{"id":2243,"date":"2023-07-23T02:52:08","date_gmt":"2023-07-23T02:52:08","guid":{"rendered":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/"},"modified":"2023-07-23T02:52:08","modified_gmt":"2023-07-23T02:52:08","slug":"hipotesis-nol-regresi-logistik","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/","title":{"rendered":"Memahami hipotesis nol untuk regresi logistik"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/id\/regresi-logistik-1\/\" target=\"_blank\" rel=\"noopener\">Regresi logistik<\/a> adalah jenis model regresi yang dapat kita gunakan untuk memahami hubungan antara satu atau lebih variabel prediktor dan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener\">variabel respon<\/a> ketika variabel responnya biner.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita hanya memiliki satu variabel prediktor dan satu variabel respon, kita dapat menggunakan <strong>regresi logistik sederhana<\/strong> , yang menggunakan rumus berikut untuk memperkirakan hubungan antar variabel:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>log[p(X) \/ (1-p(X))] = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Rumus di sisi kanan persamaan memprediksi logaritma peluang variabel respons bernilai 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Regresi logistik sederhana menggunakan hipotesis nol dan alternatif berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>H <sub>0<\/sub> :<\/strong> <sub>1<\/sub> = 0<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong><sub>HA<\/sub> :<\/strong> \u03b2 <sub>1<\/sub> \u2260 0<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Hipotesis nol menyatakan bahwa koefisien \u03b2 <sub>1<\/sub> sama dengan nol. Dengan kata lain, tidak terdapat hubungan yang signifikan secara statistik antara variabel prediktor x dan variabel respon y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Hipotesis alternatif menyatakan bahwa \u03b2 <sub>1<\/sub> <em>tidak<\/em> sama dengan nol. Dengan kata lain, <em>terdapat<\/em> hubungan yang signifikan secara statistik antara x dan y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita memiliki beberapa variabel prediktor dan variabel respons, kita dapat menggunakan <strong>regresi logistik berganda<\/strong> , yang menggunakan rumus berikut untuk memperkirakan hubungan antar variabel:<\/span><\/p>\n<p> <strong><span style=\"color: #000000;\">log[p(X) \/ (1-p(X))] = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> x <sub>1<\/sub> + \u03b2 <sub>2<\/sub> x <sub>2<\/sub> + \u2026 + \u03b2 <sub>k<\/sub> x <sub>k<\/sub><\/span><\/strong><\/p>\n<p> <span style=\"color: #000000;\">Regresi logistik berganda menggunakan hipotesis nol dan alternatif berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>H <sub>0<\/sub> :<\/strong> \u03b2 <sub>1<\/sub> = \u03b2 <sub>2<\/sub> = \u2026 = \u03b2 <sub>k<\/sub> = 0<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong><sub>HA<\/sub> :<\/strong> \u03b2 <sub>1<\/sub> = \u03b2 <sub>2<\/sub> = \u2026 = \u03b2 <sub>k<\/sub> \u2260 0<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Hipotesis nol menyatakan bahwa semua koefisien dalam model sama dengan nol. Dengan kata lain, tidak ada satupun variabel prediktor yang mempunyai hubungan signifikan secara statistik dengan variabel respon y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Hipotesis alternatif menyatakan bahwa tidak semua koefisien sama dengan nol secara bersamaan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Contoh berikut menunjukkan cara memutuskan apakah akan menolak hipotesis nol dalam model regresi logistik sederhana dan regresi logistik berganda.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Contoh 1: regresi logistik sederhana<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Misalkan seorang profesor ingin menggunakan jumlah jam belajar untuk memprediksi nilai ujian yang akan dicapai siswa di kelasnya. Ini mengumpulkan data dari 20 siswa dan menyesuaikan model regresi logistik sederhana.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan kode berikut di R agar sesuai dengan model regresi logistik sederhana:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#createdata\n<\/span>df &lt;- data. <span style=\"color: #3366ff;\">frame<\/span> (result=c(0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1),\n                 hours=c(1, 5, 5, 1, 2, 1, 3, 2, 2, 1, 2, 1, 3, 4, 4, 2, 1, 1, 4, 3))\n\n<span style=\"color: #008080;\">#fit simple logistic regression model\n<\/span>model &lt;- glm(result~hours, family=' <span style=\"color: #ff0000;\">binomial<\/span> ', data=df)\n\n<span style=\"color: #008080;\">#view summary of model fit\n<\/span>summary(model)\n\nCall:\nglm(formula = result ~ hours, family = \"binomial\", data = df)\n\nDeviance Residuals: \n    Min 1Q Median 3Q Max  \n-1.8244 -1.1738 0.7701 0.9460 1.2236  \n\nCoefficients:\n            Estimate Std. Error z value Pr(&gt;|z|)\n(Intercept) -0.4987 0.9490 -0.526 0.599\nhours 0.3906 0.3714 1.052 0.293\n\n(Dispersion parameter for binomial family taken to be 1)\n\n    Null deviance: 26,920 on 19 degrees of freedom\nResidual deviance: 25,712 on 18 degrees of freedom\nAIC: 29,712\n\nNumber of Fisher Scoring iterations: 4\n\n<span style=\"color: #008080;\">#calculate p-value of overall Chi-Square statistic\n<\/span>1-pchisq(26.920-25.712, 19-18)\n\n[1] 0.2717286\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Untuk menentukan apakah terdapat hubungan yang signifikan secara statistik antara jam belajar dan nilai ujian, kita perlu menganalisis nilai chi-kuadrat keseluruhan model dan nilai p yang sesuai.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan rumus berikut untuk menghitung nilai chi-kuadrat keseluruhan model:<\/span><\/p>\n<p> <span style=\"color: #000000;\">X <sup>2<\/sup> = (Nol penyimpangan \u2013 Sisa penyimpangan) \/ (Nol Df \u2013 Sisa Df)<\/span><\/p>\n<p> <span style=\"color: #000000;\">Nilai pnya ternyata <strong>0,2717286<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena nilai p ini tidak kurang dari 0,05, kita gagal menolak hipotesis nol. Dengan kata lain, tidak ada hubungan yang signifikan secara statistik antara jam belajar dan nilai ujian.