REGRESI LOGISTIK MULTINOMIAL

MAKALAH

Disusun Oleh:
KELOMPOK 1
STATISTIKA B 2022

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS MULAWARMAN
SAMARINDA
2024
 Anggota Kelompok 1:

NAMA NIM
Muhammad Nur Alfi Syahri 2207016039
Syarifah Nasywa 2207016040
Aliya Khairunnisa 2207016042
Aprillia Elsada Rinindah 2207016043
Khairin Nabila Rizky 2207016045
Fadilla 2207016046
Nisrina Nur Rahman 2207016048
Devita Dwi Putri 2207016050
Ahmad Zulfikar Khoiruddin 2207016053
Muhammad Azra Firdaus 2207016055
Olivia Anasin Tukan 2207016056
Diego Christian 2207016057
Dinda Angelia 2207016060
Deswita Istiyanti 2207016062
Sakila Armayani 2207016061
Debora Natania 2207016066
Indra Angeline Seru 2207016067
 DAFTAR ISI
DAFTAR ISI ..................................................................................................................... i
MATERI ........................................................................................................................... 1
1. Regresi Logistik ........................................................................................................ 1
2. Jenis-Jenis Regresi Logistik..................................................................................... 1
3. Regresi Logistik Multinomial .................................................................................. 2
4. Fungsi Logit & Model Matematis ........................................................................... 3
5. Estimasi Parameter .................................................................................................. 4
6. Uji Signifikansi Parameter ...................................................................................... 5
7. Odds Ratio ................................................................................................................. 6
8. Evaluasi Model ......................................................................................................... 8
STUDI KASUS ............................................................................................................... 10
1. Studi Kasus 1 .......................................................................................................... 10
2. Studi Kasus 2 .......................................................................................................... 20
DAFTAR PUSTAKA ..................................................................................................... 30

i
 MATERI

1. Regresi Logistik
Regresi Logistik adalah suatu metode analisis statistika untuk
mendeskripsikan hubungan antara peubah respon (dependent variable) yang
memiliki dua kategori atau lebih dengan satu atau lebih peubah penjelas
(independent variable) berskala kategori atau interval (Hosmer dan Lemeshow,
2000). Regresi Logistik merupakan regresi non linear, digunakan untuk
menjelaskan hubungan antara X dan Y yang bersifat tidak linear, ketidak normalan
sebaran Y, keragaman respon tidak konstan yang tidak dapat dijelaskan dengan
model regresi linear biasa (Agresti, 1996).
2. Jenis-Jenis Regresi Logistik
Adapun jenis-jenis dari regresi logistik yang digunakan dibagi menjadi 3
macam, yaitu regresi logistik biner, regresi logistik multinomial, dan regresi logistik
ordinal.
2.1. Regresi Logistik Biner (Binary Logistic Regression)
Regresi logistik biner digunakan ketika variabel dependen hanya memiliki
dua kemungkinan hasil atau kategori, misalnya ya/tidak, sukses/gagal. Model ini
memperkirakan probabilitas terjadinya salah satu dari dua kategori tersebut
berdasarkan satu atau lebih variabel independen. Contohnya, dalam penelitian
medis, regresi logistik biner dapat digunakan untuk memprediksi apakah seorang
pasien akan terkena penyakit tertentu (ya/tidak) berdasarkan faktor-faktor seperti
usia, tekanan darah, dan riwayat keluarga.
2.2. Regresi Logistik Multinomial (Multinomial Logistic Regression)
Regresi logistik multinomial digunakan ketika variabel dependen memiliki
lebih dari dua kategori yang tidak memiliki urutan atau peringkat. Model ini
memprediksi probabilitas masing-masing kategori berdasarkan variabel
independen. Misalnya dalam penelitian pemasaran, regresi logistik multinomial
dapat digunakan untuk memprediksi preferensi produk pelanggan (misalnya,
memilij produk A, B, atau C) berdasarkan data demografis dan perilaku pembelian.
2.3. Regresi Logistik Ordinal (Ordinal Logistic Regression)

1
 Regresi logistik ordinal digunakan ketika variabel dependen memiliki lebih
dari dua kategori yang memiliki urutan atau peringkat. Model ini memprediksi
probabilitas masing-masing kategori berdasarkan urutan atau peringkat tersebut.
Contohnya, dalam survei kepuasan pelanggan, regresi logistik ordinal dapat
digunakan untuk memprediksi tingkat kepuasan pelanggan (misalnya, sangat tidak
puas, tidak puas, netral, sangat puas) berdasarkan berbagai faktor seperti kualitas
layanan dan harga. Model ini mempertimbangkan bahwa kategori memliki
hubungan urutan, yang membedakannya dari regresi logistik multinomial.

3. Regresi Logistik Multinomial

Regresi logistik multinomial merupakan regresi logistik yang digunakan saat
variabel dependen mempunyai skala yang bersifat polychotomous atau
multinomial. Skala multinomial adalah suatu pengukuran yang dikategorikan
menjadi lebih dari dua kategori. Mengacu pada regresi logistik misalnya
polychotomous untuk model regresi dengan variabel dependen berskala nominal
tiga kategori digunakan kategori variabel hasil Y dikodekan 0, 1, dan 2. Variabel Y
dijadikan parameter dengan dua fungsi logit. Sebelumnya perlu ditentukan kategori
hasil mana yang digunakan untuk membandingkan. Pada umumnya digunakan Y =
0 sebagai pembanding. Untuk membentuk fungsi logit, akan dibandingkan Y = 1
dan Y = 2, terhadap Y = 0. Bentuk model regresi logistik dengan p variabel prediktor
seperti berikut:
𝑒 𝛽0 +𝛽1𝑥1 +⋯+𝛽𝑝 𝑥𝑝
𝜋(𝑥) = (3.1)
(1 + 𝑒)𝛽0 +𝛽1 𝑥1+⋯+𝛽𝑝𝑥𝑝
dengan menggunakan transformasi logit akan didapatkan dua fungsi logit
𝑃(𝑌 = 1|𝑥)
𝑔1 (𝑥) = ln ( ) = 𝛽10 + 𝛽11 𝑥1 + ⋯ + 𝛽1𝑝 𝑥𝑝 (3.2)
𝑃(𝑌 = 0|𝑥)
dimana 𝛽10 + 𝛽11 𝑥1 + ⋯ + 𝛽1𝑝 𝑥𝑝 = 𝑋′𝛽1
dan
𝑃(𝑌 = 1|𝑥)
𝑔2 (𝑥) = ln ( ) = 𝛽20 + 𝛽21 𝑥1 + ⋯ + 𝛽2𝑝 𝑥𝑝 (3.3)
𝑃(𝑌 = 0|𝑥)
dimana 𝛽20 + 𝛽21 𝑥1 + ⋯ + 𝛽2𝑝 𝑥𝑝 = 𝑋′𝛽2

