Model Regresi Logistik Biner dan Metode CART dalam Klasifikasi Status Desa Di Bali

MODEL REGRESI LOGISTIK BINER DAN METODE CART
DALAM KLASIFIKASI STATUS DESA DI BALI

I NYOMAN PUTRAYASA PENDIT

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2012

RINGKASAN
I NYOMAN PUTRAYASA PENDIT. Model Regresi Logistik Biner dan Metode CART dalam
Klasifikasi Status Desa Di Bali. Dibimbing oleh M. MASJKUR dan I MADE SUMERTAJAYA.
Pulau Bali merupakan pusat pariwisata di Indonesia yang menjadi tujuan favorit pelancong
baik dari mancanegara maupun lokal. Oleh karena itu, perekonomian masyarakat Bali sangat
bergantung pada kondisi pariwisata. Namun pembangunan yang terjadi tidak merata pada seluruh
wilayah. Hal ini disebabkan oleh beberapa hal misalnya jauhnya desa tersebut dari ibu kota. Untuk
menanggulangi hal tersebut pemerintah sebaiknya mencari strategi bagaimana cara menanggulangi
kesenjangan pembangunan antar desa tersebut. Langkah pertama yang harus dilakukan pemerintah
adalah mencari tahu peubah-peubah yang mempengaruhi status tingkat kemajuan desa di Bali.
Analisis yang dapat digunakan untuk membuat klasifikasi adalah metode regresi logistik biner dan

metode CART (Classification and Regression Trees). Tujuan dari penelitian ini adalah
menerapkan analisis regresi logistik biner dan metode CART untuk melihat hubungan antara
peubah respon status desa dan peubah penjelas potensi desa yang mempengaruhi status desa di
Bali serta membandingkan hasil dari kedua metode tersebut. Peubah penjelas dalam kasus ini
sebanyak 15 peubah. Sebelum melakukan kedua analisis tersebut terlebih dahulu dilakukan
kategori ulang peubah penjelas. Dari 15 peubah penjelas tersebut yang berpengaruh signifikan
terhadap peubah respon status desa dari hasil regresi logistik biner yaitu bahan bakar, jamban,
fasilitas pendidikan, tenaga kesehatan, dan sinyal HP. Model regresi logistik yang terbentuk
menghasilkan nilai ketepatan prediksi sebesar 75,8%. Analisis pohon regresi yang terbentuk pada
kasus ini menghasilkan pohon optimum dengan tiga simpul terminal. Peubah penjelas yang masuk
ke dalam pohon regresi yaitu telepon kabel dan jamban. Peubah yang menjadi penyekat utama
adalah peubah kepemilikan telepon kabel. Metode regresi logistik biner dan metode CART dapat
disimpulkan secara umum sudah cukup baik dalam memprediksi peubah respon dilihat dari
kecilnya perbedaan perbandingan hasil dengan menggunakan nilai ketepatan prediksi dan kurva
ROC.
Kata kunci : Status Desa, Regresi Logistik Biner, Metode CART

MODEL REGRESI LOGISTIK BINER DAN METODE CART
DALAM KLASIFIKASI STATUS DESA DI BALI

I NYOMAN PUTRAYASA PENDIT

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
Institut Pertanian Bogor

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2012

Judul Skripsi : Model Regresi Logistik Biner dan Metode CART dalam
Klasifikasi Status Desa Di Bali
Nama
: I Nyoman Putrayasa Pendit
NRP
: G14070045

Menyetujui :
Pembimbing I,

Pembimbing II,

Ir. M Masjkur, MS
NIP. 196106081986011002

Dr. Ir. I Made Sumertajaya, M.Si
NIP. 196807021994021001

Mengetahui :
Ketua Departemen Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Dr. Ir. Hari Wijayanto, M.Si
NIP. 196504211990021001

Tanggal Lulus :

KATA PENGANTAR
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas karunia-Nya sehingga karya
ilmiah ini berhasil diselesaikan. Karya ilmiah ini berjudul “Model Regresi Logistik Biner dan
Metode CART dalam Klasifikasi Status Desa Di Bali. Karya ilmiah ini disusun sebagai salah satu
syarat untuk mendapatkan gelar Sarjana Statistika pada Departemen Statistika, Institut Pertanian
Bogor.
Penulis mengucapkan terima kasih kepada:
1. Bapak Ir. M. Masjkur, MS dan Bapak Dr. Ir. I Made Sumertajaya, M.Si selaku dosen
pembimbing yang telah memberikan arahan, saran, dan ilmunya selama penulisan karya
ilmiah ini.
2. Bapak Ir. Bambang Sumantri selaku dosen penguji yang telah memberikan saran dan
masukan kepada penulis.
3. Bapak Agus M. Soleh, S.Si, MT yang telah memberikan data Podes Provinsi Bali 2008.
4. Keluarga tercinta, bapak, ibu dan kakak yang selalu memberikan doa, semangat, dukungan
dan kasih sayang kepada penulis sampai terselesaikannya karya ilmiah ini.
5. A.A. Ayu Putu Puspita Negara atas bantuan dan dukungan kepada penulis.
6. Shela, Thata, Imha, Resty, Allan dan Daonk atas semangat, dukungan dan kebersamaannya
selama kuliah.
7. Teman-teman Statistika 44, 45 dan 46 terima kasih atas kebersamaannya.

8. Dollar, Penjor, Bracuk, Jernat, Tungu, Ketel dan Ladang atas kebersamaannya di Mahayana.
9. Semua pihak yang telah membantu penulis dalam penulisan karya ilmiah ini.
Demikian karya ilmiah ini penulis susun, semoga karya ilmiah ini dapat bermanfaat bagi semua
pihak yang membutuhkan. Penulis menyadari bahwa karya ilmiah ini masih jauh dari
kesempurnaan. Oleh karena itu penulis sangat mengharapkan saran dan kritik yang membangun
sebagai bahan evaluasi.

Bogor, Februari 2012

I Nyoman Putrayasa Pendit

RIWAYAT HIDUP
Penulis dilahirkan di Tabanan pada tanggal 20 Oktober 1989 dan merupakan anak kedua dari
dua bersaudara pasangan I Nyoman Darsana Pendit dan Ni Made Suniwati.
Penulis Menyelesaikan pendidikan sekolah dasar di SD Saraswati Tabanan pada tahun 2001,
pendidikan sekolah menengah pertama di SMP Negeri 1 Tabanan pada tahun 2004, dan
pendidikan menengah atas di SMA Negeri 1 Tabanan pada tahun 2007. Penulis diterima di Institut
Pertanian Bogor pada tahun 2007 melalui jalur Undangan Seleksi Masuk IPB (USMI) dan tercatat
sebagai mahasiswa Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama kuliah penulis aktif dalam berbagai organisasi dan kegiatan kemahasiswaan baik di

dalam maupun di luar kampus. Organisasi yang pernah diikuti penulis yaitu Himpunan
Keprofesian Gamma Sigma Beta (GSB), Kesatuan Mahasiswa Hindu Dharma (KMHD), dan
BRAHMACARYA. Kegiatan yang pernah diikuti penulis yaitu Statistika Ria 2008, Statistika Ria
2009, Studi Banding dan Studi Eksekursi 2009, dan acara pentas seni antar daerah Gebyar
Nusantara (GENUS). Selain itu, penulis juga pernah mengikuti kegiatan survey yang
diselenggarakan oleh PT NIELSEN dan menjadi asisten dosen untuk mata kuliah Analisis Data
Kategorik pada semester ganjil tahun ajaran 2011/2012.

