TUGAS PROBIT

ANALISIS DATA KATEGORIK

PEMBENTUKAN MODEL PENGARUH HIPERTENSI IBU

TERHADAP BAYI LAHIR PREMATUR
DENGAN PENDEKATAN PROBIT BINER

Dosen Pengampu:
Dr. Vita Ratnasari, M.Si

DISUSUN OLEH:
Demitria Dini Ariyani 06211850010003
Lutfia Septiningrum 06211850010006
Mustain Ramli 06211850010017

PROGRAM MAGISTER
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2019
 BAB I
TINJAUAN PUSTAKA

1.1. Analisis Probit

Analisis probit merupakan suatu analisis yang digunakan untuk menganalisis hubungan
antara variabel respon yang bersifat kualitatif dan variabel prediktor yang bersifat kualitatif,
kuantitatif, atau gabungan dari keduanya (Gujarati, 2004). Pemodelan probit biner diawali
dengan memperhatikan model sebagai berikut
Y*=βT x+ε
dimana 𝐘 ∗ merupakan variabel respon kualitatif dikotomi, 𝛃 merupakan vektor parameter
𝑇
koefisien dengan 𝛃 = [𝛽0 𝛽1 … 𝛽𝑝 ] dan 𝑝 adalah banyaknya variabel prediktor, 𝐱
𝑇
merupakan vektor variabel prediktor dengan 𝐱 = [1 𝑋1 … 𝑋𝑝 ] dan 𝛆 merupakan vektor error
yang diasumsikan berdistribusi 𝑁(0,1).
Pada probit biner, dilakukan pengkategorian terhadap 𝐘 ∗ secara biner dengan memberikan
batasan (𝛾), yaitu untuk 𝒀∗ ≤ 𝛾 dikategorikan dengan 𝑌 = 0 dan untuk 𝒀∗ > 𝛾
dikategorikan dengan 𝑌 = 1. Berikut ini adalah probabilitas untuk 𝑌 = 0:

P(Y  0)  P( Y*   )
 P(βT x+ε   )
 P (ε    β T x )
 (  βT x) (1)

dan berikut ini adalah probabilitas untuk 𝑌 = 1:

P(Y  1)  P( Y*   )
 1  P( Y*   )
 1  P(βT x+ε   )
 1  P (ε    β T x )
 1  (  βT x) (2)

dengan 𝚽(𝛾 − 𝛃𝐓 𝐱) adalah fungsi distribusi kumulatif dari distribusi normal standar, yaitu
x 1  1 
F ( x)  Pr( y  1| x)   exp   x 2  dx

2  2 
Fungsi transformasi dalam model probit adalah fungsi distribusi kumulatif (CDF) dari
distribusi normal standar.

2
1.2. Penaksir Parameter
Metode pendugaan parameter yang digunakan pada probit biner adalah metode
Maximum Likelihood Estimation (MLE), karena nilai harapan antar variabel respon tidak
linier dan memiliki varian yang berubah-ubah tergantung dari nilai peluang suksesnya.
Metode MLE memberikan nilai estimasi 𝛃 dengan memaksimumkan fungsi likelihood. Jika 𝑖
merupakan nilai-nilai pengamatan suatu sampel dari suatu populasi dengan parameter 𝛃.
Hasil pendugaan parameter model probit dengan menggunakan metode maximum likelihood
dapat diperoleh dengan langkah-langkah sebagai berikut.

a. Menentukan n sampel random

b. Membentuk fungsi likelihood dari n sampel random karena pada dasarnya metode
maximum likelihood memberikan dugaan 𝛃 dengan memaksimumkan suatu fungsi
likelihood. Fungsi likelihoodnya adalah:

