8/16/2019 andakat

1/22

TUGAS ANALISIS DATA KATEGORIK 

REGRESI PROBIT, LOGISTIK BINER DAN POISON

Makalah ini disusun sebagai salah satu syarat guna memenuhi tugas matakuliah

Analisis Data Kategorik 

Disusun oleh:

Petronella Mira Melati

131061007

JURUSAN STATISTIKA

FAKULTAS SAINS TERAPANINSTITUT SAINS DAN TEKNOLOGI AKPRIND

YOGYAKARTA

Tahun Akademik 20!"20#

BAB I

LANDASAN TEORI

$ Re%&e'i P&()i*

8/16/2019 andakat

2/22

Model regresi probit/normit merupakan metode analisis yang digunakan

untuk menggambarkanhubungan antara peubah prediktor dan peubah respon

lebih dari 1 kategori !egresi probit yangmerupakan kependekan dari

Probability "nit berdasarkan #ungsi sebaran peluang normal kumulati# baku

yang dikenal $uga sebagai model %ormit singkatan dari %ormal Probability

"nit &entuk modelprobit adalah : '$()$ *+ b$0,b$1-i1,b$.-i.,,b$p-ip

Metode pendugaan parameter yang digunakan untuk analisis regresi probit

sama dengan yangdigunakan analisis regresi logistik yaitu metode M dan

iterasi %e2ton !aphson

 In*e&+&e*a'i P&()i*Koe#isien probit (b$p * merupakan pengaruh perubahan satu unit peubah

 prediktor (b$p* padapeluang normal kumulati# (* dari peubah respon (y*

Pengaruh dari perubahan satu unit ) padapeluang y tergantung pada kategori

 peubah prediktor 4ehingga perlu dipilih salah satu kategoripeubah prediktor 

untuk di$adikan titik a5uan atau pembanding nterpretasi koe#isien model

 probitdilakukan dengan melihat tanda dari koe#isien probit (b$p*

 Sa&a* -(de. P&()i*

a Model harus berdistribusi normal

 b b%onmultikolinearitas

 %onmultikolinearitas merupakan asumsi dalam regresi yang berarti antara

 peubah prediktortidak ter$adi hubungan mendekati sempurna atau hubungan

sempurna "ntuk mengetahui ada tidaknyamultikolinearitas menggunakan u$i

Pearson

 U/i Si%niikan'i -(de.

1 Pengu$ian signi#ikansi se5ara serentak (oerall*

8 9ipotesis :

90 : 1 + . + + p + 0

91 : minimal ada satu k ; 0< k + 1= .= = p p + banyak peubah

 prediktor dalam model

8 '.+8.(n(0*8ln(1**

8 >olak 90 bila '. ? -.p=a

dimana p adalah $umlah peubah prediktor dalam model atau p8alue

kurang dari @ 9al ini berarti peubah prediktor di dalam model

se5ara serentak berpengaruh terhadap peubah respon

. Pengu$ian signi#ikansi se5ara parsial

8 9ipotesis:

8/16/2019 andakat

3/22

8 90 : k + 0< (tidak ada pengaruh antara peubah prediktor ke8p dengan

 peubah respon*

8 91 : k ; 0< (ada pengaruh antara peubah prediktor ke8p dengan

 peubah respon*

8 B+ k/ 4(k*

8 4tatistik B mengikuti sebaran -. dengan dera$at bebas satu 90

ditolak $ika B ? -.1=a atau p8alue C @= sehingga disimpulkan bah2a

 peubah prediktor se5ara parsial (berdiri sendiri* berpengaruh pada

 peubah respon

3 "$i Kelayakan Model ('oodness # Eit*

8 4tatistik u$i yang digunakan untuk melihat goodness o# #it dalamanalisis regresi logstik dan

8 probit "$i Pearson= dengan hipotesis :

