1 Persiapan Data
1.1 Load Library
# ββ Manipulasi Data βββββββββββββββββββββββββββββββββββββββββββββββ
library(foreign) # read.dbf
library(dplyr)
library(readxl) # read_excel
library(tidyr)
# ββ Visualisasi βββββββββββββββββββββββββββββββββββββββββββββββββββ
library(highcharter) # interactive charts
library(htmltools) # tagList, HTML
# ββ Pemodelan βββββββββββββββββββββββββββββββββββββββββββββββββββββ
library(ResourceSelection) # Hosmer-Lemeshow
library(lmtest) # lrtest
library(logistf) # Firth logistic regression
library(smotefamily) # SMOTE oversampling
library(pROC) # ROC-AUC
library(survey) # estimasi tertimbang & confidence interval
# ββ Output Tabel ββββββββββββββββββββββββββββββββββββββββββββββββββ
library(knitr)
library(kableExtra)1.2 Load Data Utama (SUSENAS 2023)
Data utama yang digunakan adalah data individu SUSENAS 2023 dalam
format .dbf.
data_susenas <- read.dbf("D:/Altytan Semester 7/Skripsi Rampunggg/Data Pengolahan/46654/Susenas KOR maret 2023/bv2_2026_02_22_08_59_08_ssn202303kor_ind_1.dbf")1.3 Filter Populasi Studi
Populasi studi adalah anak penyandang disabilitas usia 13β15 tahun yang berdomisili di Kawasan Timur Indonesia
Variabel kunci yang dibentuk pada tahap ini:
JUMLAH_JENIS_DISABILITAS: jumlah jenis disabilitas yang dialami anak (dari R1002βR1009).status(Variabel Y): partisipasi sekolah β1= sedang bersekolah,0= tidak bersekolah.
allowed_vals <- c(1, 2, 3, 5, 6, 7)
dataku_filtered <- data_susenas %>%
mutate(
across(R1002:R1009, ~ as.numeric(.x)),
JUMLAH_JENIS_DISABILITAS = rowSums(
across(R1002:R1009, ~ .x %in% allowed_vals),
na.rm = TRUE
),
prov = as.numeric(R101),
kabu = as.numeric(R101) * 100 + as.numeric(R102),
# Y: Partisipasi Sekolah (1 = Bersekolah, 0 = Tidak Bersekolah)
status = ifelse(
R407 >= 13 & R407 <= 15 & JUMLAH_JENIS_DISABILITAS > 0,
ifelse(R610 == 2, 1, 0),
NA_real_
)
) %>%
filter(
R407 >= 13 & R407 <= 15,
JUMLAH_JENIS_DISABILITAS > 0,
as.numeric(R101) %in% c(52:53, 61:65, 71:76, 81:82, 91:97)
)
cat("Jumlah observasi setelah filter:", nrow(dataku_filtered), "\n")Jumlah observasi setelah filter: 306 1.4 Variabel Kepala Rumah Tangga (X4, X5, X6)
Variabel karakteristik kepala rumah tangga (KRT) diekstrak dari baris
dengan R403 == 1 (penanda KRT dalam data).
R403= hubungan dengan kepala rumah tangga (KRT). Kode1menandai baris KRT, kode2menandai pasangan KRT (istri/suami). KombinasiR403denganR405(jenis kelamin) inilah yang dipakai untuk memisahkan pendidikan ayah dan pendidikan ibu.R614= ijazah/pendidikan tertinggi yang ditamatkan. Variabel ini menjadi dasar seluruh varian pendidikan (KRT, ayah, dan ibu).
| Variabel | Deskripsi | Kategori |
|---|---|---|
| X4 | Jenis kelamin KRT | 0 = Perempuan*; 1 = Laki-laki |
| X5 | Pendidikan KRT (biner) | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_3KAT | Pendidikan KRT (3 kategori) | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X5_AYAH | Pendidikan ayah (biner) β role model & kapasitas ekonomi | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_IBU | Pendidikan ibu (biner) β pola asuh | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_AYAH_3KAT | Pendidikan ayah (3 kategori) | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X5_IBU_3KAT | Pendidikan ibu (3 kategori) | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X6 | Pekerjaan KRT | 0 = Tidak bekerja*; 1 = Pertanian; 2 = Nonpertanian |
Cara pembentukan pendidikan ayah & ibu. Diambil dari baris dengan
R403 %in% c(1, 2), yaitu KRT dan pasangannya. Di dalam setiap rumah tangga:
- Ayah = anggota berjenis kelamin laki-laki (
R405 == 1) di antara pasangan {KRT, pasangan KRT} β ijazahnya diambil dariR614.- Ibu = anggota berjenis kelamin perempuan (
R405 == 2) di antara pasangan {KRT, pasangan KRT} β ijazahnya diambil dariR614.
# ==================================================================
# FUNGSI REKODE IJAZAH (R614) β satu sumber kebenaran
# Ubah HANYA di sini bila batas kodebuku R614 Anda berbeda; seluruh
# variabel pendidikan (KRT, ayah, ibu) otomatis ikut menyesuaikan.
# ==================================================================
# Biner : 0 = β€ SMP/Sederajat (ref) ; 1 = Minimal SMA/Sederajat
ijazah_biner <- function(x) {
x <- as.numeric(x)
dplyr::case_when(
x >= 11 & x <= 24 ~ 1L,
x %in% c(0:10, 25) ~ 0L,
TRUE ~ NA_integer_
)
}
# 3 kategori : 0 = SD ke bawah (ref) ; 1 = SMP ; 2 = SMA ke atas
ijazah_3kat <- function(x) {
x <- as.numeric(x)
dplyr::case_when(
x %in% c(0:6) ~ 0L,
x %in% c(7:10, 25) ~ 1L,
x >= 11 & x <= 24 ~ 2L,
TRUE ~ NA_integer_
)
}id_rt <- c("URUT")
# ββ (a) Karakteristik KRT: baris dengan R403 == 1 ββββββββββββββββ
data_krt <- data_susenas %>%
filter(as.numeric(R403) == 1) %>%
mutate(
R405 = as.numeric(R405),
R614 = as.numeric(R614),
R705 = as.numeric(R705),
R706 = as.numeric(R706),
# X4: Jenis Kelamin KRT
X4 = case_when(
R405 == 1 ~ 1L,
R405 == 2 ~ 0L,
TRUE ~ NA_integer_
),
# X5: Tingkat Pendidikan KRT (biner) β dari ijazah R614
X5 = ijazah_biner(R614),
# X5_3KAT: Tingkat Pendidikan KRT (3 kategori) β dari ijazah R614
X5_3KAT = ijazah_3kat(R614),
# X6: Pekerjaan KRT
# 0 = Tidak bekerja; 1 = Pertanian; 2 = Nonpertanian
X6 = case_when(
R706 >= 1 & R706 <= 6 ~ 1L,
R706 >= 7 & R706 <= 26 ~ 2L,
R705 == 5 ~ 0L,
TRUE ~ NA_integer_
)
) %>%
select(all_of(id_rt), X4, X5, X5_3KAT, X6)
# ββ (b) Pendidikan Ayah & Ibu: baris KRT + pasangan (R403 %in% 1:2) ββ
# Ayah = anggota laki-laki (R405 == 1) di antara {KRT, pasangan}
# Ibu = anggota perempuan (R405 == 2) di antara {KRT, pasangan}
data_ortu <- data_susenas %>%
filter(as.numeric(R403) %in% c(1, 2)) %>%
mutate(
R405 = as.numeric(R405),
R614 = as.numeric(R614),
peran = case_when(
R405 == 1 ~ "AYAH",
R405 == 2 ~ "IBU",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(peran)) %>%
select(all_of(id_rt), peran, R614) %>%
# Jaga-jaga bila ada >1 baris untuk peran yang sama dalam satu ruta
group_by(across(all_of(id_rt)), peran) %>%
slice(1) %>%
ungroup() %>%
tidyr::pivot_wider(names_from = peran, values_from = R614, names_prefix = "R614_")
# Pastikan kedua kolom selalu ada (menghindari error bila salah satu peran kosong)
if (!"R614_AYAH" %in% names(data_ortu)) data_ortu$R614_AYAH <- NA_real_
if (!"R614_IBU" %in% names(data_ortu)) data_ortu$R614_IBU <- NA_real_
data_ortu <- data_ortu %>%
mutate(
X5_AYAH = ijazah_biner(R614_AYAH),
X5_IBU = ijazah_biner(R614_IBU),
X5_AYAH_3KAT = ijazah_3kat(R614_AYAH),
X5_IBU_3KAT = ijazah_3kat(R614_IBU)
) %>%
select(all_of(id_rt), X5_AYAH, X5_IBU, X5_AYAH_3KAT, X5_IBU_3KAT)
# ββ (c) Gabung: satu tabel karakteristik level rumah tangga ββββββ
data_krt <- data_krt %>% left_join(data_ortu, by = id_rt)
cat("Rumah tangga dengan pendidikan ayah tersedia :",
sum(!is.na(data_krt$X5_AYAH)), "\n")Rumah tangga dengan pendidikan ayah tersedia : 290671 Rumah tangga dengan pendidikan ibu tersedia : 317304 cat("Rumah tangga dengan ayah DAN ibu tersedia :",
sum(!is.na(data_krt$X5_AYAH) & !is.na(data_krt$X5_IBU)), "\n")Rumah tangga dengan ayah DAN ibu tersedia : 266173 1.5 Variabel Kemiskinan Rumah Tangga (X9)
Data pengeluaran per kapita (KAPITA) dari data KP Blok
4.3 digabung dengan Garis Kemiskinan (GK) provinsi/daerah untuk
membentuk variabel status kemiskinan.
files_43 <- c(
"D:/Altytan Semester 7/Skripsi Rampunggg/Data Pengolahan/46654/Susenas KP Maret 2023/bv2_2026_02_22_08_55_02_ssn202303kp_blok43_51_94.dbf",
"D:/Altytan Semester 7/Skripsi Rampunggg/Data Pengolahan/46654/Susenas KP Maret 2023/bv2_2026_02_22_08_49_01_ssn202303kp_blok43_11_31.dbf",
"D:/Altytan Semester 7/Skripsi Rampunggg/Data Pengolahan/46654/Susenas KP Maret 2023/bv2_2026_02_22_08_52_06_ssn202303kp_blok43_32_36.dbf"
)
data_kp_43 <- bind_rows(lapply(files_43, read.dbf, as.is = TRUE)) %>%
mutate(
R101 = as.numeric(R101),
R102 = as.numeric(R102),
URUT = as.numeric(URUT)
)
GK <- read_excel(
"D:/Altytan Semester 7/Skripsi Rampunggg/Data Pengolahan/Garis Kemiskinan (Rupiah_Kapita_Bulan) Menurut Provinsi dan Daerah , 2023.xlsx",
sheet = "Sheet2"
) %>%
mutate(R101 = as.numeric(R101))
data_kp_x9 <- data_kp_43 %>%
left_join(GK, by = c("R101" = "R101", "R105" = "R105")) %>%
mutate(
# X9: Status Kemiskinan RT (0 = Miskin/ref; 1 = Tidak Miskin)
X9 = if_else(KAPITA < GK, 0L, 1L, missing = NA_integer_)
) %>%
select(all_of(id_rt), X9)1.6 Penggabungan & Pembuatan Variabel
Semua variabel level individu dibentuk dan digabung menjadi satu
dataset analisis (dataku_final).
| Variabel | Deskripsi | Kategori |
|---|---|---|
| Y | Partisipasi sekolah anak | 1 = Bersekolah; 0 = Tidak |
| X1 | Jenis kelamin anak | 0 = Perempuan*; 1 = Laki-laki |
| X2 | Jenis disabilitas | 0 = Ganda (β₯2)*; 1 = Tunggal |
| X3 | Tingkat kesulitan disabilitas | 0 = Sangat kesulitan*; 1 = Kesulitan; 2 = Sedikit |
| X4 | Jenis kelamin KRT | 0 = Perempuan*; 1 = Laki-laki |
| X5 | Pendidikan KRT (biner) | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_3KAT | Pendidikan KRT (3 kategori) | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X5_AYAH | Pendidikan ayah (biner) | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_IBU | Pendidikan ibu (biner) | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_AYAH_3KAT | Pendidikan ayah (3 kategori) | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X5_IBU_3KAT | Pendidikan ibu (3 kategori) | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X6 | Pekerjaan KRT | 0 = Tidak bekerja*; 1 = Pertanian; 2 = Nonpertanian |
| X7 | Daerah tempat tinggal | 0 = Perdesaan*; 1 = Perkotaan |
| X8 | Kepemilikan KIP/PIP | 0 = Tidak memiliki*; 1 = Memiliki |
| X9 | Status kemiskinan RT | 0 = Miskin*; 1 = Tidak miskin |
dataku_final <- dataku_filtered %>%
mutate(
across(R1002:R1009, ~ as.numeric(.x)),
R105 = as.numeric(R105),
R405 = as.numeric(R405),
R615 = as.numeric(R615),
R616 = as.numeric(R616),
# Y: Partisipasi Sekolah
Y = as.integer(status),
# X1: Jenis Kelamin Anak
X1 = case_when(
R405 == 1 ~ 1L,
R405 == 2 ~ 0L,
TRUE ~ NA_integer_
),
# X2: Jenis Disabilitas (0 = Ganda/ref; 1 = Tunggal)
X2 = case_when(
JUMLAH_JENIS_DISABILITAS > 1 ~ 0L,
JUMLAH_JENIS_DISABILITAS == 1 ~ 1L,
TRUE ~ NA_integer_
),
# X3: Tingkat Kesulitan Disabilitas (prioritas terberat)
X3 = case_when(
rowSums(across(R1002:R1009, ~ .x %in% c(1, 5)), na.rm = TRUE) > 0 ~ 0L,
rowSums(across(R1002:R1009, ~ .x %in% c(2, 6)), na.rm = TRUE) > 0 ~ 1L,
rowSums(across(R1002:R1009, ~ .x %in% c(3, 7)), na.rm = TRUE) > 0 ~ 2L,
TRUE ~ NA_integer_
),
# X7: Daerah Tempat Tinggal
X7 = case_when(
R105 == 1 ~ 1L,
R105 == 2 ~ 0L,
TRUE ~ NA_integer_
),
# X8: Kepemilikan KIP/PIP
X8 = if_else(
R615 %in% c(1, 2) | R616 %in% c(1, 2),
1L, 0L
)
) %>%
left_join(data_krt, by = id_rt) %>%
left_join(data_kp_x9, by = id_rt) %>%
select(prov, kabu, Y, X1, X2, X3, X4, X5, X5_3KAT,
X5_AYAH, X5_IBU, X5_AYAH_3KAT, X5_IBU_3KAT,
X6, X7, X8, X9)1.7 Encoding Variabel Kategorik (Factor)
dataku_final <- dataku_final %>%
mutate(
Y = factor(Y, levels = c(0, 1), labels = c("Tidak bersekolah", "Bersekolah")),
X1 = factor(X1, levels = c(0, 1), labels = c("Perempuan", "Laki-laki")),
X2 = factor(X2, levels = c(0, 1), labels = c("Disabilitas ganda", "Disabilitas tunggal")),
X3 = factor(X3, levels = c(0, 1, 2), labels = c("Sangat kesulitan", "Kesulitan", "Sedikit kesulitan")),
X4 = factor(X4, levels = c(0, 1), labels = c("Perempuan", "Laki-laki")),
X5 = factor(X5, levels = c(0, 1), labels = c("β€ SMP", "β₯ SMA")),
X5_3KAT = factor(X5_3KAT, levels = c(0, 1, 2), labels = c("SD ke bawah", "SMP", "SMA ke atas")),
X5_AYAH = factor(X5_AYAH, levels = c(0, 1), labels = c("β€ SMP", "β₯ SMA")),
X5_IBU = factor(X5_IBU, levels = c(0, 1), labels = c("β€ SMP", "β₯ SMA")),
X5_AYAH_3KAT = factor(X5_AYAH_3KAT, levels = c(0, 1, 2), labels = c("SD ke bawah", "SMP", "SMA ke atas")),
X5_IBU_3KAT = factor(X5_IBU_3KAT, levels = c(0, 1, 2), labels = c("SD ke bawah", "SMP", "SMA ke atas")),
X6 = factor(X6, levels = c(0, 1, 2), labels = c("Tidak bekerja", "Pertanian", "Nonpertanian")),
X7 = factor(X7, levels = c(0, 1), labels = c("Perdesaan", "Perkotaan")),
X8 = factor(X8, levels = c(0, 1), labels = c("Tidak memiliki", "Memiliki")),
X9 = factor(X9, levels = c(0, 1), labels = c("Miskin", "Tidak miskin"))
)1.8 Subset Bagian B: KRT Laki-laki
Sebagai skenario tambahan (Bagian B), model dijalankan khusus pada subset rumah tangga dengan KRT laki-laki, sedangkan gambaran KRT perempuan tetap ditampilkan secara deskriptif pada Bagian A.
dataku_laki <- dataku_final %>% filter(X4 == "Laki-laki")
# Versi "pra-final" (masih menyimpan JUMLAH_JENIS_DISABILITAS) khusus KRT laki-laki,
# dipakai oleh chunk distribusi jumlah jenis disabilitas pada Bagian B.
dataku_filtered_laki <- dataku_filtered %>%
left_join(data_krt %>% select(all_of(id_rt), X4), by = id_rt) %>%
filter(X4 == 1)
cat("Jumlah observasi Bagian A (seluruh KRT) :", nrow(dataku_final), "\n")Jumlah observasi Bagian A (seluruh KRT) : 306 Jumlah observasi Bagian B (KRT laki-laki) : 268 cat("Proporsi KRT laki-laki dari total :",
round(nrow(dataku_laki) / nrow(dataku_final) * 100, 2), "%\n")Proporsi KRT laki-laki dari total : 87.58 %1.9 Referensi Variabel
data.frame(
Kode = c("Y", "X1", "X2", "X3", "X4", "X5", "X5_3KAT",
"X5_AYAH", "X5_IBU", "X5_AYAH_3KAT", "X5_IBU_3KAT",
"X6", "X7", "X8", "X9"),
Nama = c(
"Partisipasi Sekolah",
"Jenis Kelamin Anak",
"Jenis Disabilitas",
"Tingkat Kesulitan Disabilitas",
"Jenis Kelamin KRT",
"Pendidikan KRT (biner)",
"Pendidikan KRT (3 kategori)",
"Pendidikan Ayah (biner)",
"Pendidikan Ibu (biner)",
"Pendidikan Ayah (3 kategori)",
"Pendidikan Ibu (3 kategori)",
"Pekerjaan KRT",
"Daerah Tempat Tinggal",
"Kepemilikan KIP/PIP",
"Status Kemiskinan RT"
),
Sumber = c(
"R610",
"R405", "R1002βR1009", "R1002βR1009",
"R403 == 1 & R405",
"R403 == 1 & R614", "R403 == 1 & R614",
"R403 %in% 1:2, R405 == 1, R614",
"R403 %in% 1:2, R405 == 2, R614",
"R403 %in% 1:2, R405 == 1, R614",
"R403 %in% 1:2, R405 == 2, R614",
"R403 == 1 & R705/R706",
"R105", "R615/R616", "KAPITA vs GK"
),
Kategori = c(
"Dependen",
rep("Karakteristik Anak", 3),
rep("Karakteristik KRT/Orang Tua", 8),
rep("Sosial-Ekonomi RT", 3)
),
Koding = c(
"1 = Bersekolah; 0 = Tidak bersekolah",
"0 = Perempuan*; 1 = Laki-laki",
"0 = Disabilitas ganda*; 1 = Disabilitas tunggal",
"0 = Sangat kesulitan*; 1 = Kesulitan; 2 = Sedikit kesulitan",
"0 = Perempuan*; 1 = Laki-laki",
"0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat",
"0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas",
"0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat",
"0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat",
"0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas",
"0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas",
"0 = Tidak bekerja*; 1 = Pertanian; 2 = Nonpertanian",
"0 = Perdesaan*; 1 = Perkotaan",
"0 = Tidak memiliki*; 1 = Memiliki",
"0 = Miskin*; 1 = Tidak miskin"
),
check.names = FALSE
) %>%
kable(caption = "Referensi Variabel Penelitian (Y, X1βX9, dan seluruh varian pendidikan)") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = TRUE) %>%
column_spec(1, bold = TRUE, width = "7em") %>%
column_spec(4, italic = TRUE) %>%
row_spec(1, background = "#fff3e0") %>%
row_spec(6:11, background = "#f1f8e9") %>%
footnote(
general = paste(
"* = kategori referensi.",
"X5, X5_3KAT, (X5_AYAH + X5_IBU), dan (X5_AYAH_3KAT + X5_IBU_3KAT) adalah EMPAT varian pengukuran pendidikan orang tua/KRT.",
"Keempatnya dipakai BERGANTIAN (bukan bersamaan) dalam model, sehingga menghasilkan 4 varian model per skenario."
),
general_title = "Keterangan: ",
footnote_as_chunk = TRUE,
escape = FALSE
)| Kode | Nama | Sumber | Kategori | Koding |
|---|---|---|---|---|
| Y | Partisipasi Sekolah | R610 | Dependen | 1 = Bersekolah; 0 = Tidak bersekolah |
| X1 | Jenis Kelamin Anak | R405 | Karakteristik Anak | 0 = Perempuan*; 1 = Laki-laki |
| X2 | Jenis Disabilitas | R1002βR1009 | Karakteristik Anak | 0 = Disabilitas ganda*; 1 = Disabilitas tunggal |
| X3 | Tingkat Kesulitan Disabilitas | R1002βR1009 | Karakteristik Anak | 0 = Sangat kesulitan*; 1 = Kesulitan; 2 = Sedikit kesulitan |
| X4 | Jenis Kelamin KRT | R403 == 1 & R405 | Karakteristik KRT/Orang Tua | 0 = Perempuan*; 1 = Laki-laki |
| X5 | Pendidikan KRT (biner) | R403 == 1 & R614 | Karakteristik KRT/Orang Tua | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_3KAT | Pendidikan KRT (3 kategori) | R403 == 1 & R614 | Karakteristik KRT/Orang Tua | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X5_AYAH | Pendidikan Ayah (biner) | R403 %in% 1:2, R405 == 1, R614 | Karakteristik KRT/Orang Tua | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_IBU | Pendidikan Ibu (biner) | R403 %in% 1:2, R405 == 2, R614 | Karakteristik KRT/Orang Tua | 0 = β€ SMP/Sederajat*; 1 = Minimal SMA/Sederajat |
| X5_AYAH_3KAT | Pendidikan Ayah (3 kategori) | R403 %in% 1:2, R405 == 1, R614 | Karakteristik KRT/Orang Tua | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X5_IBU_3KAT | Pendidikan Ibu (3 kategori) | R403 %in% 1:2, R405 == 2, R614 | Karakteristik KRT/Orang Tua | 0 = SD ke bawah*; 1 = SMP; 2 = SMA ke atas |
| X6 | Pekerjaan KRT | R403 == 1 & R705/R706 | Karakteristik KRT/Orang Tua | 0 = Tidak bekerja*; 1 = Pertanian; 2 = Nonpertanian |
| X7 | Daerah Tempat Tinggal | R105 | Sosial-Ekonomi RT | 0 = Perdesaan*; 1 = Perkotaan |
| X8 | Kepemilikan KIP/PIP | R615/R616 | Sosial-Ekonomi RT | 0 = Tidak memiliki*; 1 = Memiliki |
| X9 | Status Kemiskinan RT | KAPITA vs GK | Sosial-Ekonomi RT | 0 = Miskin*; 1 = Tidak miskin |
| Keterangan: * = kategori referensi. X5, X5_3KAT, (X5_AYAH + X5_IBU), dan (X5_AYAH_3KAT + X5_IBU_3KAT) adalah EMPAT varian pengukuran pendidikan orang tua/KRT. Keempatnya dipakai BERGANTIAN (bukan bersamaan) dalam model, sehingga menghasilkan 4 varian model per skenario. |
2 Fungsi Pembantu (Global)
Seluruh fungsi berikut bersifat generik (menerima parameter
datadan/atauscenario_label) sehingga dapat dipanggil ulang untuk Bagian A maupun Bagian B tanpa duplikasi kode.
