LAPORAN PKL

APLIKASI ANALISIS REGRESI NON LINIER MODEL

KUADRATIK TERHADAP BESAR PENGAJUAN KPR
DENGAN BESAR LIKUIDASI
PT BANK TABUNGAN NEGARA (BTN) SYARIAH
KOTA MALANG

Oleh:
Alfu Alfinnikmah (16610061)

JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2019
 DAFTAR ISI

Cover ............................................................................................................ i
DAFTAR ISI ............................................................................................... ii
DAFTAR GAMBAR ................................................................................. iii
BAB I PENDAHULUAN ........................................................................... 1
1.1 Latar Belakang .............................................................................. 1
1.2 Rumusan Masalah ......................................................................... 2
1.3 Tujuan ............................................................................................ 2
1.4 Batasan Masalah ............................................................................ 3
BAB II TINJAUAN PUSTAKA................................................................. 4
2.1 Metode Statistika ........................................................................... 4
2.1.1 Analisis Regresi ......................................................................... 7
2.1.2 Regresi Non Linier ..................................................................... 8
2.1.3 Model-model Regresi Non Linier ............................................ 9
2.1.4 Koefisien Deteminan ............................................................... 13
2.2 Metode Non Statistik ................................................................... 13
2.2.1 Kredit Pemilikan Rumah (KPR) ............................................ 13
2.2.2 Likuidasi .................................................................................... 14
BAB III METODOLOGI PENELITIAN.................................................. 15
3.1 Sumber Data ................................................................................ 15
3.2 Waktu dan Tempat Pengambilan Data ........................................ 15
3.3 Flowchart ..................................................................................... 15
BAB IV PEMBAHASAN ......................................................................... 17
4.1 Deskripsi Data ............................................................................. 17
4.1.1 Uji normalitas ......................... Error! Bookmark not defined.
4.2 Analisis Korelasi .......................... Error! Bookmark not defined.
4.2.1 Korelasi .................................. Error! Bookmark not defined.
4.3 Analisis Regresi ........................................................................... 19
4.3.1 Model Summary ..................... Error! Bookmark not defined.
4.3.2 Koefisien ............................................................................... 20
BAB V KESIMPULAN DAN SARAN .................................................... 30
5.1 Kesimpulan ..................................................................................... 30
5.2 Saran ................................................................................................ 31
DAFTAR PUSTAKA ............................................................................... 31
LAMPIRAN

ii
 DAFTAR GAMBAR

Gambar 4.1 Descriptive Statistics ......................................................................... 17

Gambar 4.2 Scatterplot ......................................................................................... 18
Gambar 4.3 Output Correlations ........................................................................... 19
Gambar 4.4 Output ANOVA ................................. Error! Bookmark not defined.
Gambar 4.5 Output Model Summary .................................................................... 20
Gambar 4.6 Output Coefficients ........................................................................... 20

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Bank merupakan lembaga keuangan dibidang jasa yang penting membantu
masyarakat. Pengertian bank menurut Undang-undang Nomor 10 Tahun 1998
tentang Perubahan Atas Undang-undang Nomor 7 Tahun 1992 tentang Perbankan,
menyatakan bahwa bank adalah badan usaha yang menghimpun dana dari
masyarakat dalam bentuk simpanan dan menyalurkannya kepada masyarakat
dalam bentuk kredit dan atau bentuk-bentuk lainnya dalam rangka meningkatkan
taraf hidup rakyat.
Dari tahun ke tahun kebutuhan masyarakat semakin meningkat dalam bidang
keuangan dengan jasa perbankan. Sebagian besar masyarakat juga merasakan
waspada terhadap masa yang akan datang sehingga membuat masyarakat ingin
menyimpan dananya. Selain itu, kelancaran dalam berbisnis ataupun menjalanani
hidup setiap. Rumah merupakan salah satu kebutuhan masyarakat selain sandang
dan pangan. Rumah berfungsi sebagai tempat untuk berlindung dari keadaan alam
sekitarnya (Hujan, Matahari, dll) serta sebagai tempat beristirahat setelah bertugas
untuk memenuhi kebutuhan sehari- hari.
Seiring dengan bertambahnya kebutuhan rumah, maka pihak perbankan juga
menyediakan fasilitas-fasilitas yang berhubungan dengan perumahan. BTN
merupakan salah satu layanan perbankan yang memfokuskan ke segmen
pembiayaan rumah komersial. Tidak terkecuali BTN kantor cabang syariah Kota
Malang.
Program pembiayaan rumah komesrsial terbagi menjadi 2, yaitu Kredit
Pemilikan Rumah (KPR) Subsidi dan Kredit Pemilikan Rumah (KPR) Non
Subsidi. Jenis kredit keduanya sangatlah berbeda. Mulai dari ukuran atau tipe
rumah, fasilitas yang disediakan, lokasi, dan jangka waktu pembangunan.
Produk Kredit Pemilikan Rumah (KPR) memiliki Fasilitias Likuiditas
Pembiayaan Perumahan (FLPP) baik untuk KPR bersubsidi maupun KPR
nonsubsidi. FLPP adalah Fasilitas Likuiditas Pembiayaan Perumahan yang
merupakan program kerjasama Bank BTN dengan Kementerian Pekerjaan Umum

1
dan Perumahan Rakyat. Kelebihan program ini ialah suku bunga yang rendah
serta cicilan tetap selama jangka waktu kredit.
Nasabah ingin mengetahui mengenai proses penentuan pengajuan KPR
dengan fasilitas likuidasi yang diberikan oleh pihak Bank. Dalam statistika
terdapat ilmu yang dapat digunakan untuk memodelkan dan memperkirakan nilai
dari sebuah variabel yang belum diketahui dari beberapa variabel yang diketahui.
Sehingga nasabah dapat memperkirakan besar likuidasi yang nasabah peroleh.
Salah satu alat uji tersebut adalah analisis regresi. Dalam bahasannya, analisis
regresi ada yang sederhana dan sederhana. Dalam menganalisisnya sendiri banyak
langkah-langkah yang harus dipenuhi yang jika dihitung menggunakan hitungan
manual akan memakan banyak waktu, apalagi jika data yang diteliti banyak, maka
tentu akan sangat lama dalam menganalisisnya. Namun, dengan adanya aplikasi
Minitab sebagai salah satu aplikasi statistika dapat membantu untuk melakukan
hitungan dalam analisis regresi, sehingga akan mempersingkat waktu.
Berdasarkan uraian di atas penelitian ini ingin menganalisa data Pengajuan
KPR nasabah secara regresi non linier untuk menentukan nilai likuidasi. Dengan
penelitian ini diharapkan nasabah bisa memperkirakan besar likuidasi yang harus
dibayarkan dengan nilai pengajuan yang diajukan kepada pihak bank.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas, penulis mengambil beberapa rumusan
masalah yang ingin dibahas, yaitu:
1. Bagaimana hubungan antara besar pengajuan terhadap nilai likuidasi?
2. Bagaimana model regresi linier sederhana antara besar pengajuan
terhadap nilai likuidasi?
1.3 Tujuan
Berdasarkan latar belakang dan rumusan masalah di atas, pratikum ini
bertujuan untuk:
1. Untuk mengetahui hubungan antara antara besar pengajuan terhadap nilai
likuidasi.
2. Untuk mengetahui model regresi linier sederhana antara besar pengajuan
terhadap nilai likuidasi.

