PENERAPAN REGRESI LOGISTIK BINER UNTUK MENGETAHUI PENGARUH PENDAPATAN PER KAPITA, TINGKAT PENDIDIKAN, DAN STATUS PEKERJAAN TERHADAP STATUS GIZI MASYARAKAT

NADA ALVITA PRANAMUDYA

2 JUNI 2023

Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
>

1 BAB I: PENDAHULUAN

1.1 Latar Belakang

Masalah gizi merupakan hal penting yang harus diperhatikan karena derajat kesehatan mempengaruhi pertumbuhan dan pembangunan ekonomi, meskipun berlaku sebaliknya, pertumbuhan dan pembangunan ekonomi juga mempengaruhi derajat kesehatan. Pembangunan ekonomi tidak lagi dipandang sebagai suatu proses sederhana, suatu proses penanaman modal bagi sistem perekonomian dengan harapan akan memberikan keuntungan otomatis dalam pembangunan dan kesejahteraan manusia. Pembangunan menjadi rumit karena harus mempertimbangkan semua aspek ekonomi termasuk masalah kesehatan.

Masalah gizi menurut Supariasa dkk. (2001), merupakan masalah kesehatan masyarakat, namun penanggulangannya tidak dapat dilakukan dengan pendekatan medis dan pelayanan kesehatan saja. Penyebab timbulnya masalah gizi bersifat multifaktor. Pokok masalah yang merupakan faktor penyebab masalah gizi adalah kemiskinan, pendidikan rendah, dan kurang keterampilan, (Persagi, 1999). Faktor-faktor tersebut merupakan faktor tidak langsung penyebab masalah gizi.

Pada kasus tertentu, masalah gizi muncul akibat masalah pendapatan perkapita. Pendapatan per kapita mencerminkan tingkat kemampuan ekonomi masyarakat. Ketika pendapatan per kapita rendah, individu atau keluarga mungkin memiliki akses terbatas terhadap makanan yang bergizi dan berkualitas tinggi. Mereka mungkin tidak mampu membeli makanan yang diperlukan untuk menjaga gizi yang seimbang. Sebaliknya, ketika pendapatan per kapita meningkat, individu dan keluarga dapat memiliki lebih banyak pilihan makanan yang sehat dan bergizi.

Masalah gizi juga bisa dipengaruhi oleh tingkat Pendidikan. Pendidikan yang baik memberikan pengetahuan dan pemahaman tentang pentingnya gizi seimbang dan gaya hidup sehat. Individu dengan tingkat pendidikan yang lebih tinggi cenderung memiliki pemahaman yang lebih baik tentang nutrisi dan mampu membuat keputusan yang lebih baik terkait dengan pola makan sehat. Mereka juga lebih mungkin memiliki kesadaran akan pentingnya mengonsumsi makanan bergizi dan menghindari makanan yang tidak sehat.

Status pekerjaan individu juga dapat memengaruhi masalah gizi. Pekerjaan yang stabil dan berpenghasilan memadai memberikan akses yang lebih baik terhadap makanan yang sehat dan bergizi. Pekerjaan yang tidak stabil atau pengangguran dapat menyebabkan ketidakpastian keuangan dan keterbatasan akses terhadap makanan yang sehat. Selain itu, beberapa pekerjaan mungkin melibatkan beban kerja yang tinggi atau stres yang dapat memengaruhi pola makan dan kualitas diet seseorang.

ketiga faktor ini dapat saling mempengaruhi. Misalnya, pendidikan yang baik dapat meningkatkan kesempatan seseorang untuk mendapatkan pekerjaan yang lebih baik, yang pada gilirannya dapat meningkatkan pendapatan per kapita dan akses terhadap makanan yang sehat.

Pengetahuan hubungan antara gizi masyarakat dengan faktor yang mempengaruhinya menjadi hal penting untuk mempermudah penanggulangan masalah gizi. Jika hubungan itu dapat diketahui, maka langkah-langkah yang diambil dapat lebih terarah. Model statistik yaitu analisis regresi dapat digunakan untuk mengetahui hubungan tersebut.

