Model Regresi Logistik

ANALISIS REGRESI LOGISTIK
A. Pengertian Regresi Logistik
regresi logistik adalah bagian dari analisis regresi yang digunakan ketika variable
dependen (respon) merupakan variabel dikotomi. Variabel dikotomi biasanya hanya terdiri
atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya
diberi angka 0 atau 1.
Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan
antara variabel independen dan dependen secara linier. Regresi logistik merupakan regresi
non linier di mana model yang ditentukan akan mengikuti pola kurva seperti gambar di
bawah ini.
Gambar 1.1 Grafik regresi logistik
Regresi logistik akan membentuk variabel prediktor/respon (log(p/(1-p)) yang

merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian
ditransformasikan menjadi probabilitas dengan fungsi logit. Regresi logistik jga
menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor. Peluang
(odds) dari suatu kejadian diartikan sebagai probabilitas suatu kejadian tidak terjadi.
Secaraa umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang
dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif
dimana peluang hasl meningkat (rasio peluang > 1) atau (rasio peluang < 1) ketika niali
variabel prediktor meningkat sebesar satu unit.
1. Tahapan analisis regresi logistik

a. Menentukan variabel X dan variabel Y.
b. Analisis Deskriptif
c. Uji Linieritas
d. Analisis Regresi
➢ Uji Overall
➢ Uji Parsial
➢ R dan R2
➢ Tuliskan Model
e. Uji Asumsi
➢ UJI Noramlitas
➢ Uji Kecocokan Model
➢ Peramalan
2. Model regresi logistik
a. Model Probit
𝛽0+𝛽1𝑋1+𝛽2𝑋2+⋯+𝛽𝑝 𝑋𝑝 1 2
1 𝑥
𝜋= ∫ e2 𝑑𝑥
2 ∞
b. Model Logit
e𝛽0+𝛽1𝑋1+⋯+𝛽𝑝 𝑋𝑝
𝜋=
1 + e𝛽0+𝛽1𝑋1+⋯+𝛽𝑝 𝑋𝑝
atau
𝑝 𝑝
𝑙o𝑔𝑡(𝑝) = log( ) = 𝑛( )
1−𝑝 1−𝑝
Dimana p bernilai antara 0-1
Model yang digunakan pada regresi logistik adalah :

𝑝
𝑙o𝑔 ( ) = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + ⋯ 𝛽𝑘𝑥𝑘
1−𝑝
Dimana p adalah kemungkinan bahwa Y = 1,dan X1, X2, X3 adalah variabel

independen, dan b adalah koefisien regresi.
Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan niali
setiap prediktor. Peluang dari suatu kejadian sebagai probabilitas hasil yang muncul
yang dibagi dengan probabilitas suatu kejadian tidak terjadi.
𝜋
= 𝜋∗
1−𝜋
3. Asumsi-asumsi dalam regresi logistik

a. Tidak mengasumsikan hubungan linier antara variabel dependen dan independent,
variabel dependen harus bersifat dikotomi (2 variabel)
b. Variabel independent tidak harus memiliki keragaman yang sama antar kelompok
variabel kategori dalam variabel independent harus terpisah satu sama lain atau
bersifat eksklusif.
c. Sampel yang diperlukan dalam jumlah relatif besar. Minimum dibutuhkan hingga
50 sampel data untuk sebuah variabel prediktor (bebas).
4. Kecocokan model (model fit) dan fungsi likelihood

