LAPORAN RESMI

MODUL ANALISIS DATA KUALITATIF

PENGUJIAN REGRESI LOGISTIK BINER, SERTA

PENGUJIAN INDEPENDENSI DUA DIMENSI DAN TIGA
DIMENSI

Oleh :
Dewi Damayanti 062115 4000 0071
Hikmatul Munawaroh 062115 4000 0103
W.D. Melvy Agrina J.S. 062115 4000 7003

Dosen :
Dr. Purhadi, M.Sc.

Imam Safawi Ahmad S.Si., M.Si.

PROGRAM STUDI SARJANA

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2018

1
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengklasifikasian merupakan salah satu metode statistik dalam
pengelompokkan suatu data yang disusun secara sistematis. Masalah dalam
pengklasifikasian ini muncul apabila terdapat sejumlah ukuran yang terdiri dari satu
atau beberapa kategori yang tidak dapat diidentifikasi secara langsung namun harus
menggunakan suatu ukuran. Contohnya adalah tingkat pengembalian kredit bank
oleh Pedagang di Pasar Segamas Kabupaten Purbalingga. Terdapat beberapa
metode klasifikasi yang digunakan dalam penelitian seperti ini. Salah satunya
adalah metode analisis regresi logistik biner karena pada penelitian ini memiliki
variabel respon berupa data kualitatif. Model regresi logistik biner merupakan
salah satu meodel regresi logistik yang digunakan untuk menganilsa hubungan
antara satu variabel respon dengan beberapa variabel prediktor dimana variabel
responnya berupa data kualitatif. Sehingga pada kasus tingkat pengembalian kredit
bank oleh Pedagang di Pasar Segamas Kabupaten Purbalingga ini terdapat beberapa
variabel yang diamati yaitu pengaruh pengalaman usaha, laba usaha, jumlah
pinjaman, jangka waktu pelunasan terhadap tingkat pengembalian kredit bank.
Mobil merupakan salah satu alat transportasi yang membantu manusia dalam
menjalankan aktivitas sehari-hari, karena dapat berpindah dari satu tempat ke
tempat lain. Dengan adanya mobil, kehidupan menjadi lebih mudah dan praktis.
Hingga saat ini, semakin modernnya zaman, maka semakin canggih pula teknologi
yang diciptakan manusia, tidak terkecuali teknologi yang ada pada mobil. Di
Indonesia, beragam merk mobil dengan spesifikasi dan harga yang bervariasi
ditawarkan kepada konsumen. Merk mobil antara lain, daihatsu, mitsubishi, toyota,
mazda, nissan, dan lain-lain, yang ditunjang dengan fuel type (tipe bahan bakar)
misalnya gas dan diesel.
Uji independensi adalah pengujian yang dilakukan untuk mengetahui
apakah terdapat hubungan antara dua faktor. Model log linier adalah suatu model
statistika, yang menyatakan hubungan antara variabel dengan data yang bersifat
kualitatif (skala nominal atau ordinal). Dengan menggunakan pendekatan log linier

2
bisa diketahui model matematikanya secara pasti serta level atau kelas mana yang
cenderung menimbulkan adanya hubungan atau dependensi.
Dalam melakukan Uji Indepedensi dua dimensi ini data yang digunakan
adalah jenis kendaraan mobil yang terbagi dalam 4 kategori merk yaitu 1 mazda, 2
mitsubishi, 3 nissan, dan 4 toyota. Adapun tipe bahan bakar pada ke-4 merk mobil
terdiri atas dua yaitu gas dan diesel. Sedangkan pada penelitian log linier tiga
dimensi ditambah satu variabel lagi yaitu banyaknya pintu dengan 2 kategori yaitu
2 pintu dan 4 pintu.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, maka diperoleh rumusan masalah
sebagai berikut.
1. Bagaimana model regresi logistik biner pada data tingkat pengembalian
kredit bank oleh Pedagang di Pasar Segamas Kabupaten Purbalingga?
2. Bagaimana nilai odds ratio pada data tingkat pengembalian kredit bank oleh
Pedagang di Pasar Segamas Kabupaten Purbalingga?
3. Bagaimana uji independensi dan model log linier dua dimensi pada data
Automobile ?
4. Bagaimana uji independensi dan model log linier tiga dimensi pada data
Automobile ?
1.3 Tujuan
Tujuan yang ingin dicapai dalam praktikum ini adalah sebagai berikut.
1 Untuk mengetahui model regresi logistik biner pada data tingkat
pengembalian kredit bank oleh Pedagang di Pasar Segamas Kabupaten
Purbalingga.
2 Untuk mengetahui nilai odds ratio pada data tingkat pengembalian kredit
bank oleh Pedagang di Pasar Segamas Kabupaten Purbalingga
3 Mengetahui uji independensi dan model log linier dua dimensi pada data
Automobile
4 Mengetahui uji independensi dan model log linier tigas dimensi pada data
Automobile

3
1.4 Manfaat
Manfaat yang dapat diperoleh dari hasil praktikum ini adalah untuk
memperdalam dan menambah pengetahuan mengenai pemodelan analisis regresi
logistik dan uji indepedensi serta dapat mengaplikasikan teori-terorinya untuk
menyelesaikan masalah yang terjadi di lapangan.

4
 BAB II
TINJAUAN PUSTAKA

2.1 Regresi Logistik

Metode regresi merupakan analisis data antara variabel respon dan satu atau
lebih variabel penjelas atau predictor. Dalam analisis regresi terdapat metode
regresi yang sering digunakan dalam penelitian, regresi linier sederhana dan regresi
logistik. Perbedaan regresi linier sederhana dan regresi logistik adalah variabel
respon. Regresi logistik merupakan salah satu metode yang dapat digunakan untuk
mencari hubungan variabel respon yang bersifat dichotomus (mempunyai skala
nominal atau ordinal dengan 2 kategori) atau polychotomus (mempunyai skala
nominal atau ordinal dengan lebih dari dua kategori) dengan satu atau lebih variabel
prediktor (Agresti, 1990).
Regresi logistik berdasarkan jenis skala data yang digunakan dibagi menjadi
3, yaitu regresi logistik biner, multinomial, dan regresi logistik ordinal.
2.2 Regresi Logistik Biner
Regresi logistik biner merupakan metode analisis data yang digunakan untuk
menemukan hubungan antara variabel respon (y) yang bersifat biner atau dikotomus
dengan variabel prediktor (x) yang bersifat polikotomus (Hosmer dan Lemeshow,
2000). Outcome dari variabel respon y terdiri dari 2 kategori yaitu “sukses” dan
“gagal” yang dinotasikan dengan y=1 (sukses) dan y=0 (gagal). Dalam keadaan
demikian, variabel y mengikuti distribusi Bernoulli untuk setiap observasi tunggal.
Fungsi probabilitas untuk setiap observasi adalah sebagai berikut.
𝑓(𝑦) = 𝜋 𝑦 (1 − 𝜋)1−𝑦 ; 𝑦 = 0,1 (2.1)
Dimana jika y = 0 maka f(y)=1- 𝜋 dan jika y = 1 maka f(y) = 𝜋. Fungsi regresi
logistiknya dapat dituliskan sebagai berikut.
1 𝑒𝑧
𝑓(𝑧) = 1+𝑒 −𝑧 ekuivalen 𝑓(𝑧) = 1+𝑒 𝑧 (2.2)

