Latar Belakang dan Masalah

Menurut UU Nomor 1 Tahun 1974, perkawinan ialah ikatan lahir batin antara seorang pria dengan seorang wanita sebagai suami istri dengan tujuan membentuk keluarga (rumah tangga) yang bahagia dan kekal berdasarkan Ketuhanan Yang Maha Esa. Perkawinan merupakan ikatan sakral antara pasangan pria dan wanita yang diakui secara sosial untuk membangun keluarga, melegalkan hubungan seksual, melegitimasi dan membesarkan anak, membagi peran antar pasangan. Perkawinan dimaksudkan untuk membina hubungan yang langgeng antara kedua pasangan, sehingga dalam menjalani perkawinan dibutuhkan kedewasaan dan tanggung jawab baik secara fisik maupun mental. Oleh karena itu, dibutuhkan peraturan undang-undang mengatur batasan umur pernikahan. Namun pada kenyataannya masih banyak dijumpai perkawinan yang dilakukan dibawah batasan umur perkawinan dan usia anak atau dikenal sebagai perkawinan usia anak.

Adapun definisi anak menurut UU Nomor 35 Tahun 2014 adalah seseorang yang belum berusia 18 tahun. Maka, yang dimaksud dengan perkawinan usia anak ialah perkawinan yang dilakukan melalui hukum perdata, agama atau adat, dan dengan atau tanpa pencatatan atau persetujuan resmi dimana salah satu atau kedua pasangan adalah anak berusia di bawah 18 tahun (BPS dan UNICEF, 2016).

Perkawinan usia anak akan meningkatkan pertumbuhan penduduk, karena secara langsung berkaitan dengan kelahiran. Perempuan yang melakukan perkawinan pada usia anak memiliki durasi atau kemungkinan untuk hamil lebih lama dari pada mereka yang melakukan perkawinan pada usia dewasa. Permasalahan tentang perkawinan anak akan membawa pada angka beban ketergantungan (dependency ratio) yang besar. Wanita yang melakukan perkawinan di usia muda akan lebih cepat untuk memiliki anak sehingga harus memikul tanggungan dari penduduk berusia lanjut dan anak-anak.

Perkawinan yang dilakukan pada usia yang terlalu muda juga akan meningkatkan angka kematian ibu, angka kematian bayi, serta melahirkan bayi malnutrisi yang mengakibatkan berkurangnya generasi bagi bangsa di masa depan. Anak dari ibu yang sangat muda dan sangat tua saat melahirkan memiliki risiko kematian yang tinggi. Angka kematian anak yang tinggi pada wanita yang melahirkan diumur yang sangat muda dan tua kemungkinan berhubungan dengan faktor biologis yang mengakibatkan terjadinya komplikasi selama kehamilan dan saat persalinan. Disamping itu, perkawinan pada usia anak juga bisa menimbulkan berbagai persoalan dalam rumah tangga seperti pertengkaran, percekcokan, dan konflik berkepanjangan, hingga dapat mengakibatkan perceraian.

Dalam upaya menekan permasalahan perkawinan usia anak, maka menjadi penting untuk mengetahui variabel apa saja yang mempengaruhi perkawinan usia anak. Berdasarkan penelitian sebelumnya yang berkaitan dengan latar belakang masalah dalam penelitian ini, Minja Kim Choe et al. (2001) menemukan bahwa faktor-faktor yang bisa memengaruhi wanita untuk melakukan pernikahan dini di Indonesia dan Nepal diantaranya usia, pendidikan wanita, asal daerah, pendidikan ayah dan pendidikan ibu. Kemudian dalam studi literatur yang dilakukan Plan Internasional Australia (2014) disebutkan bahwa ketimpangan gender, budaya, kepercayaan, kemiskinan, krisis, dan peran hukum berpengaruh terhadap keputusan keberlangsungan perkawinan anak. Selain itu, Masthuriyah Sa’dan (2016) menyatakan bahwa beberapa alasan seseorang melakukan pernikahan di usia muda yaitu adanya hukum islam dan hukum adat, kepentingan yang bersifat ekonomi, rendahnya tingkat Pendidikan, dan budaya patriarki. Faktor lainnya yang diungkapkan Dewi Candraningrum et al. (2016) dalam penelitiannya bahwa perkawinan di usia anak dapat terjadi disebabkan motif agama untuk menghindari zina, Pendidikan anak yang rendah, ekonomi keluarga, serta kurang nya pengetahuan terhadap sistem reproduksi. Sedangkan Aulia Imawati (2011) menyatakan bahwa faktor sosial demografi seperti usia kepala rumah tangga, pendidikan tertinggi yang pernah atau sedang diduduki, ijazah kepala rumah tangga, lokasi tempat tinggal, dan letak geografis dapat mempengaruhi usia perkawinan di Provinsi Jawa Timur.

