8 0 856 KB
TUGAS REGRESI TERAPAN LANJUTAN
Oleh: Kelompok 3 1. Fatkha Syahnasβashri
NIM. 081711833026
2. Nabila Rasyidah
NIM. 081711833033
PRODI S-1 STATISTIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA 2019
BAB I PENDAHULUAN
1.1 Sumber Data dan Data Data yang kami gunakan untuk mengerjakan tugas Regresi Terapan Lanjutan ini adalah data sekunder yang berasal dari data skripsi yang berjudul Analisis Regresi Logistik Biner Untuk Memprediksi Kepuasan Pengunjung pada Rumah Sakit Umum Daerah Majene oleh Saddam Husain, mahasiswa jurusan Matematika UIN Alauddin Makassar. Data yang diperoleh adalah sebagai berikut: No.
X1
X2
X3
X4
X5
Y
1
22
27
13
22
7
1
2
22
23
17
18
5
0
3
20
22
14
20
7
1
4
20
23
10
18
4
1
5
20
22
10
17
4
0
6
19
23
14
19
6
0
7
20
30
14
16
4
1
8
22
23
15
17
6
0
9
21
24
15
21
8
1
10
22
22
15
17
6
1
11
21
22
14
18
7
1
12
23
21
13
19
7
1
13
24
24
14
18
10
1
14
18
21
17
19
7
1
15
20
23
17
19
7
0
16
22
20
14
17
7
1
17
22
24
13
15
6
1
18
22
22
15
18
8
1
19
19
20
11
22
7
1
20
21
22
11
19
7
1
21
20
22
14
16
8
1
22
21
22
18
17
8
0
23
22
25
18
18
7
1
24
21
22
14
17
7
1
25
25
22
20
18
7
1
26
19
22
14
9
8
0
27
21
22
14
20
6
0
28
20
22
13
20
8
1
29
20
22
18
22
9
1
30
19
23
15
18
7
1
31
21
23
14
18
9
1
32
22
26
16
18
8
1
33
22
28
16
21
8
0
34
20
22
14
19
10
1
35
23
22
15
15
8
1
36
21
23
14
10
4
0
37
28
22
18
21
9
1
38
20
23
13
17
7
1
39
21
25
14
17
8
0
40
27
27
16
22
9
1
41
22
25
18
17
7
0
42
25
28
16
15
10
1
43
27
27
16
20
9
1
44
24
28
18
23
9
1
45
20
28
18
21
9
1
46
19
22
14
18
7
1
47
21
23
14
19
5
0
48
20
28
18
22
9
1
49
21
26
15
23
9
1
50
21
22
11
18
6
0
51
20
23
7
19
8
0
52
21
22
19
18
7
0
53
20
22
15
18
7
0
54
21
23
15
19
8
1
55
21
23
14
19
8
1
56
20
22
15
20
6
1
57
24
24
19
19
7
1
58
18
22
18
18
7
0
59
20
23
18
19
6
0
60
20
23
20
23
7
1
61
22
23
17
23
8
1
62
22
26
17
23
7
1
63
18
27
17
18
9
0
64
20
27
18
22
9
1
65
22
25
19
15
8
1
66
23
26
19
15
9
1
67
24
26
17
15
8
1
68
24
27
17
25
7
0
69
21
27
19
22
9
0
70
23
26
20
21
9
1
71
22
25
20
17
9
1
72
24
27
7
18
9
1
73
21
26
17
17
8
1
74
21
26
17
21
8
1
75
23
26
19
18
8
1
76
22
23
17
19
7
1
77
23
22
17
23
8
1
78
22
26
20
17
9
0
79
19
27
16
17
7
0
80
21
26
16
22
7
1
81
25
27
16
20
9
1
82
22
26
17
21
9
0
83
20
25
20
20
7
1
84
21
26
20
18
9
0
85
20
25
17
16
9
1
86
22
27
18
18
9
0
87
21
26
15
14
9
1
88
28
26
17
13
9
1
89
20
28
15
12
7
1
90
20
26
20
18
8
1
91
23
27
16
11
7
1
92
19
26
20
13
9
1
93
19
26
17
14
10
1
94
19
26
14
13
9
0
95
21
10
19
16
8
1
96
22
16
18
17
8
1
97
24
25
18
21
8
1
98
23
22
19
17
8
1
99
21
19
19
22
8
1
100
19
26
16
19
9
0