Likelihood berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti
yangkita ketahui pada kurva regresi linier kita lihat adanya hubungan linier.
Peningkatan pada sumbu Y akan diikuti dengan peningkatan pada sumbu X dan
sebaliknya. Tetatpi pada regresi logistik dengan nilai Y antara 0 dan 1, pendekatan linier
tidak bisa kita gunakan. Oleh karena itu metode maximum likehood sangat berguna
dalam menentukan kecocokan model yang tepat bagi persamaan yang kita miliki.
B. Studi Kasus
Suatu penelitian dilakukan untuk mengetahui seberapa besar peluang seseorang dapat
diterima bekerja di PT Makmur Jaya. Penelitian dilakukan dengan mengambil sampel
sebesar 40 orang dan menggunakan analisis regresi logistik. Adapun variabel yang diteliti
adalah sebagai berikut.
y (keputusan) = 1 jika diterima dan 0 jika tidak diterima

x1 = lama pendidikan terakhir (tahun)
x2 = lama pengalaman kerja (tahun)
x3 (jenis kelamin) = 1 jika pelamarnya laki-laki dan 0 jika pelamarnya perempuan
pertanyaan :
1. Carilah model logit dan model regresi logistik dari kasus tersbut.
2. Interpretasikan nilai estimasi β (dengan menggunakan nilai odd dari masing-masing
variabel).
3. Berapa peluang diterimanya seorang wanita yang ingin melamar pekerjaan di PT
Makmur Jaya, jika diketahui memiliki lama pendidikan 4 tahun dan pengalaman
bekerja 1 tahun ?
Berikut adalah data 40 orang yang melamar pekerjaan :
Pelamar Education (X1) Experience (X2) SEX (X3) HIRED (Y)
1 6 6 1 1
2 6 3 1 1
3 8 3 0 1
4 8 10 0 1
5 4 5 1 1
6 6 1 1 1
7 8 5 1 1
8 4 10 1 1
9 6 12 0 1
10 6 2 0 1
11 4 0 1 0
12 4 1 0 0
13 4 2 1 0
14 4 4 0 0
15 6 1 0 0
16 4 2 1 0
17 8 5 1 0
18 4 2 0 0
19 6 7 0 0
20 6 4 0 0
21 8 0 1 0
22 4 0 0 0
23 4 1 1 0
24 4 5 1 0
25 6 0 1 0
26 4 9 0 0
27 8 1 0 0
28 6 1 1 0
29 6 6 1 1
30 6 3 1 1
31 8 3 0 1
32 8 10 0 1
33 4 5 1 1
34 6 1 1 1
35 8 5 1 1
36 4 10 1 1
37 6 12 0 1
38 6 2 0 1
39 4 0 1 0
40 4 10 1 0
C. Deskripsi Kerja
Dalam melakukan analisis regresi logistik pada SPSS diperlukan langkah-langkah
sebagai berikut :
1. Membuka lembar kerja SPSS
Langkah-langkah yang diperlukan dalam menggunakan SPSS adalah sebagai berikut:
a. Klik star
b. Kemudian klik SPSS pada menu start
c. Setelah itu, maka muncul lembar kerja SPSS yang siap untuk digunakan
d. Kemudian klik variable view kemudian ketikkan nama variiabel dengan nama
Education, Experience, Sex, dan Hired
Gambar 1.1 Membuat nama variabel

e. Membuat value label dengan cara klik values pada variabel X3 yang bernilai 1
untuk laki-laki dan 0 untuk perempuan dan value label untuk Y yang bernilai 1
untuk diterima dan 0 untuk tidak diterima.
Gambar 1.2 Membuat Value label
f. Setelah itu input data pada lembar kerja SPSS
Gambar 1.3 Data yang telah diinput

2. Melakukan regresi logistik
Langkah-langkah yang diperlukan untuk melakukan analisis regresi logistic antara
lain:
a. Klik analyze, pilih regression, kemudian pilih binary logistic
Gambar 1.4 pemilihan menu Analyze

b. Kemudian muncul kotak dialog linear regression, masukkan variabel Hired
sebagai variabel dependen dan variabel Education, Experience dan Sex sebagai
variabel independen. Kemudian milih metode yang enter.
Gambar 1.5 Kotak dialog logistic regression

c. Klik categorical, masukkan variabel sex ke kolom categorical covariates, pilih
first, kemudian klik continue.
Gambar 1.6 Kotak Dialog Logistic Regression Categorical

