OM SWASTYASTU

KELOMPOK 1
 OUR TEAM
IGP Aditya I Putu Dedy Wijaya
Paramananda Krisna Pratama
205/11 208/14

I Nyoman Gede
Ardivan Dicha Suwantara Nyoman Trisna
Valentino 228/28 Parwata
217/19 218/20

Ni Made Adi Ayu I Nengah Adi

Ganitri Nugraha
220/22 225/25
 REGRESI DENGAN
VARIABEL TERIKAT
DATA KUALITATIF
 Model Probabilitas Linear (LPM)
 Dalam
1.   teknis analisis ini variabel terikat yang berupa kualitatif (kategori) dianggap sebagai variabel dummy, yang
mana dalam bentuk sederhananya dapat ditunjukkan dalam model probabilitas linear (LPM) sbb:

Ŷ i = + X.....

 Persamaan tersebut di atas dapat dikembangkan dengan beberapa variabel bebas, baik yang menggunakan variabel
kategori (dummy) atau menggunakan variabel kontinyu seperti yang telah dibahas dalam regresi berganda
sebelumnya.
Sehingga persamaannya menjadi:

Ŷi=
 Contoh 11.1
Di bawah ini adalah data 24 Bank yang diambil secara random, diteliti mengenai
tingkat kinerjanya dengan kategori “bagus” dan “jelek” menurut skala usaha (BS)
serta kinerja keuangannya (FP)
No Y BS FP No Y BS FP
1 1 1 0,58 13 0 1 2,28
2 1 1 2,80 14 0 0 1,06
Keterangan:
Kinerja Bank: 1=
3 1 1 2,77 15 0 0 1,08
bagus, 0= jelek 4 1 1 3,50 16 0 0 0,07
5 1 1 2,67 17 0 0 0,16 FP= Kinerja
6 1 1 2,97 18 0 0 0,70 keuangan
Skala Bank
(BS): 1= besar, 7 1 1 2,18 19 0 0 0,75
0= kecil 8 1 1 3,24 20 0 0 1,61
9 1 1 1,49 21 0 0 0,34
10 1 1 2,19 22 0 0 1,15
11 1 0 2,70 23 0 0 0,44
12 1 0 2,57 24 0 0 0,86
 Contoh 11.1
Langkah Penghitungannya :

 Masukan data kedalam SPSS

 Klik Analyze Regression

 Linear Regression

 Pindahkan data yang akan diuji ke

Masukkan variabel Kinerja Bank pada
kotak Dependent, dan variabel BS dan
FP pada Covariates  OK
 Hasil output spss contoh 11.1

Dapat di Interpretasikan nilai R square sebesar 0,690 maka bermakna bahwa 69% kinerja bank
dipengaruhi oleh variasi skala usaha dan kinerja keuangan, sedangkan sisanya 31 persen
dipengaruhi oleh faktor lain di luar model.
Hasil output spss contoh 11.1

Dari ini dapat di Interpretasikan:

Diketahui nilai F hitung sebesar 23,331,Ftabel (2;21)= 5,85
Karena F hitung > F tabel maka ada pengaruh variansi skala
usaha dan kinerja keuangan terhadap kinerja bank
 Hasil output spss contoh 11.1

Dari output ini kita dapat membuat persamaannya: Y= -0,076+0,448 BS+0,221FP

Selain itu juga ada taraf signifikansi variabel BS dan FP yang dimana kurang dari 0,05
berarti masing mereka berpengaruh terhadap kinerja bank

Koefisien BS 0,448 yang artinya skala usaha besar berkinerja bagus 0,448 lebih baik dari
skala usaha kecil dengan faktor lain konstran

Koefisien FP sebesar 0,221 berarti apabila FP 1 satuan maka kinerja bank akan naik 0,221
 Regresi logistic

Merupakan model cumulative distribution function (CDF), yang mampu menjamin nilai variable
terikat (Y) terletak antara 0 dan 1 sesuai dengan teori probabilitas. CDF memiliki dua sifat, yaitu:
1) jika variable bebas naik, maka P(Yi = 1|Xi) juga ikut naik, tetapi tidak pernah melewati
rentangan 0 – 1, dan
2) hubungan antara Pi dan Xi adalah non linear sehingga tingkat perubahannya tidak sama, tetapi
kenaikannya semakin besar, kemudian mengecil. Ketika nilai probabilitasnya mendekati nol,
maka tingkat penurunannya semakin kecil, demikian juga sebaliknya ketika nilai probabilitasnya
mendekati satu, maka tingkat kenaikannya semakin kecil.
 Analisis dalam regresi logistik
a. Menilai fit model Fit model dalam analisis regresi logistik cukup dilihat dari Likelihood Ratio (LR)
Chi-Square statistic, dengan derajat bebas sebesar q, dimana q adalah jumlah variabel dalam model.
Namun pada program SPSS disamping LR dan Rsquare, juga mengeluarkan output Hosmer and
Lemeshow Test. Hosmer and Lemeshow Test bertujuan untuk mengetahui apakah data fit atau sesuai
dengan model. Jika signifikansi nilai Chi-square dari Hosmer and Lemeshow Test lebih besar atau
sama dengan 0,05 berarti bahwa data fit atau sesuai dengan model.

b. Menganalisis signifikansi estimasi parameter dan menginterpretasinya.