Agar penelitian ini dapat lebih fokus dan terarah, maka permasalahan penelitian yang diangkat perlu dibatasi objek dan variabelnya. Objek yang diteliti pada penelitian ini yaitu wanita usia 15-24 tahun berstatus pernah kawin termasuk cerai hidup ataupun cerai mati dan variabel yang dibatasi berkaitan dengan klasifikasi daerah tempat tinggal dan tingkat pendidikan wanita terhadap perkawinan usia anak pada wanita di Provinsi Nusa Tenggara Barat tahun 2017.

Tujuan

Berdasarkan uraian mengenai latar belakang dan masalah tersebut, maka tujuan yang hendak dicapai peneliti dalam penelitian ini yaitu memberikan gambaran karakteristik wanita pernah kawin usia 15-24 tahun yang melakukan perkawinan pertama pada usia anak (usia < 18 tahun), menganalisis beberapa variabel yang diindikasikan berpengaruh terhadap perkawinan usia anak pada wanita pernah kawin usia 15-24 tahun di Provinsi Nusa Tenggara Barat tahun 2017 serta menganalisis besarnya kecenderungan variabel-variabel yang memengaruhi wanita pernah kawin usia 15-24 tahun yang melakukan perkawinan pertama pada usia anak di Provinsi Nusa Tenggara Barat.

Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari raw data Survei Sosial Ekonomi Nasional (SUSENAS) modul Kor Maret tahun 2017 yang dilaksanakan oleh Badan Pusat Statistik (BPS).

Variabel tak bebas (Y) yang digunakan dalam penelitian ini berbentuk biner yang dikategorikan menjadi wanita pernah kawin usia 15-24 tahun (WPK) yang melangsungkan pernikahan pertama kali pada usia anak (usia < 18 tahun) dan yang melangsungkan pernikahan pertama kali pada usia dewasa (usia ≥ 18 tahun). Sedangkan Variabel bebasnya (X) meliputi:

Metode Analisis

Metode analisis yang digunakan dalam penelitian ini terbagi menjadi dua, yaitu analisis deskriptif dan analisis inferensia. Analisis deskriptif bertujuan untuk memberikan gambaran umum mengenai karakteristik status perkawinan pada WPK usia 15-24 tahun di Provinsi Nusa Tenggara Barat. Analisis inferensia yang digunakan dalam penelitian ini ialah analisis regresi logistik biner, untuk mendapatkan model dari variabel-variabel yang berpengaruh terhadap perkawinan usia anak pada WPK usia 15-24 tahun. Penelitian ini menggunakan tingkat signifikansi 5 persen (alpha = 0,05).

Uji kesesuaian model menggunakan statistik uji Hosmer and Lemeshow juga dilakukan untuk mengetahui apakah model layak atau sesuai dalam menjelaskan variabel respons (Y). Berikut hipotesis dan statistik uji dari hosmer and lemeshow test:

• Ho: Model sudah sesuai dengan data yang digunakan (model Fit)

• H1: Model tidak sesuai dengan data yang digunakan (model tidak Fit)

Keputusan tolak Ho jika nilai p-value < α = 0.05.

Kemudian dihitung juga nilai odds ratio dari masing-masing variabel yang signifikan untuk mengetahui resiko kecenderungan dalam mengalami kejadian antara suatu kategori dengan kategori referensi pada setiap variabel bebas (X).

