IV. METODE PENELITIAN
4.4. Metode Pengumpulan Data
4.5.4 Metode Regresi Logistik
Teknik regresi adalah teknik statistika yang digunakan untuk menganalisis bentuk dan kekuatan hubungan antara beberapa variabel. Teknik yang umum digunakan adalah analisis regresi linear di mana variabel yang ingin diduga mempunyai nilai absolut, misalnya pendugaan pengeluaran masyarakat. Ketika variabel dugaan berskala nominal atau kategori, analisis regresi linear tidak dapat lagi digunakan karena hasil-hasil yang diperoleh tidak lagi relevan (Pambudhi, 2005). Oleh karena itu, pengolahan data dilakukan dengan menggunakan Model Regresi Logit, yang dikenal dengan nama Regresi Logistik atau Regresi Logit. Metode ini digunakan untuk menggambarkan hubungan variabel dependen (variabel respon) dengan variabel independen (variabel predictor) yang bersifat kategori, kontinu, atau kombinasi keduanya (Nahiruddin, 2009). Menurut Hosmer dan Lemeshow (1989), regresi logistik merupakan teknik analisis data yang dapat menjelaskan hubungan antara peubah respon yang memiliki dua kategori atau lebih dengan satu atau lebih peubah penjelas berskala kontinu atau kategori.
Pengaruh karakteristik, faktor internal, dan faktor eksternal yang dimiliki oleh pegawai wanita terhadap pengembangan kariernya akan dianalisis dalam penelitian ini. Peubah respon adalah tinggi rendahnya karier yang dicapai oleh pegawai wanita. Kategori sukses secara umum merupakan kategori yang menjadi perhatian dalam penelitian. Kejadian sukses adalah kejadian apabila pegawai wanita memiliki karier yang tinggi. Peubah-peubah penjelas yang digunakan dalam penelitian ini adalah:
1. Karakteristik Pegawai Wanita a. X1 (Usia) b. X2 (Masa Kerja) c. X3 (Tingkat Pendidikan) d. X4 (Status Pernikahan) 2. Faktor Internal a. X5 (Motivasi) b. X6 (Peran Ganda) c. X7 (Rasa Bersalah) d. X8 (Berani Sukses) e. X9 (Pengalaman)
f. X10 (Tingkat Kesadaran Gender) 3. Faktor Eksternal
a. X11 (Dukungan Keluarga) b. X12 (Lingkungan Kerja)
Berdasarkan tipe peubah kategori peubah Y, analisis regresi logistik dapat dibagi menjadi tiga, yaitu :
1. biner regresi logistik biner 2. nominal regresi logistik nominal 3. ordinal regresi logistik ordinal
Secara umum, analisis regresi logistik menggunakan peubah penjelasnya, yang dapat berupa peubah kategorik ataupun peubah numerik, untuk menduga besarnya peluang kejadian tertentu dari kategori peubah respon. Dengan kata lain, analisis regresi logistik merupakan suatu teknik untuk menerangkan peluang kejadian tertentu dari kategori peubah respon. Untuk mengolah seluruh data hasil penelitian dengan metode regresi logistik ini digunakan software Minitab 14.
1. Model Regresi Logistik
Model regresi logistik dengan p buah peubah bebas di mana peubah respon Y mempunyai dua kemungkinan nilai yaitu 0 dan 1, maka peubah respon Y akan mengikuti sebaran Bernoulli dengan fungsi peluang :
Model regresi logistik dapat dituliskan sebagai berikut :
Dalam model regresi logistik diperlukan suatu fungsi penghubung yang sesuai dengan model regresi logistik yaitu fungsi logit. Transformasi logit sebagai fungi dari (x) dinyatakan sebagai berikut (Hosmer dan Lemeshow, 1989) :
di mana komponen
merupakan penduga logit sebagai fungsi linear dari peubah penjelas.
Pendugaan parameter dalam model regresi logistik pada penelitian ini dilakukan dengan menggunakan metode kemungkinan maksimum (Maximum Likelihood). Jika setiap kejadian diasumsikan saling bebas, maka fungsi kemungkinan maksimumnya adalah :
Parameter i diduga dengan memaksimumkan persamaan di atas. Untuk memudahkan perhitungan, dilakukan pendekatan logaritma sehingga fungsi log-kemungkinan (log-likelihood) sebagai berikut :
Nilai dugaan i diperoleh dengan membuat turunan pertama L( ) tehadap i = 0, dengan i = 0,1,2,…,p.
2. Statistik Uji-G
Setelah melakukan pendugaan model regresi, langkah selanjutnya adalah melakukan pengujian kesesuaian model logistik yang dibuat untuk ...(7)
...(8)
...(9)
...(10)
mengetahui peran seluruh peubah penjelas di dalam model secara bersama- sama. Pengujian ini dilakukan dengan menggunakan statistik uji-G dengan hipotesis sebagai berikut :
H0 : 1 = 2 = … = p = 0
H1 : minimal ada satu i 0; i = 1,2,…,p Adapun rumus umum untuk uji-G adalah :
Keterangan :
L0 = nilai likelihood tanpa peubah bebas
L1 = nilai likelihood dengan semua peubah bebas
Statistik uji-G mengikuti sebaran 2 dengan derajat bebas p (Hosmer dan Lemeshow, 1989).