3 Estimasi Langsung Indikator β Setup Global
Data domain indikator dan desain survei SUSENAS dibangun satu kali di sini. Bagian A memakai desain ini secara langsung, sedangkan Bagian B memakai
subset()atas desain yang sama (bukan membangun desain baru) agar galat baku (SE) tetap valid secara desain survei.
allowed_vals_ind <- c(1, 2, 3, 5, 6, 7)
# ββ Bentuk data indikator dari data_susenas mentah, + gabungkan X4 (gender KRT) ββ
indicator_disab <- data_susenas %>%
mutate(
across(R1002:R1009, ~ as.numeric(.x)),
R101 = as.numeric(R101),
R102 = as.numeric(R102),
R105 = as.numeric(R105),
R407 = as.numeric(R407),
R610 = as.numeric(R610),
FWT = as.numeric(FWT),
URUT = as.numeric(URUT),
JUMLAH_DISAB = rowSums(
across(R1002:R1009, ~ .x %in% allowed_vals_ind),
na.rm = TRUE
),
STRATA_IND = paste0(sprintf("%02d", R101), R105),
jml_pddk = 100,
pa = ifelse(R610 == 2, 100, 0)
) %>%
filter(
R407 >= 13 & R407 <= 15,
JUMLAH_DISAB > 0,
R101 %in% c(52:53, 61:65, 71:76, 81:82, 91:97)
) %>%
left_join(data_krt %>% mutate(URUT = as.numeric(URUT)) %>% select(URUT, X4),
by = "URUT") # X4 KRT ditempel untuk keperluan subset Bagian B
cat("Jumlah observasi domain indikator (Bagian A, seluruh KRT):", nrow(indicator_disab), "\n")Jumlah observasi domain indikator (Bagian A, seluruh KRT): 306 options(survey.adjust.domain.lonely = TRUE)
options(survey.lonely.psu = "adjust")
susenas_ind_design <- svydesign(
id = ~PSU + SSU,
strata = ~STRATA_IND,
data = indicator_disab,
weights = ~FWT,
nest = TRUE
)
summary(susenas_ind_design$prob) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000793 0.007535 0.015225 0.034500 0.032886 0.316958 # ==================================================================
# DESAIN SURVEI UNTUK ESTIMASI TERTIMBANG VARIABEL Y
# Dibangun SEKALI; Bagian B memakai subset() atas desain yang sama.
# ==================================================================
options(survey.adjust.domain.lonely = TRUE)
options(survey.lonely.psu = "adjust")
y_design_data <- dataku_filtered %>%
mutate(
R101 = as.numeric(R101),
R105 = as.numeric(R105),
FWT = as.numeric(FWT),
URUT = as.numeric(URUT),
status = as.numeric(status),
STRATA_Y = paste0(sprintf("%02d", R101), R105)
) %>%
left_join(data_krt %>% mutate(URUT = as.numeric(URUT)) %>% select(URUT, X4),
by = "URUT") %>%
filter(!is.na(status), !is.na(FWT), FWT > 0,
!is.na(PSU), !is.na(SSU), !is.na(STRATA_Y))
desain_y_kti <- svydesign(
id = ~PSU + SSU,
strata = ~STRATA_Y,
weights = ~FWT,
data = y_design_data,
nest = TRUE
)
# Bagian B = subset desain (BUKAN svydesign baru) agar SE tetap valid
desain_y_kti_B <- subset(desain_y_kti, X4 == 1)
cat("n desain Y (Bagian A, seluruh KRT) :", nrow(y_design_data), "\n")n desain Y (Bagian A, seluruh KRT) : 306 n desain Y (Bagian B, KRT laki-laki) : 268 # ββ V6-4. Tabel estimasi tertimbang % partisipasi sekolah + CI 95% ββ
# Menjawab arahan pembimbing: apakah statistik sampel masuk ke
# dalam selang CI estimasi tertimbang (kontrol statistik akurat)?
estimasi_y_tertimbang <- function(design, status_sampel, scenario_label) {
tryCatch({
est_y <- svymean(~status, design, na.rm = TRUE)
ci_y <- confint(est_y, level = 0.95)
est_pct <- as.numeric(coef(est_y)) * 100
se_pct <- as.numeric(SE(est_y)) * 100
ci_low <- max(0, as.numeric(ci_y[1, 1]) * 100)
ci_up <- min(100, as.numeric(ci_y[1, 2]) * 100)
pct_sampel <- mean(status_sampel == 1, na.rm = TRUE) * 100
data.frame(
Wilayah = paste0("Kawasan Timur Indonesia \u2014 ", scenario_label),
`Persentase sampel (%)` = round(pct_sampel, 2),
`Estimasi tertimbang (%)` = round(est_pct, 2),
SE = round(se_pct, 2),
`CI 95% bawah` = round(ci_low, 2),
`CI 95% atas` = round(ci_up, 2),
`RSE (%)` = round(se_pct / est_pct * 100, 2),
`Persentase sampel masuk CI?` = ifelse(pct_sampel >= ci_low & pct_sampel <= ci_up,
"Ya", "Tidak"),
check.names = FALSE
)
}, error = function(e) e)
}
tampil_y_tertimbang <- function(est_df, scenario_label) {
if (inherits(est_df, "error")) {
return(HTML(paste0("<p><em>Estimasi tertimbang variabel Y tidak dapat dihitung: ",
est_df$message, "</em></p>")))
}
kable(est_df,
caption = paste0("Estimasi Tertimbang Persentase Partisipasi Sekolah Anak ",
"Penyandang Disabilitas Usia 13\u201315 Tahun di KTI \u2014 ", scenario_label)) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE) %>%
column_spec(3, bold = TRUE, color = "#1565c0") %>%
column_spec(8, bold = TRUE,
color = ifelse(est_df$`Persentase sampel masuk CI?`[1] == "Ya",
"darkgreen", "red"))
}
# ββ V6-5. Pie chart Y versi estimasi tertimbang ββββββββββββββββββ
pie_y_tertimbang <- function(est_df, scenario_label) {
if (inherits(est_df, "error")) return(NULL)
est_bersekolah <- as.numeric(est_df$`Estimasi tertimbang (%)`[1])
pd_y_weighted <- data.frame(
name = c("Tidak Bersekolah", "Bersekolah"),
y = c(round(100 - est_bersekolah, 2), round(est_bersekolah, 2))
)
highchart() %>%
hc_chart(type = "pie", backgroundColor = "transparent",
height = PIE_CHART_HEIGHT, style = list(fontFamily = "inherit")) %>%
hc_title(text = paste0("Distribusi Partisipasi Sekolah (Estimasi Tertimbang) \u2014 ", scenario_label),
style = list(fontSize = "15px", fontWeight = "700", color = "#333")) %>%
hc_subtitle(text = "Anak Penyandang Disabilitas Usia 13\u201315 Tahun di KTI (SUSENAS 2023)",
style = list(fontSize = "12px", color = "#666")) %>%
hc_series(list(name = "Persentase", colorByPoint = TRUE,
data = list_parse(pd_y_weighted))) %>%
hc_colors(c(COL_TIDAK, COL_SEKOLAH)) %>%
hc_plotOptions(pie = list(
size = PIE_SIZE, center = PIE_CENTER,
allowPointSelect = TRUE, cursor = "pointer",
dataLabels = list(enabled = TRUE,
format = "<b>{point.name}</b><br>{point.y:.2f}%",
style = list(fontSize = "13px", textOutline = "none")),
showInLegend = TRUE
)) %>%
hc_tooltip(pointFormat = "<b>{point.name}</b>: {point.y:.2f}%") %>%
hc_exporting(enabled = TRUE,
filename = paste0("distribusi_y_tertimbang_", gsub("[^A-Za-z0-9]", "_", scenario_label)),
sourceWidth = 800, sourceHeight = 500,
buttons = list(contextButton = list(
menuItems = c("downloadPNG","downloadSVG","downloadPDF"),
text = "Unduh HD")))
}prov_label_ind <- data.frame(
R101 = c(
11, 12, 13, 14, 15, 16, 17, 18, 19, 21,
31, 32, 33, 34, 35, 36,
51, 52, 53,
61, 62, 63, 64, 65,
71, 72, 73, 74, 75, 76,
81, 82,
91, 92, 93, 94, 95, 96
),
Nama_Prov = c(
"Aceh", "Sumatera Utara", "Sumatera Barat", "Riau", "Jambi",
"Sumatera Selatan", "Bengkulu", "Lampung", "Kepulauan Bangka Belitung", "Kepulauan Riau",
"DKI Jakarta", "Jawa Barat", "Jawa Tengah", "DI Yogyakarta", "Jawa Timur",
"Banten",
"Bali", "Nusa Tenggara Barat", "Nusa Tenggara Timur",
"Kalimantan Barat", "Kalimantan Tengah", "Kalimantan Selatan", "Kalimantan Timur", "Kalimantan Utara",
"Sulawesi Utara", "Sulawesi Tengah", "Sulawesi Selatan", "Sulawesi Tenggara", "Gorontalo",
"Sulawesi Barat",
"Maluku", "Maluku Utara",
"Papua Barat", "Papua Selatan", "Papua Tengah", "Papua", "Papua Pegunungan", "Papua Barat Daya"
),
Wilayah = c(
rep("Sumatera", 10),
rep("Jawa", 6),
"Bali", rep("Nusa Tenggara", 2),
rep("Kalimantan", 5),
rep("Sulawesi", 6),
rep("Maluku", 2),
rep("Papua", 6)
)
)# ββ Fungsi Estimasi Langsung per Provinsi (dipakai utk Bagian A & B) ββ
estimasi_provinsi_html <- function(design, scenario_label) {
resultP <- svyby(
formula = ~pa, denom = ~jml_pddk, by = ~R101, design = design,
deff = TRUE, svyratio, vartype = c("se", "ci", "cv", "cvpct", "var")
)
resultP[is.na(resultP)] <- 0
resultP <- resultP %>%
mutate(
theta = round(`pa/jml_pddk` * 100, 2),
SE = round(`se.pa/jml_pddk` * 100, 2),
VAR = round(SE^2, 2),
CI_LOWER = round(ci_l * 100, 2),
CI_UPPER = round(ci_u * 100, 2),
RSE = round(`cv%`, 2),
DEFF = round(DEff, 2)
)
resultP$CI_LOWER[resultP$CI_LOWER < 0] <- 0
outputP <- resultP %>%
select(R101, theta, SE, VAR, CI_LOWER, CI_UPPER, RSE, DEFF) %>%
rename(Prov = R101, Estimasi = theta) %>%
left_join(prov_label_ind, by = c("Prov" = "R101")) %>%
# Jaring pengaman: kode provinsi yang belum ada di tabel label tidak hilang
mutate(
Nama_Prov = ifelse(is.na(Nama_Prov), paste0("Kode ", Prov), Nama_Prov),
Wilayah = ifelse(is.na(Wilayah), "Lainnya", Wilayah)
) %>%
arrange(Prov)
print(
kable(
outputP[, c("Nama_Prov", "Wilayah", "Estimasi", "SE", "CI_LOWER", "CI_UPPER", "RSE", "DEFF")],
caption = paste0("Estimasi Langsung: % Bersekolah per Provinsi \u2014 ", scenario_label),
col.names = c("Provinsi", "Wilayah", "Estimasi (%)", "SE", "CI Lower", "CI Upper", "RSE (%)", "DEFF"),
digits = 2
) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = TRUE) %>%
column_spec(3, bold = TRUE, color = "#1565c0") %>%
column_spec(7, color = ifelse(outputP$RSE > 25, "red", "darkgreen"),
bold = ifelse(outputP$RSE > 25, TRUE, FALSE)) %>%
row_spec(which(outputP$RSE > 25), background = "#fff3e0")
)
invisible(outputP)
}# ββ Fungsi Visualisasi Estimasi & RSE (per provinsi + per pulau) β dipakai utk Bagian A & B ββ
estimasi_visualisasi_html <- function(outputP, scenario_label) {
plot_data <- outputP %>%
select(Nama_Prov, Wilayah, Estimasi, RSE, CI_LOWER, CI_UPPER) %>%
mutate(Nama_Prov = as.character(Nama_Prov)) %>%
arrange(desc(Estimasi))
warna_wilayah <- c(
"Nusa Tenggara" = "#1976D2","Kalimantan" = "yellow", "Sulawesi" = "#E64A19",
"Maluku" = "#388E3C", "Papua" = "#7B1FA2", "Lainnya" = "#9E9E9E"
)
warna_of <- function(w) { z <- unname(warna_wilayah[w]); ifelse(is.na(z), "#9E9E9E", z) }
hc_est <- highchart() %>%
hc_chart(type = "column", backgroundColor = "transparent") %>%
hc_title(text = paste0("Estimasi Angka Sekolah (95% CI) \u2014 ", scenario_label)) %>%
hc_xAxis(categories = plot_data$Nama_Prov,
labels = list(rotation = -45, style = list(fontSize = "11px")), gridLineWidth = 0) %>%
hc_yAxis(title = list(text = "Persentase (%)"), labels = list(format = "{value}%"),
gridLineWidth = 0.5, gridLineDashStyle = "Dot") %>%
hc_plotOptions(column = list(borderWidth = 0,
dataLabels = list(enabled = TRUE, format = "{y:.1f}%",
style = list(fontSize = "10px", fontWeight = "bold", textOutline = "none")))) %>%
hc_add_series(name = "Estimasi (%)", type = "column",
data = lapply(seq_len(nrow(plot_data)), function(i)
list(y = round(plot_data$Estimasi[i], 2), color = warna_of(plot_data$Wilayah[i])))) %>%
hc_add_series(name = "95% CI", type = "errorbar",
data = lapply(seq_len(nrow(plot_data)), function(i)
list(low = round(plot_data$CI_LOWER[i], 2), high = round(plot_data$CI_UPPER[i], 2))),
color = "#424242", stemWidth = 1.5, whiskerLength = "60%") %>%
hc_legend(enabled = FALSE) %>% hc_tooltip(shared = TRUE, crosshairs = TRUE) %>%
hc_exporting(enabled = TRUE, filename = paste0("estimasi_provinsi_", scenario_label))
rse_sorted <- plot_data %>% arrange(desc(RSE))
hc_rse <- highchart() %>%
hc_chart(type = "column", backgroundColor = "transparent") %>%
hc_title(text = paste0("RSE \u2014 Batas Reliabilitas 25% (", scenario_label, ")")) %>%
hc_xAxis(categories = rse_sorted$Nama_Prov,
labels = list(rotation = -45, style = list(fontSize = "11px")), gridLineWidth = 0) %>%
hc_yAxis(title = list(text = "RSE (%)"), labels = list(format = "{value}%"),
gridLineWidth = 0.5, gridLineDashStyle = "Dot",
plotLines = list(list(value = 25, color = "#C62828", dashStyle = "Dash", width = 2,
label = list(text = "Batas RSE 25%", style = list(color = "#C62828", fontWeight = "bold"))))) %>%
hc_plotOptions(column = list(borderWidth = 0,
dataLabels = list(enabled = TRUE, format = "{y:.1f}%",
style = list(fontSize = "10px", fontWeight = "bold", textOutline = "none")))) %>%
hc_add_series(name = "RSE (%)", type = "column",
data = lapply(seq_len(nrow(rse_sorted)), function(i)
list(y = round(rse_sorted$RSE[i], 2),
color = ifelse(rse_sorted$RSE[i] > 25, "#EF5350", "#66BB6A")))) %>%
hc_legend(enabled = FALSE) %>%
hc_tooltip(pointFormat = "<b>{point.category}</b><br>RSE: {point.y:.2f}%") %>%
hc_exporting(enabled = TRUE, filename = paste0("rse_provinsi_", scenario_label))
# ββ Agregasi per pulau ββ
pulau_data <- aggregate(cbind(Estimasi, VAR) ~ Wilayah, data = outputP, FUN = mean)
pulau_data$SE <- sqrt(pulau_data$VAR)
pulau_data$CI_LOWER <- pulau_data$Estimasi - (1.96 * pulau_data$SE)
pulau_data$CI_UPPER <- pulau_data$Estimasi + (1.96 * pulau_data$SE)
pulau_data$RSE <- (pulau_data$SE / pulau_data$Estimasi) * 100
pulau_data <- pulau_data[order(-pulau_data$Estimasi), ]
warna_pulau <- c("#1976D2","#E64A19","#388E3C","#0097A7",
"#7B1FA2","#FBC02D","#E91E63")[seq_len(nrow(pulau_data))]
hc_pul_est <- highchart() %>%
hc_chart(type = "column", backgroundColor = "transparent") %>%
hc_title(text = paste0("Estimasi Angka Sekolah per Wilayah KTI \u2014 ", scenario_label)) %>%
hc_xAxis(categories = pulau_data$Wilayah, gridLineWidth = 0) %>%
hc_yAxis(title = list(text = "Estimasi (%)"), labels = list(format = "{value}%"),
gridLineWidth = 0.5, gridLineDashStyle = "Dot") %>%
hc_plotOptions(column = list(borderWidth = 0,
dataLabels = list(enabled = TRUE, format = "{y:.1f}%",
style = list(fontWeight = "bold", textOutline = "none")))) %>%
hc_add_series(name = "Estimasi", type = "column",
data = lapply(seq_len(nrow(pulau_data)), function(i)
list(y = round(pulau_data$Estimasi[i], 2), color = warna_pulau[i]))) %>%
hc_add_series(name = "95% CI", type = "errorbar",
data = lapply(seq_len(nrow(pulau_data)), function(i)
list(low = max(0, round(pulau_data$CI_LOWER[i], 2)), high = round(pulau_data$CI_UPPER[i], 2))),
color = "#424242", stemWidth = 1.5, whiskerLength = "60%") %>%
hc_legend(enabled = FALSE) %>% hc_tooltip(shared = TRUE) %>%
hc_exporting(enabled = TRUE, filename = paste0("estimasi_wilayah_kti_", scenario_label))
hc_pul_rse <- highchart() %>%
hc_chart(type = "column", backgroundColor = "transparent") %>%
hc_title(text = paste0("Reliabilitas Data (RSE) per Wilayah KTI \u2014 ", scenario_label)) %>%
hc_xAxis(categories = pulau_data$Wilayah, gridLineWidth = 0) %>%
hc_yAxis(title = list(text = "RSE (%)"), labels = list(format = "{value}%"),
gridLineWidth = 0.5, gridLineDashStyle = "Dot",
plotLines = list(list(value = 25, color = "#C62828", dashStyle = "Dash", width = 2,
label = list(text = "Batas RSE 25%", style = list(color = "#C62828", fontWeight = "bold"))))) %>%
hc_plotOptions(column = list(borderWidth = 0,
dataLabels = list(enabled = TRUE, format = "{y:.1f}%",
style = list(fontWeight = "bold", textOutline = "none")))) %>%
hc_add_series(name = "RSE (%)", type = "column",
data = lapply(seq_len(nrow(pulau_data)), function(i)
list(y = round(pulau_data$RSE[i], 2),
color = ifelse(pulau_data$RSE[i] > 25, "#EF5350", "#66BB6A")))) %>%
hc_legend(enabled = FALSE) %>%
hc_tooltip(pointFormat = "<b>{point.category}</b><br>RSE: {point.y:.2f}%") %>%
hc_exporting(enabled = TRUE, filename = paste0("rse_wilayah_kti_", scenario_label))
tagList(
HTML(paste0("<p style='font-weight:600;color:#1565c0;'>📈 Estimasi per Provinsi \u2014 ", scenario_label, "</p>")),
hc_est,
HTML("<p style='font-weight:600;color:#c62828;margin-top:20px;'>⚠️ RSE per Provinsi</p>"),
hc_rse,
HTML(paste0("<p style='font-weight:600;color:#1565c0;margin-top:24px;'>📈 Estimasi per Wilayah KTI \u2014 ", scenario_label, "</p>")),
hc_pul_est,
HTML("<p style='font-weight:600;color:#c62828;margin-top:20px;'>⚠️ RSE per Wilayah KTI</p>"),
hc_pul_rse
)
}4 Bagian A β Data Awal (Seluruh KRT)
Skenario ini memakai
dataku_final(n = 306), seluruh observasi anak penyandang disabilitas 13β15 tahun di KTI tanpa membedakan jenis kelamin KRT.
4.1 Ukuran & Struktur Dataset
Jumlah observasi : 306 Jumlah variabel : 17 Rows: 306
Columns: 17
$ prov <dbl> 74, 65, 53, 74, 71, 62, 64, 64, 53, 53, 63, 63, 63, 52, 8β¦
$ kabu <dbl> 7411, 6571, 5302, 7414, 7106, 6201, 6409, 6403, 5313, 530β¦
$ Y <fct> Bersekolah, Bersekolah, Bersekolah, Bersekolah, Bersekolaβ¦
$ X1 <fct> Perempuan, Laki-laki, Laki-laki, Laki-laki, Perempuan, Peβ¦
$ X2 <fct> Disabilitas ganda, Disabilitas ganda, Disabilitas ganda, β¦
$ X3 <fct> Sedikit kesulitan, Sangat kesulitan, Sedikit kesulitan, Sβ¦
$ X4 <fct> Perempuan, Laki-laki, Laki-laki, Laki-laki, Laki-laki, Laβ¦
$ X5 <fct> β€ SMP, β€ SMP, β€ SMP, β€ SMP, β₯ SMA, β€ SMP, β₯ SMA, β€ SMP, β€β¦
$ X5_3KAT <fct> SMP, SMP, SD ke bawah, SMP, SMA ke atas, SD ke bawah, SMAβ¦
$ X5_AYAH <fct> NA, β€ SMP, β€ SMP, β€ SMP, β₯ SMA, β€ SMP, β₯ SMA, β€ SMP, β€ SMβ¦
$ X5_IBU <fct> β€ SMP, β₯ SMA, β€ SMP, β€ SMP, β₯ SMA, β€ SMP, β€ SMP, β€ SMP, β€β¦
$ X5_AYAH_3KAT <fct> NA, SMP, SD ke bawah, SMP, SMA ke atas, SD ke bawah, SMA β¦
$ X5_IBU_3KAT <fct> SMP, SMA ke atas, SMP, SD ke bawah, SMA ke atas, SMP, SD β¦
$ X6 <fct> Pertanian, Pertanian, Nonpertanian, Pertanian, Nonpertaniβ¦
$ X7 <fct> Perdesaan, Perkotaan, Perdesaan, Perdesaan, Perkotaan, Peβ¦
$ X8 <fct> Tidak memiliki, Tidak memiliki, Memiliki, Tidak memiliki,β¦
$ X9 <fct> Tidak miskin, Tidak miskin, Tidak miskin, Miskin, Tidak mβ¦4.2 Statistik Deskriptif Ringkas
prov kabu Y X1
Min. :52.00 Min. :5201 Tidak bersekolah: 89 Perempuan:129
1st Qu.:61.00 1st Qu.:6104 Bersekolah :217 Laki-laki:177
Median :71.00 Median :7172
Mean :69.32 Mean :6949
3rd Qu.:75.00 3rd Qu.:7505
Max. :94.00 Max. :9436
X2 X3 X4 X5
Disabilitas ganda :141 Sangat kesulitan : 85 Perempuan: 38 β€ SMP:230
Disabilitas tunggal:165 Kesulitan : 72 Laki-laki:268 β₯ SMA: 76
Sedikit kesulitan:149
X5_3KAT X5_AYAH X5_IBU X5_AYAH_3KAT X5_IBU_3KAT
SD ke bawah:136 β€ SMP:196 β€ SMP:225 SD ke bawah:115 SD ke bawah:132
SMP : 94 β₯ SMA: 72 β₯ SMA: 64 SMP : 81 SMP : 93
SMA ke atas: 76 NA's : 38 NA's : 17 SMA ke atas: 72 SMA ke atas: 64
NA's : 38 NA's : 17
X6 X7 X8 X9
Tidak bekerja: 22 Perdesaan:210 Tidak memiliki:262 Miskin : 52
Pertanian :155 Perkotaan: 96 Memiliki : 44 Tidak miskin:254
Nonpertanian :129
4.3 Pemeriksaan Missing Values
missing_tbl_A <- dataku_final %>%
summarise(across(everything(), ~ sum(is.na(.)))) %>%
pivot_longer(everything(), names_to = "Variabel", values_to = "Jumlah_NA") %>%
mutate(Persen_NA = round(Jumlah_NA / nrow(dataku_final) * 100, 2)) %>%
arrange(desc(Jumlah_NA))
kable(missing_tbl_A, caption = "Missing Value per Variabel β Bagian A",
col.names = c("Variabel", "Jumlah NA", "% NA")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)| Variabel | Jumlah NA | % NA |
|---|---|---|
| X5_AYAH | 38 | 12.42 |
| X5_AYAH_3KAT | 38 | 12.42 |
| X5_IBU | 17 | 5.56 |
| X5_IBU_3KAT | 17 | 5.56 |
| prov | 0 | 0.00 |
| kabu | 0 | 0.00 |
| Y | 0 | 0.00 |
| X1 | 0 | 0.00 |
| X2 | 0 | 0.00 |
| X3 | 0 | 0.00 |
| X4 | 0 | 0.00 |
| X5 | 0 | 0.00 |
| X5_3KAT | 0 | 0.00 |
| X6 | 0 | 0.00 |
| X7 | 0 | 0.00 |
| X8 | 0 | 0.00 |
| X9 | 0 | 0.00 |
4.4 Distribusi Variabel Dependen (Y) β Deskriptif Sampel
Alur narasi: bagian ini membahas Y terlebih dahulu (partisipasi sekolah), baru kemudian variabel X, sesuai arahan pembimbing agar cerita tidak melompat antar-bagian.
