KELOMPOK :
HARTINA HUSAIN
H 121 13 005
NURWAHIDAH ABDURRAUF
H 121 13
034
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
BAB I
PENDAHULUAN
Model statistika (statistical model) yang sering disebut sebagai
analisis regresi,
hubungan
merupakan suatu
model yang
menggambarkan pola
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
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
yi
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
g ( )=
(< x< )
0<y<1 untuk
binomial;
dan
bilangan
cacah
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
( )
yaitu
x
( x ) =
(iii)
[ ]
1
1 2
exp
z dz ;
2
2
0+ 1 x 1+ + p x p
maka didapatkan :
exp ( Z)
atau ln
=Z
1+exp ( Z )
1
[ ]
Fungsi transformasi dalam model probit adalah fungsi sebaran kumulatif (cdf)
X 'i
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
P ( Y i=1|X i ) = ( X ' i )= ( z ) dz
P ( Y i=1|X i ) = ( X ' i )=
[ ]
1
1 2
exp
z dz
2
2
= ( Z )= ( 0+ 1 x1 + + p x p)
dengan
probit berkaitan dengan fungsi peluang normal kumulatif, maka dapat dituliskan
dengan
( 0 + i X i)
Yi
( 0 + i X i)
1
L ( )= piY (1 pi)1Y =
i
i=1
i=1
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
( 0+ i X i )
0+
i X i )
(
( 0+ i X i )
l( ) n
= Y
0 i=1 i
sebagai berikut :
0+
i X i )
(
( 0+ i X i )
( 0+ i X i )
Xi
l( ) n
= Y i
i
i=1
dengan metode
g(0 ) dan
(0)
( t +1)
(t )
( t ) 1
(0)
(t)
= [ H ] g
(t +1) ( t )
(t )
dan
(t )
Statistik uji :
Dengan
n : banyaknya kategori
oi :
( oiei )2
=
ei
i=1
2
Denga n
n : banyak nya kategori
oi
Denga n
n
oi
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
dalam
peuba h
tak
bebas ,
menyata ka n
secara
W=
^ 2j
( j)2
H0
Z /2
atau p-
secara
G=2 ln
[ ]
L0
L1
dengan:
L0= Fungsi likelihood tanpa peubah bebas
L1= Fungsi likelihood dengan peubah bebas
Statistik uji
mengikuti
2
H0
dengan derajat
ditolak ataau
G> 2 (v , )
atau
pvalue<
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
3. Variabel
x3
4. Variabel
x4
5. Variabel
x5
6. Variabel
x6
7. Variabel
x7
8. Variabel
x8
bencana)
9. Variabel
x9
BAB IV
HASIL DAN PEMBAHASAN
4.1.
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.
Log Likelihoodb
Akaike's Information
-17,603
55,205
Criterion (AIC)
Pearson
menghas ilkan
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
Sig.
,000
[ ]
L0
= 56,229
L1
Dengan menggunakan
=5
2 (0,05 ; 9)
atau
untuk model awal ternyata tolak H0 yang berarti model telah signifikan atau
secara keseluruhan variabel prediktor mempengaruhi variabel respon.
4.4.
W=
^ 2j
( j)2
H0
Z /2
hasil output dari pengujian secara parsial pengaruh variabel prediktor terhadap
variabel respon menggunakan Uji wald Chi-Square.
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),
x8
x2
(tingkat suku
x9
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.
Pearson
menghas ilkan
nilai
54,093.
H0
Karena
nilai
diterima atau
menggunakan
df
Sig.
5
,000
[ ]
L0
= 51,290
L1
Dengan menggunakan
=5
dari nilai
atau
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
Z /2
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
4.8.
x8
x2
x3
x1
( penghasilan bersih
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
x 1 , x 2 , x 3 , x 8 ,dan x 9
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
x9
x3
x1
(jumlah pinjaman),
x8
x2
adalah bencana,
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%
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
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
59,205
77,102
Value/df
,629
1,094
56
55,205
Omnibus Testa
Likelihood Ratio Chi-Square
df
56,229
Dependent Variable: Tingkat_Pengembalian_Kredit
Sig.
9
,000
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
LAMPIRAN 2 (LANJUTAN).
GENERALIZED LINEAR MODEL
Dependent Variable
Probability Distribution
Link Function
Model Information
Tingkat_Pengembalian_Kredita
Binomial
Probit
66
Percent
100,0%
0,0%
Total
66
100,0%
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).
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
46,766
58,480
Value/df
,952
1,803
30
45,342
Omnibus Testa
Likelihood Ratio Chi-Square
51,290
LAMPIRAN 2 (LANJUTAN).
df
Sig.
5
,000
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
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