d. Klik save, beri tanda pada probabilities dan group membership, kemudian klik
continue.
Gambar 1.7 Kotak Dialog Logistic Regression Save

e. Klik options, beri tanda pada classification plots, hosmer-lemeshow goodness of
fit, correlations of estimaes dan include constant in model, kemudian klik
continue
f. Klik Ok
g. Ketika variabel sex konstanta tidak signifikan, maka pengujian diulangi dari awal
kembali dengan tidak mengikutsertakan variabel sex kemudian diulangi kembai
dengan mengeluarkan konstanta
D. Model logit dan Pengujian
Tabel 2.1 Case Processing Summary
Tabel 2.2 Dependent Variable Encoding
Tabel 2.3 Categorical Variables Codings
Berdasarkan tabel 2.1 dapat diketahui jumlah data yang dianalisis sebanyak 40 data
(included in Analysis), sedangkan missing cases bernilai nol (0) menunjukan tidak ada data
yang hilang ketika proses analisis data dilakukan. Dilihat dari tabel 2.2 didapt informasi
bahwa tebel tersebut mengkategorikan variabel dependen menjadi 1 untuk yang diterima
dan 0 untuk yang tidak diterima. Sedangkan tabel 2.2 memberikan informasi bahwa variabel
sex dikategorikan menjadi dua, yaitu 1 untuk jenis kelamin laki-laki dan 0 untuk jenis
kelamin perempuan. Selain itu juga dapai diketahui untuk jumlah pelamar yang berjenis
kelamin laki-laki itu sebanyak 23 dan sisanya 17 untuk jumlah pelamar dengan jenis
kelamin perempuan.
Tabel 2.4 Classification Tablea,b
Output classification table diatas menjelaskan bahwa persentase variabel yang

diprediksi sebesar 50% adalah baik. Atau dengan kata lain, semua data independen yang
dianalisis sebesar 50% berpengaruh terhadap nilai variabel dependen dengan
mengikutsertakan parameter konstanta.
Cut value yang terdapat dalam output di atas mengindikasikan batas peluang setiap
kejadian sukses dan gagal. Jika nilai prediksi dalam data (PRE_1) lebih dari 0,5 maka
pelamar ini sukses atau diterima (ditunjukkan dalam variabel PGR_1 dengan nilai 1) dalam
data SPSS. Sebaliknya, jika nilainya kurang dari 0,5 maka hasilnya tidak sukses atau gagal
(ditunjukkan dalam variabel PGR_1 dengan nilai 0).
Berdasarkan output yang ada, untuk mendapatkan model regresi logistik yang terbaik
maka perlu dilakukan beberapa pengujian antaralain:
1. Uji Parameter β0
Tabel 2.5 Variables in The Equation
Dari tabel 2.5 dapat dilakukan uji hipotesis sebagai berikut:

a. Hipotesis
H0 : β0 = 0 (model tidak sesuai)
H1 : β0 ≠ 0 (model sesuai)
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value = 1,000
d. Daerah Kritis
H0 ditolak jika P-value < α → P-value (1.000) > α (0.05)
e. Keputusan
Gagal tolak H0 (H0 diterima)
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa model tidak sesuai
2. Uji Overall
Tabel 2.6 Omnibus Tests of Model Coefficients

a. Hipotesis
H0 : Tidak ada variabel X yang signifikan mempengaruhi variabel Y
H1 : Minimal ada satu variabel X yang signifikan mempengaruhi variabel Y
α = 5%
c. Statistik Uji
P-value = 0,002
d. Daerah Kritis
H0 ditolak jika P-value < α → P-value (0.002) < α (0.05)
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa minimal ada satu variabel X yang
signifikan mempengaruhi variabel Y
Selain menggunakan nilai pada tabel 3.6, uji overall juga dapat dilakukan dengan
menggunakan nilai Hosmer Lemeshow seperti berikut:
Tabel 2.7 Hosmer and Lemeshow Test