90 : model sesuai dengan data

91 : model tidak sesuai dengan data

8 Fika nilai statistik u$i kurang dari dan sama dengan nilai kritis khi8

kuadrat keputusan yang akan diambil adalah menerima atau berarti

model yang digunakan telah sesuai (9osmer dan emesho2=.000*

G Kriteria Model >erbaik 

8 !. M5Eadden adalah indikator model terbaik yang digunakan untuk 

mengetahui nilailikelihood8ratio yang didasarkan pada nilai likelihood

model penuh yang mengandung semuaparameter (1* dengan model

yang hanya memuat intersep (0* :

8 !. M5Eadden + 1 H (ln 1/ ln 0*

8 Model terbaik memiliki nilai !. M5Eadden terbesar 4emakin besar 

nilai !. M5Eadden maka semakin baik model men$elaskan data

8

$2 Re%&e'i L(%i'*ik Bine&

Analisis regresi logistik digunakan untuk men$elaskan hubungan antara

ariabel respon yang berupa data dikotomik/biner dengan ariabel bebas yang

 berupa data berskala interal dan atau kategorik (9osmer dan emesho2=

1IJI* ariabel yang dikotomik/biner adalah ariabel yang hanya mempunyai

dua kategori sa$a= yaitu kategori yang menyatakan ke$adian sukses (L+1* dan

kategori yang menyatakan ke$adian gagal (L+0* pada model model linear 

umum komponen a5ak tidak harus mengikuti sebaran normal= tapi harus

8/16/2019 andakat

4/22

masuk dalam sebaran keluarga eksponensial 4ebaran bernoulli termasuk 

dalam salah satu dari sebaran keluarga eksponensial ariabel respon L ini=

diasumsikan mengikuti distribusi &ernoulli

4ebenarnya untuk masalah diatas bisa digunakan analisis regresi 4

>api harus memenuhi asumsi bah2a 0 C+ (Li -i* C+ 1 %amun

 persyaratan tersebut sulit untuk terpenuhi sehingga metode regresi 4

kurang 5o5ok untuk data kuantitati# dan lebih baik menggunakan metode

regresi logistik

Nontoh Kasus dalam regresi logsitik biner:

1 Pengaruh >ingkat Pendidikan= apangan Ker$a yg dimasuki= Pendapatan=

Pengeluaran= Fumlah A!> terhadap status kemiskinan (Miskin/>dak 

Miskin*

1 Pengaruh Pendapatan Keluarga= &anyaknya Anggota Keluarga= Fenis

rumah= "sia Kepala Keluarga terhadap Kepemilikan rumah (Punya

rumah/tidak*

&erdasarkan dua 5ontoh tersebut mung$kin sudah membuka pikiran untuk 

kasus seperti apa regresi logistik digunakan intinya ariabel dependentnya

dikotomi artinya memiliki dua kategori seperti pada kasus diatas yang ditebal

"ntuk metode ini tidak bisa karena hanya bisa dua sesuai dengan namanya

untuk masalah diatas ada metode lain yang bisa digunakan yaitu regresi

logistik ordinal

&entuk umum model peluang regresi logistik dengan p ariabel pen$elas=

di#ormulasikan sebagai berikut:

regresi logistik model umum:

dengan O()* adalah peluang ke$adian sukses dengan nilai probabilita

0O()*1 dan $ adalah nilai parameter dengan $ + 1=.==p O()* merupakan

#ungsi yang non linier= sehingga perlu dilakukan trans#ormasi ke dalam

 bentuk logit untuk memperoleh #ungsi yang linier agar dapat dilihat hubungan

antara ariabel bebas dan ariabel tidak bebas Dengan melakukan

8/16/2019 andakat

5/22

trans#ormasi dari logit O()*= maka didapat persamaan yang lebih sederhana=

yaitu:

regresi logistik logit

Fika dari beberapa ariabel bebas ada yang berskala nominal atau ordinal=

maka ariabel tersebut tidak akan tepat $ika dimasukkan dalam model logit

karena angka8angka yang digunakan untuk menyatakan tingkatan tersebut

hanya sebagai identi#ikasi dan tidak mempunyai nilai numerik dalam situasiseperti ini diperlukan ariabel dummy "ntuk ariabel bebas dengan skala

ordinal maupun nominal dengan k kategori= akan diperlukan sebanyak k81

ariabel dummy

Asumsi8asumsi dalam regresi logistik:

8 >idak mengasumsikan hubungan linier antar ariabel dependen dan

independent

8 ariabel dependen harus bersi#at dikotomi (. ariabel*

8 ariabel independent tidak harus memiliki keragaman yang sama antar 

kelompok ariabel

8 Kategori dalam ariabel independent harus terpisah satu sama lain atau

 bersi#at eksklusi# 

8 4ampel yang diperlukan dalam $umlah relati# besar= minimum dibutuhkan

hingga Q0 sampel data untuk sebuah ariabel prediktor (bebas*

Pendu%aan Pa&ame*e&

Metode untuk mengestimasi parameter8parameter yang tidak diketahui

dalam model regresi logistik ada 3 yaitu:

1 Metode kemungkinan maksimum (Ma)imum ikelihood Method*

. Metode kuadrat terke5il tertimbang noniterasi (%oniteratie Beight east

4Ruare Method*

3 Analisis #ungsi diskriminan (Dis5riminant Eu5tion Analysis*

Pada dasarnya metode maksimum ikelihood merupakan metode kuadrat

terke5il tertimbang dengan beberapa proses iterasi= sedangkan metode

noniteratie 2eight least sRuare method hanya menggunakan satu kali iterasi

kedua metode ini asymptoti5aly eRuialent= artinya $ika ukuran sampel besar 

8/16/2019 andakat

6/22

keduanya akan menghasilkan estimator yang identik Penggunaan #ungsi

diskriminan mensyaratkan ariabel pen$elas yang kuantitati# berdistribusi

normal leh karena itu= penduga dari #ungsi diskriminan akan oer estimate

 bila ariabel pen$elas tidak berdistribusi normal

Dari Ketiga metodei di atas= metode yang banyak digunakan adalah metode

maksimum likelihood dengan alasan lebih praktis (%a5hro2i dan "sman=

.00.* Metode maksimu likelihoood ini menduga parameter dengan nilai

yang memaksimumkan #ungsi likelihood (likelihood #un5tion*

U/i Si%niikan'i -(de.

"ntuk mengetahui pengaruh ariabel bebas terhadap ariabel tidak bebas

se5ara bersama8sama (oerall* di dalam model= dapat menggunakan "$i

ikelihood !atio 9ipotesisnya adalah sebagai berikut:

1 9o: 1 + . ++ p + 0 (tidak ada pengaruh eriabel bebas se5ara

simultan terhadap ariabel tak bebas*

1 91: minimal ada satu $ ; 0 (ada pengaruh paling sedikit satu eriabel

 bebas terhadap ariabel tak bebas* "ntuk $ + 1=.==p

1 4tatistik u$i yang digunakan adalah:

8 Dengan :

o + Maksimum ieklihood dari model reduksi (!edu5ed Model* atau

model yang terdiri dari konstanta sa$a

p + Maksimum ikelihood dari model penuh (Eull Model* atau dengan

semua ariabel bebas

8 4tatistik '. ini mengikuti distribusi Khi8kuadrat dengan dera$ad bebas p

sehingga hipotesis ditolak $ika p8alue C @= yang berarti ariabel bebas -

se5ara bersama8sama mempengaruhi ariabel tak bebas L

U/i Pa&'ia. dan Pem)en*ukan -(de.

