setiap pengamatan manova diasumsikan bersifat independen.
4) Manova mengasumsikan bahwa variabel bebas adalah kategorik dan
variabel terikat variabel kontinu dan juga bersifat homogenitas.
Pada Analisis Varians Multivariat ada statistik uji yang dapat digunakan
yaitu sebagai berikut:
1. Uji hasil bagi kemungkinan, dengan statistik uji (lambda) dari Wilks atau

statistik uji U,
dimana (JKK) = matriks varians kovarians kekeliruan
dan (JKPr) = matriks varians kovarians perlakuan
2. Uji telusur dari lawley Hotelling dengan statistik LH tr (JKK)-1
(JKPr) , dimana (JKK)-1 adalah invers dari matriks varians
kovarians kekeliruan, sedang (JKPr) adalah matrik varians
kovarians perlakuan yang bersangkutan.
3. Uji akar maksimum dari Roy, dengan statistik uji R = akar
karakteristik maksimum dari (JKK)-1 (JKPr)

4. Uji pillai dengan statistik uji

dimana dalah akar-akar karakteristik dari (JKK)-1 (JKPr).
Dalam hal ini diberikan statistik yang menggunakan statistik U.
Ada beberapa sifat pada statistik U yang digunakan untuk
menganalisis yaitu,
1. Distribusi U dengan derajat kebebasan (p;m;n) sama dengan
distribusi U yang berderajat kebebasan (m;p;n+m-p)
2. Untuk p = 2 nilai Up;m;n dapat ditransformasikan ke nilai F dengan rumus

dimana U2;m;n menyatakan nilai variabel

acak
 yang berdistristribusi U dengan derajat kebebasan (2;m;n),
sedangkan F2m;2(n-1) menyatakan nilai variabel acak yang
berdistribusi F dengan derajat kebebasan [2m;(2n-2)].

3.

4.

5.
Kegunaan dan Kelebihan MANOVA
MANOVA digunakan untuk mengetahui apakah vektor
rata-rata populasi sama, dan jika tidak sama, komponen rata-
rata mana yang berbeda secara nyata. Karena kemampuannya
untuk menganalisis beberapa pengukuran variabel terikat secara
simultan, MANOVA memiliki kelebihan:

a. Menyediakan kontrol tingkat kesalahan eksperimen ketika

terjadi beberapa derajat inter-korelasi diantara variabel
terikat.
b. Menyediakan statistik yang lebih kuat dari ANOVA
ketika variabel terikatnya berjumlah 5 atau kurang.
h. Distribusi Normal Multivariat

Variabel acak X dikatakan berdistribusi normal dengan rerata

 dan varians 2, dimana  jika fungsi kerapatan probabilitas
dari X tertentu dengan rumus :

grafik dari merupakan kurva atau garis lengkung, atau

biasanya dikatakan bentuk lonceng (irisan bentuk lonceng).
Pada situasi multivariat, yang terlibat adalah sekelompok variabel
 dikatakan berdistribusi normal p-variat dengan vektor rerata

dan matriks varians-kovarians atau matriks dipersi ,

jika fungsi kerapan probabilitas bersama dari p variabel tertentu oleh rumus:

dimana

i. Uji Homogenitas Matrik

Beberapa analisis statistika multivariate seperti discriminant

analysis dan MANOVA membutuhkan syarat matriks varians-
kovarians yang homogen. Untuk menguji syarat ini dapat
dipergunakan statistik uji Box-M. Adapun langkah-langkah uji
homogenitas varians-kovarians menggunakan program SPSS 16
adalah sebagai berikut:
a. Buka aplikasi SPSS .
b. Dari worksheet, entry data dilakukan melalui Variable View
dan Data View.
c. Dari menu utama SPSS dipilih menu Analyze, kemudian submenu
General Linear Model dipilih Multivariate.
d. Setelah tampak dilayar tampilan window Multivariat,
kemudian melakukan entry variabel-variabel yang sesuai pada
kotak Dependent Variables dan Fixed Factor(s).
e. Selanjutnya Option dipilih Homogenitas test dan Continue, terakhir OK.
j. Uji Korelasi Antar Variabel

