Tugas Pemodelan Statistika

GENERALIZED LINEAR MODEL MENGGUNAKAN

FUNGSI LINK PROBIT UNTUK DATA
BERDISTRIBUSI BINOMIAL

KELOMPOK :
HARTINA HUSAIN

H 121 13 005

NURWAHIDAH ABDURRAUF

H 121 13

034

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
2016

Abstrak
Model probit merupakan model nonlinier yang digunakan untuk
menganalisis hubungan antara satu variabel dependen dengan beberapa variabel
prediktor dengan variabel dependennya berupa data kualitatif dikotomi yang
bernilai 0 dan 1. Penelitian ini mengkaji tentang model regresi probit untuk
mengetahui faktor-faktor yang mempengaruhi tingkat pengembalian kredit.
Untuk estimasi parameter digunakan metode Maksimum Likelihood yang
kemudian dilanjutkan dengan metode Newton Raphson. Untuk pengujian
parameter secara parsial digunakan uji Wald dan secara serentak digunakan uji
likelihood ratio test. Dengan model probit diperoleh variabel-variabel yang
signifikan mempengaruhi tingkat pengembalian kredit ressponden adalah jumlah
pinjaman, tingkat suku bunga, penghasilan bersih, bencana, dan penghasilan di
luar

usaha.

Sehingga

di

dapatkan

persamaan

probit

( Z )= (4,6090,0000001539 x 1+1,235 x 20,0000002681 x3 +2,482 x 8+ 2,420 x 9 )

.

BAB I
PENDAHULUAN
Model statistika (statistical model) yang sering disebut sebagai
analisis regresi,
hubungan

merupakan suatu

model yang

menggambarkan pola

fungsional antara dua peubah atau lebih. Bentuk fungsi yang

dihasilkan sering disebut sebagai model matematika atau secara lebih khusus
model statistika. Model linier sudah berkembang sangat luas dan telah
digunakan selama bertahun-tahun dalam analisis statistika, khususnya untuk
menganalisis data dengan distribusi kontinu. Dalam pemodelan statistika ada
dua komponen yang dipisahkan yaitu yang bersifat tetap yang biasa disebut
sebagai komponen tetap, dan komponen lain yang bersifat acak disebut sebagai
komponen acak atau dalam hal ini secara khusus disebut sebagai komponen
kesalahan. Dari segi komponen tetapnya, bentuk yang paling sederhana
adalah hubungan linier, sehingga model yang paling sederhana adalah
model linier. Sedangkan dari segi komponen acaknya, yang paling sederhana
adalah asumsi bahwa kesalahannya berdistribusi normal dan saling prediktor
antara satu respon dengan respon lainnya.
Kondisi lain yang banyak ditemukan dalam kehidupan sehari-hari yang
tidak dapat ditangani langsung oleh model linier normal adalah adanya
kenyataan bahwa distribusi respon tidak harus normal. Untuk menangani
kondisi dimana respon yang ada tidak berdistribusi normal, tetapi masih
saling bebas, para statistisi yang dipelopori oleh Nelder dan Wedderburn
(1972) telah mengembangkan model linier yang dikenal dengan generalized
linear model (GLM). Model ini di Indonesia dikenal dengan model linier
tergeneralisir. Model ini berasumsi bahwa respon memiliki distribusi keluarga
eksponensial. Distribusi keluarga eksponensial adalah distribusi yang sifatnya
lebih umum, dimana distribusi-distribusi Normal, Gamma, Poisson termasuk

di dalamnya (Purnamasari, 2012).

Dalam berbagai bidang penelitian yang menggunakan prosedur statistika,
seperti dalam bidang agronomi, pertanian, sosial dan ekonomi, politik, kesehatan,
biologi, dan teknik, data yang diamati dibuat pada unit percobaan yang
mengambil nilai salah satu dari dua kategori yang mungkin. Sebagai contoh,
suatu benih akan berkecambah atau gagal berkecambah di bawah kondisi
percobaan tertentu; suatu peralatan listrik yang diproduksi oleh sebuah pabrik
elektronik dapat cacat atau tidak cacat. Data semacam itu dikatakan sebagai data
biner dan dua kategori yang mungkin untuk masing-masing observasi secara
umum dinyatakan dengan istilah sukses atau gagal.
Terdapat beberapa model yang dapat digunakan untuk memodelkan data
respons binomial, diantaranya yaitu: model logistik, model probit, dan model loglog komplementer. Makalah ini akan mengkhususkan menggunakan model
probit.

BAB II
TINJAUAN PUSTAKA
2.1. Model Linear Tergenalisir
Para statistisi yang di dipelopori oleh Nelder dan Wedderburn (1972)
telah mengembangkan model linier yang dikenal dengan generalized linear
model (GLM). Distribusi data tidak lagi terbatas pada distribusi normal tetapi
merupakan keluarga dari distribusi Kelurga Eksponensial. Dalam model linier
tergeneralisir (MLT) atau generalized linear model (GLM), asumsi model
lebih longgar dan digeneralisir dengan cara berikut:
a. asumsi

yi

berdistribusi normal dan saling bebas dengan ragam

konstan, diperluas untuk mungkin

yi

mempunyai distribusi yang sama

dan saling bebas dari distribusi keluarga eksponensial; dan

b. hubungan antara komponen prediktor () dan komponen acak () tidak
harus identitas, tetapi diperluas untuk suatu fungsi monoton dan
diferensiabel, g, yaitu