Dengan 𝑧 = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝
Nilai z antara -∞ dan +∞ sehingga nilai f(z) terletak antara 0 dan 1 untuk setiap
nilai z yang diberikan. Hal tersebut menunjukkan bahwa model logistik sebenarnya
menggambarkan probabilitas atau resiko dari suatu objek. Model regresi
logistiknya adalah sebagai berikut.

5
 𝑒 (𝛽0 +𝛽1 𝑥1 +⋯+𝛽𝑝 𝑥𝑝)
𝜋(𝑥) = (2.3)
1 + 𝑒 (𝛽0+𝛽1 𝑥1+⋯+𝛽𝑝 𝑥𝑝 )
Dimana p = banyaknya variabel prediktor
Untuk mempermudah pendugaan parameter regresi maka model regresi
logistik pada persamaan (2.3) dapat diuraikan dengan menggunakan transformasi
logit dari 𝜋(𝑥).
{𝜋(𝑥)}{1 + 𝑒 (𝛽0+𝛽1 𝑥1+⋯+𝛽𝑝 𝑥𝑝 ) } = 𝑒 (𝛽0+𝛽1 𝑥1+⋯+𝛽𝑝 𝑥𝑝 )

{𝜋(𝑥)} + {𝜋(𝑥)𝑒 (𝛽0+𝛽1 𝑥1 +⋯+𝛽𝑝 𝑥𝑝) } = 𝑒 (𝛽0 +𝛽1 𝑥1 +⋯+𝛽𝑝 𝑥𝑝)

𝜋(𝑥) = 𝑒 (𝛽0 +𝛽1𝑥1 +⋯+𝛽𝑝 𝑥𝑝 ) − 𝜋(𝑥)𝑒 (𝛽0 +𝛽1 𝑥1 +⋯+𝛽𝑝𝑥𝑝 )

𝜋(𝑥) = {1 − 𝜋(𝑥)}𝑒 (𝛽0 +𝛽1 𝑥1 +⋯+𝛽𝑝 𝑥𝑝)
𝜋(𝑥) (2.4)
= 𝑒 (𝛽0 +𝛽1𝑥1 +⋯+𝛽𝑝 𝑥𝑝)
1 − 𝜋(𝑥)
𝜋(𝑥)
𝑙𝑛 ( ) = 𝑙𝑛 𝑒 (𝛽0+𝛽1 𝑥1+⋯+𝛽𝑝 𝑥𝑝 )
1 − 𝜋(𝑥)
𝜋(𝑥)
𝑙𝑛 ( ) = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝
1 − 𝜋(𝑥)
Sehingga diperoleh persamaan berikut.
𝜋(𝑥)
𝑔(𝑥) = 𝑙𝑛 ( ) = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 (2.5)
1 − 𝜋(𝑥)
Model tersebut merupakan fungsi linier dari parameter-parameternya. Dalam
model regresi linier, diasumsikan bahwa pengamatan dari variabel respon
diekspresikan sebagai 𝑦 = 𝐸(𝑌|𝑥) + 𝜀, dengan 𝐸(𝑌|𝑥) adalah sebagai berikut.
𝐸(𝑌|𝑥) = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 (2.6)
Merupakan rata-rata dari populasi dan 𝜀 merupakan komponen acak yang
menunjukkan penyimpangan pengamatan dari rata-ratnya dan 𝜀 diasumsikan
mengikuti distribusi normal dengan rata-rata nol dan varian konstan.
2.3 Estimasi Parameter
Estimasi parameter dalam regresi logistik dilakukan dengan metode
Maximum Likelihood. Metode tersebut mengestimasi parameter 𝛽 dengan cara
memaksimumkan fungsi likelihood dan mensyaratkan bahwa data harus mengikuti
distribusi tertentu. Pada regresi logistik, setiap pengamatan mengikuti distribusi
Bernoulli sehingga dapat ditentuka fungsi likelihoodnya.

6
 Jika 𝑥𝑖 dan 𝑦𝑖 adalah pasangan variabel bebas dan terikat pada pengamatan
ke- I dan diasumsikan bahwa setiap pasangan pengamatan saling independen
dengan pasangan pengamatan lainnya, i = 1,2,…,n maka fungsi probabilitas untuk
setiap pasangan adalah sebagai berikut.
𝑓(𝑥𝑖 ) = 𝜋(𝑥𝑖 )𝑦𝑖 (1 − 𝜋(𝑥𝑖 ))1−𝑦𝑖 ; 𝑖 = 0,1 (2.7)
dengan,
𝑝
(∑𝑗=0 𝛽𝑗 𝑥𝑗 )
𝑒
𝜋(𝑥𝑖 ) = 𝑝
(2.8)
(∑𝑗=0 𝛽𝑗 𝑥𝑗 )
1+𝑒
Dimana ketika j = 0 maka 𝑥𝑖𝑗 = 𝑥𝑖0 = 1.
Setiap pasangan pengamatan diasumsikan independen sehingga fungsi
likelihoodnya merupakan gabungan dari fungsi distribusi masing-masing pasngan
yaitu sebagai berikut.
𝑛 𝑛
1−𝑦𝑖
𝐿(𝛽) = ∏ 𝑓( 𝑥𝑖 ) = ∏ 𝜋(𝑥𝑖 )𝑦𝑖 (1 − 𝜋(𝑥𝑖 ))
𝑖=1 𝑖=1
𝑛 𝑛
𝜋(𝑥𝑖 ) 𝑦𝑖
(log( ) (2.9)
= {∏(1 − 𝜋(𝑥𝑖 ))} {∏ 𝑒 1−𝜋(𝑥 𝑖) }
𝑖=1 𝑖=1
𝑝 −1 𝑝
∑𝑗=0 𝛽𝑗 𝑥𝑖𝑗 {∑𝑗=0(∑𝑛
𝑖=1 𝑦𝑖 𝑥𝑖𝑗 )𝛽𝑗 }
= {∏𝑛𝑖=1 (1 + 𝑒 ) }𝑒