2
Berdasarkan kedua fungsi logit tersebut maka didapatkan model regresi logistik
polychotomus sebagai berikut:
𝑒𝑥𝑝 𝑔1 (𝑥)
𝜋1 (𝑥) = 𝑃(𝑌 = 1|𝑥) = (3.4)
1 + 𝑒𝑥𝑝 𝑔1 (𝑥) + 𝑒𝑥𝑝 𝑔2 (𝑥)
𝑒𝑥𝑝 𝑔2 (𝑥) (3.5)
𝜋2 (𝑥) = 𝑃(𝑌 = 2|𝑥) =
1 + 𝑒𝑥𝑝 𝑔1 (𝑥) + 𝑒𝑥𝑝 𝑔2 (𝑥)
1 (3.6)
𝜋3 (𝑥) = 𝑃(𝑌 = 3|𝑥) =
1 + 𝑒𝑥𝑝 𝑔1 (𝑥) + 𝑒𝑥𝑝 𝑔2 (𝑥)
Model logistik untuk kategori variabel dependen lebih dari satu atau
polychotomous, yaitu:
𝜋𝑗 𝑗
𝑘
𝑗
ln [ ] = 𝛽0 + ∑ 𝛽𝑖 𝑥𝑖 , 𝑗 = 1, … , 𝑞 − 1 (3.7)
𝜋𝑞 𝑖=1

4. Fungsi Logit & Model Matematis

Mengacu pada regresi logistik misalnya polycotomous untuk model regresi
dengan variabel dependen berskala nominal tiga kategori digunakan kategori
variabel hasil Y dikodekan 0, 1, dan 2. Variabel Y ini kemudian digunakan untuk
membangun dua fungsi logit. Sebelum itu, perlu ditentukan kategori mana yang
akan dijadikan sebagai pembanding. Secara umum, kategori 𝑌 = 0 sering dipilih
sebagai kategori pembanding. Dalam membentuk fungsi logit, perbandingan
dilakukan antara 𝑌 = 1 dan 𝑌 = 2 terhadap 𝑌 = 0 (Djarmis, 2021).
Model yang digunakan untuk regresi logistik multinomial adalah :
exp (𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑏 𝑥𝑏 )
𝜋(𝑥) = (4.1)
1 + exp (𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑏 𝑥𝑏 )
Dilakukan transformasi logit terhadap 𝜋(𝑥) untuk mendapatkan persamaan logit
(Zahroh, 2018):
𝑃(𝑌 = 1)1|𝑥
𝑃1 (𝑥) = ln ( ) = 𝛽10 + 𝛽11 𝑥1 + 𝛽12 𝑥2 + ⋯ + 𝛽1𝑏 𝑥𝑏 = 𝑥 ′ 𝛽1 (4.2)
𝑃(𝑌 = 1)0|𝑥

𝑃(𝑌 = 1)2|𝑥
𝑃2 (𝑥) = ln ( ) = 𝛽20 + 𝛽21 𝑥1 + 𝛽22 𝑥2 + ⋯ + 𝛽2𝑏 𝑥𝑏 = 𝑥 ′ 𝛽2 (4.3)
𝑃(𝑌 = 1)0|𝑥

Berdasarkan kedua fungsi logit tersebut maka didapatkan model regresi logistik
yang terdapat pada persamaan:

3
 1
𝜋0 (𝑥) = (4.4)
1 + 𝑒𝑥𝑝 𝑃1 (𝑥) + exp 𝑃2 (𝑥)
𝑒𝑥𝑝 𝑃1 (𝑥) (4.5)
𝜋1 (𝑥) =
1 + 𝑒𝑥𝑝 𝑃1 (𝑥) + exp 𝑃2 (𝑥)
𝑒𝑥𝑝 𝑃2 (𝑥) (4.6)
𝜋2 (𝑥) =
1 + 𝑒𝑥𝑝 𝑃1 (𝑥) + exp 𝑃2 (𝑥)

5. Estimasi Parameter
Pada regresi linier, metode yang paling sering digunakan untuk mengestimasi
parameter yang tidak diketahui adalah least square. Metode ini akan
meminimumkan jumlah kuadrat residual. Metode ini akan menghasilkan estimator
yang valid apabila digunakan pada data dengan asumsi IIDN yang terpenihi.
Sebaliknya, metode ini akan menghasilkan estimator yang bias jika diaplikasikan
pada variabel respon yang bersifat polikotomus. Metode yang mengarah pada
fungsi least square dalam model regresi linier disebut maximum likelihood dengan
logaritma likelihood yang terdapat pada persamaan 1.
𝑛
𝑦 𝑦 𝑦
𝑙(𝛽) = ∏ 𝜋1𝑖1𝑖 𝜋2𝑖2𝑖 𝜋3𝑖3𝑖
𝑖=1 (5.1)
= (1 − 𝜋1𝑖 − 𝜋2𝑖 − 𝜋3𝑖 )1−𝑦1𝑖 −𝑦2𝑖 −𝑦3𝑖
dengan, ∑𝑛𝑖=1 𝑦𝑗𝑖 = 1
Dilakukan transformasi logaritma, sehingga didapat persamaan logaritma
likelihood dengan fungsi linier.
𝐿(𝛽) = log [𝑙(𝛽)]
𝑛 (5.2)
=∑ (𝑦1𝑖 𝑥𝑖 𝛽1 + 𝑦2𝑖 𝑥𝑖 𝛽2 + 𝑦3𝑖 𝑥𝑖 𝛽3 + ln (1 − 𝜋1𝑖 − 𝜋2𝑖 − 𝜋3𝑖 )
𝑖=1

Estimasi parameter 𝛽 dari persamaan 2 diperoleh dengan memaksimumkan

L(𝛽). Yang perlu menjadi perhatian bahwa fungsi logaritma bersifat monoton naik
sehingga jika fungsi log-likelihood mencapai maksimum, maka fungsi likelihood
juga akan mencapai maksimum. Nilai taksiran parameter β yang diturunkan dari
fungsi log likelihood dapat diperoleh menggunakan iterasi Newton Raphson,
dengan melakukan penurunan dari L(β) terhadap 𝛽𝑗𝑘 , maka diperoleh nilai β
sebagaimana terdapat pada persamaan 3.