Pada umumnya= tu$uan analsis statistik adalah untuk men5ari model yang

5o5ok dan keterpautan yang kuat antara model dengan data yang ada

Pengu$ian keberartian parameter (koe#isien * se5ara parsial dapat dilakukan

melalui "$i Bald dengan hipotesisnya sebagai berikut:

8/16/2019 andakat

7/22

8 9o: $ + 0 (ariabel bebas ke $ tidak mempunyai pengaruh se5ara

signi#ikan terhadap ariabel tidak bebas*

8 91: $ ; 0 (ariabel bebas ke $ mempunyai pengaruh se5ara signi#ikan

terhadap ariabel tidak bebas* < "ntuk $ + 1=.==p

8 Dengan statistik u$i sebagai berikut:

1 9ipotesis akan ditolak $ika p8alue C @ yang berarti ariabel bebas -$

se5ara partial mempengaruhi ariabel tidak bebas L

Odd' Ra*i(

dds ratio merupakan ukuran risiko atau ke5enderungan untuk mengalami

ke$adian Ssukses S antara satu kategori dengan kategori lainnya= dide#inisikan

sebagai ratio dari odds untuk )$ + 1 terhadap )$ + 0 dds ratio ini

menyatakan risiko atau ke5enderungan pengaruh obserasi dengan )$ + 1

adalah berapa kali lipat $ika dibandingkan dengan obserasi dengan )$ + 0

"ntuk ariabel bebas yang berskala kontinyu maka interpretasi dari koe#isien

$ pada model regresi logistik adalah setiap kenaikan 5 unit pada ariabel bebas akan menyebabkan risiko ter$adinya L + 1= adalah e)p(5$* kali lebih

 besar

dds ratio dilambangkan dengan T= dide#inisikan sebagai perbandingan

dua nilai odds )$ + 1 dan )$ + 0= sehingga:

$ Re%&e'i P(i'(n

Proses Poisson berhubungan dengan menghitung $umlah suatu ke$adian

diskrit pada selang 2aktu kontinyu 4ebagai 5ontoh misalnya: mengobserasi

 berapa $umlah telepon yang masuk pada $angka 2aktu tertentu= atau berapa

 $umlah orang yang mengantri tiap harinya &erdasarkan Mood etal(1IIJ*

se5ara umum bentuk distribusi Poisson adalah sebagai berikut :

8/16/2019 andakat

8/22

 Pada distribusi Poisson nilai harapan dan arian5e mempunyai nilai yang

sama yaitu :

menurut Mood etal (1IIJ* distribusi Poisson menyediakan model yang

nyata untuk ke$adian yang a5ak Ke$adian a5ak tersebut dihitung $umlahnyamaka merupakan distribusi Poisson &erdasarkan 'ambar dapat dilihat bah2a

 $ika $umlah ke$adian besar maka akan mendekati distribusi normal= tetapi $ika

 $umlah ke$adian ke5il maka tidak berbentuk normal lagi= karena itu bentuk 

Poisson ini 5o5ok untuk memodelkan kasus dengan $umlah ke$adian yang

 $arang ter$adi

4alah satu #enomena dimana peubah responnya diskret adalah #enomena

 banyaknya ke$adian yang $arang ter$adi Misalnya banyaknya ke5elakaan

mobil setiap bulan= banyaknya hu$an badai setiap tahun= banyaknya

kebakaran hutan setiap tahun= banyaknya barang yang 5a5at dalam suatu

 produksi tertentu Data yang diperoleh berupa 5a5ahan Model regresi yang

dapat digunakan untuk men$elaskan hubungan antara peubah bebas dengan

 peubah respon berupa 5a5ahan adalah regresi Poisson !egresi poisson sama

halnya dengan regresi pada umumnya $uga terbagi atas analisis regresi

 poisson sederhana dan berganda

Adapun Asumsi dari Analisis !egresi poisson yaitu :