tbl_y_A <- dataku_final %>%
count(Y) %>%
mutate(Persen = round(n / sum(n) * 100, 2))
kable(tbl_y_A, caption = "Distribusi Partisipasi Sekolah β Bagian A (Sampel Mentah)",
col.names = c("Status Sekolah", "Frekuensi", "%")) %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)| Status Sekolah | Frekuensi | % |
|---|---|---|
| Tidak bersekolah | 89 | 29.08 |
| Bersekolah | 217 | 70.92 |
pd_y_A <- tbl_y_A %>% mutate(name = as.character(Y), y = Persen) %>% select(name, y)
highchart() %>%
hc_chart(type = "pie", backgroundColor = "transparent", height = PIE_CHART_HEIGHT) %>%
hc_title(text = "Distribusi Partisipasi Sekolah β Bagian A (Sampel)") %>%
hc_series(list(name = "Persentase", colorByPoint = TRUE, data = list_parse(pd_y_A))) %>%
hc_colors(c("#D73027","#4575B4")) %>%
hc_plotOptions(pie = list(size = PIE_SIZE, center = PIE_CENTER,
dataLabels = list(enabled = TRUE, format = "<b>{point.name}</b><br>{point.y:.2f}%"))) %>%
hc_tooltip(pointFormat = "<b>{point.name}</b>: {point.y:.2f}%") %>%
hc_exporting(enabled = TRUE, filename = "distribusi_y_A")4.4.1 Estimasi Tertimbang Partisipasi Sekolah di KTI β Bagian A
est_y_A <- estimasi_y_tertimbang(desain_y_kti, y_design_data$status, "Bagian A \u2014 Seluruh KRT")
tampil_y_tertimbang(est_y_A, "Bagian A \u2014 Seluruh KRT")| Wilayah | Persentase sampel (%) | Estimasi tertimbang (%) | SE | CI 95% bawah | CI 95% atas | RSE (%) | Persentase sampel masuk CI? |
|---|---|---|---|---|---|---|---|
| Kawasan Timur Indonesia β Bagian A β Seluruh KRT | 70.92 | 72.46 | 3.69 | 65.24 | 79.69 | 5.09 | Ya |
4.4.2 Pie Chart Partisipasi Sekolah (Estimasi Tertimbang) β Bagian A
4.4.3 Partisipasi Sekolah per Provinsi β Bagian A
4.4.4 Partisipasi Sekolah per Wilayah KTI β Bagian A
4.5 Distribusi Jumlah Jenis Disabilitas
tbl_dis_A <- dataku_filtered %>%
count(JUMLAH_JENIS_DISABILITAS) %>%
mutate(Persen = round(n / sum(n) * 100, 2))
kable(tbl_dis_A, caption = "Distribusi Jumlah Jenis Disabilitas β Bagian A",
col.names = c("Jumlah Jenis Disabilitas", "Frekuensi", "%")) %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)| Jumlah Jenis Disabilitas | Frekuensi | % |
|---|---|---|
| 1 | 165 | 53.92 |
| 2 | 33 | 10.78 |
| 3 | 32 | 10.46 |
| 4 | 29 | 9.48 |
| 5 | 22 | 7.19 |
| 6 | 8 | 2.61 |
| 7 | 13 | 4.25 |
| 8 | 4 | 1.31 |
make_col(cats = tbl_dis_A$JUMLAH_JENIS_DISABILITAS, vals = tbl_dis_A$n,
title = "Distribusi Jumlah Jenis Disabilitas β Bagian A",
xlab = "Jumlah Jenis Disabilitas", ylab = "Frekuensi")4.6 Tabel Hasil Odds Ratio
| Variabel | Kategori | Odds Ratio |
|---|---|---|
| Jenis kelamin anak | Laki-laki | 1,246 |
| Perempuan* |
|
|
| Jenis disabilitas anak | Disabilitas tunggal | 6,432 |
| Disabilitas ganda* |
|
|
| Tingkat kesulitan disabilitas anak | Sedikit kesulitan | 9,002 |
| Kesulitan | 3,269 | |
| Sangat kesulitan* |
|
|
| Jenis kelamin KRT | Laki-laki | 0,424 |
| Perempuan* |
|
|
| Tingkat pendidikan KRT | Minimal SMA/Sederajat | 1,663 |
| SMP/Sederajat ke bawah* |
|
|
| Pekerjaan KRT | Bekerja di sektor nonpertanian | 2,175 |
| Bekerja di sektor pertanian | 4,235 | |
| Tidak bekerja* |
|
|
| Daerah tempat tinggal | Perkotaan | 1,264 |
| Perdesaan* |
|
|
| Status kepemilikan KIP/PIP | Memiliki | 17,239 |
| Tidak memiliki* |
|
|
| Status kemiskinan rumah tangga | Tidak Miskin | 1,343 |
| Miskin* |
|
4.7 Distribusi Variabel Independen (X) β Bagian A
Setelah Y dibahas di atas, berikut distribusi tiap prediktor X dan hubungannya dengan Y.
π Jenis Kelamin Anak (X1) (Bagian A)
π Tabulasi Jenis Kelamin Anak (X1)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Perempuan | 129 | 42.16 |
| Laki-laki | 177 | 57.84 |
π Tabulasi Jenis Kelamin Anak (X1) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Perempuan | Tidak bersekolah | 37 | 28.68 |
| Perempuan | Bersekolah | 92 | 71.32 |
| Laki-laki | Tidak bersekolah | 52 | 29.38 |
| Laki-laki | Bersekolah | 125 | 70.62 |
π₯§ Pie Chart β Jenis Kelamin Anak (X1)
π Stacked Bar β Jenis Kelamin Anak (X1) Γ Partisipasi Sekolah
π Jenis Disabilitas (X2) (Bagian A)
π Tabulasi Jenis Disabilitas (X2)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Disabilitas ganda | 141 | 46.08 |
| Disabilitas tunggal | 165 | 53.92 |
π Tabulasi Jenis Disabilitas (X2) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Disabilitas ganda | Tidak bersekolah | 67 | 47.52 |
| Disabilitas ganda | Bersekolah | 74 | 52.48 |
| Disabilitas tunggal | Tidak bersekolah | 22 | 13.33 |
| Disabilitas tunggal | Bersekolah | 143 | 86.67 |
π₯§ Pie Chart β Jenis Disabilitas (X2)
π Stacked Bar β Jenis Disabilitas (X2) Γ Partisipasi Sekolah
π Tingkat Kesulitan (X3) (Bagian A)
π Tabulasi Tingkat Kesulitan (X3)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Sangat kesulitan | 85 | 27.78 |
| Kesulitan | 72 | 23.53 |
| Sedikit kesulitan | 149 | 48.69 |
π Tabulasi Tingkat Kesulitan (X3) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Sangat kesulitan | Tidak bersekolah | 47 | 55.29 |
| Sangat kesulitan | Bersekolah | 38 | 44.71 |
| Kesulitan | Tidak bersekolah | 19 | 26.39 |
| Kesulitan | Bersekolah | 53 | 73.61 |
| Sedikit kesulitan | Tidak bersekolah | 23 | 15.44 |
| Sedikit kesulitan | Bersekolah | 126 | 84.56 |
π₯§ Pie Chart β Tingkat Kesulitan (X3)
π Stacked Bar β Tingkat Kesulitan (X3) Γ Partisipasi Sekolah
π Jenis Kelamin KRT (X4) (Bagian A)
π Tabulasi Jenis Kelamin KRT (X4)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Perempuan | 38 | 12.42 |
| Laki-laki | 268 | 87.58 |
π Tabulasi Jenis Kelamin KRT (X4) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Perempuan | Tidak bersekolah | 9 | 23.68 |
| Perempuan | Bersekolah | 29 | 76.32 |
| Laki-laki | Tidak bersekolah | 80 | 29.85 |
| Laki-laki | Bersekolah | 188 | 70.15 |
π₯§ Pie Chart β Jenis Kelamin KRT (X4)
π Stacked Bar β Jenis Kelamin KRT (X4) Γ Partisipasi Sekolah
π Pendidikan KRT β biner (X5) (Bagian A)
π Tabulasi Pendidikan KRT β biner (X5)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| β€ SMP | 230 | 75.16 |
| β₯ SMA | 76 | 24.84 |
π Tabulasi Pendidikan KRT β biner (X5) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| β€ SMP | Tidak bersekolah | 73 | 31.74 |
| β€ SMP | Bersekolah | 157 | 68.26 |
| β₯ SMA | Tidak bersekolah | 16 | 21.05 |
| β₯ SMA | Bersekolah | 60 | 78.95 |
π₯§ Pie Chart β Pendidikan KRT β biner (X5)
π Stacked Bar β Pendidikan KRT β biner (X5) Γ Partisipasi Sekolah
π Pekerjaan KRT (X6) (Bagian A)
π Tabulasi Pekerjaan KRT (X6)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Tidak bekerja | 22 | 7.19 |
| Pertanian | 155 | 50.65 |
| Nonpertanian | 129 | 42.16 |
π Tabulasi Pekerjaan KRT (X6) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Tidak bekerja | Tidak bersekolah | 12 | 54.55 |
| Tidak bekerja | Bersekolah | 10 | 45.45 |
| Pertanian | Tidak bersekolah | 47 | 30.32 |
| Pertanian | Bersekolah | 108 | 69.68 |
| Nonpertanian | Tidak bersekolah | 30 | 23.26 |
| Nonpertanian | Bersekolah | 99 | 76.74 |
π₯§ Pie Chart β Pekerjaan KRT (X6)
π Stacked Bar β Pekerjaan KRT (X6) Γ Partisipasi Sekolah
π Daerah Tinggal (X7) (Bagian A)
π Tabulasi Daerah Tinggal (X7)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Perdesaan | 210 | 68.63 |
| Perkotaan | 96 | 31.37 |
π Tabulasi Daerah Tinggal (X7) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Perdesaan | Tidak bersekolah | 66 | 31.43 |
| Perdesaan | Bersekolah | 144 | 68.57 |
| Perkotaan | Tidak bersekolah | 23 | 23.96 |
| Perkotaan | Bersekolah | 73 | 76.04 |
π₯§ Pie Chart β Daerah Tinggal (X7)
π Stacked Bar β Daerah Tinggal (X7) Γ Partisipasi Sekolah
π Kepemilikan KIP/PIP (X8) (Bagian A)
π Tabulasi Kepemilikan KIP/PIP (X8)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Tidak memiliki | 262 | 85.62 |
| Memiliki | 44 | 14.38 |
π Tabulasi Kepemilikan KIP/PIP (X8) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Tidak memiliki | Tidak bersekolah | 86 | 32.82 |
| Tidak memiliki | Bersekolah | 176 | 67.18 |
| Memiliki | Tidak bersekolah | 3 | 6.82 |
| Memiliki | Bersekolah | 41 | 93.18 |
π₯§ Pie Chart β Kepemilikan KIP/PIP (X8)
π Stacked Bar β Kepemilikan KIP/PIP (X8) Γ Partisipasi Sekolah
π Status Kemiskinan RT (X9) (Bagian A)
π Tabulasi Status Kemiskinan RT (X9)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Miskin | 52 | 16.99 |
| Tidak miskin | 254 | 83.01 |
π Tabulasi Status Kemiskinan RT (X9) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Miskin | Tidak bersekolah | 18 | 34.62 |
| Miskin | Bersekolah | 34 | 65.38 |
| Tidak miskin | Tidak bersekolah | 71 | 27.95 |
| Tidak miskin | Bersekolah | 183 | 72.05 |
π₯§ Pie Chart β Status Kemiskinan RT (X9)
π Stacked Bar β Status Kemiskinan RT (X9) Γ Partisipasi Sekolah
4.8 Varian Pendidikan KRT & Orang Tua β Bagian A
Empat varian pengukuran pendidikan (KRT biner, KRT 3 kategori, ayah, dan ibu) ditampilkan lengkap di sini. Keempatnya dipakai bergantian dalam model (lihat bab Regresi Logistik), sehingga tidak dimasukkan ke dalam uji kebebasan antar-prediktor inti agar tidak saling mencemari.
π Pendidikan KRT β 3 kategori (X5_3KAT) (Bagian A)
π Tabulasi Pendidikan KRT β 3 kategori (X5_3KAT)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| SD ke bawah | 136 | 44.44 |
| SMP | 94 | 30.72 |
| SMA ke atas | 76 | 24.84 |
π Tabulasi Pendidikan KRT β 3 kategori (X5_3KAT) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| SD ke bawah | Tidak bersekolah | 45 | 33.09 |
| SD ke bawah | Bersekolah | 91 | 66.91 |
| SMP | Tidak bersekolah | 28 | 29.79 |
| SMP | Bersekolah | 66 | 70.21 |
| SMA ke atas | Tidak bersekolah | 16 | 21.05 |
| SMA ke atas | Bersekolah | 60 | 78.95 |
π₯§ Pie Chart β Pendidikan KRT β 3 kategori (X5_3KAT)
π Stacked Bar β Pendidikan KRT β 3 kategori (X5_3KAT) Γ Partisipasi Sekolah
π Pendidikan Ayah β biner (X5_AYAH) (Bagian A)
π Tabulasi Pendidikan Ayah β biner (X5_AYAH)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| β€ SMP | 196 | 73.13 |
| β₯ SMA | 72 | 26.87 |
π Tabulasi Pendidikan Ayah β biner (X5_AYAH) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| β€ SMP | Tidak bersekolah | 65 | 33.16 |
| β€ SMP | Bersekolah | 131 | 66.84 |
| β₯ SMA | Tidak bersekolah | 15 | 20.83 |
| β₯ SMA | Bersekolah | 57 | 79.17 |
π₯§ Pie Chart β Pendidikan Ayah β biner (X5_AYAH)
π Stacked Bar β Pendidikan Ayah β biner (X5_AYAH) Γ Partisipasi Sekolah
π Pendidikan Ibu β biner (X5_IBU) (Bagian A)
π Tabulasi Pendidikan Ibu β biner (X5_IBU)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| β€ SMP | 225 | 77.85 |
| β₯ SMA | 64 | 22.15 |
π Tabulasi Pendidikan Ibu β biner (X5_IBU) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| β€ SMP | Tidak bersekolah | 72 | 32.00 |
| β€ SMP | Bersekolah | 153 | 68.00 |
| β₯ SMA | Tidak bersekolah | 12 | 18.75 |
| β₯ SMA | Bersekolah | 52 | 81.25 |
π₯§ Pie Chart β Pendidikan Ibu β biner (X5_IBU)
π Stacked Bar β Pendidikan Ibu β biner (X5_IBU) Γ Partisipasi Sekolah
π Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) (Bagian A)
π Tabulasi Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| SD ke bawah | 115 | 42.91 |
| SMP | 81 | 30.22 |
| SMA ke atas | 72 | 26.87 |
π Tabulasi Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| SD ke bawah | Tidak bersekolah | 39 | 33.91 |
| SD ke bawah | Bersekolah | 76 | 66.09 |
| SMP | Tidak bersekolah | 26 | 32.10 |
| SMP | Bersekolah | 55 | 67.90 |
| SMA ke atas | Tidak bersekolah | 15 | 20.83 |
| SMA ke atas | Bersekolah | 57 | 79.17 |
π₯§ Pie Chart β Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT)
π Stacked Bar β Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) Γ Partisipasi Sekolah
π Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) (Bagian A)
π Tabulasi Pendidikan Ibu β 3 kategori (X5_IBU_3KAT)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| SD ke bawah | 132 | 45.67 |
| SMP | 93 | 32.18 |
| SMA ke atas | 64 | 22.15 |
π Tabulasi Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| SD ke bawah | Tidak bersekolah | 47 | 35.61 |
| SD ke bawah | Bersekolah | 85 | 64.39 |
| SMP | Tidak bersekolah | 25 | 26.88 |
| SMP | Bersekolah | 68 | 73.12 |
| SMA ke atas | Tidak bersekolah | 12 | 18.75 |
| SMA ke atas | Bersekolah | 52 | 81.25 |
π₯§ Pie Chart β Pendidikan Ibu β 3 kategori (X5_IBU_3KAT)
π Stacked Bar β Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) Γ Partisipasi Sekolah
4.8.1 Pendidikan KRT β 3 kategori (X5_3KAT) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| SD ke bawah | 45 | 91 | 136 | 66.9 |
| SMP | 28 | 66 | 94 | 70.2 |
| SMA ke atas | 16 | 60 | 76 | 78.9 |
4.8.2 Pendidikan Ayah β biner (X5_AYAH) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| β€ SMP | 65 | 131 | 196 | 66.8 |
| β₯ SMA | 15 | 57 | 72 | 79.2 |
4.8.3 Pendidikan Ibu β biner (X5_IBU) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| β€ SMP | 72 | 153 | 225 | 68.0 |
| β₯ SMA | 12 | 52 | 64 | 81.2 |
4.8.4 Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| SD ke bawah | 39 | 76 | 115 | 66.1 |
| SMP | 26 | 55 | 81 | 67.9 |
| SMA ke atas | 15 | 57 | 72 | 79.2 |
4.8.5 Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| SD ke bawah | 47 | 85 | 132 | 64.4 |
| SMP | 25 | 68 | 93 | 73.1 |
| SMA ke atas | 12 | 52 | 64 | 81.2 |
4.10 Catatan Diskusi: Pendidikan Ibu (Pola Asuh) vs Pendidikan Ayah (Role Model) β Bagian A
Dua peran pendidikan orang tua terhadap partisipasi sekolah anak penyandang disabilitas dapat dibedakan. Pendidikan ibu lebih berkaitan dengan pola asuh sehari-hari, khususnya pada jenjang pendidikan dasar ketika ibu masih berperan aktif mendampingi anak belajar; ibu yang berpendidikan tinggi diharapkan memberikan pola asuh yang lebih mendukung kelangsungan sekolah anak. Pendidikan ayah lebih berkaitan dengan fungsi sebagai role model sekaligus kontribusi terhadap kapasitas ekonomi rumah tangga yang menentukan kemampuan membiayai sekolah. Pada jenjang pendidikan yang lebih tinggi, peran pendampingan langsung oleh ibu cenderung berkurang dan aspek pembiayaan (yang lebih lekat pada ayah) menjadi lebih menentukan, kecuali apabila ibu berstatus sebagai KRT dan menjadi tulang punggung ekonomi keluarga.
4.11 Distribusi Observasi per Provinsi β Bagian A
tbl_prov_A <- dataku_final %>%
count(prov) %>%
mutate(Persen = round(n / sum(n) * 100, 2)) %>%
arrange(desc(n))
kable(tbl_prov_A, caption = "Distribusi Observasi per Provinsi β Bagian A",
col.names = c("Kode Provinsi", "Frekuensi", "%")) %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)| Kode Provinsi | Frekuensi | % |
|---|---|---|
| 53 | 49 | 16.01 |
| 73 | 42 | 13.73 |
| 94 | 22 | 7.19 |
| 63 | 21 | 6.86 |
| 82 | 20 | 6.54 |
| 52 | 19 | 6.21 |
| 62 | 17 | 5.56 |
| 71 | 17 | 5.56 |
| 74 | 17 | 5.56 |
| 81 | 16 | 5.23 |
| 61 | 15 | 4.90 |
| 64 | 11 | 3.59 |
| 91 | 11 | 3.59 |
| 72 | 9 | 2.94 |
| 75 | 8 | 2.61 |
| 65 | 6 | 1.96 |
| 76 | 6 | 1.96 |
tbl_prov_A_sorted <- tbl_prov_A %>% arrange(n)
make_col(cats = tbl_prov_A_sorted$prov, vals = tbl_prov_A_sorted$n,
title = "Jumlah Observasi per Provinsi β Bagian A",
color = "#74ADD1", xlab = "Kode Provinsi", ylab = "Frekuensi", horizontal = TRUE)4.12 Tabulasi Silang: Partisipasi Sekolah (Y) vs Setiap Prediktor β Bagian A
Termasuk cek asumsi expected frequency < 5 dan Fisherβs Exact Test sebagai pembanding (revisi #1).
4.12.1 Jenis Kelamin Anak (X1) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Perempuan | 37 | 92 | 129 | 71.3 |
| Laki-laki | 52 | 125 | 177 | 70.6 |
4.12.2 Jenis Disabilitas (X2) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Disabilitas ganda | 67 | 74 | 141 | 52.5 |
| Disabilitas tunggal | 22 | 143 | 165 | 86.7 |
4.12.3 Tingkat Kesulitan (X3) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Sangat kesulitan | 47 | 38 | 85 | 44.7 |
| Kesulitan | 19 | 53 | 72 | 73.6 |
| Sedikit kesulitan | 23 | 126 | 149 | 84.6 |
4.12.4 Jenis Kelamin KRT (X4) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Perempuan | 9 | 29 | 38 | 76.3 |
| Laki-laki | 80 | 188 | 268 | 70.1 |
4.12.5 Pendidikan KRT β biner (X5) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| β€ SMP | 73 | 157 | 230 | 68.3 |
| β₯ SMA | 16 | 60 | 76 | 78.9 |
4.12.6 Pekerjaan KRT (X6) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Tidak bekerja | 12 | 10 | 22 | 45.5 |
| Pertanian | 47 | 108 | 155 | 69.7 |
| Nonpertanian | 30 | 99 | 129 | 76.7 |
4.12.7 Daerah Tinggal (X7) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Perdesaan | 66 | 144 | 210 | 68.6 |
| Perkotaan | 23 | 73 | 96 | 76.0 |
4.12.8 Kepemilikan KIP/PIP (X8) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Tidak memiliki | 86 | 176 | 262 | 67.2 |
| Memiliki | 3 | 41 | 44 | 93.2 |
4.12.9 Status Kemiskinan RT (X9) ( Bagian A β Data Awal )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Miskin | 18 | 34 | 52 | 65.4 |
| Tidak miskin | 71 | 183 | 254 | 72.0 |
4.13 Tabulasi X9 (Kemiskinan) Γ X8 (KIP/PIP) β Bagian A
Tabulasi Status Kemiskinan (X9) Γ Kepemilikan KIP/PIP (X8) β Bagian A β Data Awal
| Tidak memiliki | Memiliki | |
|---|---|---|
| Miskin | 44 | 8 |
| Tidak miskin | 218 | 36 |
Jumlah anak dengan KIP/PIP namun tidak bersekolah ( Bagian A β Data Awal ): 3
4.14 Estimasi Langsung Indikator β Bagian A
| Provinsi | Wilayah | Estimasi (%) | SE | CI Lower | CI Upper | RSE (%) | DEFF |
|---|---|---|---|---|---|---|---|
| Nusa Tenggara Barat | Nusa Tenggara | 83.39 | 11.17 | 61.49 | 105.29 | 13.40 | 1.63 |
| Nusa Tenggara Timur | Nusa Tenggara | 76.48 | 8.26 | 60.30 | 92.66 | 10.79 | 1.84 |
| Kalimantan Barat | Kalimantan | 68.91 | 12.11 | 45.17 | 92.66 | 17.58 | 0.97 |
| Kalimantan Tengah | Kalimantan | 88.74 | 6.02 | 76.94 | 100.54 | 6.79 | 0.59 |
| Kalimantan Selatan | Kalimantan | 49.54 | 14.75 | 20.62 | 78.45 | 29.78 | 1.75 |
| Kalimantan Timur | Kalimantan | 93.18 | 5.85 | 81.71 | 104.65 | 6.28 | 0.54 |
| Kalimantan Utara | Kalimantan | 99.18 | 0.93 | 97.36 | 101.01 | 0.94 | 0.05 |
| Sulawesi Utara | Sulawesi | 82.46 | 10.52 | 61.84 | 103.09 | 12.76 | 1.24 |
| Sulawesi Tengah | Sulawesi | 86.23 | 12.31 | 62.11 | 110.35 | 14.27 | 1.03 |
| Sulawesi Selatan | Sulawesi | 67.28 | 10.36 | 46.97 | 87.59 | 15.40 | 2.01 |
| Sulawesi Tenggara | Sulawesi | 29.57 | 12.54 | 4.99 | 54.16 | 42.42 | 1.23 |
| Gorontalo | Sulawesi | 61.81 | 24.79 | 13.22 | 110.39 | 40.11 | 1.85 |
| Sulawesi Barat | Sulawesi | 9.15 | 9.97 | 0.00 | 28.70 | 109.01 | 0.60 |
| Maluku | Maluku | 89.16 | 8.66 | 72.20 | 106.13 | 9.71 | 1.17 |
| Maluku Utara | Maluku | 84.10 | 8.34 | 67.75 | 100.45 | 9.92 | 1.01 |
| Papua Barat | Papua | 84.91 | 10.55 | 64.23 | 105.59 | 12.42 | 0.90 |
| Papua | Papua | 68.44 | 15.75 | 37.58 | 99.30 | 23.01 | 2.47 |
π Estimasi per Provinsi β Bagian A
β οΈ RSE per Provinsi
π Estimasi per Wilayah KTI β Bagian A
β οΈ RSE per Wilayah KTI
5 Bagian B β Data KRT Laki-laki
Skenario ini memakai
dataku_laki(n = 268), subset observasi dengan KRT laki-laki saja (KRT perempuan dikeluarkan karena hanya sekitar 13% dari total dan relatif homogen).