𝐿(𝛃) = ∏{[𝟏 − 𝚽(𝛾 − 𝛃𝐓 𝐱)]𝑦𝑖 [𝚽(𝛾 − 𝛃𝐓 𝐱)]𝟏−𝒚𝒊 }

𝒊=𝟏 (3)

c. Melakukan transformasi terhadap fungsi likelihood karena secara matematis akan

lebih mudah memaksimumkan persamaan (3) dengan transformasi ln. Kemudian
dilanjutkan dengan melakukan turunan pertama dari fungsi ln 𝐿(𝛃) terhadap
parameter 𝛃 sebagai berikut.
𝑛
𝜕𝐿(𝛃) 𝑦𝑖 𝑦𝑖 − 1
= ∑ 𝑥𝑖 𝚽(𝛃𝐓 𝐱) [ + ]
𝜕𝛃 𝟏 − 𝚽(𝛾 − 𝛃 𝐱) 𝚽(𝛾 − 𝛃𝐓 𝐱)
𝐓
𝑖=1
d. Selanjutnya dilakukan turunan kedua dari fungsi ln 𝐿(𝛃) terhadap parameter 𝛃
sebagai berikut.

𝜕2 𝐿(𝛃) [𝟏−𝚽(− 𝛃𝐓 𝐱)](− 𝛃𝐓 𝐱)𝚽(− 𝛃𝐓 𝐱)+𝚽(− 𝛃𝐓 𝐱)𝚽(− 𝛃𝐓 𝐱)

= − ∑𝑛𝑖=1 𝑥𝑖 𝑥𝑖T yi +
𝜕𝛃𝜕𝛃𝐓 [𝟏−𝚽(− 𝛃𝐓 𝐱)]2
𝚽(− 𝛃 𝐱)(− 𝛃 𝐱)𝚽(− 𝛃 𝐱)−𝚽(− 𝛃𝐓 𝐱)𝚽(− 𝛃𝐓 𝐱)
𝐓 𝐓 𝐓
∑𝑛𝑖=1(1 − 𝑦𝑖 ) 𝑥𝑖 𝑥𝑖T [𝚽(− 𝛃𝐓 𝐱)]2
Berdasarkan hasil penaksiran parameter dengan metode maximum likelihood di atas,
ternyata diperoleh fungsi yang implisit. Akibatnya penaksir parameter tidak dapat
diperoleh. Cara untuk mendapatkan penaksir parameter dapat menggunakan metode
iterasi Newton Raphson sebagai berikut (Masitoh,2016).
−1
(𝑚) (𝑚−1)
𝜕 2 ln 𝐿(𝛃) 𝜕 ln 𝐿(𝛃)
𝛃 =𝛃 − ( (𝑚−1) (𝑚−1) )
𝜕𝛃 𝛃 𝜕𝛃(𝑚−1)

3
 Proses iterasi akan berhenti jika terpenuhi kondisi konvergen, yaitu:
‖𝛃(𝑚) − 𝛃(𝑚−1) ‖ ≤ 𝜀,
dengan 𝜀 adalah bilangan yang sangat kecil.
1.3. Pengujian Parameter
Setelah menaksir parameter maka langkah selanjutnya yang dilakukan adalah menguji
signifikansi parameter tersebut. Untuk itu digunakan uji hipotesis statistik untuk menentukan
apakah variabel prediktor dalam model signifikan atau berpengaruh nyata terhadap variabel
respon.
1.3.1. Uji signifikansi parameter secara serentak (Uji Likelihood Ratio atau Uji G)
Statistik uji 𝐺 yaitu uji likelihood ratio yang digunakan untuk menguji peranan
variabel prediktor dalam model secara bersama-sama. Uji 𝐺 digunakan dalam
pengujian secara simultan dikarenakan persamaan probit merupakan log dari fungsi
likelihood dan merupakan variabel yang dikategorikan, sehingga uji 𝐺 adalah uji yang
tepat dalam pengujian parameter secara simultan (Hosmer,2000). Hipotesis yang
digunakan adalah
𝐻0 :𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0
𝐻1 :paling sedikit ada satu 𝛽𝑗 ≠ 0, j = 1,2, … , p
Statistik uji yang dilakukan adalah statistik uji 𝐺 atau likelihood ratio test, yaitu:
𝑛 𝑛0 𝑛 𝑛1
( 𝑛0 ) ( 𝑛1 )
𝐺 2 = −2 ln ( 𝑛 )
∏𝑖=1((𝑃𝑖 )𝑦𝑖 (1 − 𝑃𝑖 )1−𝑦𝑖 )

