ANALISIS PEKERJAAN UTAMA BIDANG PERTANIA

Tugas MK Anareg 2015/3KS1

7 Februari, 2016

ANALISIS PEKERJAAN UTAMA BIDANG PERTANIAN PADI DAN
PALAWIJA DALAM MENGHADAPI MEA (MASYARAKAT EKONOMI
ASEAN) DI JAWA TIMUR TAHUN 2013

Rezkya Putri Septiani
Email: 13.7832@stis.ac.id

ABSTRAK
Analisis regresi pada dasarnya digunakan sebagai alat untuk mengetahui bagaimana
hubungan antarvariabel, tulisan ini membahas analisis regresi logistik pada jenis
pekerjaan utama bidang pertanian padi dan palawija di Jawa Timur pada tahun 2013 yang
bertujuan untuk mengetahui apakah provinsi Jawa Timur memiliki sumberdaya manusia
yang mampu bersaing di bidang pekerjaan pertanian padi dan palawija. Analisis regresi
logistik yang digunakan menggunakan variabel dependen dan independen yang bersifat
kategorik. Pengolahan data susenas Jawa Timur tahun 2013 yang digunakan
menggunakan software SPSS dengan jumlah sampel sebesar 46923 penduduk.
Berdasarkan hasil analisis data, maka model yang layak digunakan ialah model dengan

menggunakan variabel independen tingkat pendidikan dan status dalam pekerjaan utama
karena dengan pertimbangan hasil dari uji regresi logistik dan menggunakan forward
wald dalam menentukan model terbaiknya. Jawa Timur diharapkan memiliki sumberdaya
manusia yang memiliki pendidikan tinggi dan kompeten di bidang pertanian agar dapat
bersaing dengan negara lain dalam Masyarakat Ekonomi ASEAN(MEA).

1

2

Analisis Regresi Logistik

1. PENDAHULUAN
Indonesia kaya akan sumberdaya alam dengan sumberdaya manusia nya yang
banyak apabila dibandingkan dengan negara ASEAN lainnya. Negara-negara anggota
ASEAN menyadari bahwa cara terbaik untuk bekerjasama adalah dengan saling
membuka perekonomian mereka, guna menciptakan integrasi ekonomi kawasan melalui
MEA (Masyarakat Ekonomi ASEAN). Namun di Indonesia masih terjadi banyak
masalah kependudukan dalam hal kualitas diantaranya masalah kependudukan dalam hal
mutu kehidupan dan kemampuan sumber daya manusianya. Masalah-masalah yang

menyebabkan kualitas penduduk Indonesia rendah antara lain pendidikan dan
produktivitas Indonesia masih kalah bersaing dengan tenaga kerja yang berasal dari
Malaysia, Singapura, dan Thailand. Menurut data BPS Jawa Timur, lapangan usaha
pertanian merupakan sektor yang memberikan PDRB tertinggi ketiga di Jawa Timur pada
tahun 2013 dengan persentase sebesar 13,46. Sumberdaya alam harus diolah oleh
sumberdaya manusia yang kompeten agar dapat bersaing dengan negara lainnya. Bidang
pekerjaan pertanian tersebut diharapkan dapat bersaing di pasar bebas Masyarakat
Ekonomi ASEAN (MEA) yang telah dimulai pada 2015. Oleh karena itu, perlu adanya
analisis bagaimana pekerjaan di bidang pertanian dan palawija ini berhubungan dengan
tingkat pendidikan, status kedudukan dalam pekerjaan, dan jenis kelamin dengan
menggunakan Analisis Regresi Logistik. Analisis ini bertujuan untuk memperkirakan
apakah pekerjaan di bidang pertanian padi dan palawija masih identik dengan penduduk
yang memiliki pendidikan rendah dan pekerja sukarela yang tidak digaji atau tidak.
Apabila berdasarkan hasil analisis akan ditemukan kecenderungan yang mengarah ke hal
tersebut maka dapat di prediksi bahwa adanya kemungkinan penduduk Jawa Timur
belum dapat bersaing dengan bidang pertanian di negara lain di MEA. Seperti yang kita
tahu bahwa saat ini di negara lain misalnya Thailand sedang mengembangkan
sumberdaya manusia yang kompeten di bidang pertanian agar dapat bersaing dalam pasar
bebas.


