Kelas A

LAPORAN PRAKTIKUM
Analisis Data Kategorik
Modul 3: Analisis Log Linear dan Regresi Logistic Biner

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul
Mahasiswa Praktikan
Halima Tusyakdiah 17611073 20 Oktober 2019

Tanggal Tandatangan
Nama Penilai Nilai
Koreksi Asisten Dosen
Iqbal Fathur Rahman
Putri Choirunisa

Dr. Jaka Nugraha, S.Si.,

M.Si.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi

Daftar Isi.................................................................................................................. ii
Daftar Gambar......................................................................................................... ii
Daftar Isi.................................................................................................................. ii
Daftar Tabel ........................................................................................................... iii
Daftar Gambar........................................................................................................ iii
1 Pendahuluan ..................................................................................................... 1
1.1 Model Log Linear .......................................................................................... 1
1.2 Uji K-Way ...................................................................................................... 2
1.3 Regresi logistik biner ..................................................................................... 2
2 Deskripsi Kerja ................................................................................................ 4
2.1 Studi Kasus .................................................................................................... 4
2.2 Langkah Kerja ............................................................................................... 5
2.2.1 Langkah Kerja Studi Kasus Pertama................................................... 5
Adapun langkah-langkah kerja yang digunakan praktikan adalah sebagai berikut:
....................................................................................................................... 5
2.2.2 Langkah Kerja Studi Kasus Kedua ................................................... 10
Adapun langkah-langkah kerja yang digunakan praktikan adalah sebagai berikut:
..................................................................................................................... 10
3 Pembahasan.................................................................................................... 15
3.1 Pembahasan Studi Kasus Pertama ............................................................... 15
3.2 Pembahasan Studi Kasus Kedua .................................................................. 19
4 Penutup .......................................................................................................... 27
4.1 Kesimpulan .................................................................................................. 27
5 Daftar Pustaka ................................................................................................ 28

ii
Daftar Tabel

Tabel 2.1 Studi Kasus Satu ..................................................................................... 4

Tabel 2.2 Studi Kasus Dua ..................................................................................... 4

Daftar Gambar

Gambar 2.1 Membuka SPSS ................................................................................. 6

Gambar 2.2 Tampilan Awal SPSS ........................................................................ 6
Gambar 2.3 Lembar Kerja SPSS ........................................................................... 7
Gambar 2.4 Memasukkan Variabel ....................................................................... 7
Gambar 2.5 Input Data .......................................................................................... 7
Gambar 2.6 Weight Cases ..................................................................................... 7
Gambar 2.7 Menu Analyze .................................................................................... 7
Gambar 2.8 Isian Crosstabs................................................................................... 8
Gambar 2.9 Uji Chi Square ................................................................................... 8
Gambar 2.10 Analisis Loglinier ............................................................................ 9
Gambar 2.11 Define Range ................................................................................... 9
Gambar 2.12 Define Range ................................................................................... 9
Gambar 2.13 Membuka VewSPSS...................................................................... 10
Gambar 2.14 Tampilan Awal SPSS .................................................................... 10
Gambar 2.15 Lembar Kerja SPSS ....................................................................... 11
Gambar 2.16 Memasukkan Variabel ................................................................... 11
Gambar 2.17 Input Data ...................................................................................... 11
Gambar 2.18 Melakukan Analisis Regresi Logistik Biner .................................. 12
Gambar 2.19 Visualisasi Langkah Analisis Regresi Logistik Biner ................... 12
Gambar 2.20 Define Categorical Variables ........................................................ 13
Gambar 2.21 Visualisasi Langkah Analisis Regresi Logistik Biner ................... 13
Gambar 2.22 Visualisasi Langkah Analisis Regresi Logistik Biner ................... 14
Gambar 3.1 Output Crosstabulation ................................................................... 15
Gambar 3.2 Output K-way and Higher Order Effect .......................................... 15
Gambar 3.3 Output Associations ......................................................................... 16

iii
 Gambar 3.4 Output Signifikansi Variabel ................................................... 17

Gambar 3.5 Output Parameter Estimates ........................... 18

Gambar 3.6 Output

Goodness of Fit ............................................................................................. 19
Gambar 3.7 Output Case Processing Summary .................................................. 19
Gambar 3.8 Output Dependent Variable Enconding........................................... 20
Gambar 3.9 Output Omnimbus test of Model Coefficient ................................... 21
Gambar 3.10 Output Variabels in the Equation .................................................. 22
Gambar 3.11 Output Variabels in the Equation .................................................. 23
Gambar 3.12 Output Hosmer and Lemeshow Test .............................................. 24
Gambar 3.13 Output Hosmer and Lemeshow Test .............................................. 24
Gambar 3.14 Classification Table ....................................................................... 24

iv
1 Pendahuluan
1.1 Model Log Linear
Model log-linear adalah model matematis yang mengambil bentuk fungsi
yang logaritmanya sama dengan kombinasi linear dari parameter model, yang
memungkinkan penerapan regresi linier (mungkin multivariat). Artinya, ia
memiliki bentuk umum.