dengan
𝑛0 : jumlah variabel respon (𝑦) berkategori 0
𝑛1 : jumlah variabel respon (𝑦) berkategori 1
𝑛: 𝑛0 + 𝑛1
𝑃𝑖 : Peluang observasi ke-i, 𝑖 = 1,2, … , 𝑛
Statistik uji 𝐺 mengikuti distribusi 𝒳 2 , maka pengujian dilakukan dengan
membandingkan antara nilai statistik uji G dan nilai tabel 𝒳 2 dengan derajat bebas 𝑣
(banyaknya parameter) pada taraf signifikan 𝛼. 𝐻0 ditolak jika nilai 𝐺 2 > 𝒳 2 (𝑣, 𝛼)
atau p-value< 𝛼, sehingga akan diperoleh kesimpulan bahwa variabel prediktor
secara bersama-sama atau keseluruhan mempengaruhi variabel respon atau dengan
kata lain, model yang diperoleh dapat diterima.

4
1.3.2. Uji signifikansi parameter secara parsial
Pengujian parsial bertujuan untuk menguji pengaruh koefisien 𝛃 secara parsial dengan
membandingkan dugaan 𝛃 dengan penduga standar errornya. Uji 𝑊 digunakan pada
pengujian secara parsial dikarenakan data yang digunakan pada probit biner adalah
data yang dikategorikan. Hipotesis yang digunakan dalam pengujian secara parsial
adalah:
𝐻0 :𝛽𝑗 = 0 (Tidak ada pengaruh variabel prediktor ke−𝑗 terhadap variabel respon)
𝐻1 :𝛽𝑗 ≠ 0 (Ada pengaruh variabel prediktor ke−𝑗 terhadap variabel respon)
Statistik uji yang digunakan adalah Uji-Wald dengan rumus sebagai berikut.
̂𝛃𝑗
𝑊= , dengan 𝑗 = 1,2, . . 𝑛
̂𝑗 )
𝑆𝐸(𝛃 (4)

Statistik uji-Wald mengikuti sebaran distribusi Chi-Square, maka pengujian dilakukan

dengan membandingkan statistik uji-Wald dengan nilai tabel Chi-Square. Hipotesis
2
𝐻0 ditolak jika |𝑊| > 𝒳((𝑛−1),𝛼) atau nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. Keputusan untuk menolak
𝐻0 menunjukkan adanya pengaruh variabel respon terhadap variabel prediktor
(Hosmer,2000).
1.4. Pengujian kesesuaian model
Pengujian kesesuaian model digunakan untuk mengetahui apakah terdapat perbedaan
antara hasil observasi dengan hasil prediksi dari persamaan (4). Pengujian kesesuaian model
didasarkan pada kriteria rasio likelihood dengan membandingkan model tanpa variabel
prediktor terhadap model dengan variabel prediktor. Hipotesis yang digunakan dalam
pengujian kesesuaian model adalah sebagai berikut.
𝐻0 : Tidak terdapat perbedaan antara hasil observasi dengan hasi prediksi (Model sesuai).
𝐻0 : Terdapat perbedaan antara hasil obserrvasi dengan hasil prediksi (Model tidak sesuai).
Statistik uji yang digunakan adalah uji Deviance dengan rumus sebagai berikut.
𝑛
𝑃𝑖 1 − 𝑃𝑖
𝐷 = −2 ∑ [𝑦𝑖 ln ( ) + (1 − 𝑦𝑖 ) ln ( )]
𝑦𝑖 1 − 𝑦𝑖
𝑖=1

