Journal Science East Borneo

Volume 1 No.1 Juni 2013

Pemodelan Regresi Logistik Ordinal

(Studi Kasus : IPK Lulusan Program Studi Statistika
FMIPA Universitas Mulawarman)

Ordinal Logistic Regression Modeling

(Case Study of Statistics Graduates GPA in University of Mulawarman)

Ika Tansil Yulianto1, M. Fathurahman 2, Darnah A. Nohe 3

1
Mahasiswa Program Studi Statistika FMIPA Universitas Mulawarman
2,3
Dosen Program Studi Statistika FMIPA Universitas Mulawarman
email : ika.tanzil@gmail.com1, fathur@fmipa.unmul.ac.id2, darnah.98@gmail.com3

Abstract
Ordinal logistic regression is one of the logistic regression model, where the scale of dependent variable is
categorical and ordinal. The independent variables can be categorical, continuous, or combination of both.
The purpose of this study was aim to determine the best ordinal logistic regression model of Statistics
Graduates GPA in FMIPA UNMUL using ordinal regression logistic. The results showed the best ordinal
logistic regression model of Statistics Graduates GPA in FMIPA UNMUL are
and . Factors affecting the statistics graduate
GPA in FMIPA UNMUL using ordinal logistic regression were the gender and the duration of study
.

Keywords: GPA, graduates, ordinal, logistic regression.

Pendahuluan atau Indeks Prestasi Kumulatif adalah salah satu

Istilah regresi pertama kali diperkenalkan oleh
Francis Galton pada tahun 1886. Regresi pada
dasarnya adalah menjelaskan dan mengevaluasi
hubungan antara satu variabel terikat (y) dengan
satu atau lebih variabel bebas (x). Dengan analisis
regresi dapat diperhitungkan besarnya pengaruh
dari perubahan satu variabel terhadap variabel
lain [1]. Jika variabel terikatnya berskala interval
atau rasio, maka digunakan regresi linier. Apabila
variabel terikatnya bersifat kategorik (nominal
atau ordinal) dengan variabel-variabel bebas
kontinu maupun kategorik maka digunakan
regresi logistik.
Saat ini dikenal berbagai metode regresi,
metode regresi dibagi menjadi regresi linier dan
non linier. Salah satu regresi non linier adalah
regresi logistik yang terbagi menjadi tiga, yaitu
analisis regresi logistik biner, regresi logistik
nominal, dan regresi logistik ordinal. Regresi
logistik biner digunakan ketika variabel terikatnya
terdapat dua kategori, regresi logistik nominal
digunakan ketika variabelnya lebih dari dua dan
bersifat kategorik sedangkan regresi logistik
ordinal digunakan untuk menganalisis variabel
terikat yang mempunyai skala ordinal yang terdiri
atas tiga kategori atau lebih. Variabel terikat yang
dapat disertakan dalam model berupa data
kategori atau kontinu yang terdiri atas dua
variabel atau lebih [2].
Dunia kerja adalah dunia yang akan dihadapi
mahasiswa setelah lulus dari perguruan tinggi.
Kualitas lulusan yang baik dapat dilihat dari
kemampuan akademis dan non-akademisnya. IPK
tolak ukur mahasiswa dibidang akademik. IPK
memang bukan harga mati untuk mengukur
kemampuan seseorang. Namun tak dipungkiri
IPK yang tinggi dapat memberi banyak
keuntungan. Salah satunya, sejumlah perusahaan
ternama atau bahkan berskala internasional lebih
menyukai lulusan dengan nilai IPK tinggi. Ini
terlihat dari sejumlah iklan lowongan pekerjaan
yang mencantumkan minimal nilai IPK tertentu
sebagai syarat.
Berdasarkan uraian diatas, maka penulis
tertarik untuk menganalisis faktor-faktor yang
memperngaruhi Indeks Prestasi Kumulatif (IPK)
mahasiswa lulusan Program Studi Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
(FMIPA) Universitas Mulawarman (UNMUL)
dengan melihat jenis kelamin, jenis sekolah
menengah, daerah asal, pekerjaan orang tua
(ayah), lama studi dan usia lulusan pada saat
mendaftar masuk perguruan tinggi dengan
menggunakan Analisis Regresi Logistik Ordinal.
Analisis Regresi Logistik
Regresi logistik adalah prosedur permodelan
yang diterapkan untuk memodelkan variabel
terikat (Y) yang bersifat kategori berdasarkan satu
atau lebih variabel bebas (X), baik itu yang
bersifat kategori maupun kontinu. Apabila
variabel terikatnya terdiri dari 2 kategori maka
metode regresi logistik yang dapat diterapkan
adalah regresi logistik biner [3].
Metode regresi logistik memiliki teknik dan
prosedur yang tidak jauh berbeda dengan metode