Analisis regresi dapat digunakan untuk mengetahui pengaruh dan mengukur hubungan antara variabel respon dan variabel prediktor. Pada penelitian ini, variabel respon model regresinya yaitu status gizi orang dewasa (usia 18 tahun ke atas) yang diukur dengan Indeks Massa Tubuh (IMT). Sedangkan untuk variabel prediktornya terdiri dari pendapatan per kapita keluarga, tingkat pendidikan terakhir, dan status pekerjaan.

Model regresi yang diterapkan pada saat variabel responnya bersifat kualitatif adalah model regresi logistik. Model regresi logistik yang variabel responnya memiliki dua kategori disebut model regresi logistik biner.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah, disusun perumusan masalah yaitu bagaimana menerapkan model regresi logistik untuk mengetahui pengaruh pendapatan per kapita keluarga, tingkat pendidikan, dan status pekerjaan pada status gizi masyarakat.

1.3 Tujuan Penelitian

Penelitian ini mempunyai tujuan yaitu menerapkan model regresi logistik untuk mengetahui pengaruh pendapatan per kapita keluarga, tingkat pendidikan, dan status pekerjaan pada status gizi masyarakat.

1.4 Data Penelitian

Keterangan masing-masing variabel respon yaitu:

\(Y\): Status Gizi

\(X_1\): pendapatan perkapita (dalam ribuan)

\(X_2\): Tingkat Pendidikan

\(X_3\): Status bekerja

Obs Status Gizi Pendapatan per Kapita Tingkat Pendidikan Status Pekerjaan
1 1 163 3 2
2 0 201 3 2
3 1 1167 4 3
4 0 400 4 0
5 1 625 4 4
6 1 1500 3 2
7 1 116 2 2
8 1 283 3 3
9 1 750 3 2
10 0 500 3 3
11 0 500 3 2
12 1 525 4 4
13 1 360 2 0
14 0 1000 4 4
15 0 540 3 3
16 0 800 3 3
17 1 363 2 3
18 1 1000 4 4
19 0 325 3 4
20 1 500 3 3
21 1 100 2 1
22 1 120 3 1
23 1 375 3 3
24 1 500 2 1
25 1 767 1 1
26 1 200 2 3
27 1 267 3 3
28 1 300 3 3
29 1 350 3 3
30 1 475 0 2
31 1 1325 3 4
32 1 357 4 4
33 1 225 3 1
34 1 400 4 3
35 1 667 4 0
36 1 933 4 4
37 1 333 4 3
38 0 625 3 3
39 1 500 3 3
40 1 713 3 3
41 1 750 3 4

2 BAB II: TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif adalah cabang statistika yang berkaitan dengan pengumpulan, penyajian, dan interpretasi data secara ringkas dan deskriptif. Statistika deskriptif digunakan untuk memberikan gambaran umum tentang data yang ada, termasuk ukuran pemusatan data, ukuran penyebaran data, serta distribusi frekuensi.

2.2 Regresi Logistik Biner

Model regresi logistik biner digunakan untuk menganalisa hubungan antara satu variabel respon dan beberapa variabel prediktor, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai 1 untuk menyatakan keberadan sebuah karakteristik dan bernilai o untuk menyatakan ketidakberadaan sebuah karakteristik. Model regresi logistik biner digunakan jika variabel responnya menghasilkan dua kategori bernilai 0 dan 1, sehingga mengikuti distribusi Bernoulli adalah sebagai berikut:

2.3 Uji Signifikansi Model

2.3.1 uji Simultan

Uji Signifikansi Model berguna Untuk mengetahui pengaruh variabel bebas terhadap variabel tidak bebas secara bersama-sama (overall) di dalam model, dapat menggunakan Uji Likelihood Ratio. Hipotesisnya adalah sebagai berikut:

Ho: β1 = β2 =….= βp = 0 (tidak ada pengaruh veriabel bebas secara simultan terhadap variabel tak bebas)

H1: minimal ada satu βj ≠ 0 (ada pengaruh paling sedikit satu veriabel bebas terhadap variabel tak bebas)

Statistik uji :

Lo = Maksimum Likelihood dari model reduksi (Reduced Model) atau model yang terdiri dari konstanta saja

Lp = Maksimum Likelihood dari model penuh (Full Model) atau dengan semua variabel bebas.

Statistik G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p sehingga hipotesis ditolak jika p-value < α, yang berarti variabel bebas X secara bersama-sama mempengaruhi variabel tak bebas Y.