4
 𝜕𝐿(𝛽) 𝑎
= ∑ 𝑥𝑖 (𝑦𝑗𝑖 − 𝜋𝑗𝑖 (5.3)
𝜕𝛽𝑗 𝑖−1

dengan; 𝑗 = 1,2, … , 𝑏
(Zahroh, 2018).

6. Uji Signifikansi Parameter

6.1 Uji Simultan
Pada pengujian simultan digunakan statistik uji 𝐺 untuk menguji koefisien
regresi secara simultan/bersama-sama. Pengujian ini merupakan rasio
kemungkinan maksimum, berdasarkan hipotesis:
H0 : 𝛽𝑘𝑗 = 0; peubah prediktor tidak berpengaruh terhadap peubah respon.
H1 : 𝛽𝑘𝑗 ≠ 0; minimal terdapat satu peubah prediktor yang berpengaruh terhadap
peubah respon.
Jika H0 benar, statistik uji 𝐺:
𝐿0 2
𝐺 = −2𝑙𝑛 [ ] ~𝜒(𝑝) (6.1)
𝐿1
dimana:
𝐿0 ∶ log likelihood tanpa peubah prediktor.
𝑛0 𝑛0 𝑛1 𝑛1 𝑛𝑘 𝑛𝑘
𝐿0 = ( ) ( ) …( ) (6.2)
𝑛 𝑛 𝑛
dengan, 𝑛𝑘 = banyaknya individu pada kategori ke−𝑘
𝐿1 ∶ log likelohood model intersep dan semua peubah prediktor
𝑛
𝐿1 = ∏ [𝜋0 (𝑥𝑖 )𝑦0𝑖 𝜋1 (𝑥𝑖 )𝑦1𝑖 … 𝜋𝑘−1 (𝑥𝑖 )𝑦(𝑘−1)𝑖 ] (6.3)
𝑖=1

dengan,
𝜋𝑘 (𝑥𝑖 ) ∶ peluang kategori respon ke-k pada pengamatan ke−𝑖.
𝑦𝑘𝑖 ∶ anggota peubah respon pada kategori ke−𝑘 pengamatan ke−𝑖.
2
Tolak H0 jika 𝐺 > 𝜒(𝛼;𝑝)
(Kurniawan, 2016).
6.2 Uji Parsial
Pengujian parsial digunakan untuk memeriksa kemaknaan koefisien 𝛽 secara
parsial dengan membandingkan dugaan 𝛽 dengan penduga standar errornya,
dengan kata lain uji parsial digunakan untuk mengetahui apakah variabel prediktor

5
berpengaruh signifikan atau tidak terhadap variabel respon secara tunggal (Tulong,
Mans, et al, 2018).
Pada uji parsial digunakan uji hipotesis sebagai berikut:
𝐻0 : 𝛽𝑗 = 0 (Tidak ada pengaruh variabel prediktor secara parsial terhadap
variabel respon)
𝐻1 : 𝛽𝑗 ≠ 0 (Ada pengaruh variabel prediktor secara parsial terhadap variabel
respon)
Dengan Statistik Uji:

𝛽̂𝑗
2 (6.4)
2
𝑊 = 2
𝑆𝐸(𝛽̂𝑗 )
Keterangan:
2
𝑆𝐸(𝛽̂𝑗 ) : Standar error koefisien
𝛽̂𝑗 : Nilai koefisien dugaan variabel prediktor
(Zahroh, 2018).
Kriteria penolakan pada uji ini yaitu dengan membandingkan nilai dari 𝑊 2
2
dengan 𝑋(𝛼,𝑣) atau dengan membandingkan nilai P-value dengan 𝛼, dimana v
2
adalah banyaknya variabel prediktor. Jika nilai 𝑊 2 > 𝑋(𝛼,𝑣) atau 𝑃 − 𝑉𝑎𝑙𝑢𝑒 < 𝛼
maka diputuskan 𝐻0 ditolak (Zahroh, 2018).

7. Odds Ratio
Interpretasi pada metode regresi logistik, menggunakan nilai odds ratio.
Untuk dapat menjelaskan odds ratio, digunakan dengan Tabel 1. Dimana
dicontohkan variabel respon dengan tiga kategori dan variabel prediktor dengan dua
kategori
Tabel 1. Nilai Regresi Logistik untuk Variabel Prediktor
Variabel Respon Variabel bebas (x) X=0

1
(y) Y=0 𝜋0 (0) =
1 + exp (𝛽10 − 𝛽20 )

Tabel 2. Nilai Regresi Logistik untuk Variabel Prediktor (Lanjutan)

6
 Variabel Respon Variabel bebas (x) X=1
(y) 1
𝜋1 (0) =
Y=1 1 + exp (𝛽10 − 𝛽20 )

1
Y=2 𝜋2 (0) =
1 + exp (𝛽10 − 𝛽20 )

Tabel 1. Nilai Regresi Logistik untuk Variabel Prediktor (Lanjutan)

Variabel Respon Variabel bebas (x) X=1
(y) 1
𝜋0 (0) =
Y=0 1 + exp(𝛽10 + 𝛽11 ) + exp(𝛽20 + 𝛽21 )

1
𝜋1 (0) =
Y=1 1 + exp(𝛽10 + 𝛽11 ) + exp(𝛽20 + 𝛽21 )

1
Y=2 𝜋2 (0) =
1 + exp(𝛽10 + 𝛽11 ) + exp(𝛽20 + 𝛽21 )

Didapatkan odds ratio sebagai berikut :

