P. 1
Regresi

Regresi

|Views: 286|Likes:
Published by Ian Cronbach

More info:

Published by: Ian Cronbach on May 13, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

12/16/2014

pdf

text

original

1

Regresi Non Linear (Non-Linear Regression)
A. Konsep Dasar :
Secara umum, regresi adalah suatu metode untuk meramalkan nilai harapan yang
bersyarat. Regresi dikatakan linear apabila hubungan antara variabel independen dan
variabel dependennya adalah linear. Hubungan antara variabel independen dan variable
dependen dapat dikatakan linear apabila diagram pencar data dari peubah-peubah tersebut
mendekati pola garis lurus. Fungsi linear selain mudah interpretasinya, juga dapat
digunakan sebagai hampiran (approximation) atas hubungan yang bukan non-linear.
Bentuk dari regresi linear adalah:
Y =βo +β1X1 +β2X2 +....+ε (2.1)
Apabila hubungan antara variabel independent dan variabel dependen tidak
linear, maka regresi dikatakan regresi non-linear. Bentuk dari hubungan regresi non-
linear adalah:
Yi= f (Xi ,γ )+ε (2.2)
dengan γ adalah fungsi respon non-linear dari parameternya.
Error pada regresi non-linear diasumsikan untuk mempunyai nilai harapan
sebesar nol, ragam yang konstan dan tidak dikorelasikan, sama seperti asumsi error pada
model regresi linear (Neter, J., Kutner, M.H., Nachtsheim, C.J.,Wasserman,W., 1996)

Konsep Dasar :

1. Analisis regresi dapat digunakan untuk berbagai model persamaan matematis,
misalnya : fungsi logarimic, fungsi polinomial, fungsi power, exsponensial, dll
2. Analisis yang sering digunakan adalah bentuk logaritmic baik yang biasa (Log X),
maupun logaritma natural (Ln X = 2,718Log X)
3. Koefisien yang diperoleh dari analisis regresi logaritma/ fungsi pangkat akan
langsung menunjukkan elatisitasnya
4. Analisis ini harus mendasarkan pada teori atau pengembangannya yang relevan
dengan obyek penelitian
Beberapa pengujian yang biasanya digunakan untuk mendeteksi Ke-nonlinearan
antara lain:


2
a. Uji Deteksi Non-linear dengan Uji Ramsey’s RESET, Uji White dan Uji
Terasvirta
Uji Ramsey’s RESET, Uji White dan Uji Terasvirta untuk mendeteksi
apakah suatu model mengikuti pola linear atau non-linear tersedia dalam
software R. Statistik uji Ramsey’s RESET adalah (Lihat pembahasan lengkap di
Gujarati, 1996).
F =
(R
new
2
÷ R
old
2
) / p
(1÷ R
new
2
) / (n ÷ k)


dengan p jumlah variabel independen baru, k jumlah parameter pada model baru,
n jumlah data. Kesimpulanya Ho ditolak bila F > F(o,p,n-k)
Uji White adalah uji deteksi non-linearitas yang dikembangkan dari model
neural network yang ditemukan oleh White (1989). Uji white menggunakan
statistik
2
_ dan F. Prosedur yang digunakan untuk
2
_ adalah :
- Meregresikan y
t
pada 1, x
1
, x
2
, …, x
p
dan menghitung nilai-nilai residual u
t
.
- Meregresikan
t
uˆ pada 1, x
1
, x
2
, …, x
p
dan m prediktor tambahan dan
kemudian hitung koefisien determinasi dari regresi R
2
. Dalam uji ini, m
prediktor tambahan ini adalah nilai-nilai dari hasil dari ) (
'
t j
w ¸ ¢ hasil dari
suatu transformasi komponen utama.
- Hitung
2
_ =nR
2
, dimana n adalah jumlah pengamatan yang digunakan.
Dengan hipotesis linearitas,
2
_ mendekati distribusi
2
) (m
_ atau tolak Ho
jika P-value < α.
Uji Terasvirta adalah uji deteksi non-linearitas yang juga
dikembangkan dari model neural network dan termasuk dalam kelompok uji tipe
Lagrange Multiplier (LM) yang dikembangkan dengan ekspansi Taylor
(Terasvirta, 1993). Pengambilan kesimpulan ketiga uji tersebut dapat dilihat
melalui nilai P-value, yaitu tolak Ho jika kurang dari o .