 CONTOH 11.2
Di bawah ini adalah data 24 Bank yang diambil secara random, diteliti mengenai tingkat kinerjanya dengan
kategori “bagus” dan “jelek” menurut skala usaha (BS) serta kinerja keuangannya (FP). Seperti Tabel di
contoh soal Regresi LPM

no Y BS FP No Y BS FP Diminta :
1 1 1 0,58 13 0 1 2,28 a. Buatlah persamaan regresi.
b. Buat laporan regresi secara lengkap.
2 1 1 2,80 14 0 0 1,06 c. Dari sampel yang diambil, jika
3 1 1 2,77 15 0 0 1,08 diketahui bahwa sampel tersebut
merupakan bank berskala besar, dan
4 1 1 3,50 16 0 0 0,07 kinerja keuangannya (FP) sebesar
5 1 1 2,67 17 0 0 0,16 0,58, prediksi apakah bank tersebut
tergolong berkinerja bagus ataukah
6 1 1 2,97 18 0 0 0,70 jelek ?
7 1 1 2,18 19 0 0 0,75
8 1 1 3,24 20 0 0 1,61 Keterangan:
Kinerja Bank: 1= bagus, 0= jelek
9 1 1 1,49 21 0 0 0,34
10 1 1 2,19 22 0 0 1,15 Skala Bank (BS): 1= besar, 0= kecil
11 1 0 2,70 23 0 0 0,44 FP= Kinerja keuangan
12 1 0 2,57 24 0 0 0,86
A. Persamaan regresi Contoh Soal
11.2
B. Hasil output spss contoh SOAL
11.2

• Dalam hal ini kita dapat ketahui nilai chi kuadrat

dalam pengambilan keputusannya:
• Bila nilai chikuadrat hitung> chi kuadrat tabel ada
pengaruh antara varibel bebas terhadap variabel
terikat. Jika chikuadrat tabel > chikuadrat hitung
tidak ada pengaruh
• Nilai sigfikansi>0,05 ada pengaruh apabila nila sig. <
0,05 tidak ada pengaruh
B. Hasil output spss contoh soal 11.2

Dapat di interpretasikan Nagelkerke R square sebesar 0,789

bermakna bahwa 78,9% variasi kinerja bank dipengaruhi oleh variasi
variabel skala bank (BS) dan kinerja keuangan (FP) sedangkan
sisanya 21,1% dipengaruhi variabel lain diluar model
B. Hasil output spss contoh soal 11.2
Dasar keputusan:
Jika nilai chi square pada hosmer > 0,05
maka model data fit.
Jika nilai chi square pada hosmer < 0,05
model data tidak fit
B. Hasil output spss contoh soal 11.2

 
Dari output ini kita dapat memuat
Persamaan:
in = -4,445+3,055 BS + 1,924 FP
Dapat diambil keputusan:
Nilai sig< 0,05 ada pengaruh dan nilai sig.> 0,05 tidak
ada pengaruh
 B. HASIL OUTPUT SPSS CONTOH
SOAL 11.2

Dari output ini juga dapat dihitung probabilitas koefisien regresi dengan cara
Exp(B)/(1+Exp(B))
Koefisien regresi bank berskala besar sebesar 3,055 maka probabilitasnya
berkinerja bagus 0,955, lebih besar dibandingkan probabilitas skala usaha
kecil. Dan untuk angka koefisien Exp (B) Sebesar 21,226 berarti bank berskala
usaha besar berpeluang berkinerja bagus 21,226 lebih besar dari bank
berskala kecil
B. Hasil output spss contoh soal 11.2

Hasil print out SPSS juga menampilkan output ini untuk

mengukur validitas / ketepatan model yang buat.
Jika dalam contoh soal 11.2 yaitu bahwa prediksi adalah
22 dari 24 pengamatan. Sehingga ketepatan mode yang
dibuat adalah 22/24 atau 91.7%
 c. Prediksi probabilitas Kinerja
bank
 
Pada contoh soal 11.2 diketahui: Bank berskala besar dan
FP sebesar 0,58 maka probabilitas kinerja banknya:
P^ =
P^ =
P^ = 0.432
Karena probabilitasnya sebesar 0,432<0,5 maka taksiran
kinerja bank adalah “jelek”
Latihan soal 11.1
Latihan soal 11.1
 Latihan soal 11.1

  Persamaannya :
in = -16,297+0,151X1+0,944X2+0,202X3
Probabilitas Pendapatan: 1,163/(1+1,163)= 0,538
Probabilitas anggota RT: 2,571/(1+2,571)=0,719
Probabilitas Pendidikan; 1,224/(1+1,224)=0,550
 Latihan soal 11.2