(1)
Dimana fi (X) adalah jumlah yang merupakan fungsi dari variabel X, secara
umum merupakan vektor nilai, sedangkan c dan wi berada pada parameter model.
Istilah ini secara khusus dapat digunakan untuk sebuah plot atau grafik log-linear,
yang merupakan jenis plot semi-log dan regresi poisson untuk tabel kontingensi,
jenis model linier umum. Aplikasi spesifik model log-linear adalah di mana
kuantitas output terletak pada kisaran 0 sampai ∞, untuk nilai variabel independen
X, atau lebih segera, jumlah transformasi fi (X) dalam kisaran -∞ to + ∞. Ini
mungkin kontras dengan model logistik, mirip dengan fungsi logistik, dimana
kuantitas output berada pada kisaran 0 sampai 1. Dengan demikian konteks dimana
model ini berguna atau realistis seringkali bergantung pada kisaran nilai yang
dimodelkan.
Estimasi parameter dilakukan menggunakan data sampel salah satu metode
yang digunakan untuk mengestimasi parameter adalah maximum likelihood
estimator (MLE). Terdapat dua cara untuk inferensi parameter ƛ, yaitu metode
exsak dan metode pendekatan distribusi normal. Metode eksak digunakan pada
sampel kecil dan metode pendekatan distirbusi normal digunakan ketika jumlah
sampel besar.Dalam inferensi statistik, kita mengenal nilai α yang merupakan
probabilitas kesalahan tipe I yang biasa disebut dengan tingkat signifikansi.Untuk

1
menguji hipotesis H0, peneliti menetapkan nilai α yang digunakan. Nilai α terkecil
sedemikian hingga dapat menolak H0 disebut P-value.
(Jaka Nugraha, 2013)

1.2 Uji K-Way

Pengujian interaksi pada derajat K atau lebih sama dengan nol (Test that K-
Way and higher order effect are zero). Uji ini didasarkan pada hipotesis bahwa efek
order ke-K dan yang lebih tinggi sama dengan nol.
1) Untuk K = 2 H0 : Efek order ke-2 = 0
H1 : Efek order ke-2 ≠ 0
2) Untuk K = 1 H0 : Efek order ke-1 dan yang lebih tinggi = 0
H1 : Efek order ke-1 dan yang lebih tinggi ≠ 0
Pengujian interaksi pada derajat K sama dengan nol (Test that K-Way effect
are zero). Uji ini didasarkan pada hipotesis efek order ke-K sama dengan nol.
1) Untuk K = 1 H0 : Efek order ke-1 = 0
H1 : Efek order ke-1 ≠ 0
2) Untuk K = 2 H0 : Efek order ke-2 = 0
H1 : Efek order ke-2 ≠ 0
Statistik uji yang digunakan adalah Likelihood Ratio Test (𝐺 2 ).
2
Kriteria penolakan 𝐺 2 > 𝜒(𝑑𝑏;𝑎) maka tolah H0.

1.3 Regresi logistik biner

Regresi logistik biner merupakan perkembangan darisebuah interpretasi
koefisien regresi logistik dengan situasi dimana variabel respon (y) adalah variabel
kualitatif yang mempunyai skala nominal atau dikotomus. Jadi, regresi logistik
biner adalah suatu metode analisis data yang digunakan untuk mencari hubungan
antara variabel respon (y) yang bersifat biner atau dikotomus dengan
variabel prediktor (x) yang bersifat polikotomus. Variabel respon (y) dikategorikan

2
sama dengan nol atau satu. Dalam keadaan demikian, variabel y mengikuti
distribusi Bernoulli untuk setiap observasi tunggal (Hosmer & Lameshow, 2000).
Bentuk spesifik dari model regresi logistik adalah seperti berikut:

(2)
Dengan π(x) adalah peluang kejadian sukses dengan nilai probabilitas
0≤π(x)≤1 dan βj adalah nilai parameter dengan j = 1,2,......,p. π(x) merupakan fungsi
yang non linier, sehingga perlu dilakukan transformasi ke dalam bentuk logit untuk
memperoleh fungsi yang linier agar dapat dilihat hubungan antara variabel bebas
dan variabel tidak bebas. Dengan melakukan transformasi dari logit π(x), maka
didapat persamaan yang lebih sederhana, yaitu:

(3)

3
2 Deskripsi Kerja
2.1 Studi Kasus
1. Suatu badan survey melakukan survey terkait jenis kelamin dan asal
partai. Kemudian ingin mengetahui hubungan antara jenis kelamin dan
asal partai ujian menggunakan data sebagai berikut
Tabel 2.1 Studi Kasus Satu
Jenis kelamin Partai
Buruh Konservatif
Laki-laki 222 195
perempuan 240 185

a. Buatlah tabel kontigensi

b. Lakukan analisis loglinear untuk mengetahui hubungan interaksi antar
variabel
2. Sebuah perusahaan pembiayaan sepeda motor ingin mengetahui faktor-
faktor apa saja yang mempengaruhi sebuah kridit kendaraan dapat
mengalami kemacetan. Data digunakan sampel sebanyak 35 peminjam
untuk mencari penyebab dimana faktor-faktor yang dicurigai diantaranya,
DP (Besar uang muka), jangka waktu pembayaran, umur peminjam dan
pendidikan peminjam.
Tabel 2.2 Studi Kasus Dua
Variabel Code Kategori
Kredit (Status Kredit) 0 Tidak Macet
1 Macet
Dp (Uang Muka) 0 >Rp 1.5 juta
1 <=Rp 1.5 juta
Jangka Waktu Pembayaran (bulan) Numerik
Umur (umur pemohon) Numerik

4
 Pendidikan Pemohon 0 Perguruan Tinggi
1 SMA
2 <=SMP

Tugas :
1) Lakukan analisis regresi logistic biner dengan menggunakan Software SPSS,
mulai uji overall sampai Classification Table. (Bobot 50%)
2) Apabila seorang peminjam berumur 27 tahun dengan pendidikan terakhir
SMA membayar DP lebih dari 1.5 juta dan jangka waktu pembayaran kridit
12 bulan.
a. Hitunglah peluang peminjam tersebut mempunyai status kridit macet.
(Bobot 25%)
b. Hitunglah peluang peminjam tersebut mempunyai status kridit tidak
macet. (Bobot 25%)

2.2 Langkah Kerja

2.2.1 Langkah Kerja Studi Kasus Pertama
Adapun langkah-langkah kerja yang digunakan praktikan adalah sebagai
berikut:
1. Setelah SPSS ter-install, buka program tersebut dengan cara ketik SPSS pada
search windows, maka program tersebut akan langsung muncul kemudian
double click icon-nya.

5
 Gambar 2.1 Membuka SPSS
2. Kemudian akan muncul tampilan awal saat membuka aplikasi IBM SPSS
Statistics 22. Lalu pilih tombol Exit dipojok kanan atas.

Gambar 2.2 Tampilan Awal SPSS

3. Setelah lembar kerja SPSS terbuka, maka praktikan siap untuk mengerjakan
soal yang telah disediakan.

6
 Gambar 2.3 Lembar Kerja SPSS
4. Masukkan variabel jk, partai, frek.

Gambar 2.4 Memasukkan Variabel

5. Selanjutnya input data Gender, Lokasi, Sabuk, Luka dan Frekuensi di data
view.

Gambar 2.5 Input Data

6. Kemudian Data  Weight Cases lalu masukkan variabel Frekuensi ke
weight cases by.

Gambar 2.6 Weight Cases

7. Untuk menyajikan data ke dalam tabel kontigensi maka pilih menu Analyze
 Descriptive Statistics  Crosstabs.

Gambar 2.7 Menu Analyze

7
8. Masukkan masing-masing variabel yang dikehendaki ke dalam baris dan
kolom pada isian crosstabs.

Gambar 2.8 Isian Crosstabs

9. Untuk melakukan uji Chi Square, pilih Statistics  Centang Chi Square 
Continue  OK.

Gambar 2.9 Uji Chi Square

10. Untuk melakukan analisis loglinear, pilih menu Analysis  Loglinear 
Model selection

8
 Gambar 2.10 Analisis Loglinier
11. Kemudian menentukan define range, dengan nilai minimum sebesar 1 dan
nilai maksimum sebesar 2.