b. Model Regresi Non-linear Parametrik
Berdasarkan kelinearan antar parameter pada model regresi, maka suatu
model regresi dapat diklasifikasikan menjadi dua macam yaitu model linear dan
non-linear. Model regresi dikatakan linear jika dapat dinyatakan dalam model :
(1)


3
c | | | | | + + + + + + =
k k
x x x x y ...
3 3 2 2 1 1 0
(2)
Apabila model tidak dapat dinyatakan dalam model tersebut maka model
yang diperoleh adalah model non-linear. Secara umum model regresi non-linear
parametrik dengan

sebagai variabel respon pada replikasi sebanyak

dan
setiap nilai

merupakan variabel independen.dapat dinyatakan dalam
persamaan (Ripley, 2002) :
ij i ij
x f Y c u + = ) , (

(3)
dengan f adalah fungsi regresi dengan parameter u yang harus diduga dan
ij
c adalah galat dengan sifat N(0,α). Salah satu metode pendugaan parameter
dalam sistem non-linear adalah jalan tengah Marquardt (Marquadt’s
compromise). Metode Marquardt merupakan kompromi atau jalan tengah antara
metode linearisasi atau deret Taylor dengan metode steepest descent (Draper &
Smith, 1996).
c. Model Nelson Siegel (N-S) dan Nelson Siegel Svensson (N-S-S)
Tahun 1987, Nelson dan Siegel menunjukkan yield curve dari model
yang terletak pada bentuk range yang sama. Model N-S dan N-S-S merupakan
pendekatan untuk mendapatkan model yield curve. Model N-S dinyatakan dalam
persamaan sebagai berikut
( )
(
¸
(

¸

|
.
|

\
|
÷
|
.
|

\
|
+
|
.
|

\
|
÷ + =
t t
|
t
| | ¸
m m m
m exp exp exp ˆ
2 1 0
(4)
dengan ( ) m ¸

adalah nilai yield to maturity (YTM yang )merupakan yield
dengan pendekatan forward rate pada maturitas m atau time to maturity (TTM).
Sedangkan parameter t merupaka konstanta waktu dari belokan kurva dan
parameter
0
| menunjukkan nilai asimtotik atau konstanta, serta
1
| dan
2
|
merupakan parameter yang menunjukkan arah lengkungan dari kurva.
Sedangkan model N-S-S berikut merupakan pengembangan dari model
N-S dengan penambahan parameter
3
| dan
3
t yang digunakan untuk menambah
fleksibilitas kurva (Amoako et al, 2005).
( )
(
¸
(

¸

|
|
.
|

\
|
÷
|
|
.
|

\
|
+
(
¸
(

¸

|
|
.
|

\
|
÷
|
|
.
|

\
|
+
|
|
.
|

\
|
÷ + =
2 2
3
1 1
2
1
1 0
exp exp exp exp ˆ
t t
|
t t
|
t
| | ¸
m m m m m
m (5)



4
B. Aplikasi Model Non-Linear
1. Analisis Pengaruh Loyalitas Karyawan dan Jaringan Usaha (network) terhadap
keberhasilan Usaha









Keterangan :
LN -Tingkat Loyalitas Karyawan (LNTLOKAR)
LN - Jaringan Usaha (LNNETWORK)
LN - Tingkat Keberhasilan Usaha (LNTKU)
Dimana : LN = logaritma natural

Output SPSS :

Model Summary
,857
a
,734 ,726 ,07177
Model
1
R R Square
Adj usted
R Square
Std. Error of
the Esti mate
Predi ctors: (Constant), LNNETWORK, LNLOKAR
a.
ANOVA
b
,882 2 ,441 85,637 ,000
a
,319 62 ,005
1,202 64
Regressi on
Resi dual
Total
Model
1
Sum of
Squares df Mean Square F Si g.
Predi ctors: (Constant), LNNETWORK, LNLOKAR a.
Dependent Vari abl e: LNTKU b.
Coefficients
a
-1,647 ,478 -3,447 ,001
,558 ,091 ,476 6,148 ,000
,816 ,125 ,503 6,502 ,000
(Constant)
LNLOKAR
LNNETWORK
Model
1
B Std. Error
Unstandardi zed
Coeffi ci ents
Beta
Standardi zed
Coeffi ci ents
t Si g.
Dependent Vari abl e: LNTKU a.


