Chi square signifikan pada derajat 1% dengan nilai 47,8. artinya model dengan hanya intercept berbeda secara statistik dibandingkan dengan model yang memasukkan semua variabel prediktor.
Classification Predicted ibu RT ibu RT tidak bahagia bahagia 25 2 30 2 10 3 14.6% 1.6%
Observed wanita karir ibu RT bahagia ibu RT tidak bahagia Overall Percentage
Dari hasil overall classification result untuk regresi logistik multinomial ternyata kurang baik. Persentase kebenaran klasifikasi untuk ibu RT bahagia dan ibu RT tidak bahagia yang di bawah 50 %, yaitu 23.1% dan 3.9%, menunjukkan banyak salah klasifikasi untuk ibu RT bahagia dan tidak bahagia. Oleh karenanya, kita perlu melakukan klasifikasi ulang dan menggunakan regresi logistik binari.
Tahapan Estimasi Binary Logistic Regression Klasifikasi ulang: Mengubah values pada workstat 1wanita
karir, 2Ibu RT bahagia, 3 Ibu RT tidak bahagia, dan values pada 3 wanita karir dan 4 Ibu RT status
a Classification Table
Predicted work status Percentage Ibu RT wanita karir Correct 96 110 46.6 69 171 71.3 59.9
B Step ATTHOUS -.032 a 1 ATTROLE -.070 ATTMAR .014 CONTRO -.055 Constant 3.423
df 1 1 1 1 1
Sig. Exp(B) .177 .969 .000 .932 .246 1.014 .477 .947 .000 30.656
ANALISIS DISKRIMINAN
- Semua variabel independen merupakan variabel yang kontinyu dan berdistribusi normal - Tujuan utama: diskriminasi: Pembedaan grup dicapai dengan fungsi diskriminan klasifikasi: mengklasifikan individu/obyek ke dalam grup terpisah berdasarkan sejumlah variabel bebas
Mudrajad Kuncoro
Analisis Spasial & Regional: Studi Aglomerasi dan Kluster Industri Indonesia (2002) Why Manufacturing Industry Persisted to Cluster Spatially in Java ?, Gadjah Mada International Journal of Business (2003), 5(2) Regional Clustering Of Indonesias Manufacturing Industry: A Spatial Analysis with Geographic Information System (GIS), Gadjah Mada International Journal of Business (2001), 3(3)
Original
Count %
Industrial clusters Non-industrial clusters Industrial clusters Non-industrial clusters Industrial clusters
Predicted Group Membership Non-industrial Industrial clusters clusters 52 6 8 37 89.7 10.3 17.8 82.2
Secara umum model diskriminan ini mampu mengalokasikan secara benar lebih dari 86% kasus. Tabel diatas menyajikan ringkasan klasifikasi dari model tsb, yang hanya gagal mengalokasikan 6 kabupaten ke dalam non-sentra industri dan 8 kasus untuk sentra industri. Akibatnya, keanggotan grup secara benar telah diprediksi sebesar 89.7% untuk non-sentra industri dan 82.2% untuk sentra industri.
Tabel diatas memperlihatkan chi-square yang tinggi dan signifikan pada derajat kepercayaan 1% yaitu sebesar 87.312. Artinya model dengan hanya intercept berbeda secara statistik dibandingkan dengan model yang memasukkan semua variabel prediktor
Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function.
upah merupakan variabel terbaik untuk memprediksi lokasi IKRT di sentra industri dan non-sentra industri. Koefsien untuk upah yang positif menunjukkan bahwa semakin tinggi upah semakin besar kemungkinan IKRT mengelompok di sekitar sentra industri Proporsi tenaga kerja keluarga dan proporsi yang tinggal di perdesaan memiliki daya prediksi yang kurang lebih sama dengan tanda negatif. Tanda koefisien yang negatif menunjukkan bahwa semakin rendah proporsi pekerja keluarga dan proporsi pedesaan dalam suatu kabupaten maka akan mendorong IKRT untuk mengelompok di seputar sentra industri.
HOMEWORK
1.Untuk kasus studi wanita:
a. coba anda lakukan estimasi dengan model diskriminan, baik dengan 3 klasifikasi (workstat) dan 2 klasifikasi (STATUS), dengan menggunakan prediktor yang sama. b. Bandingkan hasil estimasi dengan diskriminan dan regresi logistik. c. Interpretasikan hasil berdasarkan model yang menurut anda paling baik.