Apa itu metode logit pada penelitian dan fungsinya

Beberapa waktu yang lalu ketika menguji sidang skripsi mahasiswa, saya menemukan adanya kesalahan dalam pemilihan metode regresi. Dimana dalam skripsi yang diuji tersebut menggunakan regresi linear atau ordinary least square, sedangkan seharusnya model penelitian seperti itu menggunakan regresi logistik atau binary logit. Hal ini sangat disayangkan, karena sebenarnya penelitian yang dilakukan mahasiswa tersebut sudah baik, penulisannya rapi dan teratur. Kesalahan dalam pemilihan model regresi yang seharusnya logistik tetapi dibuat linear, membuat seluruh hasil di Bab 4 harus dirubah seluruhnya, dilakukan olah data ulang dan mengakibatkan revisi major. Hal ini mendorong saya untuk menulis tentang regresi linear dan regresi logistic, dengan harapan di masa yang akan datang, rekan – rekan mahasiswa maupun rekan peneliti dapat paham dan tidak keliru lagi dalam menentukan antara kedua metode olah data regresi ini.

Table of Contents Show

3.6 Analisis Crosstabs
3.7 Analisis Model Logit
3.8 Regresi Linear Berganda
Video yang berhubungan

Sebelum kita membahas lebih lanjut, pertama kita akan membahas apa itu regresi terlebih dahulu. Model regresi sering digunakan dalam penelitian kuantitatif. Regresi dilakukan dalam pengujian pengaruh, biasanya menguji antara pengaruh variable independen terhadap variable dependen (Sekaran & Bougie, 2016). Dikarenakan memiliki banyak manfaat, analisis regresi digunakan hampir pada semua bidang kehidupan, baik dalam bidang ekonomi, industri dan ketenagakerjaan, sejarah, pemerintahan, ilmu lingkungan, dan lain sebagainya.

Kegunaan analisis regresi adalah untuk mengetahui variabel-variabel kunci yang memiliki pengaruh terhadap suatu variabel bergantung, pemodelan, serta pendugaan (estimation) atau peramalan (forecasting). Selain itu, masih ada beberapa kegunaan lainnya, yakni:

Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas.
Untuk menguji hipotesis karakteristik dependensi.
Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas diluar jangkauan sample.

Kemudian kita membahas bahwa terdapat regresi linear sederhana dan regresi linear berganda. Analisis regresi sederhana adalah sebuah metode pendekatan untuk pemodelan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model regresi, variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, di mana perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Sedangkan regresi linear berganda adalah apabila variable independennya lebih dari satu, dalam artian dua, tiga, dan seterusnya.

Sementara kalau regresi logistik, digunakan untuk model regresi yang variable dependennya merupakan variable dummy. Apa itu variable dummy? Variable dummy adalah dikotomus variable, yaitu variable yang hanya menggunakan dua kemungkinan nilai. Biasa dilambangkan dengan nilai 0 dan 1. Contohnya dalam penelitian di rumpun keilmuan auditing, misalnya untuk variable pergantian auditor, nilai 0 bila tidak melakukan pergantian auditor, nilai 1 bila melakukan pergantian auditor. Contoh lain untuk variable restatement atau penyajian kembali. Nilai 0 untuk yang tidak melakukan restatement, nilai 1 untuk yang melakukan penyajian kembali. Contoh lain di bidang akuntansi forensik, misalnya untuk menghitung kemungkinan terjadinya fraud menggunakan F-Score (Dechow et al., 2011). F-score lebih besar dari 1, maka perusahaan diduga melakukan fraud diberikan kode angka 1. Sedangkan jika F-score lebih kecil dari 1, maka perusahaan tidak diduga melakukan fraud diberikan kode angka 0.

Untuk uji regresi logistik, uji prasyarat regresinya juga berbeda dengan regresi linear. Bila regresi linear misalnya menggunakan uji asumsi klasik, yang antara lain terdiri dari: uji normalitas, uji heteroskedastisitas, uji auto korelasi, dan uji multikolinearitas (Sarjono dan Julianita, 2011). Maka dalam uji regresi logistik, uji prasyarat atau kualitas data yang dilakukan antara lain: uji keseluruhan model (overall model fit), uji kelayakan model menggunakan Hosmer and Lemeshow Test.

Demikian penjelasan mengenai kapan kita harus menggunakan regresi linear dan regresi logistic, semoga bermanfaat untuk rekan – rekan yang sedang mempersiapkan proposal penelitian atau skripsi. Ataupun rekan – rekan yang sudah menyusun skripsi. Semoga di masa yang akan datang, rekan – rekan tidak lagi tertukar antara kedua metode regresi tersebut.