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Contoh 2: Regresi logistik berganda<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Misalkan seorang profesor ingin menggunakan jumlah jam belajar dan jumlah persiapan ujian yang diambil untuk memprediksi nilai yang akan diperoleh siswa di kelasnya. Ini mengumpulkan data dari 20 siswa dan menyesuaikan model regresi logistik berganda.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan kode berikut di R agar sesuai dengan model regresi logistik berganda:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#create data\n<\/span>df &lt;- data. <span style=\"color: #3366ff;\">frame<\/span> (result=c(0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1),\n                 hours=c(1, 5, 5, 1, 2, 1, 3, 2, 2, 1, 2, 1, 3, 4, 4, 2, 1, 1, 4, 3),\n                 exams=c(1, 2, 2, 1, 2, 1, 1, 3, 2, 4, 3, 2, 2, 4, 4, 5, 4, 4, 3, 5))\n\n<span style=\"color: #008080;\">#fit simple logistic regression model\n<\/span>model &lt;- glm(result~hours+exams, family=' <span style=\"color: #ff0000;\">binomial<\/span> ', data=df)\n\n<span style=\"color: #008080;\">#view summary of model fit\n<\/span>summary(model)\n\nCall:\nglm(formula = result ~ hours + exams, family = \"binomial\", data = df)\n\nDeviance Residuals: \n    Min 1Q Median 3Q Max  \n-1.5061 -0.6395 0.3347 0.6300 1.7014  \n\nCoefficients:\n            Estimate Std. Error z value Pr(&gt;|z|)  \n(Intercept) -3.4873 1.8557 -1.879 0.0602 .\nhours 0.3844 0.4145 0.927 0.3538  \nexams 1.1549 0.5493 2.103 0.0355 *\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n    Null deviance: 26,920 on 19 degrees of freedom\nResidual deviance: 19,067 on 17 degrees of freedom\nAIC: 25,067\n\nNumber of Fisher Scoring iterations: 5\n\n<span style=\"color: #008080;\">#calculate p-value of overall Chi-Square statistic\n<\/span>1-pchisq(26.920-19.067, 19-17)\n\n[1] 0.01971255\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Nilai p untuk statistik chi-kuadrat keseluruhan model adalah <strong>0,01971255<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena nilai p ini kurang dari 0,05, kami menolak hipotesis nol. Dengan kata lain, terdapat hubungan yang signifikan secara statistik antara kombinasi jam belajar dan ujian persiapan yang diambil dan nilai akhir yang diperoleh pada ujian tersebut.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Sumber daya tambahan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut memberikan informasi tambahan tentang regresi logistik:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/regresi-logistik-1\/\" target=\"_blank\" rel=\"noopener\">Pengantar Regresi Logistik<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/cara-melaporkan-hasil-regresi-logistik\/\" target=\"_blank\" rel=\"noopener\">Cara melaporkan hasil regresi logistik<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/regresi-logistik-vs-regresi-linier\/\" target=\"_blank\" rel=\"noopener\">Regresi logistik vs regresi linier: perbedaan utama<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Regresi logistik adalah jenis model regresi yang dapat kita gunakan untuk memahami hubungan antara satu atau lebih variabel prediktor dan variabel respon ketika variabel responnya biner. Jika kita hanya memiliki satu variabel prediktor dan satu variabel respon, kita dapat menggunakan regresi logistik sederhana , yang menggunakan rumus berikut untuk memperkirakan hubungan antar variabel: log[p(X) \/ [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Memahami Hipotesis Nol untuk Regresi Logistik - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan hipotesis nol untuk regresi logistik, dengan beberapa contoh.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Memahami Hipotesis Nol untuk Regresi Logistik - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan hipotesis nol untuk regresi logistik, dengan beberapa contoh.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-23T02:52:08+00:00\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"3 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/\",\"url\":\"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/\",\"name\":\"Memahami Hipotesis Nol untuk Regresi Logistik - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-23T02:52:08+00:00\",\"dateModified\":\"2023-07-23T02:52:08+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan hipotesis nol untuk regresi logistik, dengan beberapa contoh.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Memahami hipotesis nol untuk regresi logistik\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Memahami Hipotesis Nol untuk Regresi Logistik - Statologi","description":"Tutorial ini menjelaskan hipotesis nol untuk regresi logistik, dengan beberapa contoh.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/","og_locale":"id_ID","og_type":"article","og_title":"Memahami Hipotesis Nol untuk Regresi Logistik - Statologi","og_description":"Tutorial ini menjelaskan hipotesis nol untuk regresi logistik, dengan beberapa contoh.","og_url":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/","og_site_name":"Statorials","article_published_time":"2023-07-23T02:52:08+00:00","author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"3 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/","url":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/","name":"Memahami Hipotesis Nol untuk Regresi Logistik - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-23T02:52:08+00:00","dateModified":"2023-07-23T02:52:08+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan hipotesis nol untuk regresi logistik, dengan beberapa contoh.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/hipotesis-nol-regresi-logistik\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Memahami hipotesis nol untuk regresi logistik"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/2243"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=2243"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/2243\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=2243"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=2243"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=2243"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}