Data

Sebelum melakukan pengolahan lebih lanjut terhadap data SUSENAS 2017 yang akan digunakan, berikut beberapa package yang digunakan:

library(broom) #untuk merapikan tampilan data
library(caret) #akan digunakan beberapa fungsi untuk membentuk Confusion Matrix
library(DataExplorer)#untuk membantu visualisasi data
library(grid) #diperlukan agar user defined function arrange bisa digunakan
library(InformationValue) #untuk menampilkan Receiver Operating Characteristics (ROC) curve
library(ISLR) #Sumber Datasets default
library(pscl) #akan digunakan fungsi pR2 (Pseudo R2) untuk Evaluasi Model
library(MASS)
library(tidyverse)
library(dplyr)
library(foreign)
library(ggplot2)
library(generalhoslem)

Data SUSENAS 2017 yang telah diperoleh dari Badan Pusat Statistik (BPS), perlu dilakukan filtering terhadap variabel-variabel yang akan digunakan dalam analisis. Berikut syntax yang digunakan, sehingga akan diperoleh data dengan dimensi 519 observasi dan 3 variabel.

a.data = read.dbf("D:/KULIAH IPB/01 SEMESTER 1/STA581 SainsData/Tugas Minipaper/SUSENAS 2017/kor17ind_a_diseminasi.dbf")
data.A = a.data %>% select (R102, R105, R403, R404, R405, R407, R409, R517, R802, RENUM) %>% filter(R405 == 2 & R404 != 1 & (R407 >= 15 & R407 <= 24)) %>% mutate(Y = as.factor(if_else(R409 < 18, "usia anak", "usia dewasa")), 
X1 = as.factor(ifelse(R105 ==1, "kota", "desa")), 
X2 = as.factor(ifelse(R517 == 0, "Tidak bersekolah", 
                      ifelse(R517 == 1 | R517 == 2 | R517 == 3 | R517 == 4 | R517 == 5 , "SD", 
                             ifelse(R517 == 6 | R517 == 7 | R517 == 8 | R517 == 9, "SMP", "> SMA")))))

myData = data.A %>% select(Y, X1, X2)
str(myData)

## 'data.frame':    519 obs. of  3 variables:
##  $ Y : Factor w/ 2 levels "usia anak","usia dewasa": 2 2 2 2 1 2 1 1 2 2 ...
##  $ X1: Factor w/ 2 levels "desa","kota": 2 2 2 2 2 2 2 2 2 2 ...
##  $ X2: Factor w/ 4 levels "> SMA","SD","SMP",..: 2 2 2 1 3 1 1 3 1 1 ...

Unit observasi sebanyak 519 yang dimaksud pada data yang digunakan dalam penelitian ini adalah banyaknya wanita usia 15-24 tahun berstatus pernah kawin (termasuk cerai hidup ataupun cerai mati) di Provinsi Nusa Tenggara Barat pada tahun 2017, yang selanjutnya disebut WPK berusia 15-24 tahun.

Analisis Deskriptif

Berdasarkan hasil yang ditunjukkan oleh diagram kue berikut, lebih sepertiga dari seluruh WPK berusia 15-24 tahun menikah pada usia anak. Artinya, terdapat satu dari tiga wanita pernah kawin usia 15-24 tahun yang melangsungkan pernikahan dibawah usia 18 tahun.

pie(summary(myData$Y), 
    labels = paste(levels(myData$Y), "\n", round(100*summary(myData$Y)/sum(summary(myData$Y)), 2),"%", sep=""),
    main = "Distribusi Usia Kawin Pertama WPK", )

Jadi, dari diagram kue tersebut terlihat bahwa WPK berusia 15-24 tahun yang menikah pada usia < 18 tahun (usia anak) mencapai 35,84 persen. Sementara, sisanya menikah pada usia yang wajar (usia dewasa).

pie(summary(myData$X1), 
    labels = paste(levels(myData$X1), "\n", round(100*summary(myData$X1)/sum(summary(myData$X1)), 2),"%", sep=""),
    main = "Distribusi Daerah Tempat Tinggal WPK", )

