Dengan hipotesis: H
o
= ß
1
= ß
2
=…..= ß
k
= 0 H
1
= Minimal Ada Satu Nilai ß ≠ 0 Jika nilai G X
2 pa
atau p-value dari stastistik G lebih kecil dari taraf nyata α=0.050 maka keputusannya adalah menolak H
o
artinya setidaknya adasatu variabel independent yang berpengaruh nyata terhadap variabel dependent.
3. Uji Akurasi Model
Uji akurasi model atau uji goodness of fit dilakukan dengan memperhatikan nilai sebaran chi-square. Secara statistik, uji akurasi model dapat diukur dari nilai
koefisien determinasi, nilai statistik F dan nilai statistik t. Perhitungan statistik disebut signifikan apabila nilai uji statistiknya berada pada daerah kritis daerah
dimana H
o
ditolak dan disebut tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana H
o
diterima. Dengan hipotesis : H
o
= Tidak terdapat perbedaan yang signifikan antara nilai observasi dengan nilai prediksi oleh model
H
1
= Terdapat perbedaan yang signifikan antara nilai observasi dengan nilai prediksi oleh model
4. Uji Signifikasi Variabel Prediktor Secara Individu
Pengujian terhadap signifikansi masing-masing variabel independent secara individu dilakukan dengan Uji Wald W
j
dengan rumus :
G
=
ß ß
Keterangan : ß = Penduga ß
SE = Penduga standar error dari ß ß
k
= Koefisien variabel independent Dengan Hipotesis :
H
o
= ß
k
= 0 H
1
= ß
k
≠ 0 , k = 1,2,3,…k
Statistik W
j
mengikuti sebaran normal Z, jika nilai W
j
Z
α 2
atau two-tailed P-Value dari statistik W
j
lebih kecil dari taraf nyata α = 0.050 maka
keputusannya adalah menolak H
o
artinya variabel independent ke-k tersebut berpengaruh secara nyata signifikan terhadap variabel respon.
Selanjutnya, setelah dilakukan uji signifikansi masing-masing variabel independent maka dilakukan interpretasi model regresi logistik yang dimaksudkan
untuk mendeskripsikan seberapa besar perubahan variabel respon bila ada perubahan pada variabel independent. Nilai odds ratio untuk keperluan tersebut.
Setiap variabel independent dapat dihitung nilai odds ratio-nya. Adapun nilai odds ratio untuk predictor X
j
adalah sebagai berikut :
Untuk X
j
dalam Bentuk Variabel Dummy :
1−
x
j
= 1 e
bo+b1X1i+…..+bj1+…+bkXKi
Odds Ratio untuk X
j
= =
= e
bj
1−
X
j
= 0 e
bo+b1X1i+…...+bj0+….+bkXKi
Artinya, peluang sukses pada kategori Xj=1, besarnya e
bj
kali lipat dibandingkan dengan Xj=0, Ceteris Paribus.
Untuk X
j
dalam Bentuk Variabel Metrik :
1−
x
j
+1 e
bo+b1X1i+…..+bjXj+1+…+bkXKi
Odds Ratio untuk X
j
= =
= e
bj
1−
X
j
e
bo+b1X1i+…...+bjXj+….+bkXKi
Artinya, bila Xj bertambah satu satuan Xj, maka peluang suksesnya akan e
bj
kali lipat disbanding sebelumnya, Ceteris Paribus. Nilai odds ratio berkisar antara nol hingga tak hingga. Adapun nilai odds
ratio dapat dikategorikan menjadi tiga kategori yaitu : - Bila b
j
bertanda positif, maka odds ratio akan bernilai lebih dari satu, yang artinya Xj berpengaruh positif terhadap variabel respon sukses.
- Bila b
j
bertanda negatif, maka odds ratioakan bernilai antara nol dan satu, artinya Xj berpengaruh negatif terhadap variabel respon sukses.
- Bila b
j
bernilai nol, maka odds ratio akan bernilai satu, yang artinya Xj tidak berpengaruh terhadap variabel respon sukses.