5.1 Ukuran & Struktur Dataset
Jumlah observasi : 268 Jumlah variabel : 17 Rows: 268
Columns: 17
$ prov <dbl> 65, 53, 74, 71, 62, 64, 64, 53, 53, 63, 63, 63, 52, 82, 5β¦
$ kabu <dbl> 6571, 5302, 7414, 7106, 6201, 6409, 6403, 5313, 5307, 630β¦
$ Y <fct> Bersekolah, Bersekolah, Bersekolah, Bersekolah, Bersekolaβ¦
$ X1 <fct> Laki-laki, Laki-laki, Laki-laki, Perempuan, Perempuan, Laβ¦
$ X2 <fct> Disabilitas ganda, Disabilitas ganda, Disabilitas tunggalβ¦
$ X3 <fct> Sangat kesulitan, Sedikit kesulitan, Sedikit kesulitan, Sβ¦
$ X4 <fct> Laki-laki, Laki-laki, Laki-laki, Laki-laki, Laki-laki, Laβ¦
$ X5 <fct> β€ SMP, β€ SMP, β€ SMP, β₯ SMA, β€ SMP, β₯ SMA, β€ SMP, β€ SMP, β€β¦
$ X5_3KAT <fct> SMP, SD ke bawah, SMP, SMA ke atas, SD ke bawah, SMA ke aβ¦
$ X5_AYAH <fct> β€ SMP, β€ SMP, β€ SMP, β₯ SMA, β€ SMP, β₯ SMA, β€ SMP, β€ SMP, β€β¦
$ X5_IBU <fct> β₯ SMA, β€ SMP, β€ SMP, β₯ SMA, β€ SMP, β€ SMP, β€ SMP, β€ SMP, β€β¦
$ X5_AYAH_3KAT <fct> SMP, SD ke bawah, SMP, SMA ke atas, SD ke bawah, SMA ke aβ¦
$ X5_IBU_3KAT <fct> SMA ke atas, SMP, SD ke bawah, SMA ke atas, SMP, SD ke baβ¦
$ X6 <fct> Pertanian, Nonpertanian, Pertanian, Nonpertanian, Pertaniβ¦
$ X7 <fct> Perkotaan, Perdesaan, Perdesaan, Perkotaan, Perdesaan, Peβ¦
$ X8 <fct> Tidak memiliki, Memiliki, Tidak memiliki, Memiliki, Tidakβ¦
$ X9 <fct> Tidak miskin, Tidak miskin, Miskin, Tidak miskin, Tidak mβ¦5.2 Statistik Deskriptif Ringkas
prov kabu Y X1
Min. :52.00 Min. :5201 Tidak bersekolah: 80 Perempuan:107
1st Qu.:61.75 1st Qu.:6194 Bersekolah :188 Laki-laki:161
Median :71.50 Median :7187
Mean :69.38 Mean :6955
3rd Qu.:75.00 3rd Qu.:7522
Max. :94.00 Max. :9436
X2 X3 X4 X5
Disabilitas ganda :123 Sangat kesulitan : 76 Perempuan: 0 β€ SMP:196
Disabilitas tunggal:145 Kesulitan : 63 Laki-laki:268 β₯ SMA: 72
Sedikit kesulitan:129
X5_3KAT X5_AYAH X5_IBU X5_AYAH_3KAT X5_IBU_3KAT
SD ke bawah:115 β€ SMP:196 β€ SMP:191 SD ke bawah:115 SD ke bawah:111
SMP : 81 β₯ SMA: 72 β₯ SMA: 60 SMP : 81 SMP : 80
SMA ke atas: 72 NA's : 17 SMA ke atas: 72 SMA ke atas: 60
NA's : 17
X6 X7 X8 X9
Tidak bekerja: 11 Perdesaan:181 Tidak memiliki:229 Miskin : 49
Pertanian :134 Perkotaan: 87 Memiliki : 39 Tidak miskin:219
Nonpertanian :123
5.3 Pemeriksaan Missing Values
missing_tbl_B <- dataku_laki %>%
summarise(across(everything(), ~ sum(is.na(.)))) %>%
pivot_longer(everything(), names_to = "Variabel", values_to = "Jumlah_NA") %>%
mutate(Persen_NA = round(Jumlah_NA / nrow(dataku_laki) * 100, 2)) %>%
arrange(desc(Jumlah_NA))
kable(missing_tbl_B, caption = "Missing Value per Variabel β Bagian B",
col.names = c("Variabel", "Jumlah NA", "% NA")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)| Variabel | Jumlah NA | % NA |
|---|---|---|
| X5_IBU | 17 | 6.34 |
| X5_IBU_3KAT | 17 | 6.34 |
| prov | 0 | 0.00 |
| kabu | 0 | 0.00 |
| Y | 0 | 0.00 |
| X1 | 0 | 0.00 |
| X2 | 0 | 0.00 |
| X3 | 0 | 0.00 |
| X4 | 0 | 0.00 |
| X5 | 0 | 0.00 |
| X5_3KAT | 0 | 0.00 |
| X5_AYAH | 0 | 0.00 |
| X5_AYAH_3KAT | 0 | 0.00 |
| X6 | 0 | 0.00 |
| X7 | 0 | 0.00 |
| X8 | 0 | 0.00 |
| X9 | 0 | 0.00 |
5.4 Distribusi Variabel Dependen (Y) β Deskriptif Sampel
Alur narasi: bagian ini membahas Y terlebih dahulu (partisipasi sekolah), baru kemudian variabel X, sesuai arahan pembimbing agar cerita tidak melompat antar-bagian.
tbl_y_B <- dataku_laki %>%
count(Y) %>%
mutate(Persen = round(n / sum(n) * 100, 2))
kable(tbl_y_B, caption = "Distribusi Partisipasi Sekolah β Bagian B (Sampel Mentah)",
col.names = c("Status Sekolah", "Frekuensi", "%")) %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)| Status Sekolah | Frekuensi | % |
|---|---|---|
| Tidak bersekolah | 80 | 29.85 |
| Bersekolah | 188 | 70.15 |
pd_y_B <- tbl_y_B %>% mutate(name = as.character(Y), y = Persen) %>% select(name, y)
highchart() %>%
hc_chart(type = "pie", backgroundColor = "transparent", height = PIE_CHART_HEIGHT) %>%
hc_title(text = "Distribusi Partisipasi Sekolah β Bagian B (Sampel)") %>%
hc_series(list(name = "Persentase", colorByPoint = TRUE, data = list_parse(pd_y_B))) %>%
hc_colors(c("#D73027","#4575B4")) %>%
hc_plotOptions(pie = list(size = PIE_SIZE, center = PIE_CENTER,
dataLabels = list(enabled = TRUE, format = "<b>{point.name}</b><br>{point.y:.2f}%"))) %>%
hc_tooltip(pointFormat = "<b>{point.name}</b>: {point.y:.2f}%") %>%
hc_exporting(enabled = TRUE, filename = "distribusi_y_B")5.4.1 Estimasi Tertimbang Partisipasi Sekolah di KTI β Bagian B
status_sampel_B <- y_design_data$status[which(y_design_data$X4 == 1)]
est_y_B <- estimasi_y_tertimbang(desain_y_kti_B, status_sampel_B, "Bagian B \u2014 KRT Laki-laki")
tampil_y_tertimbang(est_y_B, "Bagian B \u2014 KRT Laki-laki")| Wilayah | Persentase sampel (%) | Estimasi tertimbang (%) | SE | CI 95% bawah | CI 95% atas | RSE (%) | Persentase sampel masuk CI? |
|---|---|---|---|---|---|---|---|
| Kawasan Timur Indonesia β Bagian B β KRT Laki-laki | 70.15 | 73.25 | 3.79 | 65.81 | 80.68 | 5.18 | Ya |
5.4.2 Pie Chart Partisipasi Sekolah (Estimasi Tertimbang) β Bagian B
5.4.3 Partisipasi Sekolah per Provinsi β Bagian B
5.4.4 Partisipasi Sekolah per Wilayah KTI β Bagian B
5.5 Distribusi Jumlah Jenis Disabilitas
tbl_dis_B <- dataku_filtered_laki %>%
count(JUMLAH_JENIS_DISABILITAS) %>%
mutate(Persen = round(n / sum(n) * 100, 2))
kable(tbl_dis_B, caption = "Distribusi Jumlah Jenis Disabilitas β Bagian B",
col.names = c("Jumlah Jenis Disabilitas", "Frekuensi", "%")) %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)| Jumlah Jenis Disabilitas | Frekuensi | % |
|---|---|---|
| 1 | 145 | 54.10 |
| 2 | 27 | 10.07 |
| 3 | 28 | 10.45 |
| 4 | 27 | 10.07 |
| 5 | 20 | 7.46 |
| 6 | 7 | 2.61 |
| 7 | 13 | 4.85 |
| 8 | 1 | 0.37 |
make_col(cats = tbl_dis_B$JUMLAH_JENIS_DISABILITAS, vals = tbl_dis_B$n,
title = "Distribusi Jumlah Jenis Disabilitas β Bagian B",
xlab = "Jumlah Jenis Disabilitas", ylab = "Frekuensi")5.6 Distribusi Variabel Independen (X) β Bagian B
Setelah Y dibahas di atas, berikut distribusi tiap prediktor X dan hubungannya dengan Y.
Catatan: X4 (jenis kelamin KRT) tidak ditampilkan pada Bagian B karena bernilai konstan (seluruh observasi ber-KRT laki-laki), sehingga distribusi, tabulasi silang, maupun uji kebebasannya tidak bermakna. Gambaran KRT perempuan tetap tersedia lengkap pada Bagian A.
π Jenis Kelamin Anak (X1) (Bagian B)
π Tabulasi Jenis Kelamin Anak (X1)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Perempuan | 107 | 39.93 |
| Laki-laki | 161 | 60.07 |
π Tabulasi Jenis Kelamin Anak (X1) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Perempuan | Tidak bersekolah | 33 | 30.84 |
| Perempuan | Bersekolah | 74 | 69.16 |
| Laki-laki | Tidak bersekolah | 47 | 29.19 |
| Laki-laki | Bersekolah | 114 | 70.81 |
π₯§ Pie Chart β Jenis Kelamin Anak (X1)
π Stacked Bar β Jenis Kelamin Anak (X1) Γ Partisipasi Sekolah
π Jenis Disabilitas (X2) (Bagian B)
π Tabulasi Jenis Disabilitas (X2)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Disabilitas ganda | 123 | 45.9 |
| Disabilitas tunggal | 145 | 54.1 |
π Tabulasi Jenis Disabilitas (X2) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Disabilitas ganda | Tidak bersekolah | 61 | 49.59 |
| Disabilitas ganda | Bersekolah | 62 | 50.41 |
| Disabilitas tunggal | Tidak bersekolah | 19 | 13.10 |
| Disabilitas tunggal | Bersekolah | 126 | 86.90 |
π₯§ Pie Chart β Jenis Disabilitas (X2)
π Stacked Bar β Jenis Disabilitas (X2) Γ Partisipasi Sekolah
π Tingkat Kesulitan (X3) (Bagian B)
π Tabulasi Tingkat Kesulitan (X3)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Sangat kesulitan | 76 | 28.36 |
| Kesulitan | 63 | 23.51 |
| Sedikit kesulitan | 129 | 48.13 |
π Tabulasi Tingkat Kesulitan (X3) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Sangat kesulitan | Tidak bersekolah | 43 | 56.58 |
| Sangat kesulitan | Bersekolah | 33 | 43.42 |
| Kesulitan | Tidak bersekolah | 17 | 26.98 |
| Kesulitan | Bersekolah | 46 | 73.02 |
| Sedikit kesulitan | Tidak bersekolah | 20 | 15.50 |
| Sedikit kesulitan | Bersekolah | 109 | 84.50 |
π₯§ Pie Chart β Tingkat Kesulitan (X3)
π Stacked Bar β Tingkat Kesulitan (X3) Γ Partisipasi Sekolah
π Pendidikan KRT β biner (X5) (Bagian B)
π Tabulasi Pendidikan KRT β biner (X5)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| β€ SMP | 196 | 73.13 |
| β₯ SMA | 72 | 26.87 |
π Tabulasi Pendidikan KRT β biner (X5) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| β€ SMP | Tidak bersekolah | 65 | 33.16 |
| β€ SMP | Bersekolah | 131 | 66.84 |
| β₯ SMA | Tidak bersekolah | 15 | 20.83 |
| β₯ SMA | Bersekolah | 57 | 79.17 |
π₯§ Pie Chart β Pendidikan KRT β biner (X5)
π Stacked Bar β Pendidikan KRT β biner (X5) Γ Partisipasi Sekolah
π Pekerjaan KRT (X6) (Bagian B)
π Tabulasi Pekerjaan KRT (X6)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Tidak bekerja | 11 | 4.1 |
| Pertanian | 134 | 50.0 |
| Nonpertanian | 123 | 45.9 |
π Tabulasi Pekerjaan KRT (X6) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Tidak bekerja | Tidak bersekolah | 7 | 63.64 |
| Tidak bekerja | Bersekolah | 4 | 36.36 |
| Pertanian | Tidak bersekolah | 45 | 33.58 |
| Pertanian | Bersekolah | 89 | 66.42 |
| Nonpertanian | Tidak bersekolah | 28 | 22.76 |
| Nonpertanian | Bersekolah | 95 | 77.24 |
π₯§ Pie Chart β Pekerjaan KRT (X6)
π Stacked Bar β Pekerjaan KRT (X6) Γ Partisipasi Sekolah
π Daerah Tinggal (X7) (Bagian B)
π Tabulasi Daerah Tinggal (X7)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Perdesaan | 181 | 67.54 |
| Perkotaan | 87 | 32.46 |
π Tabulasi Daerah Tinggal (X7) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Perdesaan | Tidak bersekolah | 60 | 33.15 |
| Perdesaan | Bersekolah | 121 | 66.85 |
| Perkotaan | Tidak bersekolah | 20 | 22.99 |
| Perkotaan | Bersekolah | 67 | 77.01 |
π₯§ Pie Chart β Daerah Tinggal (X7)
π Stacked Bar β Daerah Tinggal (X7) Γ Partisipasi Sekolah
π Kepemilikan KIP/PIP (X8) (Bagian B)
π Tabulasi Kepemilikan KIP/PIP (X8)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Tidak memiliki | 229 | 85.45 |
| Memiliki | 39 | 14.55 |
π Tabulasi Kepemilikan KIP/PIP (X8) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Tidak memiliki | Tidak bersekolah | 77 | 33.62 |
| Tidak memiliki | Bersekolah | 152 | 66.38 |
| Memiliki | Tidak bersekolah | 3 | 7.69 |
| Memiliki | Bersekolah | 36 | 92.31 |
π₯§ Pie Chart β Kepemilikan KIP/PIP (X8)
π Stacked Bar β Kepemilikan KIP/PIP (X8) Γ Partisipasi Sekolah
π Status Kemiskinan RT (X9) (Bagian B)
π Tabulasi Status Kemiskinan RT (X9)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| Miskin | 49 | 18.28 |
| Tidak miskin | 219 | 81.72 |
π Tabulasi Status Kemiskinan RT (X9) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| Miskin | Tidak bersekolah | 16 | 32.65 |
| Miskin | Bersekolah | 33 | 67.35 |
| Tidak miskin | Tidak bersekolah | 64 | 29.22 |
| Tidak miskin | Bersekolah | 155 | 70.78 |
π₯§ Pie Chart β Status Kemiskinan RT (X9)
π Stacked Bar β Status Kemiskinan RT (X9) Γ Partisipasi Sekolah
5.7 Varian Pendidikan KRT & Orang Tua β Bagian B
Pada Bagian B seluruh KRT adalah laki-laki, sehingga X5
(pendidikan KRT) identik dengan X5_AYAH
(pendidikan ayah), sedangkan X5_IBU merefleksikan
pendidikan istri KRT. Inilah skenario yang paling bersih untuk
memisahkan peran pola asuh ibu dari role model
ayah, karena tidak lagi tercampur dengan rumah tangga ber-KRT
perempuan.
π Pendidikan KRT β 3 kategori (X5_3KAT) (Bagian B)
π Tabulasi Pendidikan KRT β 3 kategori (X5_3KAT)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| SD ke bawah | 115 | 42.91 |
| SMP | 81 | 30.22 |
| SMA ke atas | 72 | 26.87 |
π Tabulasi Pendidikan KRT β 3 kategori (X5_3KAT) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| SD ke bawah | Tidak bersekolah | 39 | 33.91 |
| SD ke bawah | Bersekolah | 76 | 66.09 |
| SMP | Tidak bersekolah | 26 | 32.10 |
| SMP | Bersekolah | 55 | 67.90 |
| SMA ke atas | Tidak bersekolah | 15 | 20.83 |
| SMA ke atas | Bersekolah | 57 | 79.17 |
π₯§ Pie Chart β Pendidikan KRT β 3 kategori (X5_3KAT)
π Stacked Bar β Pendidikan KRT β 3 kategori (X5_3KAT) Γ Partisipasi Sekolah
π Pendidikan Ayah β biner (X5_AYAH) (Bagian B)
π Tabulasi Pendidikan Ayah β biner (X5_AYAH)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| β€ SMP | 196 | 73.13 |
| β₯ SMA | 72 | 26.87 |
π Tabulasi Pendidikan Ayah β biner (X5_AYAH) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| β€ SMP | Tidak bersekolah | 65 | 33.16 |
| β€ SMP | Bersekolah | 131 | 66.84 |
| β₯ SMA | Tidak bersekolah | 15 | 20.83 |
| β₯ SMA | Bersekolah | 57 | 79.17 |
π₯§ Pie Chart β Pendidikan Ayah β biner (X5_AYAH)
π Stacked Bar β Pendidikan Ayah β biner (X5_AYAH) Γ Partisipasi Sekolah
π Pendidikan Ibu β biner (X5_IBU) (Bagian B)
π Tabulasi Pendidikan Ibu β biner (X5_IBU)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| β€ SMP | 191 | 76.1 |
| β₯ SMA | 60 | 23.9 |
π Tabulasi Pendidikan Ibu β biner (X5_IBU) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| β€ SMP | Tidak bersekolah | 64 | 33.51 |
| β€ SMP | Bersekolah | 127 | 66.49 |
| β₯ SMA | Tidak bersekolah | 11 | 18.33 |
| β₯ SMA | Bersekolah | 49 | 81.67 |
π₯§ Pie Chart β Pendidikan Ibu β biner (X5_IBU)
π Stacked Bar β Pendidikan Ibu β biner (X5_IBU) Γ Partisipasi Sekolah
π Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) (Bagian B)
π Tabulasi Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| SD ke bawah | 115 | 42.91 |
| SMP | 81 | 30.22 |
| SMA ke atas | 72 | 26.87 |
π Tabulasi Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| SD ke bawah | Tidak bersekolah | 39 | 33.91 |
| SD ke bawah | Bersekolah | 76 | 66.09 |
| SMP | Tidak bersekolah | 26 | 32.10 |
| SMP | Bersekolah | 55 | 67.90 |
| SMA ke atas | Tidak bersekolah | 15 | 20.83 |
| SMA ke atas | Bersekolah | 57 | 79.17 |
π₯§ Pie Chart β Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT)
π Stacked Bar β Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) Γ Partisipasi Sekolah
π Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) (Bagian B)
π Tabulasi Pendidikan Ibu β 3 kategori (X5_IBU_3KAT)
| Kategori | Frekuensi | Persen (%) |
|---|---|---|
| SD ke bawah | 111 | 44.22 |
| SMP | 80 | 31.87 |
| SMA ke atas | 60 | 23.90 |
π Tabulasi Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) Γ Partisipasi Sekolah
| Kategori | Partisipasi Sekolah | Frekuensi | Persen (%) |
|---|---|---|---|
| SD ke bawah | Tidak bersekolah | 41 | 36.94 |
| SD ke bawah | Bersekolah | 70 | 63.06 |
| SMP | Tidak bersekolah | 23 | 28.75 |
| SMP | Bersekolah | 57 | 71.25 |
| SMA ke atas | Tidak bersekolah | 11 | 18.33 |
| SMA ke atas | Bersekolah | 49 | 81.67 |
π₯§ Pie Chart β Pendidikan Ibu β 3 kategori (X5_IBU_3KAT)
π Stacked Bar β Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) Γ Partisipasi Sekolah
5.7.1 Pendidikan KRT β 3 kategori (X5_3KAT) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| SD ke bawah | 39 | 76 | 115 | 66.1 |
| SMP | 26 | 55 | 81 | 67.9 |
| SMA ke atas | 15 | 57 | 72 | 79.2 |
5.7.2 Pendidikan Ayah β biner (X5_AYAH) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| β€ SMP | 65 | 131 | 196 | 66.8 |
| β₯ SMA | 15 | 57 | 72 | 79.2 |
5.7.3 Pendidikan Ibu β biner (X5_IBU) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| β€ SMP | 64 | 127 | 191 | 66.5 |
| β₯ SMA | 11 | 49 | 60 | 81.7 |
5.7.4 Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| SD ke bawah | 39 | 76 | 115 | 66.1 |
| SMP | 26 | 55 | 81 | 67.9 |
| SMA ke atas | 15 | 57 | 72 | 79.2 |
5.7.5 Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| SD ke bawah | 41 | 70 | 111 | 63.1 |
| SMP | 23 | 57 | 80 | 71.2 |
| SMA ke atas | 11 | 49 | 60 | 81.7 |
5.9 Catatan Diskusi: Pendidikan Ibu (Pola Asuh) vs Pendidikan Ayah (Role Model) β Bagian B (KRT Laki-laki)
5.10 Distribusi Observasi per Provinsi β Bagian B
tbl_prov_B <- dataku_laki %>%
count(prov) %>%
mutate(Persen = round(n / sum(n) * 100, 2)) %>%
arrange(desc(n))
kable(tbl_prov_B, caption = "Distribusi Observasi per Provinsi β Bagian B",
col.names = c("Kode Provinsi", "Frekuensi", "%")) %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)| Kode Provinsi | Frekuensi | % |
|---|---|---|
| 53 | 41 | 15.30 |
| 73 | 40 | 14.93 |
| 63 | 19 | 7.09 |
| 82 | 19 | 7.09 |
| 62 | 17 | 6.34 |
| 94 | 17 | 6.34 |
| 52 | 15 | 5.60 |
| 81 | 15 | 5.60 |
| 71 | 14 | 5.22 |
| 74 | 12 | 4.48 |
| 61 | 11 | 4.10 |
| 64 | 11 | 4.10 |
| 91 | 9 | 3.36 |
| 72 | 8 | 2.99 |
| 75 | 8 | 2.99 |
| 65 | 6 | 2.24 |
| 76 | 6 | 2.24 |
tbl_prov_B_sorted <- tbl_prov_B %>% arrange(n)
make_col(cats = tbl_prov_B_sorted$prov, vals = tbl_prov_B_sorted$n,
title = "Jumlah Observasi per Provinsi β Bagian B",
color = "#74ADD1", xlab = "Kode Provinsi", ylab = "Frekuensi", horizontal = TRUE)5.11 Tabulasi Silang: Partisipasi Sekolah (Y) vs Setiap Prediktor β Bagian B
Termasuk cek asumsi expected frequency < 5 dan Fisherβs Exact Test sebagai pembanding (revisi #1).