DAFTAR ISI

DAFTAR GAMBAR ...................................................................................................................... vii
DAFTAR TABEL ........................................................................................................................... vii
DAFTAR LAMPIRAN ................................................................................................................... vii
PENDAHULUAN............................................................................................................................. 1
Latar belakang .............................................................................................................................. 1
Tujuan ........................................................................................................................................... 1
TINJAUAN PUSTAKA .................................................................................................................... 1
Regresi Logistik Biner .................................................................................................................. 1
Multikolinieritas ........................................................................................................................... 2
Pohon Regresi dan Klasifikasi ...................................................................................................... 2

Pemilihan Pemilah .................................................................................................................... 3
Penentuan Simpul Terminal ..................................................................................................... 3
Penandaan Label Kelas............................................................................................................. 3
Penentuan Pohon Optimum ...................................................................................................... 3
METODOLOGI ................................................................................................................................ 4
Data ............................................................................................................................................... 4
Metode .......................................................................................................................................... 4
HASIL DAN PEMBAHASAN ......................................................................................................... 4
Gambaran Umum Karakteristik Desa ........................................................................................... 4
Analisis Regresi Logistik Biner .................................................................................................... 6
Interpretasi Koefisien ............................................................................................................... 7
Analisis Pohon Regresi dan Klasifikasi ........................................................................................ 8
Perbandingan Hasil ....................................................................................................................... 9
KESIMPULAN ............................................................................................................................... 10
DAFTAR PUSTAKA ..................................................................................................................... 10
LAMPIRAN .................................................................................................................................... 11

vii

DAFTAR GAMBAR

Gambar 1 Diagram CART ................................................................................................................ 3
Gambar 2 Diagram pie status desa .................................................................................................... 5
Gambar 3 Grafik distribusi kategori peubah penghasilan ................................................................. 5
Gambar 4 Pohon klasifikasi optimum ............................................................................................... 8
Gambar 5 Kurva ROC ....................................................................................................................... 9

DAFTAR TABEL
Tabel 1 Karakteristik desa maju dan desa tertinggal secara deskriptif .............................................. 5
Tabel 2 Nilai korelasi antar peubah bebas ......................................................................................... 6
Tabel 3 Pengujian parameter secara parsial permodelan awal dengan Uji-Wald .............................. 7
Tabel 4 Pengujian parameter secara parsial metode backward dengan Uji-Wald........................... 7
Tabel 5 Rasio odds model regresi logistik biner ............................................................................... 7
Tabel 6 Ketepatan prediksi model regresi logistik ............................................................................ 8
Tabel 7 Ketepatan prediksi metode CART ....................................................................................... 9

DAFTAR LAMPIRAN
Lampiran 1. Peubah-peubah penjelas yang digunakan ................................................................... 12
Lampiran 2. Deskripsi distribusi karakteristik desa ........................................................................ 13
Lampiran 3. Peubah-peubah penjelas setelah dikategori ulang ....................................................... 15
Lampiran 4. Pohon regresi maksimum ............................................................................................ 15

1

PENDAHULUAN

TINJAUAN PUSTAKA

Latar belakang
Bali merupakan pusat pariwisata di
Indonesia yang menjadi tujuan favorit para
pelancong baik dari mancanegara maupun
lokal. Hal ini disebabkan oleh banyaknya
keanekaragaman budaya juga daya tarik alam
yang sangat luar biasa. Oleh karena itu,
perekonomian masyarakat Bali sangat
bergantung pada kondisi pariwisatanya. Hal
ini juga secara tidak langsung mempengaruhi
pembangunan daerah.
Pembangunan di Bali tidak merata pada
seluruh wilayahnya. Jika dilihat dari ruang

lingkup kabupaten masih terlihat sama. Tetapi
perbedaan pembangunan itu sangat jelas
terlihat pada desa-desa di Bali. Hal ini
disebabkan oleh beberapa hal misalnya
jauhnya desa tersebut dari ibu kota . Untuk
menanggulangi hal tersebut pemerintah
sebaiknya mencari strategi bagaimana cara
menanggulangi kesenjangan pembangunan
antar desa tersebut.
Langkah pertama yang harus dilakukan
pemerintah adalah mencari tahu peubahpeubah yang mempengaruhi status desa di
Bali dengan klasifikasi. Analisis yang dapat
digunakan untuk membuat klasifikasi adalah
metode regresi logistik biner dan metode
CART (classification and regression trees).
Regresi logistik biner digunakan untuk
melihat hubungan antara peubah respon yang
berskala kategorik dengan peubah penjelas
yang berskala kategorik atau kontinyu. Dari
analisis ini juga dapat diperoleh peubahpeubah penjelas yang berpengaruh terhadap

status desa. Sedangkan metode CART adalah
metode yang umumnya dikenal sebagai pohon
keputusan. Prosedur yang dilakukan dalam
metode ini adalah membagi desa ke dalam
kelompok-kelompok
yang
lebih kecil
berdasarkan peubah respon, dimana ada
peubah penjelas yang terpilih yang digunakan
untuk pengelompokan peubah penjelas
selanjutnya.

Regresi Logistik Biner
Analisis regresi logistik merupakan suatu
teknik untuk menganalisis data yang peubah
responnya memiliki dua atau lebih kategori
dengan satu atau lebih peubah penjelas yang
berskala kategorik atau kontinu.
Hosmer
dan
Lemeshow
(2000)
menjelaskan bahwa model regresi logistik
dibentuk dengan nilai
sebagai
, yang dinotasikan sebagai berikut:

Tujuan
Tujuan dari penelitian ini adalah:
1. Menerapkan analisis regresi logistik biner
dan metode CART untuk melihat
hubungan antara peubah respon status desa
dan peubah penjelas potensi desa yang
mempengaruhi status desa di Bali.
2. Membandingkan hasil dari masing-masing
metode.

dicari dengan
Suatu fungsi dari
menggunakan transformasi logit, yaitu
yang dapat dinyatakan sebagai berikut:

Secara umum jika sebuah peubah berskala
nominal atau ordinal mempunyai k
kemungkinan nilai, maka diperlukan k-1
peubah boneka (dummy variable). Sehingga
model transformasi logitnya menjadi:

dimana:
: peubah bebas ke-j dengan tingkatan
: jumlah peubah boneka
: koefisien peubah boneka
: 1,2,...,
:
peubah boneka
Pendugaan parameter dalam regresi
logistik menggunakan metode kemungkinan
maksimum (maximum likelihood estimation),
jika antara amatan yang satu dengan yang lain
diasumsikan bebas maka fungsi kemungkinan
yang diperoleh adalah:

dengan:
: 1,2,...,p
: pengamatan pada peubah respon ke-i
: peluang untuk peubah penjelas ke-i
diduga
dengan
Parameter
memaksimumkan persamaan di atas, untuk
mempermudah perhitungan maka dilakukan
pendekatan logaritma, sehingga fungsi loglikelihoodnya sebagai berikut:

2

Nilai dugaan
dapat diperoleh dengan
terhadap
membuat turunan pertama
, dengan
Pengujian terhadap parameter-parameter
model dilakukan baik secara simultan maupun
secara parsial. Menurut Hosmer dan
Lemeshow (2000), pengujian parameter
model secara simultan menggunakan uji
nisbah kemungkinan (Likelihood Ratio Tests),
dengan hipotesis:
H0:
H1: minimal ada satu
statistik uji G dirumuskan:

dengan
adalah fungsi kemungkinan tanpa
merupakan
peubah penjelas dan
kemungkinan dengan peubah penjelas.
Dengan mengasumsikan
benar, statistik uji
G akan mengikuti sebaran khi kuadrat dengan
jika
derajat bebas p. Keputusan tolak
.
Pengujian parameter secara parsial
menggunakan statistik uji Wald. Hipotesis
yang akan diuji adalah:
H0:
H1:
Statistik uji yang dipakai adalah statistik W
yaitu:

sebagai penduga
dan
dengan
sebagai penduga galat baku . Statistik W
akan mengikuti sebaran normal baku jika H0
benar. Keputusan tolak H0 diambil jika
.
Interpretasi koefisien untuk model regresi
logistik biner dapat dilakukan dengan
menggunakan nilai rasio oddsnya. Odds
sendiri dapat diartikan sebagai rasio peluang
kejadian sukses dengan kejadian tidak sukses
dari
peubah
respon.
Rasio
odds
mengindikasikan seberapa lebih mungkin
munculnya kejadian sukses pada suatu
kelompok dibandingkan dengan kelompok
lainnya. Rasio odds didefinisikan sebagai:
Interpretasi dari rasio odds ini adalah
pada
kecendrungan untuk
sebesar Ψ kali dibandingkan pada
.
Multikolinieritas
Multikolinieritas adalah kondisi dimana
peubah penjelas yang saling berkorelasi.
Besarnya korelasi dapat dilihat menggunakan
koefisien korelasi Spearman Rank. Model

regresi logistik mengansumsikan tidak boleh
ada multikolinieritas, karena dengan adanya
multikolinieritas standard error dari koefisien
regresinya
akan
membesar
sehingga
dimungkinkan hasil uji Wald dari masingmasing peubah penjelas akan tidak signifikan.
Penanganan multikolinieritas yang dapat
dilakukan adalah memilih salah satu peubah
penjelas
yang bisa digunakan untuk
mewakili peubah penjelas lain yang
berkorelasi kuat dengannya.
Pohon Regresi dan Klasifikasi
CART (Classification and Regression
Trees) adalah salah satu metode atau
algoritma dari salah satu teknik eksplorasi
data yaitu teknik pohon keputusan. Metode ini
dikembangkan oleh Leo Breiman, Jerome H.
Friedman, Richard A. Olshen dan Charles J.
Stone sekitar tahun 1980-an.
Menurut Breiman et al. (1993), CART
merupakan metodologi statistik nonparametrik
yang dikembangkan untuk topik analisis
klasifikasi, baik untuk peubah respon
kategorik
maupun
kontinu.
CART
menghasilkan suatu pohon klasifikasi jika
peubah
responnya
kategorik,
dan
menghasilkan pohon regresi jika peubah
responnya kontinu. Tujuan utama CART
adalah untuk mendapatkan suatu kelompok
data yang akurat sebagai penciri dari suatu
pengklasifikasian.
Keunggulan dari metode CART adalah
tidak perlu dipenuhinya asumsi sebaran oleh
semua peubah, serta algoritmanya yang
langsung dapat menangani masalah data
hilang (Brieman et al. 1993). CART juga
tidak dipengaruhi oleh pencilan, kolinieritas,
heterokedastisitas atau struktur distribusi galat
yang biasanya mempengaruhi metode
parametrik. Masalah pencilan data dapat
diselesaikan dengan cara yang sederhana oleh
metode CART. Pencilan akan diisolasi ke
dalam simpul tertentu sehingga tidak
mempengaruhi
penyekatan
(Komalasari
2007).
Menurut Yohannes dan Hoddinott (1999),
kelemahan dari metode CART adalah hasil
akhirnya tidak didasarkan pada model
probabilistik. Tidak ada tingkat probabilitas
atau selang kepercayaan yang berhubungan
dengan dugaan yang didapat dari pohon
CART untuk pengelompokan data baru.
Pohon regresi dan klasifikasi merupakan
penyekatan data secara berulang (rekursif) dan
menghasilkan, sekatan yang biner, karena
selalu membagi kumpulan data menjadi dua
sekatan.

3

Pada Gambar 1, A, B dan C merupakan
peubah-peubah penjelas yang terpilih untuk
menjadi simpul. A merupakan simpul induk,
sementara B dan C merupakan simpul anak
dimana C juga merupakan simpul akhir atau
simpul terminal yang tidak bercabang lagi.
A

Node/
simpul

ya

tidak

C

B

C

simpul

C

simpul
terminal

Gambar 1 Diagram CART
Algoritma pembentukan pohon klasifikasi
terdiri dari empat tahapan, yaitu: pemilihan
pemilah;
penentuan
simpul
terminal;
penandaan label kelas; dan penentuan pohon
dengan ukuran tepat (Kardiana et al. 2006).
Pemilihan Pemilah
Pada tahap ini dicari pemilah dari setiap
simpul yang menghasilkan penurunan tingkat
keheterogenan paling tinggi. Keheterogenan
suatu simpul diukur berdasarkan nilai
impurity-nya. Fungsi impuritas yang dapat
digunakan adalah indeks Gini. Bila impuritas
suatu simpul semakin besar maka semakin
heterogen simpul tersebut (Breiman et al.
1993).
Nilai impuritas menggunakan indeks Gini
pada simpul t, i(t), dapat ditulis sebagai
berikut:

dimana p(j|t) adalah peluang unit pengamatan
dalam kelas ke-j dari simpul t yang dinyatakan
sebagai berikut:

adalah peluang awal kelas ke-j,
dengan
adalah banyaknya unit pengamatan dalam
kelas ke-j, dan
adalah banyaknya unit
pengamatan yang termasuk dalam kelas ke-j
pada simpul t.
Misalkan terdapat calon pemilah s yang
(dengan proporsi )
memilah t menjadi
(dengan proporsi
), maka
dan menjadi
kebaikan dari s didefinisikan sebagai
penurunan impuritas:

Pengembangan pohon dilakukan dengan
cara, pada simpul
, carilah s* yang
memberikan nilai penurunan impuritas
tertinggi yaitu:

dipilah menjadi
dan
maka
menggunakan s*. Dengan cara yang sama
dilakukan juga pemilah terbaik pada dan
secara terpisah, dan seterusnya.
Penentuan Simpul Terminal
Suatu simpul t akan menjadi simpul
terminal atau tidak akan dipilah kembali, jika
jumlah pengamatannya kurang dari jumlah
minimum. Umumnya jumlah pengamatan
minimum pada simpul sebesar 5 dan
terkadang berjumlah 1 (Breiman et al. 1993).
Maka selanjutnya t tidak dipilah lagi tetapi
dijadikan simpul terminal dan hentikan
pembuatan pohon.
Penandaan Label Kelas
Label kelas dari simpul terminal
ditentukan berdasarkan aturan jumlah
,
terbanyak, yaitu jika
maka label kelas untuk terminal t adalah
(Breiman et al. 1993).
Penentuan Pohon Optimum
Pohon klasifikasi tidak dibatasi jumlahnya.
pohon terbesar memiliki nilai salah
pengklasifikasian terkecil, sehingga kita
cenderung memilih pohon tersebut untuk
perkiraan. Tetapi, pohon ini cukup kompleks
dalam
menggambarkan
struktur
data.
Sehingga perlu dipilih pohon optimal yang
lebih sederhana tetapi memiliki kesalahan
pengklasifikasian yang cukup kecil.
Menurut Breiman et al. (1993), salah satu
cara mendapatkan pohon optimum yaitu
dengan pemangkasan (pruning). Pemangkas
berturut-turut memangkas pohon bagian yang
kurang penting. Tingkat kepentingan sebuah
pohon bagian diukur berdasarkan ukuran
biaya
kompleksitas
(cost-complexity).
Persamaannya adalah:

dengan
adalah tingkat salah klasifikasi
untuk k = 1,
adalah
pada pohon bagian
,
himpunan simpul terminal pada
adalah banyaknya simpul terminal pada
,
dan adalah parameter biaya kompleksitas.
Hasil proses pemangkasan berupa sederet
pohon klasifikasi
dan dengan validasi

4

silang (cross-validation sample) dapat
sebagai
ditentukan pohon optimum
berikut :
Amanati (2001) melakukan perbandingan
analisis regresi logistik dan analisis pohon
regresi. Penelitian tersebut menyatakan bahwa
metode regresi logistik dan pohon regresi
menghasilkan kesimpulan yang sama, tetapi
analisis pohon regresi mampu menunjukkan
peubah yang paling berpengaruh terhadap
peubah respon.
METODOLOGI
Data
Data yang digunakan dalam penelitian ini
adalah data sekunder yang bersumber dari
data Statistik Potensi Desa Provinsi Bali 2008.
Peubah penjelas sebanyak 15 diturunkan dari
data potensi desa yang menyangkut aspek
potensi desa, aspek perumahan dan
lingkungan, serta aspek keadaan penduduk
dapat dilihat pada Lampiran 1. Sedangkan
peubah respon diturunkan dari informasi
status desa adalah sebagai berikut:
Y : Status desa
0: Tertinggal
1: Maju
Metode
Tahapan-tahapan yang akan dilakukan
dalam penelitian ini adalah:
1. Analisis statistik deskriptif terhadap
peubah respon.
2. Analisis
regresi
logistik
biner.
Tahapannya adalah sebagai berikut:
a. Menduga parameter.
b. Melakukan pengujian parameter
secara keseluruhan dengan Uji-G.
Hipotesis yang diuji adalah :
H0 :
H1 : minimal ada satu
,
dengan
hipotesis nol ditolak jika
c. Melakukan pengujian parameter
secara parsial dengan Uji-Wald.
Hipotesis yang diuji adalah :
H0 :
H1 :
,
dengan
hipotesis nol ditolak jika
d. Melakukan evaluasi terhadap model
penuh.
e. Mereduksi peubah-peubah penjelas
dengan metode backward.
f. Menduga parameter.

g. Melakukan pengujian parameter
dengan prosedur yang sama seperti
pada tahapan b dan c.
h. Memodelkan status desa berdasarkan
peubah penjelas yang berpengaruh
nyata.
i. Interpretasi hasil.
3. Analisis CART. Tahapannya adalah
sebagai berikut:
a. Menentukan semua kemungkinan
pemilah pada setiap peubah penjelas.
Hitung
keheterogenan
simpul.
Lakukan untuk semua peubah
penjelas sehingga didapat peubah
sebagai pemilah terbaik dengan
penurunan
keheterogenan
maksimum.
b. Jika simpul induk sudah didapatkan,
maka simpul anak dapat dibuat
dengan cara yang sama seperti proses
sebelumnya.
c. Pembentukan pohon akan berhenti
jika hanya terdapat 5 amatan pada
simpul.
d. Pelabelan kelas dari simpul terminal
ditentukan berdasarkan aturan jumlah
terbanyak.
e. Pembentukan pohon optimal dengan
pemangkasan.
Pemangkasan
dilakukan dengan cross-validation.
f. Interpretasi hasil.
4. Membandingkan hasil dari analisis
regresi logistik biner dan metode CART
dengan melihat peluang kesalahan
klasifikasi dan kurva Receiver Operating
Characteristic (ROC).
Proses
analisis
dilakukan
dengan
menggunakan software statistika.
HASIL DAN PEMBAHASAN
Gambaran Umum Karakteristik Desa
Banyaknya desa yang digunakan dalam
penelitian ini adalah 712 desa yang
merupakan seluruh desa di Bali. Jumlah desa
yang termasuk dalam kategori maju sebanyak
496 desa (69.66%) dan termasuk dalam
kategori tertinggal sebanyak 216 desa
(30.34%). Hal ini menunjukkan bahwa
sebagain besar desa di Bali sudah termasuk
dalam kategori maju (Gambar 2).
Sebagian besar karakteristik desa yang
dianalisis memiliki sumber penghasilan utama
di bidang pertanian, terdapat penerangan jalan
utama desa, bahan bakar memasak dengan
kayu bakar, membuang sampah di tempat
lainnya, memiliki jamban sendiri, jalan utama
desa berupa aspal atau beton, sinyal HP kuat,

5

dan tidak terdapat kompleks pertokoan. Untuk
variabel bebas listrik, seluruh keluarga
menggunakan listrik. Pada Lampiran 2 dan
Tabel 1 di bawah menjelaskan karakteristik
desa berdasarkan statusnya.
Status Desa
30.34%

Tabel 1 Karakteristik desa maju dan desa
tertinggal secara deskriptif. (lanjutan)
Maju

