sey = Poy Boks #4 Bie) 23) 1+ exp (Boj + BiXs ++ BeXe) Model pada Persamaan (2.3) ialah fungsi non liniear, maka diperlukan tranformasi logit. Sehingga diperoleh bentuknya sebagai berikut: Kedua ruas dikali (1+ exp(By + Bix + Boxe ++ Bex) m(x)[1 + exp(Bo + Bix + Bax2 ++ Bexe)) = exp(Bo + Bixi to + Bue) m(x) + [1(%) exp(Bo + Bixr ++ + Buxx)] = exP(Bo + Bixrt..+ Buxe) m(x) = exp(Bo + Bix +--+ Bexn) — ft e) exp(Bo + Bix1 +--+ Bx%e)] m(x) = [1 ~ m(x)] expBo + Birr +--+ BuXx) nc) Tomo = OXPBo + Bix ++ Bare) In FO = exp(By + Bits ++ Bete) T=noo] ~ x(x) in HO = Infexp(By + Bax ++ Bux] 0 = Got Bits t+ Bow) schingga di dapat persamaan yang lebih sederhana, yaitu : n(x) inci g(x) = In = Bo+ Bir t+ Bake) a dengan g(x) = (By + Bix ++ Bex) ialah model logit 2.4.1 Estimasi Parameter Penduga paling umum digunakan dalam mengesti parameter yaitu ‘maximum likelihood estimator (MLE). Metode tersebut memberikan nilai dugaan parameter B yang diperoleh dari memaksimalkan fungsi likelihood dan data harus berdistribusi Bemnouli, Maka fungsi probabilitas diperoleh adalah £04) = [a@P"[1 — ae 2.5) Diperoleh fungsi maximum likelihood sebagai berikut 16) = TT}, (x01 — ee) 6) ‘Schingga dilakukan pendekatan log likelihood untuk memudahkan dalam 10ae penyelesaian maximum yang dinotasikan sebagai L(B) L(B) = In[L(B)] = In TT, MR" — me afln [ren [1 — 2" P ( Infae(x;)] + 1 — y4) Inf — 2) ]}. Selanjutnya dengan mendeferensialkan L(B) untuk memperoleh nilai dari koefesien B ke dalam bentuk turunan pertama dengan menyamakan bentuk nol. ua) Op in() ye 2B) ier] 27) Dengan xo; = 1 untuk setiap nilai i. dengan j = 0, maka diperoleh bentuk persamaan oop = Likabvexod ~ Valor] satay 7 Debio HDI = 0 Biles poate = Dl Yi ef = Tye By = In [EE 24 ae Untuk j = 1, maka diperoleh bentuk persamaan : oop = Meabyexadl — LhealxoerD] = Shaler — w(x] = 0 Poot Fi*1) Tha ate = EE ebioxaitBixsi = infor, (2.9) B= Untuk j =2, maka diperolch bentuk persamaan : 2D — yP byixod — Dabo] (82) = Thal ~ t)] = 0 44bora Lhe peehrartirattaea = em It BoxoitBiXritBax2i — a e Tage fea tole 2} Fob (2.10) Ba= my ‘Sehingga untuk j =n diperoleh persamaan beriki OLB) salyixoi] ~ Lialxoi i] Bn) Zhalyor — 700)] yet Bata tBaeart tant Boxee BrxitBaXxit + Brent = ® i infos 2} RoPasct +P eu) Dari persamaan-persamaan tersebut diperolch persamaan sebagai berikut: aug) _ Er Cn($)+y; Inlined i+(a-yInfs—mCxy) “OB, 2; = DE bru] — Dabs = 1,2-k. (212) Nilai 8 dapat diperoleh dengan memaksimumkan ae aig dilakukan deferensiasi pada L(B) dengan ketentuan 4 = 9 dan $2 < 0, Untuk lebih memudahkan dalam memperoleh nilai - maka dilakukan dengan menggunakan program SPSS yang membantu dalam mengestimasi dari f. 24,2 Pengujian Parameter Untuk mengetahui dari taksiran parameter apa berpengaruh signifikan tethadap model atau tidak dan seberapa besar pengaruh terhadap model maka dilakukan_ pengujian parameter. Diana pengujian parameter tersebut menggunakan uji simultan (serentak) dan uji parsial Simultan (Uji G) A. Uji Simultan (Uji-G) dilakukan untuk mengetahui pengaruh variabel bebas terhadap variabel terikat secara bersama-sama di dalam model, dapat menggunakan uji rasio likelihood [20). 