Setup Menus in Admin Panel

Dalam sebuah penelitian biasanya kita memodelkan hubungan antar 2 variabel, yaiitu variabel bebas X dan variabel respon Y. Metode yang biasa dipakai dalam penelitian seperti ini adalah regresi linier, baik sederhana maupun berganda. Adakalanya regresi linier dengan metode OLS (Ordinary Least Square) yang dipakai tidak sesuai untuk digunakan. Misalnya pada kasus dimana variabel respon Y bertipe data nominal, sedangkan variabel bebas X bertipe data interval atau rasio. Sebagai contoh, ingin diketahui apakah mahasiswa memahami matakuliah analisis statistika atau tidak berdasarkan jenis kelamin, fakultas yang dipilih dan indeks prestasi kumulatif. Dalam kasus ini hanya ada 2 kemungkinan respon mahasiswa, yaitu mahasiswa yang memahami matakuliah analisis statistika dan mahasiswa yang tidak memahami matakuliah analisis statistika.

Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi seperti halnya regresi linear. Pada regresi logistik, peneliti memprediksi variabel respon yang berskala dikotomi. Skala dikotomi yang dimaksud adalah skala data nominal dengan dua kategori, misalnya ya dan tidak, baik dan buruk atau tinggi dan rendah.

Asumsi yang harus dipenuhi dalam regresi logistik antara lain:

  1. Regresi logistik tidak membutuhkan hubungan linier antara variabel bebas dengan variabel respon.
  2. Variabel bebas tidak memerlukan asumsi multivariate normality.
  3. Tidak memerlukan asumsi homokedastisitas.
  4. Variabel respon harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah atau baik dan buruk).
  5. Variabel bebas tidak harus memiliki keragaman yang sama antar kelompok variabel.
  6. Kategori dalam variabel bebas harus terpisah satu sama lain atau bersifat eksklusif
  7. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data untuk sebuah variabel bebas.
  8. Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk memprediksi odds ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas.

Regresi Logistik dapat dibedakan menjadi 2, yaitu:

  1. Binary Logistic Regression (Regresi Logistik Biner).

Regresi Logistik biner digunakan ketika hanya ada 2 kemungkinan variabel respon (Y), misal membeli dan tidak membeli.

  1. Multinomial Logistic Regression (Regresi Logistik Multinomial).

Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y) terdapat lebih dari 2 kategorisasi.

Course Curriculum

Pertemuan 1
Konsep Dasar Regresi Logistik FREE 00:05:00
Materi utama pertemuan ini meliputi, Pengertian dan tujuan regresi logistik, Variabel dalam regresi logistik, Regresi logistik biner, multinomial dan ordinal.
Pertemuan 2
Regresi Logistik Biner 00:09:00
Materi utama pertemuan meliputi Pengertian, Variabel, Persamaan regresi, Asumsi, Pendugaan parameter, Uji hipotesis, Kebaikan model, Interpretasi persamaan regresi
Pertemuan 3
Penerapan Regresi Logistik Biner dengan Aplikasi SWANSTAT FREE 00:15:00
Materi utama pertemuan ini meliputi Ilustrasi contoh kasus dan penerapannya dengan aplikasi SWASNTAT.
Pertemuan 4
Regresi Logistik Multinomial 00:05:00
Materi utama pertemuan meliputi Pengertian, Variabel, Persamaan regresi, Asumsi, Pendugaan parameter, Uji hipotesis, Kebaikan model, Interpretasi persamaan regresi
Pertemuan 5
Penerapan Regresi Logistik Multinominal dengan Aplikasi SWANSTAT 00:11:00
Materi utama pertemuan ini meliputi Ilustrasi contoh kasus dan penerapannya dengan aplikasi SWASNTAT.
Pertemuan 6
Regresi Logistik Ordinal 00:05:00
Materi utama pertemuan meliputi Pengertian, Variabel, Persamaan regresi, Asumsi, Pendugaan parameter, Uji hipotesis, Kebaikan model, Interpretasi persamaan regresi
Pertemuan 7
Penerapan Regresi Logistik Ordinal dengan Aplikasi SWANSTAT 00:11:00
Materi utama pertemuan ini meliputi Ilustrasi contoh kasus dan penerapannya dengan aplikasi SWASNTAT.
TAKE THIS COURSE
14 STUDENTS ENROLLED
Copyright © 2018 PT. Angsa Statistika Indonesia

Salam Swanstat! Untuk Kontak layanan pelatihan, dashboard, survey, kerjasama, dan lain-lain, kami akan menghubungi Anda sesegera mungkin.

Kami Siap membantu anda