a. Hipotesis
H0 : Model telah cukup mampu menjelaskan data (sesuai)
H1 : Model tidak cukup mampu menjelaskan data
α = 5%
c. Statistik Uji
P-value = 0,857
d. Daerah Kritis
e. Keputusan
Gagal tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa model regresi logistik yang digunakan
telah cukup mampu menjelaskan data (sesuai)
Tabel 2.8 Model Summary
Berdasarkan tabel 3.8 hasil output pada Cox-Snell R2 dan Nagelkerke R memiliki
analogi sama dengan nilai R-square pada regresi linier, menyakatan bahwa sebanyak
40,5% keragaman dapat dijelaskan oleh model, sedangkan sisanya (59,5%) dijelaskan
oleh faktor (variabel) lain diluar model penelitian.
Tabel 2.9 Classification Tablea
kejadian ini sukses atau diterima (ditunjukkan dalam variabel PGR_1 dengan nilai 1)
dalam data SPSS. Sebaliknya, jika nilainya kurang dari 0,5 maka hasilnya tidak sukses
atau gagal (ditunjukkan dalam variabel PGR_1 dengan nilai 0). Dari data tersebut dapat
diketahui juga bahwa nilai-nilai prediksi dapat memprediksi variabel-variabel dengan
tingkat kebenaran 75% (lebih besar daripada ketika mengikutsertakan konstanta).
3. Uji Partial
Tabel 2.10 Variables in The Equation Block 1

Untuk β1
a. Hipotesis
H0 : β1 = 0 (Variabel Education tidak signifikan mempengaruhi Y)
H1 : β1 ≠ 0 (Variabel Education signifikan mempengaruhi Y)
α = 5%
c. Statistik Uji
P-value = 0,021
d. Daerah Kritis
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa variabel education signifikan
mempengaruhi Y.
Untuk β2
a. Hipotesis
H0 : β2 = 0 (Variabel Experience tidak signifikan mempengaruhi Y)
H1 : β2 ≠ 0 (Variabel Experience signifikan mempengaruhi Y)
α = 5%
c. Statistik Uji
P-value = 0,011
d. Daerah Kritis
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa variabel experience signifikan
mempengaruhi Y.
Untuk β3
a. Hipotesis
H0 : β2 = 0 (Variabel Sex tidak signifikan mempengaruhi Y)
H1 : β2 ≠ 0 (Variabel Sex signifikan mempengaruhi Y)
α = 5%
c. Statistik Uji
P-value = 0,220
d. Daerah Kritis
e. Keputusan
Gagal tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa variabel sex tidak signifikan
mempengaruhi Y.
Karena variabel sex tidak signifikan, maka dilakukan pengujian kembali dengan
output sebagai berikut:
1. Uji Overall Setelah Variabel Sex Dikeluarkan
Tabel 2.11 Omnibus Tests of Model Coefficients Tanpa variabel sex

a. Hipotesis
H0 : Tidak ada variabel X yang signifikan mempengaruhi variabel Y

H1 : Minimal ada satu variabel X yang signifikan mempengaruhi variabel Y
α = 5%
c. Statistik Uji
P-value = 0,002
d. Daerah Kritis
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa minimal ada satu variabel X yang
signifikan mempengaruhi variabel Y.
Selain menggunakan nilai pada tabel 3.6, uji overall juga dapat dilakukan dengan
menggunakan nilai Hosmer Lemeshow seperti berikut:
Tabel 2.12 Hosmer and Lemeshow Test Tanpa Variabel Sex

a. Hipotesis
H0 : Model telah cukup mampu menjelaskan data (sesuai)
H1 : Model tidak cukup mampu menjelaskan data
α = 5%
c. Statistik Uji
P-value = 0,225
d. Daerah Kritis
e. Keputusan
Gagal tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa model regresi logistik yang digunakan

