Model Regresi Logistik Staff Site Universitas Negeri Yogyakarta
2. Model Regresi Logistik
Model regresi logistik digunakan untuk mencari hubungan antara variabel respon yang bersifat kategorik dengan variabel prediktor yang bersifat kontinu atau kategorik. Nilai dari variabel respon Y yang bersifat biner atau dikotomus dibedakan atas dua kategori, misalnya Y = 0 dan Y = 1. Misalkan terdapat p variabel X’ = X 1 , X 2 , …, X P yang berpasangan dengan variabel respon Y. Peluang Y = 1 dinotasikan dengan πx. Fungsi regresi logistik πx adalah: ] exp[ 1 ] exp[ gx gx x + = π , 1 dengan gx = β + β 1 x 1 + β 2 x 2 + … + β p x p Hosmer dan Lemeshow, 1989. Fungsi regresi di atas berbentuk curvilinear sehingga untuk membuatnya menjadi fungsi linear dilakukan transformasi logit sebagai berikut Agresti, 1990: gx x x x Logit = ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = ] [ π π π 1 log 2 Pada model regresi linear diasumsikan bahwa suatu amatan dari variabel respon dinyatakan sebagai y = EY⏐x + ε, dengan EY⏐x = β + β 1 x 1 + β 2 x 2 + … + β p x p merupakan mean populasi dan ε adalah error yang merupakan komponen acak yang menunjukkan penyimpangan amatan dari rataannya. Error ε diasumsikan mengikuti distribusi normal dengan mean sama dengan nol dan variansi konstan. Pada model regresi logistik variabel respon dinyatakan sebagai y = πx + ε. Nilai ε mempunyai salah satu dari dua kemungkinan yaitu: , 3 ⎩ ⎨ ⎧ = = − = y jika - 1 y jika 1 x x π π ε sehingga distribusi error model regresi logistik akan mempunyai rataan sama dengan nol dan variansi {πx.1 ‐ πx} Hosmer dan Lemeshow, 1989. SEMNAS Matematika dan Pend. Matematika 2007 718 Prosedur penaksiran parameter dilakukan dengan metode maximum likelihood , yang secara lengkap dapat dilihat pada Hosmer dan Lemeshow 1989 dan Agresti 1990. Uji signifikansi parameter dilakukan dua tahap, yaitu uji serentak dilanjutkan dengan uji parsial. Uji serentak digunakan untuk mengetahui peran seluruh variabel prediktor dalam model secara serentak, dengan hipotesis: H : β 1 = β 2 = ... = β p = 0 H 1 : minimal ada satu β j yang tidak sama dengan nol, j = 1, 2, ..., p Statistik uji yang digunakan adalah uji G Likelihood Ratio Test: [ ] [ ] ⎭ ⎬ ⎫ ⎩ ⎨ ⎧ − + − − − + = ∑ n n n n n n y y G i i i i ln ln ln ˆ 1 ln 1 ˆ ln 2 1 1 π π , 4 dengan: n = banyak observasi yang bernilai Y = 1 n 1 = banyak observasi yang bernilai Y = 0 n = n + n 1 Hipotesis H ditolak jika P G atau p‐value α. Statistik uji G mengikuti distribusi chi‐square dengan derajat bebas ν banyaknya parameter dalam model. 2 , υ α χ Jika uji serentak menunjukkan adanya parameter yang signifikan maka dilanjutkan dengan uji parsial, yang merupakan pengujian β i secara individual. Hasil pengujian akan menunjukkan apakah suatu variabel prediktor layak untuk masuk dalam model atau tidak. Hipotesis yang digunakan: H : β j = 0 H 1 : β j ≠ 0, j = 1, 2, ..., p. Statistik uji yang digunakan adalah uji Wald: j j SE W β β ˆ ˆ = 5 Matematika 719 dengan adalah penduga maximum likelihood dan SE adalah standard error untuk . Hipotesis H j βˆ j βˆ j βˆ ditolak jika P⏐W⏐ Z atau p‐value α nilai yang ditetapkan peneliti. Statistik uji W merupakan variabel random yang mengikuti distribusi normal standar.3. Model Neural Networks NN untuk Klasifikasi Data
Parts
» Staff Site Universitas Negeri Yogyakarta
» Dr. Djaelani 3. Dr. Rusgianto HS Sahid, M.Sc.