Gambar 2.11 Define Range

12. Lalu klik Options  centang Parameter estimates dan Association table 
Continue  OK.

Gambar 2.12 Define Range

9
2.2.2 Langkah Kerja Studi Kasus Kedua
Adapun langkah-langkah kerja yang digunakan praktikan adalah sebagai
berikut:
1. Setelah SPSS ter-install, buka program tersebut dengan cara ketik SPSS pada
search windows, maka program tersebut akan langsung muncul kemudian
double click icon-nya.

Gambar 2.13 Membuka VewSPSS

2. Kemudian akan muncul tampilan awal saat membuka aplikasi IBM SPSS
Statistics 22. Lalu pilih tombol Exit dipojok kanan atas.

Gambar 2.14 Tampilan Awal SPSS

3. Setelah lembar kerja SPSS terbuka, maka praktikan siap untuk mengerjakan
soal yang telah disediakan.

10
 Gambar 2.15 Lembar Kerja SPSS
4. Masukkan variabel kredit, dp, jangka waktu, umur, dan pendidikan di
variable view.

Gambar 2.16 Memasukkan Variabel

5. Selanjutnya Selanjutnya input data di data view.

Gambar 2.17 Input Data

11
6. Untuk melakukan analisis regresi logistik biner, pilih menu Analyze 
Regression  Binary logistic.

Gambar 2.18 Melakukan Analisis Regresi Logistik Biner

7. Kemudian masukkan variabel ke kolom dependent dan Covariates, pilih
backward conditional di kolom Method.

Gambar 2.19 Visualisasi Langkah Analisis Regresi Logistik Biner

12
8. Kemudian masuan variabel dp dan pendidikan menjadi Categorical
Covariates

Gambar 2.20 Define Categorical Variables

9. Klik save, lalu centang Probabilities, Group membership dan Include the
covariance matrix kemudian klik continue.

Gambar 2.21 Visualisasi Langkah Analisis Regresi Logistik Biner

13
10. Lalu pilih Options  centang Hosmer-Lemeshow goodness of fit,
Classification Plot, Casewise listing of residuals All case dan include
constant in model  Continue  OK.

Gambar 2.22 Visualisasi Langkah Analisis Regresi Logistik Biner

14
3 Pembahasan
3.1 Pembahasan Studi Kasus Pertama
Berdasarkan soal yaitu suatu badan survey ingin mengetahui hubungan antara
jenis kelamin dan asal partai maka didaptkan tabel kontigensi sebagai berikut.

Gambar 3.1 Output Crosstabulation

Kemudian praktikan akan melakukan analisis loglinear untuk mengetahui
hubungan interaksi antar variabel
1. K-way and Higher Order Effect
i) Hipotesis
H0 = efek orde ke-i dan yang lebih tinggi = 0 (Tidak ada pengaruh interaksi
dari orde ke-i dan yang lebih tinggi) ; i = 1, 2
H1 = efek orde ke-i dan yang lebih tinggi ≠ 0 (Ada pengaruh interaksi dari
orde ke-1 dan yang lebih tinggi)
ii) Tingkat Signifikansi
Untuk semua K (1,2) menggunakan α = 0.05
iii) Daerah Kritis
Tolak H0 jika p-value < α
iv) Statistika Uji

Gambar 3.2 Output K-way and Higher Order Effect

15
v) Keputusan
Untuk K1, tolak H0 karena p-value < α yaitu 0,016 < 0.05
Untuk K2, gagal tolak H0 karena p-value > α yaitu 0,327> 0.05
vi) Kesimpulan
Berdasarkan hasil pengujian di atas, dengan tingkat kepercayaan sebesar
95%, maka dapat disimpulkan bahwa ada pengaruh interaksi dari orde ke-
1 dan yang lebih tinggi dan tidak ada pengaruh interaksi dari orde ke-2 dan
yang lebih tinggi Partial Associations
2. Uji Asosiasi Parsial (Model Sementara)
i) Hipotesis
H0 = efek interaksi antara variabel 1 dan 2 = 0 (tidak ada interaksi antar
berbagai peubah)
H1 = efek interaksi antara variabel 1 dan 2 ≠ 0 (interaksi antar berbagai
peubah terkandung dalam model)
ii) Tingkat Signifikansi
α = 0.05
iii) Daerah Kritis
Tolak H0 jika p-value < α
iv) Statistika Uji
Partial Associations
Partial Chi- Number of
Effect df Square Sig. Iterations
jk 1 .058 .809 2
partai 1 8.205 .004 2

