Feed

Regresi Logistik

Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika variabel dependen (respon) merupakan variabel dikotomi. Variabel dikotomi biasanya hanya terdiri atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau 1.

Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan antara variabel independen dan dependen secara linier. Regresi logistik merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola kurva seperti gambar di bawah ini.

Model yang digunakan pada regresi logistik adalah:

Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel independen, dan b adalah koefisien regresi.

Regresi logistik akan membentuk variabel prediktor/respon (log (p/(1-p)) yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.

Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar 1 unit.

Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini:

Jika kita ingin mengetahui pembelian kosmetik merk tertentu oleh beberapa orang wanita dengan beberapa variabel penjelas antara lain adalah umur, tingkat pendapatan (low, medium, high), dan status (M – menikah; S untuk single). Pada data tersebut, pembelian merupakan variabel prediktor yang dijelaskan dengan angka 1 sebagai membeli dan 0 sebagai tidak membeli.

1. Dengan SPSS 17.0 data yang diinput dapat berupa:


2. Setelah data diinput, pilih Analyze – Regression – Binary logistic seperti berikut:

3. Setelah muncul kotak dialog logistic regression, masukkan variabel dependen purchase ke kolom dependent, dan ketiga variabel independen ke dalam kolom covariates, lalu pilih button categorical untuk memasukkan variabel kategorik yaitu pendapatan dan statusklik continue:


 

4. Setelah itu pilih option, checklist classification plot dan Hosmer-lemeshow goodness of fit, kemudian continue:

 5. Kemudian pada method pilih enter, kemudian klik OK:


6. Output yang didapatkan adalah sebagai berikut:


Output Case Processing Summary menghilangkan variabel yang tidak diperhitungkan dalam model.


Output classification table diatas menjelaskan bahwa persentase variabel yang diprediksi sebesar 88,9 persen adalah baik, dan dari perbandingan antara kedua nilai mengindikasikan tidak terdapatnya masalah homoskedastisitas (asumsi model logit).

Pada output variables in equation signifikansi adalah 0,05 artinya model tidak signifikan dan dengan demikian terima H0.


Pada output omnibus test menyatakan bahwa hasil uji chi-square goodness of fit lebih kecil dari 0,05, ini mengindikasikan bahwa model adalah signifikan.

Hasil output pada Cox-Snell R2 dan Nagelkerke R memiliki analogi sama dengan nilai R-square pada regresi linier, menyakatan bahwa sebanyak 50,2 persen keragaman dapat dijelaskan oleh model, sedangkan sisanya diluar model.

Hasil pada output Hosmer and Lemeshow Goodness-of-Fit Test mengindikasikan bahwa kita dapat menerima H0 karena lebih dari 0,05 (1 > 0,05).




output variables in the equation menunjukkan nilai signifikansi berdasarkan Wald Statistic, jika model signifikan, maka nilai sig. adalah kurang dari 0,05.

Kolom Exp(B) menunjukkan nilai odds ratio yang dihasilkan. Nilai odds ratio yang hanya mendekati 1,0 mengindikasikan bahwa variabel independen tidak mempengaruhi variabel dependen.


Output classplot diatas menunjukkan prediksi pada regresi logistik. Sumbu X menujukkan probabilitas yang diprediksi, sedangkan sumbu Y menunjukkan jumlah kasus yang diamati.

referensi lain dengan menggunakan minitab:
Firdaus. M, Farid. M.A. 2008. Aplikasi Metode Kuantitatif Terpilih Untuk Manajemen dan Bisnis. IPB Press: Bogor.

4 Response to Regresi Logistik

November 19, 2010 at 8:23 PM

terima kasih atas pencerahnnya.
mohon izin sadur ya pa...
semoga membawa berkah

May 2, 2012 at 6:51 PM

maap pak, saya mau tanya
skripsi saya tentang yang 'mempengaruhi PERATAAN LABA'
regresi logistik digunakan ketika variabel dependennya dummy (0 dan 1)
ketika variabel dependen sudah dikategorikan sebagai salah satu nya (misal 0 untuk bukan perata laba), maka apakah masih bisa menggunakan regresi logistik? sudah jelas dia bukan perata laba (0) berarti otomatis tidak perlu diteliti lagi, kenapa masih dimasukkan?
berarti kira2 bagaimana itu pak? mohon pencerahannya. terima kasih

June 19, 2012 at 8:41 AM

pak saya ingin bertanya, saya sedang menulis skripsi mengenai pengaruh rasio keuangan dan kualitas audit terhadap pemberian opini audit going concern (1/0).

saya bingung regresi apa yang seharusnya digunakan untuk menguji penelitian ini.

beberapa menggunakan regresi berganda sedang sebagian laininya menggunakan regresi logistik. mohon penjelasannya pak.

terima kasih sebelumnya.

June 17, 2013 at 7:34 AM

apa makna dan arti Model of Term Removed ?

Post a Comment

Copyright © 2009 Statistik 4 Life - βeta All rights reserved.