Selanjutnya, dari hasil yang ditunjukkan oleh diagram kue di atas, distribusi WPK berusia 15-24 tahun dominan berdomisili di daerah pedesaan, yaitu sebesar 61,46 persen. Terlihat bahwa lebih sepertiga dari WPK berusia 15-24 tahun tinggal di daerah perkotaan (38,54 persen).

pie(summary(myData$X2), 
    labels = paste(levels(myData$X2), "\n", round(100*summary(myData$X2)/sum(summary(myData$X2)), 2),"%", sep=""),
    main = "Distribusi Tingkat Pendidikan WPK", )

Dari sisi tingkat pendidikan terakhir, yang ditunjukkan oleh diagram kue di atas. WPK berusia 15-24 tahun sebagian besar memiliki ijazah SMP atau yang setara (37,38 persen). Lebih dari sepertiganya (35,45 persen) memiliki ijazah setara SMA dan diatasnya (diploma maupun sarjana). Sementara, lebih dari seperempatnya (26,01 persen) memiliki ijazah SD dan hanya 1,16 persen yang tidak memiliki ijazah atau tidak bersekolah.

Secara umum, ringkasan dari data yang digunakan dalam penelitian ini untuk setiap variabel adalah sebagai berikut:

summary(myData)

##            Y          X1                     X2     
##  usia anak  :186   desa:319   > SMA           :184  
##  usia dewasa:333   kota:200   SD              :135  
##                               SMP             :194  
##                               Tidak bersekolah:  6

Jika lebih lanjut di breakdown untuk setiap kategori variabel bebas (X) menurut variabel usia kawin pertama WPK berusia 15-24 tahun (Y), terlihat diagram batangnya sebagai berikut:

plot_bar(myData, by = "Y", ggtheme = theme_light(), order_bar = F)

Dari diagram batang di atas, terlihat bahwa diantara WPK berusia 15-24 tahun yang berdomisili di daerah perkotaan maupun pedesaan, kecenderungannya untuk melakukan perkawinan pada usia anak lebih kecil dibandingkan dengan yang tidak melakukan perkawinan pada usia anak (kawin pada usia yang wajar). Begitu juga untuk WPK berusia 15-24 tahun yang memiliki ijazah setara SMA dan diatasnya (diploma maupun sarjana), kecenderungannya untuk melakukan perkawinan pada usia anak lebih kecil dibandingkan dengan yang tidak melakukan perkawinan pada usia anak. Akan tetapi, WPK berusia 15-24 tahun yang tidak memiliki ijazah atau tidak bersekolah, memiliki kecenderungan untuk melakukan perkawinan pada usia anak lebih besar dibandingkan dengan yang melakukan perkawinan pada usia yang wajar.

Lebih detail untuk persentase setiap kategori variabel bebas (X) menurut variabel usia kawin pertama WPK berusia 15-24 tahun (Y) disajikan sebagai berikut:

# Load function
source("http://pcwww.liv.ac.uk/~william/R/crosstab.r")
X1.Y = crosstab(myData, row.vars =c("X1"), col.vars = "Y", type = "r")
X2.Y = crosstab(myData, row.vars =c("X2"), col.vars = "Y", type = "r")
list(Variabel.1 = X1.Y, 
     Variabel.2 = X2.Y)

## $Variabel.1
##      Y usia anak usia dewasa    Sum
## X1                                 
## desa       40.44       59.56 100.00
## kota       28.50       71.50 100.00
## 
## $Variabel.2
##                  Y usia anak usia dewasa    Sum
## X2                                             
## > SMA                  13.04       86.96 100.00
## SD                     48.15       51.85 100.00
## SMP                    47.42       52.58 100.00
## Tidak bersekolah       83.33       16.67 100.00

Selain itu, bisa juga disajikan persentase kategori variabel usia kawin pertama WPK berusia 15-24 tahun (Y) menurut kategori variabel bebas (X) sebagai berikut:

X1.Y = crosstab(myData, row.vars =c("X1"), col.vars = "Y", type = "c")
X2.Y = crosstab(myData, row.vars =c("X2"), col.vars = "Y", type = "c")
list(Variabel.1 = X1.Y, 
     Variabel.2 = X2.Y)

## $Variabel.1
##      Y usia anak usia dewasa
## X1                          
## desa       69.35       57.06
## kota       30.65       42.94
## Sum       100.00      100.00
## 
## $Variabel.2
##                  Y usia anak usia dewasa
## X2                                      
## > SMA                  12.90       48.05
## SD                     34.95       21.02
## SMP                    49.46       30.63
## Tidak bersekolah        2.69        0.30
## Sum                   100.00      100.00

Terlihat bahwa diantara WPK berusia 15-24 tahun yang melakukan perkawinan pada usia anak, sebagian besar berdomisili di daerah pedesaan. Hampir setengah WPK berusia 15-24 tahun yang melakukan perkawinan pada usia anak memiliki ijazah SMP dan lebih dari sepertiganya memiliki ijazah SD. Sementara itu, hampir setengah WPK berusia 15-24 tahun yang menikah pada usia yang wajar memiliki ijazah setara SMA dan diatasnya (diploma maupun sarjana) dan hampir sepertiganya memiliki ijazah SMP.

Analisis Inferensia

MODEL
Langkah awal yang dilakukan untuk menguji hubungan antara tiap-tiap variabel bebas (X) dengan variabel usia kawin pertama pada WPK berusia 15-24 tahun (Y) adalah membuat model regresi logistik dengan syntax berikut:

myReglog = glm(Y ~ ., data = myData, family = "binomial")

Selanjutnya, dilakukan uji kesesuaian model terlebih dahulu untuk mengetahui apakah model yang digunakan dalam penelitian ini telah sesuai dalam menjelaskan variabel usia kawin pertama pada WPK berusia 15-24 tahun (Y). Hipotesis yang digunakan dalam uji ini adalah seperti berikut:

• Ho: Model sudah sesuai dengan data yang digunakan (model Fit)

• H1: Model tidak sesuai dengan data yang digunakan (model tidak Fit)

Keputusan tolak Ho jika nilai p-value < α = 0,05.

logitgof(myData$Y, fitted(myReglog))

## 
##  Hosmer and Lemeshow test (binary model)
## 
## data:  myData$Y, fitted(myReglog)
## X-squared = 0.66451, df = 4, p-value = 0.9556

Dari hasil uji di atas, diperoleh p-value > 0,05 yang memberikan keputusan gagal tolak Ho. Hasil tersebut menunjukkan bahwa model regresi yang diperoleh sudah cocok/fit dengan data yang digunakan atau tidak ada perbedaan signifikan antara model dengan nilai observasinya.

Selanjutnya, ringkasan dari model regresi logistik yang telah dibuat ialah sebagai berikut:

summary(myReglog)

## 
## Call:
## glm(formula = Y ~ ., family = "binomial", data = myData)
## 
## Deviance Residuals: 
##    Min      1Q  Median      3Q     Max  
## -2.153  -1.142   0.577   1.010   1.935  
## 
## Coefficients:
##                    Estimate Std. Error z value Pr(>|z|)    
## (Intercept)          1.7085     0.2300   7.430 1.09e-13 ***
## X1kota               0.5046     0.2068   2.440  0.01467 *  
## X2SD                -1.8158     0.2799  -6.487 8.78e-11 ***
## X2SMP               -1.7930     0.2632  -6.813 9.56e-12 ***
## X2Tidak bersekolah  -3.4141     1.1207  -3.046  0.00232 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 677.28  on 518  degrees of freedom
## Residual deviance: 597.23  on 514  degrees of freedom
## AIC: 607.23
## 
## Number of Fisher Scoring iterations: 4

Dari hasil di atas, diperoleh model regresi logistik dengan semua koefisiennya signifikan. Koefisien dari model regresi logistik yang telah dihasilkan tersebut adalah sebagai berikut:

round(myReglog$coefficients, 3)

##        (Intercept)             X1kota               X2SD              X2SMP 
##              1.709              0.505             -1.816             -1.793 
## X2Tidak bersekolah 
##             -3.414