Gambar 3.3 Output Associations

v) Keputusan
Effek p-value tanda α Keputusan
jk 0,809 > 0,05 Gagal Tolak H0
partai 0,004 < 0,05 Tolak H0
16
 vi) Kesimpulan
 Berdasarkan hasil pengujian di atas, dengan tingkat kepercayaan
sebesar 95%, maka dapat disimpulkan bahwa tidak ada interaksi
antar berbagai peubah terkandung dalam model.
 Dengan tingkat kepercayaan sebesar 95%, maka dapat disimpulkan
bahwa interaksi antar berbagai peubah terkandung dalam model.
3. Backward Elimination Statistics
i) Hipotesis
H0= Model 1 adalah model terbaik (model yang lebih sederhana) Log
(𝜇𝑖𝑗𝑘𝑙) = 𝜆+ 𝜆𝐺+ 𝜆𝐿𝑢+ 𝜆𝐿𝑜+ 𝜆𝑆+𝜆𝐺𝐿𝑢+ 𝜆𝐿𝑜𝑆𝐿𝑢+𝜆𝐺𝐿𝑜𝑆
H1= Model 0 adalah model terbaik Log (𝜇𝑖𝑗𝑘𝑙) = 𝜆+ 𝜆𝐺+ 𝜆𝐿𝑢+ 𝜆𝐿𝑜+
𝜆𝑆+𝜆𝐺𝐿𝑢+ 𝜆𝐺𝐿𝑜+ 𝜆𝐺𝑆+ 𝜆𝐿𝑢𝐿𝑜+ 𝜆𝐿𝑢𝑆+𝜆𝐿𝑜𝑆+ 𝜆𝐺𝐿𝑢𝐿𝑜 +
𝜆𝐺𝐿𝑢𝑆 + 𝜆𝐿𝑢𝐿𝑜𝑆 + 𝜆𝐺𝐿𝑢𝐿𝑜𝑆
ii) Tingkat Signifikansi
α = 0.05
iii) Daerah Kritis
G2 > 𝑋2 tabel maka tolak H0
p-value < α maka tolak H0
iv) Statistika Uji

Gambar 3.4 Output Signifikansi Variabel

17
 v) Keputusan
Gagal tolak H0 karena p-value > α yaitu 0,600 > 0.05
vi) Kesimpulan
Berdasarkan hasil pengujian di atas, dengan tingkat kepercayaan
sebesar 95%, maka dapat disimpulkan bahwa model 1 adalah model
terbaik (model yang lebih sederhana).
4. Parameter Estimates
i) Hipotesis
H0= pola hubungan tidak signifikan atau parameter tidak signifikan
dalam model
H1 = pola hubungan signifikan atau parameter signifikan dalam model
ii) Tingkat Signifikansi
α = 0.05
iii) Daerah Kritis
Tolak H0 jika p-value < α
iv) Statistika Uji

Gambar 3.5 Output Parameter Estimates

v) Keputusan
Effek p-value tanda α Keputusan
Jk*partai 0,327 > 0,05 Gagal Tolak H0
jk 0,886 > 0,05 Gagal Tolak H0
partai 0,004 < 0,05 Tolak H0

vi) Kesimpulan
Log(𝜇ij) = 𝜆 0.0996 partai

18
 5. Godness of fit test
i) Hipotesis
H0 = Model signifikan
H1 = Model tidak signifikan
ii) Tingkat Signifikansi
α = 0.05
iii) Daerah Kritis
Tolak H0 jika p-value < α
iv) Statistika Uji

Gambar 3.6 Output Goodness of Fit

v) Keputusan
Gagal tolak H0 karena p-value > α yaitu 0,600 > 0.05
vi) Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% maka berdasarkan
output pada kolom pearson dapat disimpulkan bahwa model tersebut
sesuai dengan data yang digunakan, bahwa model signifikan.
3.2 Pembahasan Studi Kasus Kedua
1. Case Processing Summary

Gambar 3.7 Output Case Processing Summary

19
 Pada kasus ini terdapat 35 data yang termasuk dalam analisis dan
tidak terdapat data yang hilang yang dilihat dari missing cases.

