ANALISIS REGRESI LOGISTIK UNTUK MENGETAHUI FAKTOR – FAKTOR YANG

MEMPENGARUHI FREKUENSI KEDATANGAN PELANGGAN DI PUSAT

PERBELANJAAN “X”

Erna Hayati
Fakultas Ekonomi Universitas Islam Lamongan

ABSTRAKSI

Kepuasan pelanggan adalah salah satu kunci keberhasilan suatu usaha. Demikian juga
pada pusat perbelanjaan, kepuasan pelanggan adalah satu hal yang selalu diutamakan. Ada
berbagai faktor yang mempengaruhi frekuensi kedatangan pelanggan di suatu pusat pebelanjaan,
beberapa diantaranya adalah kenyamanan area berbelanja, kelengkapan fasilitas dan harga
produk. Untuk mengukur frekuensi kedatangan pelanggan di pusat perbelanjaan, maka digunakan
skala sering (1) dan jarang (0). Untuk mengetahui apakah ada pengaruh variabel kenyamanan
area berbelanja, kelengkapan fasilitas dan harga produk terhadap frekuensi kedatangan
pelanggan di pusat perbelanjaan “X”, dimana variabel frekuensi kedatangan pelanggan berupa
data kategori yang terdiri dari 2 kategori (biner), maka metode statistika yang digunakan adalah
analisis regresi logistik biner. Setelah dilakukan analisis regresi logistik biner, diperoleh
kesimpulan bahwa hanya variabel kenyamanan area berbelanja dan kelengkapan fasilitas yang
berpengaruh signifikan terhadap frekuensi kedatangan pelanggan, sedangkan harga produk tidak
berpengaruh signifikan. Sehingga model logit yang diperoleh adalah sebagai berikut:

gˆ ( x) = -28,068 + 1,475 * Nyaman + 2,652 *Fasilitas

Kata kunci : biner, regresi logistik biner, model logit

PENDAHULUAN Pelanggan merupakan factor

1.1 Latar Belakang
Pelanggan merupakan salah satu
factor penentu kesuksesan suatu pusat
perbelanjaan. Persepsi pelanggan terhadap
pusat perbelanjaan yang mereka datangi
menentukan seberapa besar frekuensi
kedatangan mereka di pusat perbelanjaan
tersebut. Oleh karena itu pelanggan harus
dibuat senyaman mungkin ketika melakukan
aktifitas belanja di pusat perbelanjaan
tersebut, agar persepsi pelanggan terhadap
pusat perbelanjaan tersebut baik, sehingga
frekuensi kedatangan mereka ke pusat
perbelanjaan tersebut semakin meningkat.
Dengan demikian pihak pusat
perbelanjaan tersebut harus mampu
memahami apa saja yang menjadi keinginan
pelanggan sehingga membuat mereka
merasa nyaman melakukan aktifitas belanja
di pusat perbelanjaan tersebut dan akhirnya
nanti membuat pelanggan selalu ingin
kembali berbelanja di pusat perbelanjaan
tersebut. Salah satu cara untuk mengetahui
apa yang diinginkan dan diharapkan oleh
pelanggan adalah dengan mengetahui faktor-
faktor yang mempengaruhi frekuensi
kedatangan pelanggan di suatu pusat
perbelanjaan.
1.2
1.3 Permasalahan
penentu keberhasilan dari pusat
perbelanjaan. Oleh karena itu pihak
pengelola pusat perbelanjaan harus mampu
megetahui apa yang menjadi keinginan dari
pelanggan sehingga membuat pelanggan
selalu ingin kembali mengunjungi pusat
perbelanjaan tersebut. Permasalahan yang
diangkat dalam penetitian ini adalah faktor-
faktor yang mempengaruhi frekuensi
kedatangan pelanggan di pusat perbelanjaan
„X‟.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah
untuk mengetahui faktor-faktor yang secara
signifikan mempengaruhi frekuensi
kedatangan pelanggan di pusat perbelanjaan
„X‟.
1.5 Manfa‟at Penelitian
Dari penelitian ini diharapkan dapat
memberikan informasi kepada pusat
perbelanjaan „X‟ mengenai faktor-faktor
mempengaruhi frekuensi kedatangan
pelanggan sehingga bisa dijadikan bahan
referensi untuk pihak pengelola pusat
perbelanjaan „X‟ untuk lebih meningkatkan
kembali pelayanannya terhadap pelanggan.
1.6 Batasan Penelitian
 Obyek penelitian yang digunakan
adalah pelanggan yang datang di pusat
perbelanjaan „X‟.
TINJAUAN PUSTAKA
2.1 Pengantar umum model Regresi
Logistik.
Regresi Logistik adalah suatu
analisis regresi yang digunakan untuk
menggambarkan hubungan antara variabel
respon (outcome atau dependent) dengan
sekumpulan variabel prediktor (explanatory
atau independent), dimana variabel respon
bersifat biner atau dikotomus. Variabel
dikotomus adalah variabel yang hanya
mempunyai dua kemungkinan nilai,
misalnya sukses dan gagal. Sedangkan
variabel prediktor sering disebut juga
dengan covariate.
Untuk memudahkan, maka variabel
respon diberi notasi Y dan variabel prediktor
dinotasikan dengan X. Apabila Y
menghasilkan dua kategori, misalnya “1”
jika berhasil dan “0” jika gagal, maka
variabel Y tersebut mengikuti distribusi
Bernoulli, dengan fungsi probabilitasnya
adalah :
f(yi) = piyi (1 – pi)1-yi , yi = 0,1
...............................(2.1)
jika yi = 0 maka f(yi) = 1 - pi dan jika yi = 1
maka f(yi) = pi
Distribusi dari variabel respon ini
merupakan pembeda antara regresi logistik
dengan regresi linier. Pada regresi linier
variabel responnya diasumsikan
berdistribusi normal sedangkan untuk
variabel respon pada regresi logistik bersifat
dikotomus. Dan fungsi Logistik tersebut
adalah sebagai berikut :
1
f(x) =
1  e X
.............................(2.2)
dimana nilai x berkisar antara -∞ sampai +∞.
Jika x = -∞, maka lim f ( x)  0
x 
Jika x = +∞, maka lim f ( x)  1
x 
Dengan melihat kemungkinan nilai
f(x) yang berkisar antara 0 dan 1 ini,
menunjukkan bahwa regresi logistik
sebenarnya menggambarkan probabilitas
terjadinya suatu kejadian. Kurva fungsi
logistik dapat dilihat pada gambar 2.1