Tertinggal

X8

fslts_ktrmpln

fslts_ktrmpln

jml_fslts_ktrmpln

0.80

0.14

X9

fslts_kshtn

fslts_kshtn

jml_fslts_kshtn

4.09

3.19

X10

tng_kshtn

tng_kshtn

jml_tng_kshtn

8.31

4.00

X11

aspal/beton

aspal/beton

jln_utm_ds

99.80%

95.37%

X12

tlpn_kabel

tlpn_kabel

jml_plnggn_tlpn

254.36

39.87

tertinggal

69.66%

maju
Gambar 2 Diagram pie status desa
Meskipun kategori maju dan tertinggal
cenderung memiliki kesamaan karakteristik,
namun terjadi perbedaan pada rata-rata jumlah
fasilitas
pendidikan,
jumlah
fasilitas
keterampilan, jumlah tenaga kesehatan, dan
keberadaan pasar permanen atau semi
permanen. Desa dengan status maju memiliki
rata-rata jumlah fasilitas pendidikan, fasilitas
keterampilan, dan tenaga kesehatan lebih
tinggi dibandingkan desa dengan status
tertinggal. Keberadaan pasar juga dapat
memperlihatkan bahwa sebagian besar desa
maju memiliki pasar permanen atau semi
permanen sedangkan desa tertinggal tidak.
Tabel 1

X13

ada_kuat

ada_kuat

sinyal_hp

96.17%

84.72%

X14

tdk_toko

tdk_toko

kmplk_prtkoan

72.98%

89.81%

X15

ada_pasar

tdk_pasar

psr_prmanen

54.84%

60.19%

Distribusi dari masing-masing kategori
peubah bebas sebagian besar tidak merata.
Salah satu contohnya dapat dilihat pada
Gambar 3. Peubah sumber penghasilan utama
penduduk sebagian besar pada bidang
pertanian. Sedangkan untuk bidang-bidang
yang lain sangat sedikit.

Karakteristik desa maju dan desa
tertinggal secara deskriptif.

Peubah

Modus

Peubah

Sumber Penghasilan Utama
Penduduk

Modus
Maju

Tertinggal

400

X1

Pertanian

Pertanian

350

pnghsln_pnddk

73.79%

90.74%

300

X2

Listrik

Listrik

250

pngguna_lstrk

100%

100%

X3

Pnrngan_jln

Pnrngan_jln

pnrngan_jln_utm

99.19%

pertanian

jumlah

pertambangan
industri
200
150

perdagangan

95.83%

100

jasa

X4

kayu_bkr

kayu_bkr

50

bhn_bkr_msk

58.47%

91.20%

0

X5

Lainnya

Lainnya

tmpt_smph

42.34%

75.93%

X6

jamban_sndr

jamban_sdr

jamban

89.11%

67.59%

X7

fslts_pnddkn

fslts_pnddkn

jml_fslts_pnddkn

6.81

4.44

lainnya

tertinggal

maju

status desa

Gambar 3 Grafik distribusi kategori peubah
penghasilan

6

Tabel 2 Nilai korelasi antar peubah bebas
X1
X2
X3
X4
X5
X6

X7

X8

X9

X10

X11

X12

X13

X14

X1

1.00

X2

0.00

0.00

X3

0.05

0.00

1.00

X4

-0.60

0.00

-0.07

1.00

X5

-0.60

0.00

-0.02

0.63

1.00

X6

-0.16

0.00

-0.12

0.23

0.16

1.00

X7

0.28

0.00

0.09

-0.33

-0.33

-0.07

1.00

X8

0.38

0.00

0.07

-0.41

-0.45

-0.14

0.46

1.00

X9

0.37

0.00

0.10

-0.40

-0.42

-0.17

0.56

0.43

1.00

X10

0.35

0.00

0.04

-0.38

-0.38

-0.19

0.54

0.35

0.57

1.00

X11

-0.04

0.00

0.02

0.09

0.07

0.14

-0.02

-0.04

-0.08

-0.06

1.00

X12

0.57

0.00

0.14

-0.59

-0.55

-0.31

0.47

0.44

0.53

0.56

-0.12

1.00

X13

0.15

0.00

0.01

-0.19

-0.15

-0.30

0.09

0.13

0.18

0.17

0.04

0.25

1.00

X14

0.45

0.00

0.05

-0.39

-0.45

-0.13

0.44

0.46

0.46

0.40

-0.07

0.50

0.14

1.00

X15

0.20

0.00

0.10

-0.25

-0.23

-0.03

0.43

0.30

0.37

0.33

0.06

0.31

0.16

0.37

Oleh karena kurang meratanya distribusi
masing-masing kategori pada peubah penjelas,
maka perlu dilakukan proses kategori ulang.
Proses ini bertujuan untuk mempermudah
proses analisis dan hasilnya akan menjadi
lebih baik. Sebagai salah satu contoh peubah
penjelas sumber penghasilan utama penduduk
pada awalnya memiliki tujuh kategori yaitu:
1. Pertanian
2. Pertambangan dan penggalian
3. Industri pengolahan
4. Perdagangan besar/eceran, rumah makan
5. Angkutan, pergudangan, komunikasi
6. Jasa
7. Lainnya
dikategorikan ulang menjadi dua kategori.
Dua kategori tersebut adalah :
1. Pertanian
2. Non Pertanian (pertambangan dan
penggalian,
industri
pengolahan,
perdagangan besar/ eceran, rumah makan,
angkutan, pergudangan, komunikasi, jasa,
lainnya)
Kategori pertanian menjadi satu kategori
karena paling banyak dibanding kategori
lainnya. Untuk kategori ulang peubah penjelas
lainnya dapat dilihat pada Lampiran 3.
Analisis Regresi Logistik Biner
Analisis regresi memiliki beberapa asumsi
yang harus dipenuhi sebelum dilakukannya
proses pengolahan data. Asumsi yang
biasanya wajib dipenuhi adalah kasus data
hilang dan multikolinieritas. Kasus data hilang

dalam penelitian ini diatasi dengan mengisi
data yang kosong dengan data dari amatan
yang mirip atau sejenis dengan amatan
tersebut. Dalam mendeteksi multikolinieritas
terdapat beberapa prosedur yang bisa
digunakan. Cara yang paling sederhana adalah
melalui korelasi antar peubah. Korelasi antar
peubah yang terlalu tinggi (di atas 0.8 atau
0.9)
menunjukkan
data
terjangkit
multikolinieritas (Field 2000). Sehingga dapat
dikatakan dalam penelitian ini tidak terdapat
multikolinieritas dilihat dari nilai korelasi
pada Tabel 2 di atas.
Pendugaan model regresi logistik biner
dengan menggunakan lima belas peubah
penjelas menghasilkan nilai statistik-G
sebesar 180.302 dengan nilai-p = 0.000.
Pengambilan keputusan dilakukan dengan
membandingkan nilai statistik-G dengan nilai
khi-kuadrat dari tabel,
= 24,996.
Keputusannya adalah tolak H0, artinya bahwa
sedikitnya ada satu yang tidak sama dengan
nol pada taraf nyata 5%. Pengujian parameter
secara parsial dengan statistik uji-Wald
menghasilkan tiga peubah yang nyata pada
taraf nyata 5% dengan nilai khi-kuadrat tabel
sebesar 3,841. Ketiga peubah tersebut adalah
bahan bakar, jamban, dan fasilitas pendidikan
(Tabel 3). Karena terdapat banyak peubah
penjelas yang tidak nyata, maka dilakukan
pereduksian
peubah
penjelas
dengan
menggunakan metode backward.
Proses pereduksian menggunakan metode
backward menghasilkan tujuh peubah