1=g( i) . Fungsi g disebut fungsi link atau link

function..
Jadi dalam model linier tergeneralisir ada tiga komponen
penting yaitu:
a.

komponen

distribusi,

yaitu

berdistribusi

keluarga

T
eksponensial; b. komponen prediktor linier, yaitu X

; dan

c. fungsi link yaitu fungsi monoton dan diferensiabel g sehingga

g ( )=

Adanya fungsi link memungkinkan prediktor linier memiliki daerah

rentang seluruh bilangan riil
rentang tertentu (misalnya

(< x< )

0<y<1 untuk

tetapi respon y memiliki

binomial;

dan

bilangan

cacah

untuk respon hasil pencacahan atau count data).

Diantara fungsi-fungsi link yang dapat digunakan, ada yang disebut fungsi
p

j xj .
link kanonik yaitu fungsi hubungan yang terjadi pada saat b ( )==
j=0
Untuk distribusi binomial, misalnya fungsi yang biasa dipakai adalah (Tirta,
2006)
(i) Fungsi logit, yang merupakan fungsi link kanonik yaitu :

=log
;
1

( )

(ii) Fungsi probit, yaitu

=1 ( ) ;
dimana

adalah fungsi kumulatif dan distribusi normal standar,

yaitu
x

( x ) =

(iii)

[ ]

1
1 2
exp
z dz ;
2
2

Komplementari ln-ln, yaitu

=log [log ( 1 ) ] .

2.2. Model Regresi Probit

Model regresi ini pertama kali diperkenalkan oleh Chester Bliss pada
tahun 1935. Model probit merupakan model non linier yang digunakan untuk
menganalisis hubungan antara satu variabel respon dan beberapa variabel bebas,
dengan variabel responnya berupa data kualitatif dikotomi yang bernilai 1 untuk
menyatakan keberadaan sebuah karakteristik dan bernilai 0 untuk menyatakan
ketidak beradaan sebuah karakteristik.
Regresi probit merupakan modifikasi regesi logistik dengan menetapkan

persamaan regresi logit mengikuti distribusi normal. Dengan menggunakan

regresi probit maka

0+ 1 x 1+ + p x p

dilihat sebagai skor standar Z yang

mengikuti distribusi normal, Peluang Y=1 (peluang untuk mendapat skor 1)

dinotasikan dengan
=

maka didapatkan :

exp ( Z)

atau ln
=Z
1+exp ( Z )
1

[ ]

Fungsi transformasi dalam model probit adalah fungsi sebaran kumulatif (cdf)
X 'i

yang menyatakan fungsi linier

pada selang [0,1] adalah sebagai berikut :

P ( Y i=1|X i ) = ( X ' i )
Persamaan ini didasari pada distribusi normal ( ) di bawah ini sehingga
regresi probit ditunjukkan dengan

( X 'i )

. Simbol

menunjukkan

berlakunya fungsi invers distribusi normal standar (inverse standart normal

distribution) dan (x) adalah fungsi kepadatan peluang.
X 'i

P ( Y i=1|X i ) = ( X ' i )= ( z ) dz

Dengan kata lain sebagai berikut :

0+ 1 x1 ++ p x p

P ( Y i=1|X i ) = ( X ' i )=

[ ]

1
1 2
exp
z dz
2
2

Secara umum model probit dapat dinyatakan sebagai berikut :

= ( Z )= ( 0+ 1 x1 + + p x p)

dengan

merupakan fungsi peluang kumulatif. Oleh karena model peluang

probit berkaitan dengan fungsi peluang normal kumulatif, maka dapat dituliskan

model peluang probit sederhana sebagai berikut.

Z =0 + 1 x1 ++ p x p
Untuk memperoleh suatu dugaan dari nilai Z, maka dapat digunakan invers dari
fungsi normal kumulatif sehingga diperoleh:
Z =1 ( ) =0 + 1 x1 ++ p x p
Peluang yang dihasilkan dari suatu model probit dapat diinterpretasikan sebagai
suatu dugaan dari peluang bersyarat bahwa objek pengamatan atau kelompok
akan mengalami kejadian berdasarkan nilai tertentu dari X (Naovalitha, 2013).
2.3. Estimasi Parameter Regresi Probit dengan Metode Maximum
Likelihood (MLE)
Metode maksimum likelihood merupakan salah satu metode penaksiran
parameter yang dapat digunakan untuk menaksir parameter suatu model yang
diketahui distribusinya. Metode maksimum likelihood merupakan metode yang
memaksimumkan fungsi likelihood. Hasil penaksiran peremeter model probit
dengan menggunakan metode menggunakan metode maksimum likelihood dapat
diperoleh dengan langkah-langkah sebagai berikut :
1. Menentukan n sampel random.
2. Membentuk fungsi likelihood dan n sampel random karena pada dasarnya
metode maksimum likelihood memberikan dugaan

dengan

memaksimumkan suatu fungsi likelihood. Fungsi likelihood-nya adalah

( 0 + i X i)

Yi

( 0 + i X i)
1

L ( )= piY (1 pi)1Y =
i

i=1

i=1

3. Melakukan transformasi ln terhadap fungsi likelihood karena secara

matematis akan lebih mudah memaksimumkan

L( )

dengan

transformasi ln.