2
1.4 Batasan Masalah
Laporan ini terbatas pada menganalisis
1. Data Pengajuan KPR BTN Syariah Kota Probolingo dan Malang tahun
2019 perbulan Juli.
2. Taraf signifikasi kesalahan diambil 0,01.
3. Diasumsikan tidak ada variabel lain 3yang menentukan nilai likuidasi
termasuk bunga

3
 BAB II
TINJAUAN PUSTAKA
2.1 Metode Statistika
2.1.1 Korelasi
2.1.1.1 Pengertian Korelasi
Teknik analisis korelasi digunakan untuk mengetahui ada atau tidak
adanya kecenderungan hubungan antara dua variabel atau lebih. Dalam
menggunakan teknik analisis korelasi, paling sedikit harus ada dua variabel
yang dikorelasikan. Teknik analisis korelasi terutama digunakan untuk
mengetahui kecenderungan hubungan antara variabel yang satu dengan
variabel lainnya. Hasil analisis korelasi akan diperoleh koefisien korelasi yang
menunjukkan besarnya hubungan antar variabel. Hubungan antara variable-
variabel yang dikorelasikan tersebut tidak mempermasalahkan apakah ada
hubungan sebab akibat atau tidak ada hubungan sebab akibat (Budiwanto,
2017).
Dalam melihat hubungan antar variabelyang bersifat tinggi rendah, kuat
lemah, atau besar lemah dapat diketahui dengan melihat besar kecilnya suaru
angka (koefisien) yang disebut angka indeks korelasi yang disimbolkan dengan
r. Dengan kata lain indeks korelasi adalah sebuah angka yang dapat dijadikan
petunjuk untuk mengetahui seberapa besar kekuatan korelasi antara variable
yang sedang diselidiki korelasinya (Usman, 2000).
2.1.1.2 Korelasi Pearson Product Moment
A. Definisi Korelasi Pearson Product Moment
Analisis Korelasi Produk Momen dilakukan menguji hubungan
variabel bebas (X) dengann variable terikat (Y). Kaidah uji statistik yang
dipergunakan adalah bila p ≤ 0,01 berarti lebih dominan seperti yang
dinyatakan oleh sangat signifikan; bila p ≤0,05 berarti signifikan; dan
bila p ≥0,05 berarti nirsignifikan (Hadi,2000). Penggunaan analisis ini
didasarkan pada data variabel X interval danvariabel Y interval.
B. Langkah-langkah Korelasi Pearson Product Moment
Berikut ini langkah-langkah yang digunakan dalam mencari korelasi
pearson product moment:

4
1. Menemukan hipotesis (H0 dan H1)
Menurut Mulyono (2006), pengujian hiporesis adalah pengujian
yang membuktikan atau menguatkan suatu dengan atau anggapan
tentang parameter populasi yang tidak diketahui berdasarkan
informasi dari sempel yang diambil dari populasi. Dalam bahasa
statistika, apa yang diamsumsikan atau diduga atau dihipotesiskan
dinyatakan dalam nullhypothesis (H0) atau alternative hypothesis
(H1). Null hypothesis diuji berhadapan dengan hipotesis
tandingannya yaitu alternative hypothesis. Teori pengujian akan
menemukan apakan H0 ditolak atau diterima. Keputusan menolak
atau diterimanya H0 didasarkan pada tes statistic yang diperoleh dari
distribusi yang bersangkutan yang terdapat dalam tabel yang telah
dibuat oleh statistisi.
2. Merumuskan hipotesis statistik
Berdasarkan dari penempatan hipotesis dapat dibedakan menjadi
dua jenis, yaitu: hipotesis penelitian dan hipotesis statistik (Durnadi,
2011). Hipotesis penelitian mempunyai kegunaan untuk memberikan
jawaban sementara terhadap rumusan masalah atau research
question. Sedangkan hipotesis statistic ini merupakan rangkaian dua
varibel atau lebih yang menjadi pusat perhatian dan hendak diuji,
hipotesis ini digunakan jika peneliti menggunakan uji analisis
terhadap sebagian data.
Hipotesis nol (H0) sering disebut sebagai hipotesis statistik
karena selalu berhubungan dengan penelitian statistik dengan
pengujian menggunakkan angka atau statistik. Dikatakan statistik nol
sebab tidak adanya perbedaan antara dua variabel dan tidak
memberikan pengaruh (Arikunto, 2010)
3. Membuat tabel perhitungan korelasi pearson product moment
Selanjutnya setelah merumuskan hipotesis statistik, yaitu
menghitung korelasi pearson product moment dengan bantuan tabel.
Pada langkah ini kita akan mencari jumlah dari variabel X dan
variabel Y pada data yang telah disedikan. Lalu dihitung kuadrat dari

5
setiap variabel X dan variabel Y berserta jumlahnya, dan terakhir
yaitu dikalikannya variabel X dan variabel Y dan ditentukan
jumlahnya dalam bentuk tabel. Sehongga dari hasil perhitungan tabel
tersebut dapat digunakan untuk menghitung korelasi pearson
product moment secara manual.
4. Menghitung pearson product moment
New score method atau yang sering disebut dengan rumus angka
kasar dapat digunakan untuk mencari koefisien korelasi. Rumus ini
mungkin akan memudahkan pekerjaan, terutama jika tersedia mesin
hitung, adapun rumus angka kasar seperti yang dapat dilihat dibawah
sebenarnya dijabarkan dari rumus deviasi. Oleh karena itu, tidak ada
perbedaan hari perhitungan dari koefisien korelasi dengan kedua
rumus tersebut. Rumus angka kar untuk mencari koefisien korelasi
pearson product moment adalah sebagai berikut:
𝑛∑𝑋𝑌 − ∑𝑋∑𝑌
𝑟𝑥𝑦 =
√[𝑛∑𝑋 2 − (∑𝑋)2 ][𝑛∑𝑌 2 − (∑𝑌)2 ]

5. Uji signifikan
Uji signifikan merupakan uji lanjutan yang digunakan apabila
peneliti ini mencari makan hubungan variabel X terhadap variabel Y.
Maka hasil korelasi pearson product moment tersebut diuji dengan
signifikan sebagai berikut:
r√n − 2
t=
√1 − r 2
dimana:
r = nilai koefisien korelasi
n = jumlah sample atau data
6. Menghitung koefisien determinan
Menghitung koefisien determinan digunakan untuk menghitung
kesumbangan antara varibel X terhadap variabel Y. Koefisien
determinan dapat ditentukan dengan rumus sebagai berikut:
𝐾𝑑 = 𝑟 2 × 100%