Dari fungsi likelihood kemudian membentuk fungsi log-natural likelihood yang

ditunjukan sebagai berikut.
𝑛
𝑝 −1 𝑝
∑𝑗=0 𝛽𝑗 𝑥𝑖𝑗 {∑𝑗=0(∑𝑛
𝑖=1 𝑦𝑖 𝑥𝑖𝑗 )𝛽𝑗 }
ln 𝐿(𝛽) = ln {∏ (1 + 𝑒 ) }𝑒
𝑖=1 (2.10)
𝑝
∑𝑗=0 𝛽𝑗 𝑥𝑖𝑗
= ∑𝑝𝑗=0(∑𝑛𝑖=1 𝑦𝑖 𝑥𝑖𝑗 )𝛽𝑗 − ∑𝑛𝑖=1 ln (1 + 𝑒 )

Untuk menaksir nilai parameter 𝛽̂ dengan memaksimumkan fungsi log-natural

likelihoodnya, yaitu dengan menghitung turunan pertama dari masing-masing
fungsi log-natural disamadengankan nol.

𝜕𝐿(𝛽)
=0
𝜕𝛽𝑗
𝑛 𝑛 𝑝
∑𝑗=0 𝛽𝑗 𝑥𝑖𝑗
(2.11)
𝑒
∑ 𝑦𝑖 𝑥𝑖𝑗 − ∑ 𝑥𝑖𝑗 ( 𝑝 )=0
∑𝑗=0 𝛽𝑗 𝑥𝑖𝑗
𝑖=1 𝑖=1 1+𝑒

7
 𝑛 𝑛

∑ 𝑦𝑖 𝑥𝑖𝑗 − ∑ 𝑥𝑖𝑗 𝜋̂(𝑥𝑖 ) = 0

𝑖=1 𝑖=1

Penaksir nilai parameter 𝛽 pada persamaan (2.11) tidak dapat diperoleh secara
langsung, karena fungsi yang dihasilkan bebrebntuk implisit sehingga
menggunakan metode Newton Raphson untuk menentukan penaksir parameter 𝛽.
Persamaan yang digunakan dalam metode Newton Raphson adalah sebagai
berikut.
−1
𝛽 (𝑡+1) = 𝛽 (𝑡) − [𝐻 (𝑡) ] 𝑞 (𝑡) ;𝑡
(2.12)
= 1,2, … , 𝑠𝑎𝑚𝑝𝑎𝑖 𝑘𝑜𝑛𝑣𝑒𝑟𝑔𝑒𝑛
Nilai 𝑞 (𝑡) merupakan nilai dari vector qT dan H merupakan matrik Hessian yang
mempunyai nilai sebgai berikut.
𝜕𝐿(𝛽) 𝜕𝐿(𝛽) 𝜕𝐿(𝛽)
𝑞𝑇 = [ , ,…, ] (2.13)
𝜕𝛽0 𝜕𝛽1 𝜕𝛽𝑘
ℎ11 ℎ12 … ℎ1𝑘
ℎ21 ℎ22 … ℎ2𝑘 𝜕 2 𝐿(𝛽)
𝐻=[ ⋮ ⋮ ] , ℎ𝑗𝑘 = (2.14)
⋮ ⋱ 𝜕𝛽𝑗 𝜕𝛽𝑘
ℎ𝑗1 ℎ𝑗2 … ℎ𝑗𝑘

Pada setiap iterasi berlaku nilai ℎ𝑗𝑘 (𝑡) , 𝑞𝑗 (𝑡) , 𝑑𝑎𝑛 𝜋(𝑥𝑡 )(𝑡) adalah sebagai berikut.
𝑛
(𝑡) 𝜕 2 𝐿(𝛽)
ℎ𝑗𝑘 = | = − ∑ 𝑥𝑖𝑗 𝑥𝑖𝑘 𝜋(𝑥𝑖 )(𝑡) (1 − 𝜋(𝑥𝑖 )(𝑡) )
𝜕𝛽𝑗 𝜕𝛽𝑘 𝛽(𝑡)
𝑖=1
𝑛
𝜕𝐿(𝛽)
𝑞𝑗 (𝑡) = | = ∑(𝑦𝑖 − 𝜋(𝑥𝑖 )(𝑡) )𝑥𝑖𝑗 (2.15)
𝜕𝛽𝑗 𝛽(𝑡)
𝑖=1
(𝑡)
(∑𝑘
𝑗=0 𝛽𝑗 𝑥𝑖𝑗 )
𝑒
𝜋(𝑥𝑖 )(𝑡) = (𝑡)
(∑𝑘
𝑗=0 𝛽𝑗 𝑥𝑖𝑗 )
(1 + 𝑒 )

Dari persamaan (2.15), persamaan (2.12) dapat ditulis sebgai berikut.

−1
𝛽 (𝑡+1) = 𝛽 (𝑡) + [𝑥 𝑇 𝐷𝑖𝑎𝑔{𝜋(𝑥𝑖 )(𝑡) (1 − 𝜋(𝑥𝑖 )(𝑡) )}𝑥] 𝑥 𝑇 (𝑦 − 𝜋(𝑥𝑖 )(𝑡) ) (2.16)
Langkah-langkah secara umum melakukan iterasi Newton Raphson untuk
mendapatkan penaksir parameter 𝛽 adalah sebgai berikut.
1. Menetukan nilai dugaan awal 𝛽 (0) kemudian dengan menggunakan
persamaan (2.15) didapatkan 𝜋(𝑥𝑖 )(0) .