dengan,
𝑃𝑖 : Peluang observasi ke-𝑖
𝑦𝑖 : Variabel respon ke-𝑖

5
 Statistik uji D akan mengikuti sebaran 𝒳 2 dengan derajat bebas 𝑛 − 𝑝 . Keputusan
2
menolak 𝐻0 jika nilai 𝐷 > 𝒳(𝛼,(𝑛−𝑝)) pada tingkat signifikansi 𝛼, atau nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 <
𝛼.
1.5. Pengukuran Kebaikan Model dan Ketepatan Klasifikasi
Evaluasi prosedur klasifikasi adalah suatu evaluasi yang melihat peluang kesalahan
klasifikasi yang dilakukan oleh suatu fungsi klasifikasi. Nilai ketepatan klasifikasi dapat
diukur melalui pengukuran kesalahan klasifikasi menggunakan Tabel confu-sion matrix
berikut (Johnson,2007).
Tabel 1.1 Confu-sion Matrix Nilai Observasi dan Prediksi
Hasil Sebenarnya Hasil Prediksi
Total
(observasi) 𝑦=0 𝑦=1
𝑦=0 𝑚0𝑇 𝑚0𝐹 = 𝑚0 − 𝑚0𝑇 𝑚0
𝑦=1 𝑚1𝑚 = 𝑚1 − 𝑚1𝑚 𝑚1𝑚 𝑚1
Ukuran yang dipakai untuk menyatakan nilai proporsi observasi yang salah diklasifikasikan
oleh fungsi klasifikasi Apparent Error Rate (APER) sebagai berikut.
Ketepatan klasifikasi  1  APER
m  m1F (5)
 1  0F
m0  m1

Selain dengan menggunakan nilai ketepatan klasifikasi, pengukuran kebaikan model dilihat
dengan menggunakan nilai Pseudo R2 McFadden berikut (Masitoh,2016).
𝑚0
𝑚2𝑚𝑚 = 1 − ln ( )
𝑚𝑚
dengan
𝑚0 : likelihood tanpa variabel prediktor
𝑚𝑚 : likelihood dengan variabel prediktor
Model terbaik adalah model yang memiliki nilai Pseudo R2 McFadden> 0,50.
1.6. Interpretasi Model Probit Biner
Interpretasi model probit biner pada persamaan (1) dan (2) tidak berdasarkan nilai
koefisian model, akan tetapi menggunakan efek marginal (Greene,2008). Efek marginal
menyatakan besarnya pengaruh tiap variabel prediktor yang signifikan terhadap probabilitas
tiap kategori pada variabel respon. Efek marginal dari persamaan (1) dan (2) adalah sebagai
berikut.
𝑚𝑚(𝑚 = 0)
= −𝚽(𝑚 − 𝚽𝚽 𝚽)𝑚𝑚
𝑚𝑚𝑚
𝑚𝑚(𝑚 = 1)
= 𝚽(𝑚 − 𝚽𝚽 𝚽)𝑚𝑚
𝑚𝑚𝑚

6
 BAB II
METODOLOGI PENELITIAN

2.1. Jenis dan Sumber Data

Pada makalah ini unit analisis yang diteliti adalah ibu hamil. Ibu hamil yang diteliti
merupakan ibu hamil yang telah memasuki waktu melahirkan yaitu pada minggu ke 21
hingga minggu ke 37. Sampel dalam penelitian ini diambil data sekunder yang berasal dari
skripsi dengan judul “Probit dan Penerapannya dalam Bidang Kesehatan (Studi kasus
Kelahiran Prematur di RSKIA PKU Muhammadiyah Kotagede Yogyakarta), disusun oleh
Nur Asyiah, UIN Sunan Kalijaga Yogyakarta.
2.2. Variabel Penelitian
Variabel penelitian yang digunakan dalam laporan ini hanya mengambil satu faktor
(variabel prediktor) yang mempengaruhi kelahiran premature yaitu sebagai berikut:
Tabel 2.1 Variabel Penelitian
No. Variabel Deskripsi Kategori
0 = lahir tidak premature
1 Y Kelahiran premature
1 = lahir premature
0 = tidak memiliki penyakit hipertensi
2 X2 Hipertensi
1 = memiliki penyakit hipertensi

2.3. Langkah-Langkah Analisis

Berikut adalah langkah-langkah yang dilakukan dalam menganalisis data kasus faktor
yang mempengaruhi kelahiran premature:
1. Mencari data mengenai faktor-faktor yang mempengaruhi kelahiran premature.
2. Melakukan uji signifikansi parameter untuk memeriksa peranan masing-masing
variabel prediktor terhadap variabel respon.
3. Dilanjutkan dengan menguji parsial untuk mengetahui variabel mana yang tidak
signifikan.
4. Setelah memperoleh variabel yang signifikan dan terbentuk model, dilakukan uji
kesesuaian model.
5. Setelah terbentuk model dilihat ketepatan klasifikasi dari model yang terbentuk.