» Pendahuluan Staff Site Universitas Negeri Yogyakarta
» Statistika Staff Site Universitas Negeri Yogyakarta
» Pembahasan Staff Site Universitas Negeri Yogyakarta
» Rancangan Percobaan dan Analisis Variansi
» Kesimpulan Staff Site Universitas Negeri Yogyakarta
» Perumusan Tinjauan Pustaka PENDAHULUAN
» Tujuan Penelitian Manfaat Penelitian
» HASIL Staff Site Universitas Negeri Yogyakarta
» Belajar T I N J A U A N P U S T A K A
» Pendekatan Mathematics Problem Solving
» SWiSHmax T I N J A U A N P U S T A K A
» Populasi dan Sampel Desain Penelitian
» Metode Pengumpulan Data Instrumen Penelitian Teknik Analisis Data
» Simpulan Saran S I M P U L A N D A N S A R A N
» Pemahaman Matematika Model Belajar Kooperatif Tipe Student Team Achievement Division
» Model Belajar Kooperatif Tipe Teams Games Tournament TGT Model Belajar Kelompok Tipe Jigsaw
» LANDASAN TEORI Teknik Sampling
» Populasi dan Sampel Variabel Penelitian Deskriptif Data Uji
» British context: the works of David Tall
» Taiwaness Context: the works of Fou Lai Lin
» Singapore Staff Site Universitas Negeri Yogyakarta
» Malaysian Staff Site Universitas Negeri Yogyakarta
» Indonesian Staff Site Universitas Negeri Yogyakarta
» Metode Eksperimen Hasil Pengembangan Perangkat Pembelajaran
» Simpulan Saran Staff Site Universitas Negeri Yogyakarta
» Metakognitif Pembelajaran Matemátika dengan Pendekatan Metakognitif
» Kemampuan Pemecahan Masalah Pembahasan
» Pembelajaran Matematika dengan Pendekatan Metakognitif dalam
» Pentutup Staff Site Universitas Negeri Yogyakarta
» Pelaksanaan Siklus 2 Staff Site Universitas Negeri Yogyakarta
» Instrumen Skala Sikap Format Observasi Format Wawancara Tes Pengetahuan Penunjang
» Data Hasil Non Tes Kemampuan Pengetahuan Penunjang
» Kemampuan Koneksi Matematik KKM Siswa
» g dan i berturut‐turut dibagi s hasilnya p dan q t, y, dan s bilangan prima.
» Latar belakang Staff Site Universitas Negeri Yogyakarta
» Peran guru dalam proses pembelajaran Proses pembelajaran sentra
» Perkembangan Psikososial Perkembangan Bahasa dan Komunikasi Perkembangan Seni
» Identifikasi fokus masalah. Pengumpulan data. Analisis dan interpretasi data. Penyusunan rencana.
» Pelaksanaan. Pembelajaran Kooperatif Tipe Teams‐Games‐Tournaments TGT
» Pendidikan Lingkungan Hidup Konsep Sekolah Berwawasan Lingkungan
» Sikap Ramah Lingkungan Staff Site Universitas Negeri Yogyakarta
» Proses dan Kualitas Pembelajaran
» Perkuliahan Komputasi Statistik Staff Site Universitas Negeri Yogyakarta
» Sisi – Sisi Metakognitif Staff Site Universitas Negeri Yogyakarta
» Kesadaran diri dari proses berpikir seseorang
» Kontrol atau monitoring diri dari proses berpikir seseorang
» Latar Belakang Masalah Pembelajaran Matematika dengan Pendekatan Metakognitif
» Rumusan Masalah Tujuan Penelitian Desain Penelitian
» Populasi dan Sampel Hasil Penelitian
» Kemampuan Berpikir Kreatif Staff Site Universitas Negeri Yogyakarta
» Kesimpulan Rekomendasi Deskripsi Jawaban Siswa
» Dapatkah Staff Site Universitas Negeri Yogyakarta
» Bertukar Pasangan Berpikir ‐ Berpasangan ‐ Berempat
» Berkirim Salam dan Soal . Kepala Bernomor
» Bahasan Himpunan Dua Tinggal Dua Tamu two stay two stray
» Bahasan Statistik Tinjauan Pokok Bahasan Statistik Tingkat SMP Daftar Frekuensi
» Setting Penelitian dan Subyek Penelitian .