1.2 Definisi Variabel 1.2.1 Variabel Respon Y = Kepuasan Pasien Kepuasan atau ketidakpuasan pelanggan adalah respon pelanggan terhadap evaluasi ketidaksesuaian atau diskonfirmasi yang dirasakan antara harapan sebelumnya dan kinerja aktual produk yang dirasakan setelah pemakaiannya. Kepuasan pelanggan merupakan evaluasi purnabeli di mana alternatif yang dipilih sekurang-kurangnya memberikan hasil sama atau melampaui harapan pelanggan, sedangkan ketidakpuasan timbul apabila hasil yang diperoleh tidak memenuhi harapan pelanggan (Edward,2005). Y berskala Biner, 0 = Tidak Puas 1 = Puas
1.2.2 Variabel Prediktor X1 = Bukti Fisik Wujud fisik atau tangibles adalah kebutuhan pengunjung atau pasien yang berfokus pada fasilitas fisik seperti gedung, ruangan, tempat tidur, kebersihan, kerapian dan sebagainya. Bukti fisik yang baik akan mempengaruhi persepsi pasien pada suatu rumah sakit. Pada saat yang sama aspek ini juga merupakan salah satu sumber yang dapat berpengaruh pada harapan pengunjung rumah sakit, karena dengan adanya bukti fisik yang baik maka kepuasaan layanan pengunjung menjadi lebih tinggi. Oleh karena itu merupakan hal yang penting bagi pihak rumah sakit untuk mengetahui seberapa jauh aspek ini paling tepat, yaitu memberikan impresi positif terhadapa kualitas pelayanan yang diberikan sehingga dapat memenuhi kebutuhan pengguna dan memberikan kepuasaan kepada pengunjung rumah sakit (Lupioadi,2006).
X2 = Kehandalan Kehandalan (Reliability) yaitu kemampuan dari perusahaan untuk memberikan pelayanan sesuai yang dijanjikan secara akurat dan terpercaya. Kinerja harus sesuai dengan harapan pelanggan yang berarti ketetapan waktu pelayanan yang untuk
sama
semua pelanggan tanpa kesalahan, sikap yang simpatik, dan dengan
akurasi yang tinggi. Berbicara tentang rumah sakit, maka kinerja pegawai harus
sesuai dengan harapan pasien yang berarti ketetapan waktu, pelayanan atau perhatian yang merata kepada semua pasien sehingga pengunjung tidak merasa dibeda-bedakan dan ini juga mempengaruhi tingkat kepuasan pengunjung (Lupioadi,2006).
X3 = Daya Tanggap Daya tanggap (responsiveness) adalah suatu kemauan untuk membantu dan memberikan pelayanan yang cepat (responsif) dan tepat kepada pelanggan, dengan penyampaian informasi yang jelas. Membiarkan konsumen menunggu tanpa adanya suatu alasan yang jelas menyebabkan persepsi yang negatif dalam kualitas pelayanan. Pengertian secara singkat adalah keinginan para staf untuk membantu para pelanggan dan memberikan pelayanan dengan tanggap (Edward,2005).
X4 = Jaminan / Asuransi Jaminan (Assurance) adalah pengetahuan, kesopan santunan, dan kemampuan para pegawai perusahaan untuk menumbuhkan rasa percaya para pelanggan kepada perusahaan.
Terdiri
(communication),
dari
kredibilatas
beberapa
komponen
(credibility),
antara
keamanan
lain
(security),
komunikasi kompeten
(competence), dan sopan santun (courtesy) (Edward,2005).