2Hipotesisnya adalah sebagai berikut: Ho: By = Bp =" = Bx =0 (variabel bebas —bersama-sama__ tidak mempengaruhi model). Hy: minimal ada satu B, # 0 dimana j = 1, 2,---, x (variabel bebas bersama- sama mempengaruhi model). Berikut pengujian menggunakan uji rasio likelihood dengan statistik uji G. (2.13) Gey" Se aay 2In Dimana: n, : Jumlah pengamatan sukses (y;) 1g : Jumlah pengamatan tidak sukses (1 — y;) n_: Jumlah pengamatan (n, + m9) Daerah keputusan : Tolak Ho jika G > 73p,q atau p-value x?,,, mengikuti distri square. 43C. Uji Kesesuaian Model (Goodness Of Fit) kesesuain model digunakan untuk mengevaluasi apakah model yang digunakan sesuai atau tidak, ketepatan model harus konsisten dengan (Goodness Of Fit) apabila data yang dimasukkan ke model memenuhi kriteria maka dikatakan terpenuhi untuk Goodness Of Fit [24]. Pengujian menggunakan uji Hosmer and Lemeshow dan melihat nilai yang diperoleh dari Goodness Of Fit, dengan hipotesisnya: Ho: Model sesuai (tidak terdapat perbedaan antara hasil observasi_ dengan hasil prediksi ) Hy: Model tidak sesuai (terdapat perbedaan antara hasil observasi dengan hasil prediksi) Statistik uji ditunjukkan pada persamaan : (2.15) Dimana : 1: jumlah pengamatan kelompok ke-k 0, : frekuensi harapan kelompok ke-k iq : rata-rata taksiran peluang kelompok ke-k. Daerah keputusan : tolak Ho jika nilai C > yf2) atau p-value < sig. a. Dengan mengikuti distribusi chi-square. 2.4.3 Interpertasi Model Pada regresi logistik, menggunakan model odds ratio dalam interpertasi model logit. Hal ini digunakan untuk mencari perbedaan dari kategori satu dengan Kategori lainya dan dibandingkan antar kategori. Perbandingan antara peluang kejadian sukses dengan peluang kejadian gagal. Dengan kategori variabel x kategori 0 (x=0) yang dibandingkan dengan variabel x kategori 1(x=1) akan ditunjukkan bentuk persaman : n(o)/[1-n( 0) Odds = [yee 2.16) 14. 5 = 220060) 4, —_ex(Be) Pada Persamaan (2.16), maka 1(0) = 240 dan m(1) = 2s dengan j = 1,2,...,p. dan diperoleh nilai Odds sebagai berikut: (2088) fot) = Gestiesiy/ amin Odds = Eb nam = exp(Bo + Bi — Bo) 2.4.4 Ketepatan Klasifikasi Ketepatan Klasifikasi yang telah diperoleh digunakan untuk menguji ketepatan dan akurasinya dalam mengelompokkan data serta melihat apakah data klasifikasi dinyatakan benar atau tidak, Untuk menguji ketepatan dan akurasinya dikerjakan dengan mencari nilai Apparent Error Rate (APER). Mendapatkan nilai ketetapannya menggunakan 1-APER. Menghitung nilai ketepatan prediksi dari model dapat lebih mudah dengan ‘menggunakan tabel silang seperti pada tabel berikut: ‘Tabel 2.1 Ketepatan Klasfikasi Prediks Hasil Observasi nN Ma A B V2 Cc D Maka rumusan akurasi dari tabel (2.1) adalah sebagai berikut Ketepatan klasifikasi =(—“2) x 100% 2.5 Kajian Terkait Pada tabel 2.2 dibawah ini disa n-beberapapenelitian yang membahas tentang faktor-faktor yang mempengaruhi angka harapan hidup pada suatu wilayah dan metode regresi logistik biner. 45,