6
 dimana:
𝑘𝑑 = nilai koefisien determinan
𝑟 = nilai koefisien relasi

2.1.1.3 Nilai r pada Korelasi Pearson Product Moment

Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi
antara dua variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1.
Koefesien korelasi menunjukkan kekuatan (strength) hubungan linear dan arah
hubungan dua variabel acak. Jika koefesien korelasi positif, maka kedua
variabel mempunyai hubungan searah. Artinya jika nilai variabel X tinggi,
maka nilai variabel Y akan tinggi pula. Sebaliknya, jika koefesien korelasi
negatif, maka kedua variabel mempunyai hubungan terbalik. Artinya jika nilai
variabel X tinggi, maka nilai variabel Y akan menjadi rendah dan berlaku
sebaliknya. Untuk memudahkan melakukan interpretasi mengenai kekuatan
hubungan antara dua variabel penulis memberikan kriteria sebagai berikut
(Jonathan, 2006):
R Interpolasi
0 Tidak ada korelasi antara dua variabel
> 0 − 0,25 Korelasi sangat lemah
> 0,25 − 0,5 Korelasi cukup
> 0,5 − 0,75 Korelasi kuat
> 0,75 − 0,99 Korelasi sangat kuat
1 Korelasi sempurna
Tabel 2.1 Interpretasi Koefisien Korelasi

2.1.2 Regresi
2.1.2.1 Analisis Regresi
Sebelum suatu keputusan diambil seringkali perlu dilakukan suatu
peramalan (forecasting) mengenai kemungkinan yang terjadi atau harapan di
masa depan yang berkaitan dengan keputusan tersebut. Hal tersebut dapat lebih
mudah dilakukan bila suatu hubungan (relasi) dapat ditentukan antara variabel
yang akan diramal dengan variabel lain yang telah dketahui ataupun sangat

7
 mudah untuk diantisipasi. Untuk keperluan tersebut, regresi dan korelasi sangat
luas digunakan sebagai perangkat analisisnya (Harinaldi, 2005).
Analisis regresi adalah suatu analisis yang mengukur pengaruh antara
variabel bebas terhadap terikat (Sunyoto, 2010). Apabila dua variabel x dan y
mempunyai hubungan (korelasi), maka perubahan nilai variabel yang satu akan
memengaruhi nilai variabel lainnya. Hubungan variabel dapat dinyatakan
dalam bentuk fungsi (Supranto, 2001).
Hubungan antarvariabel dapat berupa hubungan linier ataupun
hubungan tidak linier. Misalnya, berat badan laki-laki dewasa sampai pada
taraf tertentu tergantung pada tinggi badan, keliling lingkaran bergantung pada
diameternya, dan tekanan gas bergantung pada suhu dan volumenya (Hasan,
2003).
Untuk dua variabel, hubungan liniernya dapat dinyatakan dalam
bentuk persamaan linier, yaitu:
𝑌 = 𝑎 + 𝑏𝑋
Dimana:
Y, X = variabel
a, b = bilangan konstan (konstanta)
hubungan antara dua variabel pada persamaan linier jika digambarkan secara
grafis (scatter diagram), semua nilai Y dan X akan berada pada suatu garis
lurus. Dlam ilmu ekonomi, garis itu disebut garis regresi (Hasan, 2003).
2.1.2.2 Regresi Non Linier
Analisis regresi merupakan metode dalam statistika yang digunakan
untuk mengetahui pola hubungan antara variabel bebas dan variabel terikat
(Hosmer and Lemeshow, 2000). Berdasarkan kelinearan antar parameter pada
model regresi, maka suatu model regresi dapat diklasifikasikan menjadi dua
macam yaitu model linear dan non-linear. Model regresi dikatakan linier jika
dapat dinyatakan dalam model:
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + ⋯ + 𝛽𝑘 𝑥𝑘 + 𝜀.
Apabila model tidak dapat diinyatakan dalam model tersebut maka
model yang diperoleh adalah model non-linier. Apabila hubungan antara
variabel terikat 𝑦 dan variabel bebas 𝑥 bersifat non linier, artinya jika data asli

8
𝑥𝑖 dan 𝑦𝑖 dibuatkan scatterplot tidak mengikuti garis lurus tetapi mengikuti
suatu bentuk kurva tertentu, seperti kurva eksponensial, maka analisis regresi
yang cocok untuk menjelaskan hubungan antara 𝑥 dan 𝑦 tersebut adalah
analisis regresi non linier sederhana. Secara umum model regresi non linier
parametik dengan 𝑦𝑖 sebagai variabel terikat pada replikasi sebanyak 𝑛𝑖 dan
setiap nilai 𝑥𝑖 merupakan variabel bebas. Dapat dinyatakan dalam persamaan
(Ripley,2002):
𝑦𝑖 = 𝑓(𝑥𝑖 , 𝜃) + 𝜀𝑖
dengan,
𝑓 = fungsi regresi dengan parameter 𝜃 yang harus diduga
𝑦𝑖 = variabel terikat ke-i
𝑥𝑖 = variabel bebas ke-i
𝜀 = error, dimana 𝜀~𝑁(0, 𝜎 2 )
Persamaan garis regresi model polinom yaitu suatu bentuk hubungan
antar satu variabel bebas 𝑥 dengan derajat polinom p dengan satu peubah 𝑦.
Persamaannya adalah:
𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥 2 + 𝛽3 𝑥 3 + ⋯ + 𝛽𝑝 𝑥 𝑝 .
Jika pada 𝑦 pangkat tertingginya 1 maka bentuk persamaannya
menjadi 𝑦 = 𝛽0 + 𝛽1 𝑥 yang disebuut dengan regresi linier. Apabila pangkat
tertingginya 2, maka persamaannya menjadi 𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥 2 yang
disebut dengan regresi kuadratik. Contoh model regresi nonlinear antara lain
model parabola, kuadratik, hiperbola, dan lain-lain..
Regresi non linier merupakan salah satu bentuk prosedur regresi di
mana hubungan antara variabel bebas dan variabel terikat tidak linier secara
intrinsik. Regresi ini berguna untuk melihat hubungan antar variabel yang tidak
linier, misalnya hubungan antara usia dan berat badan. Usia meningkat belum
tentu diikuti dengan kenaikan berat badan. (Sarwono, 2013)

2.1.2.3 Model-model Regresi Non Linier

9
 Ada beberapa model dalam regresi non linier, diantaranya (Sarwono,
2013):
1. Model Kuadratik
Model polinom mempunyai hanya satu variabel bebas yaitu 𝑋.
Untuk 𝑘 = 1 kita memperoleh model regresi linear sederhana. Untuk
𝑘 = 2 kita memperoleh model polinom berderajat dua, disebut model
kuadratik (parabola). Taksiran untuk model parabola kuadratik dapat
ditulis dengan:
𝑌̂ = 𝑎 + 𝑏𝑋 + 𝑐𝑋 2
Dengan koefisien 𝑎, 𝑏, dan 𝑐 ditentukan berdasarkan data hasil
pengamatan. Jika (𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1,2, … , 𝑛 menyatakan data hasil
pengamatan dalam sebuah sampel berukuran 𝑛, metode kuadratik
terkecil memberikan nilai-nilai a,b, dan c dengan cara menyelesaikan
persamaan normal berikut:
𝑛 𝑛 𝑛