8
2. Berdasarkan nilai 𝜋(𝑥𝑖 )(0) dari langkah 1, didapatkan matrik Hessian H(0) dan
vector q(0).
3. Proses selanjutnya untuk t>0 digunakan persamaan (2.15) dan (2.16) hingga
𝜋(𝑥𝑖 )(𝑡) dan 𝛽 (𝑡) konvergen.
2.4 Pengujian Estimasi Parameter
Pengujian estimasi parameter dilakukan untuk mengetahui pengaruh dari
variabel prediktor terhadap variabel respon. Dalam uji estimasi parameter terdapat
uji serentak dan uji parsial.
2.4.1 Uji Serentak
Langkah pertama yaitu dilakukan pengujian secara serentak. Pengujian ini
dilkaukan untuk mengetahui keberartian koefisien 𝛽 secara bersama-sama terhadap
variabel respon. Berikut adalah hipotesis yang digunakan.
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑖 = 0
𝐻1 : 𝑃𝑎𝑙𝑖𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛽𝑖 ≠ 0; 𝑖 = 1,2, … , 𝑝
Statistik uji yang digunakan adalah sebagai berikut.
𝑛 𝑛1 𝑛 𝑛𝑜
( 𝑛1 ) ( 𝑛0 )
𝐺 = −2𝑙𝑛 (2.17)
∑𝑛𝑖=1 𝜋̂𝑖 𝑦𝑖 (1 − 𝜋̂𝑖 )(1−𝑦𝑖 )
Dimana 𝑛1 = ∑𝑛𝑖=1 𝑦𝑖 𝑛0 = ∑𝑛𝑖=1(1 − 𝑦𝑖 ) 𝑛 = 𝑛1 + 𝑛0
Statistic uji G adalah merupakan Likelihood Ratio Test dimana nilai G
mengikuti distribusi Chi- Square sehingga H0 ditolak jika 𝐺 > 𝜒 2 (v,α) dengan v

derajat bebas adalah banyaknya parameter dalam model tanpa 𝛽0.

2.4.2 Uji Parsial
Jika pada pengujian serentak memberikan keputusan 𝛽 signifikan, maka
dilanjutkan ke pengujian parsial. Pengujian ini dilakukan untuk mengetahui
keberartian 𝛽 secara satu per satu terhadap variabel respon. Berikut adalah uji
hipotesis yang digunakan.
𝐻0 : 𝛽𝑖 = 0
𝐻1 : 𝛽𝑖 ≠ 0 ; 𝑖 = 1,2, … , 𝑝
Statistik uji yang digunakan adalah sebagai berikut.
𝛽̂𝑖
𝑊= (2.18)
𝑆𝐸(𝛽̂𝑖 )

9
 Statistik uji W tersebut juga disebut sebagai statistik uji Wald, mengikuti
distribusi normal sehingga H0 ditolak jika |𝑊| > 𝑍𝛼⁄2 dan dapat diperoleh melalui

persamaan berikut.
2
2
𝛽̂𝑖
𝑊 = 2 (2.19)
𝑆𝐸(𝛽̂𝑖 )
Statistik uji tersebut mengikuti distribusi Chi- Square sehingga H0 ditolak jika
𝑊 2 > 𝜒 2 (v,α) dengan v derajat bebas adalah banyaknya prediktor.

2.5 Interpretasi Koefisien Parameter

Interpretasi terhadap parameter dilakukan untuk menentukan keCenderungan/
hubungan fungsional antara variabel prediktor dengan variabel respon. Dalam hal
ini digunakan Odds Ratio dan dinyatakan dengan ψ. Odds ratio diartikan sebagai
hubungan variabel respon memilikisuatu nilai tertentu jika diberikan x=1 dan
dibandingkan pada x=0. Keputusan tidak terdapat hubungan antara variabel
predictor dengan variabel respon diambil jika nilai Odds ratio (ψ)=1.
Jika nilai odds ratio (ψ) < 1, maka antara variabel predictor dengan variabel
respon terdapat hubungan negative setiap kali perubahan nilai variabel bebas (x),
dan jika odds ratio (ψ) > 1 , maka antara variabel prediktor dengan variabel respon
terdapat hubungan positif setiap kali perubahan nilai variabel bebas (x).
2.6 Distribusi Poisson
Menurut Hasan (2002:64) distribusi Poisson disebut juga distribusi peristiwa
yang jarang terjadi, ditemukan oleh S.D. Poisson (1781-1841), seorang ahli
matematika bangsa Prancis. Distribusi Poisson termasuk distribusi teoretis yang
memakai variabel random diskrit. Distribusi Poisson adalah distribusi nilai-nilai
bagi suatu variabel random X, yaitu banyaknya hasil percobaan yang terjadi dalam
suatu interval waktu tertentu atau di suatu daerah.
2.7 Tabel Kontingensi
1. Tabel kontingensi dua dimensi
a. Tabel Kontingensi I x J
Secara umum, tabel kontingensi dua dimensi dapat disajikan dalam bentuk
tabel I x J. Tabel I x J terdapat dua variabel yaitu variabel A dan variabel B. Dalam
tabel ini mempunyai I baris yang menyatakan kategori dari variabel A dan J kolom
yang menyatakan kategori dari variabel B. Terdapat IJ sel dalam tabel yang berisi

10
frekuensi pengamatan yang terjadi dari kombinasi kedua kategori variabel sehingga
diperoleh data berkategori dalam bentuk kontingensi 2 dimensi berukuran I x J.
1) Uji independensi / kebebasan
Uji independensi digunakan untuk melihat ada tidaknya hubungan antara dua
variabel atau lebih. Pengujian ini hampir sama dengan korelasi, akan tetapi pada uji
independensi dengan menggunakan metode chi square, variabel-variabel yang
dianalisis haruslah berupa variabel yang bersifat kategorik atau berskala
pengukuran nominal / ordinal.
2) Uji homogenitas / kesamaan proporsi
Uji homogenitas merupakan uji untuk kesamaan proporsi dilakukan dengan model
dua sampel yang terpisah.
2.8 Model Log Linier
Diberikan sebuah sampel multinomial berukuran n yang disusun dalam tabel
kontingensi dan setiap sel kategorinya mempunyai probabilitas (pij). Dalam model
bebas tidak memuat interaksi antara dua variabel atau lebih.

11
 BAB III
METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam penelitian ini untuk analisis regresi logistik
yaitu data sekunder dari Tugas Akhir Anisa Erdiana Pradifta yang berjudul
Pengaruh Karakteristik Usaha dan Karakteristik Kredit terhadap Tingkat
Pengembalian Kredit Bank oleh Pedagang di Pasar Segamas Kabupaten
Purbalingga.
Sedangkan untuk uji indepedensi data yang digunakan yaitu data jenis
kendaraan mobil.
3.2 Variabel Penelitian
Variabel penelitian yang digunakan dalam analisis regresi logistik adalah
sebagai berikut.
Tabel 3.1 Variabel Penelitian
Notasi Variabel Kategori
Y Tingkat Pengembalian Kredit 1: lancar, 0 : menunggak
X1 Pengalaman Usaha (tahun) -
X2 Laba Usaha (000) -
X3 Jumlah Pinjaman (000) -
X4 Jangka Waktu Pelunasan -

3.3 Langkah Analisis

Berikut ini merupakan langkah analisis yang digunakan dalam penelitian.
1. Mengumpulkan Data
2. Menentukan Kategori
3. Melakukan Analisis Regresi Logistik Biner
Analisis regresi logistik biner yang dilakukan terdiri dari pengujian
signifikansi parameter, penentuan model regres logistik biner (model
logit) dan perhitungan odd ratio
3.4 Diagram Alir Penelitian
Berikut ini merupakan diagram alir berdasarkan pada langkah-langah
penenlitian tersebut.