1 ariabel respon berdistribusi poisson

. ariabel dependen harus diskrit

3 Metode regresi Poisson mempunyai asumsi eRui8dispersion= yaitu kondisi

dimana nilai mean dan arians dari ariabel respon bernilai sama

(eRuidispersi yang berarti nilai ariansi dari ariabel respon L yang

diberikan oleh -+)harus sama dengan nilai meannya yaitu ar(L$)*

+(L$)* +U

8/16/2019 andakat

9/22

Dalam penggunaan model regresi Poisson= nilai parameter8parameter yang

tidak diketahui sehingga harus ditaksir terlebih dahulu "ntuk penaksirannya

digunakan metode maksimum likelihood 4etelah taksiran parameter 

diketahui maka dilakukan u$i signi#ikansi model Pengu$ian yang dilakukan

adalah :

8/16/2019 andakat

10/22

BAB II

PE-BA3ASAN

2$ Re%&e'i P&()i*

Da*a

3ASIL TES

TERTULIS

JENIS

KELAS

NILAI TES

PRAKTIKU-

10 10 JI

10 10 J0

00 00 60

00 00 6G

10 10 7J

10 10 JQ

10 00 J7

10 10 IG

10 10 100

00 00 J0

00 00 60

00 00 6Q

00 00 6010 10 J0

00 00 70

10 00 J0

00 00 70

00 00 70

00 00 60

00 00 60

10 10 J6

10 10 JG

10 00 70

00 00 6Q

00 00 70

10 10 JI

10 10 7I

00 00 67

10 10 100

10 10 I0

8/16/2019 andakat

11/22

Lan%kah 4 nputkan data pada !85ommander Pilih Data ? mpor data ?

Data set dari )5el= A55es atau dbase ? berinama tugas. ? pilih data ? pen

Lan%kah 2 4 Pilih 4heet1 ? K 

Maka data akan masuk pada !85mdr

Lan%kah 4 4ebelum melakukan analisis= kita mengubah ariabel dummy

dari angka men$adi #aktor Pilih Data ? Atur peubah pada dataset akti# ?

Konersi peubah numerik ke #aktor

8/16/2019 andakat

12/22

Lan%kah 5 4 pilih ariabel 9asil >est >ertulis ? pada leel Eaktor pilih

'unakan angka ? K 

Lan%kah ! 4 Maka akan mun5ul tampilan berikut= untuk 9asil >est >ertulis

isikan 0 + tidak lulus dan 1 + lulus ? K 

8/16/2019 andakat

13/22

Lan%kah # 4 Pilih Data ? Atur peubah pada dataset akti# ? Konersi peubah

numerik ke #aktor Kemudian pada tampilan diba2ah ini= pilih Fenis Kelas ?

 pada eel #aktor pilih 'unakan angka ? K 

Lan%kah 6 4 Maka akan mun5ul tampilan berikut= untuk Fenis Kelas isikan 0

+ non regular dan 1 + regular ? K 

Lan%kah 7 4 "ntuk melakukan analisis regresi probit= pilih 4tatistika ?

Pen5o5okan model ? Model inier >ergeneralisir

8/16/2019 andakat

14/22

Lan%kah 8 4 Kemudian akan ditampilkan $endela seperti di ba2ah ini

Masukan 9asil >es >ertulis V %ilai >est Praktikum , Fenis Kelas

Kemudian pada kolom Eamili pilih binomial= dan untung Eungsi hubungan

 pilih Probit ? klik K 

 

Ou*+u*

Ana.i'i'

&erdasarkan hasil output di atas dapat dianalaisis sebagai berikut:

Persamaan !egresi Probit sebagai berikut :

 Probit [ μ ( x ) ]=α + β1 x1+ β2 x2

8/16/2019 andakat

15/22

 Probit [ μ ( x ) ]=−11,6642+1,5039 x1+5,6043 x2

π ( x )=   e−11,6643+1,5039 X 1+5,6043 X 2

1+e−11,6643+1,5039 X 1+5,6043 X 2

U/i Pa&'ia.