Rezkya Putri Septiani

3

Analisis regresi logistik digunakan saat variabel dependennya bersifat kategorik
dengan variabel independennya dapat berupa kategorik atau numerik. Analisis logistik ini
menggunakan data individu dari data susenas Jawa Timur pada tahun 2013 dengan
variabel dependennya ialah jenis pekerjaan utama dan variabel independennya berupa
pendidikan tertinggi yang ditamatkan, status kedudukan dalam pekerjaan utama, dan jenis
kelamin. Baik variabel dependen maupun independen bersifat kategorik.

4

Analisis Regresi Logistik
2. REGRESI LOGISTIK

Regresi

logistik


akan

membentuk

pendekatan

maximum

likelihood

yang

memaksimalkan probabiliy pengklasifikasian objek yang sedang diamati menjadi
kategori yang sesuai selanjutnya mengubahnya menjadi koefisien regresi sederhana. Pada
regresi linier, variabel dependen tidak dapat bersifat dikotomi dan bernilai numerik, pada
regresi logistik ini, variabel dependen dapat bersifat dikotomi misalnya benar atau salah.
Regresi logistik tidak seperti regresi linier biasa karena tidak mengasumsikan bahwa
hubungan antara variabel dependen dan independen bersifat linier. Regresi logistik akan
membentuk regresi non linier dimana model yang cocok akan mengikuti kurva linier.
Regresi logistik akan membentuk (ln P/(1-P)) berupa kombinasi linier dari variabel

independen. Adapun persamaan regresi logistik ialah :
Ln[odds (T/X1, X2, ...., Xk)]=β0+ β1X1+ β2X2+ ... +βkXk
Asumsi-asumsi pada regresi logistik:
a.

Variabel independen tidak harus memiliki keragaman yang sama antar
kelompok variabel.

b.

Tidak mengasumsikan hubungan linier antar variabel dependen dan independent

c.

Variabel dependen harus bersifat dikotomi (2 variabel).

d.

Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat
eksklusif .


e.

Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan
hingga 50 sampel data untuk sebuah variabel prediktor (bebas).

Menurut (Ghozali, 2011:225-228), teknik analisis dalam mengolah data ini tidak
memerlukan lagi uji normalitas dan uji asumsi klasik pada variabel bebasnya. Dalam
melakukan analisis regresi logistik, dilakukan pengujian Kelayakan Model Regresi,
Menilai Keseluruhan Model, Koefisien Determinasi, dan Pengujian Simultan.

Rezkya Putri Septiani

5

Kecocokan Model (model fit) dan Fungsi Likelihood
Pada regresi logistik dengan nilai Y antara 0 dan 1, akan menyebabkan pendekatan
linier tidak bisa digunakan sehingga pendekatan metode maximum likelihood digunakan
untuk menentukan model yang tepat untuk suatu persamaan regresi.
Hipotesis dalam regresi logistik antara lain:

h0 = persamaan regresi bernilai 0 [logit(p) = 0].
h1 = persamaan regresi berbeda nyata dari 0 [logit(p) ≠ 0].
Uji Wald
Uji Wald (uji parsial) yang digunakan untuk menguji pengaruh variabel independen
terhadap peubah respon. Adapun hipotesis untuk uji wald ialah:
H0 : variabel independen tidak berpengaruh terhadap variabel dependen
H1 : variabel independen berpengaruh terhadap variabel dependen
Tolak H0 jika p-value < alpha (0,05)

Hosmer-Lemeshow Test
Pengujian kelayakan model dapat dilakukan dengan melihat nilai statistik Goodness
of fit.Pengujian ini untuk melihat kecocokan atau kelayakan dari suatu model. Hipotesis

untuk tes ini ialah :
H0 : model regresi yang dibentuk layak
H1 : model regresi yang dibentuk tidak layak
Tolak H0 jika p-value < alpha (0,05)

6


Analisis Regresi Logistik

Pengujian Simultan (Omnibus Test of Model Coefficient)
Pengujian ini dilakukan untuk menguji apakah variabel-variabel independen yang
terdiri dari kompetensi aparatur dan kepemimpinan secara simultan berpengaruh terhadap
variabel dependen yaitu ketepatan waktu penyampaian pelaporan keuangan. Pengujian
hipotesis dilakukan dengan cara membandingkan antara nilai probabilitas (sig) dengan
tingkat signifikansi (α). Untuk menentukan penerimaan atau penolakan H0 didasarkan
pada tingkat signifikansi (α) 5% dengan kriteria :
1.