1
/2

-∞ 0 ∞
x
Gambar 2.1 Gambar fungsi Logistik

Kurva tersebut bentuknya mirip diberikan nilai x. Bentuk model regresi

dengan huruf S. Nilai x dalam hal ini bisa logistik adalah :
dianggap sebagai kombinasi dari berbagai exp ( o  1 x)
penyebab timbulnya suatu kejadian, dimana  ( x) 
efek x dapat minimal dengan rendahnya 1  exp (o  1 x)
nilai x sampai batas tertentu, dan kemudian .......................(2.3)
pengaruhnya akan meningkat dengan cepat Untuk mempermudah menaksir
dan probabilitasnya akan tetap tinggi parameter regresinya, maka π(x) pada
mendekati 1. persamaan (2.3) ditransformasi dengan
Untuk mempermudah notasi maka menggunakan transformasi logit. Uraian
digunakan nilai π(x) = E(Y|X) untuk tentang transformasi logit adalah sebagai
menyatakan rata-rata bersyarat dari Y jika berikut :
exp ( o  1 x)
 ( x) 
1  exp (o  1 x)
 ( x)1  exp (o  1x) = exp (o  1x)
 ( x)   ( x) exp(o  1x) = exp (o  1x)
 (x) = exp (o  1x)   ( x) exp(o  1x)
  (x) = 1   ( x) exp(o  1x)
 ( x)
= exp(o  1x)
1   ( x)
  ( x) 
ln   = ln exp (o  1x)
1   ( x) 
g (x) = o  1x .....................(2.4)
g(x) disebut dengan bentuk logit.
Pada model regresi linier adalah Y = π(x) + e, yang memiliki dua
diasumsikan bahwa pengamatan pada macam nilai error yaitu :
variabel respon dinyatakan sebagai Y = Untuk y = 1 maka e = 1 - π(x), dengan
E(Y|X) + e, dimana e adalah error yang peluang π(x)
mengikuti distribusi normal dengan mean Untuk y = 0 maka e = - π(x), dengan peluang
sama dengan nol dan varians konstan. 1 - π(x)
Sedangkan pada regresi logistik, pola Untuk lebih jelasnya dapat dilihat pada tabel
distribusi bersyarat variabel responnya 2.1
Tabel 2.1 Nilai Error untuk respon Biner
Y Error P(e(x)) = y
1 1 – π (x) π (x)
0 π (x) 1 – π (x),

Sehingga distribusi errornya mempunyai disusun suatu model yang terdiri dari banyak
mean sama dengan nol dan varians variabel prediktor dengan skala pengukuran
 
 ( x) (1   ( x) , yang mengikuti data yang berbeda. Model dengan banyak
variabel prediktor ini disebut dengan model
distribusi binomial.
regresi logistik multiple. Model regresi
Model regresi logistik pada
logistik multiple dengan k variabel prediktor
persamaan (2.3) adalah model univariate
adalah :
karena banyaknya variabel prediktor hanya
satu. Pada regresi logistik ini dapat juga
exp ( o  1x1     k xk )
 ( x)  ....................(2.5)
1  exp ( o  1 x1     k xk )
dimana k adalah banyaknya variabel maka dengan cara transformasi logit pada
prediktor. model univariate, dan didapatkan bentuk
Apabila model pada persamaan (2.5) logit :
ditransformasikan dengan transformasi logit,
g(x) = β0 + β1x1 + ... + βkxk ....................(2.6)

