BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Deskriptif VariabelVariabel yang digunakan diketahui dari
data sebagai berikut :Variabel Y : Tingkat Kepuasan (1 = puas ;0 =
tidak puas)
Variabel X : Kualitas Pelayanan Publik
X1: Ketepatan waktu pelayanan (1 = Sangat Lambat, 2 = Lambat, 3
= Netral , 4 = Cepat, 5 = Sangat Cepat )
X2: Keramahan Petugas ( 1 = Sangat Tidak Ramah , 2 = Tidak
Ramah, 3 = Netral , 4 = Ramah, 5=Sangat Ramah )
X3: Kemudahan Mendapatkan Pelayanan ( 0 = Tidak Mudah , 1=Mudah
)
X4: Usia Responden
Tabel frekuensi setiap variabel independen diperoleh sebagai
berikut :
Tabel 1. Frekuensi Variabel dengan
KategoriVariabelKategoriFrekuensiPersentasi
X1Sangat Lambat918
Lambat1530
Netral612
Cepat1326
Sangat Cepat714
X2Sangat Tidak Ramah48
Tidak Ramah1938
Netral1122
Ramah612
Sangat Ramah1020
X3Tidak Mudah2244
Mudah2856
Tabel 1 diatas menunjukkan bahwa mayoritas responden mempunyai
perbedaan frekuensi yang cukup besar antara kategori pada variabel.
Perbedaan tersebut dimungkinkan terkait dengan kelompok control,
dimana asumsi awal untuk kelompok control adalah independent dengan
kelompok case.
Gambar 1. karakteristik responden dilihat dari Ketepatan Waktu
Pelayanan
Dari gambar di atas dapat disimpulkan, dari 50 orang responden
yang diteliti ternyata sebanyak 18% responden merasa sangat lambat
atas ketepatan waktu pelayanan di Kecamatan Semarang Barat.
Sebanyak 30% responden merasa lambat atas ketepatan waktu pelayanan
di kecamatan Semarang Barat. Sebanyak 12% responden merasa netral
atas ketepatan waktu pelayanan.Sebanyak 26% responden merasa cepat
atas ketepatan waktu pelayanan dan sebanyak 14% responden yang
menyatakan sangat cepat atas ketepatan waktu pelayanan di kecamatan
Semarang Barat.
Gambar 2. karakteristik responden dilihat dari Keramahan
PetugasDari gambar di atas dapat disimpulkan, dari 50 orang
responden yang diteliti ternyata sebanyak 8% responden merasa
sangat tidak ramah atas keramahan petugas di kecamatan Semarang
Barat. Sebanyak 38% responden merasa tidak ramah atas keramahan
petugas di kecamatan Semarang Barat. Sebanyak 22% responden merasa
netral atas keramahan petugas. Sebanyak 12% responden merasa ramah
atas keramahan petugas dan 20% responden yang menyatakan sangat
ramah atas keramahan petugas di kecamatan Semarang Barat.
Gambar 3. karakteristik responden dilihat dari Kemudahan
Mendapatkan Pelayanan
Dari gambar diatas dapat disimpulkan bahwa dari 50 responden
yang diteliti, sebanyak 56% responden merasa mudah mendapatkan
pelayanan dalam pembuatan KTP, sedangkan 44% dari responden merasa
tidak mudah mendapatkan pelayanan di kecamatan Semarang Barat.
Untuk melihat deskriptif variabel X4 diperoleh hasil sebagai
berikut :
Tabel 2. Variabel Usia Deskriptif Statistik
VariabelNMinimumMaksimumRata-rata
Usia Responden (X4)50175733,32
Jika dilihat dari variabel usia responden, usia termuda dalam
membuat KTP di Kecamatan Semarang Barat adalah 17 tahun dan yang
tertua adalah 57 tahun. Dengan rata-rata usia responden yang datang
berkunjung adalah 33 tahun.4.2Pola hubungan antara
variabel-variabel dengan kepuasan masyarakat
analisis regresi logistik dapat digunakan untuk mengetahui pola
antara variabel-variabel dengan kepuasan masyarakat. Selain itu,
dapat diketahui besarnya pengaruh setiap faktor dalam menentukan
peluang seseorang untuk puas atau tidak puas.
