Regresi logistik merupakan salah satu analisi multivariate, yang berguna untuk memprediksi abhängig variabel berdasarkan variabel independen. Pada logistic regresi, dependen variabel adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan binäre logistik, dan ketika dependen variabelnya lebih dari dua kategori maka digunakan multinominal logistische regression. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan ordinal logistische regression. Konsep Regresi Logistik Regresi logistik merupakan alternative uji jika asumsi multivariate normale verteilung pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrisch) dan kategorial (nicht metrisch). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi Logistik Tidak Membran Hanoi Lubier Antara Variabel Bebas Dengan Variabel Terikat. Regresi Logistik dapat menyeleksi hubungan karena menggunakan pendekatan nicht linier log transformasi untuk memprediksi Odds Ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau ungerade seorang anak dapat lulus atau tidak pada Ujian Nasional. Variabel bebas tidak memerlukan asumsi multivariate normalität Asumsi homokedastis tidak diperlukan Variabel bebas tidak perlu dirubah ke bentuk metrisch (Intervall atau skala ratio) CONTOH KASUS Logistic Regression Daten Yang Diberikan Adalah Daten Fiktif Bukan Daten Sebenarnya, Cuma Sebagai Latihan Uji Statistik Seorang dokter ingin mengetahui probabilitas seorang Pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Daten dikumpulkan dari catatan medis sebanyak 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (usia dalam tahun) Pada Menü Analysieren, Pilih Regression gtgt Binär Logistik Masukkan variabel sakit ke Dependent, kemudian variabel rokok dan usia ke 8220covariate box8221 Kemudian, Klik Optionen, lalu beri tanda pada Klassifikation Plots, Hosmer-Lemeshow GoF, Korrelationsmatrix, dan itteration Geschichte Klik Weiter, Kemudian OK HASIL Dan INTERPRESTASI Menilai Model Fit Untuk Menilai modell passend dapat diperhatikan nilai statistik -2LogL yaitu tanpa mengikutsertakan variabel hanya berupa konstanta yaitu sebesar 41.589. Ketika dimasukkan 2 variabel baru maka prediksi nilai -2LogL sebesar 16.750. Artinya terdapat penurunan sebesar 41.589 8211 16.750 24.839. Untuk -2LogL pertama diperoleh nilai 41.589 dengan df1 30-1 29. Nilai ini signifikan pada alpha 5 yang berarti Ho ditolak, artinya Modell tidak fit. Nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidak signifikan pada alpha 5. (Nilai statistik -2LogL di atas dibandingkan dengan nilai statistik distribusi x2.), Artinya modell passend dengan daten. Statistik - LogL dapat digunakan untuk menentukan apakah jika variabel bebas dimasukkan dalam modell dapat secara signifikan mempengaruhi modell. Dengan selisih 24.839 dan df (df1-df229-272) maka menunjukkan angka ini signifikan pada alpha 5. Hal ini berarti Ho ditolak dan Modell passen dengan Daten. Cox n Snell8217s R Platz adalah ukuran pengaruh bersama yaitu sebesar 0.563 dan nilai Nagelkerke R Platz adalah sebesar 0.751. Denganer demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modell adalah sebesar 75.10. Selanjutnya, Hosmer und Lemeshow8217s GoF dilakukan untuk menguji hipoteis. Jika sig lt 0.05 maka Ho ditolak yang berarti ada perbedaan signifikan antara modell dengan nilai observasinya. Jika sig gt 0.05 maka Ho diterima, artinya tidak ada perbedaan antara Modell dan nilai observasinya. Statistik Hosmer und Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa Modell passen dengan Daten. Hosmer und Lemeshow8217s GoF juga menghasilkan nilai 6.475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa modell passend dengan daten. Estimasi Parameter dan Interprestasi Estimasi Maximum Likehood Parameter Modell dapat dilihat dari Ausgabe pada tabel Variablen in der Gleichung. Logistische Regression kemudian dapat dinyatakan: Ln P1-P -11.506 5.348 Rokok .210 Usia. Variabel bebas kebiasaan merokok signifikan dengan probabilitas sebesar 0,004 (lt 0,05) dan variabel usia juga signifikan dengan probabilitas 0.032. Dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb: log der quoten seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Quoten seorang terkena penyakit jantung jika ia perokok adalah sebesar 5.348. Artinya seorang perokok memiliki kemungkinan terkena serangan jantung 5.35 kali lebih besar dibanding yang tidak merokok. Jika variabel rokok dianggap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0.210 pada setiap kenaikan satu tahun usia. Jika Rokok dianggap konstan, maka seseorang memiliki odds terkena penyakit jantung adalah sebesar 1.233 untuk setiap penambahan usia. Sementara jika usia bernilai konstan maka odds seorang terkena penyakit jantung adalah sebesar 210.286 untuk perokok dibandingkan dengan yang tidak merokok. Hasil insgesamt clasification rate adalah sebesar 90.0 pada cutoff 50 Pertama. Variabel rokok dan usia memiliki hubungan positif dengan odds penyakit jantung Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok Ketiga. Jika rokok bernilai konstan, maka odds seorang terkena penyakit jantung adalah sebesar 0.210 pada setiap penambahan usia. Cuma diingatkan8230.data yang Diberikan Adalah Daten Fiktif Bukan Daten Sebenarnya, Cuma Sebagai Latihan Uji Statistik Imam Ghozali. 2009. Aplikasi Analisis Multivariate Dengan Programm SPSS. Semarang BP: Undip, hal. 261-275Minggu yang lalu, saya telah menyampaikan mengenai konsep dari analisis regresi logistik biner. Pada Minggu Ini, Saya Akan Coba Melanjutkan Pembahasan Berkaitan Dengan L Angkah-Langkah Pengolahan Nya Dengan Menggunakan Bantuan Programm SPSS. Langkah-langkahnya adalah sebagai berikut: 1. Buka lah Programm SPSS Yang und ein Miliki 2. Eingabedaten nya --gt sebagai contoh, Daten yang saya gunakan adalah Daten latihan dari buku Kategorische Datenanalyse (Alan Agresti, 2007, edisi 2 --gt Halban 132), pada kasus saya variabel penjelasnya ada 2 (Durasi skala rasio dan T dengan skala nominal) dan variabel terikatnya Y dalam bentuk nominal (terdiri atas 2 kategori - gt biner) 3. Pilih opsi variabel Ansicht. Lalu ubahlah variabel name dan label - nya sesuai dengan kasus masing-masing. Saat ini, saya akan menggubah nama menjadi D, T dan Y misalnya. Kemudische Werte nya disesuaikan nilainya. Bila-Daten berbentuk nominal atau ordinal (misalnya untuk T dan Y), Maß nya diganti dari Maßstab menjadi nominal. 4. Daten telah beres, kemudian pilih opsi Analysieren gt Regression gt Binär Logistik 5. Masukkan Y sebagai variabel Abhängig dan D serta T sebagai Kovariaten. Untuk-Methode nya saat ini saya masih tetap menggunakan geben Sie ein. 6. Karena T berbentuk kategorik, maka harus ditetapkan Referenz Kategorie nya dengan cara memilih opsi Kategorisch. Untuk kemudahan interpretasi biasanya saya memilih erste untuk Referenz nya. Artinya setiap kategori akan diperbandingkan dengan kategori pertama. Kemudian JANGAN LUPA Pilih ändern. Klik weiter. 