2.3.2 Uji Parsial

Pada umumnya, tujuan analsis statistik adalah untuk mencari model yang cocok dan keterpautan yang kuat antara model dengan data yang ada. Pengujian keberartian parameter (koefisien β) secara parsial dapat dilakukan melalui Uji Wald dengan hipotesisnya sebagai berikut:

Ho: βj = 0 (variabel bebas ke j tidak mempunyai pengaruh secara signifikan terhadap variabel tidak bebas H1: βj ≠ 0 (variabel bebas ke j mempunyai pengaruh secara signifikan terhadap variabel tidak bebas)

Statistik uji:

Hipotesis akan ditolak jika p-value < α yang berarti variabel bebas Xj secara parsial mempengaruhi variabel tidak bebas Y.

2.4 Uji Kelayakan Model

Uji kesesuaian model regresi logistik untuk mengetahui apakah model layak digunakan dan dapat dilakukan analisis selanjutnya. Uji keseuaian model regresi logistik terdiri dari 3 pengujian yaitu uji Hosmer dan Lemeshow’s Goodness of Fit Test, Omnibus Test ofModel Coefficient, serta -2 log likelihood.

2.5 Odds Ratio

Rasio kecenderungan (odds rasio) merupakan suatu ukuran yang berupa angka kecenderungan yang didefinisikan sebagai rasio antara jumlah individu yang mengalami kasus atau peristiwa tertentu dengan jumlah individu yang tidak mengalami kasus atau peristiwa tersebut, baik didalam sampel maupun populasi.

Statistik Uji:

3 BAB III: SOURCE CODE dan PEMBAHASAN

3.1 Data

> library(readxl)

3.1.1 Menginput Data

> # Input Data
> data<-read_excel("C:/Users/User/Documents/SEM 4/Data status gizi komstat.xlsx")
> head(data)
# A tibble: 6 × 4
  status_gizi pendapatan_perKapita tingkat_pendidikan status_pekerjaan
        <dbl>                <dbl>              <dbl>            <dbl>
1           1                  163                  3                2
2           0                  201                  3                2
3           1                 1167                  4                3
4           0                  400                  4                0
5           1                  625                  4                4
6           1                 1500                  3                2
> str(data)
tibble [41 × 4] (S3: tbl_df/tbl/data.frame)
 $ status_gizi         : num [1:41] 1 0 1 0 1 1 1 1 1 0 ...
 $ pendapatan_perKapita: num [1:41] 163 201 1167 400 625 ...
 $ tingkat_pendidikan  : num [1:41] 3 3 4 4 4 3 2 3 3 3 ...
 $ status_pekerjaan    : num [1:41] 2 2 3 0 4 2 2 3 2 3 ...

3.1.2 Menginisiasi Data

> # Menginisiasi Data
> Y <- data$status_gizi
> X1 <- data$pendapatan_perKapita
> X2 <- data$tingkat_pendidikan
> X3 <- data$status_pekerjaan

3.1.3 Membentuk Data Frame

> #Membuat Data Frame
> df<-data.frame(Y,X1,X2,X3)
> df
   Y   X1 X2 X3
1  1  163  3  2
2  0  201  3  2
3  1 1167  4  3
4  0  400  4  0
5  1  625  4  4
6  1 1500  3  2
7  1  116  2  2
8  1  283  3  3
9  1  750  3  2
10 0  500  3  3
11 0  500  3  2
12 1  525  4  4
13 1  360  2  0
14 0 1000  4  4
15 0  540  3  3
16 0  800  3  3
17 1  363  2  3
18 1 1000  4  4
19 0  325  3  4
20 1  500  3  3
21 1  100  2  1
22 1  120  3  1
23 1  375  3  3
24 1  500  2  1
25 1  767  1  1
26 1  200  2  3
27 1  267  3  3
28 1  300  3  3
29 1  350  3  3
30 1  475  0  2
31 1 1325  3  4
32 1  357  4  4
33 1  225  3  1
34 1  400  4  3
35 1  667  4  0
36 1  933  4  4
37 1  333  4  3
38 0  625  3  3
39 1  500  3  3
40 1  713  3  3
41 1  750  3  4