12
 Mengumpulan Data

Menentukan kategori variabel

Uji Signifikansi Parameter

Penetuan Model Logit

Menentukan Odd Ratio

Kesimpulan

Gambar 3.1 Diagram Alir Penelitian

13
 BAB IV
ANALISIS DAN PEMBAHASAN

4.1 Uji Serentak (Overall Test )

Pengujian ini dilakukan untuk mengetahui apakah secara bersama-sama

variabel X mempengaruhi variabel Y atau minimal terdapat satu variabel X yang
berpengaruh signifikan terhadap variabel Y. Pengujiannya adalah sebagai berikut.
Hipotesis :
H0 : Tidak ada variabel X yang signifikan mempengaruhi variabel Y
H1 : Minimal ada satu variabel X signifikan mempengaruhi variabel Y
Statistik Uji : 𝑋 2 atau p-value
Daerah kritis : Tolak H0 jika 𝑋 2 > 𝑋𝑣2 atau p-value < 𝛼
Hasil pengujian:
Tabel 4.1 Hasil Omnibust Test
Chi-square df Sig.
Model 21.748 4 0.000
Berdasarkan Tabel 4.1 di atas dapat diketahui bahwa model memiliki nilai chi-
square sebesar 21.748 dengan df 4 dan p-value model sebesar 0.000. Dalam hal ini
peneliti menggunakan statistik uji p-value. Jika digunakan tingkat signifikansi 𝛼 =
0.05 diperoleh keputusan tolak H0 karena 0.000 < 0.05 sehingga kesimpulan yang
dapat diambil untuk pengujian ini yaitu minimal terdapat satu variabel X yang
berpengaruh signifikan terhadap variabel Y.

4.2 Uji Parsial (Partial Test )

Pengujian ini dilakukan untuk mengetahui pengaruh setiap variabel X terhadap

variabel Y secara parsial. Pengujiannya adalah sebagai berikut.
Hipotesis :
H0 : 𝛽𝑗 = 0, j=1,2,3,4 (Xj tidak signifikan berpengaruh terhadap Y)
H1 : 𝛽𝑗 ≠ 0, j=1,2,3,4 (Xj signifikan berpengaruh terhadap Y)

14
Statistik Uji : p-value
Daerah kritis : Tolak H0 jika p-value < 𝛼
Hasil pengujian:

Tabel 4.2. Hasil Uji Parsial

Variabel Sig.
X1 0.113
X2 0.040
X3 0.124
X4 0.898

Berdasarkan Tabel 4.2 dapat diketahui p-value dari masing-masing variabel X.

Jika digunakan tingkat signifikansi 𝛼 = 0.05 diperoleh keputusan gagal tolak H0
untuk variabel X1, X3 dan X4 sedangkan untuk X2 diperoleh keputusan tolak H0.
Kesimpulan yang dapat diambil untuk pengujian ini yaitu hanya variabel X2 yang
berpengaruh signifikan terhadap Y sedangkan variabel-variabel X1, X3 dan X4 tidak
berpengaruh signifikan terhadap Y.

4.3 Goodness Of Fit

Berikutnya dilakukan uji kelayakan atau kesesuaian model yang telah

terbentuk dari regresi logistik biner ini. Ada beberapa kriteria yang dapat
dipertimbangkan.
a. Uji Hosmer Lemeshow
Pengujian Hosmer Lemeshow adalah sebagai berikut.
Hipotesis :
H0 : Model telah cukup mampu menjelaskan data / sesuai
H1 : Model tidak cukup mampu menjelaskan data
Statistik Uji : p-value
Daerah kritis : Tolak H0 jika p-value < 𝛼
Hasil pengujian:
Tabel 4.3. Hasil Uji Hosmer Lemeshow
Step Chi-square df Sig.
1 5.285 6 0.508

15
 Berdasarkan Tabel 4.3 di atas dapat diketahui bahwa model memiliki nilai chi-
square sebesar 5.285 dengan df 6 dan p-value model sebesar 0.508. Dalam hal ini
peneliti menggunakan statistik uji p-value. Jika digunakan tingkat signifikansi 𝛼 =
0.05 diperoleh keputusan gagal tolak H0 karena 0.508 > 0.05 sehingga dengan
tingkat keyakinan 95% model regresi logistik yang digunakan telah cukup mampu
menjelaskan data / sesuai.
b. Negalgarke R-Square
Negalgarke R-Square sama halnya dengan koefisien determinasi pada regresi
linier. pada output SPSS tabel model summary dapat dilihat bahwa nilai Negalgarke
R-Square sebesar 0.500 yang artinya 50% dari total varians data dapat dijelaskan
oleh model dan sisanya dijelaskan variabel lain yang tidak terdapat pada model.
Perlu diingat bahwa nilai ini hanya pendekatan saja, karena pada regresi logistik
koefisien determinasi tidak dapat dihitung seperti pada regresi linier.
c. Classification Plot
Tabel 4.4 Hasil Uji Parsial
Percentage
Observed
Correct
Overall Percentage 86.0
Berdasarkan Tabel 4.4 yang selengkapnya dapat dilihat pada Classification table
pada lampiran menunjukkan nilai percentage correct sebesar 86.0 yang artinya
model regresi logistik yang digunakan telah cukup baik, karena mampu menebak
dengan benar 86% kondisi yang terjadi.

4.4 Model Regresi Logistik Biner dan Odds Rasio

Model regresi logistik biner yang terbentuk dari data pengaruh pengalaman
usaha, laba usaha, jumlah pinjaman, jangka waktu pelunasan terhadap tingkat
pengembalian kredit bank. dapat diketahui dengan melihat koefisien 𝛽 pada hasil
output SPSS.
Tabel 4.5 Estimasi Parameter dan Odds Ratio
Variabel B Exp(B)
X1 0.124 1.132
X2 0.001 1.001
X3 0.000 1.000

16
 X4 -0.019 0.981
Constant -0.972 0.378
Nilai parameter regresi ditunjukkan oleh nilai B untuk masing masing variabel,
sehingga model regresi logistik biner yang terbentuk yaitu :
𝑝
𝑙𝑛 ( ) = −0.972 + 0.124𝑋1 + 0.001𝑋2 + 0.000𝑋3 − 0.019𝑋4
1−𝑝
karena hanya variabel X2 yang berpengaruh signifikan maka yang dimodelkan
𝑝
hanya X2 yaitu : 𝑙𝑛 (1−𝑝) = −0.972 + 0.001𝑋2

Interpretasi dari Odds ratio sebagai berikut.