telah cukup mampu menjelaskan data (sesuai).
Tabel 2.13 Model Summary Tanpa Variabel Sex
Berdasarkan tabel 2.13 hasil output pada Cox-Snell R2 dan Nagelkerke R memiliki
analogi sama dengan nilai R-square pada regresi linier, menyakatan bahwa sebanyak
36,7% keragaman dapat dijelaskan oleh model, sedangkan sisanya (63,3%) dijelaskan
oleh faktor (variabel) lain diluar model penelitian.
Tabel 2.14 Classification Tablea Tanpa Variabel Sex
kejadian ini sukses atau diterima (ditunjukkan dalam variabel PGR_1 dengan nilai 1)
dalam data SPSS. Sebaliknya, jika nilainya kurang dari 0,5 maka hasilnya tidak sukses
atau gagal (ditunjukkan dalam variabel PGR_1 dengan nilai 0). Dari data tersebut dapat
diketahui juga bahwa nilai-nilai prediksi dapat memprediksi variabel-variabel dengan
tingkat kebenaran 62,5% (lebih besar daripada ketika mengikutsertakan konstanta).
2. Uji Partial
Tabel 2.15 Variables in The Equation Block 1 Tanpa Variabel Sex

Untuk β0
a. Hipotesis
H0 : β0 = 0 (konstanta tidak signifikan mempengaruhi Y)
H1 : β0 ≠ 0 (konstanta signifikan mempengaruhi Y)
α = 5%
c. Statistik Uji
P-value = 0,009
d. Daerah Kritis
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa konstanta signifikan mempengaruhi Y.
Untuk β1
a. Hipotesis
H0 : β1 = 0 (Variabel Education tidak signifikan mempengaruhi Y)
H1 : β1 ≠ 0 (Variabel Education signifikan mempengaruhi Y)
α = 5%
c. Statistik Uji
P-value = 0,029
d. Daerah Kritis
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa variabel education signifikan
mempengaruhi Y.
Untuk β2
a. Hipotesis
H0 : β2 = 0 (Variabel Experience tidak signifikan mempengaruhi Y)
H1 : β2 ≠ 0 (Variabel Experience signifikan mempengaruhi Y)
α = 5%
c. Statistik Uji
P-value = 0,015
d. Daerah Kritis
e. Keputusan
Tolak H0
f. Kesimpulan
Dengan 𝛼 = 5% dapat disimpulkan bahwa variabel experience signifikan
mempengaruhi Y.
Setelah dilakukan uji overall dan partial didaptkan model logit sebagai berikut:
Logit (p) = Ln 𝑝
= −4,467 + 0,58 Education + 0,293 Experience
−𝑝
E. Interpretasi dan Peluang

Tabel 2.16 Variables in The Equation Block 1 Tanpa Variabel Sex
Berdasarkan tabel diatas dapat diinterpretasikan sebagai berikut :

1. Kecenderungan pelamar mengalami keberhasilan setelah mencoba memasukkan
lamaran pekerjaan ke PT Makmur Jaya berhubungan positif dengan educations
(pendidikan yang ditempuh pelamar). Setiap peningkatan educations sebesar
satu poin membuat kecenderungan mengalami keberhasilan sebesar 0.58 kali.
2. Kecenderungan pelamar mengalami keberhasilan setelah mencoba memasukkan
lamaran pekerjaan ke PT Makmur Jaya berhubungan positif dengan experience
(pendidikan yang ditempuh pelamar). Setiap peningkatan experience sebesar
satu poin membuat kecenderungan mengalami keberhasilan sebesar 0.293 kali.
3. Peluang pelamar mengalami keberhasilan diterima bekerja di PT Makmur Jaya
setelah memasukkan lamaran pekerjaan adalah
exp(𝛽₀ + 𝛽1 + 𝛽2)
𝜋(1) =
1 + exp(𝛽₀ + 𝛽1 + 𝛽2)
exp(−4.467 + 0,58 + 0.293)
=
1 + exp(−4.467 + 0,58 + 0.293)
0.11 + 1.786 + 1.340