2.2 Estimasi Parameter Maximum Likelihood. Metode ini

Dalam regresi linier, metode yang
sering digunakan untuk menaksir parameter
yang belum diketahui adalah dengan metode
Least Square. Dengan metode ini dapat
ditentukan nilai β0 dan β1 yang
meminimumkan jumlah kuadrat deviasi
(error) nilai observasi Y dari nilai
dugaannya. Tetapi cara least square ini tidak
dapat diterapkan pada model dengan
variabel respon yang dikotomus. Nilai
taksiran parameternya akan berbeda dengan
nilai taksiran yang didapat dari regresi linier
. bersyarat untuk Y sama dengan nol jika
Penaksiran parameter pada regresi
logistik mengunakan cara lain, yaitu
merupakan dasar pendekatan dalam
menaksir parameter pada model regresi
logistik. Pada dasarnya metode maximum
likelihood memberikan nilai taksiran
parameter dengan memaksimalkan fungsi
likelihood .
Jika Y dikodekan 0 dan 1, maka
π(x) pada persamaan (2.3) menyatakan
probabilitas bersyarat untuk Y sama dengan
1 jika diberikan nilai x. Hal ini dapat
dinyatakan sebagai P(Y=1|x). Demikian juga
untuk 1-π(x) menyatakan probabilitas
diberikan nilai x, yaitu P(Y=0|x). Sehingga
untuk pasangan (xi,yi) dimana y1=1
kontribusi pada fungsi likelihoodnya adalah menyatakan nilai π(x) yang dihitung pada xi .
π(xi) dan untuk yi=0 kontribusi pada fungsi kontribusi pada fungsi likelihood untuk
likelihoodnya adalah 1-π(xi), dimana π(xi) (xi,yi) adalah :
ζ(xi) =  ( xi ) y [1   ( xi )]1 y
i i
....................(2.7)
Misalkan ada variabel respon untuk sejumlah k variabel prediktor dan i =
sebanyak N yang berdistribusi Bernoulli dan 1, 2, .... , I, dimana xi0 = 1 maka model
saling independent. Kemudian ada juga xi = regresi logistiknya adalah :
(xi0, xi1, ... , xik ) yang menyatakan nilai ke-i
k
exp(  j xij )
 ( xi )  j 0
k ..........................(2.8)
1  exp(  j xij )
j 0
2.3 Pengujian Estimasi Parameter Dalam uji parsial ini, pengujian
Setelah menaksir parameter maka dilakukan dengan menguji setiap βi
langkah selanjutnya yang dilakukan secara individual. Hasil pengujian
terhadap model adalah menguji signifikansi secara individual akan menunjukkan
dari variabel yang ada dalam model. Untuk apakah suatu variabel prediktor layak
itu digunakan uji dan hipotesis statistik untuk masuk dalam model atau tidak.
untuk menentukan apakah variabel prediktor Hipotesis :
dalam model signifikan atau berpengaruh Ho : βi = 0 i = 1, 2, 3, ..., k
secara nyata terhadap variabel respon. H1 : βi ≠ 0
Pengujian signifikansi parameter dilakukan Statistik uji yang digunakan adalah
sebagai berikut : Uji Wald, yaitu :
1. Uji parsial
i
Wi = ......................(2.9)
SE(  i )
Statistik uji Wald ini mengikuti hasil dugaan secara bersama-sama
distribusi normal, sehingga untuk atau dengan kata lain untuk
memperoleh keputusan pengujian memeriksa keberartian koefisien β
dibandingkan dengan distribusi secara keseluruhan atau serentak.
normal (Z). Kriteria penolakan (tolak Dan hipotesa pengujiannya adalah :
Ho) jika nilai W lebih besar dari Z Ho : βo = β1 = ... = βk
2 H1 : Paling sedikit ada satu βk yang
. tidak sama dengan nol.
2. Uji serentak Adapun statistik uji yang dilakukan
Uji serentak disebut juga adalah statistik uji G atau Likelihood
dengan uji Model Chi-Square yaitu Ratio Test, yaitu
digunakan untuk menguji parameter
n n2
 n1   no 
1

n n
: G = -2 Ln
    ..............(2.10)
n

 ˆ  1  ˆ 
i 1
i
yi
i
(1 yi )

Dimana :
I I
no =  (1  y); ni   yi dan n = no + n1
i 1 i 1
Statistik uji G ini mengikuti distribusi kriteria penolakan (tolak Ho) jika nilai
Chi-Square (χ2 ) dengan derajat bebas G lebih besar dari χ2α, v.
v (banyaknya parameter dalam 2.4 Interpretasi Koefisien Parameter
model), karena itu untuk memperoleh Interpretasi koefisien parameter
keputusan pengujian nilai G ini dari suatu model adalah inferensi dan
dibandingkan dengan nilai χ2α, v . pengambilan kesimpulan berdasarkan pada
koefisien parameter. Koefisien
menggambarkan slope atau perubahan pada
variabel respon perunit untuk setiap
perubahan variabel prediktor. Interpretasi
koefisien parameter ini menyangkut dua hal,
yaitu :
1. Perkiraan mengenai hubungan
fungsional antara variabel respon
dengan variabel prediktor.
2. Menentukan pengaruh dari setiap
unit perubahan variabel prediktor
terhadap variabel respon.
- Variabel Prediktor yang dikotomus.
Variabel prediktor x dikategorikan
kedalam dua kategori yang dinyatakan
dengan kode 0 dan 1. dalam hal ini kategori
pertama dibandingkan terhadap kategori
kedua berdasarkan nilai Odds ratio (ψ) yang
menyatakan kategori pertama berpengaruh ψ
kali dari kategori kedua terhadap variabel
respon. Karena itu ada dua nilai π(x) dan dua
nilai 1- π(x). Nilai-nilai ini dapat dinyatakan
pada tabel 2.2 berikut ini.

Tabel 2.2 Nilai-nilai dalam model regresi logistik dengan variabel predikor yang dikotomus.
X=1 X=0
 o  1
Y=1 e e o
 (1)   (0) 
1  e o  1 1  e o
Y=0 1 1
1   (1)  1   (0) 
1  e o  1 1  e o
Odds ratio didefinisikan sebagai :
 (1) /1   (1)
Ψ=
 (0) /1   (0)
....................(2.11)

 (1)1   (0)
 (0)1   (1)
= ....................(2.12)

e 0  1
= ...................(2.13)
e 0

= e 1
....................(2.14)
Log odds ratio adalah :
  (1) /1   (1) 
Ln ψ = ln  
  (0) /1   (0)
....................(2.15)

= ln [π(x)/1-π(x)] – ln [π(x)/1-π(x)]
= g(1)-g(0) ....................(2.16)
yang disebut perbedaan logit.
Sehingga Odds ratio untuk model regresi logistik adalah :
1
Ψ= e
Dengan log odds rationya adalah :
ln (ψ) = ln (eβ1) = β1