H0 tidak akan ditolak apabila statistik Wald hitung < Chi- square tabel, dan nilai
probabilitas (sig) > tingkat signifikansi (α). Hal ini berarti H alternatif ditolak
atau hipotesis yang menyatakan veriabel bebas berpengaruh terhadap variabel
terikat ditolak.

2.

H0 ditolak apabila statistik Wald hitung > Chi-square tabel, dan nilai
probabilitas (sig) < tingkat signifikansi (α). Hal ini berarti H alternatif diterima

atau hipotesis yang menyatakan variabel bebas berpengaruh terhadap variabel
terikat diterima.

Konsep Log Odds, Odds Ratio
Logit (log odds) adalah koefisien dari nilai b dari persamaan regresi. Regresi logistik
melihat perubahan pada nilai variabel dependen yang ditransformasi menjadi peluang,
bukan nilai aslinya seperti pada regresi linier. Nilai Odss Ratio merupakan nilai yang
akan menjelaskan seberapa besar resiko/kecenderungan suatu variabel independen
terhadap variabel dependen.

Rezkya Putri Septiani

7

3. METODE DAN TAHAPAN PENGOLAHAN DATA

Pada analisis regresi ini, akan dipilih model terbaik yang dipilih menggunakan regresi
logistik untuk menganalisis bidang pekerjaan di Jawa Timur dengan pemilihan variabel
berdasarkan kuesioner susenas Jawa Timur tahun 2013 sebagai berikut:



Variabel dependen : lapangan usaha/bidang pekerjaan dari tempat pekerjaan
selama seminggu terakhir dengan memberikan kode 1 untuk bidang pekerjaan
pertanian padi dan palawija dan kode 0 untuk bidang pekerjaan lainnya.



Variabel independen :
a.

Jenjang pendidikan tertinggi yang pernah diduduki dengan membagi
jenjang pendidikan menjadi dua kelompok yaitu rendah dan tinggi. Jenjang
pendidikan rendah yang memiliki kode 1 ialah untuk jenjang pendidikan
SD/SDLB, M.ibtidaiyah, paket A, SMP/SMPLB, M.Tsanawiyah, paket B,
SMA/SMLB, M.Aliyah, SMK, dan paket C, sedangkan untuk kelompok
jenjang pendidikan tinggi yang memiliki kode 0 ialah D1/D2, D3/sarjana
muda, D4/S1, S2/S3. Pengambilan dan pengelompokkan variabel ini
berdasarkan pertimbangan bahwa masih banyaknya para petani padi dan
palawija yang berpendidikan rendah.


b.

Status/kedudukan dalam pekerjaan utama selama seminggu terakhir dengan
memberikan kode 1 untuk pekerja keluarga atau tidak dibayar dan kode 0
untuk lainnya. Pengambilan kode 1 untuk pekerja keluarga dengan
pertimbangan bahwa masih banyak nya pekerja keluarga di bidang
pertanian padi dan palawija.

c.

Variabel independen terakhir yang digunakan ialah jenis kelamin, dengan
memberikan kode 1 untuk jenis kelamin laki-laki dan kode 0 untuk jenis
kelamin perempuan dengan pertimbangan pekerjaan bidang pertanian dan
palawija identik dengan penduduk yang berjenis kelamin pria.