∑ 𝑌𝑖 = 𝑛𝑎 + 𝑏 ∑ 𝑋𝑖 + 𝑐 ∑ 𝑋𝑖2
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛

∑ 𝑋𝑖 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 + 𝑏 ∑ 𝑋𝑖2 + 𝑐 ∑ 𝑋𝑖3
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛

∑ 𝑋𝑖2 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖2 + 𝑏 ∑ 𝑋𝑖3 + 𝑐 ∑ 𝑋𝑖4

𝑖=1 𝑖=1 𝑖=1 𝑖=1

2. Model kubik
Taksiran untuk model polinom berderajat tiga (kubik) dapat ditulis
dengan:

10
 𝑌̂ = 𝑎 + 𝑏𝑋 + 𝑐𝑋 2 + 𝑑𝑋 3
Dengan koefisien 𝑎, 𝑏, 𝑐, dan 𝑑 dihitung dari hasil pengamatan.
Sistem persamaan yang harus diselesaikan untuk menentukan
𝑎, 𝑏, 𝑐, dan 𝑑 adalah:
𝑛 𝑛 𝑛 𝑛

∑ 𝑌𝑖 = 𝑛𝑎 + 𝑏 ∑ 𝑋𝑖 + 𝑐 ∑ 𝑋𝑖2 + 𝑑 ∑ 𝑋𝑖3
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑋𝑖 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 + 𝑏 ∑ 𝑋𝑖2 + 𝑐 ∑ 𝑋𝑖3 + 𝑑 ∑ 𝑋𝑖4

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑋𝑖2 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖2 + 𝑏 ∑ 𝑋𝑖3 + 𝑐 ∑ 𝑋𝑖4 + 𝑑 ∑ 𝑋𝑖5

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑋𝑖3 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖3 + 𝑏 ∑ 𝑋𝑖4 + 𝑐 ∑ 𝑋𝑖5 + 𝑑 ∑ 𝑋𝑖6

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1

Persamaan-persamaan di atas dapat diselesaikan secara serentak

dengan menggunakan metode eliminasi, juga dengan metode Cramer.
3. Model Eksponen

Model eksponen adalah salah satu model yang juga banyak

digunakan apabila situasi tidak memungkinkan model linier atau
polinom. Perkiraan untuk model ini adalah:

𝑌̂ = 𝑎𝑏 𝑋

atau
𝑌̂ = 𝑎𝑒 𝑏𝑋

Besar nilai a dan b ditentukan menggunakan persamaan:

∑ log 𝑌𝑖 ∑ 𝑋𝑖
log 𝑎 = − (log 𝑏) ( )
𝑛 𝑛

𝑛(∑ 𝑋𝑖 log 𝑌𝑖 ) − (∑ 𝑋𝑖 )(∑ log 𝑌𝑖 )

log 𝑏 =
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2

Model eksponen tersebut sering pula disebut model pertumbuhan

karena sering banyak digunakan dalam menganaliss data sebagai hasil
pengamatan mengenai gejala yang sifatnya tumbuh.

11
4. Model Geometrik

Taksiran untuk model geometrik yaitu:

𝑌̂ = 𝑎𝑋 𝑏

Besar nilai a dan b ditentukan dengan menggunakan persamaan:

∑ log 𝑌𝑖 ∑ log 𝑋𝑖
log 𝑎 = −𝑏
𝑛 𝑛

𝑛(∑ log 𝑋𝑖 log 𝑌𝑖 ) − (∑ log 𝑋𝑖 )(∑ log 𝑌𝑖 )

log 𝑏 =
𝑛 ∑ log 2 𝑋𝑖 − (∑ log 𝑋𝑖 )2

5. Logistik
Bentuk yang paling sederhana dari model logistik dapat ditaksir
oleh:
1
𝑌̂ =
𝑎𝑏 𝑋
Untuk 𝑌̂ yang tidak sama dengan nol, bentuk di atas dapt pula
1
ditulis sebagai 𝑌̂ = 𝑎𝑏 𝑋

Koefisien-koefisien a dan b dapat dicari dengan menggunakan

persamaan:

1
∑ log ( ) ∑ 𝑋𝑖
𝑌𝑖
log 𝑎 = − (log 𝑏) ( )
𝑛 𝑛

1 1
𝑛 (∑ 𝑋𝑖 log (𝑌 ) ) − (∑ 𝑋𝑖 ) (∑ log (𝑌 ))
𝑖 𝑖 𝑖
log 𝑏 =
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2

6. Hiperbola

Perkiraan persamaan umum yang sederhana untuk model hiperbola

ini dapat dituliskan dalam bentuk:

1
𝑌̂ =
𝑎 + 𝑏𝑋
Jika 𝑌̂ tidak ada yang bernilai nol, maka a dan b adalah

12
 1 1
(∑ 𝑌 ) (∑ 𝑋𝑖2 ) − (∑ 𝑋𝑖 ) (∑ 𝑋𝑖 𝑌 )
𝑖 𝑖
𝑎=
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2
1 1
𝑛 ∑ 𝑋𝑖 𝑌 − (∑ 𝑋𝑖 ) (∑ 𝑌 )
𝑖 𝑖
𝑏=
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2
7. Logaritmik
Bentuk fungsi logaritmik adalah di mana variabel terikat 𝑌
berfungsi sebagai pangkat (eksponen) dan variabel bebas 𝑋
mempunyai bentuk perpangkatan. Taksiran untuk model regresi ini
adalah:
𝑌̂ = 𝑎 + 𝑏 ln 𝑋
2.1.2.4 Koefisien Deteminan
Koefisien determinasi (R2) didefinisikan sebagai perbandingan dari
variasi terjelaskan dengan variasi lokal (Harinaldi, 2005):

2
∑(𝑦̂ − 𝑦̅)2
𝑅 =
∑(𝑦 − 𝑦̅)2
Nilai koefisien determinasi berkisar antara 0 (tidak ada relasi) dan 1
(relasi sempurna) (Harinaldi, 2005).
2.2 Metode Non Statistik
2.2.1 Kredit Pemilikan Rumah (KPR)

KPR (Kredit Pemilikan Rumah) adalah kredit yang digunakan untuk

membeli rumah atau untuk kebutuhan konsumtif lainnya dengan
jaminan/agunan berupa Rumah. Walaupun penggunaannya mirip, KPR
berbeda dengan kredit konstruksi dan renovasi.
Agunan yang diperlukan untuk KPR adalah rumah yang akan dibeli itu
sendiri untuk KPR Pembelian. Sedangkan untuk KPR Multiguna atau KPR
Refinancing yang menjadi Agunan adalah Rumah yang sudah dimiliki.
Karena masuk dalam kategori Kredit Konsumtif maka peruntukan KPR
haruslah untuk kegiatan yang bersifat Konsumtif seperti pembelian rumah,
furniture, kendaraan bermotor dan tidak diperbolehkan untuk kegiatan yang
bersifat produktif seperti pembelian stok barang dagangan, modal kerja dan
lain sebagainya.