X5 = Empati Empati (Empathy) yaitu memberikan perhatian yang tulus dan invidual atau pribadi yang diberikan kepada para pelanggan dengan berupaya memahami keinginan konsumen. Dimana suatu perusahaan memilki pengertian dan pengetahuan tentang pelanggan, memahami kebutuhan pelanggan secara spesifik serta memilki waktu pengoperasian yang nyaman bagi pelanggan (Lupioadi,2006).
BAB II ANALISIS REGRESI LOGISTIK BINER DENGAN FUNGSI LINK LOGIT
2.1 Estimasi Model Logit Biner Model logit biner merupakan model regresi dengan variabel respon Y terdiri dari dua katagorik, yaitu Y={0,1} dan probabilitas sukses hasil percobaan didasarkan pada distribusi logistik. Model logit biner ini merupakan permodelan regresi yang didasarkan pada konsep probabilitas. Model logit biner ini dinyatakan dalam bentuk: π(ππ ) = ππ π½ ; i=1,2,...,N Xi= (1,Xi1,Xi2, ... , Xi,k-1) adalah vektor dari variabel prediktor ke i Ξ² = (Ξ²0, Ξ²1, ... , Ξ²k-1)` adalah vektor parameter yang bersesuaian dengan variabel prediktor, dengan fungsi link nya adalah π
. π(ππ ) = ππ (1βππ ) π
Probabilitas sukses pada percobaan ke i yang bersesuaian dengan variabel prediktor Xi secara umum adalah sebagai berikut : exp(πΏ π·)
π ππ = 1+ exp(πΏ π·) π
Berdasarkan data yang kami peroleh mengenai kepuasan pasien dilakukan pengujian dengan Minitab sehingga outputnya diperoleh sebagai berikut: Binary Logistic Regression: Kepuasan Pas versus Bukti Fisik, Kehandalan, ... Link Function: Logit Response Information Variable Kepuasan Pasien
Value 1 0 Total
Count 71 29 100
(Event)
Logistic Regression Table Predictor Constant Bukti Fisik Kehandalan Daya Tanggap Jaminan Empati
Coef -6.89203 0.367313 -0.127199 -0.0471010 0.0437518 0.403374
SE Coef 3.93550 0.155967 0.105700 0.0988106 0.0800777 0.201700
Z -1.75 2.36 -1.20 -0.48 0.55 2.00
P 0.080 0.019 0.229 0.634 0.585 0.046
Odds Ratio 1.44 0.88 0.95 1.04 1.50
95% CI Lower Upper 1.06 0.72 0.79 0.89 1.01
1.96 1.08 1.16 1.22 2.22
Berdasarkan output diatas, diperoleh fungsi logitnya adalah sebagai berikut:
π(π₯) = β6,8920 + 0,3673π1 β 0,1272π2 β 0,0471π3 + 0,0437π4 + 0,4034π5
Dari fungsi logit tersebut dapat dihitung probabilitas seseorang merasa puas dengan pelayanan rumah sakit, yang memiliki skor bukti fisik sebesar 23, kehandalan sebesar 26, daya tanggap sebesar 19, jaminan sebesar 18 dan empati sebesar 8 adalah : Pr(π = 1|π1 = 23 , π2 = 26, π3 = 19 , π4 = 18, π5 = 8) =
exp(β6.8920 + 0.3673(23) β 0.1272(26) β 0.0471(19) + 0.0437(18) + 0.4034(8) 1 + exp(β6.8920 + 0.3673(23) β 0.1272(26) β 0.0471(19) + 0.0437(18) + 0.4034(8)
= =
exp(ππ·) 1+ exp(ππ·)
3.929846631 4.929846631
= 0.797153933
2.2 Inferensi pada Model Logit Biner ο·
Uji serentak π»0 βΆ π½1 = π½2 = π½3 = π½4 = π½5 π»1 βΆ Paling sedikit ada 1 π½π β 0, dengan k=1,2,...,5 2 Daerah kritis tolak π»0 jika πΊ > π(0,05 ,