7
 BAB III
HASIL DAN PEMBAHASAN

3.1. Pembentukan Model Probit Biner

Model probit biner dibentuk melalui variabel respon Kelahiran bayi premature
yang bersifat kualitatif dengan dua kategori yaitu Kelahiran premature (0) dan lahir tidak
premature (1). Variabel prediktor Hipertensi dengan dua kategorik tidak memiliki penyakit
hipertensi (0) dan memiliki penyakit hipertensi(1). Sehingga diperoleh output pada program
R dan Minitab sebagai berikut:
Tabel 3.1 Output Nilai Coefficient pada MINITAB dan R
Koefisien 
Variabel
MINITAB R
Konstanta -0,5024 -0,50240
Hipertensi 0,851 0,85116
Berdasarkan Tabel 3.1 di atas, didapatkan nilai  0 yang nilainya digunakan untuk
membangun persamaan model peluang berdasarkan persamaan (1) dan (2) maka model probit
biner dapat ditulis sebagai berikut:
µ(Y  0)  (0,5024  0,851X)
P (6)

µ(Y  1)  1  (0,5024  0,851X)

P (7)

3.2. Pengujian parameter

Setelah dilakukan estimasi parameter untuk memperoleh koefisien  , selanjutnya
dilakukan pengujian parameter secara simultan untuk mengetahui pengaruh variabel
independen terhadap variabel dependen secara keseluruhan, serta pengujian parameter secara
parsial untuk mengetahui pengaruh variabel independen terhadap variabel dependen secara
terpisah.
3.2.1. Uji Serentak
Uji ini berfungsi untuk mengetahui apakah variabel independen secara bersama –
sama mempunyai pengaruh yang signifikan terhadap Kelahiran bayi prematur. Pengujian dan
analisisnya sebagai berikut:
Hipotetsis :
H0 : β1 = 0
H1 : β1 ≠ 0

8
 Statistik uji :
Statistik uji yang digunakan adalah uji G ,dimana uji G ini mengikuti sebaran Chi–
square dengan derajat bebas q , sehingga nilai statistika uji G dibandingkan dengan X 2 0.05;df  .
Berdasarkan hasil output minitab 18 pada Lampiran 2 dan program R pada Lampiran 3,
maka diperoleh nilai G sebagai berikut.
a. Uji Serentak menggunakan output minitab (Lampiran 2)
Tabel 3.2 Pengujian Likelihood Ratio dan Secara Serentak dengan MINITAB
Model G P-Value
Model Akhir 296,69 0.000

b. Uji Serentak menggunakan output R (Lampiran 3)

Tabel 3.3 Pengujian Likelihood Ratio Secara Serentak dengan R
Model G P-Value
Model Akhir 296,69 0.000

Daerah penolakan : jika nilai p-value (sig.) <α (0,05) atau G> X 2 0.05;df  (124,342)
Keputusan :
Berdasarkan Tabel 3.3 diperoleh nilai G dengan program minitab dan R sebesar
296,69 dan nilai p–value sebesar 0.000, dimana nilai G   2 0.05;1 dan p–value >α(5%) maka
dapat diambil keputusan bahwa H0 ditolak.
Kesimpulan:
Sehingga dapat disimpulkan bahwa β1 ≠ 0 yang artinya secara bersama – sama
variabel independen berpengaruh terhadap Kelahiran bayi prematur. Variabel Hipertensi pada
ibu dan variabel lainnya berpengaruh terhadap variabel kelahiran bayi prematur.

3.2.2. Uji Parsial

Pengujian siginifikasi parameter model dilakukan untuk memeriksa peranan variabel
prediktor yang digunakan terhadap variabel respon. Uji Serentak dilakukan untuk mengetahui
signifikansi dari estimasi parameter yang didapatkan. Dengan menggunakan metode
maximum likelihood, diperoleh hasil sebagai berikut :
Hipotesis
H0 : 𝛽1 = 0 (variabel prediktor tidak signifikan terhadap variabel respon)
H1 : 𝛽1 ≠ 0 (variabel prediktor signifikan memberi pengaruh terhadap variabel respon)

9
 Statistik Uji:

a. Uji Parsial menggunakan output minitab (Lampiran 2)