4.2.1Regresi logistik dengan satu variabel prediktor
(Univariat)
.
Pembentukan model regresi logistik dengan satu variabel
prediktor bertujuan untuk mengetahui variabel prediktor mana yang
berpengaruh secara individu terhadap variabel respon, sebelum
dilakukan pemodelan antara variabel respon dengan variabel-variabel
prediktor secara bersama-sama. Untuk itu, perlu dilakukan pengujian
signifikansi parameter sebagai koefisien dari variabel prediktor
pada masing-masing model univariat.Analisis ini dilakukan dengan
menggunakan software R dengan syntax tercantum di dalam lampiran.
Hasil yang diperoleh dari output R dirangkum sebagai
berikut:Pengujian Signifikansi Parameter Model Reglog Univariat
Variabelconstant topiSE WaldZ0,025Odds Ratio
X1-5,6192,0960,5763,6388891,968,1336
X2-5,4632,0970,58333,5950631,968,1417
X3-3,41620,41730,60350,6914661,961,5179
X4-3,24070,09530,03113,0643091,961,1
Tabel 3. Pengujian Signifikansi Parameter Model Regresi Logistik
Univariat
Keterangan:
Berdasarkan tabel diatas dapat dilihat bahwa variabel X1
(Ketepatan Waktu Pelayananan), X2 (keramahan Petugas) dan X4 (Usia
Responden) memiliki Statistik Wald yang lebih besar daripada Z
tabel sehingga dapat disimpulkan Ho ditolak yang artinya Ketepatan
Waktu Pelayanan (X1) , Keramahan Petugas (X2) dan Usia Responden
(X4) berpengaruh secara individu terhadap kepuasaan masyarakat
terhadap kualitas pelayanan publik dalam hal pembuatan KTP,
sementara variabel X3 ( Kemudahan Mendapatkan Pelayanan) memiliki
Statistik Wald yang lebih kecil daripada Z tabel sehingga dapat
disimpulkan Ho diterima yang artinya Kemudahan Mendapatkan
Pelayanan (X3) tidak berpengaruh secara individu terhadap kepuasaan
masyarakat terhadap kualitas pelayanan publik dalam hal pembuatan
KTP. Langkah selanjutnya adalah menginterpretasikan model tersebut.
Jika model regresi logistik yang terbaik ditulis dalam bentuk
logit, maka menjadi:
Sedangkan fungsi peluang seseorang itu puas adalah
Nilai odds ratio , menunjukan bahwa > 1 yang berarti variabel
ketepatan waktu pelayanan, keramahan petugas, dan usia responden
berpengaruh positif terhadap kepuasan masyarakat yang akan membuat
KTP.
Sehingga untuk pemodelan regresi logistik multivariat dapat
dilakukan seperti tabel diatas tetapi secara bersama-sama (secara
simultan), hal ini dilakukan untuk membandingkan hasil pengujian
univariat dan multivariat.
4.2.2Regresi logistik dengan lebih dari satu variabel prediktor
(multivariat)
Meskipun dari pemodelan regresi logistik univariat telah
diketahui bahwa X1 (Ketepatan Waktu Pelayanan), X2 (Keramahan
Petugas), dan X4 (Usia Responden) berpengaruh secara signifikan
terhadap variabel respon sementara untuk variabel X3 (Kemudahan
Mendapatkan Pelayanan) tidak berpengaruh secara signifikan terhadap
variabel respon, namun belum diketahui bagaimana hubungan antara
variabel lain. Jika ternyata hubungannya sangat erat, maka
dimungkinkan salah satu variabel akan menjadi tidak signifikan lagi
pengaruhnya terhadap variabel respon. Oleh karena itu, perlu
dilakukan pemodelan regresi logistik dengan memasukkan semua
variabel secara bersama-sama untuk melihat ada atau tidaknya
hubungan antara variabel tersebut. Untuk mengetahui apakah
parameter-parameter model telah signifikan atau tidak maka
dilakukan langkah-langkah pengujian hipotesis sebagai berikut.
