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.
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.
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
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 )
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
𝜕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
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 )
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
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.
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
12
Mengumpulan Data
Kesimpulan
13
BAB IV
ANALISIS DAN PEMBAHASAN
14
Statistik Uji : p-value
Daerah kritis : Tolak H0 jika p-value < 𝛼
Hasil pengujian:
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.
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
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.
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).
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
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.
e. Seleksi Model
Cell Counts and Residuals
Observed Expected
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).
Number of
Stepa Effects Chi-Squarec df Sig. Iterations
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
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
Cases
MerkMobil *
80 100,0% 0 0,0% 80 100,0%
TipeBBM
Count
TipeBBM
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
Linear-by-Linear
,002 1 ,964
Association
N of Valid Cases 80
General Loglinear
Data Information
Cases Valid 80
Missing 0
Weighted Valid 80
Structural Zeros 0
Sampling Zeros 1
Categories MerkMobil 4
TipeBBM 2
Convergence Informationa,b
Maximum Number of
20
Iterations
26
Final Maximum Absolute
1,78109E-5c
Difference
Number of Iterations 7
Goodness-of-Fit Testsa,b
Value df Sig.
Observed Expected
MerkMobi TipeBB Standardized
l M Count % Count % Residual Residual
27
MerkMobil TipeBBM Adjusted Residual Deviance
Data Information
Cases Valid 80
Out of Rangea 0
Missing 0
Weighted Valid 80
Categories MerkMobil 4
TipeBBM 2
28
Convergence Information
Number of Iterations 1
Observed Expected
MerkMobi TipeBB Std.
l M Counta % Count % Residuals Residuals
a. For saturated models, ,500 has been added to all observed cells.
Goodness-of-Fit Tests
29
Chi-Square df Sig.
Pearson ,000 0 .
K Number of Iterations
2 2
K-way Effectsb 1 0
2 0
30
Partial Associations
MerkMobi
3 9,561 ,023 2
l
Parameter Estimates
95%
Confidence
Interval
Std.
Effect Parameter Estimate Error Z Sig. Lower Bound
Parameter Estimates
31
MerkMobil*TipeBBM 1 ,361
2 1,535
3 ,765
MerkMobil 1 ,806
2 ,371
3 ,700
TipeBBM 1 1,677
Step Summary
Deleted 1 MerkMobil*Ti
2,670 3 ,445
Effect peBBM
32
2 Generating Classb MerkMobil,
2,670 3 ,445
TipeBBM
Step Summary
0 Generating Classb
Deleted Effect 1 2
1 Generating Classb
Deleted Effect 1 2
2 2
2 Generating Classb
Convergence Informationa
Number of Iterations 0
33
MerkMobi TipeBB Std.
l M Count % Count % Residuals
Goodness-of-Fit Tests
Chi-Square df Sig.
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
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 5. Output SPSS Hosmer and Lemeshow Test Regresi Logistik Biner
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 6,062 8 ,640
,00 9 6 60,0
Y
Step 1 1,00 1 34 97,1
36
a. The cut value is ,500
37