Untuk memudahkan interpretasi, digunakan odds ratio untuk melihat besarnya pengaruh dari tiap-tiap variabel bebas terhadap variabel usia kawin pertama pada wanita pernah kawin berusia 15-24 tahun. Berikut dapat dilihat nilai odds ratio-nya:

round(exp(myReglog$coefficients),3)

##        (Intercept)             X1kota               X2SD              X2SMP 
##              5.521              1.656              0.163              0.166 
## X2Tidak bersekolah 
##              0.033

Nilai intercept sebesar 5,521 artinya ketika variabel bebas lainnya bernilai 0 atau ketika wanita pernah kawin berusia 15-24 tahun tersebut tinggal di pedesaan dan tingkat pendidikan terakhirnya diatas SMA, mereka akan memiliki peluang untuk melakukan pekawinan pada usia anak (Y=1) ialah sebesar [exp(1,709)]/[1+exp(1,709)] = 5,521 atau 55,21 persen.

Daerah tempat tinggal berpengaruh signifikan terhadap perkawinan usia anak di Provinsi Nusa Tenggara Barat. WPK berusia 15-24 tahun yang tinggal di daerah perkotaan berpengaruh positif terhadap terjadinya perkawinan pada usia anak dengan koefisien sebesar 0,505. Artinya WPK berusia 15-24 tahun yang berdomisili di daerah perkotaan cenderung untuk melakukan perkawinan pada usia anak sebesar 1,656 kali dibandingkan WPK 15-24 tahun yang tinggal di daerah pedesaan.

Tingkat pendidikan terakhir WPK berusia 15-24 tahun berpengaruh signifikan terhadap terjadinya perkawinan usia anak di Provinsi Nusa Tenggara Barat. WPK berusia 15-24 tahun yang pendidikan terakhirnya SD berpengaruh terhadap terjadinya perkawinan pada usia anak dengan koefisien sebesar -1.816. Artinya WPK berusia 15-24 tahun yang tingkat pendidikan terakhirnya SD atau yang setara, cenderung untuk melakukan perkawinan pada usia anak sebesar 0.163 kali dibandingkan WPK 15-24 tahun yang tingkat pendidikan terakhirnya di atas SMA. Kemudian, WPK berusia 15-24 tahun yang tingkat pendidikan terakhirnya SMP berpengaruh terhadap terjadinya perkawinan pada usia anak dengan koefisien sebesar -1.793. Artinya WPK berusia 15-24 tahun yang tingkat pendidikan terakhirnya SMP atau yang setara, cenderung untuk melakukan perkawinan pada usia anak sebesar 0.166 kali dibandingkan WPK berusia 15-24 tahun yang tingkat pendidikan terakhirnya di atas SMA. Sementara itu, ketika WPK berusia 15-24 tahun tersebut tidak mengenyam pendidikan atau tidak bersekolah (tidak memiliki ijazah), kecenderungan untuk melakukan perkawinan pertama kali sebelum usia 18 tahun hanya sebesar 0.033 kali dibandingkan WPK berusia 15-24 tahun yang tingkat pendidikan terakhirnya di atas SMA.

EVALUASI MODEL: Confusion Matrix

Terakhir, dilakukan evauasi model dengan membagi data menjadi data training dan data testing dengan perbandingan 20 persen data testing dan 80 persen data training. Kemudian, dibentuk kembali model regresi logistiknya. Berikut syntax yang digunakan serta hasil ringkasan model yang terbentuk:

set.seed(70)
sample = sample(nrow(myData),floor(nrow(myData)*0.8))
train = myData[sample,]
test = myData[-sample,]

myReglogTrain = glm(Y ~ ., data = train, family = "binomial")
summary(myReglogTrain)

