A.

PENDAHULUAN
A.1 Latar Belakang

Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi

seperti halnya regresi linear atau yang biasa disebut dengan istilah Ordinary Least
Squares (OLS) regression. Perbedaannya adalah pada regresi logistik, peneliti
memprediksi variabel terikat yang berskala dikotomi. Skala dikotomi yang dimaksud
adalah skala data nominal dengan dua kategori, misalnya: Ya dan Tidak, Baik dan
Buruk atau Tinggi dan Rendah.

Apabila pada OLS mewajibkan syarat atau asumsi bahwa

error varians (residual) terdistribusi secara normal. Sebaliknya, pada regresi ini tidak
dibutuhkan asumsi tersebut sebab pada regresi jenis logistik ini mengikuti distribusi
logistik.

Regresi Logistik memiliki asumsi antara lain, Regresi logistik tidak

membutuhkan hubungan linier antara variabel independen dengan variabel dependen,
variabel independen tidak memerlukan asumsi multivariate normality, asumsi
homokedastisitas tidak diperlukan, variabel bebas tidak perlu diubah ke dalam bentuk
metrik (interval atau skala ratio), variabel dependen harus bersifat dikotomi (2 kategori,
misal: tinggi dan rendah atau baik dan buruk), variabel independen tidak harus
memiliki keragaman yang sama antar kelompok variable, kategori dalam variabel
independen harus terpisah satu sama lain atau bersifat eksklusif, Sampel yang
diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data
untuk sebuah variabel prediktor (independen), dapat menyeleksi hubungan karena
menggunakan pendekatan non linier log transformasi untuk memprediksi odds ratio.
odd dalam regresi logistik sering dinyatakan sebagai probabilitas.

Model persamaan aljabar layaknya OLS yang biasa kita gunakan adalah
berikut: Y = B0 + B1X + e. Dimana e adalah error varians atau residual. Dengan regresi
logistik, tidak menggunakan interpretasi yang sama seperti halnya persamaan regresi
OLS. Model Persamaan yang terbentuk berbeda dengan persamaan OLS.
A.2 Rumusan Masalah

A.3 Tujuan

B. TINJAUAN PUSTAKA
B.1 Studi Khasus
B.2 Teori
a. Analisis regresi logistik biner
Analisis regresi logistik biner digunakan untuk menjelaskan hubungan antara
variabel respon yang berupa data dikotomik/biner dengan variabel bebas yang berupa
data berskala interval dan atau kategorik
Regresi logistik biner (logistic regression) sebenarnya sama dengan analisis
regresi berganda, hanya variabel terikatnya merupakan variabel dummy (0 dan 1).
Sebagai contoh, pengaruh beberapa rasio keuangan terhadap keterlambatan
penyampaian laporan keuangan. Maka variabel terikatnya adalah 0 jika terlambat dan
1 jika tidak terlambat (tepat). Regresi logistik tidak memerlukan asumsi normalitas,
meskipun screening data outliers tetap dapat dilakukan.
Asumsi-asumsi dalam regresi logistik biner:
 Tidak mengasumsikan hubungan linier antar variabel dependen dan independent
 Variabel dependen harus bersifat dikotomi (2 variabel)
 Variabel independent tidak harus memiliki keragaman yang sama antar kelompok
variabel
 Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat
eksklusif
 Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga
50 sampel data untuk sebuah variabel prediktor (bebas).
 Tidak seperti regresi linier biasa, regresi logistik biner tidak mengasumsikan
hubungan antara variabel independen dan dependen secara linier. Regresi logistik biner
merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola kurva
seperti gambar di bawah ini.

Model yang digunakan pada regresi logistik biner adalah:

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

b. Analisis regresi logistik Multinomial

Regresi logistik multinomial atau disebut juga model logit politomus adalah model
regresi yang digunakan untuk menyelesaikan kasus regresi dengan variabel dependen
berupa data kualitatif berbentuk multinomial (lebih dari dua kategori) dengan satu atau
lebih variabel independen. Tujuan penulisan skripsi ini adalah untuk menjelaskan cara
mengestimasi parameter pada regresi logistik multinomial dengan menggunakan
metode maksimum likelihood (maximum likelihood methods) dan menjelaskan contoh
ilustrasi model regresi logistik multinomial.
Persamaan model regresi logistik multinomial dapat dituliskan sebagai berikut:
g j  x    j 0   j1 x1   j 2 x 2  ...   jp x p , dengan g j  x  merupakan variabel dependen

yang berupa variabel kategori politomus dengan skala pengukuran nominal, x p

menyatakan variabel independen, dan  jp adalah parameter. Metode yang digunakan

untuk mengestimasi parameter model regresi logistik multinomial pada penulisan ini
adalah metode maksimum likelihood (maximum likelihood methods). Persamaan
likelihood pada regresi logistik multinomial merupakan persamaan nonlinear dalam
parameter koefisien regresi , sehingga untuk menyelesaikan persamaan tersebut
sampai diperoleh nilai estimasi parameternya digunakan algoritma Newton Raphson.
Kemudian setelah diperoleh estimasi parameter, dilakukan uji taraf nyata parameter
menggunakan Uji rasio likelihood dan uji Wald.

c. Analisis regresi Probit

Regresi probit merupakan salah satu model regresi yang dapat digunakan untuk
menjelaskan pola hubungan antara variabel respon dengan variabel prediktor, dimana
variabel respon tersebut bersifat kategori dikotomus yang di-kategorikan berdasarkan
nilai pada threshold tertentu. Me-nurut fungsi yang digunakan pada regresi probit
adalah distribusi normal. Berikut merupakan probabilitas dari regresi probit.

p=𝝫(Z);Z=β0+β1X1+β2X2+⋯+βqXq
d. Analisis regresi Ordinal
Regresi ordinal adalah salah satu dari berbagai jenis analisis yang khusus
digunakan jika variabel dependen adalah data berskala kategorik bertingkat. Istilah
kategori bertingkat juga biasa disebut dengan istilah ordinal atau ranking.
Ordinal atau ranking adalah salah satu jenis skala data yang mempunyai ciri
kategorik namun tiap kategorik yang ada terdapat perbedaan derajat, dimana ada yang
lebih baik atau buruk dan tinggi atau rendah. Contohnya adalah tingkat pengetahuan
seseorang, dimana ada kategorik tingkat pengetahuan rendah, pengetahuan sedang dan
pengetahuan tinggi. Contoh lain adalah pecandu alkohol berat, sedang dan ringan.