13
 Beberapa contoh KPR adalah KPR Merdeka dari Bank NISP, Kredit
Griya Utama dari BTN, dan KPR BCA dari BCA.
KPR memiliki fungsi yang sangat penting dalam proses kepemilikan
tempat tinggal karena menurut data Bank Indonesia mayoritas masyarakat
mengandalkan KPR sebagai fasilitas pembiayaan dalam memiliki rumah.
Riset Bank Indonesia menemukan bahwa 76.42% menggunakan KPR untuk
memiliki rumah. (Wikipedia, 2019)

2.2.2 Likuiditas
Likuidasi bank adalah merupakan tindakan penyelesaian seluruh hak
dan kewajiban bank sebagai akibat pencabutan izin usaha dan pembubaran
badan hukum bank. Jadi likuidasi bank bukanlah sekedar pencabutan izin
usaha dan pembubaran badan hukum bank, tetapi berkaitan dengan proses
penyelesaian segala hak dan kewajiban dari suatu bank yang dicabut izin
usahanya. Setelah suatu bank dicabut izin usahanya, dilanjutkan lagi dengan
proses pembubaran badan hukum bank yang bersangkutan, dan seterusnya
dilakukan proses pemberesan berupa penyelesaian seluruh hak dan kewajiban
(piutang dan utang) bank sebagai akibat dari pencabutan izin usaha dan
pembubaran badan hukum bank (Gazali dan Rachmadi Usman, 2010).

14
 BAB III
METODOLOGI PENELITIAN

3.1 Sumber Data

Data merupakan berkas pengajuan Kredit Pemilikan Rumah (KPR). Data

tersebut diperoleh dari PT. Bank Tabungan Negara, Tbk (BTN) Kantor Cabang
Syariah Malang yang akan analisis menggunakan regresi non linier sederhana.

3.2 Waktu dan Tempat Pengambilan Data

Data Berkas Pengajuan Kredit Pemilikan Rumah (KPR) diambil pada saat
Praktik Kerja Lapangan (PKL) di PT. Bank Tabungan Negara, Tbk (BTN) Kantor
Cabang Syariah Malang mulai tanggal 1 Juli 2019 sampai 1 Agustus 2019.

3.3 Flowchart
Dalam penelitian ini kami melakukan beberapa langkah yaitu:
1. Deskripsi data
a. Menjelaskan variabel-variabel data
b. Mencari nilai rata-rata
c. Mencari nilai variansi
d. Mencari nilai minimal dan maksimal
e. Mencari simpangan baku
f. Menggambarkan sebaran data
2. Analisis korelasi
a. Mencari korelasi antara variabel bebas yaitu pengajuan terhadap
nilai likuidasi secara korelasi bivariate
b. Menguji signifikansi nilai korelasi antara variabel bebas yaitu
pengajuan terhadap nilai likuidasi secara korelasi bivariate
3. Analisis regresi
a. Menentukan variabel bebas dan tak bebas
b. Mencari nilai konstanta dan koefisen dari regresi non linier
sederhana

15
c. Menguji siginifikansi nilai konstanta dan koefisien dari regresi non
linier sederhana
d. Mencari nilai koefisien regresi non linier sederhana
e. Menentukan model regresi non linier sederhana yang sesuai

16
 BAB IV
PEMBAHASAN

4.1 Analisis Data

Data yang digunakan pada pembahasan adalah data yang berasal dari BTN
Kantor Cabang Syariah Kota Malang. Kolom-kolom pada data tersebut
diantaranya harga jual, pengajuan, uang muka sampai dengan biaya hidup
pemohon. Banyak data pada dokumen tersebut sebanyak 1136. Tetapi, sebagai
sampel yang memenuhi, diambil data sebanyak 300 dengan variabel pengajuan
dan likuidasi.
4.2 Pembahasan
4.2.1 Deskripsi Data
Berikut adalah output SPSS Statistik Deskriptif:

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation Variance

Pengajuan 300 4.E7 6.E8 1.51E8 8.147E7 6.637E15

Likuidasi 300 3.E7 5.E8 1.35E8 6.698E7 4.487E15

Valid N (listwise) 300

Gambar 4.1 Statistik Deskriptif

Pada Gambar 4.1 variabel pada pembahasan ini adalah pengajuan KPR
(X) sebagai variabel bebas atau Independent sedangkan Likuidasi (Y) sebagai
variabel terikat atau dependent. Nilai rata-rata pada masing-masing varibel
sebanyak 1,51 × 10−8 dan 1,35 × 10−8 . Pada Gambar yang sama juga
terdapat nilai variansi untuk variabel pengajuan sebesar 6,63 × 10−15 dan
untuk likuidasi sebesar 4,487 × 10−15 . Nilai minimal dan maximal pun juga
terdapat pada Gambar 4.1, yakni untuk minimum pada variabel X dan Y adalah
4 × 10−7 dan 3 × 10−7 sedangkan untuk maximum adalah 6 × 10−8 dan 5 ×
10−8. Simpangan baku pada variabel dan likuidasi yaitu 8,147 × 10−7 dan
6,698 × 10−7 .

17
 Berikut adalah output SPSS sebaran data:

Gambar 4.2 Scatterplot

Gambar 4.2 merupakan output dari simple scatterplot yang digunakan

untuk mengamati bahwa kedua variabel, yaitu likuidasi dan pengajuan KPR
tidak mempunyai hubungan linier. Pengamatan ini dalam regresi non linier
untuk memastikan bahwa model tidak linier. Linieritas yang dimaksud adalah
sifat hubungan yang linier antara variabel, artinya setiap perubahan yang
terjadi pada satu variabel akan diikuti perubahan dengan besaran yang sejajar
pada variabel lainnya.
Kriteria sebuah data dapat dikatakan linier atau tidak dapat dilihat dari
sebaran titik-titik yang ada pada gambar. Dilihat pada Gambar 4.2 sebaran
titik-titik tersebut mendekati atau sesuai dengan dengan pola sebaran data pada
garis quadratic. Sehingga model yang paling tepat untuk data tersebut adalah
non linier, yaitu quadratic.
4.2.2 Analisis Korelasi