Variabel dikaatakan bersifat saling bebas

 (independent) jika matriks korelasi antar variabel membentuk
matriks identitas. Korelasi antar variabel dilakukan dengan
menggunakan uji Bartlett Sphercity pada program SPSS. Hipotesis
yang digunakan pada uji tersebut adalah sebagai berikut:

Statistik uji yang digunakan yaitu:

Berikut adalah flowchart dari langkah-langkah pengerjaan analisis data :
C. Analisis Multivariat : Regresi Linier dan Regresi Logistik
1. Pengertian Analisis Multivariat
Analisis multivariat merupakan salah satu analisis statistika yang
berkaitan dengan analisis banyak variabel. Dalam analisis statistika, terdapat
pengelompokkan terhadap jumlah variabel yang dianalisis. Melalui
pengelompokkan tersebut, terbagi menjadi univariat (univariate), bivariat
(bivariate), dan multivariat (multivariate). Analisis univariat berasal dari kata
uni dan variate, yang artinya analisis satu variabel. Contohnya, pengukuran
rata-rata (mean) sebagai ukuran pusat dari sekelompok data. Analisis bivariat
berasal dari kata bi dan variate, yang artinya analisis statistika yang berkaitan
dengan dua variabel. Contohnya, analisis korelasi (correlation) yang mencari
hubungan keeratan antara dua variabel.
Analisis statistik multivariat merupakan metode statistik yang
memungkinkan kita melakukan penelitian terhadap lebih dari dua variable
secara bersamaan. Dengan menggunakan teknik analisis ini maka kita dapat
menganalisis pengaruh beberapa variable terhadap variabel – (variable)
lainnya dalam waktu yang bersamaan. Contoh kita dapat menganalisis
pengaruh variable kualitas produk, harga dan saluran distribusi terhadap
kepuasan pelanggan. Contoh yang lain, misalnya pengaruh kecepatan
layanan, keramahan petugas dan kejelasan memberikan informasi terhadap
kepuasan dan loyalitas pelanggan. Analisis multivariat digunakan karena pada
kenyataannnya masalah yang terjadi tidak dapat diselesaikan dengan hanya
menghubung-hubungkan dua variable atau melihat pengaruh satu variable
terhadap variable lainnya.
Analisis multivariat merupakan pengembangan lanjutan dari analisis
univariat maupun bivariat. Analisis multivariat berasal dari kata multi dan
variate, yang artinya analisis lebih dari dua variabel. Dengan demikian,
analisis multivariat merujuk kepada teknik statistika tertentu yang
menganalisis banyak variabel secara simultan. Contoh dari analisis multivariat
 adalah Structural Equation Model (SEM). SEM merupakan pengembangan
lanjut dari analisis regresi. SEM dikembangkan untuk menjelaskan hubungan
yang komplek antar variabel. Sedangkan regresi bertujuan hanya untuk
menjelaskan hubungan tunggal antar variabel.Variabel di dalam analisis
multivariat dapat diklasifikasikan sebagai variabel dependen (dependent
variable) dan variabel independen (independent variable). Variabel dependen
adalah variabel yang nilainya ditentukan oleh variabel lain yaitu variabel
independen. Sedangkan variabel independen adalah variabel yang digunakan
untuk mengestimasi atau memprediksi nilai variabel lain yaitu variabel
dependen
6. Pengertian Regresi Linier
Pengertian regresi secara umum adalah sebuah alat statistik yang
memberikan penjelasan tentang pola hubungan (model) antara dua variabel
atau lebih.. Dalam analisis regresi dikenal 2 jenis variabel yaitu:
a. Variabel Respon disebut juga variabel dependen yaitu variabel yang
keberadaannya dipengaruhi oleh variabel lainnya dan dinotasikan dengan
variable Y .
b. Variabel Prediktor disebut juga dengan variabel independen yaitu variabel
yang bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan
dengan X.
Untuk mempelajari hubugan – hubungan antara variabel bebas maka regresi
linier terdiri dari dua bentuk, yaitu:
a. Analisis regresi sederhana (simple analysis regresi)
b. Analisis regresi berganda (Multiple analysis regresi)
Analisis regresi sederhana merupakan hubungan antara dua variabel
yaitu variabel bebas (variable independen) dan variabel tak bebas (variabel
dependen). Sedangkan analisis regresi berganda merupakan hubungan antara
3 variabel atau lebih, yaitu sekurang-kurangnya dua variabel bebas dengan
satu variabel tak bebas.
 Tujuan utama regresi adalah untuk membuat perkiraan nilai suatu
variabel (variabel dependen) jika nilai variabel yang lain yang berhubungan
dengannya (variabel lainnya) sudah ditentukan.
a. Definisi  Regresi Linear Sederhana
Analisis regresi linear sederhana merupakan salah satu metode regresi
yang dapat dipakai sebagai alat inferensi statistik untuk menentukan pengaruh
sebuah variabel bebas (independen) terhadap variabel terikat (dependen).
Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya
memiliki beberapa tujuan, yaitu:
1) Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan
pada nilai variabel bebas.
2) Menguji hipotesis karakteristik dependensi
3) Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai
variabel bebas diluar jangkaun sample.
Variabel Bebas Dan Terikat Regresi Linier Sederhana (Dependent And
Independent Variable)
1) Dependent Variable/Variabel Tak Bebas (Y): Variabel yang nilainya
ditentukan oleh variabel lain. Diasumsikan bersifat random/stochastic
2) Independent Variable/Variabel Bebas (X): Variabel yang nilainya
ditentukan secara bebas (variabel yang diduga mempengaruhi variabel
tak bebas). Diasumsikan bersifat fixed/non stochastic.
3) Syarat : Y: Berjenis data kuantitatif X: Berjenis data kuantitatif atau
kualitatif/kategorik
Konsep Dasar Regresi Linier Sederhana
1) Pada suatu nilai X tertentu akan terdapat banyak kemungkinan nilai-
nilai Y (Y akan terdistribusi mengikuti suatu fungsi peluang tertentu
Distribusi Normal) dengan Nilai rata-rata E(Y) dan Nilai varians
σ2  tertentu
2) Nilai rata-rata E(Y) diasumsikan berubah secara sistematik mengikuti
perubahan nilai X, yang digambarkan dalam bentuk garis linier
3) Nilai varians σ2 pada setiap nilai X akan sama