» Rencana Tindakan Pelaksanaan Tindakan
» Analisis Hasil Penelitian Keaktifan Siswa Dalam PBM Analisis Hasil Test Prestasi Belajar Siswa
» Analisis Hasil Penelitian Keaktifan Siswa Dalam PBM
» Analisis Hasil Test Prestasi Belajar siswa Kelas VIII SMPN 2 Pringkuku
» Matematika Untuk SMPMTs VIII. Bandung : Sarana Metodologi Penelitian Pendidikan , Penerbit SIC
» Masalah Tujuan Staff Site Universitas Negeri Yogyakarta
» KESIMPULAN Level 4 Ketatrigor: Siswa pada tingkat ini memahami aspek‐aspek formal
» Model Nested Logit Staff Site Universitas Negeri Yogyakarta
» Overlapping Nest Staff Site Universitas Negeri Yogyakarta
» Rancangan Percobaan dan Membangkitkan data
» Model MNL dan model nest logit
» Model Multinomial Probit MNP
» Identifikasi Paramater Staff Site Universitas Negeri Yogyakarta
» Variasi individu Staff Site Universitas Negeri Yogyakarta
» Plotting Data Sampel Penentuan Hipotesis Penaksiran Parameter Uji Anderson‐Darling
» Sampling Proporsi Taksiran Distribusi Kematian
» PENDAHULUAN KESIMPULAN Staff Site Universitas Negeri Yogyakarta
» Pendahuluan RUMUSAN MASALAH Staff Site Universitas Negeri Yogyakarta
» Interval Kepercayaan untuk Kajian Teori
» Kesimpulan Daftar Pustaka Staff Site Universitas Negeri Yogyakarta
» Algoritma untuk menentukan nilai awal Algoritma untuk menentukan nilai awal dengan menggunakan
» A., Mood, A. M. and Boes, D. C., 1963, Introduction To The Theory of
» Latar Belakang Masalah Rumusan Masalah
» Manfaat penelitian Staff Site Universitas Negeri Yogyakarta
» Model Regresi Logistik Staff Site Universitas Negeri Yogyakarta
» Model Neural Networks NN untuk Klasifikasi Data
» Metode Penelitian Persentase Ketepatan Masa Studi Mahasiswa Ketepatan
» Penutup Daftar Pustaka Staff Site Universitas Negeri Yogyakarta
» GRUP TOPOLOGIS Staff Site Universitas Negeri Yogyakarta
» SUBGRUP TOPOLOGIS Staff Site Universitas Negeri Yogyakarta
» GRUP TOPOLOGIS KUOSEN Staff Site Universitas Negeri Yogyakarta
» Asumsi dan Model Inventory Multi‐Item
» Program Nonlinear Probabilistik Hasil Peneltian dan Pembahasan
» Model regresi linier log gamma Estimasi parameter regresi log gamma dengan metode MLE
» Penerapan program pada kasus data tahan hidup
» Aplikasi pada Data Pasien Myeloma Kanker Tulang
» 23‐33. Staff Site Universitas Negeri Yogyakarta
» PENDAHULUAN Latar Staff Site Universitas Negeri Yogyakarta
» METODOLOGI Staff Site Universitas Negeri Yogyakarta
» HASIL DAN PEMBAHASAN Staff Site Universitas Negeri Yogyakarta
» Model Regresi Cox Estimasi Parameter Dalam Model Regresi Cox Menentukan fungsi Partial Likelihood
» APLIKASI DATA REAL Estimasi Fungsi Hazard Dasar
» Estimator Kernel Algoritma dan Program R
» Perkembangan Pendugaan Area Kecil
» Generalized Regression Staff Site Universitas Negeri Yogyakarta
» Pendugaan langsung Pendugaan GREG
» Model Based Design Estimator Pembahasan Hasil Kajian
» Penalized spline merupakan potongan‐potongan polinomial
» Introduction Staff Site Universitas Negeri Yogyakarta
» Pndahuluan Staff Site Universitas Negeri Yogyakarta
» Model Hazard proporsional Semiparametrik Estimasi Generalized Profile Likelihood dalam Model‐Model
» Latar Belakang Tujuan dan Manfaat Penelitian
» Algoritma PageRank Matrik Markov
» Vektor Eigen dan Nilai Eigen Metode Pangkat
Show more