3. Statistik Uji Wald
Pengujian dilakukan pula secara parsial untuk masing-masing koefisien peubah, yaitu dengan menggunakan statistik uji Wald.
Statistik uji Wald didefinisikan sebagai berikut :
Hipotesis yang diuji adalah : H0 : 1 = 0
H1 : i 0; i = 1,2,…,p
Jika H0 benar, maka statistik uji Wald akan mengikuti sebaran normal baku (Hosmer dan Lemeshow, 1989).
4. Interpretasi Koefisien
Koefisien 1 dalam model regresi linear menunjukkan perubahan nilai variabel dependen sebagai akibat perubahan satu satuan variabel independen. Hal yang sama sebenarnya juga berlaku dalam model regresi logit, tetapi secara matematis sulit diinterpretasikan. Koefisien dalam model logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel independen. Interpretasi yang tepat untuk koefisien ini tergantung pada kemampuan menempatkan arti dari perbedaan antara dua ...(13)
logit. Oleh karena itu, dalam model logit, dikembangkan pengukuran yang dikenal dengan nama odds ratio atau rasio odds ( ) dan interpretasi koefisien untuk model regresi logistik dilakukan dengan cara melihat rasio odds tersebut (Junaidi, 2008).
Odds sendiri dapat diartikan sebagai rasio peluang kejadian sukses dengan kejadian tidak sukses dari peubah respon. Rasio odds adalah suatu alat untuk mengukur asosiasi, sebagaimana menduga seberapa mirip, dekat, memiliki ciri peubah respon (atau tidak mirip, jauh, dan tidak memiliki ciri peubah respon) hasil pendugaan tersebut pada X=1 dibandingkan pada X=0. Sebagai contoh, seberapa lebih besar peluang responden yang sudah menikah untuk memiliki karier yang tinggi dibandingkan dengan responden yang belum menikah. Koefisien model logit ( i) mencerminkan perubahan nilai fungsi logit g(x) untuk perubahan satu unit peubah penjelas x. Dalam model regresi logit, rasio odds didefinisikan sebagai berikut :
Dalam interpretasi koefisien dari rasio odds untuk peubah penjelas yang berskala nominal, yaitu X=1 memiliki kecenderungan untuk Y=1 sebesar kali dibandingkan peubah X=0. Sedangkan untuk peubah penjelas yang berskala kontinu, jika 1, maka semakin besar nilai peubah X diikuti dengan semakin besarnya kecenderungan untuk Y=1 (Hosmer dan Lemeshow, 1989).
Berdasarkan uraian di atas, maka model regresi logistik yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Rumus untuk menjawab tujuan analisis pengaruh karakteristik pegawai wanita terhadap pengembangan karier
Y = b0 + b1X1 + b2X2 + b3X3 + b4X4 di mana:
Y = karier yang dicapai (Y=1 karier tinggi; Y=0 karier rendah) X1 = usia (tahun)
X2 = masa kerja (tahun)
X3 = skor tingkat pendidikan (X3 = 1 tinggi; X3 = 0 rendah)
...(14)
X4 = skor status pernikahan (X4 = 1 sudah/pernah menikah; X4 = 0 belum menikah)
b0 = intersep
bi = koefisien regresi
2. Rumus untuk menjawab tujuan analisis pengaruh faktor internal terhadap pengembangan karier
Y = b0 + b5X5 + b6X6 + b7X7 + b8X8 + b9X9 + b10X10 di mana :
Y = karier yang dicapai (Y=1 karier tinggi; Y=0 karier rendah) X5 = skor motivasi (X5 = 1 tinggi; X5 = 0 rendah)
X6 = skor peran ganda (X6 = 1 tinggi; X6 = 0 rendah) X7 = skor rasa bersalah (X7 = 1 tinggi; X7 = 0 rendah) X8 = skor berani sukses (X8 = 1 tinggi; X8 = 0 rendah) X9 = skor pengalaman (X8 = 1 tinggi; X8 = 0 rendah)
X10 = skor tingkat kesadaran gender (X9 = 1 tinggi; X9 = 0 rendah) b0 = intersep
bi = koefisien regresi
3. Rumus untuk menjawab tujuan analisis pengaruh faktor eksternal terhadap pengembangan karier
Y = b0 + b11X11 + b12X12 di mana :
Y = karier yang dicapai (Y=1 karier tinggi; Y=0 karier rendah) X11 = skor dukungan keluarga (X10 = 1 tinggi; X10 = 0 rendah) X12 = skor lingkungan kerja (X10 = 1 tinggi; X10 = 0 rendah) b0 = intersep
bi = koefisien regresi
...(16)