Hipotesis
Statistik Uji :
#Pada output software R nilai tersebut terdapat pada Residual
Deviance
Daerah Penolakan H0
Keputusannya: H0 ditolak
Kesimpulan:
Minimal ada satu variabel prediktor yang pengaruhnya signifikan
terhadap variabel respon. Dan untuk mengetahui variabel prediktor
mana yang berpengaruh, maka dilakukan pengujian signifikansi
parameter secara parsial sebagai berikut.
Hipotesis:
Perhitungan menggunakan Software R diperoleh hasil sebagai
berikut:STEP 1Pengujian Signifikansi Parameter Model Reglog
Multivariat
Variabel topiSE WaldZ tabelKeputusan
X11,43670,62772,2888321,64Tolak H0
X20,99590,59591,6712541,64Tolak H0
X30,40691,08310,3756811,64Terima H0
X40,07870,05381,4628251,64Terima H0
constant-10,56086,40463,2356861,64Tolak H0
Tabel 4.Pengujian Signifikansi Parameter Model Reglog
Multivariat dengan 4 variabel bebas
Keterangan:
Ini merupakan step 1 dalam mencari model terbaik. Model yang
terbentuk dari data di atas adalah
Untuk mengetahui apakah model tersebut adalah model yang terbaik
, pengujiannya dapat menggunakan Hosmer Lemeshow . Uji Kesesuaian
Model
Karena ada sejumlah responden yang memiliki karakteristik sama
dalam hal ketepatan waktu pelayanan dan keramahan petugas, maka
perlu dilakukan pengujian untuk mengetahui apakah model regresi
logistik yang didapatkan telah sesuai atau tidak.
Hipotesis:
H0: Model Tidak Sesuai
H1: Model Sesuai
.:0,05
Statistik Uji :
Menggunakan Hosmer Lameshow:
Daerah penolakan H0 :
Disini kami menggunakan software SPSS untuk menentukan nilai
Hosmer Lemeshow, berikut hasilnya:Hosmer and Lemeshow Test
StepChi-squaredfSig.
15.0308.754
24.3308.826
317.5828.025
Keterangan:
Kita perhatikan baris pertama yaitu baris step 1, terlihat bahwa
nilai signifikansi pada baris 1 ini 0,754. Jika nilai ini kita
bandingkan dengan = 0,05 jelas terlihat bahwa 0,754 > 0,05 yang
artinya menandakan bahwa H0 diterima yang kesimpulannya model tidak
sesuai,sehingga dapat dicari lagi model terbaiknya dengan
menghilangkan 1 variabel bebas. Kita kembali melihat tabel 4,
Faktor-faktor yang berpengaruh secara multivariat terhadap kepuasan
masyarakat pembuat KTP adalah X1 (Ketepatan Waktu Pelayanan) dan X2
(Keramahan Petugas). Variabel yang tidak signifikan (X3 dan X4)
tidak dapat langsung dihilangkan dua-duanya , tetapi variabel yang
dibuang yaitu variabel dengan nilai statistik wald yang terkecil
yaitu variabel X3 (Kemudahan Mendapatkan Pelayanan) .