Tabel 3.4. Output Uji Parsial Hipertensi terhadap Kelahiran Prematur dengan MINITAB
MINITAB
Variabel
Estimate Chi-square P-Value
Intercept -0,5024 12,71 0,000
Hipertensi 0,851 12,71 0,000

b. Uji Parsial menggunakan output R (Lampiran 3)

Tabel 3.5. Output Uji Parsial Hipertensi terhadap Kelahiran Prematur dengan R
Program R
Variabel
Estimate Zvalue P-Value
Intercept -0,50240 -5,345 9,03e-08
Hipertensi 0,85116 3,516 0,000438
Daerah penolakan : jika nilai p-value (sig.) <α (0,05)
Keputusan :
Tabel 3.6 Uji Parsial Pengaruh Hipertensi Ibu terhadap Kelahiran Bayi Prematur
P-Value (sig.)
Variabel Keputusan
R MINITAB
Hipertensi 0,000438 0,000 Tolak
Kesimpulan:
Dengan taraf keyakinan 95%, didapat keputusan bahwa variabel prediktor
signifikan memberi pengaruh terhadap variabel respon, yang artinya bahwa variabel
hipertensi berpengaruh signifikan terhadap variabel kelahiran prematur pada bayi.

3.3. Kesesuaian model

Setelah mengetahui variabel yang siginifikan mempengaruhi variabel respon, terbentuk
model probit biner. Akan tetapi, model yang terbentuk belum tentu mampu menjelaskan data
secara tepat atau sesuai. Untuk mengetahui apakah model telah mampu menjelaskan data atau
belum, dilakukan pengujian kesesuaian model dengan menggunakan metode Goodness of Fit
Chi-square

10
Hipotesis
H0 : Model telah mampu menjelasakan data
H1 : Model belum mampu menjelaskan data
Statistik Uji

a. Uji Kesesuain Model menggunakan output minitab (Lampiran 2)

Tabel 3.7 Uji Kesesuaian Model dengan Minitab
Model Chi-square Df Sig.

Model Akhir 12,71 226 .450

b. Uji Kesesuain Model menggunakan output R (Lampiran 3)

Tabel 3.8 Uji Kesesuaian Model dengan R
Model Chi-square Df

Model Akhir 12,708 226

Daerah penolakan : jika p-value < α maka tolak H0 atau X2>X2tabel

Keputusan
Berdasarkan tabel 3.7 dan tabel 3.8 diperoleh nilai X2 yang sama yaitu 12,71 <
X2tabel(0,05;226)=124,342 dan P Value pada program minitab 0,450>α(5%) sehingga gagal
tolak H0
Kesimpulan
Dari hasil uji pada program MINITAB dan R diperoleh keputusan gagal tolah Ho karena
model ini merupakan model dengan variabel prediktor yang telah signifikan. Dengan nilai p-
value sebesar 0,653. Nilai p-value > α. Artinya, dengan tingkat keyakinan 95%, dapat
diyakini bahwa model probit biner untuk mengukur pengaruh tingkat hipertensi pada Ibu
terhadap bayi lahir prematur yang terbentuk telah cukup untuk menjelaskan data atau model
telah sesuai.

11
3.4. Ketepatan Klasifikasi
Classification plot menjelaskan tentang persentase kesesuaian yang dihasilkan oleh
model yang terbentuk. Semakin tinggi persentase maka model akan semakin bagus karena
mampu memprediksi dengan benar data yang ada. Berikut hasil classification plot yang
diperoleh :

Kelompok Kelompok Prediksi

Total
Aktual 0 1
0 135 12 147
1 60 21 81
Total 195 33 228
Berdasarkan Persamaan (5) Ketepatan Klasifikasi dapat dihitung sebagai berikut:
Ketepatan klasifikasi  1  APER
135  21
 1
195  33
 68,9%
Dari output diatas, model probit biner yang digunakan telah cukup baik karena mampu
memprediksi dengan benar sebesar 68,9% dari kondisi yang terjadi. Pada diagonal utama
menunjukkan hasil prediksi yang tepat dalam pengklasifikasiannya dengan hasil observasi.
Dari 228 pengamatan terdapat sebanyak 157 observasi yang dapat diklasifikasikan secara
tepat.
3.5. Interpretasi Model
Interpretasi model probit biner dapat dilakukan berdasarkan nilai efek marginal
persamaan (6) dan persamaan (7) dengan koefisien parameter X1 adalah 0,8511579. Sebagai
contoh berikut efek marginal variabel Kelahiran bayi prematur pada variabel Hipertensi