X15

1.00

7

penjelas. Ketujuh peubah tersebut adalah
bahan bakar, jamban, fasilitas pendidikan,
tenaga kesehatan, jalan(1), jalan(2), dan sinyal
HP. Nilai statistik-G padal model reduksi
sebesar 170.697 dengan nilai-p = 0.000. Nilai
statistik-G dibandingkan dengan nilai khi= 14,067, sehingga
kuadrat tabel
kesimpulannya adalah tolak H0 pada taraf
nyata 5%. Berarti terdapat yang tidak sama
dengan nol. Pengujian parameter secara
parsial dengan menggunakan statistik ujiWald menghasilkan lima peubah yang nyata
pada taraf nyata 5%. Kelima peubah tersebut
adalah bahan bakar, jamban, fasilitas
pendidikan, tenaga kesehatan, dan sinyal HP
(Tabel 4).
Tabel 3 Pengujian parameter secara parsial
permodelan awal dengan Uji-Wald.
Peubah
Wald
p-value

Model logit terbaik yang dihasilkan adalah
sebagai berikut:
g(x) = 0.483 – 1.223 X4(1) – 1.405 X6(1) +
0.118 X7 + 0.502 X10 + 0.667 X13(1)
Interpretasi Koefisien
Interpretasi koefisien untuk model regresi
logistik biner dapat dilakukan dengan melihat
nilai rasio oddsnya. Nilai dugaan beserta
selang kepercayaan 95% bagi rasio odss untuk
kelima peubah penjelas dapat dilihat pada
Tabel 5.
Tabel 5 Rasio odds model regresi logistik
biner.
Peubah Penduga
SK 95% bagi
Rasio

Rasio Odds

Odds

Lower

Upper

X4(1)

0.294

0.172

0.503

X6(1)

0.245

0.139

0.434

pnghsln_pnddk(1)

1.564

0.211

pnrngn_jln(1)

1.936

0.164

bhn_bkr_msk(1)

13.232

0.000

X7

1.125

1.047

1.209

tmpt_smph(1)

0.003

0.955

X10

1.054

1.008

1.102

jamban(1)

20.237

0.000

X13(1)

1.948

1.018

3.728

fslts_pnddkn

4.260

0.039

fslts_ktrmpln

1.092

0.296

fslts_kshtn

1.767

0.184

tng_kshtn

2.835

0.092

jln_utm(1)

0.000

0.999

jln_utm(2)

2.667

0.102

tlpn_kbl

1.449

0.229

sinyal_hp(1)

3.323

0.068

prtokoan(1)

0.892

0.345

pasar(1)

0.016

0.899

Tabel 4 Pengujian parameter secara parsial
metode backward dengan Uji-Wald.
Peubah
Wald
p-value
bhn_bkr_msk(1)

20.016

0.000

jamban(1)

23.283

0.000

fslts_pnddkn

10.207

0.001

tng_kshtn

5.267

0.022

jln_utm(1)

0.000

0.999

jln_utm(2)

2.749

0.097

sinyal_hp(1)

4.050

0.044

Koefisien peubah bahan bakar memasak
(X4) bernilai negatif dengan nilai rasio odds
kurang dari satu. Desa yang sebagian besar
penduduknya masih menggunakan kayu bakar
atau lainnya mempunyai kecenderungan untuk
menjadi desa maju 0.294 kali dibandingkan
dengan
desa
yang
sebagian
besar
penduduknya sudah mengunakan gas LPG
atau minyak tanah. Pengertian yang setara
bahwa desa dengan penduduk yang sudah
menggunakan gas LPG dan minyak tanah
memiliki kecenderungan 3.401 kali untuk
menjadi desa maju.
Desa yang tempat buang air besar sebagian
besar keluarganya (X6) bukan jamban
memiliki kecenderungan untuk menjadi desa
maju 0.245 kali dibandingkan dengan desa
yang tempat buang air besar sebagian besar
keluarganya pada jamban sendiri, bersama
atau umum. Pengertian yang setara bahwa
desa yang keluarganya sebagian besar buang
air besar pada jamban sendiri, bersama, atau
umum memiliki kecenderungan 4.082 kali
untuk menjadi desa maju.
Peubah fasilitas pendidikan (X7) diperoleh
nilai rasio oddsnya sebesar 1.125, berarti
setiap bertambahnya 1 unit sekolah pada suatu
desa akan meningkatkan kecenderungan untuk
menjadi desa maju sebesar 1.125 kali. Berarti
semakin meningkat jumlah sekolah akan

8

meningkatkan kecenderungan desa tersebut
menjadi desa maju semakin tinggi.
Nilai rasio odds untuk peubah tenaga
kesehatan (X10) 1.054. Artinya setiap
penambahan satu orang tenaga kesehatan di
desa
tersebut
akan
meningkatkan
kecenderungan untuk menjadi desa maju
sebesar 1.054 kali. Hal ini dapat diartikan juga
bahwa dengan bertambahnya jumlah tenaga
kesehatan akan meningkatkan kecenderungan
desa tersebut menjadi desa maju semakin
tinggi.
Interpretasi untuk nilai rasio odds dari
peubah sinyal HP (X13) adalah sebesar 1.948.
Artinya adalah desa dengan sinyal HP kuat
mempunyai kecenderungan untuk menjadi
desa maju 1.948 kali dibanding desa dengan
sinyal HP yang lemah atau tidak ada.
Tabel 6 Ketepatan prediksi model regresi
logistik.
Prediksi
%
Aktual
tertinggal
maju
benar
tertinggal
maju

73
29
% keseluruhan

143
467

33.8
94.2
75.8

Berdasarkan Tabel 6 di atas dapat dilihat
bahwa dari 216 desa tertinggal sebanyak 73
desa diklasifikasikan dengan benar, sedangkan
dari 496 desa maju sebanyak 467 desa
diklasifikasikan dengan benar. Persentase
masing-masing hasil klasifikasi sebesar 33.8%
dan 94.2% dengan total klasifikasi yang benar
dari 712 desa adalah 75.8%. Kesalahan
prediksi untuk desa tertinggal yang diprediksi
maju sangat besar pada metode regresi
logistik yaitu sebanyak 143 desa. Hal ini dapat
disebabkan oleh pengkategorian ulang dari
peubah penjelas. Sehingga akan merugikan
bagi desa tersebut dan pemerintah yang ingin
memberikan bantuan untuk pembangunan
bagi desa yang masih tertinggal. Maka dari itu
model ini dapat dikatakan belum cukup baik
diterapkan pada desa tertinggal.
Analisis Pohon Regresi dan Klasifikasi
Metode pohon klasifikasi menampilkan
hasil berupa pohon keputusan. Pohon
klasifikasi dibentuk dari peubah penjelas yang
sudah dikategori ulang sebelumnya. peubah
yang paling berpengaruh akan menjadi
pemilah pertama pada pohon keputusan.
Pohon klasifikasi maksimum yang
dihasilkan memiliki sepuluh simpul anak
dengan enam simpul terminal (Lampiran 4).