Prosedur Penting Dalam Regresi Linier Sederhana

Dalam prosedur regresi hal pertama yang harus dilakukan adalah
melakukan identifikasi model dengan menggunakan Scatter plot  (diagram
pencar) yang berguna untuk mengidentifikasi model hubungan antara
variabel X dan Y. Bila pencaran titik-titik pada plot ini menunjukkan adanya
suatu kecenderungan (trend) yang linier, maka model regresi linier layak
digunakan. Setelah itu dapat dilakukan estimasi terhadap parameter model.
 Grafik diatas merupakan contoh identifikasi model yang dilakukan
dengan variabel X adalah umur mobil dan variabel Y adalah harga mobil.
Ternyata titik-titik (plotting data) tersebut terlihat mengelompok di
sekitar garis lurus dan scatter plot tersebut, sebenarnya bisa ditarik
beberapa garis yang dekat terhadap titik-titik tersebut.

Model Regresi Linear Sederhana

Yi = β0 + β1Xi + εi  (i = 1, 2, …, n) 
dimana :
Yi : merupakan nilai dari variabel dependent pada observasi ke-i
β0  dan β1 : merupakan parameter model
εi : merupakan komponen error (pengaruh variabel bebas
lain selain variabel X)
Xi : adalah nilai variabel bebas X pada observasi ke-i
N : adalah banyaknya data observasi (sampel)

Note:  β0 dan β1 disebut juga koefisien regresi, β0  merupakan

intercept dan β1 merupakan slope   (gradien garis) yang menyatakan
perubahan   nilai Y untuk setiap kenaikan satu satuan X.

