BAB II TINJAUAN PUSTAKA
3.5. Teknik Analisis
Teknik analisis yang digunakan oleh penulis adalah analisis regresi logistik. Hosmer, Lemeshow, dan Sturdivant (2013:1) menyatakan,
The goal of an analysis using this model is the same as that of any other regression model used in statistics, that is, to find the best fitting and most parsimonious, clinically interpretable model to describe the relationship between an outcome (dependent or response) variable and a set of independent) predictor or explanatory) variables.
Pernyataan yang diungkapkan Hosmer, et al. tersebut maksudnya adalah tujuan dari analisis menggunakan model ini adalah sama dengan model regresi lain yang digunakan dalam statistik, yaitu, untuk menemukan model paling cocok dan dapat diintepretasikan dengan tepat dalam mendeskripsikan hubungan antara outcome variable (variabel dependen atau respon) dengan sekumpulan variabel independen (predictor atau penjelas).
Hal utama yang membedakan regresi logistik dengan model regresi linier adalah outcome variable nya bersifat dikotomi. Penggunaan regresi linier tidak mungkin dilakukan untuk kondisi ini mengingat hal ini melanggar asumsi normalitas sehingga tujuan untuk melakukan prediksi Y menjadi tidak
mungkin dilakukan. Pendekatan yang dapat dilakukan dalam kondisi ini adalah regresi logistik. Efferin, Darmadji, dan Tan (2008) menyatakan, “Regresi logistik memungkinkan penggunaan model regresi untuk memprediksi probabilitas respon terhadap kategori tertentu untuk seperangkat variabel yang telah ada sebelumnya. Model regresi ini berdasar pada odds ratio, yang mempresentasikan probabilitas suatu kesuksesan akan dibandingkan dengan probabilitas kegagalan.”
Hosmer, et al. (2013:1) menjelaskan, “Perbedaan antara regresi logistik dan linier ini tercermin dalam bentuk model dan asumsi yang digunakan walaupun metode yang digunakan dalam analisis regresi logistik menyerupai prinsip umum yang sama yang digunakan dalam regresi linier.”
3.5.1. Uji Multikolinearitas
Uji normalitas tidak dapat dipenuhi seperti yang telah dijelaskan di atas maka uji asumsi klasik yang masih digunakan dalam penelitian ini adalah uji multikolinearitas. Tujuan uji multikolinearitas menurut Ghozali (2011:105) adalah, “Untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.”
Ghozali (2011:105) menjelaskan bahwa untuk mendeteksi ada tidaknya multikolinearitas di dalam model regresi dapat dilakukan dengan, “Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya di atas 0,90), maka hal ini merupakan indikasi adanya multikolinearitas.” Jika
tabel matrik korelasi menunjukkan nilai yang lebih besar dari 0,90 berarti ada korelasi yang besar antara variabel independen. Sebaliknya nilai yang lebih kecil dari 0,90 berarti tidak ada korelasi yang besar antara variabel independen.
3.5.2. Overall Model Fit Test
Statistik yang digunakan untuk menguji Overall Model Fit Test
berdasar pada fungsi likelihood. Ghozali (2011:340) menjelaskan bahwa, “Likelihood L dari model adalah probabilitas bahwa model yang dihipotesakan menggambarkan data input.” Pengujian model fit dilakukan dengan mentransformasikan L menjadi -2LogL.
Pengujian dilakukan dengan membandingkan nilai antara -2LogL awal dengan nilai -2LogL akhir. Model dikatakan fit bila nilai -2LogL akhir menurun dari nilai -2LogL awal. Ghozali (2011:346) menyatakan bahwa, ”Penurunan ini signifikan atau tidak dapat dibandingkan dengan tabel c2 dengan df (selisih df dengan konstan saja dan df dengan 3 variabel independen).” Jika penurunan nilai -2LogL lebih besar daripada nilai yang tertera pada tabel C-2 hal ini berarti penambahan variabel independen ke dalam model akan memperbaiki model fit penelitian ini sehingga model penelitian dinyatakan fit.
3.5.3. Hosmer and Lemeshow’s Goodness of Fit Test
Hosmer and Lemeshow’s Goodness of Fit Test dilakukan untuk menguji kelayakan model regresi bahwa data empiris cocok atau sesuai dengan model. Hosmer and Lemeshow’s Goodness of Fit Test memastikan tidak ada perbedaan antara model dengan data atau data empiris cocok dengan model yang digunakan. Ghozali (2011:341) menyatakan,
Jika nilai Statistics Hosmer and Lemeshow Goodness of Fit lebih besar dari 0.05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya.
Pada pengujian model menggunakan regresi logistik, hasil yang diharapkan adalah untuk tidak menolak hipotesis nol karena penolakan hipotesis nol berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya.
Nilai statistik yang lebih besar dari α = 0,05 berarti model mampu
memprediksi nilai observasinya sehingga model dinyatakan fit. Sebaliknya
nilai statistik yang lebih kecil dari α = 0,05 berarti model tidak mampu
memprediksi nilai observasinya sehingga model dinyatakan tidak fit untuk digunakan dalam penelitian.
3.5.4. Nagelkerke’s R Square
Nagelkerke’s R Square merupakan modifikasi dari koefisien Cox and Snell’s R Square untuk memastikan bahwa nilainya bervariasi dari 0
sampai 1. Hal ini dilakukan dengan cara membagi nilai Cox and Snell’s R Square dengan nilai maksimumnya.
Ghozali (2011:341) menyatakan, “Nilai Nagelkerke’s R Square
dapat diinterpretasikan seperti nilai R2 pada multiple regression.” Kemudian Ghozali (2011:97) juga menjelaskan arti nilai koefisien determinasi (R2) yaitu, “Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.”
Nilai yang mendekati satu berarti variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Nilai yang kecil berarti kemampuan variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas. 3.5.5. Maximum Likelihood Estimation
Pengujian hipotesis penelitian secara parsial dilakukan dengan
maximum likelihood estimation (MLE). Pengujian dilakukan dengan nilai
α = 5%. Jika nilai signifikansi <0,05 maka variabel independen berpengaruh signifikan terhadap variabel dependen. Sebaliknya jika nilai signifikansi >0,05 maka variabel independen tidak berpengaruh signifikan terhadap variabel dependen.
3.5.6. Chi Square
Pengujian hipotesis penelitian secara simultan digunakan uji signifikansi Chi Square. Perhitungan uji chi square pada SPSS dapat dilihat melalui tabel Omnibus Test of Model Coefficients. Jika diperoleh
nilai signifikansi <0,05 berarti variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen. Sebaliknya jika nilai signifikansi >0,05 maka variabel independen tidak berpengaruh signifikan terhadap variabel dependen.