METODOLOGI PENELITIAN pusat perbelanjaan „X‟ dengan

3.1 Sumber Data kategori:
Data yang digunakan dalam 1 = sering
penelitian ini merupakan data primer yang 0 = jarang
diperoleh dari hasil survey pelanggan di 2. Variabel-variabel yang diduga
pusat perbelanjaan „X‟. Jumlah responden mempengaruhi frekuensi
yang digunakan sebanyak 50 orang kedatangan pelanggan di pusat
responden. perbelanjaan „X‟ yaitu:
3.2 Identifikasi Variabel a) Kenyamanan area berbelanja
Variabel-variabel yang digunakan (X1)
dalam penelitian ini adalah: b) Kelengkapan fasilitas (X2)
1. Variabel Respon (Y) adalah c) Harga produk (X3)
frekuensi kedatangan pelanggan di 3.3 Langkah-langkah Penelitian
 Langkah-langkah penelitian dapat
dilihat dari diagram alir berikut ini

Mulai

Studi Literatur

Merumuskan Masalah

Tujuan Penelitian

Mengidentifikasi Variabel

Mencari Referensi Desain Kuesioner

Perbaikan Kuesioner
Survei Pendahuluan

Tidak
Validitas
Reliabilitas

Ya

Survei

Analisis Data

Faktor yang berpengaruh dengan regresi Logistik Biner

Interpretasi

Kesimpulan

Gambar 3.1 Diagram Alir Penelitian

ANALISA DATA DAN PEMBAHASAN Selesai

4.1 Uji Validitas dan Reliabilitas 4.1.1 Uji Validitas
 Uji validitas ini hanya dilakukan
pada variabel-variabel yang dianggap
mempengaruhi frekuensi kedatangan
Tabel 4.1 Nilai total koreksi korelasi
Variabel
Kenyamanan Area Berbelanja
Kelengkapan Fasilitas
Harga
Hipotesis yang digunakan untuk masing-
masing pertanyaan adalah :
Ho : Pertanyaan tidak mengukur
aspek yang sama
H1 : pertanyaan mengukur aspek
yang sama
Jika dibandingkan maka angka-angka total
koreksi korelasi yang diperoleh dengan
angka kritik pada tabel korelasi r (produk
moment) dengan α = 0,05 dan n = 50 dengan
derajat bebas sebesar 50 – 2 = 48, diperoleh
angka kritik sebesar 0,284. Karena total
koreksi korelasi yang diperoleh dari masing-
masing pertanyaan yang terdapat dalam
Tabel 4.1 berada diatas nilai kritik dengan
taraf 5% maka semua pertanyaan tersebut
mengukur aspek yang sama dan dapat
digunakan untuk mencari pola hubungan
selanjutnya.
4.1.2 Uji Reliabilitas
Untuk menguji apakah pertanyaan-
pertanyaan tersebut konsisten, maka
dilakukan pengujian reliabilitas. Dengan
hipotesis sebagai berikut :
Ho : Hasil pengukuran tidak
konsisten
H1 : Hasil pengukuran konsisten
Berdasarkan output pada reliabiliti analisis
pada Lampiran maka diperoleh nilai alpha
sebesar 0,627. Ternyata nilai alpha yang
diperoleh berada diatas nilai kritik (0,6),
sehingga dapat dikatakan skala pengukur
yang disusun adalah reliabel dan hasil
pengukuran masing-masing pertanyaan
konsisten.
Tabel 4.2 Hasil regresi logistik antara variabel kenyamanan area berbelanja itu sendiri
dengan frekuensi kedatangan pelanggan
pelanggan di pusat perbelanjaan „X‟.
Dengan demikian hasil uji validitas tersaji
dalam Tabel 4.1.
Total koreksi korelasi
0,466
0,559
0,300
4.2 Faktor-faktor yang Berpengaruh
Terhadap Frekuensi Kedatangan
Pelanggan di Pusat Perbelanjaan
„X‟.
Untuk mengetahui faktor-faktor
yang berpengaruh terhadap frekuensi
kedatangan pelanggan di pusat perbelanjaan
„X‟, maka dilakukan analisis regresi logistik
baik secara univariate maupun multiple.
Analisis regresi logistik univariate
(individu) digunakan untuk mengetahui
pengaruh dari masing-masing variabel
prediktor terhadap frekuensi kedatangan
secara individu. Caranya adalah dengan
membuat regresi logistik untuk masing-
masing variabel prediktor terhadap frekuensi
kedatangan. Hasil dari analisis regresi
logistik univariate terhadap frekuensi
kedatangan pelanggan adalah sebagai
berikut :
a. Pengaruh Kenyamanan Area
Berbelanja terhadap Frekuensi
Kedatangan Pelanggan
Untuk mengetahui apakah variabel
kenyamanan area berbelanja berpengaruh
terhadap frekuensi kedatangan pelanggan,
maka dilakukan uji parsial dengan hipotesis
:
Ho : β = 0, artinya kenyamanan area
berbelanja tidak berpengaruh
terhadap frekuensi kedatangan
pelanggan
H1 : β ≠ 0, artinya kenyamanan area
berbelanja berpengaruh terhadap
frekuensi kedatangan pelanggan
Hasil dari analisis regresi logistik
antara variabel kenyamanan area berbelanja
itu sendiri dengan frekuensi kedatangan
pelanggan dapat dilihat pada Tabel 4.2 .
 Variabel B S.E Wald df Sig.
Kenyamanan 1,113 0,309 12,983 1 0,000
Constant -7,023 1,938 13,133 1 0,000
Dari Tabel 4.2 didapatkan nilai uji frekuensi kedatangan pelanggan atau tidak,
Wald sebesar 12,983 yang lebih besar dari maka dilakukan uji parsial dengan hipotesa :
= 3,841 sehingga tolak Ho, yang Ho : β = 0, artinya variabel
berarti bahwa faktor kenyamanan area kelengkapan fasilitas tidak berpengaruh
berbelanja itu sendiri memiliki pengaruh terhadap frekuensi kedatangan
terhadap frekuensi kedatangan pelanggan di pelanggan
pusat perbelanjaan „X‟. H1 : β ≠ 0, artinya variabel kelengkapan
fasilitas berpengaruh terhadap
b. Pengaruh Kelengkapan Fasilitas frekuensi kedatangan pelanggan
terhadap Frekuensi Kedatangan Hasil dari analisis regresi logistik
Pelanggan antara variabel kelengkapan fasilitas dengan
Untuk mengetahui apakah variabel frekuensi kedatangan pelanggan dapat
kelengkapan fasilitas berpengaruh terhadap dilihat pada Tabel 4.3