Referensi:

Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting Material Accounting Misstatements. Contemporary Accounting Research, 28(1), 17–82. https://doi.org/10.1111/j.1911-3846.2010.01041.x
Sarjono, H., Julianita W. (2011). SPSS vs Lisrell Sebuah Pengantar Aplikasi untuk Riset. Salemba Empat
Sekaran, U., & Bougie, R. (2016). Research Methods For Business. A Skill Builing Approch. 7th Edition. Book. https://doi.org/10.1007/978-94-007-0753-5_102084

Image Sources: Google Images

2. Memperkirakan Besaran Rata-rata WTP Setelah wawancara dilakukan dengan media kuesioner maka untuk mengetahui berapa besaran kesediaan membayar responden, WTP dapat diduga dengan nilai tengah dari kelas atau interval WTP responden ke-i. Berdasarkan jawaban responden dapat diketahui WTP yang benar berada antar jawaban yang dipilih. Dugaan rataan WTP dibagi dengan rumus : WTP = W i , Pf i Keterangan : WTP = Dugaan WTP rupiah W i = Batas bawah WTP pada kelas ke- i Pf i = Frekuensi relatif kelas ke-i n = Jumlah kelas i = Sampel

3.6 Analisis Crosstabs

Fungsi dari analisis crosstabs adalah untuk menggambarkan jumlah data dan hubungan antarvariabel. Pada uji statistik ditentukan melalui Uji Chi-Square dengan mengamati ada tidaknya hubungan antarvariabel yang dimasukan baris dan kolom. Penentuan Uji Chi-Square menggunakan hipotesis yaitu: H : Faktor yang diuji tidak berhubungan nyata dengan respon responden H 1 : Faktor yang diuji berhubungan nyata dengan respon responden Pengambilan keputusan dengan menggunakan nilai Asymp. Sig. 2-sided yang terdapat pada Chi-Square Test. Apabila nilai Asymp. Sig. 2-sided lebih dari 0,05 maka H diterima. Apabila nilai Asymp. Sig. 2-sided kurang dari 0,05 maka H ditolak yang artinya ada hubungan antara baris dan kolam Wahana, 2007.

3.7 Analisis Model Logit

Penentuan tingkat penerimaan responden terhadap pembayaran jasa lingkungan sebagai upaya konservasi dikumpulkan melalui data binner. Data binner merupakan bentuk data yang menggambarkan pilihan “ya atau tidak”. Dengan kondisi seperti ini, jenis penggunaan regresi yang sesuai untuk pemodelan adalah regresi logit. Hal yang membedakan model regresi logit dengan regresi biasa adalah peubah terikat dalam model bersifat dikotomi Hosmer dan Lameshow, 1989. Bentuk fungsi ini model logit adalah :       − = pi 1 pi log Logitpi e Logitp i = β + β 1 JRK i + β 2 USIA i + β 3 JTG i + β 4 JBBM i + β 5 LB i + ε i di mana: Logitp i = Peluang responden setuju atau tidak dengan kenaikan harga BBM bernilai 1 untuk “setuju” dan bernilai 0 untuk “tidak setuju” β = Intersep β 1 , β 2 ,β 3 ,..,β 5 = Koefisien dari regresi JR Κ = Jarak tempuh km USIA = Usia responden tahun JTG = Jumlah tanggungan orang JBBM = Jumlah BBM yang digunakan per hari liter LB = Lama Waktu Berkendaraan per hari jam ε = Galat Pengujian terhadap parameter model dilakukan untuk memeriksa kebaikan model. Uji statistik yang dilakukan adalah dengan menggunakan statistik rasio odd, uji G atau likelihood ratio, dan statistik uji Wald. 1. Rasio Odd Rasio odd merupakan rasio peluang terjadi pilihan-1 terhadap peluang terjadi pilihan-0 Juanda, 2009. Koefisien bertanda positif menunjukan nilai rasio odd yang lebih besar dari satu, hal tersebut mengindikasikan bahwa peluang kejadian sukses lebih besar dari peluang kejadian tidak sukses. Sedangkan koefisien yang bertanda negatif mengindikasikan bahwa peluang kejadian tidak sukses lebih besar dari peluang kejadian sukses Juanda, 2009. 2. Uji G The log-likelihood biasa dikenal sebagai – 2 LL - two times the loglikelihood di mana nilai tersebut dapat memperkirakan distribusi chi-squere χ 2 dan memungkinkan penentuan level signifikansi. Statistik uji G adalah uji rasio kemungkinan maksimum likelihood ratio test yang digunakan untuk menguji peranan variabel penjelas secara serentak. Rumus umum untuk uji G atau Likelihood Ratio adalah Hosmer dan Lemeshow, 1989: G = - 2 ln Pengujian terhadap hipotesis pada uji G adalah sebagai berikut: H : ß 1 = ... = ßn = 0 H 1 : minimal ada satu nilai ß 1 tidak sama dengan nol, dimana i = 1,2,3,...,n Statistik G akan mengikuti sebaran χ 2 dengan derajat bebas α. Kriteria keputusan yang diambil adalah jika G lebih besar dari χ 2 pa maka hipotesis nol ditolak. Uji G juga dapat digunakan untuk memeriksa apakah nilai yang diduga dengan variabel di dalam model lebih baik jika dibandingkan dengan model tereduksi Hosmer dan Lemeshow, 1989. 3. Uji Wald Uji wald digunakan untuk uji nyata parsial bagi masing-masing koefisien variabel. Dalam pengujian hipotesa, jika koefisien dari variabel penjelas sama dengan nol, hal ini berarti variabel penjelas tidak berpengaruh pada variable respon. Uji wald mengikuti sebaran normal baku dengan kaidah keputusan menolak H jika W lebih besar dari Zα2 atau p-value kurang dari α. Hosmer dan Lemeshow, 1989.