µ(Y  0)
P
 (0,5024 + 0,851 X 1 )
X 1
 (0,5024 + 0,851 (0,8511579))
 0,307692
µ(Y  1)
P
 (0,5024 + 0,851 X 1 )
X 1
 1  (0,5024 + 0,851 (0,8511579))
 0, 636364
Dari hasil perhitungan diatas menunjukkan bahwa jika variabel Hipertensi (X) naik
sebesar satu satuan maka akan meningkatkan peluang kelahiran bayi tidak prematur sebesar
0,307692, sedangkan jika variabel Hipertensi (X) naik sebesar satu satuan maka akan
meningkatkan peluang kelahiran bayi prematur sebesar 0,636364.

12
 BAB IV
KESIMPULAN

Berdasarkan hasil analisis faktor Hipertensi pada Ibu terhadao penyebab terjadinya
kasus kelahiran premature menggunakan model probit biner, diperoleh kesimpulan sebagai
berikut :
1. Berdasarkan uji signifikansi parameter diperoleh variabel yang signifikan memberi
pengaruh terhadap variabel kelahiran premature yaitu variabel hipertensi
2. Dengan menggunakan metode Backward Wald diperoleh model probit biner :
µ(Y  0)  (0,5024  0,851X)
P
µ(Y  1)  1  (0,5024  0,851X)
P
3. Variabel hipertensi, jika menderita penyakit hipertensi akan menaikkan resiko
melahirkan secara premature sebesar 0,31 kali dibandingkan tidak mengalami kelahiran
premature.
4. Model probit biner yang diperoleh merupakan model yang telah sesuai.

13
 LAMPIRAN

Lampiran 1. Output Minitab

1. Koefisien parameter

Coefficients
Term Coef SE Coef VIF
Constant -0,5024 0,0940
X2
1 0,851 0,242 1,00
Deviance Table
Source DF Adj Dev Adj Mean Chi-Square P-Value
Regression 1 12,71 12,708 12,71 0,000
X2 1 12,71 12,708 12,71 0,000
Error 226 283,99 1,257
Total 227 296,69

2. Regression Equation

Regression Equation
P(1) = Φ(Y')

Y' = -0,5024 + 0,0 X2_0 + 0,851 X2_1

Φ = CDF of the standard normal distribution

3. Goodness-of-Fit test
Goodness-of-Fit Tests
Test DF Chi-Square P-Value
Deviance 226 283,99 0,005
Pearson 226 228,00 0,450
Hosmer-Lemeshow 0 0,00 *

14
4. Scatterplot
Binary Fitted Line Plot
P(1 ) = Φ(-0,5024 + 0,851 X2)
Φ = CDF of the standard normal distribution

1 ,0

0,8
Probability of Event

0,6

0,4

0,2

0,0

0,0 0,2 0,4 0,6 0,8 1 ,0

X2

5. Hasil Prediksi

Y Peluang Prediksi Y Peluang Prediksi Y Peluang Prediksi

1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 1 0,636363636 1 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 1 0,636363636 1
1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 1 0,307692308 0
0 0,636363636 1 0 0,307692308 0 0 0,636363636 1
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 0 0,307692308 0
1 0,636363636 1 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 1 0,636363636 1 0 0,307692308 0
1 0,307692308 0 1 0,307692308 0 0 0,307692308 0
1 0,636363636 1 0 0,307692308 0 0 0,307692308 0
1 0,636363636 1 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,636363636 1 1 0,307692308 0 1 0,636363636 1
1 0,636363636 1 1 0,636363636 1 0 0,307692308 0
1 0,636363636 1 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 0 0,307692308 0
1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 0 0,307692308 0