Tabel 4.3 Hasil regresi logistik antara variabel kelengkapan fasilitas dengan frekuensi
kedatangan pelanggan
Variabel B S.E Wald df Sig.
Fasilitas 2,008 0,561 12,807 1 0,000
Constant -13,874 3,855 12,954 1 0,000

Dari Tabel 4.3 didapatkan nilai uji
Wald sebesar 12,807 yang lebih besar dari
= 3,841 sehingga tolak Ho, yang
berarti bahwa variabel kelengkapan fasilitas
memiliki pengaruh yang besar terhadap
frekuensi kedatangan pelanggan di pusat
perbelanjaan „X‟.
c. Pengaruh Harga Produk terhadap
Frekuensi Kedatangan Pelanggan
Untuk mengetahui apakah variabel
harga produk berpengaruh terhadap
frekuensi kedatangan pelanggan atau tidak,
maka dilakukan uji parsial dengan hipotesa :
Ho: β = 0, artinya variabel variabel harga
produk tidak berpengaruh terhadap
frekuensi kedatangan pelanggan
H1 : β ≠ 0, artinya variabel harga
produk berpengaruh terhadap frekuensi
kedatangan pelanggan
Hasil dari analisis regresi logistik
antara variabel harga produk dengan
frekuensi kedatangan pelanggan dapat
dilihat pada Tabel 4.4

Tabel 4.4 Hasil regresi logistik antara variabel harga produk dengan frekuensi
kedatangan pelanggan
Variabel B S.E Wald df Sig.
Harga 0,631 0,237 7,121 1 0,008
Constant -4,835 1,809 7,139 1 0,008

Dari Tabel 4.4 didapatkan nilai uji
Wald sebesar 7,121 yang lebih besar dari
= 3,841 sehingga tolak Ho, yang
berarti bahwa variabel harga produk
memiliki pengaruh yang besar terhadap
frekuensi kedatangan pelanggan di pusat
perbelanjaan „X‟.
Setelah dilakukan analisis regresi
logistik secara univariate terhadap semua
variabel prediktor, maka langkah selanjutnya
adalah melakukan analisis regresi logistik
secara multiple dengan memasukkan semua
variabel prediktor.
Analisis regresi logistik multiple
(bersama) digunakan untuk menentukan
variabel prediktor yang berpengaruh
terhadap frekuensi kedatangan pelanggan
secara bersama-sama. Caranya adalah
dengan membuat regresi logistik yang
memasukkan semua variabel prediktor
terhadap frekuensi kedatangan pelanggan.
Metode yang digunakan untuk menyeleksi
model dalam penelitian ini adalah metode
Forward yaitu memasukkan satu persatu
variabel prediktor yang berpengaruh
(signifikan) terhadap frekuensi kedatangan kenyamanan area berbelanja, karena nilai
pelanggan. score dari variabel kenyamanan area
Langkah-langkah pembentukan berbelanja sebesar 8,791 lebih besar
model dengan menggunakan metode daripada nilai score dari variabel harga
Forward adalah sebagai berikut: produk yang hanya sebesar 2,507. Jika di uji
Step 1 secara parsial, maka variabel kenyamanan
Pada tahapan pertama ini, variabel area berbelanja ini memiliki nilai Wald
predictor yang masuk terlebih dahulu adalah sebesar 5,371, dimana nilai ini lebih besar
variabel kelengkapan fasilitas. Hal ini bisa daripada nilai = 3,841, sehingga tolak
dilihat dari nilai score kelengkapan fasilitas H0 yang artinya bahwa variabel kenyamanan
yang paling besar dibandingkan dua variabel area berbelanja berpengaruh terhadap
yang lain yaitu sebesar 27,438. Ketika di uji frekuensi kedatangan pelanggan. Untuk
secara parsial, nilai Wald dari variabel variabel harga produk tidak dimasukkan di
kelengkapan fasilitas sebesar 12,807, dalam model, karena nilai score yang kecil
dimana nilai ini lebih besar daripada nilai dan tidak signifikan berpengaruh terhadap
= 3,841, sehingga tolak H0 yang frekuensi kedatangan pelanggan.
artinya bahwa variabel kelengkapan fasilitas
berpengaruh terhadap frekuensi kedatangan Dan model terakhir yang
pelanggan. didapatkan setelah variabel yang tidak
berpengaruh terhadap frekuensi kedatangan
Step 2 pelanggan tidak diikutkan dalam model
Pada tahapan kedua, variabel yang adalah sebagai berikut:
masuk berikutnya adalah variabel
Tabel 4.5 Model akhir regresi logistik multiple terhadap frekuensi kedatangan pelanggan
Variabel B S.E Wald df Sig.
Nyaman 1,475 0,636 5,371 1 0,020
Fasilitas 2,652 0,944 7,897 1 0,005
Constant -28,068 9,881 8,070 1 0,005