5)
atau P-value < πΌ
πΊ > 11.070 atau P-value < 0,05 Statistik Uji G diperoleh dari output minitab sebagai berikut: Log-likelihood = -53.449 Test that all slopes are zero: G = 13.533, DF = 5, P-Value = 0.019 Goodness-of-Fit Tests Method
Chi-Square
DF
P
Pearson
92.891
94
0.513
Deviance
106.898
94
0.171
6.892
8
0.548
Hosmer-Lemeshow
Nilai G pada output diatas adalah sebesar 13.533 dan nilai p-value=0.019. Berdasarkan kedua nilai tersebut keputusan dan kesimpulan pengujiannya adalah Keputusan : Tolak π»0 karena nilai G>11.070 dan p-value ππΌ 2
|ππ | > π0,05 |ππ | > 1,96 Atau daerah kritis: tolak π»0 jika P-value < πΌ (0,05) Output Minitab yang diperoleh untuk melakukan uji individu yaitu sebagai berikut: Logistic Regression Table Odds Predictor
Coef
SE Coef
Z
P
Constant
-6.89203
3.93550
-1.75
0.080
Bukti Fisik
0.367313
0.155967
2.36
-0.127199
0.105700
-0.0471010
Kehandalan Daya Tanggap Jaminan Empati
95% CI
Ratio
Lower
Upper
0.019
1.44
1.06
1.96
-1.20
0.229
0.88
0.72
1.08
0.0988106
-0.48
0.634
0.95
0.79
1.16
0.0437518
0.0800777
0.55
0.585
1.04
0.89
1.22
0.403374
0.201700
2.00
0.046
1.50
1.01
2.22
Keputusan : 1. Untuk k=1, bukti fisik karena π = 2.36 > 1,96 dan P-value = 0.019 < 0,05 maka tolak π»0 2. Untuk k=2, kehandalan karena π = β1.20 > β1,96 dan P-value = 0.229 > 0,05 maka terima π»0 3. Untuk k=3, Daya tanggap karena π = β0.48 > β1,96 dan P-value = 0.634 > 0,05 maka terima π»0 4. Untuk k=4, Jaminan karena π = 0.55 < 1,96 dan P-value = 0.585 > 0,05 maka terima π»0 5. Untuk k=5, empati karena π = 2.00 > 1,96 dan P-value = 0.046 < 0,05 maka tolak π»0
Kesimpulan: Secara individu, variabel yang mempengaruhi status kepuasan pasien adalah bukti fisik dan empati.
2.3 Odd Ratio Didiefinisikan odd pada model logit biner sebagai perbandingan antara probabilitas sukses dan probabilitas gagal sebagai berikut: ππ πππ = = exp(πΏπ π·) 1 β ππ Berdasarkan output Minitab diatas, dilakukan analisis odd ratio pada parameter yang signifikan yaitu pada bukti fisik, kehandalan, daya tanggap, jaminan, empati sebagai berikut : ο·
Variabel X1 (Bukti Fisik) ππ
(π1 ) = 1.4438 Interpretasi: Dari nilai odd ratio dapat disimpulkan bahwa jika variabel kehandalan (X2),daya tanggap (X3), jaminan (X4), empati (X5) dianggap nol maka bukti fisik yang baik di Rumah Sakit Umum Daerah Majene akan mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit 1.4438 kali lebih besar dibandingkan dengan bukti fisik yang buruk.
ο·
Variabel X2 (Kehandalan) ππ
(π2 ) = 0.8806 Interpretasi: Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti fisik (X1),daya tanggap (X3), jaminan (X4), empati (X5) dianggap nol maka kehandalan yang baik di Rumah Sakit Umum Daerah Majene akan mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit 0.8806 kali lebih besar dibandingkan dengan kehandalan yang buruk.