5.11.1 Jenis Kelamin Anak (X1) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Perempuan | 33 | 74 | 107 | 69.2 |
| Laki-laki | 47 | 114 | 161 | 70.8 |
5.11.2 Jenis Disabilitas (X2) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Disabilitas ganda | 61 | 62 | 123 | 50.4 |
| Disabilitas tunggal | 19 | 126 | 145 | 86.9 |
5.11.3 Tingkat Kesulitan (X3) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Sangat kesulitan | 43 | 33 | 76 | 43.4 |
| Kesulitan | 17 | 46 | 63 | 73.0 |
| Sedikit kesulitan | 20 | 109 | 129 | 84.5 |
5.11.4 Pendidikan KRT β biner (X5) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| β€ SMP | 65 | 131 | 196 | 66.8 |
| β₯ SMA | 15 | 57 | 72 | 79.2 |
5.11.5 Pekerjaan KRT (X6) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Tidak bekerja | 7 | 4 | 11 | 36.4 |
| Pertanian | 45 | 89 | 134 | 66.4 |
| Nonpertanian | 28 | 95 | 123 | 77.2 |
5.11.6 Daerah Tinggal (X7) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Perdesaan | 60 | 121 | 181 | 66.9 |
| Perkotaan | 20 | 67 | 87 | 77.0 |
5.11.7 Kepemilikan KIP/PIP (X8) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Tidak memiliki | 77 | 152 | 229 | 66.4 |
| Memiliki | 3 | 36 | 39 | 92.3 |
5.11.8 Status Kemiskinan RT (X9) ( Bagian B β KRT Laki-laki )
| Tidak bersekolah | Bersekolah | Total | % Bersekolah | |
|---|---|---|---|---|
| Miskin | 16 | 33 | 49 | 67.3 |
| Tidak miskin | 64 | 155 | 219 | 70.8 |
5.12 Tabulasi X9 (Kemiskinan) Γ X8 (KIP/PIP) β Bagian B
Tabulasi Status Kemiskinan (X9) Γ Kepemilikan KIP/PIP (X8) β Bagian B β KRT Laki-laki
| Tidak memiliki | Memiliki | |
|---|---|---|
| Miskin | 41 | 8 |
| Tidak miskin | 188 | 31 |
Jumlah anak dengan KIP/PIP namun tidak bersekolah ( Bagian B β KRT Laki-laki ): 3
5.13 Estimasi Langsung Indikator β Bagian B
susenas_ind_design_B <- subset(susenas_ind_design, X4 == 1)
outputP_B <- estimasi_provinsi_html(susenas_ind_design_B, "Bagian B β KRT Laki-laki")| Provinsi | Wilayah | Estimasi (%) | SE | CI Lower | CI Upper | RSE (%) | DEFF |
|---|---|---|---|---|---|---|---|
| Nusa Tenggara Barat | Nusa Tenggara | 79.79 | 13.41 | 53.50 | 106.08 | 16.81 | 1.57 |
| Nusa Tenggara Timur | Nusa Tenggara | 73.65 | 9.64 | 54.76 | 92.54 | 13.09 | 1.94 |
| Kalimantan Barat | Kalimantan | 70.78 | 13.74 | 43.85 | 97.70 | 19.41 | 0.92 |
| Kalimantan Tengah | Kalimantan | 88.74 | 6.02 | 76.94 | 100.54 | 6.79 | 0.59 |
| Kalimantan Selatan | Kalimantan | 57.71 | 14.61 | 29.08 | 86.34 | 25.31 | 1.58 |
| Kalimantan Timur | Kalimantan | 93.18 | 5.85 | 81.71 | 104.65 | 6.28 | 0.54 |
| Kalimantan Utara | Kalimantan | 99.18 | 0.93 | 97.36 | 101.01 | 0.94 | 0.05 |
| Sulawesi Utara | Sulawesi | 82.15 | 10.85 | 60.88 | 103.43 | 13.21 | 1.05 |
| Sulawesi Tengah | Sulawesi | 98.53 | 1.65 | 95.29 | 101.77 | 1.68 | 0.13 |
| Sulawesi Selatan | Sulawesi | 67.49 | 10.47 | 46.96 | 88.02 | 15.52 | 1.96 |
| Sulawesi Tenggara | Sulawesi | 35.28 | 15.48 | 4.95 | 65.61 | 43.87 | 1.18 |
| Gorontalo | Sulawesi | 61.81 | 24.79 | 13.22 | 110.39 | 40.11 | 1.85 |
| Sulawesi Barat | Sulawesi | 9.15 | 9.97 | 0.00 | 28.70 | 109.01 | 0.60 |
| Maluku | Maluku | 89.09 | 8.73 | 71.99 | 106.20 | 9.80 | 1.11 |
| Maluku Utara | Maluku | 84.00 | 8.40 | 67.53 | 100.46 | 10.00 | 0.97 |
| Papua Barat | Papua | 79.51 | 14.32 | 51.45 | 107.57 | 18.01 | 1.05 |
| Papua | Papua | 61.53 | 17.27 | 27.67 | 95.38 | 28.08 | 2.07 |
π Estimasi per Provinsi β Bagian B β KRT Laki-laki
β οΈ RSE per Provinsi
π Estimasi per Wilayah KTI β Bagian B β KRT Laki-laki
β οΈ RSE per Wilayah KTI
6 Analisis Regresi Logistik
Catatan: Model dijalankan untuk 2 skenario data (Bagian A: seluruh KRT; Bagian B: KRT laki-laki) dikali 4 varian pengukuran pendidikan (X5 biner; X5_3KAT tiga kategori; Ayah + Ibu biner; Ayah + Ibu tiga kategori) dikali 2 metode (Reglog Biasa; SMOTE), sehingga menghasilkan 16 kombinasi. Seluruh fungsi di bawah bersifat generik: menerima argumen
xvarssehingga dapat dipanggil ulang untuk tiap kombinasi tanpa duplikasi kode.
6.1 Fungsi Pembantu
# ββ Empat varian pengukuran pendidikan; sisanya identik ββββββββββ
xvars_global <- c("X1", "X2", "X3", "X4", "X5", "X6", "X7", "X8", "X9")
xvars_3kat <- c("X1", "X2", "X3", "X4", "X5_3KAT", "X6", "X7", "X8", "X9")
xvars_ortu <- c("X1", "X2", "X3", "X4", "X5_AYAH", "X5_IBU", "X6", "X7", "X8", "X9")
xvars_ortu3 <- c("X1", "X2", "X3", "X4", "X5_AYAH_3KAT", "X5_IBU_3KAT", "X6", "X7", "X8", "X9")
# ββ Wadah rekap odds ratio lintas kombinasi (diisi oleh run_biasa/run_smote) ββ
OR_RECAP <- data.frame()
# ββ Konversi kable ke string HTML βββββββββββββββββββββββββββββββββ
kbl_h <- function(df, caption = NULL) {
knitr::kable(df, format = "html", caption = caption, escape = FALSE) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE, font_size = 13, position = "left"
) %>%
as.character()
}
# ββ Pra-pemrosesan data standar (diparameterisasi dengan xvars) ββ
# Y dikonversi ke 0/1 (0 = tidak bersekolah; 1 = bersekolah).
# Seluruh X dipertahankan sebagai faktor agar kategori referensi mengikuti
# level pertama/faktor berkode 0 yang ditandai (*) pada tabel referensi.
prep_data <- function(data, xvars = xvars_global) {
df <- data %>%
select(all_of(c("Y", xvars))) %>%
mutate(
status_sekolah = if_else(Y == "Bersekolah", 1L, 0L),
across(all_of(xvars), ~ droplevels(as.factor(.x)))
) %>%
select(-Y) %>%
na.omit()
konstan <- xvars[sapply(xvars, function(v) dplyr::n_distinct(df[[v]]) < 2)]
xvars_model <- setdiff(xvars, konstan)
df <- df %>% mutate(across(all_of(xvars_model), ~ droplevels(as.factor(.x))))
formula_mod <- as.formula(paste("status_sekolah ~", paste(xvars_model, collapse = " + ")))
list(df = df, xvars_model = xvars_model, formula_mod = formula_mod, konstan = konstan)
}
# ββ Wrapper HTML untuk tiap sub-bagian βββββββββββββββββββββββββββ
sec <- function(icon, judul, isi) {
paste0(
'<div style="margin-bottom:18px">',
'<h5 style="color:#1565c0;border-bottom:2px solid #bbdefb;',
'padding-bottom:5px;margin-top:18px;font-size:13.5px;">',
icon, ' ', judul, '</h5>', isi, '</div>'
)
}
# ββ EDA: distribusi Y ββββββββββββββββββββββββββββββββββββββββββββ
eda_html <- function(df) {
tbl <- table(df$status_sekolah)
pct <- round(prop.table(tbl) * 100, 2)
kbl_h(data.frame(
Kategori = c("Tidak Bersekolah (0)", "Bersekolah (1)"),
N = as.integer(c(tbl["0"], tbl["1"])),
Persen = paste0(c(pct["0"], pct["1"]), " %")
), "Distribusi Y β Partisipasi Sekolah")
}
# ββ Uji Simultan (GLM-based) βββββββββββββββββββββββββββββββββββββ
simultan_html <- function(model, model_null, xvars_model) {
G2 <- model_null$deviance - model$deviance
df_G2 <- model_null$df.residual - model$df.residual
chi_k <- qchisq(0.95, df_G2)
pval <- pchisq(G2, df_G2, lower.tail = FALSE)
kbl_h(data.frame(
Statistik = c("-2LL Null", "-2LL Model", "GΒ² Hitung", "df",
"ΟΒ² Tabel (Ξ±=5%)", "p-value", "Keputusan"),
Nilai = c(
round(model_null$deviance, 3), round(model$deviance, 3),
round(G2, 3), df_G2, round(chi_k, 3), round(pval, 4),
ifelse(G2 > chi_k, "β
Tolak H0 β Model Signifikan", "β Gagal Tolak H0")
)
), "Uji Simultan (Likelihood Ratio Test / GΒ²)")
}
# ββ Uji Parsial Wald (GLM-based) ββββββββββββββββββββββββββββββββ
wald_html <- function(model) {
koef <- summary(model)$coefficients
kbl_h(data.frame(
Variabel = rownames(koef),
B = round(koef[, 1], 4),
SE = round(koef[, 2], 4),
Wald = round((koef[, 1] / koef[, 2])^2, 4),
`p-value` = round(koef[, 4], 4),
Kesimpulan = ifelse(koef[, 4] < 0.05, "β
Signifikan", "β Tdk Signifikan"),
check.names = FALSE
), "Uji Parsial (Wald Test)")
}
# ββ Hosmer-Lemeshow ββββββββββββββββββββββββββββββββββββββββββββββ
hl_html <- function(model, y) {
hl <- tryCatch(hoslem.test(y, fitted(model), g = 10), error = function(e) NULL)
if (is.null(hl)) return("<p><em>β οΈ Hosmer-Lemeshow tidak dapat dihitung.</em></p>")
kbl_h(data.frame(
Statistik = c("ΟΒ² HL", "df", "p-value", "Keputusan"),
Nilai = c(
round(hl$statistic, 3), hl$parameter, round(hl$p.value, 4),
ifelse(hl$p.value > 0.05,
"β
Gagal Tolak H0 β Model FIT",
"β Tolak H0 β TIDAK FIT")
)
), "Goodness of Fit (Hosmer-Lemeshow)")
}
# ββ Odds Ratio (GLM-based) βββββββββββββββββββββββββββββββββββββββ
or_html <- function(model) {
or <- exp(coef(model))
kbl_h(data.frame(
Variabel = names(or),
`exp(B)` = round(or, 4),
Interpretasi = ifelse(names(or) == "(Intercept)", "Baseline odds",
ifelse(or > 1,
"β Peluang bersekolah lebih besar dibanding referensi",
"β Peluang bersekolah lebih kecil dibanding referensi")),
check.names = FALSE
), "Interpretasi Parameter (Odds Ratio)")
}
# ββ Keputusan eksplisit variabel dengan ORβ1 / tidak signifikan (revisi #6) ββ
keputusan_variabel_html <- function(model) {
koef <- summary(model)$coefficients
or <- exp(coef(model))
df_dec <- data.frame(
Variabel = rownames(koef),
`exp(B)` = round(or, 3),
`p-value` = round(koef[, 4], 4),
check.names = FALSE
) %>% filter(Variabel != "(Intercept)")
df_dec$Kandidat_Ditinjau <- with(df_dec,
ifelse((`exp(B)` >= 0.8 & `exp(B)` <= 1.25) | `p-value` >= 0.05,
"β οΈ OR mendekati 1 dan/atau tidak signifikan", "β"))
df_dec$Keputusan <- ifelse(
df_dec$Kandidat_Ditinjau != "β",
"Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis)",
"Dipertahankan (signifikan/berkontribusi)"
)
paste0(
kbl_h(df_dec, "Keputusan Eksplisit: Variabel dengan OR \u2248 1 atau Tidak Signifikan"),
'<p><em>Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. ',
'Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi ',
'teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata ',
'berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan ',
'eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk ',
'tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.</em></p>'
)
}
# ββ Kriteria Informasi: AIC / AICc / BIC βββββββββββββββββββββββββ
ic_html <- function(model, n, k, method = "glm") {
if (method == "glm") {
aic_val <- tryCatch(AIC(model), error = function(e) NA)
bic_val <- tryCatch(BIC(model), error = function(e) NA)
ll_val <- tryCatch(as.numeric(logLik(model)), error = function(e) NA)
} else if (method == "firth") {
ll_val <- max(model$loglik)
aic_val <- -2 * ll_val + 2 * k
bic_val <- -2 * ll_val + log(n) * k
} else {
aic_val <- NA; bic_val <- NA; ll_val <- NA
}
aicc_val <- if (!is.na(aic_val) && (n - k - 1) > 0) {
aic_val + (2 * k^2 + 2 * k) / (n - k - 1)
} else NA
rows <- paste0(
'<tr><td><strong>AIC</strong></td><td>', round(aic_val, 3),
'</td><td>Semakin kecil semakin baik</td></tr>',
'<tr><td><strong>AICc</strong></td><td>', round(aicc_val, 3),
'</td><td>Koreksi utk sampel kecil</td></tr>',
'<tr><td><strong>BIC</strong></td><td>', round(bic_val, 3),
'</td><td>Penalti lebih besar pada parameter</td></tr>',
'<tr><td>Log-Likelihood</td><td>', round(ll_val, 3),
'</td><td></td></tr>'
)
paste0(
'<table class="table table-striped table-condensed" style="font-size:13px;width:auto;margin-bottom:0">',
'<thead><tr>',
'<th style="min-width:130px">Kriteria</th>',
'<th style="min-width:90px">Nilai</th>',
'<th>Keterangan</th></tr></thead><tbody>',
rows,
'<tr><td>k (parameter)</td><td>', k, '</td><td>Termasuk intercept</td></tr>',
'<tr><td>n (observasi)</td><td>', n, '</td><td></td></tr>',
'</tbody></table>'
)
}6.2 Fungsi Evaluasi Model
# ββ A. Perfect Separation Check ββββββββββββββββββββββββββββββββββ
separation_html <- function(coefs, ses, is_firth = FALSE) {
if (is_firth) {
return(paste0(
'<div class="eval-sub">',
'<h6>Perfect Separation Check</h6>',
'<p class="sep-ok">✓ Firth (Penalized Likelihood) dirancang khusus ',
'menangani complete/quasi-complete separation β hasil tetap valid tanpa bias.</p>',
'</div>'
))
}
flag_b <- abs(coefs) > 10
flag_se <- !is.na(ses) & ses > 5
flag <- flag_b | flag_se
status <- if (any(flag, na.rm = TRUE)) {
'<p class="sep-flag">⚠ Terdeteksi potensi separation pada variabel berikut:</p>'
} else {
'<p class="sep-ok">✓ Tidak terdeteksi perfect/quasi-complete separation.</p>'
}
tbl <- kbl_h(data.frame(
Variabel = names(coefs),
`|B|>10` = ifelse(flag_b, "⚠ Ya", "✓ Tidak"),
`SE>5` = ifelse(flag_se, "⚠ Ya", "✓ Tidak"),
Status = ifelse(flag,
'<span class="sep-flag">⚠ Potensi Separation</span>',
'<span class="sep-ok">✓ Aman</span>'),
check.names = FALSE
), "Perfect Separation Check")
paste0('<div class="eval-sub"><h6>Perfect Separation Check</h6>', status, tbl, '</div>')
}
# ββ B. Confusion Matrix + Metrics ββββββββββββββββββββββββββββββββ
conf_metrics <- function(y_true, y_prob, cutoff) {
y_pred <- as.integer(y_prob >= cutoff)
tp <- sum(y_true == 1 & y_pred == 1)
tn <- sum(y_true == 0 & y_pred == 0)
fp <- sum(y_true == 0 & y_pred == 1)
fn <- sum(y_true == 1 & y_pred == 0)
acc <- ifelse((tp + tn + fp + fn) > 0, (tp + tn) / (tp + tn + fp + fn), NA)
sens <- ifelse((tp + fn) > 0, tp / (tp + fn), NA)
spec <- ifelse((tn + fp) > 0, tn / (tn + fp), NA)
prec <- ifelse((tp + fp) > 0, tp / (tp + fp), NA)
f1 <- ifelse(!is.na(prec) & !is.na(sens) & (prec + sens) > 0,
2 * prec * sens / (prec + sens), NA)
list(tp = tp, tn = tn, fp = fp, fn = fn,
acc = acc, sens = sens, spec = spec, prec = prec, f1 = f1)
}
conf_block_html <- function(y_true, y_prob, cutoff, label_class, label_text) {
m <- conf_metrics(y_true, y_prob, cutoff)
pct <- function(x) paste0(round(x * 100, 2), " %")
cm_tbl <- kbl_h(data.frame(
` ` = c("Pred: Tidak Bersekolah (0)", "Pred: Bersekolah (1)"),
`Aktual: 0` = c(m$tn, m$fp),
`Aktual: 1` = c(m$fn, m$tp),
check.names = FALSE
), paste0("Confusion Matrix β ", label_text))
chips <- paste0(
'<div class="metric-row">',
'<span class="metric-chip">Accuracy: ', pct(m$acc), '</span>',
'<span class="metric-chip">Sensitivity: ', pct(m$sens), '</span>',
'<span class="metric-chip">Specificity: ', pct(m$spec), '</span>',
'<span class="metric-chip">Precision: ', pct(m$prec), '</span>',
'<span class="metric-chip">F1-Score: ', pct(m$f1), '</span>',
'</div>'
)
paste0(
'<div class="cm-box">',
'<span class="cm-label ', label_class, '">', label_text, '</span>',
cm_tbl, chips,
'</div>'
)
}
cm_html <- function(y_true, y_prob) {
roc_obj <- tryCatch(pROC::roc(y_true, y_prob, quiet = TRUE), error = function(e) NULL)
cut_you <- if (!is.null(roc_obj)) {
co <- pROC::coords(roc_obj, "best", best.method = "youden", ret = "threshold")
as.numeric(co[1, 1])
} else 0.5
b50 <- conf_block_html(y_true, y_prob, 0.5, "cut50", "Cutoff 0.5")
byo <- conf_block_html(y_true, y_prob, cut_you, "cutyou",
paste0("Youden Optimal (", round(cut_you, 3), ")"))
paste0('<div class="eval-sub"><h6>Confusion Matrix & Metrik Klasifikasi</h6>',
'<div class="cm-wrap">', b50, byo, '</div></div>')
}
# ββ C. ROC-AUC + Toggle Plot βββββββββββββββββββββββββββββββββββββ
roc_html <- function(y_true, y_prob, plot_id) {
roc_obj <- tryCatch(pROC::roc(y_true, y_prob, quiet = TRUE), error = function(e) NULL)
if (is.null(roc_obj))
return('<div class="eval-sub"><h6>ROC-AUC</h6><p><em>ROC tidak dapat dihitung.</em></p></div>')
auc_val <- as.numeric(pROC::auc(roc_obj))
auc_cat <- if (auc_val >= 0.9) list(cls = "auc-great", txt = "Sangat Baik")
else if (auc_val >= 0.8) list(cls = "auc-good", txt = "Baik")
else if (auc_val >= 0.7) list(cls = "auc-fair", txt = "Cukup")
else list(cls = "auc-poor", txt = "Kurang")
tmp <- tempfile(fileext = ".png")
png(tmp, width = 400, height = 400, res = 90)
plot(roc_obj, col = "#1565c0", lwd = 2.5,
main = paste0("ROC Curve\nAUC = ", round(auc_val, 4)),
cex.main = 0.9, cex.axis = 0.8, cex.lab = 0.85)
abline(a = 0, b = 1, lty = 2, col = "gray60")
dev.off()
b64 <- knitr::image_uri(tmp)
unlink(tmp)
pid <- gsub("[^a-zA-Z0-9]", "_", plot_id)
paste0(
'<div class="eval-sub"><h6>ROC-AUC</h6>',
'<span class="auc-badge ', auc_cat$cls, '">AUC = ', round(auc_val, 4), '</span>',
'<strong>', auc_cat$txt, '</strong>',
' | Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang<br>',
'<button class="btn-roc" onclick="toggleRoc(\'', pid, '\')">',
'📈 Tampilkan / Sembunyikan Plot ROC</button>',
'<div class="roc-plot-wrap" id="roc_', pid, '">',
'<img src="', b64, '" alt="ROC Curve">',
'</div></div>'
)
}
# ββ D. Full Evaluasi Section (GLM-based) βββββββββββββββββββββββββ
evaluasi_html <- function(model, y_true, y_prob, plot_id, is_firth = FALSE) {
coefs <- coef(model)
ses <- tryCatch(sqrt(diag(vcov(model))), error = function(e) rep(NA, length(coefs)))
paste0(
'<div class="eval-wrap">',
separation_html(coefs, ses, is_firth),
cm_html(y_true, y_prob),
roc_html(y_true, y_prob, plot_id),
'</div>'
)
}
# ββ D2. Evaluasi SMOTE (2 data: asli + SMOTE) ββββββββββββββββββββ
evaluasi_smote_html <- function(model,
y_true_ori, y_prob_ori,
y_true_sm, y_prob_sm,
plot_id) {
coefs <- coef(model)
ses <- tryCatch(sqrt(diag(vcov(model))), error = function(e) rep(NA, length(coefs)))
pid <- gsub("[^a-zA-Z0-9]", "_", plot_id)
panel_ori <- paste0(
'<div class="smote-panel active" id="panel_ori_', pid, '">',
cm_html(y_true_ori, y_prob_ori),
roc_html(y_true_ori, y_prob_ori, paste0(plot_id, "_ori")),
'</div>'
)
panel_sm <- paste0(
'<div class="smote-panel" id="panel_sm_', pid, '">',
cm_html(y_true_sm, y_prob_sm),
roc_html(y_true_sm, y_prob_sm, paste0(plot_id, "_smote")),
'</div>'
)
tabs <- paste0(
'<div class="smote-tabs">',
'<button class="smote-tab-btn active" ',
paste0('onclick="switchSmote(\'', pid, '\',\'ori\')">📊 Data Asli (Fair)</button>'),
'<button class="smote-tab-btn" ',
paste0('onclick="switchSmote(\'', pid, '\',\'sm\')">🧨 Data SMOTE (In-Sample)</button>'),
'</div>'
)
paste0(
'<div class="eval-wrap">',
separation_html(coefs, ses, FALSE),
'<div class="eval-sub"><h6>Confusion Matrix, Metrik & ROC β Pilih Data</h6>',
tabs, panel_ori, panel_sm,
'</div></div>'
)
}6.3 Fungsi Analisis β Reglog Biasa
run_biasa <- function(data, nama_dataset, xvars = xvars_global) {
p <- prep_data(data, xvars)
df <- p$df; xm <- p$xvars_model; fm <- p$formula_mod
if (length(xm) == 0) return("<p>β οΈ Tidak ada variabel valid.</p>")
mdl <- tryCatch(glm(fm, data = df, family = binomial), error = function(e) NULL)
mdl0 <- tryCatch(glm(status_sekolah ~ 1, data = df, family = binomial), error = function(e) NULL)
if (is.null(mdl)) return("<p>β οΈ Model gagal di-fit.</p>")
info <- paste0('<p><strong>n valid:</strong> ', nrow(df), ' obs.',
if (length(p$konstan) > 0) paste0(' | <em>Konstan (dikeluarkan): ',
paste(p$konstan, collapse = ", "), '</em>') else '',
'</p>')
k_biasa <- length(coef(mdl))
n_biasa <- nrow(df)
pid <- paste0("biasa-", gsub("[^a-zA-Z0-9]", "_", nama_dataset))
# ββ Rekam OR untuk tabel rekap lintas kombinasi (Lampiran) ββ
koef_b <- summary(mdl)$coefficients
OR_RECAP <<- bind_rows(OR_RECAP, data.frame(
Kombinasi = nama_dataset,
Metode = "Reglog Biasa",
Variabel = rownames(koef_b),
`Odds Ratio` = round(exp(coef(mdl)), 3),
`p-value` = round(koef_b[, 4], 4),
n = n_biasa,
row.names = NULL,
check.names = FALSE
))
paste0(info,
sec("π", "EDA β Distribusi Y", eda_html(df)),
sec("π", "Uji Simultan (GΒ²)", simultan_html(mdl, mdl0, xm)),
sec("π", "Uji Parsial (Wald Test)", wald_html(mdl)),
sec("β
", "Goodness of Fit (H-L Test)", hl_html(mdl, df$status_sekolah)),
sec("π", "Kriteria Informasi (AIC/AICc/BIC)", ic_html(mdl, n_biasa, k_biasa, "glm")),
sec("π", "Interpretasi Parameter (OR)", or_html(mdl)),
sec("π§", "Keputusan Variabel ORβ1 / Tdk Signifikan", keputusan_variabel_html(mdl)),
sec("π", "Evaluasi Model",
evaluasi_html(mdl, df$status_sekolah, fitted(mdl), pid))
)
}6.4 Fungsi Analisis β SMOTE
run_smote <- function(data, nama_dataset, xvars = xvars_global) {
p <- prep_data(data, xvars)
df <- p$df; xm <- p$xvars_model; fm <- p$formula_mod
if (length(xm) == 0) return("<p>β οΈ Tidak ada variabel valid.</p>")