5
Penyajian Output Analisis
Persamaan :
LNTKU = -1,647+ 0,558*LNLAKOR + 0,816*LNNETWORK
(0,478) (0,091) (0,125)
-3,447 6,148 6,502
R2 = 0,734
F
hit
= 85,637
df = 64

Transformasi ke fungsi pangkat :
TKU = e
-1,647
LAKOR
0,558
NETWORK
0,816

Koefisien fungsi pangkat sama dengan elastisitas faktornya.
Interpretasi :
1. Model nyata secara statistik (Uji-F) pada alpha 5%
2. Kemampuan variabel yang digunakan dalam menjelaskan perubahan PDB adalah
73,4% dan sisanya dipengaruhi variabel di luar model (Koefisien determinasi)
3. Semua variabel signifikan secara statistik pada alpha 5%
4. Pengaruh network adala paling besar untuk menentukan keberhasila usaha yaitu
setiap kenaikan 1 % network usaha akan meningkatkan tingkat keberhasilan usaha
0,816 %












6
Regresi Logistik (Logistic Regression)
A. Konsep Dasar
Regresi logistik adalah salah satu bentuk regresi non-linear yang mempunyai
variabel dependen yang diskrit dan mempunyai sebaran binomial, sedangkan variable
independennya dapat terdiri dari variabel yang continu, diskrit, dikotomus, ataupun
gabungannya.
Regresi logistik dapat dibedakan menjadi 2, yaitu: Binary Logistic Regression
(Regresi Logistik Biner) dan Multinomial Logistic Regression (Regresi Logistik
Multinomial). Regresi Logistik biner digunakan ketika hanya ada 2 kemungkinan variabel
respon (Y), misal membeli dan tidak membeli. Sedangkan Regresi Logistik Multinomial
digunakan ketika pada variabel respon (Y) terdapat lebih dari 2 kategorisasi.
Model Regresi Logistik didasarkan pada teorema Bayes dalam penggunaan
peluang posterior yang berhubungan dengan peluang gabungan bersyarat dan peluang
awal. Jika i = 1, 2, maka menurut teorema Bayes, peluang menjadi anggota suatu
kelompok, katakana GI pada saat x diketahui, adalah :
P(G
1
|x) =
()|

)(

)
()|

)(

)()|

)(

)
........................ (1)
P(G
1
|x) merupakan peluang posterior, P(x|G
i
) merupakan peluang gabungan bersyarat,
dan P(G
i
) merupakan peluang awal keanggotaan kelompok.
Setelah dilakukan manipulasi terhadap persamaan (1) diatas, persamaan (menjadi
persamaan (2) :
P(G
1
|x) =
()|

)(

)

()|

)(

)
()|

)(

)

........................ (2)
Pada kasus ini, ()|

) dan ()|

) diasumsikan menyebar normal dengan nilai
tengah (mean) berturut-turut

dan

, serta matrikx kovarians ∑, maka perasamaan (2)
dapat dapat ditulis menjadi :
P(G
2
|x) =

(

)
........................ (3)
Persamaan (3) dinamakan fungsi Logistik multivariate (multivariate logistic function).