Selanjutnya variabel-variabel tersebut dimodelkan kembali tanpa
variabel X3 , sehingga hasilnya sebagai berikut : STEP 2
Pengujian Signifikansi Parameter t dengan 3 variabel bebas
Variabel taksiranSEWaldZ 0,025Keputusan
Constant-9,0342,619-3,4501,96Tolak H0
X11,3930,5962,3371,96Tolak H0
X21,0200,5831,7501,96Tolak H0
X40,0780,0531,4841,96Terima H0
Tabel 5. Pengujian Signifikansi Parameter Model Reglog
Multivariat dengan 3 variabel bebas
Keterangan:
Ini merupakan step 2 dalam mencari model terbaik. Model yang
terbentuk dari data di atas adalah
Untuk mengetahui apakah model tersebut adalah model yang terbaik
, pengujiannya dapat menggunakan Hosmer Lemeshow . Uji Kesesuaian
Model
Karena ada sejumlah responden yang memiliki karakteristik sama
dalam hal ketepatan waktu pelayanan dan keramahan petugas, maka
perlu dilakukan pengujian untuk mengetahui apakah model regresi
logistik yang didapatkan telah sesuai atau tidak.
Hipotesis:
H0: Model Tidak Sesuai
H1: Model Sesuai
.:0,05
Statistik Uji :
Menggunakan Hosmer Lameshow:
Daerah penolakan H0 :
Disini kami menggunakan software SPSS untuk menentukan nilai
Hosmer Lemeshow, berikut hasilnya:
Hosmer and Lemeshow Test
StepChi-squaredfSig.
15.0308.754
24.3308.826
317.5828.025
Keterangan:
Kita perhatikan baris kedua yaitu baris step 2, terlihat bahwa
nilai signifikansi pada baris 1 ini 0,826. Jika nilai ini kita
bandingkan dengan = 0,05 jelas terlihat bahwa 0,826 > lebih
besar daripada 0,05 yang artinya menandakan bahwa H0 diterima yang
kesimpulannya model tidak sesuai, sehingga dapat dicari lagi model
terbaiknya dengan menghilangkan 1 variabel bebas. Berdasarkan tabel
5, Faktor-faktor yang berpengaruh secara multivariat terhadap
kepuasan masyarakat pembuat KTP adalah X1(Ketepatan Waktu
Pelayanan) dan X2 (Keramahan Petugas). Dan tampak terlihat bahwa
variabel X4 (Usia masyarakat) tidak memberikan pengaruh terhadap
model yang telah dibuat , dapat dilihat dengan nilai Statistik Wald
yang lebih kecil dari Z0,025 (1,484 < 1,96) sehingga variabel X4
dapat dikeluarkan dari model.Selanjutnya dilakukan pengujian
signifikansi parameter regresi logistik multivariat dengan
menghilangkan variabel X4 (usia).Seperti langkah sebelumnya
digunakan software R dan hasilnya sebagai berikut:
STEP 3
Pengujian Signifikansi Parameter Model Reglog Multivariat
Variabel topiSE WaldZ tabelKeputusan
X11,32080,57822,2843311,64Tolak H0
X21,33410,61812,1583891,64Tolak H0
Constant-6,93431,8096-3,831951,64Tolak H0
Tabel 6. Pengujian parameter model reglog multivariat dengan 2
Variabel bebasKeterangan:
Ini merupakan step 2 dalam mencari model terbaik. Model yang
terbentuk dari data di atas adalah
Untuk mengetahui apakah model tersebut adalah model yang terbaik
, pengujiannya dapat menggunakan Hosmer Lemeshow.Uji Kesesuaian
Model
Karena ada sejumlah responden yang memiliki karakteristik sama
dalam hal ketepatan waktu pelayanan dan keramahan petugas, maka
perlu dilakukan pengujian untuk mengetahui apakah model regresi
logistik yang didapatkan telah sesuai atau tidak.
Hipotesis:
H0: Model Tidak Sesuai
H1: Model Sesuai
.:0,05
Statistik Uji :
Menggunakan Hosmer Lameshow:
Daerah penolakan H0 :
Disini kami menggunakan software SPSS untuk menentukan nilai
Hosmer Lemeshow, berikut hasilnya:Hosmer and Lemeshow Test
StepChi-squareDfSig.
