BAB I
PENDAHULUAN
𝛾1 (𝑥 )
𝑙𝑜𝑔𝑖𝑡 𝛾1 (𝑥 ) = ln [ ] = 𝛽01 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝
1 − 𝛾1 (𝑥 )
𝛾2 (𝑥 )
𝑙𝑜𝑔𝑖𝑡 𝛾2 (𝑥 ) = ln [ ] = 𝛽02 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝
1 − 𝛾2 (𝑥)
⋮
𝛾𝐽−1 (𝑥 )
𝑙𝑜𝑔𝑖𝑡 𝛾𝐽−1 (𝑥 ) = ln [ ] = 𝛽0,𝐽−1 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝
1 − 𝛾𝐽−1 (𝑥 )
exp(𝛽0𝑗 + 𝛽𝑇 𝑥)
dimana 𝛾𝑗 (𝑥 ) = 𝑃(𝑌 ≤ ⃓
𝑗𝑥 ) = , 𝑗 = 1, 2, ⋯ , 𝐽 − 1 𝑑𝑎𝑛 𝛾𝑗 (𝑥 ) = 1
1− exp(𝛽0𝑗 + 𝛽𝑇 𝑥)
Model ini disebut model logistik kumulatif karena rasio odds dari suatu kejadian
(𝑌 ≤ 𝑗) adalah independen pada setiap indikator kategori.
Selanjutnya untuk mendapatkan pendugaan parameter regresi logistik
ordinal dapat diperoleh dengan menggunakan metode pendugaan maximum
likelihood estimation ( MLE). Metode MLE dipilih karena mempunyai beberapa
kelebihan dibandingkan dengan metode lain, diantaranya dapat digunakan untuk
model tidak linier seperti regresi logistik, serta hasil penaksirannya unbiased
(Hosmer dan Lemeshow, 2000).
Pendugaan parameter regresi logistik ordinal didapatkan dengan
menurunkan fungsi log likelihood terhadap parameter yang akan diestimasi dan
𝜕 𝐿(𝛽)
disamakan dengan nol. Persamaan = 0 digunakan untuk menaksir intersep
𝜕 𝛽𝑘
𝜕 𝐿(𝛽)
parameter 𝛽𝑘 dimana 𝑘 = 1, 2, ⋯ , 𝑝 dan = 0 dipergunakan untuk menaksir
𝜕 𝛽0𝑗
intersep 𝜃𝑗 𝑑𝑖𝑚𝑎𝑛𝑎 𝑗 = 1, 2, ⋯ , 𝐽 − 1.
𝜕 𝐿(𝛽) 𝜕 𝐿(𝛽)
Hasil dari persamaan = 0 dan = 0 merupakan fungsi nonlinear
𝜕 𝛽𝑘 𝜕 𝛽0𝑗
P(Y j / X x2
j / X x2
P(Y
(X 2 X1 )
P(Y j / X x1
P(Y j / X x1
= exp 1 ( x2 x1
Daerah penolakan;
2
𝐻𝑜 ditolak bila 𝑊𝑘2 > 𝜒(𝛼,1) atau p-value kurang dari α
Kekuatan Asosiasi
Ada beberapa R2 yang dapat digunakan untuk mengukur kekuatan asosiasi
antara variabel dependen dengan variabel prediktor. R2 yang dimaksud disini tidak
sepenting pada regresi biasa, karena interpretasi R2 pada regresi logistik tidak kaku
seperti pada regresi biasa. Pengukuran kekuatan asosiasi pada pembahasan ini
menggunakan 3 metode, yaitu sebagai berikut.
1. Cox danSnell R2
2
2
𝐿(𝑩(0) ) 𝑛
𝑅𝐶𝑆 =1−( )
̂)
𝐿(𝑩
2. Nagelkerke’s R2
2
𝑅𝐶𝑆
𝑅𝑁2 = 2
1 − 𝐿(𝐵(0) )𝑛
3. McFadden’s R2
̂)
𝐿(𝑩
2
𝑅𝐶𝑆 =1−( )
𝐿(𝑩(0) )
Dimana
̂
𝐿(𝑩 ) : fungsi log-likelihood model dengan estimasi parameter.