( 0+ i X i )

( 0+ i X i )
1

( 0+ i X i )

ln

Y i ln
n

ln L ( )=l ( )=
i=1

4. Mendapatkan penaksir untuk

dengan memaksimumkan ln fungsi

likelihood, yaitu dengan menderivatifkan ln fungsi likelihood terhadap

parameter

kemudian menyamakannya dengan nol, yaitu:


( 0+ i X i )

0+
i X i )
(

( 0+ i X i )

l( ) n
= Y
0 i=1 i

Sedangkan untuk parameter koefisien

sebagai berikut :

0+
i X i )
(

( 0+ i X i )

( 0+ i X i )

Xi
l( ) n
= Y i
i
i=1

Berdasarkan hasil penaksiran untuk parameter

dengan metode

maksimum likelihood di atas, ternyata diperoleh fungsi yang implisit. Akibatnya

penaksir bagi

tidak bisa langsung diperoleh dan untuk mendapatkan

penaksir maksimum likelihood bagi

untuk fungsi yang implisit digunakan

metode Newton-Raphson dengan langkah-langkah sebagai berikut :

1. Menentukan nilai awal

2. Menghitung

g(0 ) dan

(0)

H (0) yang besarnya tergantung pada

3. Mulai dari t=0 , lakukan iterasi:

4. Jika sudah konvergen atau

( t +1)

(t )

( t ) 1

(0)

(t)

= [ H ] g

(t +1) ( t )

, maka proses iterasi

berhenti, jika tidak, maka teruskan ke t=t+1, hitung

(t )

dan

(t )

kemudian kembali ke langkah (3).

2.4. Pengujian Statistik
Pengujian statistik yang digunakan yaitu pengujian kelayakan model dan
pengujian terhadap parameter baik secara individu maupun simultan.
2.4.1. Pengujian kelayakan model (goodness of fit)
Goodness of fit adalah suatu alat statistic yang digunakan untuk memeriksa
kesesuaian antara model dengan data yang diamati. Model yang sering digunakan
adalah metode Pearson.
Hipotesis
Model yang dipostulatkan layak
H 0 : Model yang dipostulatkan layak
H1:

Model yang dipostulatkan tidak layak

Statistik uji :
Dengan
n : banyaknya kategori
oi :

( oiei )2
=
ei
i=1
2

Denga n
n : banyak nya kategori

oi

: frekue ns i obse rvasi

Denga n
n

: ba nyak nya kategori

oi

: frekue ns i obse rvasi

ei

frekue ns i

eks pektas i

untuk

kategori

ke-i

H0

ditolak

jika

i=1,2,...,n
K rite ria
2h itung > 2 ,db
grup

keputusa n

ada la h

de ngan db= n-p,n me nya takan banyaknya

dalam

peuba h

tak

bebas ,

menyata ka n

ba nyaknya paramete r ( Agre sti, 1996).

2.4.2. Pengujian parameter
Pengujian statistik dilakukan untuk menentukan apakah variabel-variabel
prediktor yang terdapat dalam model tersebut memiliki hubungan yang nyata
(signifikan) dengan variabel responnya. Pengujian ini dilakukan dalam bentukbentuk berikut ini:
a. Uji Parsial
Uji parsial dilakukan untuk menguji keberartian koefisien
parsial dengan membandingkan dugaan
Dengan hipotesis :
H 0 : j=0
H 1 : j 0 : j=1,2, , p
dengan statistik uji-Wald:

secara

dengan penduga standar errornya.

W=

^ 2j
( j)2

Statistik uji w mengikuti distribusi normal standart, maka pengujian dilakukan

dengan membandingkan antara statistik uji Wald dengan distribusi normal
standart pada taraf signifikan

H0

ditolak jika nilai |W|

Z /2

atau p-

secara

value < . (Wulandari & Sutanto, 2010).

b. Uji Serentak
Uji serentak dilakukan untuk memeriksa keberartian koefisien
keseluruhan atau serentak. Hipotesis pengujian adalah:
H 0 : 1= 2== p=0
H 1 : paling sedikit ada satu j 0 : j=1,2, , p
2
Statistik uji dilakukan adalah statistik uji G atau likelihood ratio test, yaitu:

G=2 ln

[ ]
L0
L1

dengan:
L0= Fungsi likelihood tanpa peubah bebas
L1= Fungsi likelihood dengan peubah bebas
Statistik uji

mengikuti

2 , maka pengujian dilakukan dengan

membandingkan antara nilai statistik uji G dan nilai tabel

bebas v (banyaknya parameter) pada taraf signifikan

2
H0

dengan derajat
ditolak ataau

variabel prediktor signifikan berpengaruh secara serentak terhadap variabel

respon jika nilai

G> 2 (v , )

atau

pvalue<

(Wulandari & Sutanto,

2010).
BAB III
METODE PENELITIAN
3.1. Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data
sekunder diperoleh dari Telkom Community Develipment Center (CDC) Divre II
Jakarta, publikasi Badan Pusat Statistik (BPS). Unit analisa yang digunakan
dalam penelitian ini adalah 66 pengusaha kecil yang menjadi mitra binaan pada
program kemitraan PT. Telkom Divisi Regional (Divre) II Jakarta yang berada
pada Daerah Telekomonikasi (Datel) Bogor.

3.2.