𝜋1 (1)/𝜋0 (1)
𝜓1 =
𝜋1 (0)/𝜋0 (0)
(7.1)
𝜋2 (1)/𝜋0 (1)
𝜓2 =
𝜋2 (0)/𝜋0 (0)
Nilai odds rati tersebut pada persamaan (1) digunakan untuk menunjukkan
kecenderungan hubungan suatu variabel preditor terhadap variabel respon. Dengan
mengasumsikan Y=0 sebagai kateogir kontrol, dengan kata lain sebagai acuan.
Nilai odds ratio dari Y=i merupakan nilai perbandingan dengan Y=0 untuk nilai
kovariat x=a dibandingkan x=b.
𝑃(𝑌 = 𝑗|𝑥 = 𝑎)/𝑃(𝑌 = 0|𝑥 = 𝑎)
𝑂𝑅𝑗 (𝑎, 𝑏) = (7.2)
𝑃(𝑌 = 𝑗|𝑥 = 𝑏)/𝑃(𝑌 = 0|𝑥 = 𝑏)
Untuk variabel non kategorik nilai odds ratio adalah sebagai berikut.
𝑃(𝑌 = 𝑗|𝑥 + 𝑥)/𝑃(𝑌 = 0|𝑥 + 𝑐)
𝑂𝑅𝑗 (𝑐) = (7.3)
𝑃(𝑌 = 𝑗|𝑥)/𝑃(𝑌 = 0|𝑥)

7
8. Evaluasi Model
8.1 Uji Kesesuaian Model
Uji kesesuaian model bertujuan untuk menilai apakah model yang dihasilkan
dari analisis regresi logistik sudah layak, yaitu tidak terdapat perbedaan signifikan
antara data yang diamati dengan prediksi model. Prosedur ini juga membantu
memastikan bahwa model mampu merepresentasikan data dengan baik. Pengujian
ini dilakukan dengan menggunakan hipotesis sebagai berikut:
𝐻0 : Model sesuai (tidak terdapat perbedaan antara hasil pengamatan dengan
kemungkinan hasil prediksi model)
𝐻1 : Model tidak sesuai (terdapat perbedaan antara hasil pengamatan dengan
kemungkinan hasil prediksi model)
Statistik uji yang digunakan, yaitu:
𝑔
(𝑂𝑘 − 𝑛𝑘′ 𝜋̅𝑘)2
𝐶=∑ (8.1)
𝑛𝑘′ 𝜋̅𝑘(1 − 𝜋̅𝑘)
𝑘=1

dengan:
𝐶
𝑘
𝑂𝑘 = ∑𝑗=1 𝑦𝑗 = Jumlah nilai variabel respon pada grup ke-k
𝐶 𝑚𝑗 𝜋(𝑥𝑗 )
𝑘
𝜋̅𝑘 = ∑𝑗=1 ′ = Rata-rata taksiran probabilitas
𝑛𝑘

g = Jumlah grup
𝑛𝑘′ = Banyaknya subjek pada grup ke-k
𝐶𝑘 = Kategori variable respon
Tolak 𝐻0 , apabila 𝐶̂ > 𝑋𝛼,𝑣
2
yang menyatakan bahwa model tidak sesuai
(terdapat perbedaan antara hasil pengamatan dengan kemungkinan hasil prediksi
model) (Hosmer & Lemeshow, 2000).
Interpretasi model dalam regresi logistik didasarkan pada nilai odds ratio,
yang menunjukkan seberapa banyak peningkatan atau penurunan kemungkinan
terjadinya 𝑌 = 𝑗 dibandingkan dengan 𝑌 = 1 sebagai kategori pembanding, ketika
nilai variabel prediktor (x) mengalami perubahan tertentu, sebagaimana pada
persamaan berikut:
𝑃(𝑌 = 𝑗|𝑥 = 𝑎)/𝑃(𝑌 = 1|𝑥 = 𝑎)
𝜓𝑎𝑏 = 𝑂𝑅𝑗 (𝑎, 𝑏) = (8.2)
𝑃(𝑌 = 𝑗|𝑥 = 𝑏)/𝑃(𝑌 = 1|𝑥 = 𝑏)

8
Hubungan antara odds ratio terhadap parameter model (𝛽) adalah: 𝜓𝑎𝑏 = exp(𝛽̂ )
(Tulong, dkk, 2018).
8.2 Uji Ketepatan Model
Prosedur klasifikasi yang bisa digunakan untuk mengukur ketepatan
klasifikasi adalah Apparent Error Rate (APER). Nilai APER menyatakan proporsi
sampel yang salah diklasifikasikan oleh fungsi klasifikasi. Kesalahan klasifikasi
dapat dilihat pada tabel matriks konfusi berikut:
Taksiran
Hasil Observasi
y1 y2

y1 n11 n12

y2 n21 n22
Maka nilai APER dapat dihitung dengan rumus:
n12 + n21
APER = (8.3)
n11 + n12 + n21 + n22
Akurasi = 1 – APER

9
 STUDI KASUS

1. Studi Kasus 1
Komisi Pemberantasan Korupsi (KPK) memiliki data tindak pidana korupsi
pada tahun 2015 yang melibatkan berbagai jenis pelaku. Peneliti ingin mengetahui
apakah jenis kelamin, profesi, dan institusi asal pelaku memengaruhi jenis perkara
tindak pidana korupsi yang dilakukan dengan data sebagai berikut :
Y X1 X2 X3
Pengadaan.Barang.jasa laki-laki Manager Kementrian
Pengadaan.Barang.jasa laki-laki Karyawan PEMKOT
penyuapan laki-laki Karyawan Kementrian
penyuapan perempuan Dirut PEMPROV
penyuapan laki-laki Dirut Kementrian
penyuapan laki-laki Dirut Swasta
penyuapan perempuan Karyawan Swasta
penyuapan laki-laki Karyawan Swasta
penyuapan laki-laki K.Bagian Kementrian
penyuapan laki-laki Karyawan Kementrian
penyuapan laki-laki Karyawan Swasta
Pengadaan.Barang.jasa laki-laki Dirut Swasta
Pengadaan.Barang.jasa laki-laki K.Bagian Swasta
P.anggaran laki-laki Dirut Kementrian
P.anggaran laki-laki Manager Kementrian
Pengadaan.Barang.jasa laki-laki Manager Kementrian
penyuapan laki-laki Dirut PEMKOT
penyuapan laki-laki Dirut Swasta
penyuapan laki-laki Dirut Swasta
penyuapan laki-laki Dirut PEMKOT
penyuapan perempuan Karyawan PEMPROV
penyuapan laki-laki Dirut Swasta
penyuapan laki-laki Manager Kementrian