ο·
Variabel X3 (Daya Tanggap) ππ
(π3 ) = 0.9540 Interpretasi: Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti fisik (X1),kehandalan (X2), jaminan (X4), empati (X5) dianggap nol maka daya tanggap yang baik di Rumah Sakit Umum Daerah Majene akan mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit 0.9540 kali lebih besar dibandingkan dengan daya tanggap yang buruk.
ο·
Variabel X4 (Jaminan) ππ
(π4 ) = 1.0447 Interpretasi : Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti fisik (X1),kehandalan (X2), daya tanggap (X3), empati (X5) dianggap nol maka jaminan yang baik di Rumah Sakit Umum Daerah Majene akan mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit 1.0447 kali lebih besar dibandingkan dengan jaminan yang buruk.
ο·
Variabel X5 (Empati) ππ
(π5 ) = 1.4969 Interpretasi : Dari nilai odd ratio dapat disimpulkan bahwa jika variabel bukti fisik (X1),kehandalan (X2), daya tanggap (X3), jaminan (X4) dianggap nol maka empati yang baik di Rumah Sakit Umum Daerah Majene akan mempengaruhi pasien untuk merasa puas terhadap layanan Rumah Sakit 1.4969 kali lebih besar dibandingkan dengan empati yang buruk.
2.4 Selang Kepercayaan Berdasarkan pengujian minitab diperoleh output untuk mengetahui selang Μπ dan se coef untuk nilai kepercayaan berdasarkan nilai coef untuk nilai π½ Μπ )sebagai berikut: π (π½ Logistic Regression Table Predictor
Coef
SE Coef
Constant
-6.89203
3.93550
Bukti Fisik
0.367313
0.155967
Kehandalan Daya Tanggap Jaminan Empati
-0.127199
0.105700
-0.0471010
0.0988106
0.0437518
0.0800777
0.403374
0.201700
Kemudian dilakukan analisis dengan perhitungan manual selang kepercayaan 95% untuk parameter yang signifikan sebagai berikut: ο·
Untuk parameter π½1adalah : Μ1 β π§πΌ π (π½ Μ1 ) < π½1 < π½ Μ1 + π§πΌ π (π½ Μ1 ) π½ 2
2
0,367313 β 1,96(0,155967) < π½1 < 0,367313 + 1,96(0,155967)
0,0616 < π½1 < 0,6730
ο·
Untuk parameter π½2adalah : Μ2 β π§πΌ π (π½ Μ2 ) < π½2 < π½ Μ2 + π§πΌ π (π½ Μ2 ) π½ 2
2
β0,127199 β 1,96(0,105700) < π½2 < β0.127199 + 1,96(0,105700) β0,33437 < π½2 < 0,07997
ο·
Untuk parameter π½3adalah : Μ3 β π§πΌ π (π½ Μ3 ) < π½3 < π½ Μ3 + π§πΌ π (π½ Μ3 ) π½ 2
2
β0,0471010 β 1,96(0,0988106) < π½3 < β0,0471010 + 1,96(0,0988106) β0,24077 < π½3 < 0,14657
ο·
Untuk parameter π½4 adalah : Μ4 β π§πΌ π (π½ Μ4 ) < π½4 < π½ Μ4 + π§πΌ π (π½ Μ4 ) π½ 2
2
0,0437518 β 1,96(0,0800777) < π½4 < 0,0437518 + 1,96(0,0800777) β0,1132 < π½4 < 0,2007
ο·
Untuk parameter π½5adalah : Μ5 β π§πΌ π (π½ Μ5 ) < π½5 < π½ Μ5 + π§πΌ π (π½ Μ5 ) π½ 2
2
0,403374 β 1,96(0,201700) < π½5 < 0,403374 + 1,96(0,201700) 0,008042 < π½5 < 0,7987
2.5 Uji Kesesuaian Model Logit Biner π»0 : Model logit biner sesuai π»1 : Model logit biner tidak sesuai 2 Daerah kritis: tolak π»0 jika π· > π94 atau P-value < 0,05
Atau daerah kritis: tolak π»0 jika πΆΜ > π82 atau P-value < 0,05 Berdasarkan pengujian minitab diperoleh output sebagai berikut: Goodness-of-Fit Tests Method Pearson Deviance Hosmer-Lemeshow
Chi-Square
DF
P
92.891
94
0.513
106.898
94
0.171
6.892
8
0.548
Keputusan : Terima H0 karena hasil pengujian menggunakan uji deviance dengan tingkat signifikansi 5% diperoleh nilai P-value = 0,171 > Ξ± dan hasil pengujian
menggunakan statistic uji Hosmer-Lemeshow dengan tingkat signifikansi 5% diperoleh nilai P-value = 0,548 > Ξ±. Kesimpulan: Model regresi logistik biner dengan fungsi link logit sesuai.