1. Jika jumlah pengalaman usaha meningkat satu tahun maka kecenderungan
tingkat pengembalian kredit lancar sebesar 1.132 kali lipat.
2. Jika jumlah laba usaha pedagang meningkat 1000 rupiah maka kecenderungan
tingkat pengembalian kredit lancar sebesar 1.001 kali lipat.
3. Jika jumlah laba pinjaman pedagang meningkat 1000 rupiah maka
kecenderungan tingkat pengembalian kredit lancar sebesar 1.000 kali lipat.
4. Jika jumlah jangka waktu pelunasan bertambah 1 bulan maka kecenderungan
tingkat pengembalian kredit lancar turun 0.981 kali lipat.

ANALISIS DAN PEMBAHASAN UNTUK DATA AUTOMOBILE

17
 Pengujian Independensi dan model log linier dua dimensi
a. Uji Independensi
Hipotesis :
H0: Tidak ada hubungan antara kedua variabel (Merek mobil dan tipe bahan bakar).
H1: Ada hubungan antara kedua variabel (Merek mobil dan tipe bahan bakar).
Taraf Signifikansi : α = 5 %
Daerah Kritis : 2hitung > 2(α, IJK-I-J-K+2)
2hitung > 2(0.05,12)
Dengan 2(0.05,12) yaitu 21,0261
Hasil pengujian :
Tabel 1. Nilai Uji Likelihood Ratio G2 dan Nilai Uji Pearson Chi-Square

Value df Sig.

Likelihood Ratio 2,760 3 ,000

Pearson Chi-Square 1,760 3 ,000

Karena 2hitung yaitu 2,760 dan G2 = 1,760 yang kurang dari 21,0261 maka gagal
tolak H0, sehingga tidak ada hubungan antara kedua variabel (Merek mobil dan tipe
bahan bakar).

b. Penentuan Model Log Linier Terbaik (2 Dimensi)

Pada tabel kontingensi dua dimensi, terdiri dari 2 faktor, yaitu faktor I sebagai

faktor baris dan faktor J sebagi faktor kolom. Jika keduafaktor independen, maka

peluang pengamatan πij = πi+ . π+j, dimana: i = 1, 2, ..., I dan j = 1, 2, ..., J

c. Mendapatkan nilai ekpektasi dijk

Convergence Informationa,b

Maximum Number of
20
Iterations
Converge Tolerance ,00100
Final Maximum Absolute
1,78109E-5c
Difference
Final Maximum Relative
1,52989E-5
Difference

18
 Number of Iterations 7

Goodness-of-Fit Testsa,b

Value df Sig.

Likelihood Ratio ,000 0 .

Pearson Chi-Square ,000 0 .

d. Backward Elimination Statistics

Step Summary

Stepa Effects Chi-Squarec df Sig.

0 Generating Classb MerkMobil*TipeB

,000 0 .
BM

Deleted Effect 1 MerkMobil*TipeB

2,670 3 ,445
BM

1 Generating Classb MerkMobil,

2,670 3 ,445
TipeBBM

Deleted Effect 1 MerkMobil 9,561 3 ,023

2 TipeBBM 68,282 1 ,000

2 Generating Classb MerkMobil,

2,670 3 ,445
TipeBBM

e. Seleksi Model
Cell Counts and Residuals

Observed Expected

MerkMobil TipeBBM Count % Count % Residuals Std. Residuals

1,00 1,00 15,000 18,8% 15,725 19,7% -,725 -,183

2,00 2,000 2,5% 1,275 1,6% ,725 ,642

2,00 1,00 13,000 16,3% 12,025 15,0% ,975 ,281

2,00 ,000 0,0% ,975 1,2% -,975 -,987

3,00 1,00 17,000 21,3% 16,650 20,8% ,350 ,086

2,00 1,000 1,3% 1,350 1,7% -,350 -,301

4,00 1,00 29,000 36,3% 29,600 37,0% -,600 -,110

2,00 3,000 3,8% 2,400 3,0% ,600 ,387

19
 Pengujian Independensi dan model log
linier tiga dimensi
f. Uji Independensi
Hipotesis :
H0: Tidak ada hubungan antara ketiga variabel (Merek mobil, tipe bahan bakar, dan
jumlah pintu).
H1: Ada hubungan antara ketiga variabel (Merek mobil, tipe bahan bakar, dan
jumlah pintu).
Taraf Signifikansi : α = 5 %
Daerah Kritis : Tolak H0 jika
2hitung > 2(α, IJK-I-J-K+2)
2hitung > 2(0.05,11)
Dengan 2(0.05,11) yaitu 19,68
Hasil pengujian :
Tabel 2. Nilai Uji Likelihood Ratio G2 dan Nilai Uji Pearson Chi-Square

Value df Sig.
Likelihood Ratio 10,886 11 ,453
Pearson Chi-Square 8,996 11 ,622
Karena 2hitung yaitu 8,996 dan G2 = 10,886 yang kurang dari 19,68 maka gagal
tolak H0, sehingga tidak ada hubungan antara ketiga variabel (Merek mobil, tipe
bahan bakar, dan jumlah pintu).

g. Penentuan Model Log Linier Terbaik

Seleksi model dengan metode backward diperoleh
Step Summary

Number of
Stepa Effects Chi-Squarec df Sig. Iterations

0 Generating Classb Merk*Jumlah_Pi

.000 0 .
ntu*Jenis_BBM

Deleted Effect 1 Merk*Jumlah_Pi

4.461 3 .216 2
ntu*Jenis_BBM

20
1 Generating Classb Merk*Jumlah_Pi
ntu,
Merk*Jenis_BBM
4.461 3 .216
,
Jumlah_Pintu*Je
nis_BBM
Deleted Effect 1 Merk*Jumlah_Pi
2.588 3 .460 2
ntu
2 Merk*Jenis_BBM 2.451 3 .484 2
3 Jumlah_Pintu*Je
.748 1 .387 2
nis_BBM
2 Generating Classb Merk*Jumlah_Pi
ntu,
6.913 6 .329
Jumlah_Pintu*Je
nis_BBM
Deleted Effect 1 Merk*Jumlah_Pi
2.807 3 .422 2
ntu
2 Jumlah_Pintu*Je
.967 1 .326 2
nis_BBM
3 Generating Classb Jumlah_Pintu*Je
9.719 9 .374
nis_BBM, Merk
Deleted Effect 1 Jumlah_Pintu*Je
.967 1 .326 2
nis_BBM
2 Merk 9.561 3 .023 2
4 Generating Classb Merk,
Jumlah_Pintu, 10.686 10 .382
Jenis_BBM
Deleted Effect 1 Merk 9.561 3 .023 2
2 Jumlah_Pintu .200 1 .655 2
3 Jenis_BBM 68.282 1 .000 2
5 Generating Classb Merk,
10.886 11 .453
Jenis_BBM
Deleted Effect 1 Merk 9.561 3 .023 2
2 Jenis_BBM 68.282 1 .000 2
6 Generating Classb Merk,
10.886 11 .453
Jenis_BBM

