4.3 Metode Analisis Regresi Logistik
Regresi logistik tidak terbatas hanya dapat diterapkan pada kasus dimana variabel X nya bertipe interval atau rasio saja. Tapi regresi logistik juga bisa
diterapkan untuk kasus dimana variabel X nya bertipe data nominal atau ordinal. Hal ini seperti ini analog dengan regresi linier dengan variabel dummy. Nilai duga regresi
logistik Y duga merupakan nilai peluang. Lebih tepatnya berapakah peluang seorang ARB untuk bisa melihat minta pemilih yang penilaiannya pada variabel pola
pikir, kesan dan penamilan. Rentang nilai duga yang dihasilkan akan berkisar antara 0 s.d. 1. Kita ingat bahwa kisaran atau rentang nilai peluang adalah 0 s.d 1.
Regresi logistik merupakan pengembangan lebih lanjut sebagai multivariat chi squareyaitu variabel dependentnya dalam skala data nominal dikotomis. Regresi
logistik termasuk dalam rumpun dari regresi sehingga kedudukannya sama dengan regresi linier, sebagai uji prediksi atau estimasi, namun secara sederhana perbedaan
antara regresi biasa dengan pemodelan logit ialah hanya pada variabel dependen atau responnya. Dimana pada regresi biasa dengan pemodelan logit ialah hanya pada
variabel dependen dan responnya. Dimana pada regresi biasa, data variabel berupa data kontinyu, namun pada regresi logistik, data variabel dependennya berupa
kategorik, baik Biner seperti Ya atau Tidak yang seringdisebut dikotomus, atau juga polycotomus seperti sangat setuju, setuju, biasa, tidak setuju,dan sangat tidak
setuju, namun yang sering digunakan adalah untuk variabel dependen dikotomus. Regresi logistik logistic regression sebenarnya sama dengan
analisis regresi berganda, hanya variabel terikatnya merupakan variabel dummy 0
Universitas Sumatera Utara
dan 1. Model regresi logistik menggunakan transformasi logit. Pada model ini, yang diregrsikan adalah peluang variabel respon sama dengan 1.
Output tersebut diawali dengan Response Information. Output 1 ini menampilkan informasi yang berkaitan dengan kategori pada variabel respon, dimana
untuk kasus ini variabel Pola Pikir, Kesan, Penampilan, yang memiliki dua kategori yaitu Berpengaruh dan Tidak Berpengaruh. Untuk variabel Pola Pikir sebanyak 24
pernyataan tidak berpengaruh dan sebanyak 76 pernyataan berpengaruh. Untuk variabel Kesan 34 pernyataan tidak berpengaruh dan 66 pernyataan dinyatakn
berpengaruh. Untuk variabel Penampilan sebanyak 44 pernyataan tidak berpengaruh dan 56 pernyataan dinyatakan berpengaruh. Dalam Output Classification Table
dijelaskan bahwa persentase variabel yang diprediksi sebesar 55 adalah baik, dan dari perbandingan antara kedua nilai mengindikasikan tidak terdapatnya masalah
homoskedastisitas asumsi model logit, dapat dilihat dalam Tabel-tabel berikut :
Tabel 4.8 Dependent Variable Encoding
Dalam Tabel 4.8 dapat dikategorikan hasil dari variabel X menjadi 2 kategori yaitu
berpengaruh dan tidak berpengaruh
Dependent Variable Encoding
Original Value Internal Value
dimension0
1 1
Universitas Sumatera Utara
Tabel 4.9 Categorical Variables Codings