8

Analisis Regresi Logistik
Untuk memilih model yang terbaik yang digunakan dengan cara memasukkan satu

per satu variabel independen ke dalam model regresi logistik dan dilihat nilai signifikansi
tiap kemungkinan model dan seberapa besar variabel independen dapat menjelaskan
variabel dependen. Pada regresi linier sederhana, untuk melihat kemampuan variabel
independen dalam menjelaskan variabel dependen dengan menggunakan nilai R2
sedangkan dalam regresi linier logistik dapat dilihat menggunakan nilai cox & Sneel R
dan Nagelkerke R Square. Semakin besar nilai kedua nya dan mendekati 100% maka

semakin bagus model tersebut.
Selain itu akan digunakan Hosmer and Lemeshow Test yang merupakan uji Goodness
Of Fit test (GoF) untuk menentukan apakah model yang telah dibentuk tersebut ialah

model yang sudah tepat atau tidak. Suatu model dikatakan tepat apabila tidak ada
perbedaan signifikan antara model dengan nilai observasinya. Omnibus test juga
digunakan agar dapat dilihat pengaruh nyata dari penambahan variabel independen
terhadap model. Setelah seluruh test telah dilakukan, maka akan dilakukan pendugaan
parameter model regresi logistik yang dipilih.
Dengan segala pertimbangan untuk menetapkan model terbaik yang digunakan, akan
diambil kesimpulan tentang hubungan antar variabel sehingga diharapkan adanya
informasi yang dapat digali dari data susenas Jawa Timur tahun 2013 untuk data individu.

Rezkya Putri Septiani

9
4. ANALISIS DATA

Dari variabel-variabel yang telah ditentukan sebelumnya akan ditentukan hubungan
antara variabel dependen dan independen dengan total sampel sebanyak 46923 penduduk.
Analisis data menggunakan Overall Percentage, Omnibus Test, Wald Test, Hosmer
And Lemeshow Test, dan Pseudo R2.

Kondisi Saat Belum Ada Variabel Independen yang Dimasukkan dalam Model
(Model Pertama)

Tabel 4.1 Tabel Klasifikasi
Yang Diprediksi
Bidang Pekerjaan
Lainnya
Lainnya
Bidang

Pertanian Padi

Pekerjaan

dan Palawija

Pertanian Padi dan
Palawija

Persentase
Kebenaran

36800

0

100

10123

0

0

Persentase

78,4

Pada tabel diatas, nilai persentase sebelum variabel independen dimasukkan ke dalam
model sebesar 78,4 % yang berarti ketepatan model penelitian ini sebesar 78,4 %.

Tabel 4.2 Variabel dalam Persamaan

konstanta

B

S.E

Wald

df

Sig.

Exp(B)

-1,291

0,011

13225,548

1

0

0,275

Selain melihat dari nilai persentase pada tabel klasifikasi, mempertimbangkan
bagaimana nilai dari konstanta dan parameter model juga diperlukan. Pada tabel 4.2, saat
belum ada variabel independen yang dimasukkan dalam model, mengakibatkan belum
adanya parameter model dan hanya menghasilkan satu nilai konstanta sebesar -1,291
dengan nilai signifikansi uji wald sebesar 0.

10

Analisis Regresi Logistik
Karena belum adanya variabel independen yang dimasukkan ke dalam model, maka

tidak dapat dilakukannya omnibus tes yang melihat pengaruh nyata dari penambahan
variabel indepennya.

Rezkya Putri Septiani

11

Kondisi Saat Variabel Independen Pendidikan Tertinggi Dimasukkan dalam Model
(Model Kedua)

Tabel 4.3 Tabel Klasifikasi
Yang Diprediksi
Bidang Pekerjaan
Lainnya
Lainnya
Bidang

Pertanian Padi

Pekerjaan

dan Palawija

Pertanian Padi dan
Palawija

Persentase
Kebenaran

36800

0

100

10123

0

0

Persentase

78,4

Sama seperti pada saat belum adanya variabel independen yang dimasukkan dalam
model, nilai overall persentase pada keadaan yang sekarang juga menghasilkan nilai
sebsar 78,4 % yang menggambarkan besarnya ketepatan model penelitian.

Tabel 4.4 Omnibus Test of Model Coeffients
Chi-square

df

Sig.