7
Fungsi logistic mempresentasikan kurva bentuk S yang berimplikasi selalu
terjadi pada nilai ½. Perubahan pada nilai β
o
akan menggeser garis fungsi sedangkan
perubahan pada vektor β akan mempengaruhi bentuk fungsi/kurva.
Untuk menyederhanakan perhitungan maka fungsi peluang di atas dikonversikan
ke dalam fungsi logit, dengan memberikan logaritma natural (ln) pada hasil persamaan
(3) maka P(G
1
|x) adalah P, serta P(G
2
|x) adalah 1-p, diperoleh regresi logistic berganda
(multiple logistic regression) sebagai berikut :
ln (

) = β
o
+ β
1
X
1
+ β
2
X
2
+ ……+ β
k
X
k
+ ε
i
…………………(4)
B. Aplikasi Model Regresi Logistik
Model Regresi Logistik digunakan untuk memprediksi masuk/lulus tidaknya
siswa SMA ke Perguruan Tinggi. Untuk melihat apakah nilai UN murni dan nilai
Ijazah/STTB merupakan indikator terhadap peluang masuk ke Perguruan Tinggi Negeri
di Indonesia, telah diambil sebanyak 32 orang lulusan SMA di Kota Ambon. Respons
(peubah tidak bebas = Y) pada persoalan ini adalah kelulusan mereka di perguruan tinggi
negeri. Sedangkan peubah bebasnya adalah Nilai UN murni dan nilai Ijazah/STTB
mereka.
Hasil pengolahan data menunjukkan bahwa kedua peubah Nilai UN murni dan
Ijazah/STTB terlihat mempengaruhi secara nyata terhadap kelulusan mereka di Perguruan
Tinggi Negeri. Kedua peubah harus dilibatkan secara bersama dalam memprediksi
kelulusan masuk ke PT Negeri. Oleh sebab itu peubah Nilai UN dan Nilai Ijazah/STTB
dapat dijadikan indikator untuk kelulusan ke PT Negeri di Indonesia. Persamaan regresi
yang dihasilkan adalah :
ln (

) = -27,8705 + 0,3170 UN + 0,1880 STTB ……………….… (5)
atau
ln (

) = e
-27,8705
+ e
0,3170 UN
+ e
0,1880 STTB
……………………… (6)
Sehingga p =

( )
…………(7)


8
Dari persamaan regresi (persamaan 5) tersebut dapat diduga bahwa kemungkinan
lulus tidak di ujian masuk ke PT negeri berhubungan secara positif dengan nilai UN dan
nilai Ijazah/STTB. Persamaan regresi (5) di atas member arti bahwa jika Nilai UN
konstan, maka kenaikan nilai satu pada Ijazah/STTB akan meningkatkan ln (log natural)
dari perbandingan peluang antara lulus (p) dan tidaknya (1-p) (ke perguruan tinggi negeri)
sebesar 0,1880. Begitu juga sebaliknya, apabila nilai Ijazah/STTB konstan, maka
kenaikan nilai satu pada UN akan meningkatkan ln dari perbandingan peluang antara
lulus dan tidaknya sebesar 0,3170.
Interpretasi hasil juga dapat dianalisis dari persamaan (6) juga persamaan (7),
namun interpretasi hasil lebih nyata dapat dihitung dari persamaan (7). Dari
persamaan (7) tersebut, dapat dihitung nilai peluang seorang pelajar SMA berdasarkan
Nilai UN murni dan nilai Ijazah/STTB tertentu. Jika nilai peluang yang didapat lebih
kecil atau sama dengan ½, maka pelajar tersebut diperkirakan tidak akan lulus ke PT
negeri. Jika nilai peluang yang didapat lebih besar dari ½, maka pelajar tersebut
diperkirakan akan lulus ke PT negeri. Pada pengolahan di atas juga menunjukkan 93,75%
data tepat menurut kelompoknya.
Penggunaan metode regresi logistik pada kasus di atas cukup tepat. Metode
regresi logistic tidak mensyaratkan asumsi tentang distribusi peubah bebas. Skala
pengukuran pada peubah bebas biasanya rasio atau interval. Skala pengukuran tersebut
termasuk dalam kelompok data yang kontinu. Namun bias juga dari kelompok data yang
diskrit (kategoris). Sedangkan skala pengukuran pada peubah tidak bebasnya adalah
nominal-dikotomi/kualitatif (0-1).

