41
persen. Untuk itu digunakan nilai likelihood ratio, dimana likelihood ratio mengikuti distribusi chi-square dengan df = degrees of freedom sebesar
banyaknya variabel bebas. Untuk memeriksa koefisien atau peranan peubah penjelas atau variabel
bebas dalam model secara parsial dilakukan uji-Wald. Hipotesisnya : H
: ß
i
= 0 H
1
: ß
i
? 0 i = 1, 2, …, p rumus uji- Wald tersebut adalah :
i i
i
S W
β β
= ................................................................................. 8
dimana
i
β
merupakan penduga
i
β dan
i
S β
adalah dugaan galat baku dari
i
β
. Statistik uji-Wald mengikuti sebaran normal baku Hosmer dan Lemeshow,
1989. Kriteria uji ini adalah : 1 jika |W| Z
a2
, terima H 2 jika |W| Z
a2
, tolak H
3.8. Interpretasi Koefisien dan Daya Ramal Prediksi
Interpretasi koefisien dilakukan pada peubah-peubah yang berpengaruh nyata. Interpretasi dilakukan dengan melihat tanda dari koefisien tersebut. Jika
koefisien yang diperoleh bernilai positif maka kecenderungan Y=1 lebih besar terjadi pada peubah bebas X = 1 daripada X = 0.
Rasio odds dapat digunakan untuk memudahkan interpretasi koefisien. Rasio odds adalah ukuran yang memperkirakan berapa besar kecenderungan
42
peubah-peubah penjelas variabel bebas terhadap peubah respon variabel tak bebas Hosmer dan Lemeshow, 1989. Jika suatu variabel bebas mempunyai
tanda koefisien positif, maka nilai rasio oddsnya lebih besar dari satu, sebaliknya jika tanda koefisiennya negatif, maka nilai rasio oddsnya lebih kecil dari satu.
Menurut Hosmer dan Lemeshow 1989 koefisien model logit ditulis sebagai
i
β = gx + 1 – gx. Parameter
i
β slope mencerminkan perubahan
dalam fungsi logit gx untuk perubahan satu unit peubah bebas X yang disebut log odds
. Log odds merupakan beda antara dua penduga yang dihitung pada dua nilai misal x = a dan x = b yang dinotasikan sebagai :
] ,
ln[ b
a b
x g
a x
g b
a
i
− =
= −
= =
Ψ β
............................ 9 sedangkan penduga rasio-odds adalah :
[ ]
[ ]
1 1
1 1
π π
π π
− −
= Ψ
1 ln
g g
− =
Ψ
i
β =
Ψ ln
.................................................................................... 10 Dimana rasio odds
Ψ
= 1 dapat diartikan bahwa x = 1 akan mempunyai peluang yang sama dengan x = 0 untuk menghasilkan Y = 1. Apabila 1
Ψ
~ maka x = 1 mempunyai peluang yang lebih besar.
Sedangkan untuk mendapatkan nilai ramalan atau prediksi model dapat dilakukan dengan menggunakan hasil casewise list. Hasil daya ramal prediksi
model, menggunakan kriteria pemotongan dengan nilai peluang 0,5. Karena variabel tidak bebas Y dalam model logit mengambil nilai 0 dan 1, maka jika nilai
prediksi lebih besar dari 0,5 dibulatkan menjadi satu, jika kurang dari 0,5
43
dibulatkan menjadi nol. Output casewise list akan menunjukkan banyaknya kasus yang tidak terklasifikasi dengan tepat.
Ukuran ketepatan fungsi konvensional R
2
tidak tepat dipergunakan di dalam regresi dimana variabel tidak bebasnya adalah dummy atau binary, maka
dapat dipakai nilai pseudo R square, yaitu mengunakan nilai negelkerke R square. Jenis lainnya disebut count R
2
percentage correct , yang merupakan hasil dari
pembagian antara number of correction prediction dengan total number of observation
.
IV. HASIL DAN PEMBAHASAN