Menurut Breiman et al. (1993), pohon
optimum
dapat
diperoleh
melalui
pemangkasan berdasarkan aturan Cost
Complexity Minimum dan penggunaan
validasi silang lipat-10 (10-fold Cross
Validation). Sehingga didapat pohon optimum
yang memilki empat simpul anak dengan tiga
simpul terminal (Gambar 4).
Peubah penjelas yang masuk ke dalam
pohon klasifikasi yaitu telepon kabel dan
jamban. Peubah pertama yang menyekat
adalah kepemilikan telepon kabel. Hal ini
menyatakan
bahwa
peubah
tersebut
merupakan peubah yang paling dominan
dalam pembentukan pohon klasifikasi.
Desa yang bejumlah 712 pada simpul
pertama (simpul 0) dipilah menjadi kelompok
kiri dan kelompok kanan oleh peubah telepon
kabel. Desa yang penduduknya memiliki
telepon kabel kurang dari sama dengan 11,5
keluarga sebanyak 320 desa mengelompok
pada simpul 1 (kiri) sedangkan desa yang
pendidiknya memiliki telepon kabel lebih dari
11,5 sebanyak 392 mengelompok pada simpul
2 (kanan). Simpul 2 merupakan simpul
terminal. Penurunan nilai impuritas dalam hal
ini menggunakan indeks Gini pada simpul
pertama sebesar 0,0499 ditunjukan oleh
improvement pada Gambar 4.

Gambar 4 Pohon klasifikasi optimum
Terdapat 320 desa pada simpul 1 yang
dipilah lagi menjadi dua kelompok oleh
peubah jamban. Desa yang sebagian besar
penduduknya membuang air besar di jamban
sendiri, jamban bersama, atau jamban umum

9

sebanyak 248 desa mengelompok pada simpul
3 (kiri) sedangkan desa yang sebagian besar
penduduknya membuang air besar di bukan
jamban sebanyak 72 desa mengelompok pada
simpul 4 (kanan). Simpul 3 dan 4 merupakan
simpul terminal. Penurunan nilai impuritas
dalam hal ini menggunakan indeks Gini pada
simpul 1 sebesar 0,0174.
Hasil pohon klasifikasi optimum yaitu tiga
klasifikasi status desa. Klasifikasi yang
terbentuk adalah sebagai berikut :
dan
1. Jumlah pemilik telepon kabel
sebagian besar membuang air besar di
jamban sendiri, bersama, atau umum.
dan
2. Jumlah pemilik telepon kabel
sebagian besar membuang air besar di
bukan jamban.
.
3. Jumlah pemilik telepon kabel
Klasifikasi pertama berjumlah 248 desa
dengan label kelas desa tersebut termasuk
dalam kategori desa maju. Klasifikasi kedua
memiliki label kelas tertinggal yang berjumlah
72 desa. Sedangkan kategori ketiga memiliki
jumlah terbanyak yaitu 392 desa dengan label
kelas maju.
Tingkat ketepatan pengklasifikasian pada
metode ini adalah 74,4%. Dari total 216 desa
tertinggal sebanyak 53 desa diklasifikasikan
dengan benar, sedangkan dari 496 desa maju
sebanyak 477 desa diklasifikasikan dengan
benar. Kesalahan prediksi untuk desa
tertinggal yang diprediksi maju sangat besar
pada metode CART yaitu sebanyak 163 desa.
Hal ini dapat disebabkan oleh pengkategorian
ulang dari peubah penjelas. Sehingga dapat
dikatakan model ini belum cukup baik
diterapkan pada desa tertinggal (Tabel 7).

besar 1.4% dari metode CART. Akan tetapi
dapat dikatakan bahwa kedua metode tersebut
sudah cukup baik dalam memprediksi peubah
respon dalam kasus ini status desa.
Perbedaan tingkat ketepatan prediksi dapat
disebabkan oleh oleh perbedaan hasil
pengklasifikasian. Dalam regresi logistik
peubah bebas yang terpilih sebagai peubah
yang berpengaruh terhadap peubah respon
adalah bahan bakar, jamban, fasilitas
pendidikan, tenaga kesehatan, dan sinyal HP.
Sedangkan pada metode CART peubah yang
terpilih adalah telepon kabel dan jamban.
Peubah jamban merupakan peubah yang
konsisten berpengaruh pada analisis regresi
logistik maupun metode CART.

(a)

Tabel 7 Ketepatan prediksi metode CART.
Prediksi
%
Aktual
tertinggal
maju
benar
tertinggal
maju

53

163

24.5

19

477

96.2

% keseluruhan

74.4

Perbandingan Hasil
Menurut Hosmer dan Lemeshow (2000)
salah satu ukuran kebaikan model adalah jika
memiliki peluang kesalahan klasifikasi yang
minimal dan ketepatan prediksi dari model.
Dari Tabel 2 diperoleh total ketepatan prediksi
analisis regresi logistik sebesar 75,8% dan
dari Tabel 4 diperolah total ketepatan prediksi
motede CART sebesar 74,4%. Hal ini
menunjukkan bahwa metode regeresi logistik
memiliki nilai ketepatan prediksi yang lebih

(b)
Gambar 5 Kurva ROC, (a) regresi logistik,
(b) CART

10

Kebaikan model yang dihasilkan oleh
kedua metode juga dapat dilihat dari kurva
receiver operating characteristic (ROC).
Semakin luas area di bawah kurva maka
semakin baik model tersebut. Dari hasil yang
diperoleh, metode regresi logistik biner
memiliki luas di bawah kurva sebesar 0.788
sedangkan metode CART memiliki luas di
bawah kurva sebesar 0.771. Kedua metode
dapat dikatakan sudah cukup baik dalam
memprediksi peubah respon dilihat dari
kecilnya perbedaan luas area di bawah kurva
ROC (Gambar 5).
KESIMPULAN
Peubah-peubah yang signifikan terhadap
peubah respon status desa dari hasil regresi
logistik biner yaitu bahan bakar, jamban,
fasilitas pendidikan, tenaga kesehatan, dan
sinyal HP. Model logit yang didapatkan
adalah
g(x) = 0.483 – 1.223 X4(1) – 1.405 X6(1) +
0.118 X7 + 0.502 X10 + 0.667 X13(1)
Pohon klasifikasi yang terbentuk pada
kasus ini menghasilkan pohon optimum
dengan tiga simpul terminal. Peubah penjelas
yang masuk ke dalam pohon klasifikasi yaitu
telepon kabel dan jamban. Peubah yang
menjadi penyekat utama adalah peubah
kepemilikan telepon kabel.
Perbandingan hasil dari kedua analisis
tersebut menunjukkan bahwa metode regeresi
logistik memiliki nilai ketepatan prediksi yang
lebih besar 1.4% dari metode CART. Selain
itu, metode regresi logistik juga memiliki luas
area di bawah kurva ROC lebih luas
dibandingkan dengan metode CART. Kedua
metode tersebut dapat disimpulkan secara
umum sudah cukup baik dalam memprediksi
peubah respon dilihat dari kecilnya perbedaan
perbandingan hasil dengan menggunakan nilai
ketepatan prediksi dan kurva ROC. Tetapi
kedua model tersebut secara khusus belum
cukup baik diterapkan pada desa tertinggal.
DAFTAR PUSTAKA
Amanati ANN. 2001. Perbandingan Analisis
Regresi Logistik dan Analisis Pohon
Regresi
(Studi
Kasus
pada
Pengelompokan Nasabah Bank Syariah
dan
Nasabah
Bank
konvensional)
[Skripsi]. Bogor: Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.