9 Un*uk :a&ia)e. Ni.ai Te'* P&ak*ikum ;est Praktikum (-1* tidak 

ada pengaruh signi#ikan terhadap ariabel 9asil >est (L** H 1:  

 β1≠0   (se5ara indiidu ariabel %ilai >est Praktikum (-1* ada

 pengaruh signi#ikan terhadap ariabel 9asil >est (L**

 b >ara# 4igni#ikansi :α 

 + QW + 0=0Q

5 4tatistik "$i : p-value + 0=0317

d. Daerah Kritis :   H 0  ditolak $ika p-value   ¿α 

e. Keputusan :  p-value (0=0317* ¿   α    (0=0Q* maka H 0

ditolak 

# Kesimpulan :

&erdasarkan keputusan bah2a H 0  ditolak= maka dapat diperoleh

kesimpulan yaitu se5ara indiidu ariabel %ilai >est Praktikum (-1* ada

 pengaruh signi#ikan terhadap ariabel 9asil >est (L*

29 Un*uk :a&ia)e. Jeni' Ke.a' ;est (L** H 1:  

 β1≠0

 (se5ara indiidu ariabel Fenis Kelas (-.* ada pengaruh

signi#ikan terhadap ariabel 9asil >est (L**

 b >ara# 4igni#ikansi : α   + QW + 0=0Q

8/16/2019 andakat

16/22

5 4tatistik "$i : p-value + 0=IIQ.

d. Daerah Kritis :  H 0  ditolak $ika p-value

  ¿α 

e. Keputusan : p-value (0=IIQ.* ¿   α   (0=0Q* maka H 0   tidak 

ditolak 

# Kesimpulan :

&erdasarkan keputusan bah2a H 

0   tidak ditolak= maka dapat

diperoleh kesimpulan yaitu se5ara indiidu ariabel Fenis Kelas (-.* tidak 

ada pengaruh signi#ikan terhadap ariabel 9asil >est (L*

Dikarenakan ariabel Fenis Kelas se5ara indiidu tidak berpengaruh se5arasigni#ikan= maka model men$adi:

 Probit [ μ ( x ) ]=−11,6642+1,5039 x1

Karena ariabel $enis kelas se5ara statistik tidak berpengaruh se5ara

signi#ikan= maka yang kita modelkan dan interpretasikan hanya ariabel

nilai tes praktikum sa$a >api= ariabel $enis kelas ini dikatakan tidak 

signi#ikan se5ara statistik= bukan berarti pengaruhnya tidak ada (nol rasio*=

melainkan ada pengaruhnya= hanya sa$a sangat ke5il

2$2 Re%&e'i L(%i'*ik Bine&

Da*a

angkah8langkah yang dilakukan sama dengan regresi probit= tapi ketika

ditampilkan $endela seperti berikut= pada bagian hubungan dipilih logit=

kemudian klik K 

8/16/2019 andakat

17/22

Ou*+u*4

&erdasarkan hasil output di atas dapat dianalaisis sebagai berikut:

Persamaan !egresi ogistik &iner sebagai berikut :

π ( x )=   e−19,856+2,552 X 1+19,005 X 2

1+e−19,856+2,552 X 1+19,005 X 2

U/i Pa&'ia.

9 Un*uk :a&ia)e. Ni.ai Te'* P&ak*ikum ;est Praktikum (-1* tidak 

ada pengaruh signi#ikan terhadap ariabel 9asil >est (L**

8/16/2019 andakat

18/22

 H 1:   β1≠0   (se5ara indiidu ariabel %ilai >est Praktikum (-1* ada

 pengaruh signi#ikan terhadap ariabel 9asil >est (L**

 b >ara# 4igni#ikansi : α   + QW + 0=0Q

5 4tatistik "$i : p-value + 0=0GJ.