15.0308.754
24.3308.826
317.5828.025
Karena nilai sig. < , maka H0 ditolak sehingga model yang
dihasilkan sudah tepat atau terbaik. Berikut model regresi
logistiknya:
Sedangkan peluang seseorang itu puas adalah
Telah sesuai digunakan untuk menjelaskan seberapa besar peluang
seseorang itu puas berdasarkan variabel prediktor X1 (Ketepatan
Waktu Pelayanan) dan X2 (Keramahan Petugas).
4.2.3
Interpretasi model regresi logistik
Langkah selanjutnya adalah menginterpretasikan model tersebut.
Jika model regresi logistik yang terbaik ditulis dalam bentuk
logit, maka menjadi:
Estimasi Titik Untuk Odds Ratio
VariabelOdds Ratio
X13,7464
X23,7967
Tabel 6. Estimasi Titik Untuk Odds Ratio
Nilai odds ratio pada variabel ketepatan waktu pelayanan (X1)
dan Keramahan Petugas (X2) pada Tabel 6 memiliki nilai yang hampir
sama yaitu sebesar 3,7464 untuk X1 dan 3,7967 untuk X2. Karena
kedua odds ratio variabel X1 dan X2 tersebut bernilai diatas 1,
maka variabel tersebut memberikan pengaruh positif terhadap faktor
kepuasan . Karena variabel prediktor yang digunakan dalam
penelitian ini bersifat kontinu berarti bahwa semakin cepat waktu
pelayanan (X1) dan semakin ramah petugasnya maka semakin puas
seseorang yang akan membuat KTP.
Atau untuk odds ratio yang pertama penjelasannya adalah odds
orang-orang yang memilih waktu pelayanan di Kecamatan Semarang
Barat itu lambat untuk dilihat tingkat kepuasannya 3,7464 kali
lebih besar dibandingkan dengan orang-orang yang memilih waktu
pelayanan di Kecamatan Semarang Barat itu cepat. Untuk odds ratio
yang kedua penjelasannya adalah odds orang-orang yang memilih
keramahan petugas di kecamatan semarang barat itu tidak ramah untuk
dilihat tingkat kepuasannya 3,7967 kali lebih besar dibandingkan
dengan orang-orang yang memilih keramahan petugas di kecamatan
semarang barat itu ramah.
Pembahasan menggunakan Software SPSS
dengan menggunakan Software SPSS pun cara untuk mendapatkan
model terbaik dapat dilakukan berikut output yang diberikan
SPSS:
Variables in the Equation
BS.E.WalddfSig.Exp(B)95% C.I.for EXP(B)
LowerUpper
Step 1aX11.437.6285.2371.0224.2071.22914.397
X2.996.5962.7931.0952.707.8428.705
X3.4071.083.1411.7071.502.18012.550
X4.079.0542.1361.1441.082.9741.202
Constant-10.5614.9724.5121.034.000
Step 2aX11.393.5965.4631.0194.0261.25212.944
X21.020.5833.0621.0802.773.8858.691
X4.078.0532.2051.1381.081.9751.199
Constant-9.0342.61911.9001.001.000
Step 3aX11.321.5785.2171.0223.7461.20611.636
X21.334.6184.6591.0313.7971.13112.749
Constant-6.9341.81014.6841.000.001
a. Variable(s) entered on step 1: X1, X2, X3, X4.
Dari output SPSS dapat diperoleh informasi sebagai berikut
Classification Tablea
ObservedPredicted
yPercentage Correct
tidak puaspuas
Step 1Ytidak puas24292.3
Puas32187.5
Overall Percentage90.0
Step 2Ytidak puas24292.3
Puas32187.5
Overall Percentage90.0
Step 3Ytidak puas260100.0
Puas32187.5
Overall Percentage94.0
a. The cut value is ,500
Keterangan:
Dari output di atas dapat dijelaskan sebagai berikut, kolom
observed dapat dilihat step 1. Step 1 berisikan model regresi
logistik dengan 4 variabel bebas yaitu X1 (Ketepatan waktu
pelayanan), X2 (Keramahan Petugas), X3 (kemudahan mendapatkan
pelayanan), dan X4 (Usia Responden),pada overall percentage
terdapat percentage correct sebesar 90 yang berarti secara
keseluruhan 90% model ini dapat dijelaskan oleh ke-4 variabel bebas
tersebut.