Ika Tansil Yulianto,dkk 7

 Journal Science East Borneo
Volume 1 No.1 Juni 2013

regresi linear. Jika prosedur linear dalam dikotomi adalah menggunakan metode Maximum
mengestimasi nilai parameter sering Likelihood Estimation (MLE). Estimasi dari
menggunakan metode OLS (Ordinary Least parameter regresi logistik ordinal didapatkan
Squares), maka untuk mengestimasi nilai dengan menurunan parsial pertama fungsi ln
parameter dalam regresi logistik adalah dengan likelihood terhadap parameter yang akan
menggunakan metode MLE (Maximum diestimasi kemudian disamakan dengan nol.
Likelihood Estimation). Persamaan logistiknya Estimasi dari parameter regresi logistik ordinal
adalah [4]: didapatkan dengan menurunkan fungsi log
x likelihood terhadap parameter yang akan
g (x) ln diestimasi dan disamakan dengan nol [4].
1 x
p

o jx j
Uji Serentak
= ln e j 1
Uji serentak bertujuan untuk mengetahui
p pengaruh variabel bebas secara serentak terhadap
= o j
xj variabel terikat. Langkah pengujian adalah
j 1
sebagai berikut:
Analisis Regresi Logistik Ordinal
Hipotesis :
Regresi logistik ordinal merupakan salah satu
H0 : βk = 0, dengan k = 1,2,...,p. (Secara simultan
metode statistika untuk menganalisis variabel
variabel bebas tidak berpengaruh terhadap
terikat yang mempunyai skala ordinal yang terdiri
variabel terikat)
atas tiga kategori atau lebih. Variabel bebas yang
H1 : βk ≠ 0, dengan k = 1,2,...,p (minimal ada
dapat disertakan dalam model dapat berupa data
satu variabel bebas yang berpengaruh
kategori atau kontinu yang terdiri atas dua
secara simultan terhadap variabel terikat)
variabel atau lebih[6].
Model yang dapat dipakai untuk regresi
Statistik uji :
logistik ordinal adalah model logit. Model logit
Statistik uji yang digunakan adalah G
tersebut adalah cumulative logit models. Pada
likelihood ratio:
model logit ini sifat ordinal dari respon Y
dituangkan dalam peluang kumulatif sehingga
cumulative logit models merupakan model yang
didapatkan dengan membandingkan peluang
kumulatif yaitu peluang kurang dari satu atau
sama dengan kategori respon ke-j pada p variabel
terikat yang dinyatakan dalam vektor X, Statistik uji G ini mengikuti distribusi chi-
, dengan peluang lebih besar dari kategori square dengan derajat bebas banyaknya parameter
respon ke-j, (Hosmer dan Lemeshow, dalam model. Keputusan uji diperoleh dengan
2
2000). Peluang kumulatif, , membandingkan nilai G dan nilai . ditolak
didefinisikan sebagai berikut [1]. bila dimana p adalah jumlah prediktor
p dalam model atau ditolak bila p-value < [4].
exp x
j k k
k 1
P (Y j | X)
p
Uji Individu
1 exp x Dalam uji individu ini, pengujian dilakukan
j k k
k 1 dengan menguji setiap βk secara individual.
Dalam hal klasifikasi, Cumulative Logit Model Hipotesis:
merupakan fungsi pembeda atau fungsi H0 : βk = 0, k = 1 ,2 ,…, p (tidak ada pengaruh
klasifikasi. Fungsi klasifikasi yang terbentuk bila variabel bebas ke-k terhadap variabel
terdapat J kategori respon adalah sejumlah J – 1. terikat)
Jika menyatakan peluang H1 : βk ≠ 0, untuk suatu βj (ada pengaruh
kategori respon ke-j pada p variabel prediktor variabel bebas ke-k terhadap variabel
yang dinyatakan dalam vektor X dan terikat)
menyatakan peluang kumulatif pada p variabel
prediktor yang dinyatakan dalam vektor X maka Statistik Uji:
nilai didapatkan dengan persamaan Pengujian signifikansi parameter model secara
berikut[4]: individu dapat diuji dengan Wald test.
P (Y j | X ) (X ) (X ) ... (X )
1 2 J
Penaksiran Parameter
Penaksiran parameter pada model regresi Statistik Wald mengikuti distribusi normal
logistik yang mempunyai variabel terikat sehingga untuk memperoleh keputusan pengujian,