=
1 +(0.11 + 1.786 + 1.340)
= 0.7639
4. Peluang pelamar mengalami tidak diterima bekerja di PT Makmur Jaya setelah
mencoba memasukkan lamaran pekerjaan adalah
𝜋(0) = 1 − 0.7639 = 0.2361
5. Untuk pengalaman pekerjaan selama 1 tahun dan lamanya menempuh
pendidikan 4 tahun, maka diperoleh
Logit (p) = Ln 𝑝
= −4,467 + 0,58 Education + 0,293 Experience
−𝑝
= −4,467 + 0,58 (4) + 0,293 (1)

= −1,854
F. Kesimpulan
Berdasarkan pengujian yang telah dilakukan pada bab tiga diperoleh
kesimpulan bahwa variabel yang mempengaruhi diterima atau tidaknya seorang
pelamar oleh PT Makmur Jaya dipengaruhi oleh varibel education dan experience.
Variabel-variabel yang berpengaruh tersebut hanya mempengaruhi variabel Y sebesar
36,7% dan sisanya dipengaruhi variabel lain diluar model. Peluang seseorang diterima
bekerja di PT Makmur Jaya yaitu sebesar 0,7639 dan peluang tidak tidak diterima
seseorang di PT Makmur Jaya yaitu sebesar 0,2361.

Model Regresi Logistik

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Model Regresi Logistik

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS REGRESI LOGISTIK

A. Pengertian Regresi Logistik

Gambar 1.1 Grafik regresi logistik

Regresi logistik akan membentuk variabel prediktor/respon (log(p/(1-p)) yang

1. Tahapan analisis regresi logistik

Dimana p bernilai antara 0-1

Model yang digunakan pada regresi logistik adalah :

Dimana p adalah kemungkinan bahwa Y = 1,dan X1, X2, X3 adalah variabel

3. Asumsi-asumsi dalam regresi logistik

4. Kecocokan model (model fit) dan fungsi likelihood

y (keputusan) = 1 jika diterima dan 0 jika tidak diterima

Gambar 1.1 Membuat nama variabel

Gambar 1.2 Membuat Value label

f. Setelah itu input data pada lembar kerja SPSS

Gambar 1.3 Data yang telah diinput

Gambar 1.4 pemilihan menu Analyze

Gambar 1.5 Kotak dialog logistic regression

Gambar 1.6 Kotak Dialog Logistic Regression Categorical

Gambar 1.7 Kotak Dialog Logistic Regression Save

D. Model logit dan Pengujian

Tabel 2.1 Case Processing Summary

Tabel 2.2 Dependent Variable Encoding

Tabel 2.3 Categorical Variables Codings

Output classification table diatas menjelaskan bahwa persentase variabel yang

Dari tabel 2.5 dapat dilakukan uji hipotesis sebagai berikut:

Dari tabel 2.6 dapat dilakukan uji hipotesis sebagai berikut:

Dari tabel 2.7 dapat dilakukan uji hipotesis sebagai berikut:

Tabel 2.8 Model Summary

Dari tabel 2.10 dapat dilakukan uji hipotesis sebagai berikut:

Dari tabel 2.11 dapat dilakukan uji hipotesis sebagai berikut:

H0 : Tidak ada variabel X yang signifikan mempengaruhi variabel Y

Dari tabel 3.12 dapat dilakukan uji hipotesis sebagai berikut:

Dengan 𝛼 = 5% dapat disimpulkan bahwa model regresi logistik yang digunakan

Tabel 2.13 Model Summary Tanpa Variabel Sex

Tabel 2.14 Classification Tablea Tanpa Variabel Sex

Dari tabel 2.15 dapat dilakukan uji hipotesis sebagai berikut:

E. Interpretasi dan Peluang

Berdasarkan tabel diatas dapat diinterpretasikan sebagai berikut :

0.11 + 1.786 + 1.340

= −4,467 + 0,58 (4) + 0,293 (1)

Anda mungkin juga menyukai