Step

1668,17

1

0

Block

1668,17

1

0

Model

1668,17

1

0

Omnibus Test ini digunakan untuk melihat bagaimana pengaruh nyata dari
penambahan variabel independen terhadap model, tes ini digunakan karena sudah adanya
penambahan variabel pendidikan tertinggi pada model. Pada tabel 4.4, nilai Chi-square
sebesar 1668,17 menjelaskan kemampuan model dalam memprediksi variabel dependen
bidang pekerjaan pertanian padi dan palawija, nilai signifikansi 0,000 < 0,05 berarti
terdapat peningkatan signifikansi dengan penambahan variabel independen pendidikan ke
dalam model.

12

Analisis Regresi Logistik

Tabel 4.5 Model Summary
Step

-2 Log likelihood
47268,622 a

1

Cox&Snell

Nagelkerle

R Square

R Square

0,035

0,054

Pada tabel 4.5 diketahui nilai pseudo R2 sebesar 0,035 dan 0,054 yang memberikan
gambaran bagaimana variabel pendidikan tertinggi dapat menjelaskan variabel bidang
pekerjaan pertanian padi dan palawija.

Tabel 4.6 Hosmer and Lemeshow Test
Step

Chi-square

df

Sign

1

0

0

.

Untuk menguji apakah model tersebut cocok maka digunakan Hosmer and Lemeshow
Test yang hasilnya dapat dilihat pada tabel 4.6, nilai chi-squarenya bernilai 0 dengan
signifikansi yang tidak ada. Dari hasil tersebut maka keputusan kecocokan model tersebut
tidak dapat dilakukan. Sehingga model ini disarankan untuk tidak digunakan.

Tabel 4.8 Variabel dalam Persamaan
Step 1a

Pendidikan
Tertinggi
Konstanta

B

S.E

Wald

df

Sig.

Exp(B)

2,558

0,096

711,831

1

0

12,913

-3,724

0,095

1530,25

1

0

0,024

Pada Model ini, variabel independen pendidikan tertinggi dimasukkan ke dalam
model sehingga menghasilkan nilai parameter b sebesar 2,558 dan konstanta sebesar 3,724 dan memiliki nilai signifikansi uji wald yang kurang dari 0,05 sehingga dapat
diambil kesimpulan bahwa variabel pendidikan tertinggi signifikan terhadap model.

Rezkya Putri Septiani

13

Kondisi Saat Variabel Independen Pendidikan Tertinggi dan Status Kedudukan
Dimasukkan dalam Model (Model Ketiga)

Tabel 4.9 Tabel Klasifikasi
Yang Diprediksi
Bidang Pekerjaan
Lainnya
Lainnya
Bidang

Pertanian Padi

Pekerjaan

dan Palawija

Pertanian Padi dan
Palawija

Persentase
Kebenaran

36800

0

100

10123

0

0

Persentase

78,4

Berdasarkan hasil nilai pada tabel 4.9, nilai persentase pada saat dimasukkannya
variabel independen status kedudukan dalam model ialah sebsar 78,4 % yang
menggambarkan persentase kasus yang dapat diprediksi oleh model.

Tabel 4.10 Omnibus Test of Model Coeffients
Chi-square

df

Sig.

Step

1045,885

1

0

Block

1045,885

1

0

Model

2714,056

2

0

Hasil nilai omnibus test pada tabel 4.10 memberikan nilai chi-square model yang
lebih besar dibandingkan dengan model sebelumnya dan menghasilkan nilai signifikansi
yang kurang dari 0,05, berarti model yang dikembangkan signifikan secara statistik.

14

Analisis Regresi Logistik

Tabel 4.11 Model Summary
Step

-2 Log likelihood
46222,737a

1

Cox&Snel

Nagelkerle

R Square

R Square

0,056

0,087

Untuk model ini, nilai pseudo R2 nya cenderung lebih besar apabila dibandingkan
dengan model sebelumnya yaitu bernilai 0,056 dan 0,087 yang dapat dilihat pada tabel
4.11.
Tabel 4.12 Hosmer and Lemeshow Test
Step

Chi-square

df

Sign

1

0,858

1

0,354

Hosmer and Lemeshow Test ini juga digunakan sebagai alat untuk menentukan
kelayakan model, berdasarkan nilai pada tabel 4.12 dapat dilihat bahwa nilai chi-square
yang dihasilkan sebesar 0,858 dengan signifikansi sebesar 0,354. Nilai dari signifikansi
yang didapat lebih dari 0,05, sehingga hipotesis Ho untuk tes diatas diterima dan
memberikan kesimpulan bahwa model yang dibentuk sudah tepat karena tidak ada
perbedaan signifikan antara model dengan nilai observasinya.

