Date post: | 06-Nov-2015 |
Category: |
Documents |
Author: | ahsanul-rizky |
View: | 10 times |
Download: | 0 times |
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