Variabel Penelitian
Dalam penelitian ini terdapat satu variabel respon dan enam variabel

prediktor.
a. Variabel respon (Y) : adalah tingkat pengembalian kredit. Respon 0
menyatakan tidak lancar dan respon 1 menyatakan lancar
b. Variabel prediktor :
x1
1. Variabel
adalah Jumlah Pinjaman (rupiah)
2. Variabel

x2

adalah Tingkat Suku Bunga (persen)

3. Variabel

x3

adalah Penghasilan Bersih Usaha (tahun)

4. Variabel

x4

adalah Pengalaman Usaha (tahun)

5. Variabel

x5

adalah Usia (tahun)

6. Variabel

x6

adalah Jumlah Tanggungan Keluarga (orang)

7. Variabel

x7

adalah Pendidikan (tahun)

8. Variabel

x8

adalah Bencana (0 = tidak terkena bencana; 1=terkena

bencana)

9. Variabel

x9

adalah penghasilan di luar usaha(0 = tidak memiliki

penghasilan di luar usaha; 1= memiliki penghasilan di luar usaha).

3.3. Metode Analisis
Tahapan dalam menganalisis data pada penelitian ini adalah :
1. Memeriksa distribusi variabel respon apakah mengikuti distribusi tertentu.
2. Melakukan estimasi parameter model probit dengan menggunakan metode
Maximum likelihood melalui proses iterasi Newton Raphson.
3. Menguji kesesuaian model awal.
4. Menguji parameter baik secara keseluruhan maupun secara parsial.
5. Menentukan variabel penjelas yang signifikan berpengaruh terhadap
variabel respon sebagai model kedua.
6. Mengestimasi parameter dari model kedua.
7. Menguji kesesuaian model kedua dan membandingkannya dengan model
awal.
8. Menguji variabel penjelas baik secara keseluruhan maupun secara parsial.
9. Memilih model probit terbaik dan menginterpretasikan variabel-variabel
penjelas dari model tersebut yang mempengaruhi variabel respon.

BAB IV
HASIL DAN PEMBAHASAN
4.1.

Pemeriksaan Distribusi Variabel Respon

Pada langkah awal dilakukan pengujian pada data respon dengan uji

nonparametrik dengan memilih uji Binomial karena data respon merupakan data
biner yang hanya bernilai 0 atau 1. Sehingga didapatkan hasil
Tabel 4.1. Hasil Pengujian Distribusi dari Data Respon
Exact Sig.
Tingkat

Kategori
Group 1 Tidak

(2-tailed)

32
,902
lancar
Group 2 Lancar
34
Kredit
Total
66
Pada Tabel 4.1. nilai Exact Sig. (2-tailed) dari data sebesar 0,902. Hal ini
Pengembalian

menunjukkan bahwa data respon berdistribusi Binomial karena nilai Exact Sig. (2tailed) yaitu sebesar 0,902 lebih besar dari nilai =0,05 .

4.2.

Pen gu jian k elayakan m odel ( Goodness of fit ) un tuk

m od el aw al

M etode yang digunakan untuk menguji kela yakan model

( Goodnes s of Fit ) adalah metode P earson. Berikut adalah has il
dari pengujian kela yakan model aw al pada analis is regresi probit.
Tabel 4.2. Hasil uji Goodness of Fit untuk model awal
Value
df
Value/df
Deviance
35,205
56
,629
Scaled Deviance
35,205
56
Pearson Chi-Square
61,250
56
1,094
Scaled Pearson Chi-Square
61,250
56

Log Likelihoodb
Akaike's Information

-17,603
55,205

Criterion (AIC)

H asil pengujian kela yakan model denngan menggunakan

metode

Pearson

menghas ilkan

hitung =61,250< 0,05 ;56 =67,5

nilai

61,250.

. H al ini berarti

H0

Karena

nilai

ditolak atau

model yang dipostulatkan tidak la yak. N ilai AIC dari model awal
ini adalah sebes ar 55,205.
4.3. Pen gu jian s eren tak untuk model aw al
Pengujian
s erentak
dilakukan
dengan

menggunakan

L ikelihood Ratio Test .

Tabel 4.3. Uji Omnibus
Likelihood Ratio Chi-Square
df
56,229
9

Sig.
,000

S tatis tik uji :

G=2 ln

[ ]

L0
= 56,229
L1

Dengan menggunakan

=5

didapat nilai statistik uji

Likelihood Ratio, yaitu sebesar 56,229. Nilai statistik uji

dari nilai

2 (0,05 ; 9)

atau

G tersebut lebih besar

yaitu sebesar 16,92. Sehingga dapat disimpulkan bahwa

untuk model awal ternyata tolak H0 yang berarti model telah signifikan atau
secara keseluruhan variabel prediktor mempengaruhi variabel respon.
4.4.

Pengujian parsial untuk model awal

Statistik uji :

W=

^ 2j
( j)2
H0

ditolak apabila nilai |W|

Z /2

atau p-value < . Berikut adalah

hasil output dari pengujian secara parsial pengaruh variabel prediktor terhadap
variabel respon menggunakan Uji wald Chi-Square.