Tabel 4.13 Variabel dalam Persamaan

Step 1

a

Pendidikan
Tertinggi
Status
Kedudukan
Konstanta

B

S.E

Wald

df

Sig.

Exp(B)

2,558

0,096

711,831

1

0

12,913

0,934

0,028

1100,026

1

0

2,546

-3,724

0,095

1530,25

1

0

0,024

Nilai dari independen variabel status kedudukan dan pendidikan tertinggi
ditambahkan ke dalam model dan menghasilkan nilai b sebesar 0,934 dan 2,558 dengan
konstanta sebesar -3,724 dan nilai signifikansi uji wald untuk ketiganya kurang dari 0,05
sehingga variabel independen tersebut signifikan terhadap model.

Rezkya Putri Septiani

15

Kondisi Saat Variabel Independen Pendidikan Tertinggi, Status Kedudukan, Jenis
Kelamin Dimasukkan dalam Model (Model Keempat)

Tabel 4.14 Tabel Klasifikasi
Yang Diprediksi
Bidang Pekerjaan
Lainnya
Lainnya
Bidang

Pertanian Padi

Pekerjaan

dan Palawija

Pertanian Padi dan
Palawija

Persentase
Kebenaran

36800

0

100

10123

0

0

Persentase

78,4

Tabel 4.14 memberikan gambaran bahwa model yang dikembangkan memiliki
persentase akurasi sebesar 78,4 %. Nilai persentase tersebut memperlihatkan secara
keseluruhan persentase kasus yang mampu diprediksi secara akurat oleh model.

Tabel 4.15 Omnibus Test of Model Coeffients
Chi-square

df

Sig.

Step

173,586

1

0

Block

173,586

1

0

Model

2887,641

3

0

Uji Omnibus untuk parameter model yang dipilih menghasilkan nilai siginifikansi
kurang dari 0,05 sehingga dari hasil tersebut dapat diambil kesimpulan bahwa model
dapat dikembangkan signifikan secara statistik.

16

Analisis Regresi Logistik

Tabel 4.16 Model Summary
Step

-2 Log likelihood
46049,151a

1

Cox&Snel

Nagelkerle

R Square

R Square

0,060

0,092

Pada model ini juga memiliki nilai Cox&Snel R2 dan Nagelkerle R2 yang lebih besar
dibandingkan dengan model yang lainnya, interpretasi pseudo R 2 ini tidak seperti
interpretasi pada regresi linier walaupun semakin tinggi pseudo R 2 model semakin baik,
pseudo R2 bukan satu-satunya alat ukur kelayakan model.

Tabel 4.17 Hosmer and Lemeshow Test
Step

Chi-square

df

Sign

1

105, 192

3

0

Pada tabel 4.17 diketahui bahwa pada tes Hosmer and Lemeshow menghasilkan nilai
signifikansi sebesar 0, karena 0 < 0,05 yang berarti bahwa tes tersebut menolak H0
sehingga tes tersebut menunjukkan model tersebut tidak dapat diterima dan pengujian
hipotesis tidak dapat dilakukan sebab ada perbedaan signifikan antara model dengan nilai
observasinya. Karena tes Hosmer and Lemeshow memberikan hasil yang tolak H0, maka
model ini tidak diterima.

Rezkya Putri Septiani

17

Tabel 4.18 Variabel dalam Persamaan

Step 1

a

Pendidikan
Tertinggi
Status
Kedudukan
Jenis
Kelamin
Konstanta

B

S.E

Wald

df

Sig.