18
 Correlations

Pengajuan Likuidasi

Pengajuan Pearson Correlation 1 .994**

Sig. (2-tailed) .000

N 300 300

Likuidasi Pearson Correlation .994** 1

Sig. (2-tailed) .000

N 300 300

**. Correlation is significant at the 0.01 level (2-tailed).

Gambar 4.3 Output Correlations

 Hipotesis
𝐻0 : 𝜌 = 0 (Tidak ada hubungan antara besar likuidasi dengan besar
pengajuan KPR)
𝐻1 : 𝜌 ≠ 0 (Ada hubungan antara besar likuidasi dengan besar
pengajuan KPR)
 Statistik Uji
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝑡𝑎𝑏𝑒𝑙, maka tolak 𝐻0
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 < 𝑡𝑡𝑎𝑏𝑒𝑙, maka terima 𝐻0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼, maka terima 𝐻0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, maka tolak 𝐻0
 Daerah Kritis
𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, maka tolak 𝐻0
0.000 < 0.01 , maka tolak 𝐻0
Dari hasil output pada beberapa Gambar pembahasan sebelumnya
(Gambar 4.3 dan Gambar 4.4) diketahui nilai sig. (2-tailed) antara besar
likuidasi dan pengajuan KPR sebesar 0.000 dengan alfa (𝛼) sebesar 1%, yang
berarti 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼.
4.2.3 Analisis Regresi

Untuk mengetahui besarnya pengaruh likuidasi terhadap besar

pengajuan KPR dalam analisis regresi linier sederhana, dapat berpedoman
pada nilai R square atau 𝑅 2 yang terdapat pada output SPSS Gambar 4.5

19
 Model Summary

Std. Error of the

R R Square Adjusted R Square Estimate

.995 .989 .989 6931542.516

The independent variable is Pengajuan.

Gambar 40.4 Output Model Summary

Dari output Gambar 4.5 di atas diketahui nilai R square sebesar

0,995. Nilai ini mengandung arti bahwa pengaruh pengajuan KPR terhadap
besar likuidasi adalah sebesar 99,5% sedangkan 0,05% besar likuidasi
dipengaruhi oleh variabel lain yang tidak diteliti.

 Koefisien Determinasi

Gambar 4.5 Output Coefficients

Pada Gambar 4.6 coefficients memberikan informasi nilai 𝑎, 𝑏1 ,

dan 𝑏2 masing-masing adalah 1,911 × 107 ; 0,736 dan 1,571 × 10−10.
Nilai standart error 𝑎, standart error 𝑏1 , dan standart error 𝑏2 masing-masing
sebesar 2,077 × 106 , 0.021 dan 0.000 nilai uji statistik untuk 𝑡𝑎 , 𝑡𝑏1 dan 𝑡𝑏2 .
Perhatikan nilai sig pada masing-masing koefisien adalah 0.000, yang
berarti bahwa lebih kecil dari 0.01.
Pada Gambar 4.6 pada kolom B dan Constant (a) adalah 1,911 ×
107 , nilai pada Pengajuan sebesar 0,736, sedangkan nilai Pengajuan**2
adalah 1,571 × 10−10. Maka persamaan regresinya dapat ditulis:
Y = 𝛼 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝐶
atau
Y = 1,911 × 107 + 0,736𝑋 + (1,571 × 10−10 )𝑋 2
atau
𝐿𝑖𝑘𝑢𝑖𝑑𝑎𝑠𝑖 = 1,911 × 107 + 0,736𝑃𝑒𝑛𝑔𝑎𝑗𝑢𝑎𝑛 + (1,571 × 10−10 )𝑃𝑒𝑛𝑔𝑎𝑗𝑢𝑎𝑛2

20
 a= angka konstan dari unstandardized coefficients. Dalam kasus ini
sebesar 1,220. Angka ini merupakan angka konstan yang mempunyai arti
bahwa jika nilai likuidasi sebesar 0 maka nilai koefisien pengajuan KPR
sebesar 1,220.
𝛽 = angka koefisien regresi. Nilai sebesar 0.810. Angka ini berarti
bahwa setiap penambahan 1% tingkat likuidasi, maka besar pengajuan KPR
akan meningkat 0.810.
Karena nilai koefisien regresi bernilai positif (+), maka dengan
demikian dapat dikatakan bahwa besar likuidasi berpengaruh positive
terhadap nilai pengajuan KPR.
Pengajuan (X) Likuidasi (Y) Regresi Error
158000000 134300000 139319844,4 5019844,4
536000000 455600000 458740201,6 3140201,6
150000000 127500000 133044750 5544750
116500000 110675000 106986200,5 -3688800
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
115000000 109250000 105827647,5 -3422352,5
116500000 110675000 106986200,5 -3688799,525
112500000 106875000 103898296,9 -2976703,125
168000000 142800000 147191990,4 4391990,4
240000000 228000000 204798960 -23201040
116000000 98600000 106599937,6 7999937,6
131000000 111350000 118221993,1 6871993,1
260000000 221000000 221089960 89960
148000000 125800000 131479118,4 5679118,4
208800000 177480000 179635957,8 2155957,824
123100000 116945000 112092232,1 -4852767,869
111000000 105450000 102741629,1 -2708370,9
116500000 110675000 106986200,5 -3688799,525
116000000 110200000 106599937,6 -3600062,4
112500000 90000000 103898296,9 13898296,88
112500000 90000000 103898296,9 13898296,88
286000000 243100000 242456151,6 -643848,4
360000000 306000000 304430160 -1569840

21
236000000 200600000 201555841,6 955841,6
150000000 127500000 133044750 5544750
402000000 341700000 340369988,4 -1330011,6
220000000 187000000 188633640 1633640
330000000 297000000 279098190 -17901810
229000000 194650000 195892481,1 1242481,1
112500000 106875000 103898296,9 -2976703,125
116500000 110675000 106986200,5 -3688799,525
116500000 110675000 106986200,5 -3688799,525
123000000 104550000 112014765,9 7464765,9
110000000 88000000 101970910 13970910
350000000 280000000 295954750 15954750
116500000 110675000 106986200,5 -3688799,525
120000000 114000000 109692240 -4307760
112800000 107160000 104129715,3 -3030284,736
112500000 106875000 103898296,9 -2976703,125
284000000 241400000 240805057,6 -594942,4
274750000 233537500 233185096,1 -352403,9313
258500000 219725000 219863775,5 138775,475
122000000 115900000 111240276,4 -4659723,6
110000000 104500000 101970910 -2529090
116000000 110200000 106599937,6 -3600062,4
113000000 107350000 104284009,9 -3065990,1
114000000 108300000 105055671,6 -3244328,4
155000000 124000000 136964327,5 12964327,5
123000000 116850000 112014765,9 -4835234,1
288000000 230400000 244108502,4 13708502,4
196000000 156800000 169401153,6 12601153,6
50000000 40000000 56302750 16302750
112500000 106875000 103898296,9 -2976703,125
350000000 297500000 295954750 -1545250
120000000 102000000 109692240 7692240
180000000 153000000 156680040 3680040
123000000 116850000 112014765,9 -4835234,1
111000000 105450000 102741629,1 -2708370,9
111000000 105450000 102741629,1 -2708370,9
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
112000000 106400000 103512662,4 -2887337,6