Tabel 4.4. Hasil Uji Wald Chi-Square

Type III
Wald ChiSource
(Intercept)
Bencana
Penghasilan_Diluar_usaha
Jumlah_Pinjaman
Tingkat_Suku_Bunga
Penghasilan_Bersih
Pengalaman_Usaha
Usia
Jumlah_tanggungan_Keluarga
Pendidikan

Square
2,444
5,951
5,581
5,486
4,321
13,911
1,708
,574
1,320
,242

df
1
1
1
1
1
1
1
1
1
1

Sig.
,118
,015
,018
,019
,038
,000
,191
,449
,251
,623

Dari Tabel 4.4. dapat dilihat bahwa variabel yang p-value nya lebih kecil
dari nilai
bunga),

=0,05
x3

adalah

x1

( jumlah pinjaman),

( penghasilan bersih usaha),

x8

x2

(tingkat suku

adalah bencana, dan

x9

(penghasilan di luar usaha).

Dari hasil tersebut akan dibentuk model kedua dengan memasukkan
variabel-variabel yang secara individu signifikan terhadap variabel respon dan
akan dilakukan estimasi parameter untuk model kedua tersebut.
4.5.

Pen gu jian k elayakan m odel ( Goodness of fit ) un tuk

m od el ked ua
M etode yang digunakan untuk menguji kela yakan model
( Goodnes s of Fit ) adalah metode P earson. Berikut adalah has il
output yang keluar dari pengujian kela yakan model kedua pada
analis is regres i probit.

Tabel 4.5. Hasil uji Goodness of Fit untuk model kedua

Value
df
Value/df
Deviance
28,549
30
,952
Scaled Deviance
28,549
30
Pearson Chi-Square
54,093
30
1,803
Scaled Pearson Chi-Square
54,093
30
Log Likelihoodb
-16,671
Akaike's Information
45,342
Criterion (AIC)
H asil pengujian kela yakan model denngan menggunakan
metode

Pearson

menghas ilkan

nilai

54,093.

2hitung =54,093> 20,05; 30=43,77 . Hal ini berarti

H0

Karena

nilai

diterima atau

model yang dipostulatkan la yak. Nilai AIC dari model aw al ini

adalah sebesar 45,342. Nilai AIC dari model kedua juga lebih
kecil yaitu 45,342 lebih kecil dibandingkan dengan model awal
ya itu s ebes ar 55,205. H al ini menunjukkan bahwa model kedua
lebih baik daripada model aw al.
4.6. Pen gu jian s eren tak untuk model k edu a
Pengujian
s erentak
dilakukan
dengan
L ikelihood Ratio Test .
Tabel 4.6. Uji Omnibus

menggunakan

Likelihood Ratio Chi-Square

51,290
S tatis tik uji :
G=2 ln

df

Sig.
5

,000

[ ]

L0
= 51,290
L1

Dengan menggunakan

=5

didapat nilai statistik uji

Likelihood Ratio, yaitu sebesar 51,290. Nilai statistik uji

2(0,05 ;5 )

dari nilai

atau

G tersebut lebih besar

yaitu sebesar 11,07. Sehingga dapat disimpulkan bahwa

untuk model kedua H0 ditolak yang berarti model telah signifikan atau secara
keseluruhan variabel prediktor mempengaruhi variabel respon.
4.7. Pengujian parsial untuk model kedua
Statistik uji
^ 2j
W=
( j)2
H0

ditolak apabila nilai |W|

Z /2

atau p-value < .

Tabel 4.7. Hasil Uji Wald Chi-Square

Type III
Wald ChiSource
(Intercept)
Bencana
Penghasilan_Diluar_usaha
Jumlah_Pinjaman
Tingkat_Suku_Bunga
Penghasilan_Bersih

Square
,578
9,179
6,215
5,582
4,720
14,515

df
1
1
1
1
1
1

Sig.
,447
,002
,013
,018
,030
,000

Dari Tabel 4.7. dapat dilihat bahwa semua nilai p-value dari variabel
prediktor yang ada pada model kedua lebih kecil dari nilai

=0,05

. Sehingga

dapat disimpulkan bahwa variabel prediktor secara individu signifikan

berpengaruh terhadap variabel respon.
Sehingga didapatkan variabel prediktor yang signifikan mempengaruhi
pengembalian kredit pengusaha kecil pada program CSR yaitu variabel
( jumlah pinjaman),
usaha),

4.8.

x8

x2

(tingkat suku bunga),

x9

adalah bencana, dan

x3

x1

( penghasilan bersih

(penghasilan di luar usaha).

Model Probit dari Hasil Estimasi Parameter yang S i g n i f i k a n

Mempengaruhi Pengembalian Kredit
Berikut adalah hasil estimasi parameter untuk model kedua yang

didapatkan dengan memasukkan variabel-variabel prediktor yang secara individu

signifikan terhadap variabel respon.