Asumsi Regresi Linier Sederhana

Dalam aplikasinya terdapat beberapa asumsi yang harus terpenuhi untuk
melakukan analisis regresi sederhana. Beberapa asumsi tersebut sebagai
berikut

a. Yi (Variabel Tak Bebas/Dependent Variable) merupakan random

variable/bersifat stochastic
b. Xi (Variabel bebas/Independent Variable) bersifat fixed/non stochastic
(bukan merupakan random variable)
c. E(εi) = 0
d. E(εi εj) = E(εi2) = σ2 untuk i = j (Homoscedastic)
e. E(εi εj) = 0 untuk i ≠ j (Non autocorrelation)
f. εi merupakan random variable yang terdistribusi secara bebas dan
indentik mengikuti distribusi normal dengan rata-rata 0 dan varian σ2
Metode estimasi yang digunakan pada regresi linier sederhana adalah Metode
Kuadrat Terkecil (Least Square Method) dengan prinsip meminimalkan ∑εi2
sehingga estimasi parameternya :

Sifat-sifat Estimator Least Squares

a. Jika semua asumsi yang diberlakukan terhadap model regresi terpenuhi,

maka menurut suatu teorema (Gauss Markov theorem) estimator tersebut
akan bersifat BLUE (Best Linear Unbiased Estimator).
b. Best = Terbaik, mempunyai varian yang minimum
c. Linear = Linear dalam Variabel Random Y
d. Unbiased = Tak bias
e. Artinya estimator tersebut akan unbiased, linier dan mempunyai varian
yang minimum diantara semua estimator unbiased & linier yang lain.
Cara Menghitung Koefisien Determinasi Regresi Linier Sederhana
Dalam regresi linier sederhana, koefisien determinasi (r2) diartikan
sebagai ukuran kemampuan semua variabel bebas dalam menjelaskan
varians terikat. Karena koefisien determinasi (r2) merupakan kuadrat dari
koefisien korelasi (r) maka dapat rumus koefisien determinasi (r2) sama
dengan rumus koefisien korelasi (r) yang dipangkatkan.

Misalkan jika diperoleh nilai koefisien korelasi sebesar 0.92 maka

koefisien determinasinya adalah 0.85 di dapat dari (0.92) 2. Artinya,
kemampuan variabel bebas dalam menjelaskan varian-varian variabel
terikatnya sebesar 85% atau masih terdapat sekitar 15% varias variabel
terikat yang dijelaskan oleh faktor lain.

Langkah Membuat Regresi Linear Sederhana

a. Cari dulu apakah kedua variabel tersebut ada hubungan linear atau tidak
b. Tentukan terlebih dahulu variabel independent (x) dan variabel
dependennya(y)
c. Membuat diagram pencar dari data x dan y
d. Dari diagram pencar tersebut akan diperoleh gambaran pola tebaran x
dan y.apakah membentuk hubungan linear?jika ya,maka model
regresinya adalah regresi linear sederhana,kalau tidak linear bias dicari
regresinya
e. Menghitung a dan b
f. Menghitung y^=a+bx, dimana y^= estimasi harga y jika x disubtitusikan
kedalam persamaan regresi
g. Membuat garis y^=a+bx  pada sumbu x dan y
Istilah-Istilah Dalam Regresi Linier Sederhana

a. Koefisien Korelasi (r) adalah nilai yang menyatakan kuat atau tidaknya
hubungan antara 2 variabel
b. Standar error koefisien regresi (E) adalah ukuran dari ketepatan
koefisien regresi dalam memprediksi nilai populasinya.Standar error
diukur berdasarkan akar kuadrat dari deviasi atau varians koefisien
regresi sampel dengan koefisien regresi populasi
c. Koefisien determinasi regresi(r 2) adalah a. Nilai yang menunjukkan
seberapa besar pengurangan variasi dalam Y (variabel dependent) saat
satu atau lebih X (variabel independent)  masuk kedalam model
regresi. b. Besarnya sumbangan / andil dari variabel x terhadap variasi
atau naik turunnya y
d. Konstanta (a) adalah perpotongan garis regresi dengan sumbu Y (nilai
estimate jika x = 0)
e. Koefisien arah dari regresi linear (b) adalah nilai yang menunjukkan
seberapa besar perubahan nilai Y (variabel dependen) saat X (variabel
independent) bertambah satu-satuan