10
 penyuapan laki-laki Dirut Kementrian
penyuapan laki-laki Dirut Swasta
penyuapan laki-laki Dirut Kementrian
Pengadaan.Barang.jasa laki-laki Manager Swasta
Pengadaan.Barang.jasa laki-laki Dirut Kementrian
Pengadaan.Barang.jasa laki-laki Manager Kementrian
P.anggaran laki-laki Dirut Swasta
P.anggaran laki-laki Dirut PEMKOT
penyuapan laki-laki Karyawan DPRRI
penyuapan laki-laki Karyawan DPRRI
penyuapan laki-laki Dirut PEMKOT
penyuapan laki-laki Dirut PEMKOT
Pengadaan.Barang.jasa laki-laki Dirut PEMPROV
penyuapan laki-laki Dirut PEMKOT
penyuapan laki-laki Dirut Kementrian
Y = Jenis Perkara Tindak Pidana Korupsi
X1 = Jenis Kelamin
X2 = Profesi
X3 = Institusi
Sintax Software R:
#REGRESI LOGISTIK MULTINOMIAL#
library(stats)
library(MASS)
library(lmtest)
library(pscl)
library(aod)
library(dplyr)
library(car)
library(generics)
library(caret)
data<-read.table(file.choose(),header=T)
data

11
#Dataset
head(data)
str(data)
data$Y<-as.factor(data$Y)
data$X1<-as.factor(data$X1)
data$X2<-as.factor(data$X2)
data$X3<-as.factor(data$X3)
str(data)
#RegMultinom
library(nnet)
data$Y <-relevel(data$Y, ref =
"Pengadaan.Barang.jasa")
data$X1<-relevel(data$X1, ref="perempuan")
data$X2<-relevel(data$X2, ref="Dirut")
data$X3<-relevel(data$X3, ref="Swasta")
model_multi<-multinom(Y~X1+X2+X3,data=data)
#exp odd ratio
summary(model_multi)

#P-Value Uji Parsial

z <-
summary(model_multi)$coefficients/summary(model_multi
)$standard.errors
p <- (1 - pnorm(abs(z), 0, 1))*2
p

#Uji Serentak (Likelihood Ratio Test)

lrtest(model_multi)

#Kesesuaian Model
library(generalhoslem)
logitgof(data$Y,fitted(model_multi))

12
 #Odds-Ratio
exp(coef(model_multi))

#Klasifikasi
klasifikasi<-model_multi$fitted.values
klasifikasi
pred_multi<- predict(model_multi, data=data)
confmatMultinomial<-
confusionMatrix(pred_multi,as.factor(data$Y))
confmatMultinomial

Pembahasan:
Fungsi, Model dan Odds Rasio Regresi Logistik Multinomial

Diperoleh fungsi regresi logistik multinomial sebagai berikut:

𝑔1 (𝑥) = −4.3215 − 23.1687𝑋1 (2) + 17.0289𝑋2 (1) + 18.8593𝑋2 + 2.5374𝑋2
𝑔2 (𝑥) = 12.7625 + 31.4663𝑋1 (2) + 14.8002𝑋2 (1) + 18.2029𝑋2 − 1,2902𝑋2
Dengan model regresi logistik sebagai berikut:
𝜋1 (𝑥)
exp(−4.3215 − 23.1687𝑋1 (2) + 17.0289𝑋2 (1) + 18.8593𝑋2 + 2.5374𝑋2 )
=
1 + exp(−4.3215 − 23.1687𝑋1 (2) + 17.0289𝑋2 (1) + 18.8593𝑋2 + 2.5374𝑋2 )
+𝑒𝑥𝑝(12.7625 + 31.4663𝑋_1 (2) + 14.8002𝑋_2 (1) + 18.2029𝑋_2 − 1,2902𝑋_2

13
 𝜋2 (𝑥)
exp(12.7625 + 31.4663𝑋1 (2) + 14.8002𝑋2 (1) + 18.2029𝑋2 − 1,2902𝑋2 )
=
1 + exp (−4.3215 − 23.1687𝑋1 (2) + 17.0289𝑋2 (1) + 18.8593𝑋2 + 2.5374𝑋2 )
+𝑒𝑥𝑝(12.7625 + 31.4663𝑋1 (2) + 14.8002𝑋2 (1) + 18.2029𝑋2 − 1,2902𝑋2 )
𝜋3 (𝑥)
1
=
1 + exp(−4.3215 − 23.1687𝑋1 (2) + 17.0289𝑋2 (1) + 18.8593𝑋2 + 2.5374𝑋2 )
+𝑒𝑥𝑝(12.7625 + 31.4663𝑋1 (2) + 14.8002𝑋2 (1) + 18.2029𝑋2 − 1,2902𝑋2 )
Sehingga diperoleh odds rasio sebagai berikut:

1. Kategori "Pengadaan Barang Jasa"

Intercept: 0.0133
X1 (Perempuan): 8.67 × 10−11
X2 (Karyawan): 24864817
X3 (Kementrian): 20.03
X3 (PEMKOT): 5.62 × 1013
X3 (PEMPROV): 8.26 × 1013
X3 (Swasta): 78.12
2. Kategori "Penyuapan"
Intercept: 348900.2
X1 (Perempuan): 4.63 × 1013
X2 (Karyawan): 2677078
X2 (Manager): 0.225
X3 (Kementrian): 1.25 × 10−5
X3 (PEMKOT): 1.22 × 10−5
X3 (PEMPROV): 5.00 × 10−6
X3 (Swasta): 1.56 × 10−5
Interpretasi
Variabel yang paling memengaruhi peluang kategori:

14
 • Karyawan dan organisasi (terutama PEMKOT dan PEMPROV) memiliki
pengaruh sangat besar untuk kategori "Pengadaan Barang Jasa".
• Gender (Perempuan) memiliki pengaruh sangat besar untuk kategori
"Penyuapan".
Kategori organisasi (PEMKOT dan PEMPROV) sangat mendominasi peluang
untuk kategori "Pengadaan Barang Jasa", tetapi berkontribusi negatif pada
kategori "Penyuapan".
Manager memiliki pengaruh berbeda, meningkatkan peluang untuk kategori
"Pengadaan Barang Jasa" tetapi menurunkan peluang untuk kategori
"Penyuapan".
Uji Simultan