Tabel 4.8. Hasil Estimasi Parameter yang S i g n i f i k a n Mempengaruhi

Pengembalian Kredit Pengusaha Kecil pada Program Kemitraan
Corporate Social Responsibility (CSR)
Koefisien
Parameter
(Intercept)
[Bencana=0]
[Bencana=1]
[Penghasilan Diluar usaha=0]
[Penghasilan Diluar usaha=1]
Jumlah Pinjaman
Tingkat Suku_Bunga
Penghasilan Bersih
(Scale)

Parameter
-4,609
2,482
0a
2,420
0a
-1,539E-7
1,235
-2,681E-7
1b

Hypothesis Test
Wald ChiSquare
2,444
9,179
.
6,215
.
5,582
4,720
14,515

df
1
1
.
1
.
1
1
1

Sig. Exp(B)
,118
,010
,002 11,961
.
1
,013 11,250
.
1
,018
1,000
,030
3,440
,000
1,000

Berdasarkan pengujian estimasi pada Tabel 4.8. dapat diketahui bahwa

variabel prediktor, yaitu

x 1 , x 2 , x 3 , x 8 ,dan x 9

secara individu signifikan

berpengaruh terhadap variabel respon tingkat pengembalian kredit pada taraf

signifikansi =0,05 .
Dari Tabel 4.8 diketahui nilai koefisien parameter untuk tiap variabel
sehingga diperoleh model probit terbaik untuk faktor-faktor yang mempengaruhi
tingkat pengembalian kredit dengan persamaan berikut:
( Z )= (4,6090,0000001539 x 1+1,235 x 20,0000002681 x3 +2,482 x 4 +2,420 x 5)
.
Untuk mengetahui nilai peluang dari Z dapat dilihat dengan menggunakan
tabel Z. Nilai Z menunjukkan kecenderungan atau peluang pengembalian kredit
tidak lancar.
Berdasarkan model kedua tersebut didapatkan hasil perhitungan nilai Z dan
nilai peluangnya seperti yang ditunjukkan pada Tabel 4.9. berikut.
Tabel 4.9. Data Hasil Perhitungan Nilai Z dan Nilai Peluang Z

No
.

X1

Y
1
2
3
4
5
6

X2

X3

X8

X9

Z =X

10000000

5000000

10000000

2500000

10000000

5000000

1000000

10000000

10000000

4500000

30000000

8000000

(Z)

0,077

0,47
0,72

0,594
-

0,077
-

0,47
0,07

1,417

8
0,52

0,058
-

3
0,06

1,489

7
8
9
10
...

64
65
66

30000000

8000000

30000000

8000000

30000000

8000000

30000000

8000000

...

...

...

...

40000000

10

10000000

15000000

...

1200000

0,06

1,489
-

8
0,06

1,489
-

8
0,06

1,489
-

8
0,06

1,489

...

...
0

5000000

3000000

...
0,05

-1,63
-

0,077

0,47
0,98

2,161

. BAB V
PENUTUP
5.1. Kesimpulan
Berdasarkan hasil dan pembahasan dapat dismpulkan hal-hal
sebagai berikut:
1. Berdasarkan analisis

regresi probit diperoleh variabel prediktor yang

berpengaruh terhadap variabel respon adalah

(tingkat suku bunga),
dan

x9

x3

x1

(jumlah pinjaman),

(penghasilan bersih usaha),

x8

x2

adalah bencana,

(penghasilan di luar usaha). Sehingga didapatkan model probit sebagai

berikut:
( Z )= (4,6090,0000001539 x 1+1,235 x 20,0000002681 x3 +2,482 x 8+ 2,420 x 9 )
.
5.2. Saran
Pada penelitian ini digunakan software IBM SPSS Statistics 22 dengan
menggunakan fungsi link probit. Karena data pada penelitian ini berdistribusi
binomial disarankan pada penelitian lain menggunakan fungsi link lain selain
menggunakan fungsi link probit seperti fungsi logistik dan fungsi komplementer
ln-ln sebagai bahan perbandingan. Selain itu, dapat pula menggnakan software
lain seperti R, SAS, STATA atau software statistika lainnya.

DAFTAR PUSTAKA
Agresti, A. (1996). An Introduction to Categorical Data Analysis. New York (US):
John Wiley and Sons.
Hajarisman, N. (2009). Pemeriksaan Ketepatan Fungsi Hubung dalam Analisis Data
Biner. Statistika , 55-64.
Naovalitha, T. (2013). Analisis Regresi Probit untuk Mengukur Kinerja Keuangan
Industri Asuransi Jiwa di Indonesia. Bogor: IPB.
Purnamasari, R. (2012). ANALISIS DATA STATUS PEKERJAAN DENGAN MODEL
NONLINIER TERGENERALISIR (Studi Kasus di Kabupaten Banyuwangi) .
JEMBER: JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN
ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER.
Tirta, M. (2006). Model Statistika Linear.
Wulandari, E., & Sutanto, H. T. (2010). Model Regresi Probit untuk mengetahui
Faktor-Faktor yang Mempengaruhi Jumlah Penderita Diare di Jawa Timur.

LAMPIRAN 1.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Y
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0

X1
10000000
10000000
10000000
10000000
10000000
30000000
30000000
30000000
30000000
30000000
30000000
25000000
25000000
10000000
10000000
10000000
10000000
7000000
6000000
15000000

X2
6
6
6
6
6
8
8
8
8
8
8
8
8
6
6
6
6
6
6
8

X3
5000000
2500000
5000000
10000000
4500000
8000000
8000000
8000000
8000000
8000000
8000000
8000000
5000000
5000000
800000
675000
500000
35000 0
250000
450000