d. Daerah Kritis :  H 0  ditolak $ika p-value   ¿α 

e. Keputusan :  p-value (0=0GJ.* ¿   α    (0=0Q* maka H 0

ditolak 

# Kesimpulan :

&erdasarkan keputusan bah2a H 0

 ditolak= maka dapat diperoleh

kesimpulan yaitu se5ara indiidu ariabel %ilai >est Praktikum (-1* ada

 pengaruh signi#ikan terhadap ariabel 9asil >est (L*

29 Un*uk :a&ia)e. Jeni' Ke.a' ;est (L**

 H 1:    β1≠0  (se5ara indiidu ariabel Fenis Kelas (-.* ada pengaruh

signi#ikan terhadap ariabel 9asil >est (L**

 b >ara# 4igni#ikansi : α   + QW + 0=0Q

5 4tatistik "$i : p-value + 0=II6Q

d. Daerah Kritis :  H 0  ditolak $ika p-value   ¿α 

e. Keputusan : p-value (0=II6Q* ¿  α 

 (0=0Q* maka H 0   tidak 

ditolak 

# Kesimpulan :

&erdasarkan keputusan bah2a H 

0   tidak ditolak= maka dapat

diperoleh kesimpulan yaitu se5ara indiidu ariabel Fenis Kelas (-.* tidak 

ada pengaruh signi#ikan terhadap ariabel 9asil >est (L*

Dikarenakan ariabel Fenis Kelas se5ara indiidu tidak berpengaruh se5ara

signi#ikan= maka model men$adi:

8/16/2019 andakat

19/22

π ( x )=   e−19,856+2,552 X 1

1+e−19,856+2,552 X 1

Karena ariabel $enis kelas se5ara statistik tidak berpengaruh se5ara signi#ikan=

maka yang kita modelkan dan interpretasikan hanya ariabel nilai tes praktikum

sa$a >api= ariabel $enis kelas ini dikatakan tidak signi#ikan se5ara statistik= bukan

 berarti pengaruhnya tidak ada (nol rasio*= melainkan ada pengaruhnya= hanya sa$a

sangat ke5il

Odd' Ra*i(

"ntuk men5ari nilai ratio= pilih model ? nteral Keyakinan 

Pilih statistik Bald= dengan eel keyakinan 0=IQ Kemudian klik K 

Da&i E'*ima*e ;B"Ni.ai Te'* P&ak*ikum9 + 1.=J3.Q6 artinya ke5enderungan

mahasis2a $urusan teknik sipil untuk lulus tes tertulis berhubungan positi# dengan

nilai tes praktikum 4etiap peningkatan nilai tes praktikum sebesar satu poin=

membuat ke5enderungan lulus tes tertulis 1.=J3.Q6 kali

2$ Re%&e'i P(i'(n

8/16/2019 andakat

20/22

Da*a

&erdasarkan hasil output di atas maka diperoleh persamaan atau model !egresi

Poisson sebagai berikut :

log   ^ μ=α + β1 x1+ β2 x2

log   ^ μ=α +1264 x1+0,008981 x2

In*e&+&e*a'i 4

Model ?? >ambahkan obserasi

Pada kotak dialog Add obseration statisti5s to data : 5entang Eitted alues= lalu

K

8/16/2019 andakat

21/22

9asil output :

8/16/2019 andakat

22/22

DAFTAR PUSTAKA

http://2a$ibstatblogspot5oid/.013/0G/konsep8regresi8logistik85ontoh8dengan

html = diakses pada .J ktober .01Q= pukul .000 B&

http://statistik5eriablogspot5oid/.013/01/konsep8regresi8logistik8biner8

dikotomihtml

https://ariyoso2ordpress5om/5ategory/teknik8regresi/

http://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20htmlhttp://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20htmlhttp://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttp://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttps://ariyoso.wordpress.com/category/teknik-regresi/http://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttp://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttps://ariyoso.wordpress.com/category/teknik-regresi/http://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20htmlhttp://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20html