Contoh Soal Regresi Linier Sederhana

 Tabel diatas menyajikan data dengan variabel X adalah umur mobil dan
variabel Y adalah harga. Hasil estimasinya adalah sebagai berikut :

sehingga persamaan regresinya menjadi

Yˆ=195.47−20.26X

Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur
mobil bertambah satu tahun maka harga mobil tersebut akan turun sebesar
$2.026.
k. Regresi Linier Berganda
Regresi linier berganda adalah analisis regresi yang menjelaskan
hubungan antara peubah respon (variabel dependen) dengan faktor-faktor
yang mempengaruhi lebih dari satu prediktor (variabel independen).
Regresi linier berganda hampir sama dengan regresi linier sederhana,
hanya saja pada regresi linier berganda variabel bebasnya lebih dari satu
variabel penduga. Tujuan analisis regresi linier berganda adalah untuk
mengukur intensitas hubungan antara dua variabel atau lebih dan membuat
prediksi perkiraan nilai Y atas X. Secara umum model regresi linier berganda
untuk populasi adalah sebagai berikut:
Model regresi linier berganda untuk populasi diatas dapat ditaksir berdasarkan sebuah
smpel acak yang berukuran n dengan model regresi linier berganda untuk sampel,
yaitu:

Membentuk Persamaan Regresi Linier Berganda

Dalam regresi linier berganda variabel tak bebas (y) tergantung

kepada dua atau lebih variabel bebas (x). Bentuk persamaan regresi linier
berganda yang mencakup dua atau lebih variabel dapat ditulis sebagai
berikut:
Untuk rumus diatas, dapat diselesaikannya dengan empat
persamaan oleh empat variabel yang terbentuk:
7. Analisis Regresi Logistik
a. Model Regresi Logistik
Regresi logistic merupakan salah satu model staistika yang dapat
digunakan untuk menganalisis pola hubungan antar sekumpulan variabel
independen dengan suatu variabel dependen bertipe kategoris atau kualitatif.
Kategori dari variabel terikat dapat terdiri dari dua kemungkinan nilai
(dichotomous), seperti ya/tidak, sukses/gagal, dan lain-lain, atau terdiri lebih
dari dua nilai (polychotomous), seperti sangat setuju, setuju, tidak setuju,
atau sangat tidak setuju. Tujuan utama dari analisis regresi logistik adalah
sebagai berikut :
a. Memprediksi probabilitas terjadinya atau tidak terjadinya event
(terjadinya nonevent) berdasarkan nilai-nilai prediktor yang ada. Event
merupakan status variabel respons yang menjadi pokok perhatian (diberi
nilai kode yang lebih tinggi daripada nonevent).
b. Mengklasifikasikan subjek penelitian berdasarkan ambang (threshold)
probabilitas.
Model logit didasari oleh Linear Probability Model (LPM) yang secara
sederhana dapat diiliustrasikan sebagai berikut. Misalkan terdapat p
variabel dalam model regresi dan didefinisikan x=( x 1 , x 2 , … , x p ). Model
LPM merupakan penerapan regresi linier klasik pada respon kategoris
atau bertipe kualitatif, LPM mengubah regresi linier klasik menjadi
model probabilitas linier, dengan persamaan

Y^ i=P ( Y i=1∨x )=π i ( x ) =β 0+ β 1 x1 +…+ β p x p

Dengan demikian, diperoleh

E ( Y i∨x ) =π i .1+ ( 1−π i )∗0=π i.

