Professional Documents
Culture Documents
Langkah pertam yang harus kita lakukan adalah. Ubah permodelan data di atas supaya
bisa masuk ke dalam Minitab. Worksheet lauout dalam minitab seperti berikut :
Keterangan Tabel :
status = 1 sehat
status = 0 tidak sehat
Langkah analisis dimulai dengan memilih menu Stat Regression Binary Logistic
Regression
Masukkan data peubah respon yaitu status ke Response, lalu masukkan data dalam
kolom frekuensi ke dalam kolom frequency. Setelah itu pada model masukkan peubah
penjelas, dalam kasus ini adalah tingkat pendapatan.
Output di atas ini sesungguhnya merupakan output untuk uji Wald (uji parsial) yang
digunakan untuk menguji manakah dari perubah penjelas yang berpengaruh terhadap
peubah respon. Hipotesis yang diuji adalah sebagai berikut:
Kesimpulan : p-value (0.00) < alpha (0.05) maka tolak H0 yang artinya cukup bukti
untuk menyatakan bahwa jumlah pendapatan berpengaruh nyata terhadap status
kesehatan pada taraf nyata 5%. Selain uji Wald output di atas menunjukkan koefisien
regresi logistik. Sehingga persamaan regresi logistiknya adalah:
Kesimpulan : Pada output di atas terlihat p-value (0.000) < alpha (0.05) berarti tolak H0.
Hal ini berarti bahwa minimal ada 1 peubah penjelas yang berpengaruh nyata terhadap
status kesehatan pada taraf nyata 5%.
Goodness-of-Fit Tests
Method Chi-Square DF P
Pearson 2.34682 8 0.968
Deviance 2.35415 8 0.968
Hosmer-Lemeshow 2.31913 6 0.888
Pengujian model logit dilakukan dengan melihat nilai statistic Goodness of fit. Metode
yang sering digunakan untuk Goodness of fit data kategori adalah Pearson, Deviance
dan Hosmer-Lemeshow. Hipotesis yang diuji adalah:
H0 : model layak
H1 : model tidak layak
Tolak H0 jika p-value < alpha (0,05)
Kesimpulan : Dari ketiga metode yang digunakan, terlihat bahwa semua p-value nya
bernilai > 0,05 sehingga terima H0 jadi dapat disimpulkan bahwa model layak.
Pada bagian terakhir outputnya menjelaskan tentang keragaman peubah Y yang dapat
dijelaskan oleh peubah penjelas. Untuk melihat sejauh mana keragaman peubah Y yang
dapat dijelaskan oleh peubah-peubah penjelas, digunakan persen keragaman
concordant. Pada kasus ini terlihat nilai percent untuk concordant 64,7%. Hal ini berarti
bahwa keragaman peubah respon (status kesehatan) dapat dijelaskan oleh peubah-
peubah penjelas dalam model sebesar 64,7% sedangkan sisanya dijelaskan oleh factor
lain di luar model. Untuk mengetahui nilai odd ratio pada setiap kategori dapat dilakukam
dengan memasukkan peubah penjelas (tingkat pendapatan) ke factors
(optional) OK.
Setelah klik pada tombol sesuai gambar di atas, maka outputnya seharusnya akan
nampak seperti ini :
Interpretasinya :
Hasil output menunjukkan bahwa peluang penduduk dengan tingkat pendapatan 8
juta/tahun memiliki status sehat lebih besar 1,26 kali dari penduduk dengan tingkat
pendapatan 6 juta/tahun, dan seterusnya.