15
Y Peluang Prediksi Y Peluang Prediksi Y Peluang Prediksi
1 0,307692308 0 0 0,307692308 0 0 0,636363636 1
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 1 0,636363636 1 0 0,307692308 0
1 0,307692308 0 0 0,307692308 0 0 0,636363636 1
1 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,636363636 1 1 0,307692308 0 1 0,307692308 0
1 0,636363636 1 1 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 1 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,636363636 1 0 0,636363636 1
0 0,307692308 0 0 0,307692308 0 1 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 1 0,636363636 1
1 0,307692308 0 0 0,307692308 0 1 0,636363636 1
1 0,307692308 0 1 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 1 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
1 0,307692308 0 0 0,307692308 0 1 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,636363636 1 1 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 1 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 1 0,307692308 0 0 0,307692308 0
1 0,307692308 0 1 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 1 0,307692308 0
0 0,307692308 0 0 0,636363636 1 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,307692308 0
0 0,307692308 0 0 0,307692308 0 0 0,636363636 1
0 0,636363636 1 1 0,307692308 0 1 0,307692308 0
1 0,307692308 0 1 0,307692308 0 1 0,307692308 0
0 0,636363636 1 1 0,307692308 0 1 0,307692308 0
1 0,307692308 0 0 0,307692308 0 1 0,307692308 0
0 0,636363636 1 0 0,307692308 0 1 0,636363636 1
0 0,307692308 0 1 0,307692308 0 1 0,307692308 0
0 0,307692308 0 1 0,307692308 0 1 0,636363636 1
0 0,307692308 0 0 0,307692308 0 1 0,636363636 1

16
Y Peluang Prediksi Y Peluang Prediksi Y Peluang Prediksi
0 0,307692308 0 0 0,307692308 0 1 0,307692308 0
0 0,307692308 0 0 0,307692308 0 1 0,307692308 0
1 0,307692308 0 1 0,307692308 0 1 0,636363636 1
1 0,307692308 0 0 0,307692308 0 0 0,636363636 1
0 0,307692308 0 1 0,307692308 0 0 0,307692308 0

17
Lampiran 2. Output Program R

1. Koefisien Parameter
Call:
glm(formula = table$Y ~ table$X2, family = binomial(link = "probit"),
data = table)

Deviance Residuals:
Min 1Q Median 3Q Max
-1.4224 -0.8576 -0.8576 1.5353 1.5353

Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.50240 0.09399 -5.345 9.03e-08 ***
table$X2 0.85116 0.24206 3.516 0.000438 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 296.69 on 227 degrees of freedom

Residual deviance: 283.99 on 226 degrees of freedom
AIC: 287.99

Number of Fisher Scoring iterations: 4

2. Likelihood ratio
Analysis of Deviance Table

Model: binomial, link: probit

Response: table$Y

Terms added sequentially (first to last)

Df Deviance Resid. Df Resid. Dev

NULL 227 296.69
table$X2 1 12.708 226 283.99
3. Scatterplot

18
4. Prediksi
pred<-round(fitted(probitmod))
> pred
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 1 0
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0
69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102
0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0
103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136
1 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0
137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187
1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1
188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221
1 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 0
222 223 224 225 226 227 228
0 0 0 0 1 1 0
> table(true=table$Y,pred=round(fitted(probitmod)))
pred
true 0 1
0 135 12
1 60 21

19
 DAFTAR PUSTAKA
Gujarati, D.N., 2004, Basic Econometrics, Edisi ke 4, The McGraw-Hill: New York.
Greene, W.H., 2008, Econometric Analysis, Edisi ke 6, Prentice Hall Inc: New Yersey
Masitoh, F., dan Ratnasari, V., 2016, Pemodelan Status Ketahanan Pangan di Provinsi Jawa Timr
dengan Pendekatan Metode Probit Biner, Vol. 5 No. 2 Hal. 2, Jurnal Statistika, ITS : Surabaya.
Hosmer, D., dan Lemeshow, 2000, AppliedprobitRegression, Edisi ke 2, John Wiley and Sons : USA.
Asyiah, N. (2008). Studi Kasus Kelahiran Prematur di RSKIA PKU Muhammadiyah Kotagede
Yogyakarta. Yogyakarta.
Johnson, R.A., dan Wichern, D., 2007, Applied Multivariat Statistical Analysis, Edisi ke 9, New
Jersey: Prentice Hall.

20
21