7. Pilih Optionen. Kemudian centang hosmer lemeshow dan klassifikation plots dan klik weiter Kemudian OK OK. Untuk Interpretasi Outputnya silahkan membaca postingan berikutnya yang berjudul. Analisis Regresi Logistik (interpretasi). Terimakasih telah membaca - Ferdi Fadly - Sebagai Kelanjutan Dari Tulisan Mengenai Modell Pilihan Kualitatif, Pada Bagian Ini, Akan dijelaskan Contoh Modell binäre Logit dan estimasinya dengan menggunakan Programm SPSS. Seutelai contoh ilustratif, misalnya ingin diprediksi pengaruh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. Berdasarkan hasil survai terhadap 48 responden, didapatkan datanya sebagai berikut: Dimana: Y 1, jika konsumen membeli mobil, 0 jika konsumen tidak membeli mobil X1 umur responden dalam tahun X2 1, jika konsumen berjenis kelamin wanita, 0 jika konsumen berjenis kelamin pria X3 0 , Jika konsumen berpendapatan rendah, 1 jika konsumen berpendapatan sedang 2 jika konsumen berpendapatan tinggi Tahapan-tahapan estimasi dalam SPSS sebagai berikut: 1. Setelah Daten diinput dalam lembar kerja SPSS kemudian klik Analyse gt Regression gt Binary Logistic. Selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai Variable abhängige dengan cara klik Y di kotak kiri, kemudian klik tanda panah disamping kotak Abhängig. Masukkan X1, X2 dan X3 kedalam kotak Kovariaten, dengan cara klik masing-masing variabel, kemudian klik tanda panah disamping kotak kovariaten. 3. Selanjutnya, Karena Variabel X3 merupakan peubah kategori (ordinal) dengan lebih dari dua kategori (yaitu 0pendapatan rendah, 1pendapatan sedang dan 2pendapatan tinggi) maka diubah terlebih dahulu ke dalam 2 variabel dummy, untuk mengembangkan modell yang logis dan mudah diinterpretasi, sebagai berikut : (Ini sama dengan prosedur regresi dengan variabel bebas dummy sebelumnya) X31 1, jika konsumen berpendapatan menengah 0, jika selainnya X32 1, jika konsumen berpendapatan tinggi 0, jika selainnya Dalam Programm SPSS untuk mengkonversi ini dengan cara klik kategorische dari tampilan diatas, maka Akan muncul tampilan berikut: Selanjutnya, klik X3, klik tanda panah disamping Kategorische Kovariaten. Pilih Referenz Kategorie dengan Erste, kemudian klik Änderung dan Weiter. Selanjutnya klik OK 4. Akan Keluar Ausgabe SPSS untuk regresi logit sebagai berikut (disini hanya ditampilkan bagian-bagian terpenting saja yang akan dibahas): Ausdruck di di tabel pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 dan 2 menjadi dua variabel dummy yaitu X31 dan X32. Seperti yang terlihat dari tabel tersebut, variabel X31 bernilai 1 untuk kategori 1 (pendapatan menengah) dan 0 untuk kategori lainnya. Variabel X32 bernilai 1 untuk kategori 2 (pendapatan tinggi) dan 0 untuk kategori lainnya. Dengan demikian, kategori 0 (pendapatan rendah) akan bernilai 0 baik pada variabel X31 dan X32. Ausdruck des Tafels kedua diatas merupakan nilai Khi-kuadrat (2) dari model regresi. Sebagaimana Halnya Modell regresi lineare Dengan Metode OLS, Kita Juga Dapat Melakukan Pengujian Arti Penting Modell Secara Keseluruhan. Jika metode OLS menggunakan uji F, maka pada modell logit menggunakan uji G. Statistik G ini menyebar menurut sebaran Khi-kuadrat (2). Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabel pada tertentu dan derajat bebas k-1. (Kriteria pengujian dan cara pengujian persis sama dengan uji F pada metode regresi OLS). Tetapi, kita juga bisa melihat nilai p-Wert dari nilai G ini yang biasanya ditampilkan oleh sofware-software statistik, termasuk SPSS. Dari Ausgabe SPSS, didapatkan nilai 2 sebesar 18,131 dengan p-Wert 0,001. Karena nilai ini jauh dibawah 10 (jika menggunakan pengujian dengan 10), atau jauh dibawah 5 (jika menggunakan pengujian dengan 5), maka dapat disimpulkan bahwa modell regresi logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil. Druck aus di tabel ketiga memberikan estimasi koefisien Modell dan pengujian hipotesis parsial dari koefisien Modell. Dalam pelaporannya, modell regresi logistiknya dapat dituliskan sebagai berikut: Dari Ausgabe SPSS diatas menjadi sebagai berikut: Modell ini merupakan Modell peluang membeli mobil (P (xi) yang dipengaruhi oleh faktor-faktor umur, jenis kelamin dan pendapatan Model tersebut adalah bersifat nicht - Lineare dalam Parameter Selanjutnya, untuk menjadikan Modell tersebut linear, dilakukan transformasi dengan logaritma natürlich, (transformasi ini yang menjadi hal penting dalam regresi logistik dan dikenal dengan istilah logit transformation), sehingga menjadi (pembahasan lebih rinci, silakan dibaca buku-buku ekonometrik) : 1-P (xi) adalah peluang tidak membeli mobil, sebagai kebalikan dari P (xi) sebagai peluang membeli mobil. Oleh karenanya, ln P (xi) 1-P (xi) secara sederhana merupakan log dari perbandingan antara peluang membeli mobil dengan Peluang tidak membeli mobil. Oleh karenanya juga, koefisien dalam persamaan ini menunjukkan pengaruh dari umur, jenis kelamin dan pendapatan terhadap peluang relativer einzeln membeli mobil yang dibandingkan dengan peluang tidak membeli mobil. Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap keputusan pilihan membeli mobil tersebut, dapat menggunakan uji signifikansi dari Parameter koefisien secara parsial dengan statistik uji Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi lineare Biasa, yaitu dengan membagi koefisien terhadap standar Fehler masing-masing koefisien Dari Ausgabe SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai p-Wert (dan menggunakan kriteria pengujian 10), dapat dilihat seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-Wert dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regresi logit dari persamaan di atas Dalam Modell regresi linear, koefisien ich menunjukkan perubahan nilai variabel abhängig sebagai akibat perubahan satu satuan variabel unabhängig. Hal yang sama sebenarnya juga berlaku dalam modell regresi logit, tetapi secara matematis sulit diinterpretasikan. Koefisien dalam modell logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel unabhängig Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh Karenanya, Dalam Modell Logit, Dikembangkan Pengukuran Yang Dikenal Dengan Nama Odds Ratio (). Quotenverhältnis untuk masing-masing variabel ditampilkan oleh SPSS sebagaimana yang terlihat tabel diatas (kolom Exp (B)). Quotenverhältnis dapat dirumuskan: e, dimana e adalah bilangan 2,71828 dan adalah koefisien masing-masing variabel. Sebagai contoh, Odds Ratio untuk variabel X2 e-0.1602 0,201 (lihat Ausgabe SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 wanita dan 0 pria), dengan odds ratio sebesar 0,201 dapat diartikan bahwa peluang wanita untuk membeli mobil adalah 0,201 kali dibandingkan pria, jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih rendahi dalam membeli mobil dibandingkan pria. Dalam kasus variabel X1 (umur), dengan Quotenquote sebesar 1.153 dapat diartikan bahwa konsumen yang berumur lebih tua satu tahun peluang membeli mobilnya adalah 1,153 kali