2.6 Ketepatan Klasifikasi Model Logit Biner Apparent Error Rate (APPER) merupakan suatu nilai yang digunakan untuk melihat peluang kesalahan dalam mengklasifikasi objek. Berikut ketepatan klasifikasi model. No. Y
FITS1- 1
FITS2-0
Prediksi No.
Y
FITS1- 1
FITS2-0
Prediksi
1.
1 0.716738 0.283262 1
51.
0 0.778549 0.221451 0
2.
0 0.566349 0.433651 0
52.
0 0.676865 0.323135 0
3.
1 0.667100 0.332900 1
53.
0 0.636567 0.363433 0
4.
1 0.367880 0.632120 0
54.
1 0.776907 0.223093 1
5.
0 0.387490 0.612510 1
55.
1 0.784964 0.215036 1
6.
0 0.438676 0.561324 1
56.
1 0.560853 0.439147 1
7.
1 0.153473 0.846527 0
57.
1 0.836265 0.163735 1
8.
0 0.672782 0.327218 0
58.
0 0.421789 0.578211 1
9.
1 0.769952 0.230048 1
59.
0 0.483099 0.516901 1
10.
1 0.700146 0.299854 1
60.
1 0.602657 0.397343 1
11.
1 0.726097 0.273903 1
61.
1 0.844992 0.155008 1
12.
1 0.872982 0.127018 1
62.
1 0.713181 0.286819 1
13.
1 0.954024 0.045976 1
63.
0 0.475624 0.524376 1
14.
1 0.475673 0.524327 0
64.
1 0.682428 0.317572 1
15.
0 0.594559 0.405441 0
65.
1 0.730515 0.269485 1
16.
1 0.825327 0.174673 1
66.
1 0.837634 0.162366 1
17.
1 0.645724 0.354276 1
67.
1 0.845387 0.154613 1
18.
1 0.845338 0.154662 1
68.
0 0.832829 0.167171 0
19.
1 0.692320 0.307680 1
69.
0 0.747470 0.252530 0
20.
1 0.761326 0.238674 1
70.
1 0.864846 0.135154 1
21.
1 0.715748 0.284252 1
71.
1 0.808612 0.191388 1
22.
0 0.758803 0.241197 0
72.
1 0.929387 0.070613 1
23.
1 0.684001 0.315999 1
73.
1 0.664727 0.335273 1
24.
1 0.717310 0.282690 1
74.
1 0.702543 0.297457 1
25.
1 0.896744 0.103256 1
75.
1 0.797155 0.202845 1
26.
0 0.562149 0.437851 0
76.
1 0.753519 0.246481 1
27.
0 0.659044 0.340956 0
77.
1 0.899381 0.100619 1
28.
1 0.758701 0.241299 1
78.
0 0.788151 0.211849 0
29.
1 0.802334 0.197666 1
79.
0 0.369662 0.630338 1
30.
1 0.516490 0.483510 1
80.
1 0.633420 0.366580 1
31.
1 0.839492 0.160508 1
81.
1 0.931388 0.068612 1
32.
1 0.758156 0.241844 1
82.