22
116500000 110675000 106986200,5 -3688799,525
116500000 93200000 106986200,5 13786200,48
123000000 116850000 112014765,9 -4835234,1
123000000 98400000 112014765,9 13614765,9
219000000 186150000 187828673,1 1678673,1
156000000 132600000 137749185,6 5149185,6
120000000 114000000 109692240 -4307760
123400000 117230000 112324649,7 -4905350,324
123400000 117230000 112324649,7 -4905350,324
123400000 117230000 112324649,7 -4905350,324
350000000 297500000 295954750 -1545250
123500000 117325000 112402128,5 -4922871,525
116000000 110200000 106599937,6 -3600062,4
140000000 119000000 125229160 6229160
270000000 229500000 229282590 -217410
149000000 126650000 132261777,1 5611777,1
150000000 120000000 133044750 13044750
115000000 109250000 105827647,5 -3422352,5
190000000 152000000 164621310 12621310
200000000 170000000 172594000 2594000
110000000 104500000 101970910 -2529090
112800000 107160000 104129715,3 -3030284,736
135000000 114750000 121333147,5 6583147,5
116850000 111007500 107256631,2 -3750868,775
260000000 221000000 221089960 89960
110950000 88760000 102703085,7 13943085,68
100000000 80000000 94281000 14281000
112500000 106875000 103898296,9 -2976703,125
116500000 110675000 106986200,5 -3688799,525
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
119700000 113715000 109460142,9 -4254857,061
118200000 112290000 108300081,8 -3989918,196
123000000 116850000 112014765,9 -4835234,1
115000000 109250000 105827647,5 -3422352,5
115000000 109250000 105827647,5 -3422352,5
40000000 34000000 48801360 14801360
116500000 110675000 106986200,5 -3688799,525
100000000 95000000 94281000 -719000

23
103200000 98040000 96738352,7 -1301647,296
103200000 98040000 96738352,7 -1301647,296
116000000 110200000 106599937,6 -3600062,4
123500000 117325000 112402128,5 -4922871,525
113400000 107730000 104592636,9 -3137363,124
114300000 108585000 105287231,4 -3297768,621
110000000 104500000 101970910 -2529090
116500000 110675000 106986200,5 -3688799,525
110000000 104500000 101970910 -2529090
110000000 104500000 101970910 -2529090
110000000 104500000 101970910 -2529090
116500000 110675000 106986200,5 -3688799,525
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
116500000 110675000 106986200,5 -3688799,525
95000000 90250000 90447827,5 197827,5
116500000 110675000 106986200,5 -3688799,525
113000000 107350000 104284009,9 -3065990,1
73000000 69350000 73675185,9 4325185,9
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
132500000 112625000 119388086,9 6763086,875
115000000 109250000 105827647,5 -3422352,5
335000000 284750000 283300547,5 -1449452,5
374000000 317900000 316348519,6 -1551480,4
80000000 76000000 78995440 2995440
111000000 105450000 102741629,1 -2708370,9
200000000 170000000 172594000 2594000
110500000 104975000 102356230,3 -2618769,725
117400000 111530000 107681671,6 -3848328,404
140000000 119000000 125229160 6229160
495000000 420750000 421923427,5 1173427,5
296000000 251600000 250730473,6 -869526,4
116500000 110675000 106986200,5 -3688799,525
266000000 226100000 226001767,6 -98232,4
190000000 161500000 164621310 3121310
397000000 357300000 336062373,9 -21237626,1
116500000 110675000 106986200,5 -3688799,525
117400000 111530000 107681671,6 -3848328,404
121000000 114950000 110466101,1 -4483898,9

24
110000000 88000000 101970910 13970910
116500000 110675000 106986200,5 -3688799,525
489000000 415650000 416579909,1 929909,1
116500000 110675000 106986200,5 -3688799,525
116500000 110675000 106986200,5 -3688799,525
250000000 212500000 212928750 428750
255000000 216750000 217005427,5 255427,5
123000000 116850000 112014765,9 -4835234,1
123000000 98400000 112014765,9 13614765,9
200000000 160000000 172594000 12594000
116000000 110200000 106599937,6 -3600062,4
116000000 110200000 106599937,6 -3600062,4
253000000 215050000 215373813,9 323813,9
123000000 116850000 112014765,9 -4835234,1
120000000 114000000 109692240 -4307760
190000000 161500000 164621310 3121310
135000000 114750000 121333147,5 6583147,5
100000000 85000000 94281000 9281000
122500000 116375000 111627481,9 -4747518,125
116000000 110200000 106599937,6 -3600062,4
116300000 110485000 106831685,9 -3653314,101
123000000 116850000 112014765,9 -4835234,1
372000000 316200000 314642126,4 -1557873,6
262000000 222700000 222725972,4 25972,4
315000000 267750000 266538247,5 -1211752,5
117400000 111530000 107681671,6 -3848328,404
117400000 111530000 107681671,6 -3848328,404
117400000 111530000 107681671,6 -3848328,404
117400000 111530000 107681671,6 -3848328,404
117400000 111530000 107681671,6 -3848328,404
123500000 117325000 112402128,5 -4922871,525
100000000 85000000 94281000 9281000
123500000 117325000 112402128,5 -4922871,525
123400000 117230000 112324649,7 -4905350,324
116000000 110200000 106599937,6 -3600062,4
115000000 109250000 105827647,5 -3422352,5
109400000 103930000 101508629,4 -2421370,644
123450000 117277500 112363388,7 -4914111,317
118000000 112100000 108145460,4 -3954539,6
148000000 125800000 131479118,4 5679118,4

25
119700000 113715000 109460142,9 -4254857,061
457000000 411300000 388272177,9 -23027822,1
140000000 119000000 125229160 6229160
115000000 109250000 105827647,5 -3422352,5
115300000 109535000 106059301,5 -3475698,461
123000000 116850000 112014765,9 -4835234,1
157600000 133960000 139005612,1 5045612,096
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
116000000 110200000 106599937,6 -3600062,4
115000000 109250000 105827647,5 -3422352,5
347000000 277600000 293418253,9 15818253,9
107000000 101650000 99660637,9 -1989362,1
600000000 510000000 517266000 7266000
106800000 101460000 99506720,3 -1953279,696
122800000 116660000 111859842,9 -4800157,136
100000000 95000000 94281000 -719000
116000000 110200000 106599937,6 -3600062,4
121000000 114950000 110466101,1 -4483898,9
116800000 110960000 107217995,9 -3742004,096
110000000 104500000 101970910 -2529090
123500000 98800000 112402128,5 13602128,48
123000000 116850000 112014765,9 -4835234,1
123500000 98800000 112402128,5 13602128,48
123400000 117230000 112324649,7 -4905350,324
123400000 117230000 112324649,7 -4905350,324
123400000 117230000 112324649,7 -4905350,324
116000000 110200000 106599937,6 -3600062,4
229000000 194650000 195892481,1 1242481,1
190000000 161500000 164621310 3121310
123450000 117277500 112363388,7 -4914111,317
123450000 117277500 112363388,7 -4914111,317
116000000 110200000 106599937,6 -3600062,4
113600000 107920000 104746969,2 -3173030,784
123000000 116850000 112014765,9 -4835234,1
116000000 110200000 106599937,6 -3600062,4
106500000 85200000 99275867,48 14075867,48
116000000 92800000 106599937,6 13799937,6
113000000 107350000 104284009,9 -3065990,1
116000000 110200000 106599937,6 -3600062,4