Ika Tansil Yulianto,dkk 8


dibandingkan nilai W dengan nilai zα/2 (H0 ditolak
jika nilai W > zα/2 atau p-value < α) [5].
Interpretasi Koefisien Model Regresi Logistik
Ordinal
Interpretasi dari suatu model merupakan
inferensi dan pengambilan kesimpulan
berdasarkan koefisien yang diestimasi. Koefisien
tersebut menggambarkan slope atau perubahan
pada variabel terikat per unit perubahan pada
variabel bebas.
Interpretasi dari suatu model menyangkut 2 hal
yaitu :
1. Perkiraan mengenai hubungan fungsional
antara variabel terikat dengan variabel bebas.
2. Menentukan pengaruh pada variabel terikat
yang disebabkan oleh tiap unit perubahan
pada variabel bebas.
Untuk menginterpretasikan koefisien
parameter, digunakan odds ratio(ψ). Interpretasi
atau penaksiran dari perbandingan selisih/odds
ratio (ψ) adalah menjelaskan berapa kali lipat
kenaikan atau penurunan peluang Y = 1, jika nilai
variabel bebas (X) berubah sebesar nilai tertentu.
Nilai odds ratio selalu positif [5].
Hubungan antara odds-ratio ( ) dan parameter
model ( ) adalah:
ab
exp b a
Jika 1 , maka dapat disimpulkan antar
kedua variabel terdapat hubungan
negatif.
Jika 1 , maka dapat disimpulkan antar
kedua variabel terdapat hubungan
positif.
Penggunaan prinsip ini berlaku juga untuk
keadaan di mana didapatkan lebih dari satu
variabel bebas. Interpretasi koefisien untuk model
regresi logistik ordinal dapat dilakukan dengan
menggunakan nilai rasio oddsnya. Parameter βk
menyatakan perubahan dalam fungsi logit L(X)
untuk perubahan satu unit peubah bebas X k = a
dan Xk = b yang disebut log odds dan dinotasikan
sebagai ln[ψ (a,b)] dimana :
ln[ψ (a,b)] = L(Xk = a) – L(Xk = b)
= βk (a–b)
Sehingga didapat penduga untuk odds ratio
sebagai berikut [4]:
. Metodologi Penelitan
Program Studi Statistika FMIPA UNMUL
Program studi Statistika FMIPA UNMUL
didirikan pada tanggal 30 Agustus 2001. Program
Sarjana (S1) Statistika mempunyai beban studi
144 Satuan Kredit Semester (SKS) yang
dijadwalkan dalam 8 semester dan maksimum 14
semester.
Kompetensi utama lulusan program studi
statistika adalah mampu merancang pengumpulan
Ika Tansil Yulianto,dkk
Journal Science East Borneo
Volume 1 No.1 Juni 2013
data dan menerapkan metode statistika secara
benar di bidang bisnis, industri, sosial, kesehatan,
komputasi atau mampu mengembangkan metode
statistika.
Kompetensi pendukung lulusan program studi
statistika adalah mempunyai pemahaman konsep
dasar matematika yang mendukung teori dasar
statistika untuk pengembangan metode statistika
serta mampu mengaplikasikannya di salah satu
bidang industri, bisnis, sosial, kesehatan dan
komputasi. Kompetensi lainnya adalah mampu
berkomunikasi, berinteraksi dan beradaptasi
dengan lingkungan dalam konteks keilmuan,
mampu berbahasa inggris dengan baik serta
memiliki pengetahuan dasar kepemimpinan,
kemasyarakatan dan kewirausahaan [6].
Indeks Prestasi Kumulatif
Penilaian keberhasilan akademik mahasiswa
didasarkan pada nilai bobot rata-rata atau Indeks
Prestasi (IP). Indeks prestasi dibedakan atas
Indeks Prestasi Semester (IPS) dan Indeks
Prestasi Kumulatif (IPK). IPS dan IPK dihitung
dari mata kuliah yang tertulis dalam Kartu
Rancangan Studi (KRS), bukan hanya matakuliah
yang diujikan. Dalam Daftar Presensi Ujian
(DPU) tidak boleh ada nilai mata kuliah yang
dikosongkan [6].
Ketentuan Pemberian Nilai Mata Kuliah
Nilai akhir (angka mutu) suatu mata kuliah
wajib diumumkan yang terdiri dari nilai
praktikum, nilai kuis/tugas-tugas lain dan nilai
ujian akhir yang telah diselenggarakan selama
satu semester. Nilai akhir suatu mata kuliah
(angka mutu) disusun oleh dosen mata kuliah
yang dimuat dalam DPU yang dibuat rangkap
tiga, dan setelah tiap lembar ditandatangani oleh
dosen, yang kemudian diserahkan kepada
fakultas.
Nilai mata kuliah yang diperoleh dari ujian
perbaikan pada semester reguler dan atau
semester pendek, dipakai nilai tertinggi yang
pernah dicapai, maksimal nilai huruf B. Pengisian
nilai akhir mahasiswa dilakukan oleh dosen yang
bersangkutan dan atau petugas fakultas melalui
sistem informasi akademik (SIA) di fakultas
masing-masing [6].
Penelitian ini dilakukan dengan mengambil
data IPK lulusan Program Studi Statistika FMIPA
UNMUL yang merupakan rekapan data dari
program studi Statistika.
Metode yang digunakan untuk penarikan
sampel adalah sampling purposif, yaitu sampel
yang digunakan mempertimbangkan kelengkapan
data yang ada[1]. Analisis data dalam penelitian ini
menggunakan software komputer, yaitu SPSS 16
9
 Journal Science East Borneo
Volume 1 No.1 Juni 2013