Kesimpulanya Ho ditolak bila F > F(. maka suatu model regresi dapat diklasifikasikan menjadi dua macam yaitu model linear dan non-linear. 2 Dengan hipotesis linearitas. n jumlah data. b. Uji Terasvirta adalah uji deteksi non-linearitas yang juga dikembangkan dari model neural network dan termasuk dalam kelompok uji tipe Lagrange Multiplier (LM) yang dikembangkan dengan ekspansi Taylor (Terasvirta. Dalam uji ini. m prediktor tambahan ini adalah nilai-nilai dari hasil dari  ( j wt ) hasil dari ' suatu transformasi komponen utama. xp dan menghitung nilai-nilai residual ut .  2 Hitung  =nR2. yaitu tolak Ho jika kurang dari  . Uji White dan Uji Terasvirta untuk mendeteksi apakah suatu model mengikuti pola linear atau non-linear tersedia dalam software R. x1. Uji Deteksi Non-linear dengan Uji Ramsey’s RESET. ….a.  mendekati distribusi 2  (m ) atau tolak Ho jika P-value < α. k jumlah parameter pada model baru. ˆ Meregresikan u t pada 1. Pengambilan kesimpulan ketiga uji tersebut dapat dilihat melalui nilai P-value. Uji white menggunakan 2 2 statistik  dan F. 1996). x2. 1993).p. F 2 2 (Rnew  Rold ) / p 2 (1  Rnew ) / (n  k) (1) dengan p jumlah variabel independen baru. x2. x1. xp dan m prediktor tambahan dan kemudian hitung koefisien determinasi dari regresi R2. Prosedur yang digunakan untuk  adalah :   Meregresikan yt pada 1. Model regresi dikatakan linear jika dapat dinyatakan dalam model : 2 .n-k) Uji White adalah uji deteksi non-linearitas yang dikembangkan dari model neural network yang ditemukan oleh White (1989). Model Regresi Non-linear Parametrik Berdasarkan kelinearan antar parameter pada model regresi. …. Statistik uji Ramsey’s RESET adalah (Lihat pembahasan lengkap di Gujarati. Uji White dan Terasvirta Uji Uji Ramsey’s RESET. dimana n adalah jumlah pengamatan yang digunakan.

Salah satu metode pendugaan parameter dalam sistem non-linear adalah jalan tengah Marquardt (Marquadt’s compromise). serta  1 dan  2 merupakan parameter yang menunjukkan arah lengkungan dari kurva.α). Sedangkan parameter  merupaka konstanta waktu dari belokan kurva dan parameter  0 menunjukkan nilai asimtotik atau konstanta. Sedangkan model N-S-S berikut merupakan pengembangan dari model N-S dengan penambahan parameter  3 dan  3 yang digunakan untuk menambah fleksibilitas kurva (Amoako et al.. Model N-S dinyatakan dalam persamaan sebagai berikut ˆm   0  1 exp   m   m   m    2 exp  exp            (4)  dengan  m adalah nilai yield to maturity (YTM yang )merupakan yield dengan pendekatan forward rate pada maturitas m atau time to maturity (TTM). ˆ m    0  1 exp    m   m   m  m   m     2 exp  exp     3   exp   (5)             1   1   2   1   2  3 .dapat dinyatakan dalam persamaan (Ripley. 2002) : Yij  f ( xi . Model Nelson Siegel (N-S) dan Nelson Siegel Svensson (N-S-S) Tahun 1987. Metode Marquardt merupakan kompromi atau jalan tengah antara metode linearisasi atau deret Taylor dengan metode steepest descent (Draper & Smith.. 1996).y   0  1 x1  2 x2   3 x3  . Model N-S dan N-S-S merupakan pendekatan untuk mendapatkan model yield curve. Secara umum model regresi non-linear parametrik dengan setiap nilai sebagai variabel respon pada replikasi sebanyak dan merupakan variabel independen. c. Nelson dan Siegel menunjukkan yield curve dari model yang terletak pada bentuk range yang sama.   k xk   (2) Apabila model tidak dapat dinyatakan dalam model tersebut maka model yang diperoleh adalah model non-linear. 2005).  )   ij dengan f adalah fungsi regresi dengan parameter (3)  yang harus diduga dan  ij adalah galat dengan sifat N(0.