Exp(B)

2,558

0,096

711,831

1

0

12,913

0,934

0,028

1100,026

1

0

2,546

-0,337

0,026

169,434

1

0

0,714

-3,724

0,095

1530,25

1

0

0,024

Dengan pengaruh penambahan jenis kelamin pada model memberikan nilai parameter
B sebesar -3,724 dengan nilai signifikansi kurang dari 0,05 yang berarti variabel
independen tersebut signifikan pada model yang dibentuk.

18

Analisis Regresi Logistik

Penetapan Model yang digunakan
Berdasarkan keempat kondisi diatas maka dapat diambil keputusan model yang
digunakan ialah model ketiga yaitu model yang menggunakan variabel independen nya
berupa pendidikan tertinggi dan status kedudukan dalam pekerjaan utama. Hal ini
diputuskan dengan beberapa pertimbangan yaitu:
a.

Model ketiga memiliki nilai persentase secara keseluruhan untuk kasus yang
mampu diprediksi secara akurat oleh model yaitu sebesar 78,4% persen.

b.

Memiliki Omnibus Tes dengan signifikansi model yang baik sehingga model
ketiga ini dinyatakan model yang fit dan memiliki penambahan variabel
independen yang dapat memberikan pengaruh yang sangat nyata terhadap
modelnya.

c.

Nilai pseudo R2 yang dilihat dengan menggunakan nilai Cox&Snel R2 dan
Nagelkerle R2 pada model ini memang sedikit lebih rendah apabila dibandingkan
dengan model keempat. Namun pertimbangan lainnya ialah dengan melihat hasil
dari tes Hosmer and Lemeshow. Pada tes tersebut mengindikasikan bahwa
model ketiga dapat diterima sedangkan model keempat tidak dapat diterima.
Oleh karena itu, penggunaan model ketiga lebih memunginkan untuk dilakukan.
Selain itu, Menurut Widiarta dan Wardana (2011:140), nilai Cox&Snel R 2 dan
Nagelkerle R2 interpretasinya tidak seperti pada regresi linier pada koefisien
determinasi walaupun semakin tinggi nilai pseudo R2 berarti model tersebut
semakin baik. Namun para ekonometris mengatakan di dalam regresi logistik,
nilai Cox&Snel R2 dan Nagelkerle R2 bukan satu-satunya alat ukur yang
digunakan untuk kelayakan model bahkan secara teoritis dan empiris nilai
pseudo R2 mempunyai batas atas yang kurang dari satu, sehingga sering
menganggap model tidak layak dikembangkan.

Dari model ketiga, persamaan regresi logistiknya ialah sebagai berikut:
Log odds(bidang pekerjaan) = B0 + B1*pendidikan tertinggi + B2*status kedudukan
Log odds(bidang pekerjaan) = -3,804 + 2,463 * pendidikan tertinggi + 0,934 status
kedudukan.