Selanjutnya step 2, step 2 berisikan model regresi logistik
dengan 3 variabel bebas yaitu X1 (Ketepatan waktu pelayanan), X2
(Keramahan Petugas dan X4 (Usia Responden), pada overall percentage
terdapat percentage correct sebesar 90 ini berarti secara
keseluruhan 90% model ini dapat dijelaskan oleh ke-3 variabel bebas
tersebut.
Dan terakhir step 3, step 3 berisikan model regresi logistik
dengan 2 variabel bebas yaitu X1 (Ketepatan waktu pelayanan) dan X2
(Keramahan Petugas), pada overall percentage terdapat percentage
correct sebesar 94 ini berarti secara keseluruhan 94% model ini
dapat dijelaskan oleh ke-2 variabel bebas tersebut. BAB
5KESIMPULANSetelah melakukan analisis pada data kepuasan Kecamatan
Semarang Barat menggunakan Regresi Logistik terdapat beberapa
kesimpulan yang diperoleh:
1. Dari keempat variabel bebas yaitu yaitu X1 (Ketepatan Waktu
Pelayanan), X2 (Keramahan Petugas), X3 (Kemudahan Mendapatkan
Pelayanan), dan X4 (Usia Responden) hanya ada dua variabel bebas
yang signifikan mempengaruhi variabel terikat (Kepuasan Konsumen)
yaitu variabel X1 (Ketepatan Waktu Pelayanan), dan variabel X2
(Keramahan Petugas)
2. Model regresi logistik yang terbaik untuk permasalahan ini
adalah
3. Interpretasi model regresi logistik dari permasalahan
tersebut digunakan odds ratio yang cara perhitungannya :
Yang artinya untuk odds ratio yang pertama penjelasannya adalah
odds orang-orang yang memilih waktu pelayanan di kecamatan Semarang
barat itu lambat untuk dilihat tingkat kepuasannya 3,7464 kali
lebih besar dibandingkan dengan orang-orang yang memilih waktu
pelayanan di kecamatan Semarang barat itu cepat. Untuk odds ratio
yang kedua penjelasannya adalah odds orang-orang yang memilih
keramahan petugas di kecamatan semarang barat itu tidak ramah untuk
dilihat tingkat kepuasannya 3,7967 kali lebih besar dibandingkan
dengan orang-orang yang memilih keramahan petugas di Kecamatan
Semarang barat itu Ramah.
LAMPIRANData Studi pelayanan KTP di kecamatan Semarang Barat
sebagai berikut
X1X2X3X4Y
45126ya
15031ya
14017tidak
42141ya
23047ya
42122ya
44021tidak
54152ya
35157ya
12117tidak
25126tidak
22136ya
13132tidak
33122tidak
22147tidak
52142ya
51052ya
42132ya
55031tidak
43027tidak
22027ya
22132tidak
45142tidak
13042ya
23151tidak
22152ya
22122ya
44046tidak
23147ya
33032tidak
42027ya
22126ya
13027tidak
43022tidak
54117tidak
25117tidak
52037ya
33132tidak
51046ya
12041ya
45027ya
21026tidak
45017tidak
35117tidak
42121tidak
31131tidak
42052ya
12156ya
44026tidak
12131tidak
# Menggunakan Software R :1. Syntax pengujian signifikansi
parameter model regresi logistik secara Univariat
> ktp ktp
X1 X2 X3 X4 y
1 3 5 4 26 1
2 3 4 4 31 1
3 2 2 4 17 0
4 2 2 3 41 1
5 4 5 3 47 1
6 4 3 3 22 1
7 2 1 4 21 0
8 4 3 4 52 1
9 3 3 4 57 1
10 1 2 3 17 0
11 2 1 3 26 0
12 3 5 3 36 1
13 3 1 3 32 0
14 3 2 4 22 0
15 1 3 4 47 0
16 4 3 4 42 1
17 5 5 4 52 1