07177 a.647 . LNNETWORK.000 a Regression Residual Total a.558 . Predictors: (Constant).148 6. Predictors: (Constant). Dependent Variable: LNTKU 4 .478 .447 6.503 Model 1 (Constant) LNLOKAR LNNETWORK t -3.882 . Error -1.202 df 2 62 64 Mean Square . LNLOKAR b.B. Dependent Variable: LNTKU Coefficientsa Unstandardized Coefficients B Std.125 Standardized Coefficients Beta .005 F 85. .441 .857 a .001 .637 Sig.816 . Error of the Estimate .726 Std.502 Sig. LNLOKAR ANOVAb Model 1 Sum of Squares .Tingkat Keberhasilan Usaha (LNTKU) Dimana : LN = logaritma natural Output SPSS : Model Summary Model 1 R R Square .734 Adjusted R Square . LNNETWORK.476 .319 1.000 a. . Analisis Pengaruh Loyalitas Karyawan dan Jaringan Usaha (network) terhadap keberhasilan Usaha Keterangan : LN -Tingkat Loyalitas Karyawan (LNTLOKAR) LN .091 .000 . Aplikasi Model Non-Linear 1.Jaringan Usaha (LNNETWORK) LN .

558*LNLAKOR + 0.647+ 0.Penyajian Output Analisis Persamaan : LNTKU = -1.816 Koefisien fungsi pangkat sama dengan elastisitas faktornya.091) -3.502 Transformasi ke fungsi pangkat : TKU = e-1.447 R2 = 0.816 % 5 .734 Fhit = 85. Kemampuan variabel yang digunakan dalam menjelaskan perubahan PDB adalah 73.647 LAKOR0.4% dan sisanya dipengaruhi variabel di luar model (Koefisien determinasi) 3. Pengaruh network adala paling besar untuk menentukan keberhasila usaha yaitu setiap kenaikan 1 % network usaha akan meningkatkan tingkat keberhasilan usaha 0.125) 6.558 NETWORK0.637 df = 64 6.478) (0.816*LNNETWORK (0. Interpretasi : 1.148 (0. Model nyata secara statistik (Uji-F) pada alpha 5% 2. Semua variabel signifikan secara statistik pada alpha 5% 4.

....... misal membeli dan tidak membeli.... dan P(Gi) merupakan peluang awal keanggotaan kelompok.. Setelah dilakukan manipulasi terhadap persamaan (1) diatas.... maka perasamaan (2) tengah (mean) berturut-turut dapat dapat ditulis menjadi : P(G2|x) = ( ) .. dikotomus. 2.... (1) P(G1|x) merupakan peluang posterior.... peluang menjadi anggota suatu kelompok... katakana GI pada saat x diketahui. Sedangkan Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y) terdapat lebih dari 2 kategorisasi..... maka menurut teorema Bayes. persamaan (menjadi persamaan (2) : P(G1|x) = ( )| ( )| ( )| ) ( ) ( ) ( ) ) ) .. diskrit. ataupun gabungannya.. P(x|Gi) merupakan peluang gabungan bersyarat... Regresi logistik dapat dibedakan menjadi 2....... Regresi Logistik biner digunakan ketika hanya ada 2 kemungkinan variabel respon (Y)..... yaitu: Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial Logistic Regression (Regresi Logistik Multinomial).. Model Regresi Logistik didasarkan pada teorema Bayes dalam penggunaan peluang posterior yang berhubungan dengan peluang gabungan bersyarat dan peluang awal...... Konsep Dasar Regresi logistik adalah salah satu bentuk regresi non-linear yang mempunyai variabel dependen yang diskrit dan mempunyai sebaran binomial... (3) Persamaan (3) dinamakan fungsi Logistik multivariate (multivariate logistic function)....... 6 . sedangkan variable independennya dapat terdiri dari variabel yang continu...... ( )| ) dan ( )| dan ) diasumsikan menyebar normal dengan nilai ..... Jika i = 1.Regresi Logistik (Logistic Regression) A. (2) Pada kasus ini.. serta matrikx kovarians ∑... adalah : P(G1|x) = ( )| ( )| ) ( ) ( ) ) ( )| ) ( ) ...