Rezkya Putri Septiani

19

Interpretasi dari Persamaan Model Regresi Logistik
Dengan mengacu pada tabel 4.13, untuk setiap kenaikan nilai pada variabel
pendidikan tertinggi(kode 1 untuk pendidikan tertinggi yang rendah) akan meningkatkan
log bidang pekerjaan sebesar 2,463. Tingkat pendidikan memiliki hubungan positif
dengan bidang pekerjaan yang dilihat dari nilai log bidang pekerjaan yang positif.
Besarnya pengaruh ditunjukkan pada nilai EXP(B) yang sering disebut dengan nilai odds
ratio. Variabel pendidikan tertinggi ini memiliki nilai odds ratio sebesar 11,743 yang
mengindikasikan bahwa penduduk yang memiliki pendidikan tertinggi yang rendah
beresiko 11,743 kali lipat untuk memiliki jenis pekerjaan bidang pertanian padi dan
palawija dibandingkan dengan penduduk yang memiliki pendidikan yang tinggi.
Selain itu, setiap kenaikan pada variabel status kedudukan (kode 1 untuk status
kedudukan di pekerjaan utama ialah pekerja keluarga atau tidak dibayar) akan
meningkatkan nilai log bidang pekerjaan sebesar 0,934. Status kedudukan memiliki
hubungan yang positif terhadap bidang pekerjaan. Variabel ini memiliki nilai odds ratio
sebesar 2,546 maka orang yang memiliki status kedudukan pekerja keluarga/tidak
dibayar cenderung 2,546 kali bekerja di bidang pekerjaan pertanian padi dan palawija.
Jika pendidikan tertinggi dan status kedudukan bernilai 1(berdasarkan pemberian kode di
pembahasan sebelumnya) maka persamaan regresi logistik menjadi :
Log odds(bidang pekerjaan) = -3,804 + 2,463 + 0,934
odds(bidang pekerjaan) = e-3,804 + 2,463 + 0,934
probabilitas = e-3,804 + 2,463 + 0,934
probabilitas = 0,6656
Nilai probabilitas sebesar 0,6656>0,5 maka dapat diketahui bahwa predicted group
membership dari sampe diatas ialah sebesar 1. Nilai 1 merupakan kode yang digunakan
untuk bidang pekerjaan utama di pertanian padi dan palawija. Jadi apabila ada penduduk
di Jawa Timur yang pendidikan tertinggi yang rendah (kode 1) dan status kedudukan
dalam bidang pekerjaan utama nya ialah pekerja keluarga/tidak dibayar (kode 1) maka
dapat diprediksikan bahwa penduduk tersebut bekerja di bidang pekerjaan pertanian padi
dan palawija.

20

Analisis Regresi Logistik
5. KESIMPULAN DAN SARAN
Jawa Timur memiliki PDRB tertinggi ketiga untuk lapangan usaha pertanian pada

tahun 2013. Indonesia yang memiliki sumberdaya alam yang banyak harus dapat
dimanfaatkan agar penduduk Indonesia dapat bersaing dengan negara lain yang didukung
dengan adanya MEA (Masyarakat Ekonomi ASEAN). Berdasarkan hasil analisis saya,
bidang pekerjaan pertanian padi dan palawija di Jawa Timur belum memiliki sumber
daya manusia yang mempunyai tingkat pendidikan dan status kedudukan pekerjaan yang
tinggi. Hal ini dibuktikan dengan kecenderungan penduduk yang bekerja di bidang
pertanian ialah penduduk yang tingkat pendidikannya rendah (di bawah SMA sederajat)
dengan status kedudukan mereka dalam bidang pertanian tersebut ialah pekerja
keluarga/tidak digaji.
Indonesia harus mampu menangani besarnya potensi sumberdaya alam di Indonesia
di bidang pertanian dengan menghasilkan sumberdaya manusia yang kompeten. Sehingga
diharapkan bidang pertanian tidak lagi identik dengan penduduk yang memiliki
pendidikan rendah dan tidak memiliki gaji dari pekerjaan utama nya (pekerja keluarga).
Dengan kondisi tersebut, maka diharapkan Jawa Timur dapat lebih mengembangkan
pertaniannya dengan sumberdaya manusia yang memiliki pendidikan tinggi dan
kompeten sehingga penduduk Jawa Timur dapat bersaing dengan warga negara lain di
MEA.

Rezkya Putri Septiani

21
DAFTAR PUSTAKA

1. Widiarta, I.B.P. dan Wardana, I.G.N. (2011) .“Analisis Pemilihan Moda dengan
Regresi Logistik pada Rencana Koridor Trayek Trans Sarbagita”. Jurnal Ilmiah
Teknik Sipil. 15(2).
2. Netter, John, William Wasserman, and Michael Kutner. 1989. Applied Linier
Statistical Models. Richard D Irwin, Inc, Illinois.Boston.
3. Al-Ghamdi, A.S. 2002. Using Logistic Regression To Estimate The Influence of
Accident Factors on Accident Severity, Accident Analysis and Prevention 34 ,

pp.729-741.
4. Badan Pusat Statistik Provinsi Jawa Timur. 2010. Produk Domestik Regional Bruto
Provinsi Jawa Timur Menurut Lapangan Usaha . Jawa Timur.

5. Ghozali, Imam. 2011. Aplikasi Analisis Multivariate dengan Program IBM SPSS 19
(edisi kelima).Semarang : Universitas Diponegoro.