X4

X5

X6

X7

X8

3
3
4
2
2
3
3
4
2
3
3
3
3
3
4
3
4
3
3
5

45
37
42
40
45
38
34
28
30
31
25
27
25
31
43
24
45
30
28
55

2
3
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
2
2
2

16
12
16
12
12
12
12
12
12
9
9
12
9
9
9
12
12
12
12
6

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1

X9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0

0
5000000
6
21
22
0
10000000
6
0
10000000
6
23
24
0
5000000
6
0
10000000
6
25
26
0
10000000
6
0
20000000
8
27
28
1
15000000
8
1
40000000
10
29
30
0
25000000
8
1
50000000
10
31
32
1
50000000
10
1
50000000
10
33
34
0
50000000
10
1
10000000
6
35
36
1
50000000
10
0
10000000
6
37
38
0
25000000
8
1
10000000
6
39
40
0
5000000
6
LAMPIRAN 1 (LANJUTAN).
No

X1

X2

45
36
39
34
50
48
35
45
58
45
56
45
43
35
43
40
55
42
39
35

2
2
2
2
3
2
3
3
2
4
4
4
4
4
3
4
4
3
4
3

6
6
9
6
12
12
12
12
16
16
6
15
9
16
9
16
6
12
15
12

0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0

X4

X5

X6

X7

X8

0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1

X9

10000000

1500000

39

15

10000000

0
1000000

48

10000000

0
1500000

46

16

12

0
6000000

42

16

2
4

38
45

4
3

12
12

0
1

0
1

42
43
1

150000000

0
0

5000000
10000000

6
6

0
6000000
1000000

10000000

0
1000000

50

0
1000000

48

46
47
48

X3

3
3
4
3
6
4
3
3
3
3
4
3
3
4
3
3
3
3
3
2

1
41

44
45

300000
300000
300000
300000
750000
600000
1500000
4500000
12500000
1500000
8000000
8000000
8000000
4000000
5000000
28000000
4000000
8000000
10000000
5000000

10000000

10000000

0
1000000

46

10000000

0
1000000

42

12

4
2
3
6

45
50
53
40

3
3
3
5

12
9
6
12

0
0
0
0

0
0
0
0

49
50
51
52
53

0
0
0
1

20000000
20000000
20000000
10000000

8
8
8
6

0
35000 00
3500000
3500000
1500000

10000000

0
1500000

43

10000000

0
1500000

42

0
1500000

50

51

54
55
56
1

10000000

57
1

10000000

0
1500000

10000000

0
1500000

46

10000000

0
1500000

41

0
1500000

36

15

40

58
59
60
1

10000000

61
1

10000000

0
1500000

10000000

0
1500000

45

40000000

10

0
1200000

45

12

64
0
1
10000000
6
5000000
2
65
66
0
15000000
8
3000000
2
Sumber: PT.Telkom Divre II Jakarta (2007).

39
36

4
2

12
6

0
0

0
0

62
63

Keterangan:
Y = Tingkat pengembalian kredit (1= Lancar ; 0= Tidak lancar)
X1 = Jumlah pinjaman (rupiah)
X2 = Tingkat suku bunga (persen)
X3 = Penghasilan bersih usaha (rupiah)
X4 = Pengalaman usaha (tahun)
X5 = Usia (tahun)
X6 = Jumlah tanggungan keluarga (orang)
X7 = Pendidikan (tahun)
X8 = Bencana (1= Terkena bencana ; 0= Tidak terkena bencana)
X9= Penghasilan di luar usaha (1= Memiliki penghasilan di luar usaha; 0= Tidak
memiliki penghasilan di luar usaha)

LAMPIRAN 2.
GENERALIZED LINEAR MODEL
Model Information
Tingkat_Pengembalian_Kredita

Dependent Variable
Probability Distribution

Binomial

Link Function
Probit
a. The procedure models Tidak lancar as the response, treating Lancar as
the reference category.
Case Processing Summary
N
Included
Excluded

66

Percent
100,0%

0,0%

Total

66

100,0%

Categorical Variable Information

N
Dependent
Variable
Factor

Tingkat_Pengembalian_Kr Tidak lancar

Lancar
edit
Total
Bencana
Terkena Bencana
Tidak terkena
bencana
Total
Penghasilan_Diluar_usaha Memiliki
Tidak memiliki
Total

32
34
66
7

Percent
48,5%
51,5%
100,0%
10,6%

59

89,4%

66
8
58
66

100,0%
12,1%
87,9%
100,0%

LAMPIRAN 2 (LANJUTAN)

Covariate

Continuous Variable Information

N
Minimum
Maximum
Mean
Std. D
Jumlah_Pinjaman
15000000 19212121,2 2064
66
5000000
0
1
Tingkat_Suku_Bunga
66
6
12
7,03
Penghasilan_Bersih
66
250000 60000000 8228409,09 8559
Pengalaman_Usaha
66
1
6
3,21
Usia
66
24
58
41,17

Jumlah_tanggungan_Keluarg
a
Pendidikan

Deviance
Scaled Deviance
Pearson Chi-Square
Scaled Pearson Chi-Square

66

3,15

66

16

10,89

Goodness of Fita
Value
35,205
35,205
61,250

df
56
56
56

61,250

Log Likelihood
Akaike's Information Criterion (AIC)

-17,603

Finite Sample Corrected AIC (AICC)

59,205

Bayesian Information Criterion (BIC)

77,102

Value/df
,629
1,094

56

55,205

Consistent AIC (CAIC)

87,102
Dependent Variable: Tingkat_Pengembalian_Kredit
Model: (Intercept), Bencana, Penghasilan_Diluar_usaha, Jumlah_Pinjaman,
Tingkat_Suku_Bunga, Penghasilan_Bersih, Pengalaman_Usaha, Usia,
Jumlah_tanggungan_Keluarga, Pendidikan
a. Information criteria are in smaller-is-better form.
b. The full log likelihood function is displayed and used in computing information criteria.
LAMPIRAN 2 (LANJUTAN).