Breiman L, JH Friedman, RA Olshen, CJ
Stone. 1993. Classification and Regression
Trees. New York: Champan and Hall.
Field AP. 2000. Discovering Statistics Using
SPSS for Windows: Advanced Techniques
for the Beginner. London: Sage.
Hosmer DW, S Lemeshow. 2000. Applied
Logistic Regression. New York: John
Wiley & Sons, Inc.
Kardiana A, Aunuddin, AH Wigena, H
Wijayanto. 2006. Metode Klasifikasi
Berstruktur Pohon Biner: Kasus Prakiraan
Sifat
Hujan
Bulanan
di
Bogor.
Yogyakarta, 17 Juni 2006. Seminar
Nasional Aplikasi Teknologi Informasi
(SNATI). hlm: G21-G25.
Komalasari WB. 2007. Metode Pohon
Regresi untuk Eksplorasi Data dengan
Peubah yang Banyak dan Kompleks.
Informatika Pertanian Volume 16 No. 1,
Juli 2007. hlm: 967-980.
Yohannes
Y,
J
Hoddinott.
1999.
Classification and Regression Trees.
Trees: An Intoduction. International Food
Policy Research Institute (IFPPRI).
Washington D.C., USA.

11

LAMPIRAN

12

Lampiran 1. Peubah-peubah penjelas yang digunakan
Kode
Peubah
X1

Nama Peubah
Sumber penghasilan utama sebagian besar
penduduk

X2

Keluarga pengguna listrik

X3

Penerangan jalan utama desa/kelurahan

X4

Bahan bakar yang digunakan oleh sebagian
besar keluarga untuk memasak

X5

Sebagian besar penduduk membuang sampah
ke

X6

Tempat buang air besar sebagian besar
keluarga

X7
X8
X9
X10
X11

Fasilitas pendidikan
Fasilitas keterampilan
Fasilitas kesehatan
Tenaga kesehatan
Jenis permukaan jalan yang terluas

X12
X13

Keluarga yang berlangganan telepon kabel
Sinyal telepon genggam/hand phone/mobile
phone di desa/kelurahan ini

X14

Kelompok pertokoan

X15

Pasar dengan bangunan permanen/semi
permanen

Kategori
1. Pertanian
2. Pertambangan dan penggalian
3. Industri pengolahan
4. Perdagangan besar/eceran, rumah
makan
5. Angkutan,
pergudangan,
komunikasi
6. Jasa
7. Lainnya (gas, listrik, perbankan,
dll)
0. Tidak ada
1. Ada
0. Tidak ada
1. Ada
1. Gas kota/LPG
2. Minyak tanah
3. Kayu bakar
4. Lainnya (batu bara, arang, dll)
1. Tempat
sampah
kemudian
diangkut
2. Dalam lubang/dibakar
4. Sungai
8. Lainnya
1. Jamban sendiri
2. Jamban umum
3. Jamban bersama
4. Bukan jamban

1. Aspal/beton
2. Diperkeras (kerikil, batu, dsb)
3. Tanah
4. Lainnya

0. Tidak ada
1. Ada lemah
2. Ada kuat
0. Tidak ada
1. Ada
0. Tidak ada
1. Ada

13

Lampiran 2. Deskripsi distribusi karakteristik desa
Keluarga Pengguna Listrik

Tempat Membuang Sampah
Penduduk
250

600
200

400
300

ada

jumlah

jumlah

500

150
tempat sampah
100

lubang

200

sungai

50
100

tertinggal

tertinggal

maju

Penerangan Jalan Utama Desa

Tempat Buang Air Besar Penduduk

600
500

300
tidak ad

jumlah

400

200

ada
100
0
tertinggal

status desa

maju

status desa

status desa

jumlah

lainnya

0

0

500
450
400
350
300
250
200
150
100
50
0

maju

jamban sendiri
jamban bersama
bukan jamban

tertinggal

maju

status desa

Bahan Bakar Memasak Penduduk

Jenis Permukaan Jalan Utama Desa

350

600

300

500
400

200

LPG

150

minyak tana

100

kayu bakar

50

jumlah

jumlah

250
aspal

300

kerikil/batu
200

tanah

100

0

0
tertinggal

maju

status desa

tertinggal

status desa

maju

14

Lampiran 2. (Lanjutan)
Sinyal Telepon Genggam
600
500

jumlah

400
tidak ada

300

ada lemah
200
ada kuat
100
0
tertinggal

maju

status desa

Kelompok Pertokoan
400
350

jumlah

300
250
200

tidak ad

150

ada

100
50
0
tertinggal

maju

status desa

Pasar Permanen / Semi Permanen
300
250

jumlah

200
150

tidak ad

100

ada

50
0
tertinggal

status desa

maju

15

Lampiran 3. Peubah-peubah penjelas setelah dikategori ulang
Kode
Peubah
X1

Nama Peubah

Kategori

Sumber penghasilan utama sebagian besar
penduduk

X2

Keluarga pengguna listrik

X3

Penerangan jalan utama desa/kelurahan

X4

Bahan bakar yang digunakan oleh sebagian
besar keluarga untuk memasak

X5

Sebagian besar penduduk membuang sampah
ke

X6

Tempat buang air besar sebagian besar keluarga

1. Pertanian
2. Pertambangan dan penggalian
Industri pengolahan
Perdagangan
besar/eceran,
rumah makan
Angkutan,
pergudangan,
komunikasi
Jasa
Lainnya (gas, listrik, perbankan,
dll)
0. Tidak ada
1. Ada
0. Tidak ada
1. Ada
1. Gas kota/LPG
Minyak tanah
2. Kayu bakar
Lainnya (batu bara, arang, dll)
1. Tempat
sampah
kemudian
diangkut
2. Dalam lubang/dibakar
Sungai
Lainnya
1. Jamban sendiri
Jamban umum
Jamban bersama
2. Bukan jamban

X7
X8
X9
X10
X11

Fasilitas pendidikan
Fasilitas keterampilan
Fasilitas kesehatan
Tenaga kesehatan
Jenis permukaan jalan yang terluas

X12
X13

Keluarga yang berlangganan telepon kabel
Sinyal telepon genggam/hand phone/mobile
phone di desa/kelurahan ini

X14

Kelompok pertokoan

X15

Pasar dengan bangunan permanen/semi
permanen

1. Aspal/beton
2. Diperkeras (kerikil, batu, dsb)
3. Tanah
4. Lainnya

1. Tidak ada
Ada lemah
2. Ada kuat
0. Tidak ada
1. Ada
0. Tidak ada
1. Ada

16

Lampiran 4. Pohon regresi maksimum