dibandingkan konsumen umur yang lebih muda (satu tahun), jika pendapatan dan jenis kelamin mereka sama. Artinya orang yang lebih tua memiliki peluang yang lebih tinggi dalam membeli mobil. Dalam konteks umur ini (yang merupakan variabel dengan skala ratio), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10 tahun, maka odds rationya akan menjadi 4,14, yang diperoleh dari perhitungan sbb: e (10 x 0,142). Artinya peluang membeli mobil konsumen yang berumur lebih tua 10 tahun adalah 4,14 kali dibandingkan konsumen yang lebih muda (10 tahun) darinya. Selanjutnya, dalam konteks variabel pendapatan, terlihat bahwa X31 tidak berpengaruh signifikan. Artinya, peluang membeli mobil antara konsumen pendapatan sedang dan pendapatan rendah adalah sama saja. Sebaliknya, untuk X32, dapat diinterpretasikan bahwa peluang membeli mobil konsumen pendapatan tinggi adalah 6,45 kali dibandingkan pendapatan rendah, jika umur dan jenis kelaminnya sama. Selamat pg pak, sy mau bertanya Diatas bpk mengatakan uji G kriteria pengujian sm dengan uji F di ols. Apakah tabel yg digunakan jg sm kl uji t di ols memakai perbandingan dgn tabel t, uji f ols dgn perbandingan tabel f. Lalu utk uji g dan uji t (nilai wald) di logistik apakah memakai perbandingan tabel yg sama juga atau utk uji g dan uji nilai wald di logistik keduanya memakai tabel distribusi chisquare pak selamat siang pak, saya mau tanya jika hasil uji wald regresi logistik biner Semua variabell lebih dari 0,05, apakah buruk apa yang harus dilakukan Maksudnya probabilita (sig) wald gt 0,05 (tidak signifikan) Jika semuanya tentu saja Modell harus diperbaiki. Langkah yang harus dilakukan adalah periksa Daten terlebih dahulu (terutama outliernya). Kedua periksa Modell, (uji multikolinearitas antar variabel bebas). Ketiga Tambah Daten. Makasih pak atas pembahasanya semoga berkah ilmunya, maaf saya mau tanya lagi pak. Regresi logiistik salah satu variabel saya adalah plafon pinjaman, saya pakai dummy sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. 500.000 karena referenz saya namakan plafon saja, semua saya masukan ke SPSS 17, plafon. plafon1 dan palfon2 nah pas Saya masukan ke SPSS Saya isikan ke Variabel viewnya di Wert Saya tulis 0 lainya dan 1 1. 500,000 kemudian Saya Olah, ternyata pas kolom Fallbearbeitung summray, Variabel gt 1. 500,000 di entfernen Dari analisa dan jadi konstanta akhirnya di kolom kategorische variabel Codierung nah gt 1. 500,000 tidak terdaftar yang ada hanya Frek lt 500, 000 lainya 249 1. 500,00 itu di analisis karena akhirnya Anzahl der Beiträge lainya di atas itu berjumlah 249 32 281 sedangkan Anzahl der Beiträge responden yang diteliti n 271 orang. Bagaimana pak makasihKONSEP REGRESI LOGISTIK CONTOH DENGAN SPSS 16 (Kasus Binary Reglog) Malam ni sobat semua. Wah Wah Wah. Pada gimana nih kabarnya Mama baik dan sehat-sehat saja ya hehehe. Yap, s ekarang kita belajar lagi yuk materi yang baru Nah, kali ini saya mau ngebahas dan ngasi contoh untuk metode statistik Regresi Logistik. Kalau sobat pernah baca postingan saya tentang mehrere regression. Maka bedanya ada pada skala daten variabel terikatnya sob. Untuk regresi logistik, skala daten variabel terikat (Y) adalah kategorik (nicht metrik). Ya bisa dua kategori, lebih dari dua (banyak kategori) dan bisa juga skala datanya ordinal kategorik. Terkait konsep, sebenarnya sama saja dengan regresi biasa (sederhana maupun berganda) yaitu melihat pengaruh dari variabel-variabel bebas terhadap