# SMOTE memerlukan input numerik. Faktor X diubah menjadi dummy dengan
# model.matrix sehingga referensi tetap kategori berkode 0/*.
X_dummy <- model.matrix(fm, data = df)[, -1, drop = FALSE]
X_dummy <- as.data.frame(X_dummy)
names(X_dummy) <- make.names(names(X_dummy), unique = TRUE)
xm_sm <- names(X_dummy)
df_eval <- cbind(status_sekolah = df$status_sekolah, X_dummy)
fm_sm <- as.formula(paste("status_sekolah ~", paste(xm_sm, collapse = " + ")))
df_sm <- tryCatch({
res <- smotefamily::SMOTE(
X = X_dummy,
target = as.character(df$status_sekolah),
K = 5,
dup_size = 0
)$data
res$status_sekolah <- as.numeric(as.character(res$class))
res$class <- NULL
res[, c("status_sekolah", xm_sm)]
}, error = function(e) NULL)
if (is.null(df_sm))
return("<p>β οΈ SMOTE gagal β kemungkinan n terlalu kecil atau kelas sangat tidak seimbang.</p>")
mdl <- tryCatch(glm(fm_sm, data = df_sm, family = binomial), error = function(e) NULL)
mdl0 <- tryCatch(glm(status_sekolah ~ 1, data = df_sm, family = binomial), error = function(e) NULL)
if (is.null(mdl)) return("<p>β οΈ Model GLM setelah SMOTE gagal.</p>")
# EDA before & after
t_ori <- table(df$status_sekolah)
t_sm <- table(df_sm$status_sekolah)
eda_tbl <- kbl_h(data.frame(
Kategori = c("Tidak Bersekolah (0)", "Bersekolah (1)"),
`N Asal` = as.integer(c(t_ori["0"], t_ori["1"])),
`N SMOTE` = as.integer(c(t_sm["0"], t_sm["1"])),
check.names = FALSE
), "Distribusi Y Sebelum & Sesudah SMOTE (rasio asli \u2248 28:72)")
info <- paste0('<p><strong>n asli:</strong> ', nrow(df),
' | <strong>n setelah SMOTE:</strong> ', nrow(df_sm),
' | <em>X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).</em></p>')
k_smote <- length(coef(mdl))
n_smote <- nrow(df_sm)
pid <- paste0("smote-", gsub("[^a-zA-Z0-9]", "_", nama_dataset))
# ββ Rekam OR untuk tabel rekap lintas kombinasi (Lampiran) ββ
koef_s <- summary(mdl)$coefficients
OR_RECAP <<- bind_rows(OR_RECAP, data.frame(
Kombinasi = nama_dataset,
Metode = "SMOTE",
Variabel = rownames(koef_s),
`Odds Ratio` = round(exp(coef(mdl)), 3),
`p-value` = round(koef_s[, 4], 4),
n = n_smote,
row.names = NULL,
check.names = FALSE
))
paste0(info,
sec("π", "EDA β Distribusi Y (Sebelum & Sesudah SMOTE)", eda_tbl),
sec("π", "Uji Simultan (GΒ²)", simultan_html(mdl, mdl0, xm_sm)),
sec("π", "Uji Parsial (Wald Test)", wald_html(mdl)),
sec("β
", "Goodness of Fit (H-L Test)", hl_html(mdl, df_sm$status_sekolah)),
sec("π", "Kriteria Informasi (AIC/AICc/BIC)",
paste0(ic_html(mdl, n_smote, k_smote, "glm"),
'<p><em><small>ⓘ AIC/AICc/BIC dihitung dari data SMOTE (n = ',
n_smote, '). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.</small></em></p>')),
sec("π", "Interpretasi Parameter (OR)", or_html(mdl)),
sec("π§", "Keputusan Variabel ORβ1 / Tdk Signifikan", keputusan_variabel_html(mdl)),
sec("π", "Evaluasi Model",
evaluasi_smote_html(
mdl,
df_eval$status_sekolah, predict(mdl, newdata = df_eval, type = "response"),
df_sm$status_sekolah, predict(mdl, newdata = df_sm, type = "response"),
pid
))
)
}7 Hasil Analisis Interaktif β 16 Kombinasi
π§ Filter Hasil Analisis (8 Kombinasi)
Skenario Data
Varian Pendidikan
Metode Analisis
Menghitung...
β Tidak ada hasil yang sesuai pilihan.
Centang minimal satu opsi pada setiap kelompok filter.
Centang minimal satu opsi pada setiap kelompok filter.
Bagian A β Seluruh KRT | X5 KRT Biner (β€SMP / β₯SMA)
Reglog Biasa
n valid: 306 obs.
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 89 | 29.08 % |
| Bersekolah (1) | 217 | 70.92 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 368.981 |
| -2LL Model | 292.664 |
| GΒ² Hitung | 76.318 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.1567 | 0.6760 | 2.9275 | 0.0871 | β Tdk Signifikan |
| X1Laki-laki | X1Laki-laki | 0.1588 | 0.3036 | 0.2737 | 0.6009 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.2165 | 0.3352 | 13.1679 | 0.0003 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.8728 | 0.3767 | 5.3699 | 0.0205 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1584 | 0.3778 | 9.3999 | 0.0022 | β Signifikan |
| X4Laki-laki | X4Laki-laki | -0.9015 | 0.5171 | 3.0386 | 0.0813 | β Tdk Signifikan |
| X5β₯ SMA | X5β₯ SMA | 0.4739 | 0.3786 | 1.5667 | 0.2107 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 1.1748 | 0.5774 | 4.1403 | 0.0419 | β Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.4168 | 0.5936 | 5.6978 | 0.0170 | β Signifikan |
| X7Perkotaan | X7Perkotaan | 0.1852 | 0.3553 | 0.2718 | 0.6022 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.4388 | 0.6369 | 5.1037 | 0.0239 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | 0.0451 | 0.3847 | 0.0138 | 0.9066 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 8.616 |
| df | 8 |
| p-value | 0.3758 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 316.664 | Semakin kecil semakin baik |
| AICc | 317.729 | Koreksi utk sampel kecil |
| BIC | 361.347 | Penalti lebih besar pada parameter |
| Log-Likelihood | -146.332 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 306 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.3145 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.1722 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.3752 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.3937 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.1847 | β Peluang bersekolah lebih besar dibanding referensi |
| X4Laki-laki | X4Laki-laki | 0.4060 | β Peluang bersekolah lebih kecil dibanding referensi |
| X5β₯ SMA | X5β₯ SMA | 1.6063 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.2376 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.1241 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.2035 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 4.2154 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 1.0462 | β Peluang bersekolah lebih besar dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.172 | 0.6009 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.375 | 0.0003 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.394 | 0.0205 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.185 | 0.0022 | β | Dipertahankan (signifikan/berkontribusi) |
| X4Laki-laki | X4Laki-laki | 0.406 | 0.0813 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5β₯ SMA | X5β₯ SMA | 1.606 | 0.2107 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 3.238 | 0.0419 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Nonpertanian | X6Nonpertanian | 4.124 | 0.0170 | β | Dipertahankan (signifikan/berkontribusi) |
| X7Perkotaan | X7Perkotaan | 1.203 | 0.6022 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 4.215 | 0.0239 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 1.046 | 0.9066 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X4Laki-laki | X4Laki-laki | β Tidak | β Tidak | β Aman |
| X5β₯ SMA | X5β₯ SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 38 | 24 |
| Pred: Bersekolah (1) | 51 | 193 |
Accuracy: 75.49 %Sensitivity: 88.94 %Specificity: 42.7 %Precision: 79.1 %F1-Score: 83.73 %
Youden Optimal (0.659)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 62 | 52 |
| Pred: Bersekolah (1) | 27 | 165 |
Accuracy: 74.18 %Sensitivity: 76.04 %Specificity: 69.66 %Precision: 85.94 %F1-Score: 80.68 %
ROC-AUC
AUC = 0.7996Cukup Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian A β Seluruh KRT | X5 KRT Biner (β€SMP / β₯SMA)
SMOTE
n asli: 306 | n setelah SMOTE: 395 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 89 | 178 |
| Bersekolah (1) | 217 | 217 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 543.729 |
| -2LL Model | 414.646 |
| GΒ² Hitung | 129.084 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.4631 | 0.6074 | 5.8027 | 0.0160 | β Signifikan |
| X1Laki.laki | X1Laki.laki | 0.1206 | 0.2567 | 0.2207 | 0.6385 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.2601 | 0.2823 | 19.9216 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 1.0631 | 0.3260 | 10.6359 | 0.0011 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.1850 | 0.3276 | 13.0850 | 0.0003 | β Signifikan |
| X4Laki.laki | X4Laki.laki | -1.1930 | 0.4503 | 7.0181 | 0.0081 | β Signifikan |
| X5..SMA | X5..SMA | 0.6937 | 0.3265 | 4.5145 | 0.0336 | β Signifikan |
| X6Pertanian | X6Pertanian | 1.1760 | 0.5288 | 4.9458 | 0.0262 | β Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.3873 | 0.5399 | 6.6025 | 0.0102 | β Signifikan |
| X7Perkotaan | X7Perkotaan | 0.0939 | 0.3048 | 0.0949 | 0.7581 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.7855 | 0.5426 | 10.8269 | 0.0010 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | -0.1722 | 0.3410 | 0.2551 | 0.6135 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 5.025 |
| df | 8 |
| p-value | 0.7549 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 438.646 | Semakin kecil semakin baik |
| AICc | 439.462 | Koreksi utk sampel kecil |
| BIC | 486.392 | Penalti lebih besar pada parameter |
| Log-Likelihood | -207.323 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 395 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 395). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.2315 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.1282 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 3.5256 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.8954 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.2706 | β Peluang bersekolah lebih besar dibanding referensi |
| X4Laki.laki | X4Laki.laki | 0.3033 | β Peluang bersekolah lebih kecil dibanding referensi |
| X5..SMA | X5..SMA | 2.0012 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.2415 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.0040 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.0984 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 5.9625 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 0.8418 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.128 | 0.6385 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 3.526 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.895 | 0.0011 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.271 | 0.0003 | β | Dipertahankan (signifikan/berkontribusi) |
| X4Laki.laki | X4Laki.laki | 0.303 | 0.0081 | β | Dipertahankan (signifikan/berkontribusi) |
| X5..SMA | X5..SMA | 2.001 | 0.0336 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Pertanian | X6Pertanian | 3.242 | 0.0262 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Nonpertanian | X6Nonpertanian | 4.004 | 0.0102 | β | Dipertahankan (signifikan/berkontribusi) |
| X7Perkotaan | X7Perkotaan | 1.098 | 0.7581 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 5.963 | 0.0010 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 0.842 | 0.6135 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X4Laki.laki | X4Laki.laki | β Tidak | β Tidak | β Aman |
| X5..SMA | X5..SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 63 | 54 |
| Pred: Bersekolah (1) | 26 | 163 |
Accuracy: 73.86 %Sensitivity: 75.12 %Specificity: 70.79 %Precision: 86.24 %F1-Score: 80.3 %
Youden Optimal (0.503)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 63 | 54 |
| Pred: Bersekolah (1) | 26 | 163 |
Accuracy: 73.86 %Sensitivity: 75.12 %Specificity: 70.79 %Precision: 86.24 %F1-Score: 80.3 %
ROC-AUC
AUC = 0.7988Cukup Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 126 | 54 |
| Pred: Bersekolah (1) | 52 | 163 |
Accuracy: 73.16 %Sensitivity: 75.12 %Specificity: 70.79 %Precision: 75.81 %F1-Score: 75.46 %
Youden Optimal (0.404)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 110 | 26 |
| Pred: Bersekolah (1) | 68 | 191 |
Accuracy: 76.2 %Sensitivity: 88.02 %Specificity: 61.8 %Precision: 73.75 %F1-Score: 80.25 %
ROC-AUC
AUC = 0.8138Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian A β Seluruh KRT | X5_3KAT KRT (SD / SMP / SMA ke atas)
Reglog Biasa
n valid: 306 obs.
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 89 | 29.08 % |
| Bersekolah (1) | 217 | 70.92 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 368.981 |
| -2LL Model | 291.107 |
| GΒ² Hitung | 77.874 |
| df | 12 |
| ΟΒ² Tabel (Ξ±=5%) | 21.026 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.2440 | 0.6840 | 3.3084 | 0.0689 | β Tdk Signifikan |
| X1Laki-laki | X1Laki-laki | 0.1399 | 0.3045 | 0.2110 | 0.6460 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.2940 | 0.3428 | 14.2503 | 0.0002 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.8300 | 0.3786 | 4.8063 | 0.0284 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1352 | 0.3796 | 8.9412 | 0.0028 | β Signifikan |
| X4Laki-laki | X4Laki-laki | -0.9281 | 0.5213 | 3.1701 | 0.0750 | β Tdk Signifikan |
| X5_3KATSMP | X5_3KATSMP | 0.4297 | 0.3468 | 1.5350 | 0.2154 | β Tdk Signifikan |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | 0.6756 | 0.4129 | 2.6769 | 0.1018 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 1.1532 | 0.5849 | 3.8874 | 0.0486 | β Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.4196 | 0.6005 | 5.5892 | 0.0181 | β Signifikan |
| X7Perkotaan | X7Perkotaan | 0.1489 | 0.3579 | 0.1730 | 0.6774 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.4641 | 0.6384 | 5.2594 | 0.0218 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | -0.0194 | 0.3905 | 0.0025 | 0.9604 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 3.096 |
| df | 8 |
| p-value | 0.9282 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 317.107 | Semakin kecil semakin baik |
| AICc | 318.354 | Koreksi utk sampel kecil |
| BIC | 365.514 | Penalti lebih besar pada parameter |
| Log-Likelihood | -145.554 | |
| k (parameter) | 13 | Termasuk intercept |
| n (observasi) | 306 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.2882 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.1501 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.6474 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.2933 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.1116 | β Peluang bersekolah lebih besar dibanding referensi |
| X4Laki-laki | X4Laki-laki | 0.3953 | β Peluang bersekolah lebih kecil dibanding referensi |
| X5_3KATSMP | X5_3KATSMP | 1.5368 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | 1.9652 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.1682 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.1353 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.1605 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 4.3236 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 0.9808 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.150 | 0.6460 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.647 | 0.0002 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.293 | 0.0284 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.112 | 0.0028 | β | Dipertahankan (signifikan/berkontribusi) |
| X4Laki-laki | X4Laki-laki | 0.395 | 0.0750 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_3KATSMP | X5_3KATSMP | 1.537 | 0.2154 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | 1.965 | 0.1018 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 3.168 | 0.0486 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Nonpertanian | X6Nonpertanian | 4.135 | 0.0181 | β | Dipertahankan (signifikan/berkontribusi) |
| X7Perkotaan | X7Perkotaan | 1.161 | 0.6774 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 4.324 | 0.0218 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 0.981 | 0.9604 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X4Laki-laki | X4Laki-laki | β Tidak | β Tidak | β Aman |
| X5_3KATSMP | X5_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 40 | 24 |
| Pred: Bersekolah (1) | 49 | 193 |
Accuracy: 76.14 %Sensitivity: 88.94 %Specificity: 44.94 %Precision: 79.75 %F1-Score: 84.1 %
Youden Optimal (0.642)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 60 | 46 |
| Pred: Bersekolah (1) | 29 | 171 |
Accuracy: 75.49 %Sensitivity: 78.8 %Specificity: 67.42 %Precision: 85.5 %F1-Score: 82.01 %
ROC-AUC
AUC = 0.8029Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian A β Seluruh KRT | X5_3KAT KRT (SD / SMP / SMA ke atas)
SMOTE
n asli: 306 | n setelah SMOTE: 395 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 89 | 178 |
| Bersekolah (1) | 217 | 217 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 543.729 |
| -2LL Model | 410.96 |
| GΒ² Hitung | 132.77 |
| df | 12 |
| ΟΒ² Tabel (Ξ±=5%) | 21.026 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.0477 | 0.6096 | 11.2824 | 0.0008 | β Signifikan |
| X1Laki.laki | X1Laki.laki | 0.1732 | 0.2589 | 0.4477 | 0.5034 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.4996 | 0.2936 | 26.0938 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 1.0319 | 0.3300 | 9.7799 | 0.0018 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.0868 | 0.3263 | 11.0955 | 0.0009 | β Signifikan |
| X4Laki.laki | X4Laki.laki | -0.9767 | 0.4475 | 4.7626 | 0.0291 | β Signifikan |
| X5_3KATSMP | X5_3KATSMP | 0.5073 | 0.3033 | 2.7978 | 0.0944 | β Tdk Signifikan |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | 0.5725 | 0.3439 | 2.7715 | 0.0960 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 1.1391 | 0.5418 | 4.4196 | 0.0355 | β Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.3981 | 0.5513 | 6.4313 | 0.0112 | β Signifikan |
| X7Perkotaan | X7Perkotaan | 0.2528 | 0.3133 | 0.6514 | 0.4196 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.7878 | 0.5453 | 10.7505 | 0.0010 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | 0.0008 | 0.3378 | 0.0000 | 0.9982 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 8.226 |
| df | 8 |
| p-value | 0.4117 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 436.96 | Semakin kecil semakin baik |
| AICc | 437.915 | Koreksi utk sampel kecil |
| BIC | 488.685 | Penalti lebih besar pada parameter |
| Log-Likelihood | -205.48 | |
| k (parameter) | 13 | Termasuk intercept |
| n (observasi) | 395 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 395). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.1290 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.1891 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 4.4797 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.8065 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 2.9647 | β Peluang bersekolah lebih besar dibanding referensi |
| X4Laki.laki | X4Laki.laki | 0.3765 | β Peluang bersekolah lebih kecil dibanding referensi |
| X5_3KATSMP | X5_3KATSMP | 1.6607 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | 1.7728 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.1239 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.0475 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.2877 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 5.9764 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 1.0008 | β Peluang bersekolah lebih besar dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.189 | 0.5034 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 4.480 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.806 | 0.0018 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 2.965 | 0.0009 | β | Dipertahankan (signifikan/berkontribusi) |
| X4Laki.laki | X4Laki.laki | 0.377 | 0.0291 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_3KATSMP | X5_3KATSMP | 1.661 | 0.0944 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | 1.773 | 0.0960 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 3.124 | 0.0355 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Nonpertanian | X6Nonpertanian | 4.047 | 0.0112 | β | Dipertahankan (signifikan/berkontribusi) |
| X7Perkotaan | X7Perkotaan | 1.288 | 0.4196 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 5.976 | 0.0010 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 1.001 | 0.9982 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X4Laki.laki | X4Laki.laki | β Tidak | β Tidak | β Aman |
| X5_3KATSMP | X5_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 61 | 50 |
| Pred: Bersekolah (1) | 28 | 167 |
Accuracy: 74.51 %Sensitivity: 76.96 %Specificity: 68.54 %Precision: 85.64 %F1-Score: 81.07 %
Youden Optimal (0.472)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 61 | 46 |
| Pred: Bersekolah (1) | 28 | 171 |
Accuracy: 75.82 %Sensitivity: 78.8 %Specificity: 68.54 %Precision: 85.93 %F1-Score: 82.21 %
ROC-AUC
AUC = 0.7998Cukup Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 126 | 50 |
| Pred: Bersekolah (1) | 52 | 167 |
Accuracy: 74.18 %Sensitivity: 76.96 %Specificity: 70.79 %Precision: 76.26 %F1-Score: 76.61 %
Youden Optimal (0.47)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 124 | 44 |
| Pred: Bersekolah (1) | 54 | 173 |
Accuracy: 75.19 %Sensitivity: 79.72 %Specificity: 69.66 %Precision: 76.21 %F1-Score: 77.93 %
ROC-AUC
AUC = 0.8162Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian A β Seluruh KRT | Ayah + Ibu (biner)
Reglog Biasa
n valid: 251 obs. | Konstan (dikeluarkan): X4
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 29.88 % |
| Bersekolah (1) | 176 | 70.12 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 306.144 |
| -2LL Model | 239.476 |
| GΒ² Hitung | 66.668 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.3737 | 0.9773 | 1.9758 | 0.1598 | β Tdk Signifikan |
| X1Laki-laki | X1Laki-laki | 0.1979 | 0.3379 | 0.3431 | 0.5580 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.3302 | 0.3727 | 12.7399 | 0.0004 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.9635 | 0.4197 | 5.2697 | 0.0217 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1738 | 0.4263 | 7.5803 | 0.0059 | β Signifikan |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | 0.2694 | 0.4520 | 0.3553 | 0.5512 | β Tdk Signifikan |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | 0.8968 | 0.4698 | 3.6440 | 0.0563 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 0.4634 | 0.9039 | 0.2629 | 0.6081 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.7794 | 0.9005 | 0.7490 | 0.3868 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | -0.0095 | 0.4112 | 0.0005 | 0.9816 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.3935 | 0.6538 | 4.5427 | 0.0331 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | -0.2412 | 0.4143 | 0.3390 | 0.5604 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 8.527 |
| df | 8 |
| p-value | 0.3838 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 263.476 | Semakin kecil semakin baik |
| AICc | 264.787 | Koreksi utk sampel kecil |
| BIC | 305.781 | Penalti lebih besar pada parameter |
| Log-Likelihood | -119.738 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 251 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.2532 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.2189 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.7819 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.6210 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.2342 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | 1.3092 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | 2.4518 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 1.5895 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 2.1802 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 0.9905 | β Peluang bersekolah lebih kecil dibanding referensi |
| X8Memiliki | X8Memiliki | 4.0288 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 0.7857 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.219 | 0.5580 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.782 | 0.0004 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.621 | 0.0217 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.234 | 0.0059 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | 1.309 | 0.5512 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | 2.452 | 0.0563 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 1.590 | 0.6081 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 2.180 | 0.3868 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 0.991 | 0.9816 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 4.029 | 0.0331 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 0.786 | 0.5604 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | β Tidak | β Tidak | β Aman |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 33 | 18 |
| Pred: Bersekolah (1) | 42 | 158 |
Accuracy: 76.1 %Sensitivity: 89.77 %Specificity: 44 %Precision: 79 %F1-Score: 84.04 %
Youden Optimal (0.693)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 56 | 46 |
| Pred: Bersekolah (1) | 19 | 130 |
Accuracy: 74.1 %Sensitivity: 73.86 %Specificity: 74.67 %Precision: 87.25 %F1-Score: 80 %
ROC-AUC
AUC = 0.8003Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian A β Seluruh KRT | Ayah + Ibu (biner)
SMOTE
n asli: 251 | n setelah SMOTE: 326 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 150 |
| Bersekolah (1) | 176 | 176 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 449.856 |
| -2LL Model | 329.509 |
| GΒ² Hitung | 120.347 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.3775 | 0.8762 | 7.3630 | 0.0067 | β Signifikan |
| X1Laki.laki | X1Laki.laki | 0.2392 | 0.2949 | 0.6580 | 0.4173 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.6129 | 0.3270 | 24.3245 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 1.0247 | 0.3632 | 7.9603 | 0.0048 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.0739 | 0.3794 | 8.0107 | 0.0047 | β Signifikan |
| X5_AYAH..SMA | X5_AYAH..SMA | 0.4148 | 0.4023 | 1.0628 | 0.3026 | β Tdk Signifikan |
| X5_IBU..SMA | X5_IBU..SMA | 0.9448 | 0.4169 | 5.1359 | 0.0234 | β Signifikan |
| X6Pertanian | X6Pertanian | 0.7095 | 0.8090 | 0.7692 | 0.3805 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.9193 | 0.7988 | 1.3242 | 0.2498 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | -0.0649 | 0.3602 | 0.0325 | 0.8569 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.9181 | 0.6163 | 9.6870 | 0.0019 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | -0.2303 | 0.3653 | 0.3973 | 0.5285 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 4.507 |
| df | 8 |
| p-value | 0.8088 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 353.509 | Semakin kecil semakin baik |
| AICc | 354.506 | Koreksi utk sampel kecil |
| BIC | 398.952 | Penalti lebih besar pada parameter |
| Log-Likelihood | -164.755 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 326 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 326). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.0928 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.2703 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 5.0171 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.7863 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 2.9266 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH..SMA | X5_AYAH..SMA | 1.5140 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU..SMA | X5_IBU..SMA | 2.5723 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 2.0330 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 2.5074 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 0.9371 | β Peluang bersekolah lebih kecil dibanding referensi |