3.2 Statistika Deskriptif

> # Statistika Deskriptif
> summary(data)
  status_gizi     pendapatan_perKapita tingkat_pendidikan status_pekerjaan
 Min.   :0.0000   Min.   : 100.0       Min.   :0          Min.   :0.000   
 1st Qu.:1.0000   1st Qu.: 325.0       1st Qu.:3          1st Qu.:2.000   
 Median :1.0000   Median : 500.0       Median :3          Median :3.000   
 Mean   :0.7805   Mean   : 534.1       Mean   :3          Mean   :2.585   
 3rd Qu.:1.0000   3rd Qu.: 713.0       3rd Qu.:4          3rd Qu.:3.000   
 Max.   :1.0000   Max.   :1500.0       Max.   :4          Max.   :4.000

Syntax tersebut digunakan untuk menghitung dan menampilkan beberapa statistik deskriptif dari setiap variabel dalam data, termasuk nilai minimum, nilai maksimum, rata-rata, median, dan kuartil. Dengan demikian, Syntax ini memberikan informasi tentang ukuran data yang dapat membantu dalam pemahaman karakteristik data tersebut.

3.3 Uji Asumsi Multikolinieritas

> # Uji Asumsi Multikolinieritas
> reglog_X1 <- lm(X1~X2+X3, data=df)
> vif_X1 <- 1 / (1 - summary(reglog_X1)$r.squared)
> reglog_X2 <- lm(X2~X1+X3, data=df)
> vif_X2 <- 1 / (1 - summary(reglog_X2)$r.squared)
> reglog_X3 <- lm(X3~X1+X2, data=df)
> vif_X3 <- 1 / (1 - summary(reglog_X3)$r.squared)
> nilai_VIF <- data.frame(vif_X1,vif_X2,vif_X3)
> nilai_VIF
    vif_X1   vif_X2   vif_X3
1 1.120534 1.184468 1.214767

Berdasarkan hasil perhitungan diatas, nilai VIF pada masing masing variabel prediktor menghasilkan nilai kurang dari 10. Hal itu berarti bahwa masing masing variabel prediktor tidak terjadi multikolinieritas antar variabel prediktor atau tidak saling berkorelasi. Sehingga data yang merupakan faktor-faktor yang mempengaruhi status gizi masyarakat dapat digunakan.

3.4 Analisis Regresi Logistik Biner

> # model  regresi logistik biner
>  reglog <- glm(Y~X1+X2+X3,family = "binomial", data=df)
>  summary(reglog)

Call:
glm(formula = Y ~ X1 + X2 + X3, family = "binomial", data = df)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)
(Intercept)  2.6116442  1.7295800   1.510    0.131
X1           0.0001799  0.0012715   0.141    0.888
X2          -0.4839937  0.5600718  -0.864    0.387
X3           0.0212501  0.3469152   0.061    0.951

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 43.156  on 40  degrees of freedom
Residual deviance: 42.273  on 37  degrees of freedom
AIC: 50.273

Number of Fisher Scoring iterations: 4

Diperoleh model regresi logistik berdasarkan data status gizi masyarakat sebagai berikut: 

> Rsq <- 1-(42.273/43.156)
> Rsq
[1] 0.02046065

Dari nilai R square diatas, dapat diketahui bahwa variabel Pendapatan per Kapita \((X_1)\), Tingkat Pendidikan \((X_2)\), dan Status Pekerjaan \((X_3)\) dapat menjelaskan 2.046% penyebab terjadinya masalah gizi pada masyarakat, Sedangkan 97.954% dijelaskan oleh variabel lain yang tidak dijelaskan pada model ini.

3.5 Uji signifikan Model

3.5.1 Uji Simultan

> # Uji Simultan
> library(pscl)
> pR2(reglog) 
fitting null model for pseudo-r2
         llh      llhNull           G2     McFadden         r2ML         r2CU 
-21.13631469 -21.57788465   0.88313993   0.02046401   0.02130967   0.03273557 
> qchisq(0.95,2)
[1] 5.991465

Pada hasil perhitungan uji simultan, didapatkan nilai G2 sebesar 0.88313993 dengan nilai chi-square tabel sebesar 5.991465. Berdasarkan hal tersebut dapat diartikan bahwa nilai G2 lebih kecil dibandingkan dengan nilai chi-square, sehingga dapat diputuskan H0 diterima.