Dari tabel 4.5 sehingga didapatkan model frekuensi kedatangan pelanggan di pusat
logit dari model terakhir ini adalah sebagai perbelanjaan „X‟ adalah sebagai berikut.
berikut : Hipotesis :
gˆ ( x) = -28,068 + 1,475 * Nyaman + 2,652 H0 : Model sesuai (tidak terdapat
*Fasilitas perbedaan yang signifikan antara
Dari model akhir ini didapatkan bahwa hasil pengamatan dengan
variabel yang berpengaruh terhadap kemungkinan hasil prediksi
frekuensi kedatangan pelanggan di pusat model)
perbelanjaan „X‟ adalah variabel H 1 : Model tidak sesuai (terdapat
kenyamanan area berbelanja dan perbedaan yang signifikan antara
kelengkapan fasilitas. hasil pengamatan dengan
4.3 Uji Kesesuaian Model kemungkinan hasil prediksi
Uji kesesuaian model dilakukan untuk model)
menguji apakah model sudah sesuai, dalam Taraf signifikan:
artian tidak ada perbedaan antara hasil α = 0,05
observasi dengan kemungkinan hasil Daerah kritis:
prediksi model. Hasil uji kesesuaian model Tolak H0 jika P_value < α
pada data faktor-faktor yang mempengaruhi Statistik uji :
Tabel 4.6 Hasil uji kesesuaian model
Chi-Kuadrat df Sig.
Hosmer and Lemeshow Test 1,607 7 0,978

Tabel 4.6 menunjukkan bahwa dengan 1,607. Dengan P-value sebesar 0,978 dapat
derajat bebas sebesar 7, didapatkan nilai chi- diambil keputusan gagal tolak H0 karena
kuadrat untuk uji kesesuaian model sebesar 0,978 > α (0,05) sehingga dapat ditarik
kesimpulan bahwa model sesuai. Hal itu
berarti tidak terdapat perbedaan yang
signifikan antara hasil pengamatan dengan
kemungkinan hasil prediksi model.
4.4 Ketepatan Klasifikasi Model
Dari hasil regresi multiple terdapat
tabel klasifikasi untuk frekuensi kedatangan
Tabel 4.7 Tabel klasifikasi untuk frekuensi kedatangan pelanggan
Jarang
Observed
Sering
Dari Tabel 4.7 terlihat bahwa, dari 27
responden yang jarang datang ke pusat
perbelanjaan „X‟, ada 25 responden
diprediksi dengan benar oleh model. Dan
dari 23 responden yang sering datang ke
pusat perbelanjaan „X‟, ada sebanyak 21
responden yang diprediksi dengan benar
oleh model. Untuk kolom yang lain adalah
kesalahan klasifikasi, sehingga secara
keseluruhan ada sebesar 46 dari 50
responden dapat diprediksi dengan tepat
oleh model yaitu sebesar 92%.
Tabel 4. 8 Odds ratio untuk model akhir
Variabel
Nyaman
Fasilitas
Interpretasi dari odds ratio untuk masing–
masing variabel prediktor adalah :
a. Variabel kenyamanan area berbelanja
Jika factor kelengkapan fasilitas adalah
konstan, maka odds frekuensi
pelanggan yang sering datang ke pusat
perbelanjaan „X‟ akan naik sebesar
4,369 kali dari frekuensi pelanggan
yang jarang datang untuk setiap
kenaikan terhadap persepsi
kenyamanan area berbelanja.
b. Variabel Kelengkapan Fasilitas
Jika factor kenyamanan area berbelanja
dianggap konstan, maka odds frekuensi
pelanggan yang datang ke pusat
perbelanjaan „X‟ akan naik 14,186 kali
dari pelanggan yang jarang datang
untuk setiap kenaikan persepsi
kelengkapan fasilitas.
KESIMPULAN DAN SARAN
5.1 Kesimpulan
pelanggan. Tabel ini menggambarkan
seberapa tepat model yang diperoleh dapat
memprediksi variabel respon (frekuensi
kedatangan pelanggan) dan dapat pula
dilihat pada Tabel 4.7.
Prediksi Percent
Jarang Sering correct
25 2 92,6%
2 21 91,3%
Overall 92,0%
4.5 Interpretasi Koefisien Parameter
Setelah didapatkan model terbaik
maka langkah selanjutnya adalah melakukan
interpretasi dari koefisien parameter. Untuk
model regresi logistik dengan variabel
prediktor yang berskala kategori, maka odds
rasionya dinyatakan dengan   e . Nilai