| X8Memiliki | X8Memiliki | 6.8083 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 0.7943 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.270 | 0.4173 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 5.017 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.786 | 0.0048 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 2.927 | 0.0047 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAH..SMA | X5_AYAH..SMA | 1.514 | 0.3026 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU..SMA | X5_IBU..SMA | 2.572 | 0.0234 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Pertanian | X6Pertanian | 2.033 | 0.3805 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 2.507 | 0.2498 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 0.937 | 0.8569 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 6.808 | 0.0019 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 0.794 | 0.5285 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAH..SMA | X5_AYAH..SMA | β Tidak | β Tidak | β Aman |
| X5_IBU..SMA | X5_IBU..SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 53 | 40 |
| Pred: Bersekolah (1) | 22 | 136 |
Accuracy: 75.3 %Sensitivity: 77.27 %Specificity: 70.67 %Precision: 86.08 %F1-Score: 81.44 %
Youden Optimal (0.539)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 55 | 43 |
| Pred: Bersekolah (1) | 20 | 133 |
Accuracy: 74.9 %Sensitivity: 75.57 %Specificity: 73.33 %Precision: 86.93 %F1-Score: 80.85 %
ROC-AUC
AUC = 0.7997Cukup Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 113 | 40 |
| Pred: Bersekolah (1) | 37 | 136 |
Accuracy: 76.38 %Sensitivity: 77.27 %Specificity: 75.33 %Precision: 78.61 %F1-Score: 77.94 %
Youden Optimal (0.539)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 117 | 43 |
| Pred: Bersekolah (1) | 33 | 133 |
Accuracy: 76.69 %Sensitivity: 75.57 %Specificity: 78 %Precision: 80.12 %F1-Score: 77.78 %
ROC-AUC
AUC = 0.827Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian A β Seluruh KRT | Ayah + Ibu (SD / SMP / SMA ke atas)
Reglog Biasa
n valid: 251 obs. | Konstan (dikeluarkan): X4
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 29.88 % |
| Bersekolah (1) | 176 | 70.12 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 306.144 |
| -2LL Model | 237.086 |
| GΒ² Hitung | 69.058 |
| df | 13 |
| ΟΒ² Tabel (Ξ±=5%) | 22.362 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.5269 | 1.0107 | 2.2824 | 0.1309 | β Tdk Signifikan |
| X1Laki-laki | X1Laki-laki | 0.2209 | 0.3428 | 0.4154 | 0.5192 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.4183 | 0.3820 | 13.7886 | 0.0002 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.9814 | 0.4290 | 5.2324 | 0.0222 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1788 | 0.4302 | 7.5096 | 0.0061 | β Signifikan |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 0.2375 | 0.4029 | 0.3476 | 0.5555 | β Tdk Signifikan |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | 0.3896 | 0.4959 | 0.6174 | 0.4320 | β Tdk Signifikan |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 0.4596 | 0.3966 | 1.3426 | 0.2466 | β Tdk Signifikan |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | 1.0830 | 0.5079 | 4.5464 | 0.0330 | β Signifikan |
| X6Pertanian | X6Pertanian | 0.3261 | 0.9423 | 0.1197 | 0.7293 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.6687 | 0.9369 | 0.5095 | 0.4753 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | -0.0553 | 0.4171 | 0.0176 | 0.8945 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.3455 | 0.6580 | 4.1808 | 0.0409 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | -0.3070 | 0.4216 | 0.5302 | 0.4665 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 7.922 |
| df | 8 |
| p-value | 0.4411 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 265.086 | Semakin kecil semakin baik |
| AICc | 266.865 | Koreksi utk sampel kecil |
| BIC | 314.442 | Penalti lebih besar pada parameter |
| Log-Likelihood | -118.543 | |
| k (parameter) | 14 | Termasuk intercept |
| n (observasi) | 251 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.2172 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.2472 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 4.1302 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.6683 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.2506 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.2681 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | 1.4765 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.5834 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | 2.9535 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 1.3855 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 1.9518 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 0.9462 | β Peluang bersekolah lebih kecil dibanding referensi |
| X8Memiliki | X8Memiliki | 3.8399 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 0.7357 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.247 | 0.5192 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 4.130 | 0.0002 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.668 | 0.0222 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.251 | 0.0061 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.268 | 0.5555 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | 1.476 | 0.4320 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.583 | 0.2466 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | 2.953 | 0.0330 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Pertanian | X6Pertanian | 1.385 | 0.7293 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 1.952 | 0.4753 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 0.946 | 0.8945 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 3.840 | 0.0409 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 0.736 | 0.4665 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 37 | 19 |
| Pred: Bersekolah (1) | 38 | 157 |
Accuracy: 77.29 %Sensitivity: 89.2 %Specificity: 49.33 %Precision: 80.51 %F1-Score: 84.64 %
Youden Optimal (0.665)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 56 | 41 |
| Pred: Bersekolah (1) | 19 | 135 |
Accuracy: 76.1 %Sensitivity: 76.7 %Specificity: 74.67 %Precision: 87.66 %F1-Score: 81.82 %
ROC-AUC
AUC = 0.8105Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian A β Seluruh KRT | Ayah + Ibu (SD / SMP / SMA ke atas)
SMOTE
n asli: 251 | n setelah SMOTE: 326 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 150 |
| Bersekolah (1) | 176 | 176 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 449.856 |
| -2LL Model | 327.104 |
| GΒ² Hitung | 122.752 |
| df | 13 |
| ΟΒ² Tabel (Ξ±=5%) | 22.362 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.2914 | 0.9189 | 6.2188 | 0.0126 | β Signifikan |
| X1Laki.laki | X1Laki.laki | 0.1819 | 0.2934 | 0.3843 | 0.5353 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.7102 | 0.3305 | 26.7783 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 1.0551 | 0.3795 | 7.7274 | 0.0054 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.2046 | 0.3839 | 9.8456 | 0.0017 | β Signifikan |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 0.4363 | 0.3538 | 1.5211 | 0.2175 | β Tdk Signifikan |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | 0.6016 | 0.4420 | 1.8528 | 0.1735 | β Tdk Signifikan |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 0.6194 | 0.3485 | 3.1587 | 0.0755 | β Tdk Signifikan |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | 1.1778 | 0.4529 | 6.7617 | 0.0093 | β Signifikan |
| X6Pertanian | X6Pertanian | 0.1444 | 0.8641 | 0.0279 | 0.8673 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.6166 | 0.8567 | 0.5179 | 0.4717 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | -0.2011 | 0.3763 | 0.2854 | 0.5932 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.5914 | 0.5594 | 8.0940 | 0.0044 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | -0.3585 | 0.3764 | 0.9073 | 0.3408 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 8.669 |
| df | 8 |
| p-value | 0.371 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 355.104 | Semakin kecil semakin baik |
| AICc | 356.455 | Koreksi utk sampel kecil |
| BIC | 408.121 | Penalti lebih besar pada parameter |
| Log-Likelihood | -163.552 | |
| k (parameter) | 14 | Termasuk intercept |
| n (observasi) | 326 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 326). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.1011 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.1995 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 5.5299 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.8721 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.3355 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.5470 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | 1.8251 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.8579 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | 3.2472 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 1.1554 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 1.8525 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 0.8179 | β Peluang bersekolah lebih kecil dibanding referensi |
| X8Memiliki | X8Memiliki | 4.9105 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 0.6987 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.199 | 0.5353 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 5.530 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.872 | 0.0054 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.335 | 0.0017 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.547 | 0.2175 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | 1.825 | 0.1735 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.858 | 0.0755 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | 3.247 | 0.0093 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Pertanian | X6Pertanian | 1.155 | 0.8673 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 1.853 | 0.4717 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 0.818 | 0.5932 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 4.911 | 0.0044 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 0.699 | 0.3408 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 54 | 42 |
| Pred: Bersekolah (1) | 21 | 134 |
Accuracy: 74.9 %Sensitivity: 76.14 %Specificity: 72 %Precision: 86.45 %F1-Score: 80.97 %
Youden Optimal (0.515)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 56 | 42 |
| Pred: Bersekolah (1) | 19 | 134 |
Accuracy: 75.7 %Sensitivity: 76.14 %Specificity: 74.67 %Precision: 87.58 %F1-Score: 81.46 %
ROC-AUC
AUC = 0.8105Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 113 | 42 |
| Pred: Bersekolah (1) | 37 | 134 |
Accuracy: 75.77 %Sensitivity: 76.14 %Specificity: 75.33 %Precision: 78.36 %F1-Score: 77.23 %
Youden Optimal (0.668)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 129 | 57 |
| Pred: Bersekolah (1) | 21 | 119 |
Accuracy: 76.07 %Sensitivity: 67.61 %Specificity: 86 %Precision: 85 %F1-Score: 75.32 %
ROC-AUC
AUC = 0.8315Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian B β KRT Laki-laki | X5 KRT Biner (β€SMP / β₯SMA)
Reglog Biasa
n valid: 268 obs. | Konstan (dikeluarkan): X4
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 80 | 29.85 % |
| Bersekolah (1) | 188 | 70.15 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 326.743 |
| -2LL Model | 256.485 |
| GΒ² Hitung | 70.258 |
| df | 10 |
| ΟΒ² Tabel (Ξ±=5%) | 18.307 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.0677 | 0.8328 | 6.1649 | 0.0130 | β Signifikan |
| X1Laki-laki | X1Laki-laki | 0.2149 | 0.3242 | 0.4391 | 0.5075 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.3064 | 0.3627 | 12.9711 | 0.0003 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.9159 | 0.4015 | 5.2053 | 0.0225 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1456 | 0.4092 | 7.8375 | 0.0051 | β Signifikan |
| X5β₯ SMA | X5β₯ SMA | 0.4527 | 0.4026 | 1.2646 | 0.2608 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 1.1535 | 0.7456 | 2.3935 | 0.1218 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.5026 | 0.7480 | 4.0354 | 0.0446 | β Signifikan |
| X7Perkotaan | X7Perkotaan | 0.2178 | 0.3824 | 0.3243 | 0.5690 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.3865 | 0.6450 | 4.6211 | 0.0316 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | -0.0666 | 0.4056 | 0.0270 | 0.8695 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 8.448 |
| df | 8 |
| p-value | 0.3909 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 278.485 | Semakin kecil semakin baik |
| AICc | 279.516 | Koreksi utk sampel kecil |
| BIC | 317.986 | Penalti lebih besar pada parameter |
| Log-Likelihood | -128.242 | |
| k (parameter) | 11 | Termasuk intercept |
| n (observasi) | 268 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.1265 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.2397 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.6930 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.4991 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.1444 | β Peluang bersekolah lebih besar dibanding referensi |
| X5β₯ SMA | X5β₯ SMA | 1.5725 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.1693 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.4934 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.2433 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 4.0008 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 0.9356 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.240 | 0.5075 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.693 | 0.0003 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.499 | 0.0225 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.144 | 0.0051 | β | Dipertahankan (signifikan/berkontribusi) |
| X5β₯ SMA | X5β₯ SMA | 1.573 | 0.2608 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 3.169 | 0.1218 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 4.493 | 0.0446 | β | Dipertahankan (signifikan/berkontribusi) |
| X7Perkotaan | X7Perkotaan | 1.243 | 0.5690 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 4.001 | 0.0316 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 0.936 | 0.8695 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X5β₯ SMA | X5β₯ SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 37 | 22 |
| Pred: Bersekolah (1) | 43 | 166 |
Accuracy: 75.75 %Sensitivity: 88.3 %Specificity: 46.25 %Precision: 79.43 %F1-Score: 83.63 %
Youden Optimal (0.684)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 58 | 48 |
| Pred: Bersekolah (1) | 22 | 140 |
Accuracy: 73.88 %Sensitivity: 74.47 %Specificity: 72.5 %Precision: 86.42 %F1-Score: 80 %
ROC-AUC
AUC = 0.8059Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian B β KRT Laki-laki | X5 KRT Biner (β€SMP / β₯SMA)
SMOTE
n asli: 268 | n setelah SMOTE: 348 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 80 | 160 |
| Bersekolah (1) | 188 | 188 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 480.175 |
| -2LL Model | 361.306 |
| GΒ² Hitung | 118.87 |
| df | 10 |
| ΟΒ² Tabel (Ξ±=5%) | 18.307 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.9134 | 0.7800 | 13.9503 | 0.0002 | β Signifikan |
| X1Laki.laki | X1Laki.laki | 0.2619 | 0.2746 | 0.9095 | 0.3402 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.3838 | 0.3047 | 20.6296 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 1.2207 | 0.3502 | 12.1465 | 0.0005 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.1790 | 0.3484 | 11.4521 | 0.0007 | β Signifikan |
| X5..SMA | X5..SMA | 0.5157 | 0.3441 | 2.2460 | 0.1340 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 1.1272 | 0.7140 | 2.4924 | 0.1144 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.4259 | 0.7127 | 4.0027 | 0.0454 | β Signifikan |
| X7Perkotaan | X7Perkotaan | 0.1629 | 0.3353 | 0.2360 | 0.6271 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.9424 | 0.5934 | 10.7146 | 0.0011 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | -0.0124 | 0.3523 | 0.0012 | 0.9718 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 2.929 |
| df | 8 |
| p-value | 0.9387 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 383.306 | Semakin kecil semakin baik |
| AICc | 384.091 | Koreksi utk sampel kecil |
| BIC | 425.68 | Penalti lebih besar pada parameter |
| Log-Likelihood | -180.653 | |
| k (parameter) | 11 | Termasuk intercept |
| n (observasi) | 348 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 348). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.0543 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.2994 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 3.9900 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 3.3895 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.2512 | β Peluang bersekolah lebih besar dibanding referensi |
| X5..SMA | X5..SMA | 1.6748 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.0869 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.1616 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.1769 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 6.9758 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 0.9876 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.299 | 0.3402 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 3.990 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 3.389 | 0.0005 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.251 | 0.0007 | β | Dipertahankan (signifikan/berkontribusi) |
| X5..SMA | X5..SMA | 1.675 | 0.1340 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 3.087 | 0.1144 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 4.162 | 0.0454 | β | Dipertahankan (signifikan/berkontribusi) |
| X7Perkotaan | X7Perkotaan | 1.177 | 0.6271 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 6.976 | 0.0011 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 0.988 | 0.9718 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X5..SMA | X5..SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 56 | 47 |
| Pred: Bersekolah (1) | 24 | 141 |
Accuracy: 73.51 %Sensitivity: 75 %Specificity: 70 %Precision: 85.45 %F1-Score: 79.89 %
Youden Optimal (0.536)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 59 | 48 |
| Pred: Bersekolah (1) | 21 | 140 |
Accuracy: 74.25 %Sensitivity: 74.47 %Specificity: 73.75 %Precision: 86.96 %F1-Score: 80.23 %
ROC-AUC
AUC = 0.8014Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 116 | 47 |
| Pred: Bersekolah (1) | 44 | 141 |
Accuracy: 73.85 %Sensitivity: 75 %Specificity: 72.5 %Precision: 76.22 %F1-Score: 75.6 %
Youden Optimal (0.59)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 126 | 52 |
| Pred: Bersekolah (1) | 34 | 136 |
Accuracy: 75.29 %Sensitivity: 72.34 %Specificity: 78.75 %Precision: 80 %F1-Score: 75.98 %
ROC-AUC
AUC = 0.8169Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian B β KRT Laki-laki | X5_3KAT KRT (SD / SMP / SMA ke atas)
Reglog Biasa
n valid: 268 obs. | Konstan (dikeluarkan): X4
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 80 | 29.85 % |
| Bersekolah (1) | 188 | 70.15 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 326.743 |
| -2LL Model | 255.34 |
| GΒ² Hitung | 71.402 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.1646 | 0.8456 | 6.5532 | 0.0105 | β Signifikan |
| X1Laki-laki | X1Laki-laki | 0.1969 | 0.3251 | 0.3666 | 0.5449 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.3780 | 0.3701 | 13.8610 | 0.0002 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.8704 | 0.4035 | 4.6517 | 0.0310 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1363 | 0.4100 | 7.6797 | 0.0056 | β Signifikan |
| X5_3KATSMP | X5_3KATSMP | 0.3968 | 0.3732 | 1.1306 | 0.2876 | β Tdk Signifikan |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | 0.6403 | 0.4407 | 2.1107 | 0.1463 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 1.1169 | 0.7564 | 2.1802 | 0.1398 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.4805 | 0.7581 | 3.8138 | 0.0508 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | 0.1934 | 0.3849 | 0.2524 | 0.6154 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.4111 | 0.6467 | 4.7610 | 0.0291 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | -0.1193 | 0.4106 | 0.0844 | 0.7714 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 5.048 |
| df | 8 |
| p-value | 0.7525 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 279.34 | Semakin kecil semakin baik |
| AICc | 280.564 | Koreksi utk sampel kecil |
| BIC | 322.432 | Penalti lebih besar pada parameter |
| Log-Likelihood | -127.67 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 268 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.1148 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.2176 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.9668 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.3878 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.1151 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_3KATSMP | X5_3KATSMP | 1.4871 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | 1.8971 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.0554 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.3952 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.2133 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 4.1006 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 0.8875 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.218 | 0.5449 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.967 | 0.0002 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.388 | 0.0310 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.115 | 0.0056 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_3KATSMP | X5_3KATSMP | 1.487 | 0.2876 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | 1.897 | 0.1463 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 3.055 | 0.1398 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 4.395 | 0.0508 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 1.213 | 0.6154 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 4.101 | 0.0291 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 0.888 | 0.7714 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X5_3KATSMP | X5_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_3KATSMA ke atas | X5_3KATSMA ke atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 37 | 23 |
| Pred: Bersekolah (1) | 43 | 165 |
Accuracy: 75.37 %Sensitivity: 87.77 %Specificity: 46.25 %Precision: 79.33 %F1-Score: 83.33 %
Youden Optimal (0.602)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 52 | 32 |
| Pred: Bersekolah (1) | 28 | 156 |
Accuracy: 77.61 %Sensitivity: 82.98 %Specificity: 65 %Precision: 84.78 %F1-Score: 83.87 %
ROC-AUC
AUC = 0.8076Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian B β KRT Laki-laki | X5_3KAT KRT (SD / SMP / SMA ke atas)
SMOTE
n asli: 268 | n setelah SMOTE: 348 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 80 | 160 |
| Bersekolah (1) | 188 | 188 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 480.175 |
| -2LL Model | 360.81 |
| GΒ² Hitung | 119.365 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.8951 | 0.7722 | 14.0559 | 0.0002 | β Signifikan |
| X1Laki.laki | X1Laki.laki | 0.2542 | 0.2766 | 0.8447 | 0.3581 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.4646 | 0.3096 | 22.3731 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.9297 | 0.3458 | 7.2298 | 0.0072 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.1359 | 0.3515 | 10.4403 | 0.0012 | β Signifikan |
| X5_3KATSMP | X5_3KATSMP | 0.4576 | 0.3237 | 1.9979 | 0.1575 | β Tdk Signifikan |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | 0.7104 | 0.3731 | 3.6263 | 0.0569 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 1.1373 | 0.7123 | 2.5496 | 0.1103 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 1.4563 | 0.7076 | 4.2354 | 0.0396 | β Signifikan |
| X7Perkotaan | X7Perkotaan | 0.2289 | 0.3359 | 0.4642 | 0.4957 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.9370 | 0.5940 | 10.6343 | 0.0011 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | -0.2395 | 0.3602 | 0.4423 | 0.5060 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 11.618 |
| df | 8 |
| p-value | 0.1691 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 384.81 | Semakin kecil semakin baik |
| AICc | 385.741 | Koreksi utk sampel kecil |
| BIC | 431.036 | Penalti lebih besar pada parameter |
| Log-Likelihood | -180.405 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 348 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 348). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.0553 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.2894 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 4.3256 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.5337 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.1139 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_3KATSMP | X5_3KATSMP | 1.5802 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | 2.0348 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 3.1184 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 4.2899 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.2572 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 6.9378 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 0.7870 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.289 | 0.3581 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 4.326 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.534 | 0.0072 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.114 | 0.0012 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_3KATSMP | X5_3KATSMP | 1.580 | 0.1575 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | 2.035 | 0.0569 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 3.118 | 0.1103 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 4.290 | 0.0396 | β | Dipertahankan (signifikan/berkontribusi) |
| X7Perkotaan | X7Perkotaan | 1.257 | 0.4957 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 6.938 | 0.0011 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 0.787 | 0.5060 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X5_3KATSMP | X5_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_3KATSMA.ke.atas | X5_3KATSMA.ke.atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 55 | 47 |
| Pred: Bersekolah (1) | 25 | 141 |
Accuracy: 73.13 %Sensitivity: 75 %Specificity: 68.75 %Precision: 84.94 %F1-Score: 79.66 %
Youden Optimal (0.445)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 53 | 35 |
| Pred: Bersekolah (1) | 27 | 153 |
Accuracy: 76.87 %Sensitivity: 81.38 %Specificity: 66.25 %Precision: 85 %F1-Score: 83.15 %
ROC-AUC
AUC = 0.804Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 111 | 47 |