variabel terikat. Regresi logistik ini juga dipakai sebagai alternatif dari analisis multivariat yaitu analisis diskriminan (pembeda). Nah, sebagai pengantar pengetahuan saja, dalam analisis diskriminan kan dibutuhkan asumsi kenormalan multivariat. Nö, b edanya dengan uji asumsi kenormalan biasa seperti ini k ALAU uji asumsi kenormalan biasa, yang diuji kenormalannya adalah Rest Dari Variabel terikatdependennya sedangkan untuk multivariate normal, Yang diuj kenormalannya adalah seluruh Variabel bebasnya. Asumsi multivariat normal ini terkadang sulit dipenuhi dalam analisis diskriminan karena variabel bebas yang digunakan merupakan gabungan antara skala daten kategoriknon metrik dan kontinyumetrik. Dalam regresi logistik dikenal konsep Quoten Ratio yang sama artinya dengan probabilitas atau kecenderungan. Apropos. T erkait analisis diskriminan ini akan dibahas secara khusus pada postingan berikutnya. Sabar aja ya hehe. Kalau seandainya, dalam penelitian sobat, pakainya ada dua kategori pada variabel terikatnya misalnya 8220lulus8221 dan 8220tidak lulus8221, maka dinamakan binäre logistische Regression. Kalau semisalnya lebih dari dua kategori alias banyak dinamakan multinomiale logistische regression. Nah, satu lagi, kalau skala daten variabel terikatnya ordinal (peringkat), dinamakan ordinal logistische regression. Oke deh kali ini saya berikan contoh pengerjaannya. Monggo, datanya herunterladen disini Kalo sobat sudah ambil dan lihat datanya, ada tiga buah variabel yakni hasil tes tertulis, jenis kelas dan nilai tes praktikum. Disini saya mengambil sampel secara acak yakni 30 mahasiswa jurusan tehnik sipil suatu kampus. Hasil tes tertulis Yang adalah Variabel terikat merupakan kategorik (dua kategori yaitu 1lulus dan 0tidak lulus), jenis Kelas juga kategorik (1reguler dan 0non reguler) dan nilai tes praktikum adalah nicht kategorik (kontinyu). Japra: Berikut cuplikan tampilan Daten dan Variabel viewnya sehen jadi dalam analisis reglog kita menggunakan Variabel bebas Yang berskala Daten kualitatif (nominal atau ordinal) sehingga kita tidak bisa menghitung varians dan rerata Dari Variabel Yang berskala Daten kualitatif. Selanjutnya, dalam uji asumsi yang lain misalnya multikol, itu hanya digunakan kalau kita menggunakan variabel bebas dengan skala daten yang sama bukan gabungan (beberapa kuantitatif dan ada juga yang kualitatif). Uji F dan T sama dengan yang di OLS anonim: kalau untuk melihat besarnya pengaruh suatu variabel bebas kamu bisa lihat nilai koefisiennya modelnya saja dan coba sandingkan dengan teori yang ada. Ingat bahwa statistik itu hanya Werkzeuge sehingga Harus selalu dilakukan uji kebaikan Modell statistik, bisa DGN Melihat nilai R-Quadrat, Klassifizierung Grundstück bahkan mengembalikan hubungan Variabel bebas terhadap tidak bebas ke dalam esensi keilmuannya (apa Benar pengaruhnya Benar seperti Yang ditunjukkan oleh Modell statistik). Demikian Salam Salam kenal mas .. Saya punya tugas seberapa besar pengaruh website promosi yg saya buat terhadap jumlah transaksi penjualan perharinya selama 1bulan. Jd Y nya saya Bikin 1 Dari Website saya 0 Dari Medien lain, buat X nya saya buat kuisioner skla likert dengan 2 variabel dr website saya, jadi ketika ada pembeli yg membeli barang saya kasikan kuisionernya. Apakah bisa analisis reg log untuk mencari besran pengaruh website promosi saya terhadap jmlah transaksi penjualan perharinya selama satu bulan. Trimss
No comments:
Post a Comment