18 5 4 4 32 1
19 2 3 4 31 0
20 2 1 4 27 0
21 5 5 3 27 1
22 3 2 3 32 0
23 1 3 3 42 0
24 5 3 4 41 1
25 3 2 4 51 0
26 1 1 4 52 1
27 4 3 3 22 1
28 2 3 3 46 0
29 3 5 4 47 1
30 1 1 4 32 0
31 4 5 4 27 1
32 5 4 3 26 1
33 2 1 3 27 0
34 2 1 4 22 0
35 2 1 3 17 0
36 1 1 3 17 0
37 3 3 4 37 1
38 1 1 4 32 0
39 5 3 4 46 1
40 5 4 4 41 1
41 2 2 4 27 1
42 2 2 4 26 0
43 1 2 3 17 0
44 2 2 4 17 0
45 1 1 4 21 0
46 2 2 4 31 0
47 3 4 4 52 1
48 4 3 4 56 1
49 2 2 4 26 0
50 1 2 4 31 0
> str(ktp)
'data.frame': 50 obs. of 5 variables:
$ X1: int 3 3 2 2 4 4 2 4 3 1 ...
$ X2: int 5 4 2 2 5 3 1 3 3 2 ...
$ X3: int 4 4 4 3 3 3 4 4 4 3 ...
$ X4: int 26 31 17 41 47 22 21 52 57 17 ...
$ y : int 1 1 0 1 1 1 0 1 1 0 ...
> ktp$yt 0
> ktp$yt
[1] TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE FALSE FALSE
TRUE
[13] FALSE FALSE FALSE TRUE TRUE TRUE FALSE FALSE TRUE FALSE
FALSE TRUE
[25] FALSE TRUE TRUE FALSE TRUE FALSE TRUE TRUE FALSE FALSE
FALSE FALSE
[37] TRUE FALSE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE
TRUE TRUE
[49] FALSE FALSE
#untuk uji data univariat> ktp2 summary(ktp2)
Call:
glm(formula = y ~ X1, family = binomial(), data = ktp)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.4719 -0.6561 -0.2412 0.3493 2.6653
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -5.619 1.538 -3.655 0.000258 ***
X1 2.096 0.576 3.640
0.000273 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 69.235 on 49 degrees of freedom
Residual deviance: 35.203 on 48 degrees of freedom
AIC: 39.203
Number of Fisher Scoring iterations: 6> confint(ktp2,
level=0.95, type="Wald")
Waiting for profiling to be done...
2.5 % 97.5 %
(Intercept) -9.265383 -3.091396
X1 1.161780 3.460426
#untuk uji data X2 univariat> ktp3 summary(ktp3)
Call:
glm(formula = y ~ X2, family = binomial(), data = ktp)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.5431 -0.7039 -0.2606 0.3233 2.6077
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -5.4630 1.5333 -3.563
0.000367 ***
X2 2.0970 0.5833 3.595
0.000324 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 69.235 on 49 degrees of freedom
Residual deviance: 35.727 on 48 degrees of freedom
AIC: 39.727
Number of Fisher Scoring iterations: 6
> confint(ktp3, level=0.95, type="Wald")
Waiting for profiling to be done...
2.5 % 97.5 %
(Intercept) -7.5574032 -2.440314
X2 0.9298309 2.795316> ktp4 summary(ktp4)
Call:
glm(formula = y ~ X3, family = binomial(), data = ktp)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.203 -1.203 -1.030 1.152 1.332
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.6086 2.2311 -0.721 0.471
X3 0.4173 0.6035 0.691 0.489
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 69.235 on 49 degrees of freedom
Residual deviance: 68.752 on 48 degrees of freedom
AIC: 72.752
Number of Fisher Scoring iterations: 4> confint(ktp4,
level=0.95, type="Wald")
Waiting for profiling to be done...