Karena berupa probabilitas, kemungkinan nilai Y^ i=π i ( X ) terbatas antara 0

sampai 1. Namun karena g ( x )=β 0+ β1 x 1+ …+ β p x p, nilai yang mungkin
 tidak terbatas (karena X bisa bernilai kontinu, diskrit, ataupun kategoris)
sehingga terkadang nilai π i hasil estimasi dengan LPM berada di luar range
[0,1].

Untuk membuat harga π i selalu berada di antara 0 dan 1, kita

memrlukan suatu fungsi monoton naik yg memetakan prediktor linier
g ( x )=β 0+ β1 x 1+ …+ β p x pke unit interval. transformasi tipe ini diharapkan
akan mempertahankan struktur linier model dan menghindari nilai perluang
berada di luar interval [0,1]. Sembarang fungsi distribusi kumulatif
(Cumulative Distibution Funcion) akan memenuhi kriteria di atas.

π i ( X )=P ( Y i=1∨x ) =P ( β 0+ β1 x1 +…+ β p x p )

Dimana fungsi CDF P ( ∙ ) dipilih sebelumnya dan β 0 , β 1 , … , β p adalah

parameter-parameter yang akan diestimasi. Fungsi P ( ∙ ) diasumsikan halus
(smooth) dan simetris, dan mendekati nilai 0 dan 1 secara asimptotik. Untuk
transformasi P ( ∙ ), kita sering menggunakan CDF dari distribusi normal
standar

z 1
1
2
x
ϕ ( z )= ∫ e 2 dx
√2π ∞

atau fungsi logistik

1 ez
Λ ( z )= =
1+ e−z 1+e z

Dengan konstanta π i=3,141 dan e=2,718. Dengan menggunakan CDF

normal ϕ ( z ), dengan mendapatkan model probit linier.

β0+ β 1 x1 +…+ β p x p 1
1
2
x
π i=φ ( β 0 + β 1 x 1 +…+ β p x p )= ∫ e 2 dx
√2 π −∞
 Sementara itu, dengan menggunakan fungsi logistik, kita memperoleh
regresi logistik linier atau model logit linier.

1 e β +β x +…+ β x
0 1 1 p p

π i= Λ ( β 0 + β 1 x 1 +…+ β p x p ) = =
1+e β + β x + …+β
− ( β0+ β1 x1 +…+β p x ) xp
1+ e p 0 1 1 p

Secara umum, transformasi fungsi logit dan fungsi probit ekuivalen

nilainya, kecuali pada nilai-nilai ekstrim pada π i. Akan tetapi, ada beberapa
keunggulan model logit dibandingkan dengan model probit yaitu
a. Kesederhanaan (simplicity)
Persamaan dari fungsi logistik cukup sederhana, sedangkan fungsi
normal relatif lebih kompleks. Perbedaan ini tidak terlalu terlihat untuk
data dikotomi, tetapi untuk data polikotomi, yang memerlukan model
logistik atau normal multivariat dalam analisis model akan menjadi
lebih sederhana.
b. Interpretabilitas
−1
Transformasi inversi dari logit model Λ ( π i ) dapat diinterpretasikan
−1
langsung sebagai log-odds, sedangkan transformasi inversi ϕ ( π i ) tidak
memiliki interpretasi langsung.
1) Untuk model logit, perhatikan nilai odds ratio
πi
=e β +β0 1 x 1+…+ β p x p
1−π i
πi
Maka diperoleh nilai logit, yakni log =β 0+ β 1 x1 +…+ β p x p.
1−π i

−1 πi
Transformasi Λ ( Pi ) =log disebut logit dari nilai π, yakni nilai
1−π i
log dari odds ratio yang menyatakan perbandingan diantara peluang
kejadian Y bernilai 1 (kejadian sukses) dibandingkan dengan
kemungkinan bernilai 0.
2) Fungsi logit bersifat simetris di sekitar 0 dan terbatas terbatas di atas
dan di bawah.
 Estimasi parameter dari model regresi logistik dapat dilakukan dengan
metode maximum likelihood estimator (MLE), dimana parameter optimal
dapat diperoleh dengan metode numerik.
Untuk menguji kecocokan koefisien, kita bias menggunakan uji Wald.
Uji Wald merupakan uji univariat terhadap masing-masing koefisien regresi
logistik (sering disebut partially test).
a. H 0: prediktor secara univariat tidak berpengaruh signifikan terhadap

respons ( β 1=0 ;=0,1,2 , … , p ) .