untuk analisis deskriptif dan Minitab 14 untuk Berdasarkan Tabel 3 dapat diintepretasikan
analisis regresi logistik ordinal. bahwa sebanyak 44 lulusan yang berasal dari
Samarinda mendapatkan nilai IPK lulus sangat
Hasil dan Pembahasan memuaskan dan hanya 8 lulusan yang
Berdasarkan data penelitian faktor-faktor yang mendapatkan nilai IPK lulus memuaskan.
mempengaruhi nilai IPK (Y) mahasiswa lulusan
Tabel 4. Tabulasi Pekerjaan Orang Tua
program studi Statistika FMIPA UNMUL yaitu
terhadap IPK (Y)
jenis kelamin , jenis sekolah menengah ,
Jenis Sekolah Menengah
daerah asal , pekerjaan orang tua , lama Juml
P Swasta
studi dan usia masuk perguruan tinggi IPK Pekerjaan Wira
N ah
akan dianalisis menggunakan analisis regresi Lainnya swasta
S
logistik ordinal. Memuaskan 3 4 0 10 17
Sangat
9 21 11 35 76
Analisis Deskriptif Memuaskan
Dengan
Analisis deskriptif dilakukan untuk Pujian
3 18 10 32 63
mengetahui karakteristik data IPK dengan melihat Jumlah 15 14 21 77 156
hasil dari tabulasi silang antar variabel. 6
Tabel 1. Tabulasi Jenis Kelamin terhadap IPK (Y) Berdasarkan Tabel 4 dapat diintepretasikan
Jenis Kelamin bahwa sebanyak 21 lulusan dengan pekerjaan
IPK Laki- Jumlah orang tua pns mendapatkan nilai IPK lulus sangat
Perempuan
laki
memuaskan dan hanya 4 lulusan yang
Memuaskan 6 11 17
Sangat
mendapatkan nilai IPK lulus memuaskan.
39 37 76
Memuaskan Tabel 5.Tabulasi Lama Studi terhadap IPK (Y)
Dengan Lama Studi (Tahun)
53 10 63
Pujian IPK 5,33 < 3,66 ≤ Jumlah
Jumlah 98 58 156 ≤ 7,00 ≤ 5,33
Berdasarkan Tabel 1 dapat diintepretasikan Memuaskan 2 15 17
Sangat
bahwa sebanyak 70 lulusan jurusan SMA di Memuaskan
6 70 76
sekolah menengah mendapatkan nilai IPK lulus Dengan
sangat memuaskan dan hanya 15 lulusan 2 61 63
Pujian
mendapatkan nilai IPK lulus memuaskan. Jumlah 10 146 156