2.5 % 97.5 %
(Intercept) -7.133467 2.051324
X3 -0.569591 1.891003> ktp5 summary(ktp5)
Call:
glm(formula = y ~ X4, family = binomial(), data = ktp)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.8982 -0.9016 -0.6009 0.9099 1.6853
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -3.24070 1.06680 -3.038 0.00238 **
X4 0.09533 0.03114 3.062
0.00220 **
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 69.235 on 49 degrees of freedom
Residual deviance: 57.089 on 48 degrees of freedom
AIC: 61.089
Number of Fisher Scoring iterations: 4
> confint(ktp5, level=0.95, type="Wald")
Waiting for profiling to be done...
2.5 % 97.5 %
(Intercept) -5.53838047 -1.2963063
X4 0.03920527 0.1633358> exp(2.096) #odds ratio antara X1
dengan y
[1] 8.13357
> exp(2.097) #odds ratio antara X2 dengan y
[1] 8.141708
> exp(0.4173) #odds ratio antara X3 dengan y
[1] 1.517858
> exp(0.0953) #odds ratio antara X4 dengan y
[1] 1.099989
2. Syntax pengujian signifikansi parameter model regresi
logistik secara multivariat
> ktp1 summary(ktp1)
Call:
glm(formula = y ~ X1 + X2 + X3 + X4, family = binomial(), data =
ktp)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.7916 -0.3468 -0.1061 0.2025 2.2342
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -10.56076 4.97142 -2.124 0.0336 *X1 1.43665 0.62775
2.289 0.0221 *X2 0.99589 0.59593 1.671 0.0947 .
X3 0.40694 1.08305 0.376 0.7071
X4 0.07867 0.05382 1.462 0.1438
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 69.235 on 49 degrees of freedom
Residual deviance: 25.350 on 45 degrees of freedom
AIC: 35.35
Number of Fisher Scoring iterations: 6
> confint(ktp1, level=0.95, type="Wald")
Waiting for profiling to be done...
2.5 % 97.5 %
(Intercept) -31.03996863 -4.7402719
X1 0.66803332 3.9784214
X2 -0.53801410 1.5928437
X3 -0.71956187 4.2956395
X4 -0.01442368 0.23989623. Syntax pengujian signifikansi
parameter secara simultan dengan menghilangkan variabel X3 dan
X4> ktp6 summary(ktp6)
Call:
glm(formula = y ~ X1 + X2, family = binomial(), data = ktp)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.0568 -0.5271 -0.1659 0.2241 2.9303
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -6.9343 1.8096 -3.832
0.000127 ***
X1 1.3208 0.5782 2.284
0.022365 *
X2 1.3341 0.6181 2.159
0.030887 *
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 69.235 on 49 degrees of freedom
Residual deviance: 28.071 on 47 degrees of freedom
AIC: 34.071
Number of Fisher Scoring iterations: 6> confint(ktp6,
level=0.95, type="Wald")Waiting for profiling to be done...
2.5 % 97.5 %
(Intercept) -9.90410740 -3.595745
X1 0.45280404 2.814001
X2 0.02832934 2.021806
_1495287452.unknown
_1495287461.unknown
_1495287465.unknown
_1495287467.unknown
_1495287469.unknown
_1495289482.xlsChart1
9
15
6
13
7
Ketepatan Waktu Pelayanan
Sheet1
Ketepatan Waktu Pelayanan
Sangat Lambat9
Lambat15
Netral6
Cepat13
Sangat Cepat7
To resize chart data range, drag lower right corner of
range.
_1495287470.unknown
_1495287468.unknown
_1495287466.unknown
_1495287463.unknown
_1495287464.unknown
_1495287462.unknown
_1495287456.unknown
_1495287459.unknown
_1495287460.unknown
_1495287457.unknown
_1495287454.unknown
_1495287455.unknown
_1495287453.unknown
_1495287448.unknown
_1495287450.unknown
_1495287451.unknown
_1495287449.unknown
_1495287446.unknown
_1495287447.unknown
_1495287445.unknown