Sehingga didapatkan model terbaik yaitu:

log 𝜇𝑖𝑗𝑘 = 𝜆 + 𝜆𝑖𝑋 + 𝜆𝑗𝑌

21
BAB V

22
 KESIMPULAN

5.1 Kesimpulan
Berdasarkan hasil analisis faktor-faktr penyebab terjadiya katastrofik suatu
rumah tangga meggunakan regresi logistik biner didapatkan beberapa kesimpulan
sebagai berikut.
1. Model regresi logistik biner yang didapatkan yaitu
𝑝
𝑙𝑛 ( ) = −0.972 + 0.124𝑋1 + 0.001𝑋2 + 0.000𝑋3 − 0.019𝑋4
1−𝑝
2. Jika jumlah pengalaman usaha meningkat satu tahun maka kecenderungan
tingkat pengembalian kredit lancar sebesar 1.132 kali lipat. Sedangkan jika
jumlah laba usaha pedagang meningkat 1000 rupiah maka kecenderungan
tingkat pengembalian kredit lancar sebesar 1.001 kali lipat, jika jumlah laba
pinjaman pedagang meningkat 1000 rupiah maka kecenderungan tingkat
pengembalian kredit lancar sebesar 1.000 kali lipat, jika jumlah jangka waktu
pelunasan bertambah 1 bulan maka kecenderungan tingkat pengembalian kredit
lancar turun 0.981 kali lipat.
5.2 Saran
Berdasarkan analisis dan pembahasan, untuk penelitian selanjutnya
ditambahkan variabel lain untuk mengetahui variabel yang berpengaruh.

DAFTAR PUSTAKA

23
Agresti, A. (1990). Categorical Data Analysis. USA: John Wiley & Sons.
Hosmer, D., & Lemeshow, S. (2000). Applied Logistic Regression. New York: John
Wiley and Sons.

LAMPIRAN

24
Lampiran 1. Hasil Output Uji Indepedensi

Crosstabs

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

MerkMobil *
80 100,0% 0 0,0% 80 100,0%
TipeBBM

MerkMobil * TipeBBM Crosstabulation

Count

TipeBBM

1,00 2,00 Total

MerkMobi 1,00 15 2 17
l
2,00 13 0 13

3,00 17 1 18

4,00 29 3 32

Total 74 6 80

Chi-Square Tests

Asymp. Sig.
Value df (2-sided)

25
 Pearson Chi-Square 1,760a 3 ,624

Likelihood Ratio 2,670 3 ,445

Linear-by-Linear
,002 1 ,964
Association

N of Valid Cases 80

General Loglinear

Data Information

Cases Valid 80

Missing 0

Weighted Valid 80

Cells Defined Cells 8

Structural Zeros 0

Sampling Zeros 1

Categories MerkMobil 4

TipeBBM 2

Convergence Informationa,b

Maximum Number of
20
Iterations

Converge Tolerance ,00100

26
Final Maximum Absolute
1,78109E-5c
Difference

Final Maximum Relative

1,52989E-5
Difference

Number of Iterations 7

Goodness-of-Fit Testsa,b

Value df Sig.

Likelihood Ratio ,000 0 .

Pearson Chi-Square ,000 0 .

Cell Counts and Residualsa,b

Observed Expected
MerkMobi TipeBB Standardized
l M Count % Count % Residual Residual

1,00 1,00 15,500 18,5% 15,500 18,5% ,000 ,000

2,00 2,500 3,0% 2,500 3,0% ,000 ,000

2,00 1,00 13,500 16,1% 13,500 16,1% ,000 ,000

2,00 ,500 0,6% ,500 0,6% ,000 ,000

3,00 1,00 17,500 20,8% 17,500 20,8% ,000 ,000

2,00 1,500 1,8% 1,500 1,8% ,000 ,000

4,00 1,00 29,500 35,1% 29,500 35,1% ,000 ,000

2,00 3,500 4,2% 3,500 4,2% ,000 ,000

Cell Counts and Residualsa,b

27
 MerkMobil TipeBBM Adjusted Residual Deviance

1,00 1,00 . ,000

2,00 ,000 ,000

2,00 1,00 ,000 ,000

2,00 ,000 ,000

3,00 1,00 . ,000

2,00 ,000 ,000

4,00 1,00 . ,000

2,00 ,000 ,000

Hierarchical Loglinear Analysis

Data Information

Cases Valid 80

Out of Rangea 0

Missing 0

Weighted Valid 80

Categories MerkMobil 4

TipeBBM 2

28
 Convergence Information

Generating Class MerkMobil*TipeBBM

Number of Iterations 1

Max. Difference between

Observed and Fitted ,000
Marginals

Convergence Criterion ,250

Cell Counts and Residuals

Observed Expected
MerkMobi TipeBB Std.
l M Counta % Count % Residuals Residuals

1,00 1,00 15,500 19,4% 15,500 19,4% ,000 ,000

2,00 2,500 3,1% 2,500 3,1% ,000 ,000

2,00 1,00 13,500 16,9% 13,500 16,9% ,000 ,000

2,00 ,500 0,6% ,500 0,6% ,000 ,000

3,00 1,00 17,500 21,9% 17,500 21,9% ,000 ,000

2,00 1,500 1,9% 1,500 1,9% ,000 ,000

4,00 1,00 29,500 36,9% 29,500 36,9% ,000 ,000

2,00 3,500 4,4% 3,500 4,4% ,000 ,000

a. For saturated models, ,500 has been added to all observed cells.

Goodness-of-Fit Tests

29
 Chi-Square df Sig.

Likelihood Ratio ,000 0 .

Pearson ,000 0 .

K-Way and Higher-Order Effects

Likelihood Ratio Pearson

K df Chi-Square Sig. Chi-Square Sig.