26
 86000000 81700000 83567911,6 1867911,6
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
116000000 110200000 106599937,6 -3600062,4
116500000 110675000 106986200,5 -3688799,525
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
122600000 116470000 111704932,4 -4765067,604
386000000 347400000 326613271,6 -20786728,4
352000000 299200000 297647318,4 -1552681,6
102900000 97755000 96507839,21 -1247160,789
207000000 175950000 178193577,9 2243577,9
439479600 351583680 372909643,9 21325963,89
106500000 85200000 99275867,48 14075867,48
106500000 85200000 99275867,48 14075867,48
109700000 104215000 101739755,5 -2475244,461
123000000 116850000 112014765,9 -4835234,1
116500000 110675000 106986200,5 -3688799,525
117400000 111530000 107681671,6 -3848328,404
116500000 110675000 106986200,5 -3688799,525
123500000 117325000 112402128,5 -4922871,525
106500000 101175000 99275867,48 -1899132,525
109700000 104215000 101739755,5 -2475244,461
123000000 116850000 112014765,9 -4835234,1
121200000 115140000 110620911 -4519088,976
123000000 116850000 112014765,9 -4835234,1
200000000 160000000 172594000 12594000
230000000 195500000 196700590 1200590
148000000 125800000 131479118,4 5679118,4
104800000 99560000 97968235,58 -1591764,416
123000000 116850000 112014765,9 -4835234,1
106500000 101175000 99275867,48 -1899132,525
109700000 104215000 101739755,5 -2475244,461
106500000 101175000 99275867,48 -1899132,525
150000000 127500000 133044750 5544750
114200000 108490000 105210041,6 -3279958,356
123000000 116850000 112014765,9 -4835234,1
123400000 117230000 112324649,7 -4905350,324
105700000 100415000 98660398,18 -1754601,821

27
116000000 104400000 106599937,6 2199937,6
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
250000000 212500000 212928750 428750
132000000 112200000 118999310,4 6799310,4
145000000 123250000 129133027,5 5883027,5
123000000 104550000 112014765,9 7464765,9
268000000 227800000 227641550,4 -158449,6
150000000 120000000 133044750 13044750
113800000 108110000 104901314,1 -3208685,876
113000000 107350000 104284009,9 -3065990,1
122000000 115900000 111240276,4 -4659723,6
99000000 84150000 93513737,1 9363737,1
106500000 101175000 99275867,48 -1899132,525
291000000 247350000 246589385,1 -760614,9
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240
123000000 116850000 112014765,9 -4835234,1
123000000 116850000 112014765,9 -4835234,1
115000000 109250000 105827647,5 -3422352,5
116500000 110675000 106986200,5 -3688799,525
123500000 117325000 112402128,5 -4922871,525
123000000 116850000 112014765,9 -4835234,1
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240
115000000 92000000 105827647,5 13827647,5
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240
120000000 96000000 109692240 13692240

28
 Pengajuan (X)
700000000

600000000

500000000

400000000

300000000 Pengajuan (X)

200000000

100000000

0
0 100 200 300 400

Likuidasi (Y)
600000000

500000000

400000000

300000000
Likuidasi (Y)
200000000

100000000

0
0 50 100 150 200 250 300 350

Regresi
600000000

500000000

400000000

300000000
Regresi
200000000

100000000

0
0 50 100 150 200 250 300 350

29
 Error
25000000
20000000
15000000
10000000
5000000
0
Error
-5000000 0 50 100 150 200 250 300 350
-10000000
-15000000
-20000000
-25000000
-30000000

BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisis data dan pembahasan, penulis dapat menarik beberapa
kesimpulan:

30
 1. Terdapat pengaruh antara pengajuan dengan likuiditas. Hal tersebut
dapat dilihat dari hasil output SPSS, dengan membandingan nilai 𝑃 −
𝑣𝑎𝑙𝑢𝑒 yang terdapat pada Gambar 4.1 dengan taraf signifikan 1%.
2. Persamaan regresi model non linier cubic antara pengajuan dengan
angsuran adalah Y = 1.266 + 0.810𝑋 + 6.499𝑋 2 . Persamaan tersebut
didapat dari Gambar 4.6 yang terdapat dari output SPSS.

5.2 Saran
Untuk penelitian selanjutnya dapat menggunakan data populasi sebagai
perbandingan dalam menganalisis regresi non linier sederhana ini.

DAFTAR PUSTAKA

Harinaldi. 2005. Prinsip-Prinsip Statistik untuk Teknik dan Sains. Jakarta:

Penerbit Erlangga
Hasan, Iqbal M. Pokok-Pokok Materi Statistik 2 (Statistik Inferensif). Jakarta:
Bumi Aksara

31
Hosmer, D.W. dan S. Lemeshow. 2000. Applied Logistic RegressionSecond
Edition. New York: John Willey & Sons, INC.
Sarwono, Jonathan. 2013. 12 Jurus Ampuh SPSS untuk Riset Skripsi. Jakarta: Elex
Media Komputindo.
Sunyoto, Danang. 2010. Uji Khi Kuadrat dan Regresi untuk Penelitian.
Yogyakarta: Graha Ilmu
Sudjana. 2001. Teknik Analisis Regresi dan Korelasi Bagi Para Peneliti.
Bandung: PT. TRASITO BANDUNG
Supranto, J. 2001. Statistik Teori dan Aplikasi Edisi Keenam Jilid 2. Jakarta:
Penerbit Erlangga
Thomas, dkk. 2007. Dasar-Dasar Perkreditan. Jakarta: Gramedia Pustaka Utama
Wikipedia. 2017. https://id.wikipedia.org/wiki/Kredit_pemilikan_rumah, diakses
pada tanggal 5 Agustus 2019 pukul 21.49
Gazali, Djoni S dan Rachmadi Usman. 2010. Hukum Perbankan. Jakarta: Sinar
Grafika.

LAMPIRAN
I. Data
LIKUIDASI
NO PENGAJUAN
(%)
1 158000000 134300000

32
 2 536000000 455600000

3 150000000 127500000

4 116500000 110675000

5 116000000 110200000

6 116000000 110200000

7 116000000 110200000

8 116000000 110200000

9 116000000 110200000

10 115000000 109250000

11 116500000 110675000

12 112500000 106875000

13 168000000 142800000

14 240000000 228000000

15 116000000 98600000

16 131000000 111350000

17 260000000 221000000

18 148000000 125800000

20 208800000 177480000

22 123100000 116945000

23 111000000 105450000

24 116500000 110675000

25 116000000 110200000

26 112500000 90000000

27 112500000 90000000

28 286000000 243100000

29 360000000 306000000

30 236000000 200600000

… … …

… … …

… … …

… … …

918 160000000 152000000

33