H 1: prediktor secara univariat berpengaruh signifikan terhadap respons

( β 1 ≠ 0 ;=0,1,2 , … , p ) .
b. Tingkat signifikansi : α
c. Statistik uji :
2
bi
Wi=
(
SE ( bi ) )
d. Daerah kritik : tolah H 0 bila |W i|> Z α
| |
2

Beberapa ukuran yang dapat digunakan untuk mengevaluasi tingkat kesesuian

model regresi logistik dengan data, antara lain :
a. Pseudo- R2
Pseudo- R2 merupakan nilai perkiraan atau nilai pendekatan dari koefisien
determinasi karena dalam model regresi logistik tidak dapat dihitung nilai
eksak dari koefisien determinasi. Rumusan Pseudo- R2 yang sering
digunakan adalah Pseudo- R2 McFadden, yang didefinisikan sebagai
l ( ^β )
R2=1−
l ( ý )
Dengan l ( ^β ) yang merupakan nilai log likelihood dari fitted model (model
logit yang diamati dan l ( ý ) adalah model logit yang hanya mengandung
komponen konstanta.
b. Proporsi konkordansi
Proporsi konkordansi (biasanya dalam persentase) menyatakan persentase
secara deskriptif data yang dapat diklasifikasikan secara tepatke setiap
kategori respons oleh model regresi logistik yang terbentuk.
 DAFTAR PUSTAKA

Alhusin, Syahri, “Aplikasi Statistik Praktis dengan Menggunakan SPSS 10 for

Windows”, Edisi Kedua, Yogyakarta: Graha Ilmu, 2003.
Arikunto, Suharsimi, “Prosedur Penelitian : Suatu Pendekatan Praktek”, Edisi Revisi
V, Jakarta: PT Rineka Cipta, 2002.
Draper, N. dan Smith, H. 1992. Analisis Regresi Terapan. Edisi Kedua. Terjemahan
Oleh Bambang Sumantri. Jakarta: Gramedia Pustaka Utama.

Ghazali, Imam, 2016, “Aplikasi Analisis Multivariat Dengan Program IBM SPSS
23”, Cetakan kedelapan, Universitas Diponegoro, Semarang.
Kutner, M.H., C.J. Nachtsheim., dan J. Neter. 2004. Applied Linear Regression
Models.

Priyatno, Duwi, 2013, “Mandiri Belajar Analisis Data Dengan SPSS”, Yogyakarta:
Media Kom. 
Priyatno, Duwi, 2014, “SPSS 22 Pengolah Data Terpraktis”, Edisi 1, Yogyakarta:
ANDI.
Priyatno, Duwi, “Mandiri Belajar SPSS”, Cetakan Ketiga, Yogyakarta: Media Kom,
2008.
Santoso, Singgih, 2000, Buku Latihan SPSS Statistik Parametrik. PT.ELEK Media
Komputindo. Jakarta
Santoso, Singgih, 2013, “Menguasai SPSS 21 di Era Informasi”. PT.ELEK Media
Komputindo. Jakarta.
Sekaran, Uma. 2006. Research Methods For Business: Metodologi Penelitian untuk
Bisnis, Penerbit Salemba Empat. 
Sekaran, Uma. 2000. “Research Methods for Business, A Skill Building Approach”, 
New York: John Wiley n Sons

Sugiyono, “Metode Penelitian Bisnis”, Bandung: CV. Alfabeta, 2007.