Hipotesis
H 0 : 𝛽1 = 𝛽2 = 𝛽3 = 0
(Semua koefisien variabel independen (𝑋1 , 𝑋2 , 𝑋3 ) sama dengan nol,
yaitu model tanpa variabel independen (model dengan intercept saja)
sama baiknya dengan model penuh.)
H1 : Minimal ada satu parameter 𝛽𝑖 ≠ 0
(Setidaknya satu koefisien variabel independen tidak sama dengan
nol, yaitu model penuh lebih baik dibandingkan model dengan
intercept saja.)
Taraf Signifikansi
𝛼 = 0.05
Statistik Uji
𝐿𝑅 = −2 ∗ (𝐿𝑜𝑔 − 𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 𝑀𝑜𝑑𝑒𝑙 𝑁𝑜𝑙 − 𝐿𝑜𝑔 −
𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 𝑀𝑜𝑑𝑒𝑙 𝑃𝑒𝑛𝑢ℎ)
𝐿𝑅 = −2 ∗ (−32.436— 22.926) = 19.021
Daerah Kritis

15
 2
Tolah 𝐻0 jika nilai LR > nilai 𝑋𝑑𝑓,𝛼
Keputusan
2
Karena nilai LR = 19.021 < 𝑋𝑑𝑓,𝛼 = 26.296 Dn nilai p-value (0.2676) >
0.05, maka 𝐻0 gagal ditolak
Kesimpulan
Semua koefisien variabel independen (𝑋1 , 𝑋2 , 𝑋3 ) sama dengan nol, yaitu
model tanpa variabel independen (model dengan intercept saja) sama
baiknya dengan model penuh.

Uji Parsial

Hipotesis
H 0I : 0 = 0

(Tidak terdapat pengaruh konstanta terhadap model regresi)

H1I : 0  0

(Terdapat pengaruh konstanta terhadap model regresi)

H 0II : 1 = 0

(Tidak terdapat pengaruh jenis kelamin terhadap model regresi)

H1II : 1  0

(Terdapat pengaruh jenis kelamin terhadap model regresi)

H 0III :  2 = 0

(Tidak terdapat pengaruh jenis profesi terhadap model regresi)

H1III :  2  0

(Terdapat pengaruh jenis profesi terhadap model regresi)

H 0IV : 3  0

(Tidak terdapat pengaruh jenis institusi terhadap model regresi)

H1IV : 3  0

(Terdapat pengaruh jenis institusi terhadap model regresi)

16
Taraf Signifikansi
 = 0, 05
Statistik Uji
k
W =
( )
SE  k

Daerah Kritis
Tolak H 0 jika p − value  

Keputusan dan Kesimpulan

∙ Kategori Penyuapan
Variabel/Parameter p − value Keputusan Kesimpulan
Tidak terdapat
𝐻0 gagal
Konstanta 0,96 pengaruh konstanta
ditolak
terhadap model regresi
Tidak terdapat
Jenis Kelamin = 𝐻0 gagal pengaruh jenis kelamin
0,59
laki-laki ditolak laki-laki terhadap
model regresi
Tidak terdapat
Profesi = 𝐻0 gagal pengaruh profesi
0,63
Karyawan ditolak karyawan terhadap
model regresi
Tidak terdapat
Profesi = Kepala 𝐻0 gagal pengaruh profesi
0,21
Bagian ditolak kepala bagian terhadap
model regresi
Terdapat pengaruh
Profesi = Manager 0,01 𝐻0 ditolak profesi manager
terhadap model regresi
Institusi = 𝐻0 gagal Tidak terdapat
0,99
PEMPROV ditolak pengaruh institusi

17
 PEMPROV terhadap
model regresi
Tidak terdapat
Institusi = 𝐻0 gagal pengaruh institusi
0,95
PEMKOT ditolak PEMKOT terhadap
model regresi
Tidak terdapat
Institusi = 𝐻0 gagal pengaruh institusi
0,40
Kementrian ditolak kementrian terhadap
model regresi
Tidak terdapat
𝐻0 gagal
Institusi = DPRRI 0 pengaruh DPRRI
ditolak
terhadap model regresi

∙ Kategori Penyalahgunaan Anggaran

Variabel/Parameter p − value Keputusan Kesimpulan
Terdapat pengaruh
1,34
Konstanta 𝐻0 ditolak konstanta terhadap
× 10−5
model regresi
Terdapat pengaruh
Jenis Kelamin = 1,72
𝐻0 ditolak jenis kelamin laki-laki
laki-laki × 10−5
terhadap model regresi
Tidak terdapat
Profesi = 𝐻0 gagal pengaruh profesi
0
Karyawan ditolak karyawan terhadap
model regresi
Tidak terdapat
Profesi = Kepala 𝐻0 gagal pengaruh profesi
0
Bagian ditolak kepala bagian terhadap
model regresi
𝐻0 gagal Tidak terdapat
Profesi = Manager 0,18
ditolak pengaruh profesi

18
 manager terhadap
model regresi
Tidak terdapat
Institusi = 𝐻0 gagal pengaruh institusi
0
PEMPROV ditolak PEMPROV terhadap
model regresi
Tidak terdapat
Institusi = 𝐻0 gagal pengaruh institusi
0,86
PEMKOT ditolak PEMKOT terhadap
model regresi
Tidak terdapat
Institusi = 𝐻0 gagal pengaruh institusi
0,46
Kementrian ditolak kementrian terhadap
model regresi
Tidak terdapat
𝐻0 gagal
Institusi = DPRRI 0 pengaruh DPRRI
ditolak
terhadap model regresi
Uji Kesesuaian Model Dengan Hosmer & Lemeshow Test

Hipotesis
H 0 : Model regresi logistik sudah tepat digunakan

H1 : Model regresi logistik belum tepat digunakan

Taraf Signifikansi
 = 0, 05
Statistik Uji
Hosmer & Lemeshow Multinomial Model Test

19
Daerah Kritis
Tolak H 0 jika p − value  

Keputusan
Karena p − value = 0, 9942   = 0, 05 maka diputuskan H 0 gagal ditolak

Kesimpulan
Model regresi logistik sudah tepat digunakan
Ketepatan Klasifikasi

banyaknya salah klasifikasi

APER = 100%
total klasifikasi
n +n +n +n +n +n
APER = 01 02 10 12 20 21
n00 + n01 + n02 + + n33
1+1+ 3 + 3 + 0 + 0
APER = = 0, 21
6 + 1 + 1 + 3 + 24 + 3 + 0 + 0 + 0
Akurasi = 1 − APER
Akurasi = 1 − 0, 21 = 0, 79 = 79%