𝐿(𝑩(0) ) : fungsi log-likelihood dengan hanya memuat thresholds.
n : banyaknya kasus
ˆc
Statistik ujinya : W
SE ˆc
Statistik uji Wald untuk jumlah sampel besar mengikuti distribusi normal
standart dengan mean 0 dan varians 1. Jika uji Wald ini dikuadratkan, maka akan
didapatkan uji W 2 yang mengikuti distribusi Chi-Square dengan derajat bebas 1
untuk sampel besar juga (Hosmer dan Lemeshow, 1989:21).
Daerah penolakannya adalah jika W Z a atau jika dapat pula dilihat dari nilai p,
2
Data yang digunakan dalam tugas ini adalah data dari tesis Jumaidin yang
berjudul “FAKTOR-FAKTOR YANG MEMPENGARUHI NILAI UNAS
DENGAN ANALISIS REGRESI LOGISTIK ORDINAL DAN REGRESI
PROBIT ORDINAL (Studi Kasus: Nilai UNAS SMA Negeri 2 Amahai
Kabupaten Maluku Tengah)” yang merupakan data sekunder pada tahun
pembelajaran 2007/2008 yang terdiri:
Variabel Respon (Y) adalah nilai UNAS SMA dengan tiga kategori yaitu
UNAS 65 Cukup (0), 65 <UNAS < 75 Baik (1) dan UNAS 75 amat baik
(2), hal ini sesuai dengan pengkategorian rata-rata nilai UNAS tiap mata pelajaran
oleh Dinas Pendidikan Propinsi Maluku. Adapun variabel-variabel yang diduga
mempengaruhi probabilitas seorang siswa bernilai kategori cukup, baik dan amat
baik adalah rata-rata nilai UNAS SMP (X1), rata-rata nilai UAS (X2), rata-rata nilai
tryout (X3), rata-rata nilai raport SMA (X4), pendapatan orang tua (X5), jumlah
saudara (X6) dan jurusan yang diambil siswa (X7).
Metode yang digunakan dalam penelitian ini untuk mencapai tujuan
penelitian adalah mengkategorikan variabel respon dengan tiga kategori yaitu Y =
0, Y = 1 dan Y = 2, membuat model regresi logistik ordinal untuk mengetahui ada
tidaknya pengaruh dari setiap variabel bebas terhadap variabel respon.
BAB IV
PEMBAHASAN
Amat Baik
10%
Cukup
Baik
43%
Baik
47%
Berdasarkan Tabel 4, maka keputusan yang diambil adalah terima H0. Ini
berarti bahwa pemilihan model link function logit sudah sesuai karena memenuhi
asumsi setiap kategori memiliki hubungan antara variabel independen dengan logit
sama untuk semua persamaan logit.
Kekuatan Asosiasi
Adapun pengukuran kekuatan asosiasi dari model yang sudah terbentuk
adalah seperti pada Tabel 5 berikut ini.
Tabel 5 Kekuatan Asosiasi
R2
Cox and Snell 0,849
Nagelkerke 1,000
McFadden 1,000
Ketepatan Klasifikasi
Berdasarkan model regresi logistik ordinal yang telah terbentuk, diperoleh
ketepatan klasifikasi yang ditampilkan pada Tabel 6 berikut ini.
Tabel 6 Ketepatan Klasifikasi
Prediksi
Ketepatan
Cukup Sangat
Baik Total Klasifikasi
baik baik
(Y=1) Relatif (%)
Observasi (Y=0) (Y=2)
Cukup
baik 24 2 0 26 92.31%
(Y=0)
Kategori
Baik
Nilai 2 26 1 29 89.66%
(Y=1)
UNAS
Sangat
baik 0 0 6 6 100.00%
(Y=2)
Total 27 26 28 7
Ketepatan Klasifikasi Keseluruhan 90.80%