odds ratio untuk masing-masing variabel
prediktor pada model akhir dapat dilihat
pada Tabel 4.8.
B Exp(B)
1,475 4,369
2,652 14,186
Berdasarkan hasil analisis data dan
pembahasan diperoleh kesimpulan sebagai
berikut :
1. Dari hasil analisis regresi logistik
secara univariate didapatkan bahwa
faktor yang berpengaruh terhadap
frekuensi kedatangan pelanggan di
pusat perbelanjaan „X‟ adalah
variabel kenyamanan area
berbelanja, kelengkapan fasilitas
dan harga produk. Namun dengan
menggunakan analisis regresi
logistik serentak diperoleh model
akhir yang hanya ada dua variabel
yang berpengaruh terhadap
frekuensi kedatangan pelanggan
yaitu variabel variabel kenyamanan
area berbelanja dan kelengkapan
fasilitas.
2. Bentuk logit dari model akhir
adalah :
gˆ ( x) = -28,068 + 1,475 *
Nyaman + 2,652 *Fasilitas
5.2 Saran Agresti, Alan. (1990), Categorical Data
Sesuai dengan hasil analisa Analysis, John Wiley and Sons, Inc,
mengenai faktor-faktor yang berpengaruh New York.
terhadap frekuensi kedatangan pelanggan Lenny, S. (2000), Pengaruh Waktu Temupuh
maka saran yang dapat disampaikan kepada dan Luasan Terhadap Frekuensi
pusat perbelanjaan‟X‟ adalah agar lebih Kunjungan Orang ke Pusat
meningkatkan lagi kenyamanan area Perbelanjaan, Universitas Kristen
berbelanja dan kelengkapan fasilitas, serta Petra, Surabaya.
lebih memperhitungkan kembali harga Singgih,S. dan F.Tjiptono.(2001), Riset
produk-produk yang dijual agar lebih Pemasaran Konsep dan Aplikasi
terjangkau oleh pelanggan. dengan SPSS, Elex Media
Komputindo, Jakarta.

DAFTAR PUSTAKA

LAMPIRAN
Lampiran A. Uji Validitas dan Reliabilitas
Lampiran A.1 UJi Validitas
Item-Total Statistics
Cronbach's
Scale Mean if Scale Variance if Corrected Item- Alpha if Item
Item Deleted Item Deleted Total Correlation Deleted
Kenyamanan Area 14.06 6.017 .466 .483
Berbelanja
Kelengkapan Fasilitas 13.42 5.881 .559 .350
Harga Produk 12.88 7.455 .300 .706

Lampiran A.2 Uji Reliabilitas

Reliability Statistics
Cronbach's
Alpha N of Items
.627 3

Lampiran B Regresi Logistik Univariate

Lampiran B.1 Regresi Logistik Pengaruh Kenyamanan Area Berbelanja terhadap Frekuensi
Kedatangan Pelanggan

Variables in the Equation

95% C.I.for EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
a
Step 1 Nyaman 1.113 .309 12.983 1 .000 3.044 1.661 5.578
Constant -7.023 1.938 13.133 1 .000 .001
a. Variable(s) entered on step 1: Nyaman.
Lampiran B.2 Regresi Logistik Pengaruh Kelengkapan Fasilitas terhadap Frekuensi
Kedatangan Pelanggan

Variables in the Equation

95% C.I.for EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
a
Step 1 Fasilitas 2.008 .561 12.807 1 .000 7.448 2.480 22.366
Constant -13.874 3.855 12.954 1 .000 .000
a. Variable(s) entered on step 1: Fasilitas.

Lampiran B.3 Regresi Logistik Pengaruh Harga Produk terhadap Frekuensi Kedatangan
Pelanggan

Variables in the Equation

95% C.I.for EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
a
Step 1 Harga .631 .237 7.121 1 .008 1.880 1.183 2.989
Constant -4.835 1.809 7.139 1 .008 .008
a. Variable(s) entered on step 1: Harga.

Lampiran C Regresi Logistik Multiple dengan Metode Forward

Case Processing Summary

a
Unweighted Cases N Percent
Selected Cases Included in Analysis 50 100.0
Missing Cases 0 .0
Total 50 100.0
Unselected Cases 0 .0
Total 50 100.0
a. If weight is in effect, see classification table for the total number of
cases.

Dependent Variable
Encoding
Original
Value Internal Value
Jarang 0
Sering 1

Block 0: Beginning Block

Classification Tablea,b
Predicted
Observed Frekuensi Kedatangan Percentage
 Jarang Sering Correct
Step 0 Frekuensi Kedatangan Jarang 27 0 100.0
Sering 23 0 .0
Overall Percentage 54.0
a. Constant is included in the model.
b. The cut value is .500

Variables in the Equation

B S.E. Wald df Sig. Exp(B)
Step 0 Constant -.160 .284 .319 1 .572 .852

Variables not in the Equation

Score df Sig.
Step 0 Variables Nyaman 18.881 1 .000
Fasilitas 27.438 1 .000
Harga 8.159 1 .004
Overall Statistics 31.946 3 .000

Block 1: Method = Forward Stepwise (Wald)

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 36.455 1 .000
Block 36.455 1 .000
Model 36.455 1 .000
Step 2 Step 10.750 1 .001
Block 47.205 2 .000
Model 47.205 2 .000

Model Summary
Cox & Snell R Nagelkerke R
Step -2 Log likelihood Square Square
1 32.539a .518 .692
2 21.789b .611 .816
a. Estimation terminated at iteration number 6 because parameter
estimates changed by less than .001.
b. Estimation terminated at iteration number 8 because parameter
estimates changed by less than .001.

Hosmer and Lemeshow Test

Step Chi-square df Sig.
 1 4.739 4 .315
2 1.607 7 .978

Contingency Table for Hosmer and Lemeshow Test

Frekuensi Kedatangan =
Frekuensi Kedatangan = Jarang Sering
Observed Expected Observed Expected Total
Step 1 1 3 2.991 0 .009 3
2 8 7.831 0 .169 8
3 11 10.336 1 1.664 12
4 3 5.003 8 5.997 11
5 2 .705 5 6.295 7
6 0 .133 9 8.867 9
Step 2 1 7 6.999 0 .001 7
2 5 4.993 0 .007 5
3 5 4.970 0 .030 5
4 4 4.445 1 .555 5
5 4 3.221 1 1.779 5
6 1 1.603 4 3.397 5
7 1 .661 5 5.339 6
8 0 .102 5 4.898 5
9 0 .006 7 6.994 7