2. Studi Kasus 2
Penelitian oleh Zahroh, 2018 melakukan untuk mengetahui faktor-faktor yang
mempengaruhi sumber air bersih rumah tangga [𝑌 = 3 (sebagian kecil sumber air
bersih dibeli), 𝑌 = 4 (seluruh sumber air bersih tidak dibeli)] di Jawa Timur,
variabel 𝑋 yang digunakan adalah pendidikan terakhir kepala rumah tangga [𝑋1 =
1 (≤SD), 𝑋1 = 2 (SMP), 𝑋1 = 3 (𝑆MA), 𝑋1 = 4 (Perguruan Tinggi)], status
kepemilikan bangunan [𝑋2 = 1 (≤ Bukan Milik Sendiri), 𝑋2 = 2 (≤Milik Sendiri)],

20
penyaluran air yang digunakan [𝑋3 = 1 (≤ Perpipaan/Hidran Umum), 𝑋3 = 2
(≤Tidak Semua)], dan Jumlah Anggota Keluarga (𝑋5 ). Adapun data diberikan
sebagai berikut:
𝑋1 𝑋2 𝑋3 𝑋4 𝑌
3 2 1 2 4
1 2 2 5 4
1 2 1 2 4
1 2 1 2 4
3 2 1 4 4
1 2 1 4 4
1 2 1 2 4
1 2 1 4 4
2 2 1 3 4
2 2 1 2 4
1 2 1 5 4
1 2 1 5 4
1 2 1 3 3
1 2 1 2 4
1 2 1 2 4
1 2 1 3 4
1 2 1 4 4
4 2 1 5 4
1 2 1 3 4
1 2 2 1 4
1 2 1 3 4
4 2 1 3 4
1 2 1 3 4
1 2 1 3 4
3 2 1 4 4
1 2 1 4 4
1 2 1 4 4
1 2 2 4 4
1 2 1 4 4
4 2 1 3 4

21
 1 2 1 2 4
1 2 1 5 4
1 2 1 5 4
1 2 1 1 4
1 2 1 2 4
1 2 1 5 4
1 2 1 2 4
1 2 1 3 4
1 2 1 5 4
3 2 1 4 4
1 2 2 1 4
1 2 2 2 4
1 2 2 5 4
1 2 2 2 3
1 2 2 5 4
1 2 2 4 4
3 2 2 3 3
3 2 2 4 4
1 1 2 3 3

Pemodelan Regresi Logistik Multinomial

Uji Kesesuaian Model dengan Residual Deviance dan AIC
Untuk menguji apakah data sudah sesuai atau fit, maka dapat menggunakan uji
kesesuaian model dengan nilai residual deviance dan AIC sebagai berikut.
• Residual Deviance: 17.74505
o Nilai ini menunjukkan goodness-of-fit dari model. Semakin kecil nilai ini,
semakin baik model menjelaskan data.
• AIC (Akaike Information Criterion): 31.74505
o Digunakan untuk membandingkan model. Semakin kecil nilai AIC, semakin
baik model.
Uji Signifikansi Parameter
a) Uji Simultan

22
Hipotesis
𝐻0 : 𝛽0 = 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 0
(Tidak terdapat pengaruh variabel, pendidikan terakhir kepala rumah
tangga, status kepemilikan bangunan, penyaluran air yang digunakan, dan
jumlah anggota keluarga terhadap variabel sumber air bersih)
𝐻1 : Minimal terdapat satu 𝛽𝑗 ≠ 0 ; 𝑗 = 0,1,2,3,4
(Terdapat pengaruh variabel, pendidikan terakhir kepala rumah tangga,
status kepemilikan bangunan, penyaluran air yang digunakan, dan jumlah
anggota keluarga terhadap variabel sumber air bersih)
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
𝑛 𝑛0 𝑛 𝑛1 𝑛 𝑛2 𝑛 𝑛3 𝑛 𝑛4
( 0) ( 1) ( 2) ( 3) ( 4)
𝐺 2 = −2 ln [∏𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
𝑦0𝑖 𝜋 (𝑥 )𝑦1𝑖 𝜋 (𝑥 )𝑦2𝑖 𝜋 (𝑥 )𝑦3𝑖 𝜋 (𝑥 )𝑦4𝑖 ]
𝑖=1[𝜋0 (𝑥𝑖 ) 1 𝑖 2 𝑖 3 𝑖 4 𝑖

Daerah Kritis
Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
Keputusan
𝐻0 gagal ditolak karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒(0,1262) > 𝛼(0,05)
Kesimpulan
Tidak terdapat pengaruh variabel, pendidikan terakhir kepala rumah tangga,
status kepemilikan bangunan, penyaluran air yang digunakan, dan jumlah
anggota keluarga terhadap variabel sumber air bersih

b) Uji Parsial

23
Hipotesis
𝐻0 : 𝛽0 = 0
(Tidak terdapat pengaruh konstanta terhadap model regresi)
𝐻1 : 𝛽0 ≠ 0
(Terdapat pengaruh konstanta terhadap model regresi)
𝐻0 ′ : 𝛽1 = 0
(Tidak terdapat pengaruh pendidikan terakhir kepala rumah tangga
terhadap model regresi)
𝐻1 ′ : 𝛽1 ≠ 0
(Terdapat pengaruh pendidikan terakhir kepala rumah tangga terhadap
model regresi)
𝐻0 ′′ : 𝛽2 = 0
(Tidak terdapat pengaruh status kepemilikan bangunan terhadap model
regresi)
𝐻1 ′′ : 𝛽2 ≠ 0
(Terdapat pengaruh status kepemilikan bangunan terhadap model
regresi)
𝐻0 ′′′ : 𝛽3 = 0
(Tidak terdapat pengaruh penyaluran air yang digunakan terhadap
model regresi)
𝐻1 ′′′ : 𝛽3 ≠ 0
(Terdapat pengaruh penyaluran air yang digunakan terhadap model
regresi)
𝐻0 ′′′′ : 𝛽4 = 0
(Tidak terdapat pengaruh jumlah anggota keluarga terhadap model
regresi)
𝐻1 ′′′′ : 𝛽4 ≠ 0
(Terdapat pengaruh jumlah anggota keluarga terhadap model regresi)
Taraf Signifikansi
𝛼 = 0,05
Statistik Uji
̂
𝛽
𝑊 = 𝑆𝐸(𝛽𝑘̂
𝑘)

