Escolar Documentos
Profissional Documentos
Cultura Documentos
Zulyani
Departemen Matematika FMIPA Universitas Muhammadiyah Malang
dzulyanee@yahoo.com
Regresi Logistik 𝑝
𝐿𝑜𝑔 ( ) = 𝛽0 + 𝛽1𝑋1
1– 𝑝
Regresi logistik adalah bagian dari
+ 𝛽2 𝑋2 + … . + 𝛽𝑘 𝑋𝑘
analisis regresi yang digunakan ketika
Dimana 𝑝 adalah kemungkinan bahwa 𝑌 =
variabel dependen (respon) merupakan
1, dan 𝑋1 , 𝑋2 , … , 𝑋𝑘 adalah variabel
variabel dikotomi. Variabel dikotomi
independen, dan 𝛽 adalah koefisien regresi.
biasanya hanya terdiri atas dua nilai, yang
Regresi logistik akan membentuk
mewakili kemunculan atau tidak adanya
𝑝
variabel prediktor/respon 𝐿𝑜𝑔 ( 1 – 𝑝) yang
suatu kejadian yang biasanya diberi angka
0 atau 1.Tidak seperti regresi merupakan kombinasi linier dari variabel
linier biasa, regresi logistik tidak independen. Nilai variabel prediktor ini
mengasumsikan hubungan antara variabel kemudian ditransformasikan menjadi
independen dan dependen secara probabilitas dengan fungsi logit.
linier. Regresi logistik merupakan regresi
non linier dimana model yang ditentukan Deskripsi Data
akan mengikuti pola kurva seperti gambar
Data yang digunakan berasal dari
di bawah ini. www.keisi.co.id. data terdiri dari 100 data
seperti yang berada di lampiran. Dimana
data terdiri dari:
Y : keputusan pembelian (0 = tidak
membeli / 1 = membeli )
X1 : faktor kecepatan pengiriman
X2 : citra perusahaan
X3 : pelayanan
X4 : citra pemasaran
X5 : kualitas produk
Kurva Resgresi Logistik Biner X6 : level penggunaan
Model yang digunakan pada regresi
logistik adalah Uji Simultan (Omnibus Test)
Uji Hipotesis Variables in the Equation
Exp(
𝐻0 : seluruh variabel tidak berpengaruh
B S.E. Wald df Sig. B)
terhadap keputusan pembelian di PT. Step X1 ,371 ,456 ,662 1 ,416 1,449
KEISI 1a X2 3,229 ,947 11,63 1 ,001 25,24
𝐻0 ditolak jika nilai probabilitas (sig.) < 𝛼 Const - 8,649 17,46 1 ,000 ,000
ant 36,13 0
Statistik Uji 9
1 4,852 8 ,773
Kesimpulan
Karena nilai 𝑠𝑖𝑔. = 0,773 > 0,05 maka H0
tidak ditolak. Jadi, tidak ada perbedaan
signifikan antara model dengan nilai
observasi atau model cocok dengan data.
exp(3,229X2 + 2,859X3)
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 =
1 + exp(3,229X2 + 2,859X3)