Dengan demikian dapat disimpulkan bahwa tidak ada pengaruh secara signifikan antara variabel pendapatan per kapita keluarga, tingkat pendidikan, dan status pekerjaan terhadap status gizi masyarakat.

3.5.2 Uji Parsial

> #uji parsial
> uji_parsial <- summary(reglog)
> uji_parsial

Call:
glm(formula = Y ~ X1 + X2 + X3, family = "binomial", data = df)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)
(Intercept)  2.6116442  1.7295800   1.510    0.131
X1           0.0001799  0.0012715   0.141    0.888
X2          -0.4839937  0.5600718  -0.864    0.387
X3           0.0212501  0.3469152   0.061    0.951

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 43.156  on 40  degrees of freedom
Residual deviance: 42.273  on 37  degrees of freedom
AIC: 50.273

Number of Fisher Scoring iterations: 4

  1. Pendapatan per kapita \((X_1)\)

    Keputusan: Karena nilai p-value (0.888) > α(0.05), maka gagal tolak Ho.

    Kesimpulan: Dengan tingkat kepercayaan 95%, maka dapat disimpulkan bahwa terdapat cukup bukti pendapatan per kapita tidak berpengaruh secara signifikan terhadap status gizi masyarakat.

  2. Tingkat pendidikan \((X_2)\)

    Keputusan: Karena nilai p-value (0.387) > α(0.05) , maka gagal tolak Ho.

    Kesimpulan: Dengan tingkat kepercayaan 95%, maka dapat disimpulkan bahwa terdapat cukup bukti bahwa tingkat pendidikan tidak berpengaruh secara signifikan terhadap status gizi masyarakat.

  3. Status pekerjaan \((X_3)\)

    Keputusan: Karena nilai p-value (0.951) > α(0.05) , maka gagal tolak Ho.

    Kesimpulan : Dengan tingkat kepercayaan 95%, maka dapat disimpulkan bahwa terdapat cukup bukti status pekerjaan tidak berpengaruh secara signifikan terhadap status gizi masyarakat.

3.6 Odds Ratio

> #menghitung odds ratio
> beta <- (coef(reglog))
> beta
  (Intercept)            X1            X2            X3 
 2.6116441593  0.0001798515 -0.4839937011  0.0212500844 
> 
> OddsRatio_beta <- exp(beta)
> OddsRatio_beta
(Intercept)          X1          X2          X3 
 13.6214282   1.0001799   0.6163171   1.0214775 
> 
> cbind(beta, OddsRatio_beta)
                     beta OddsRatio_beta
(Intercept)  2.6116441593     13.6214282
X1           0.0001798515      1.0001799
X2          -0.4839937011      0.6163171
X3           0.0212500844      1.0214775

  1. Pendapatan per kapita \((X_1)\) Apabila pendapatan bertambah 1 satuan, maka kecenderungan status gizi normal meningkat 1.0001799 atau sekitar 1 kali lipat,

  2. Tingkat pendidikan \((X_2)\) Apabila Tingkat pendidikan bertambah 1 satuan, maka kecenderungan status gizi normal meningkat 0.6163171 atau sekitar 1 kali lipat.

  3. Status Pekerjaan \((X_3)\) Apabila status pekerjaan bertambah 1 satuan, maka kecenderungan status gizi normal meningkat 1.0214775 atau sekitar 1 kali lipat.

3.7 Uji Kelayakan Model

> #uji kelayakan model
> library(ResourceSelection)
> model_layak <- hoslem.test(df$Y,fitted(reglog))
> model_layak

    Hosmer and Lemeshow goodness of fit (GOF) test

data:  df$Y, fitted(reglog)
X-squared = 6.8487, df = 8, p-value = 0.553

Berdasarkan hasil perhitungan uji kelayakan model tersebut dapat diketahui bahwa nilai p-value (0.553) lebih besar dari α (0.05) sehingg dapat diambil keputusan bahwa hipotesis nol (H0) gagal untuk ditolak. Dengan demikian, dapat disimpulkan bahwa model tersebut layak untuk digunakan.