serta P(G2|x) adalah 1-p. Hasil pengolahan data menunjukkan bahwa kedua peubah Nilai UN murni dan Ijazah/STTB terlihat mempengaruhi secara nyata terhadap kelulusan mereka di Perguruan Tinggi Negeri. Sedangkan peubah bebasnya adalah Nilai UN murni dan nilai Ijazah/STTB mereka.3170 UN + e0. dengan memberikan logaritma natural (ln) pada hasil persamaan (3) maka P(G1|x) adalah P. Persamaan regresi yang dihasilkan adalah : ln ( atau ln ( ) = -27.8705 + e0.1880 STTB ……………………… (6) Sehingga p = ( ) …………(7) 7 . telah diambil sebanyak 32 orang lulusan SMA di Kota Ambon.… (5) ) = e-27. Untuk menyederhanakan perhitungan maka fungsi peluang di atas dikonversikan ke dalam fungsi logit.3170 UN + 0. Oleh sebab itu peubah Nilai UN dan Nilai Ijazah/STTB dapat dijadikan indikator untuk kelulusan ke PT Negeri di Indonesia. Perubahan pada nilai βo akan menggeser garis fungsi sedangkan perubahan pada vektor β akan mempengaruhi bentuk fungsi/kurva. Aplikasi Model Regresi Logistik Model Regresi Logistik digunakan untuk memprediksi masuk/lulus tidaknya siswa SMA ke Perguruan Tinggi.Fungsi logistic mempresentasikan kurva bentuk S yang berimplikasi selalu terjadi pada nilai ½. Respons (peubah tidak bebas = Y) pada persoalan ini adalah kelulusan mereka di perguruan tinggi negeri. Untuk melihat apakah nilai UN murni dan nilai Ijazah/STTB merupakan indikator terhadap peluang masuk ke Perguruan Tinggi Negeri di Indonesia.8705 + 0.1880 STTB ………………. diperoleh regresi logistic berganda (multiple logistic regression) sebagai berikut : ln ( ) = βo + β1X1 + β2X2 + ……+ βkXk + εi …………………(4) B. Kedua peubah harus dilibatkan secara bersama dalam memprediksi kelulusan masuk ke PT Negeri.

Dari persamaan (7) tersebut. Interpretasi hasil juga dapat dianalisis dari persamaan (6) juga persamaan (7). Jika nilai peluang yang didapat lebih kecil atau sama dengan ½. Pada pengolahan di atas juga menunjukkan 93. 8 . maka kenaikan nilai satu pada UN akan meningkatkan ln dari perbandingan peluang antara lulus dan tidaknya sebesar 0.1880. namun interpretasi hasil lebih nyata dapat dihitung dari persamaan (7). apabila nilai Ijazah/STTB konstan.75% data tepat menurut kelompoknya. Persamaan regresi (5) di atas member arti bahwa jika Nilai UN konstan. Namun bias juga dari kelompok data yang diskrit (kategoris). maka kenaikan nilai satu pada Ijazah/STTB akan meningkatkan ln (log natural) dari perbandingan peluang antara lulus (p) dan tidaknya (1-p) (ke perguruan tinggi negeri) sebesar 0. maka pelajar tersebut diperkirakan tidak akan lulus ke PT negeri. Skala pengukuran tersebut termasuk dalam kelompok data yang kontinu. Penggunaan metode regresi logistik pada kasus di atas cukup tepat.3170. Metode regresi logistic tidak mensyaratkan asumsi tentang distribusi peubah bebas. Sedangkan skala pengukuran pada peubah tidak bebasnya adalah nominal-dikotomi/kualitatif (0-1). Skala pengukuran pada peubah bebas biasanya rasio atau interval. dapat dihitung nilai peluang seorang pelajar SMA berdasarkan Nilai UN murni dan nilai Ijazah/STTB tertentu.Dari persamaan regresi (persamaan 5) tersebut dapat diduga bahwa kemungkinan lulus tidak di ujian masuk ke PT negeri berhubungan secara positif dengan nilai UN dan nilai Ijazah/STTB. maka pelajar tersebut diperkirakan akan lulus ke PT negeri. Begitu juga sebaliknya. Jika nilai peluang yang didapat lebih besar dari ½.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->