24
Daerah Kritis
Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
Keputusan dan Kesimpulan
Variabel/Parameter 𝑝 − 𝑣𝑎𝑙𝑢𝑒 Keputusan Kesimpulan
Tidak terdapat
pengaruh
Konstanta 0,9689780 𝐻0 gagal ditolak konstanta
terhadap model
regresi
Tidak terdapat
pengaruh
pendidikan
𝑋1 = 2 0,9896005 𝐻0 gagal ditolak terakhir kepala
rumah tangga
SMP terhadap
model regresi
Tidak terdapat
pengaruh
pendidikan
𝑋1 = 3 0,3272289 𝐻0 gagal ditolak terakhir kepala
rumah tangga
SMA terhadap
model regresi
Tidak terdapat
pengaruh
pendidikan
terakhir kepala
𝑋1 = 4 0,981330 𝐻0 gagal ditolak
rumah tangga
Perguruan Tinggi
terhadap model
regresi

25
 Tidak terdapat
pengaruh status
kepemilikan
𝑋2 = 2 0,9626579 𝐻0 gagal ditolak
bangunan milik
sendiri terhadap
model regresi
Tidak terdapat
pengaruh
penyaluran air
𝑋3 = 2 0,1618959 𝐻0 gagal ditolak yang digunakan
tidak semua
terhadap model
regresi)
Tidak terdapat
pengaruh jumlah
𝑋4 0,353979 𝐻0 gagal ditolak anggota keluarga
terhadap model
regres

Fungsi, Model dan Odds Rasio Regresi Logistik Mutinomial

Diperoleh 1 fungsi regres logistik sebagai berikut:

𝑔1 (𝑥) = −10,92 + 10,67𝑋1 (2) − 1,44𝑋1 (3) + 9,33𝑋1 (4) + 13,15𝑋2 (2)
− 1,84𝑋3 (2) + 0,50𝑋4

26
Dengan model regresi logistik sebagai berikut:
𝜋̅1
exp(−10,92 + 10,67𝑋1 (2) − 1,44𝑋1 (3) + 9,33𝑋1 (4) + 13,15𝑋2 (2) − 1,84𝑋3 (2) + 0,50𝑋4 )
=
1 + exp(−10,92 + 10,67𝑋1 (2) − 1,44𝑋1 (3) + 9,33𝑋1 (4) + 13,15𝑋2 (2) − 1,84𝑋3 (2) + 0,50𝑋4 )
𝜋̅0
1
=
1 + exp(−10,92 + 10,67𝑋1 (2) − 1,44𝑋1 (3) + 9,33𝑋1 (4) + 13,15𝑋2 (2) − 1,84𝑋3 (2) + 0,50𝑋4 )

Sehingga diperoleh Odds Rasio sebagai berikut:

𝛽̂12 = 10,67 → exp(𝛽̂12 ) = 4,32 × 104

𝛽̂13 = −1,44 → exp(𝛽̂13 ) = 2,36 × 10−1
𝛽̂14 = 9,33 → exp(𝛽̂14 ) = 1,12 × 104
𝛽̂22 = 13,15 → exp(𝛽̂22 ) = 5,13 × 105
𝛽̂32 = −1,84 → exp(𝛽̂32 ) = 1,59 × 10−1
𝛽̂4 = 0,50 → exp(𝛽̂4 ) = 1,64 × 100

Interpretasi:
• Peluang rumah tangga dengan tingkat pendidikan terakhir SMP yang seluruh
sumber air bersihnya tidak dibeli adalah 4,32 × 104 kali lebih besar dibanding
rumah tangga dengan tingkat pendidikan terakhir SD yang sebagian kecil
sumber air bersihnya dibeli (𝛽̂12 )
• Peluang rumah tangga dengan tingkat pendidikan terakhir SMA yang seluruh
sumber air bersihnya tidak dibeli adalah 2,36 × 10−1 kali lebih besar dibanding
rumah tangga dengan tingkat pendidikan terakhir SD yang sebagian kecil
sumber air bersihnya dibeli (𝛽̂13 )
• Peluang rumah tangga dengan tingkat pendidikan terakhir Perguruan Tinggi
yang seluruh sumber air bersihnya tidak dibeli adalah 1,12 × 104 kali lebih

27
 besar dibanding rumah tangga dengan tingkat pendidikan terakhir SD yang
sebagian kecil sumber air bersihnya dibeli (𝛽̂14 )
• Peluang rumah tangga dengan status kepemilikan bangunan milik sendiri yang
seluruh sumber air bersihnya tidak dibeli adalah 5,13 × 105 kali lebih besar
dibanding rumah tangga dengan status kepemilikan bangunan bukan milik
sendiri yang sebagian kecil sumber air bersihnya dibeli (𝛽̂22 )
• Peluang rumah tangga yang tidak menggunakan penyaluran air dan seluruh
sumber air bersihnya tidak dibeli adalah 1,59 × 10−1 kali lebih besar dibanding
rumah tangga yang menggunakan saluran air perpipaan/hidran umum dan
sebagian kecil sumber air bersihnya dibeli (𝛽̂32 )
• Ketika jumlah anggota keluarga bertambah 1, maka peluang rumah tangga yang
seluruh sumbe air bersihnya tidak dibeli adalah 1,64 × 100 (𝛽̂4 )

Ketepatan Klasifikasi

𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑠𝑎𝑙𝑎ℎ 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖

𝐴𝑃𝐸𝑅 = × 100%
𝑡𝑜𝑡𝑎𝑙 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖
𝑛01 + 𝑛10
𝐴𝑃𝐸𝑅 = × 100%
𝑛00 + 𝑛11
0+3
𝑃𝐸𝑅 = × 100% = 0,0612
1 + 45
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 1 − 𝐴𝑃𝐸𝑅
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 1 − 0,0612 = 0,9388 = 93,88%

28
29
 DAFTAR PUSTAKA

Agresti, A. 1996. An Introduction to Categorical Data Analysis. Toronto: John

Wiley and Sons Inc
Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. New York:
John Wiley and Sons, Inc.
Tulong, Meykel. M., Mananohas, Mans., & Mongi, Charles. E. (2018). Regresi
Logistik Multinomial Untuk Menentukan Faktor-Faktor yang Mempengaruhi
Pilihan Perguruan Tinggi Pada Siswa SMA dan SMK di Pulau Karakelang
Kabupaten Kepulauan Talaud. Jurnal Matematika dan Aplikasi deCartesiaN,
Vol. 7 (2), 90-94.

30