 A. a) Persamaan regresi   Secara serempak variable TPK ,SM, dan LDR
Hasil olahan data yang tertampil dapat disajikan berpengaruh nyata terhadap kinerja LPD.
dalam bentuk persamaan sbb: Hal ini dapat dilihat dari hasil perhitungan
= 30,110 yang lebih besar dibandingkan
in = -3906 + 1.736 TPK + 0.011SM + 0.028 LDR
dengan nilai table pada derajat bebas 2
Sb = (1,076) (0,534) (0.025) (0.014) pada level of significant 5 persen.
t = (3.623) (3,249) (0439) (2,024)
 Chi-square dari Hosmer and Lemeshow Test
Sig = (0,000) (0,001) (0,660) (0,043) tersebut lebih besar dari 0,05. Hal ini berarti
= 30,110 (Sig. 0,000) = 0,310 bahwa data fit atau sesuai dengan model.
 Latihan soal 11.2

 Dari  Probabilitas TPK;

hasil olahan data juga dapat dilihat
 P^ =
bahwa sebesar Sebesar 0,310 yang sama
P^ =
dengan koefisien determinasi pada model
P^ = 0.850
regresi biasa. Hal ini berarti bahwa 31
Pobabilitas SM:
persen variasi kinerja Bank dipengaruhi
 p^ =
oleh variasi variabel Tingkat Perputaran Kas
P^ =0,503
(TPK) , Efektivitas pengelolaan hutang
Probabilitas LDR:
(SM),Dan tingkat kredit yang disalurkan
 P^ =
(LDR) sedangkan sisanya 69 persen
dipengaruhi oleh variable lain di luar model.
P^ = 0,507
 LATIHAN SOAL 11.2

 
B. P^ =
P^ =
P^ = 0.513
Oleh karena taksiran probabilitas bank tersebut sebesar 0,513 yang
lebih besar dari 0,5, maka taksiran kinerja lpd yang dianalisis adalah
”BAGUS”.
 Latihan soal 11.3

 
a.
Laporan regresi
in = -16,264 + 0,840X1 + 0,230X2 + 4,735D + 0,052X3 + 0,005X4
 
sb = (2,795) (0,177) (0,056) (0,942) (0,022) (0,002)

sig = (0,000) (0,000) (0,000) (0,000). (0,019) (0,025)

x2 = 166,686 sig = (0,000) R2 = 0,821

 Latihan soal 11.3

Secara serempak variabel bebas pendidikan petani, pengalaman bertani, status pemilikan lahan, luas
lahan garapan, dan pendapatan keluarga berpengaruh nyata terhadap penerapan teknologi. Hal ini dapat
dilihat dari hasil perhitungan x 2 = 166,686 yang lebih besar dibandingkan dengan nilai tabel x 2 pada derajat
bebas 5 pada level of siginificant 5 persen.
Dari hasil olahan data dapat dilihat bahwa Nagelkerke R 2 sebesar 0,821. Hal ini berarti bahwa 82,1
persen variasi penerapan teknologi dipengaruhi oleh pendidikan petani, pengalaman bertani, status
pemilikan lahan, luas lahan garapan, dan pendapatan keluarga. Sedangkan sisanya 17,9 persen
dipengaruhi oleh variable lain di luar model
Hasil olahan data juga dapat dilihat bahwa variable bebas pendidikan petani, pengalaman bertani,
status pemilikan lahan, luas lahan garapan, dan pendapatan keluarga berpengaruh nyata terhadap
penerapan teknologi pada level of significant 5 persen.
 Latihan soal 11.3

Probabilitas Pendidikan Petani

P^ = 1/ (1+e-(0,840)) Probabilitas luas lahan garapan
= 1 / (1 + 0,432) P^ = 1/ (1+e-(0,052))
= 0,698 = 1 / (1 + 0,949)
Probabilitas pengalaman bertani = 0,513
P^ = 1/ (1+e-(0,230))
= 1 / (1 + 0,794)
= 0,557 Probabilitas pendapatan keluarga
Probabilitas status pemilikan lahan P^ = 1/ (1+e-(0,005))
P^ = 1/ (1+e-(4,735)) = 1 / (1 + 0,995)
= 1 / (1 + 0,008) = 0,501
= 0,992
 Latihan soal 11.3

b. prediksi probabilitas penerapan teknologi

P^ = 1/ (1+e-(-16,264 + 0,840(12) + 0,230(4) + 4,735 (1) + 0,052 (40) + 0,005 (500)))
= 1 / (1 + 0,017)
= 1 / 1,017
= 0,983
 
oleh karena taksiran probabilitas penerapan teknologi tersebut 0,983 yang lebih besar dari 0,5 maka
taksiran penerapan teknologi yang dianalisis adalah berimbang.
ANY QUESTION ???
THANK
S!

CREDITS: This presentation template was created by

Slidesgo, including icons by Flaticon, infographics &
images by Freepik.

Please keep this slide for attribution.