Tabel 2. Tabulasi Jenis Sekolah Menengah Berdasarkan Tabel 5 dapat diintepretasikan

terhadap IPK (Y) bahwa sebanyak 46 lulusan yang lama studinya
Jenis Sekolah lebih dari atau sama dengan 3,66 sampai dengan
IPK Menengah Jumlah kurang dari atau sama dengan 5,33 mendapatkan
SMK/MAN SMA nilai IPK dengan pujian dan hanya 2 lulusan yang
Memuaskan 2 15 17 mendapatkan nilai IPK lulus memuaskan.
Sangat
6 70 76 Tabel 6. Tabulasi Usia terhadap IPK (Y)
Memuaskan
Dengan Usia
2 61 63 IPK 19thn < 16thn ≤ Jumlah
Pujian
Jumlah 10 146 156 ≤ 22thn ≤ 19thn
Memuaskan 1 16 17
Berdasarkan tabel 2 dapat diintepretasikan Sangat
bahwa sebanyak 70 lulusan jurusan SMA di 3 73 76
Memuaskan
sekolah menengah mendapatkan nilai IPK lulus Dengan
0 63 63
sangat memuaskan dan hanya 15 lulusan Pujian
mendapatkan nilai IPK lulus memuaskan. Jumlah 4 152 156

Tabel 3. Tabulasi Daerah Asal terhadap IPK (Y) Berdasarkan Tabel 6 dapat diintepretasikan
Daerah Asal bahwa sebanyak 63 lulusan dengan usia pada saat
IPK Luar Samarinda Jumlah diterima lebih dari atau sama dengan 16 tahun
Samarinda sampai kurang dari atau sama dengan 19 tahun
Memuaskan 9 8 17 mendapatkan IPK dengan pujian dan hanya 16
Sangat lulusan yang mendapatkan nilai IPK lulus
32 44 76
Memuaskan memuaskan.
Dengan
31 32 63
Pujian
Jumlah 72 84 156

Ika Tansil Yulianto,dkk 10

 Journal Science East Borneo
Volume 1 No.1 Juni 2013

Estimasi Parameter Berdasarkan Tabel 9 dapat disimpulkan bahwa

Setelah dilakukan estimasi parameter variabel yang signifikan pada tingkat kepercayaan
menggunakan metode MLE dengan bantuan 95% dan lebih besar dari nilai tabel Z adalah
software Minitab 14 diperoleh hasil seperti pada variabel konstan(1), konstan(2), jenis kelamin
Tabel 7 berikut: (X1) dan lama studi (X5).
Tabel 7. Hasil Estimasi Parameter Model
Model Terbaik Regresi Logistik Ordinal
Variabel P-value Berdasarkan hasil output Minitab 14 untuk
X1 -1,767 0,000 variabel yang telah signifikan diperoleh hasil
X2 -1,144 0,106
X3 -0,502 0,161
sebagai berikut:
X4 -0,984 0,128 Tabel 10. Nilai Model Regresi Logistik Ordinal Terbaik
X5 1,777 0,000 Variabel P-value
X6 -0,504 0,634
Konstan(1) -2,360 0,004
Konstan(1) 0,331 0,002
Konstan(2) 0,754 0,027
Konstan(2) 3,642 0,008
X1 -1,515 0,000
Berdasarkan Tabel 7 di dapat Taksiran model X5 1,521 0,000
regresi logistik yang telah ditransformasi logit. Berdasarkan Tabel 10 dapat disimpulkan
bahwa model sudah baik karena semua variabel
memiliki p-value > 0,05, maka tidak perlu
dilakukan pengujian ulang. Variabel yang
signifikan berpengaruh secara serentak terhadap
kepuasan pasien adalah Jenis Kelamin (X1) dan
Lama Studi (X5). Hasil dari pengujian regresi
logistik secara serentak diperoleh taksiran
persamaan transformasi logistik:

Uji Serentak
Pengujian secara serentak dilakukan dengan Interpretasi Model
menggunakan likelihood ratio test. Interpretasi model yang terbentuk
Tabel 8. Hasil Likelihood Ratio Test menggunakan OR. Nilai OR yang signifikan
G DF P-value dalam model berdasarkan output Minitab 14 pada
55,158 8 0,000 lampiran 2 adalah Jenis Kelamin (X1) dan Lama
Studi (X5).
Berdasarkan Tabel 8 dapat disimpulkan bahwa
nilai statistik uji G sebesar 55,158 yang lebih Tabel 11. Nilai Odds Ratio
besar dari nilai tabel = 12,592. Dan nilai p- Variabel OR
Jenis Kelamin (X1): Perempuan 0,22
value = 0,000 yang lebih kecil dari = 0,05 maka
Lama Studi (X5):
dapat diambil kesimpulan bahwa dengan 4,58
pengujian secara serentak model IPK dengan 3,66 ≤ (X5) ≤ 5,33 tahun
regresi logistik ordinal dengan enam variabel Berdasarkan Tabel 11 nilai OR variabel jenis
bebas signifikan atau ditolak yang berarti kelamin laki-laki adalah sebesar 0,22, ini dapat
bahwa minimal ada satu parameter yang diartikan bahwa mahasiswa yang memiliki jenis
signifikan. kelamin laki-laki mendapatkan nilai IPK lebih
rendah 0,22 kali dari mahasiswa yang memiliki
Uji Individu jenis kelamin laki-laki.
Pengujian secara individu digunakan untuk Nilai OR variabel, 3,66 ≤ (X5) ≤ 5,33 tahun
mengetahui variabel bebas yang signifikan secara adalah 4,58, ini dapat diartikan bahwa mahasiswa
individu. 3,66 ≤ (X5) ≤ 5,33 tahun mendapatkan nilai IPK
Tabel 9. Uji Individu Variabel X dengan Variabel Y lebih tinggi 4,58 kali dari mahasiswa 5,33 tahun <
Var Wald P-value Keputusan (X1) ≤ 7.
Konstan(1) 2,25 0,002 Terima H0
Konstan(2) 2,65 0,008 Terima H0 Kesimpulan
X1 -4,49 0,000 Terima H0 Berdasarkan hasil analisis dan pembahasan,
X2 -1,62 0,106 Tolak H0 maka diperoleh kesimpulan yaitu:
X3 -1,40 0,161 Tolak H0 1. Model regresi ordinal terbaik pada data IPK
X4 1,52 0,128 Tolak H0 lulusan Program Studi Statistika FMIPA
X5 4,70 0,000 Terima H0 UNMUL adalah:
X6 -0,48 0,634 Tolak H0

Ika Tansil Yulianto,dkk 11


2. Faktor-faktor yang mempengaruhi nilai IPK
lulusan adalah jenis kelamin dan lama
studi .
Ucapan Terima Kasih
Selama penyusunan jurnal penelitian ini tidak
terlepas dari bantuan, bimbingan dan motivasi
dari berbagai pihak. Oleh karena itu, penulis
menyampaikan terima kasih kepada:
1. Tuhan Yang Maha Esa, yang telah
melimpahkan rahmat dan karunia-Nya
2. Seluruh dosen dan staf program studi statistika
yang telah membantu dan memberikan banyak
ilmu.
3. Kedua orang tua tercinta yang selalu ada di
hati untuk semua doa, cinta, dukungan dan
semua yang terbaik yang telah diberikan
kepada ananda.
4. Terima kasih kepada adik-adik dan teman baik
saya yang telah membantu dan memberikan
semangat dalam penyusunan skripsi ini.
Ika Tansil Yulianto,dkk
Journal Science East Borneo
Volume 1 No.1 Juni 2013
5. Sahabat-sahabat mahasiswa statistika
angkatan 2006, 2008, 2009 dan khususnya
2007.
Daftar Pustaka
1. Firdaus, M. 2004. Ekonometrika Suatu
Pendekatan Aplikatif. Bumi Aksara. Jakarta.
2. Agresti, A. 2002. Categorical Data Analysis,
John Wiley & Sons, Inc., New York.
3. Farida, A. 2007. Analisis Regresi Logistik
Ordinal (Studi Kasus : Akreditasi SMK di
Jawa Timur. Tesis yang dipublikasikan oleh
Institut Teknologi Sepuluh Nopember :
Surabaya.
4. Hosmer, D. W., dan Lemeshow, S. 2000.
Applied Logistic Regression, John Wiley &
Sons, Inc., New York.
5. Basuki, Achmad. 2004. Modeling dan
Simulasi. IPTAQ Mulia Media, Surabaya.
6. www.fmipa.unmul.ac.id.html. diakses pada
tanggal 7 Februari 2013.
12