## 
## Call:
## glm(formula = Y ~ ., family = "binomial", data = train)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.1389  -1.0944   0.4627   1.0296   1.7941  
## 
## Coefficients:
##                    Estimate Std. Error z value Pr(>|z|)    
## (Intercept)          1.6240     0.2493   6.514 7.29e-11 ***
## X1kota               0.5564     0.2312   2.406  0.01611 *  
## X2SD                -1.7688     0.3061  -5.779 7.51e-09 ***
## X2SMP               -1.8224     0.2881  -6.326 2.51e-10 ***
## X2Tidak bersekolah  -3.0103     1.1455  -2.628  0.00859 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 544.15  on 414  degrees of freedom
## Residual deviance: 476.59  on 410  degrees of freedom
## AIC: 486.59
## 
## Number of Fisher Scoring iterations: 4

Dari hasil di atas, diperoleh model regresi logistik yang semua koefisiennya juga signifikan. Koefisien dari model regresi logistik yang telah dihasilkan dari data training tersebut adalah sebagai berikut:

round(myReglogTrain$coefficients, 3)

##        (Intercept)             X1kota               X2SD              X2SMP 
##              1.624              0.556             -1.769             -1.822 
## X2Tidak bersekolah 
##             -3.010

Berikut dapat dilihat juga nilai odds ratio-nya:

round(exp(myReglogTrain$coefficients),3)

##        (Intercept)             X1kota               X2SD              X2SMP 
##              5.074              1.744              0.171              0.162 
## X2Tidak bersekolah 
##              0.049

Jika dilihat ringkasan hasil model regresi logistik, nilai koefisien, maupun nilai odds ratio yang terbentuk dari data training tersebut, tidak terlihat perbedaan yang signifikan dengan hasil dari model awal yang telah dibentuk dalam analisis inferensi yang dilakukan. Hal ini bisa ditunjukkan dari hasil Confusion Matrix and Statistics berikut:

test$pred = predict(myReglogTrain, test, type="response")

test$good_pred = ifelse(test$pred > 0.5, "good", "bad")

test$good_pred = as.factor(test$good_pred)

(conf.mat = caret::confusionMatrix(test$good_pred, test$good, positive="good"))

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction bad good
##       bad   48    0
##       good   0   56
##                                      
##                Accuracy : 1          
##                  95% CI : (0.9652, 1)
##     No Information Rate : 0.5385     
##     P-Value [Acc > NIR] : < 2.2e-16  
##                                      
##                   Kappa : 1          
##                                      
##  Mcnemar's Test P-Value : NA         
##                                      
##             Sensitivity : 1.0000     
##             Specificity : 1.0000     
##          Pos Pred Value : 1.0000     
##          Neg Pred Value : 1.0000     
##              Prevalence : 0.5385     
##          Detection Rate : 0.5385     
##    Detection Prevalence : 0.5385     
##       Balanced Accuracy : 1.0000     
##                                      
##        'Positive' Class : good       
## 

Sensitivitas (atau True Positive Rate) adalah persentase pengamatan (aktual) yang diprediksi dengan benar oleh model, sedangkan spesifisitas adalah persentase dari 0 (aktual) yang diprediksi dengan benar.

broom::tidy(conf.mat)

## # A tibble: 14 x 6
##    term                 class estimate conf.low conf.high    p.value
##    <chr>                <chr>    <dbl>    <dbl>     <dbl>      <dbl>
##  1 accuracy             <NA>     1        0.965         1   1.10e-28
##  2 kappa                <NA>     1       NA            NA  NA       
##  3 mcnemar              <NA>    NA       NA            NA NaN       
##  4 sensitivity          good     1       NA            NA  NA       
##  5 specificity          good     1       NA            NA  NA       
##  6 pos_pred_value       good     1       NA            NA  NA       
##  7 neg_pred_value       good     1       NA            NA  NA       
##  8 precision            good     1       NA            NA  NA       
##  9 recall               good     1       NA            NA  NA       
## 10 f1                   good     1       NA            NA  NA       
## 11 prevalence           good     0.538   NA            NA  NA       
## 12 detection_rate       good     0.538   NA            NA  NA       
## 13 detection_prevalence good     0.538   NA            NA  NA       
## 14 balanced_accuracy    good     1       NA            NA  NA

Dari hasil tersebut, terihat bahwa hasil evaluasi model sudah bagus.