Classification Tablea
Predicted
Frekuensi Kedatangan Percentage
Observed Jarang Sering Correct
Step 1 Frekuensi Kedatangan Jarang 22 5 81.5
Sering 1 22 95.7
Overall Percentage 88.0
Step 2 Frekuensi Kedatangan Jarang 25 2 92.6
Sering 2 21 91.3
Overall Percentage 92.0
a. The cut value is .500

Variables in the Equation

B S.E. Wald df Sig. Exp(B) 95% C.I.for EXP(B)
 Lower Upper
a
Step 1 Fasilitas 2.008 .561 12.807 1 .000 7.448 2.480 22.366
Constant -13.874 3.855 12.954 1 .000 .000
b
Step 2 Nyaman 1.475 .636 5.371 1 .020 4.369 1.255 15.206
Fasilitas 2.652 .944 7.897 1 .005 14.186 2.231 90.203
Constant -28.068 9.881 8.070 1 .005 .000
a. Variable(s) entered on step 1: Fasilitas.
b. Variable(s) entered on step 2: Nyaman.

Variables not in the Equation

Score df Sig.
Step 1 Variables Nyaman 8.791 1 .003
Harga 2.507 1 .113
Overall Statistics 11.274 2 .004
Step 2 Variables Harga 3.778 1 .052
Overall Statistics 3.778 1 .052

Casewise List
Observed Temporary Variable
Frekuensi Predicted
Case Selected Statusa Kedatangan Predicted Group Resid ZResid
1 S S 1.000 S .000 .011
2 S J .008 J -.008 -.092
3 S J .000 J .000 -.012
4 S S .908 S .092 .318
5 S S .753 S .247 .572
6 S S .993 S .007 .084
7 S J .002 J -.002 -.044
8 S J .000 J .000 -.001
9 S S .694 S .306 .664
10 S J .035 J -.035 -.191
11 S S .998 S .002 .047
12 S J .001 J .000 -.024
13 S S .977 S .023 .152
14 S J .008 J -.008 -.092
15 S S .881 S .119 .368
16 S J .002 J -.002 -.044
17 S S .694 S .306 .664
18 S S .881 S .119 .368
19 S S .999 S .001 .022
20 S J .138 J -.138 -.400
21 S J .342 J -.342 -.721
22 S J .138 J -.138 -.400
23 S J .000 J .000 -.012
24 S J .001 J .000 -.024
25 S J .003 J -.003 -.051
26 S J** .881 S -.881 -2.715
27 S S .960 S .040 .204
28 S S .881 S .119 .368
29 S S .999 S .001 .022
30 S J .342 J -.342 -.721
31 S J .411 J -.411 -.836
32 S J .003 J -.003 -.051
33 S S .628 S .372 .770
34 S J .000 J .000 -.012
35 S S .991 S .009 .098
36 S J** .628 S -.628 -1.299
37 S J .002 J -.002 -.044
38 S J .000 J .000 -.006
39 S S** .342 J .658 1.387
40 S J .138 J -.138 -.400
41 S J .008 J -.008 -.092
42 S S** .106 J .894 2.900
43 S S .998 S .002 .047
44 S J .342 J -.342 -.721
45 S S .999 S .001 .022
46 S J .000 J .000 -.012
47 S S .908 S .092 .318
48 S S .999 S .001 .022
49 S S .977 S .023 .152
50 S J .000 J .000 -.003
a. S = Selected, U = Unselected cases, and ** = Misclassified cases.

Lampiran D. Kuesioner
Pertanyaan 1:
Seberapa sering Bapak/Ibu/Saudara mengunjungi pusat perbelanjaan „X‟ dalam seminggu?
1. > 2 kali (sering)
2. 1 kali (jarang)

Pertanyaan 2:
Berikan skor untuk setiap atribut berikut yang menunjukkan tingkat persepsi Bapak/Ibu/ Saudara
terhadap pusat perbelanjaan „X‟!

Atribut Skor
Kenyamanan area Sangat Tidak 1 2 3 4 5 6 7 8 9 10 Sangat Nyaman
berbelanja Nyaman
Kelengkapan fasilitas Sangat Tidak 1 2 3 4 5 6 7 8 9 10 Sangat Lengkap
Lengkap
Harga Produk Sangat Tidak 1 2 3 4 5 6 7 8 9 10 Sangat
Terjangkau Terjangkau

Lampiran E. Data
N0. Responden Nyaman Fasilitas Harga Frekuensi Kedatangan
1 9 9 8 1
2 5 6 8 0
3 4 5 5 0
4 8 7 9 1
5 9 6 8 1
6 8 8 9 1
7 4 6 8 0
8 3 4 9 0
9 7 7 8 1
10 6 6 7 0
11 7 9 9 1
12 5 5 8 0
13 9 7 9 1
14 5 6 5 0
15 6 8 9 1
16 4 6 7 0
17 7 7 8 1
18 6 8 9 1
19 8 9 6 1
20 7 6 8 0
21 6 7 9 0
22 7 6 8 0
23 4 5 6 0
24 5 5 6 0
25 6 5 4 0
26 6 8 9 0
27 5 9 8 1
28 6 8 9 1
29 8 9 8 1
30 6 7 7 0
31 8 6 6 0
32 6 5 8 0
33 5 8 8 1
34 4 5 6 0
35 6 9 7 1
36 5 8 6 0
37 4 6 5 0
38 5 4 8 0
39 6 7 9 1
40 7 6 5 0
41 5 6 7 0
42 5 7 9 1
43 7 9 5 1
44 6 7 7 0
45 8 9 9 1
46 4 5 6 0
47 8 7 8 1
48 8 9 6 1
49 9 7 5 1
50 4 4 4 0