3.8 Ketepatan Klasifikasi

> #Membentuk klasifikasi
> yp_hat<-fitted(reglog)
> df$yp_hat<-yp_hat
> df
   Y   X1 X2 X3    yp_hat
1  1  163  3  2 0.7740773
2  0  201  3  2 0.7752703
3  1 1167  4  3 0.7209757
4  0  400  4  0 0.6786577
5  1  625  4  4 0.7053855
6  1 1500  3  2 0.8133522
7  1  116  2  2 0.8464493
8  1  283  3  3 0.7814799
9  1  750  3  2 0.7920047
10 0  500  3  3 0.7880714
11 0  500  3  2 0.7845006
12 1  525  4  4 0.7016342
13 1  360  2  0 0.8466291
14 0 1000  4  4 0.7192049
15 0  540  3  3 0.7892704
16 0  800  3  3 0.7969427
17 1  363  2  3 0.8547923
18 1 1000  4  4 0.7192049
19 0  325  3  4 0.7863588
20 1  500  3  3 0.7880714
21 1  100  2  1 0.8432871
22 1  120  3  1 0.7689684
23 1  375  3  3 0.7842923
24 1  500  2  1 0.8525613
25 1  767  1  1 0.9077818
26 1  200  2  3 0.8511155
27 1  267  3  3 0.7809881
28 1  300  3  3 0.7820016
29 1  350  3  3 0.7835307
30 1  475  0  2 0.9393218
31 1 1325  3  4 0.8150203
32 1  357  4  4 0.6952705
33 1  225  3  1 0.7723063
34 1  400  4  3 0.6923993
35 1  667  4  0 0.6890390
36 1  933  4  4 0.7167650
37 1  333  4  3 0.6898269
38 0  625  3  3 0.7918018
39 1  500  3  3 0.7880714
40 1  713  3  3 0.7943988
41 1  750  3  4 0.7989190
> 
> crosstable<- table(df$Y,fitted(reglog)>0.5)
> crosstable
   
    TRUE
  0    9
  1   32
> 
> Akurasi <- ((31+6)/41)*100
> print(paste(Akurasi,"%"))
[1] "90.2439024390244 %"

Berdasarkan pembentukan tabel ketetapan klasifikasi yang merupakan tabel frekuensi dua arah antara variabel respon dan prediktor, maka diperoleh tingkat akurasi model sebesar 0.90244 atau 90.244%

4 BAB IV: PENUTUP

4.1 KESIMPULAN

  1. Model regresi logistik biner dari data status gizi masyarakat yang dipengaruhi oleh pendapatan per kapita, tingkat pendidikan, dan status pekerjaan adalah:

  2. Berdasarkan hasil dan pembahasan analisis regresi logistik di atas, dapat disimpulkan bahwa tidak terdapat pengaruh antara pendapatan per kapita, tingkat pendidikan, dan status pekerjaan terhadap status gizi masyarakat. Hal tersebut dapat dilihat berdasarkan output uji parsial bahwa variabel \(X_1\) (pendapatan per kapita), \(X_2\) (tingkat pendidikan), dan \(X_3\)(status pekerjaan) memiliki p-value lebih dari alpha 0,5, sehingga memberikan keputusan gagal tolak H0. Oleh karena itu, dapat disimpulkan bahwa faktor-faktor tersebut tidak memberikan pengaruh terhadap status gizi masyarakat.

5 DAFTAR PUSTAKA

Hendayana, R., 2013. PENERAPAN METODE REGRESI LOGISTIK DALAM MENGANALISIS. Informatika Pertanian, Volume 22, p. 3.

Muflihah, I. Z., 2017. 254ANALISIS FINANCIAL DISTRESS PERUSAHAAN MANUFAKTUR DI INDONESIAdengan REGRESI LOGISTIK. Majalah Ekonomi, Volume 22.

Sholikhah, A., 2016. Statistik deskriptif dalam penelitian kualitatif. KOMUNIKA: Jurnal Dakwah Dan Komunikasi, 10(2), pp.342-362.

Tampil Y, Komalig H, Langi Y. (2017). Analisis Regresi Logistik Untuk Menentukan Faktor-Faktor yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa FMIPA Universitas Sam Ratulangi Manado: JdC Vol 6 No 2.

Martias, L. D. (2021). Statistika Deskriptif Sebagai Kumpulan Informasi. FIHRIS: Jurnal Ilmu Perpustakaan dan Informasi, 16(1), 40-59.