Omnibus Testa
Likelihood Ratio Chi-Square
df
56,229
Dependent Variable: Tingkat_Pengembalian_Kredit

Sig.
9

Model: (Intercept), Bencana, Penghasilan_Diluar_usaha, Jumlah_Pinjaman,

Tingkat_Suku_Bunga, Penghasilan_Bersih, Pengalaman_Usaha, Usia,
Jumlah_tanggungan_Keluarga, Pendidikan
a. Compares the fitted model against the intercept-only model.

,000

Tests of Model Effects

Type III
Wald Chi-Square
df
2,444
5,951

Source
(Intercept)
Bencana
Penghasilan_Diluar_usaha
Jumlah_Pinjaman
Tingkat_Suku_Bunga
Penghasilan_Bersih
Pengalaman_Usaha
Usia
Jumlah_tanggungan_Keluarga

Pendidikan
Dependent Variable: Tingkat_Pengembalian_Kredit

Sig.
1
1

,118
,015

5,581

,018

5,486
4,321
13,911
1,708
,574

1
1
1
1
1

,019
,038
,000
,191
,449

1,320

,251

,242

,623

Model: (Intercept), Bencana, Penghasilan_Diluar_usaha, Jumlah_Pinjaman,

Tingkat_Suku_Bunga, Penghasilan_Bersih, Pengalaman_Usaha, Usia,
Jumlah_tanggungan_Keluarga, Pendidikan

LAMPIRAN 2 (LANJUTAN).
GENERALIZED LINEAR MODEL
Dependent Variable
Probability Distribution
Link Function

Model Information
Tingkat_Pengembalian_Kredita
Binomial
Probit

a. The procedure models Tidak lancar as the response, treating Lancar as

the reference category.
Case Processing Summary
N
Included
Excluded

66

Percent
100,0%

0,0%

Total

66

100,0%

Categorical Variable Information

N
Dependent
Variable
Factor

Tingkat_Pengembalian_Kr Tidak lancar

Lancar
edit
Total
Bencana
Terkena Bencana
Tidak terkena
bencana
Total
Penghasilan_Diluar_usaha Memiliki
Tidak memiliki
Total

32
34
66
7

Percent
48,5%
51,5%
100,0%
10,6%

59

89,4%

66
8
58
66

100,0%
12,1%
87,9%
100,0%

LAMPIRAN 2 (LANJUTAN).

Continuous Variable Information

Minimu
N
Covariate

Jumlah_Pinjaman

66

m
Maximum
500000 15000000
0

Std.
Mean
Deviation
19212121, 20643132,70
21

Tingkat_Suku_Bu
nga
Penghasilan_Ber
sih

66
66

12

7,03
8228409,0

250000 60000000

1,498
8559854,742

Goodness of Fita
Value
28,549
28,549
54,093

Deviance
Scaled Deviance
Pearson Chi-Square
Scaled Pearson Chi-Square

df
30
30
30

54,093

Log Likelihoodb
Akaike's Information Criterion (AIC)

-16,671

Finite Sample Corrected AIC (AICC)

46,766

Bayesian Information Criterion (BIC)

58,480

Value/df
,952
1,803

30

45,342

Consistent AIC (CAIC)

64,480
Dependent Variable: Tingkat_Pengembalian_Kredit
Model: (Intercept), Bencana, Penghasilan_Diluar_usaha, Jumlah_Pinjaman,
Tingkat_Suku_Bunga, Penghasilan_Bersih
a. Information criteria are in smaller-is-better form.
b. The full log likelihood function is displayed and used in computing information criteria.

Omnibus Testa
Likelihood Ratio Chi-Square
51,290

LAMPIRAN 2 (LANJUTAN).

df

Sig.
5

,000

Tests of Model Effects

Type III
Wald Chi-Square
df
,578
9,179

Source
(Intercept)
Bencana
Penghasilan_Diluar_usaha

1
1

Sig.
,447
,002

6,215

,013

Jumlah_Pinjaman
5,582
Tingkat_Suku_Bunga
4,720
Penghasilan_Bersih
14,515
Dependent Variable: Tingkat_Pengembalian_Kredit

1
1
1

,018
,030
,000

Model: (Intercept), Bencana, Penghasilan_Diluar_usaha, Jumlah_Pinjaman,

Tingkat_Suku_Bunga, Penghasilan_Bersih
Parameter Estimates
Hypothesis Test
Wald ChiParameter
(Intercept)
[Bencana=1]
[Bencana=0]
[Penghasilan_Diluar_usaha=1
]
[Penghasilan_Diluar_usaha=0
]
Jumlah_Pinjaman

Tingkat_Suku_Bunga
Penghasilan_Bersih

(Scale)

B
Std. Error
-4,609
2,9482
2,482
,8191
a
0
.

Square
2,444
9,179
.

df
1
1
.

Sig.
,118
,002
.

2,420

,9709

6,215

,013

0a

1,539E- 6,5149E-8

5,582

,018

,5687

4,720

,030

2,681E- 7,0379E-8

14,515

,000

7
1,235
7
1b