| Pred: Bersekolah (1) | 49 | 141 |
Accuracy: 72.41 %Sensitivity: 75 %Specificity: 69.38 %Precision: 74.21 %F1-Score: 74.6 %
Youden Optimal (0.656)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 137 | 69 |
| Pred: Bersekolah (1) | 23 | 119 |
Accuracy: 73.56 %Sensitivity: 63.3 %Specificity: 85.62 %Precision: 83.8 %F1-Score: 72.12 %
ROC-AUC
AUC = 0.8175Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian B β KRT Laki-laki | Ayah + Ibu (biner)
Reglog Biasa
n valid: 251 obs. | Konstan (dikeluarkan): X4
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 29.88 % |
| Bersekolah (1) | 176 | 70.12 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 306.144 |
| -2LL Model | 239.476 |
| GΒ² Hitung | 66.668 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.3737 | 0.9773 | 1.9758 | 0.1598 | β Tdk Signifikan |
| X1Laki-laki | X1Laki-laki | 0.1979 | 0.3379 | 0.3431 | 0.5580 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.3302 | 0.3727 | 12.7399 | 0.0004 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.9635 | 0.4197 | 5.2697 | 0.0217 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1738 | 0.4263 | 7.5803 | 0.0059 | β Signifikan |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | 0.2694 | 0.4520 | 0.3553 | 0.5512 | β Tdk Signifikan |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | 0.8968 | 0.4698 | 3.6440 | 0.0563 | β Tdk Signifikan |
| X6Pertanian | X6Pertanian | 0.4634 | 0.9039 | 0.2629 | 0.6081 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.7794 | 0.9005 | 0.7490 | 0.3868 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | -0.0095 | 0.4112 | 0.0005 | 0.9816 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.3935 | 0.6538 | 4.5427 | 0.0331 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | -0.2412 | 0.4143 | 0.3390 | 0.5604 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 8.527 |
| df | 8 |
| p-value | 0.3838 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 263.476 | Semakin kecil semakin baik |
| AICc | 264.787 | Koreksi utk sampel kecil |
| BIC | 305.781 | Penalti lebih besar pada parameter |
| Log-Likelihood | -119.738 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 251 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.2532 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.2189 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.7819 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.6210 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.2342 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | 1.3092 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | 2.4518 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 1.5895 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 2.1802 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 0.9905 | β Peluang bersekolah lebih kecil dibanding referensi |
| X8Memiliki | X8Memiliki | 4.0288 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 0.7857 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.219 | 0.5580 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 3.782 | 0.0004 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.621 | 0.0217 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.234 | 0.0059 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | 1.309 | 0.5512 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | 2.452 | 0.0563 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Pertanian | X6Pertanian | 1.590 | 0.6081 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 2.180 | 0.3868 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 0.991 | 0.9816 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 4.029 | 0.0331 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 0.786 | 0.5604 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAHβ₯ SMA | X5_AYAHβ₯ SMA | β Tidak | β Tidak | β Aman |
| X5_IBUβ₯ SMA | X5_IBUβ₯ SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 33 | 18 |
| Pred: Bersekolah (1) | 42 | 158 |
Accuracy: 76.1 %Sensitivity: 89.77 %Specificity: 44 %Precision: 79 %F1-Score: 84.04 %
Youden Optimal (0.693)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 56 | 46 |
| Pred: Bersekolah (1) | 19 | 130 |
Accuracy: 74.1 %Sensitivity: 73.86 %Specificity: 74.67 %Precision: 87.25 %F1-Score: 80 %
ROC-AUC
AUC = 0.8003Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 KurangBagian B β KRT Laki-laki | Ayah + Ibu (biner)
SMOTE
n asli: 251 | n setelah SMOTE: 326 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 150 |
| Bersekolah (1) | 176 | 176 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 449.856 |
| -2LL Model | 330.37 |
| GΒ² Hitung | 119.486 |
| df | 11 |
| ΟΒ² Tabel (Ξ±=5%) | 19.675 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.6894 | 0.9407 | 3.2255 | 0.0725 | β Tdk Signifikan |
| X1Laki.laki | X1Laki.laki | 0.2466 | 0.2910 | 0.7178 | 0.3969 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.6338 | 0.3233 | 25.5331 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 1.1115 | 0.3648 | 9.2847 | 0.0023 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.1730 | 0.3724 | 9.9196 | 0.0016 | β Signifikan |
| X5_AYAH..SMA | X5_AYAH..SMA | 0.1126 | 0.3958 | 0.0809 | 0.7761 | β Tdk Signifikan |
| X5_IBU..SMA | X5_IBU..SMA | 1.0077 | 0.4201 | 5.7548 | 0.0164 | β Signifikan |
| X6Pertanian | X6Pertanian | 0.1324 | 0.8850 | 0.0224 | 0.8810 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.4401 | 0.8738 | 0.2537 | 0.6145 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | 0.0608 | 0.3707 | 0.0269 | 0.8698 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.6950 | 0.5658 | 8.9751 | 0.0027 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | -0.5088 | 0.3731 | 1.8598 | 0.1726 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 15.21 |
| df | 8 |
| p-value | 0.0552 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 354.37 | Semakin kecil semakin baik |
| AICc | 355.367 | Koreksi utk sampel kecil |
| BIC | 399.813 | Penalti lebih besar pada parameter |
| Log-Likelihood | -165.185 | |
| k (parameter) | 12 | Termasuk intercept |
| n (observasi) | 326 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 326). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.1846 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.2796 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 5.1234 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 3.0388 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.2318 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH..SMA | X5_AYAH..SMA | 1.1191 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU..SMA | X5_IBU..SMA | 2.7392 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 1.1416 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 1.5529 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.0626 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 5.4465 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 0.6012 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.280 | 0.3969 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 5.123 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 3.039 | 0.0023 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.232 | 0.0016 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAH..SMA | X5_AYAH..SMA | 1.119 | 0.7761 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU..SMA | X5_IBU..SMA | 2.739 | 0.0164 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Pertanian | X6Pertanian | 1.142 | 0.8810 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 1.553 | 0.6145 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 1.063 | 0.8698 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 5.446 | 0.0027 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 0.601 | 0.1726 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAH..SMA | X5_AYAH..SMA | β Tidak | β Tidak | β Aman |
| X5_IBU..SMA | X5_IBU..SMA | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 54 | 40 |
| Pred: Bersekolah (1) | 21 | 136 |
Accuracy: 75.7 %Sensitivity: 77.27 %Specificity: 72 %Precision: 86.62 %F1-Score: 81.68 %
Youden Optimal (0.474)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 54 | 39 |
| Pred: Bersekolah (1) | 21 | 137 |
Accuracy: 76.1 %Sensitivity: 77.84 %Specificity: 72 %Precision: 86.71 %F1-Score: 82.04 %
ROC-AUC
AUC = 0.8014Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 112 | 40 |
| Pred: Bersekolah (1) | 38 | 136 |
Accuracy: 76.07 %Sensitivity: 77.27 %Specificity: 74.67 %Precision: 78.16 %F1-Score: 77.71 %
Youden Optimal (0.522)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 113 | 40 |
| Pred: Bersekolah (1) | 37 | 136 |
Accuracy: 76.38 %Sensitivity: 77.27 %Specificity: 75.33 %Precision: 78.61 %F1-Score: 77.94 %
ROC-AUC
AUC = 0.8283Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Bagian B β KRT Laki-laki | Ayah + Ibu (SD / SMP / SMA ke atas)
Reglog Biasa
n valid: 251 obs. | Konstan (dikeluarkan): X4
π EDA β Distribusi Y
| Kategori | N | Persen |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 29.88 % |
| Bersekolah (1) | 176 | 70.12 % |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 306.144 |
| -2LL Model | 237.086 |
| GΒ² Hitung | 69.058 |
| df | 13 |
| ΟΒ² Tabel (Ξ±=5%) | 22.362 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -1.5269 | 1.0107 | 2.2824 | 0.1309 | β Tdk Signifikan |
| X1Laki-laki | X1Laki-laki | 0.2209 | 0.3428 | 0.4154 | 0.5192 | β Tdk Signifikan |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 1.4183 | 0.3820 | 13.7886 | 0.0002 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 0.9814 | 0.4290 | 5.2324 | 0.0222 | β Signifikan |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 1.1788 | 0.4302 | 7.5096 | 0.0061 | β Signifikan |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 0.2375 | 0.4029 | 0.3476 | 0.5555 | β Tdk Signifikan |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | 0.3896 | 0.4959 | 0.6174 | 0.4320 | β Tdk Signifikan |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 0.4596 | 0.3966 | 1.3426 | 0.2466 | β Tdk Signifikan |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | 1.0830 | 0.5079 | 4.5464 | 0.0330 | β Signifikan |
| X6Pertanian | X6Pertanian | 0.3261 | 0.9423 | 0.1197 | 0.7293 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.6687 | 0.9369 | 0.5095 | 0.4753 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | -0.0553 | 0.4171 | 0.0176 | 0.8945 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.3455 | 0.6580 | 4.1808 | 0.0409 | β Signifikan |
| X9Tidak miskin | X9Tidak miskin | -0.3070 | 0.4216 | 0.5302 | 0.4665 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 7.922 |
| df | 8 |
| p-value | 0.4411 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 265.086 | Semakin kecil semakin baik |
| AICc | 266.865 | Koreksi utk sampel kecil |
| BIC | 314.442 | Penalti lebih besar pada parameter |
| Log-Likelihood | -118.543 | |
| k (parameter) | 14 | Termasuk intercept |
| n (observasi) | 251 |
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.2172 | Baseline odds |
| X1Laki-laki | X1Laki-laki | 1.2472 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 4.1302 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 2.6683 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.2506 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.2681 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | 1.4765 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.5834 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | 2.9535 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 1.3855 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 1.9518 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 0.9462 | β Peluang bersekolah lebih kecil dibanding referensi |
| X8Memiliki | X8Memiliki | 3.8399 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak miskin | X9Tidak miskin | 0.7357 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki-laki | X1Laki-laki | 1.247 | 0.5192 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas tunggal | X2Disabilitas tunggal | 4.130 | 0.0002 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 2.668 | 0.0222 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit kesulitan | X3Sedikit kesulitan | 3.251 | 0.0061 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.268 | 0.5555 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | 1.476 | 0.4320 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.583 | 0.2466 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | 2.953 | 0.0330 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Pertanian | X6Pertanian | 1.385 | 0.7293 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 1.952 | 0.4753 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 0.946 | 0.8945 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 3.840 | 0.0409 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak miskin | X9Tidak miskin | 0.736 | 0.4665 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki-laki | X1Laki-laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas tunggal | X2Disabilitas tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit kesulitan | X3Sedikit kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMA ke atas | X5_AYAH_3KATSMA ke atas | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMA ke atas | X5_IBU_3KATSMA ke atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak miskin | X9Tidak miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 37 | 19 |
| Pred: Bersekolah (1) | 38 | 157 |
Accuracy: 77.29 %Sensitivity: 89.2 %Specificity: 49.33 %Precision: 80.51 %F1-Score: 84.64 %
Youden Optimal (0.665)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 56 | 41 |
| Pred: Bersekolah (1) | 19 | 135 |
Accuracy: 76.1 %Sensitivity: 76.7 %Specificity: 74.67 %Precision: 87.66 %F1-Score: 81.82 %
ROC-AUC
AUC = 0.8105Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 KurangBagian B β KRT Laki-laki | Ayah + Ibu (SD / SMP / SMA ke atas)
SMOTE
n asli: 251 | n setelah SMOTE: 326 | X kategorik dikonversi menjadi dummy; referensi tetap kategori bertanda (*).
π EDA β Distribusi Y (Sebelum & Sesudah SMOTE)
| Kategori | N Asal | N SMOTE |
|---|---|---|
| Tidak Bersekolah (0) | 75 | 150 |
| Bersekolah (1) | 176 | 176 |
π Uji Simultan (GΒ²)
| Statistik | Nilai |
|---|---|
| -2LL Null | 449.856 |
| -2LL Model | 329.272 |
| GΒ² Hitung | 120.584 |
| df | 13 |
| ΟΒ² Tabel (Ξ±=5%) | 22.362 |
| p-value | 0 |
| Keputusan | β Tolak H0 β Model Signifikan |
π Uji Parsial (Wald Test)
| Variabel | B | SE | Wald | p-value | Kesimpulan | |
|---|---|---|---|---|---|---|
| (Intercept) | (Intercept) | -2.5971 | 0.9192 | 7.9820 | 0.0047 | β Signifikan |
| X1Laki.laki | X1Laki.laki | 0.2873 | 0.2949 | 0.9487 | 0.3300 | β Tdk Signifikan |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 1.5177 | 0.3365 | 20.3408 | 0.0000 | β Signifikan |
| X3Kesulitan | X3Kesulitan | 1.1645 | 0.3807 | 9.3584 | 0.0022 | β Signifikan |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 1.2036 | 0.3826 | 9.8964 | 0.0017 | β Signifikan |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 0.3850 | 0.3583 | 1.1548 | 0.2825 | β Tdk Signifikan |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | 0.5330 | 0.4416 | 1.4566 | 0.2275 | β Tdk Signifikan |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 0.6692 | 0.3495 | 3.6666 | 0.0555 | β Tdk Signifikan |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | 1.0968 | 0.4466 | 6.0312 | 0.0141 | β Signifikan |
| X6Pertanian | X6Pertanian | 0.5551 | 0.8511 | 0.4254 | 0.5142 | β Tdk Signifikan |
| X6Nonpertanian | X6Nonpertanian | 0.8766 | 0.8335 | 1.1060 | 0.2929 | β Tdk Signifikan |
| X7Perkotaan | X7Perkotaan | 0.1077 | 0.3755 | 0.0823 | 0.7742 | β Tdk Signifikan |
| X8Memiliki | X8Memiliki | 1.8951 | 0.6171 | 9.4295 | 0.0021 | β Signifikan |
| X9Tidak.miskin | X9Tidak.miskin | -0.4920 | 0.3773 | 1.7007 | 0.1922 | β Tdk Signifikan |
β Goodness of Fit (H-L Test)
| Statistik | Nilai |
|---|---|
| ΟΒ² HL | 3.972 |
| df | 8 |
| p-value | 0.8597 |
| Keputusan | β Gagal Tolak H0 β Model FIT |
π Kriteria Informasi (AIC/AICc/BIC)
| Kriteria | Nilai | Keterangan |
|---|---|---|
| AIC | 357.272 | Semakin kecil semakin baik |
| AICc | 358.623 | Koreksi utk sampel kecil |
| BIC | 410.289 | Penalti lebih besar pada parameter |
| Log-Likelihood | -164.636 | |
| k (parameter) | 14 | Termasuk intercept |
| n (observasi) | 326 |
β AIC/AICc/BIC dihitung dari data SMOTE (n = 326). Gunakan sebagai perbandingan; evaluasi fair tetap di data asli.
π Interpretasi Parameter (OR)
| Variabel | exp(B) | Interpretasi | |
|---|---|---|---|
| (Intercept) | (Intercept) | 0.0745 | Baseline odds |
| X1Laki.laki | X1Laki.laki | 1.3328 | β Peluang bersekolah lebih besar dibanding referensi |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 4.5617 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Kesulitan | X3Kesulitan | 3.2043 | β Peluang bersekolah lebih besar dibanding referensi |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.3322 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.4696 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | 1.7040 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.9527 | β Peluang bersekolah lebih besar dibanding referensi |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | 2.9946 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Pertanian | X6Pertanian | 1.7421 | β Peluang bersekolah lebih besar dibanding referensi |
| X6Nonpertanian | X6Nonpertanian | 2.4027 | β Peluang bersekolah lebih besar dibanding referensi |
| X7Perkotaan | X7Perkotaan | 1.1138 | β Peluang bersekolah lebih besar dibanding referensi |
| X8Memiliki | X8Memiliki | 6.6530 | β Peluang bersekolah lebih besar dibanding referensi |
| X9Tidak.miskin | X9Tidak.miskin | 0.6114 | β Peluang bersekolah lebih kecil dibanding referensi |
π§ Keputusan Variabel ORβ1 / Tdk Signifikan
| Variabel | exp(B) | p-value | Kandidat_Ditinjau | Keputusan | |
|---|---|---|---|---|---|
| X1Laki.laki | X1Laki.laki | 1.333 | 0.3300 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | 4.562 | 0.0000 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Kesulitan | X3Kesulitan | 3.204 | 0.0022 | β | Dipertahankan (signifikan/berkontribusi) |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | 3.332 | 0.0017 | β | Dipertahankan (signifikan/berkontribusi) |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | 1.470 | 0.2825 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | 1.704 | 0.2275 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | 1.953 | 0.0555 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | 2.995 | 0.0141 | β | Dipertahankan (signifikan/berkontribusi) |
| X6Pertanian | X6Pertanian | 1.742 | 0.5142 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X6Nonpertanian | X6Nonpertanian | 2.403 | 0.2929 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X7Perkotaan | X7Perkotaan | 1.114 | 0.7742 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
| X8Memiliki | X8Memiliki | 6.653 | 0.0021 | β | Dipertahankan (signifikan/berkontribusi) |
| X9Tidak.miskin | X9Tidak.miskin | 0.611 | 0.1922 | β οΈ OR mendekati 1 dan/atau tidak signifikan | Dipertahankan dalam model (justifikasi teoretis, bukan dibuang otomatis) |
Catatan: variabel yang ditandai tidak otomatis dikeluarkan dari model. Keputusan mempertahankan atau mengeluarkan suatu prediktor perlu disertai justifikasi teoretis (relevansi variabel terhadap partisipasi sekolah anak disabilitas), bukan semata-mata berdasarkan signifikansi statistik, karena model regresi logistik di sini dipakai untuk tujuan eksplanatori, bukan seleksi prediktif murni. Peneliti perlu menuliskan alasan spesifik untuk tiap variabel yang ditandai pada baris di atas sebelum finalisasi model.
π Evaluasi Model
Perfect Separation Check
β Tidak terdeteksi perfect/quasi-complete separation.
| Variabel | |B|>10 | SE>5 | Status | |
|---|---|---|---|---|
| (Intercept) | (Intercept) | β Tidak | β Tidak | β Aman |
| X1Laki.laki | X1Laki.laki | β Tidak | β Tidak | β Aman |
| X2Disabilitas.tunggal | X2Disabilitas.tunggal | β Tidak | β Tidak | β Aman |
| X3Kesulitan | X3Kesulitan | β Tidak | β Tidak | β Aman |
| X3Sedikit.kesulitan | X3Sedikit.kesulitan | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMP | X5_AYAH_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_AYAH_3KATSMA.ke.atas | X5_AYAH_3KATSMA.ke.atas | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMP | X5_IBU_3KATSMP | β Tidak | β Tidak | β Aman |
| X5_IBU_3KATSMA.ke.atas | X5_IBU_3KATSMA.ke.atas | β Tidak | β Tidak | β Aman |
| X6Pertanian | X6Pertanian | β Tidak | β Tidak | β Aman |
| X6Nonpertanian | X6Nonpertanian | β Tidak | β Tidak | β Aman |
| X7Perkotaan | X7Perkotaan | β Tidak | β Tidak | β Aman |
| X8Memiliki | X8Memiliki | β Tidak | β Tidak | β Aman |
| X9Tidak.miskin | X9Tidak.miskin | β Tidak | β Tidak | β Aman |
Confusion Matrix, Metrik & ROC β Pilih Data
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 55 | 37 |
| Pred: Bersekolah (1) | 20 | 139 |
Accuracy: 77.29 %Sensitivity: 78.98 %Specificity: 73.33 %Precision: 87.42 %F1-Score: 82.99 %
Youden Optimal (0.499)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 55 | 37 |
| Pred: Bersekolah (1) | 20 | 139 |
Accuracy: 77.29 %Sensitivity: 78.98 %Specificity: 73.33 %Precision: 87.42 %F1-Score: 82.99 %
ROC-AUC
AUC = 0.8061Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
Confusion Matrix & Metrik Klasifikasi
Cutoff 0.5
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 115 | 37 |
| Pred: Bersekolah (1) | 35 | 139 |
Accuracy: 77.91 %Sensitivity: 78.98 %Specificity: 76.67 %Precision: 79.89 %F1-Score: 79.43 %
Youden Optimal (0.501)
| Aktual: 0 | Aktual: 1 | |
|---|---|---|
| Pred: Tidak Bersekolah (0) | 115 | 37 |
| Pred: Bersekolah (1) | 35 | 139 |
Accuracy: 77.91 %Sensitivity: 78.98 %Specificity: 76.67 %Precision: 79.89 %F1-Score: 79.43 %
ROC-AUC
AUC = 0.8289Baik Β |Β Skala: 0.9β1.0 Sangat Baik | 0.8β0.9 Baik | 0.7β0.8 Cukup | <0.7 Kurang
8 Lampiran
8.1 Ringkasan Persentase Status Sekolah per Kategori Prediktor
ringkasan_gabungan <- bind_rows(
ringkasan_persen_y(dataku_final, "Bagian A β Seluruh KRT",
vars = c(vars_for_tab, vars_pendidikan)),
ringkasan_persen_y(dataku_laki, "Bagian B β KRT Laki-laki",
vars = c(vars_for_tab_B, vars_pendidikan))
)
kable(ringkasan_gabungan,
caption = "Ringkasan % Status Sekolah per Kategori Prediktor β Bagian A & B") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE) %>%
collapse_rows(columns = c(1, 2), valign = "top")| Skenario | Variabel | Kategori | % Tidak Bersekolah | % Bersekolah |
|---|---|---|---|---|
| Bagian A β Seluruh KRT | Jenis Kelamin Anak (X1) | Perempuan | 28.7 | 71.3 |
| Laki-laki | 29.4 | 70.6 | ||
| Jenis Disabilitas (X2) | Disabilitas ganda | 47.5 | 52.5 | |
| Disabilitas tunggal | 13.3 | 86.7 | ||
| Tingkat Kesulitan (X3) | Sangat kesulitan | 55.3 | 44.7 | |
| Kesulitan | 26.4 | 73.6 | ||
| Sedikit kesulitan | 15.4 | 84.6 | ||
| Jenis Kelamin KRT (X4) | Perempuan | 23.7 | 76.3 | |
| Laki-laki | 29.9 | 70.1 | ||
| Pendidikan KRT β biner (X5) | β€ SMP | 31.7 | 68.3 | |
| β₯ SMA | 21.1 | 78.9 | ||
| Pekerjaan KRT (X6) | Tidak bekerja | 54.5 | 45.5 | |
| Pertanian | 30.3 | 69.7 | ||
| Nonpertanian | 23.3 | 76.7 | ||
| Daerah Tinggal (X7) | Perdesaan | 31.4 | 68.6 | |
| Perkotaan | 24.0 | 76.0 | ||
| Kepemilikan KIP/PIP (X8) | Tidak memiliki | 32.8 | 67.2 | |
| Memiliki | 6.8 | 93.2 | ||
| Status Kemiskinan RT (X9) | Miskin | 34.6 | 65.4 | |
| Tidak miskin | 28.0 | 72.0 | ||
| Pendidikan KRT β 3 kategori (X5_3KAT) | SD ke bawah | 33.1 | 66.9 | |
| SMP | 29.8 | 70.2 | ||
| SMA ke atas | 21.1 | 78.9 | ||
| Pendidikan Ayah β biner (X5_AYAH) | β€ SMP | 33.2 | 66.8 | |
| β₯ SMA | 20.8 | 79.2 | ||
| Pendidikan Ibu β biner (X5_IBU) | β€ SMP | 32.0 | 68.0 | |
| β₯ SMA | 18.8 | 81.2 | ||
| Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) | SD ke bawah | 33.9 | 66.1 | |
| SMP | 32.1 | 67.9 | ||
| SMA ke atas | 20.8 | 79.2 | ||
| Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) | SD ke bawah | 35.6 | 64.4 | |
| SMP | 26.9 | 73.1 | ||
| SMA ke atas | 18.8 | 81.2 | ||
| Bagian B β KRT Laki-laki | Jenis Kelamin Anak (X1) | Perempuan | 30.8 | 69.2 |
| Laki-laki | 29.2 | 70.8 | ||
| Jenis Disabilitas (X2) | Disabilitas ganda | 49.6 | 50.4 | |
| Disabilitas tunggal | 13.1 | 86.9 | ||
| Tingkat Kesulitan (X3) | Sangat kesulitan | 56.6 | 43.4 | |
| Kesulitan | 27.0 | 73.0 | ||
| Sedikit kesulitan | 15.5 | 84.5 | ||
| Pendidikan KRT β biner (X5) | β€ SMP | 33.2 | 66.8 | |
| β₯ SMA | 20.8 | 79.2 | ||
| Pekerjaan KRT (X6) | Tidak bekerja | 63.6 | 36.4 | |
| Pertanian | 33.6 | 66.4 | ||
| Nonpertanian | 22.8 | 77.2 | ||
| Daerah Tinggal (X7) | Perdesaan | 33.1 | 66.9 | |
| Perkotaan | 23.0 | 77.0 | ||
| Kepemilikan KIP/PIP (X8) | Tidak memiliki | 33.6 | 66.4 | |
| Memiliki | 7.7 | 92.3 | ||
| Status Kemiskinan RT (X9) | Miskin | 32.7 | 67.3 | |
| Tidak miskin | 29.2 | 70.8 | ||
| Pendidikan KRT β 3 kategori (X5_3KAT) | SD ke bawah | 33.9 | 66.1 | |
| SMP | 32.1 | 67.9 | ||
| SMA ke atas | 20.8 | 79.2 | ||
| Pendidikan Ayah β biner (X5_AYAH) | β€ SMP | 33.2 | 66.8 | |
| β₯ SMA | 20.8 | 79.2 | ||
| Pendidikan Ibu β biner (X5_IBU) | β€ SMP | 33.5 | 66.5 | |
| β₯ SMA | 18.3 | 81.7 | ||
| Pendidikan Ayah β 3 kategori (X5_AYAH_3KAT) | SD ke bawah | 33.9 | 66.1 | |
| SMP | 32.1 | 67.9 | ||
| SMA ke atas | 20.8 | 79.2 | ||
| Pendidikan Ibu β 3 kategori (X5_IBU_3KAT) | SD ke bawah | 36.9 | 63.1 | |
| SMP | 28.7 | 71.2 | ||
| SMA ke atas | 18.3 | 81.7 |
8.2 Perbandingan Ringkas Ketersediaan Data Pendidikan Ayah & Ibu
bind_rows(
data.frame(
Skenario = "Bagian A β Seluruh KRT",
`n total` = nrow(dataku_final),
`n X5 tersedia` = sum(!is.na(dataku_final$X5)),
`n X5_AYAH tersedia` = sum(!is.na(dataku_final$X5_AYAH)),
`n X5_IBU tersedia` = sum(!is.na(dataku_final$X5_IBU)),
`n Ayah & Ibu lengkap` = sum(!is.na(dataku_final$X5_AYAH) & !is.na(dataku_final$X5_IBU)),
check.names = FALSE
),
data.frame(
Skenario = "Bagian B β KRT Laki-laki",
`n total` = nrow(dataku_laki),
`n X5 tersedia` = sum(!is.na(dataku_laki$X5)),
`n X5_AYAH tersedia` = sum(!is.na(dataku_laki$X5_AYAH)),
`n X5_IBU tersedia` = sum(!is.na(dataku_laki$X5_IBU)),
`n Ayah & Ibu lengkap` = sum(!is.na(dataku_laki$X5_AYAH) & !is.na(dataku_laki$X5_IBU)),
check.names = FALSE
)
) %>%
kable(caption = "Ketersediaan Variabel Pendidikan Ayah & Ibu per Skenario") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)| Skenario | n total | n X5 tersedia | n X5_AYAH tersedia | n X5_IBU tersedia | n Ayah & Ibu lengkap |
|---|---|---|---|---|---|
| Bagian A β Seluruh KRT | 306 | 306 | 268 | 289 | 251 |
| Bagian B β KRT Laki-laki | 268 | 268 | 268 | 251 | 251 |
Selisih antara
n X5 tersediadann Ayah & Ibu lengkapadalah biaya sampel dari memakai varian Ayah + Ibu. Angka ini yang perlu dilaporkan bila pembimbing menanyakan mengapa n model varian orang tua berbeda dari varian X5.