0 0.836187 0.163813 0
33.
0 0.734867 0.265133 0
83.
1 0.507723 0.492277 1
34.
1 0.865468 0.134532 1
84.
0 0.729138 0.270862 0
35.
1 0.873752 0.126248 1
85.
1 0.690817 0.309183 1
36.
0 0.329063 0.670937 1
86.
0 0.789941 0.210059 0
37.
1 0.986556 0.013444 1
87.
1 0.740919 0.259081 1
38.
1 0.618632 0.381368 1
88.
1 0.970229 0.029771 1
39.
0 0.721705 0.278295 0
89.
1 0.385751 0.614249 0
40.
1 0.968640 0.031360 1
90.
1 0.554673 0.445327 1
41.
0 0.674469 0.325531 0
91.
1 0.662192 0.337808 1
42.
1 0.934968 0.065032 1
92.
1 0.509216 0.490784 1
43.
1 0.965870 0.034130 1
93.
1 0.651423 0.348577 1
44.
1 0.895740 0.104260 1
94.
0 0.579197 0.420803 0
45.
1 0.644283 0.355717 1
95.
1 0.929672 0.070328 1
46.
1 0.559783 0.440217 1
96.
1 0.906923 0.093077 1
47.
0 0.521166 0.478834 0
97.
1 0.885083 0.114917 1
48.
1 0.654245 0.345755 1
98.
1 0.862196 0.137804 1
49.
1 0.809153 0.190847 1
99.
1 0.845454 0.154546 1
50.
0 0.671028 0.328972 0
100. 0 0.619584 0.380416 0
Ketepatan Klasifikasi Model Pengamatan
Prediksi
Total
Tidak Puas = 0 Puas =1 Tidak Puas = 0
22
4
26
Puas = 1
7
67
74
Total
29
71
100
APPER = π
π12 + π12
11 +π12 + π12 +π22
π₯ 100% =
4+7 100
x 100% = 11%
Ketepatan klasifikasi model = 1- APPER = 89% Didapatkan nilai ketepatan klasifikasi model sebesar 89%yang artinya nilai tersebut merupakan nilai ketepatan klasifikasi model terhadap pengamatan sebesar 89%. Dengan besar nilai ketepatan klasifikasi tersebut berarti dapat dikatakan bahwa ketepatannya sudah cukup baik.
BAB III PENUTUP
5.1 Kesimpulan Berdasarkan hasil pembahasan diatas, dapat disimpulkan bahwa dengan menggunakan taraf nyata sebesar 5 % , kelima variabel prediktor secara serentak berpengaruh terhadap kepuasan pengunjung
Rumah Sakit Umum Daerah
Majene. Nilai P-value = 0.019 menunjukkan bahwa hasil uji serentak tersebut signifikan. Namun dalam pengujian individu untuk setiap parameter. Variabel yang berpengaruh adalah bukti fisik dan empati. Dan hasil analisis juga diperoleh fungsi logit biner sebagai berikut : π(π₯) = β6,8920 + 0,3673π1 β 0,1272π2 β 0,0471π3 + 0,0437π4 + 0,4034π5
5.2 Saran Dari penelitian ini, saran yang dapat penulis berikan yaitu sebagai mahasiswa statistika, hendaknya melakukan penelitian pada permasalahan yang dihadapi masyarakat agar hasil yang didapatkan bisa memberikan manfaat. Untuk menghindari adanya hasil yang kurang sesuai asumsi dan harapan pada teori statistika, sebaiknya peneliti mengambil dan menganalisa data dengan teliti.
DAFTAR PUSTAKA
Suliyanto. 2019. Diktat Regresi Terapan Lanjutan. Surabaya: Universitas Airlangga.
Husain, Saddam. 2017. Analisis Regresi Logistik Biner Untuk Memprediksi Kepuasan Pengunjung Rumah Sakit Umum Daerah Majene. Makassar: Universitas Islam Negeri (UIN) Alauddin Makassar