K-way and Higher Order 1 7 80,513 ,000 73,800 ,000

Effectsa
2 3 2,670 ,445 1,760 ,624

K-way Effectsb 1 4 77,843 ,000 72,040 ,000

2 3 2,670 ,445 1,760 ,624

K-Way and Higher-Order Effects

K Number of Iterations

K-way and Higher Order Effectsa 1 0

2 2

K-way Effectsb 1 0

2 0

a. Tests that k-way and higher order effects are zero.

b. Tests that k-way effects are zero.

30
 Partial Associations

Partial Chi- Number of

Effect df Square Sig. Iterations

MerkMobi
3 9,561 ,023 2
l

TipeBBM 1 68,282 ,000 2

Parameter Estimates

95%
Confidence
Interval
Std.
Effect Parameter Estimate Error Z Sig. Lower Bound

MerkMobil*TipeBB 1 -,301 ,338 -,892 ,372 -,963

M
2 ,434 ,561 ,774 ,439 -,666

3 ,015 ,383 ,039 ,969 -,735

MerkMobil 1 ,145 ,338 ,428 ,668 -,517

2 -,729 ,561 -1,299 ,194 -1,830

3 -,050 ,383 -,131 ,896 -,800

TipeBBM 1 1,214 ,237 5,130 ,000 ,750

Parameter Estimates

95% Confidence Interval

Effect Parameter Upper Bound

31
 MerkMobil*TipeBBM 1 ,361

2 1,535

3 ,765

MerkMobil 1 ,806

2 ,371

3 ,700

TipeBBM 1 1,677

Backward Elimination Statistics

Step Summary

Stepa Effects Chi-Squarec df Sig.

0 Generating Classb MerkMobil*Ti

,000 0 .
peBBM

Deleted 1 MerkMobil*Ti
2,670 3 ,445
Effect peBBM

1 Generating Classb MerkMobil,

2,670 3 ,445
TipeBBM

Deleted 1 MerkMobil 9,561 3 ,023

Effect
2 TipeBBM 68,282 1 ,000

32
2 Generating Classb MerkMobil,
2,670 3 ,445
TipeBBM

Step Summary

Stepa Number of Iterations

0 Generating Classb

Deleted Effect 1 2

1 Generating Classb

Deleted Effect 1 2

2 2

2 Generating Classb

Convergence Informationa

Generating Class MerkMobil, TipeBBM

Number of Iterations 0

Max. Difference between

Observed and Fitted ,000
Marginals

Convergence Criterion ,250

Cell Counts and Residuals

Observed Expected Residuals

33
 MerkMobi TipeBB Std.
l M Count % Count % Residuals

1,00 1,00 15,000 18,8% 15,725 19,7% -,725 -,183

2,00 2,000 2,5% 1,275 1,6% ,725 ,642

2,00 1,00 13,000 16,3% 12,025 15,0% ,975 ,281

2,00 ,000 0,0% ,975 1,2% -,975 -,987

3,00 1,00 17,000 21,3% 16,650 20,8% ,350 ,086

2,00 1,000 1,3% 1,350 1,7% -,350 -,301

4,00 1,00 29,000 36,3% 29,600 37,0% -,600 -,110

2,00 3,000 3,8% 2,400 3,0% ,600 ,387

Goodness-of-Fit Tests

Chi-Square df Sig.

Likelihood Ratio 2,670 3 ,445

Pearson 1,760 3 ,624

Lampiran 2. Data untuk Regresi Logistik Biner

No. X1 X2 X3 X4 Y
1 10 9000 10000 12 1
2 15 3000 15000 18 1
3 7 5000 30000 24 1
4 11 7500 15000 18 1
5 9 9000 10000 12 1
6 25 12500 65000 36 1
7 7 3150 12000 18 1
8 15 2000 45000 24 0
9 4 2500 50000 36 0

34
 10 5 1800 75000 36 0
11 12 4500 25000 24 1
12 8 3000 80000 36 0
13 3 1500 5000 12 0
14 10 12000 9000 12 1
15 20 4500 18000 18 1
16 5 3750 28000 24 1
17 18 10000 70000 36 0
18 25 5000 30000 24 1
19 15 24000 100000 36 1
20 9 9000 40000 24 1
21 25 1200 3000 12 1
22 5 3600 20000 18 0
23 8 7000 35000 24 1
24 15 1500 9000 12 0
25 20 4500 17000 18 1
26 11 2000 8000 12 1
27 8 4500 20000 18 0
28 7 1500 6000 12 1
29 18 12000 90000 36 1
30 3 1500 3000 12 1
31 8 1800 12000 12 1
32 12 9000 40000 24 1
33 25 12000 65000 24 1
34 7 2500 15000 18 1
35 6 1500 6000 12 0
36 15 2500 25000 24 0
37 7 4500 30000 24 0
38 21 3500 9000 12 1
39 6 2500 8000 12 1
40 9 5000 15000 18 0
41 19 2000 12000 12 1
42 10 10000 65000 36 1
43 4 1200 7000 12 0
44 2 1800 15000 12 0
45 15 4200 20000 18 1
46 17 1000 3000 12 1
47 6 5000 25000 24 1
48 20 12000 60000 24 1
49 5 2800 10000 12 1
50 18 7500 50000 24 1

Lampiran 3. Output SPSS Omnibus Tests Regresi Logistik Biner

35
 Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 21,748 4 ,000
Step 1 Block 21,748 4 ,000
Model 21,748 4 ,000

Lampiran 4. Output SPSS Variables in the Equation Regresi Logistik Biner

Variables in the Equation
B S.E. Wald df Sig. Exp(B)
X1 ,124 ,078 2,510 1 ,113 1,132
X2 ,001 ,000 4,233 1 ,040 1,001
Step 1a X3 ,000 ,000 2,370 1 ,124 1,000
X4 -,019 ,147 ,016 1 ,898 ,981
Constant -,972 1,873 ,269 1 ,604 ,378
a. Variable(s) entered on step 1: X1, X2, X3, X4.

Lampiran 5. Output SPSS Hosmer and Lemeshow Test Regresi Logistik Biner
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 6,062 8 ,640

Lampiran 6. Output SPSS Model Summary Regresi Logistik Biner

Model Summary
Step -2 Log Cox & Snell R Nagelkerke R
likelihood Square Square
1 39,339a ,353 ,500
a. Estimation terminated at iteration number 7 because
parameter estimates changed by less than ,001.

Lampiran 7. Output SPSS Classification Table Regresi Logistik Biner

Classification Tablea
Observed Predicted
Y Percentage
,00 1,00 Correct

,00 9 6 60,0
Y
Step 1 1,00 1 34 97,1

Overall Percentage 86,0

36
a. The cut value is ,500

37