2. Dependent Variable Enconding

Gambar 3.8 Output Dependent Variable Enconding

Kasus ini terdapat variabel independen yang mengandung data
kategori yaitu pada variabel tingkat pendidikan dan dp. Tingkat pendidikan
jumlah peminjam yang perguruan tinggi yaitu 12 orang, jumlah tingkat
pendidikan peminjam SMA yaitu 13
3. Uji Overall (Omnibus Test of Model Coefficient)
i) Hipotesis
H0 : 𝛽𝑖 = 0 (tidak ada pengaruh variabel bebas secara simultan terhadap
variabel tak bebas)  model regresi tidak layak digunakan
H1 : minimal ada satu 𝛽𝑖 ≠ 0 (ada pengaruh paling sedikit satu veriabel
bebas terhadap variabel tak bebas)  model regresi layak digunakan
ii) Tingkat signifikansi
α = 5% = 0,05
iii) Daerah kritis
2 2
H0 ditolak jika  𝜒ℎ𝑖𝑡𝑢𝑛𝑔 > 𝜒𝑡𝑎𝑏𝑒𝑙 (α,df)

Atau

20
 Sig. < 0,05
iv) Statistik uji

Gambar 3.9 Output Omnimbus test of Model Coefficient

iv) Keputusan
Tolak H0 karena p-value < α yaitu 0.001 < 0.05
v) Kesimpulan
Berdasarkan hasil pengujian di atas, dengan tingkat kepercayaan sebesar
95%, maka dapat disimpulkan bahwa ada pengaruh paling sedikit satu variabel
bebas terhadap variabel tak bebas sehingga model regresi layak digunakan.

4. Uji Parsial ( Variables in the Equation)

Melakukan uji konstanta
i) Hipotesis
H0 : βi = 0 (konstanta tidak signifikan)
H1 : βi ≠ 0 (konstanta signifikan)
ii) Tingkat Signifikansi
α = 0,05
iii) Daerah Kritis
Tolak H0 jika Sig. < α
iv) Statistika uji

21
 Gambar 3.10 Output Variabels in the Equation
v) Keputusan Uji
Xi P-value Tanda α Keputusan
dp 1 0,023 < 0,05 Tolak H0
Jangka waktu 0,037 < 0,05 Tolak H0
Pendidikan pemohon 0,021 < 0,05 Tolak H0

vi) Kesimpulan
Dengan menggunakan tingkat kepercayaan 95%, yang artinya
variabel independen dp 1 kategori ibu pemberi ASI yang tidak bekerja,
variabel jangka_waktu, dan pendidikan_pemohonan signifikan terhadap
model.

22
5. Nilai Eksponensial dari ODD RATIO

Gambar 3.11 Output Variabels in the Equation

 Seorang yang mengambil kredit kendaraan dengan DP < 1,5 juta
akan memiliki resiko mengalami kredit macet sebanyak 0.051 kali
lipat di bandingkan dengan seorang mengambil kredit kendaraan
dengan DP > 1,5
 Jika jika jangka waktu kredit kendaraan bertambah 1 bulan maka
kecenderungan kredit mengalami macet menjadi 0.881 kali lipat
 Seorang yang mengambil kredit kendaraan dengan tingkat
pendidikan SMA akan memiliki resiko mengalami kredit macet
sebanyak 0.055 kali lipat di bandingkan dengan seorang mengambil
kredit kendaraan dengan tingkat pendidikan lainnya.

6. Uji Menguji Kelayakan Model Regresi (Hosmer and Lemeshow Test)

i). Hipotesis
H0 : Model cukup mampu menjelaskan data
H1 : Model tidak cukup mampu menjelaskan data
ii). Tingkat Signifikansi
α = 0,05
iii). Daerah Kritis

23
 Tolak H0 jika Sig. < α
iv). Statistika uji
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 7.243 7 .404
2 5.116 7 .646

Gambar 3.12 Output Hosmer and Lemeshow Test

v). Keputusan Uji
Gagal tolak H0 karena p-value < α yaitu 0.646 > 0.05
vi). Kesimpulan
Berdasarkan hasil pengujian di atas, dengan tingkat kepercayaan sebesar
95%, maka dapat disimpulkan bahwa model cukup mampu menjelaskan
data.

7. Pseudo R Square (Koefisien Determinasi)

Model Summary
Cox & Snell R Nagelkerke R
Step -2 Log likelihood Square Square
1 28.435a .425 .571
2 29.195a .412 .554
Gambar 3.13 Output Hosmer and Lemeshow Test
Didapatkan nilai R2 sebesar 0.554, setelah itu nilai dari R2 dikalikan
dengan 100%. Jadi, nilai R2 sebesar 55,4% yang artinya sebesar 55,4%
keragaman Y mampu dijelaskan oleh X dalam model, sedangkan sisanya
yaitu 44,6% dijelaskan oleh peubah lain yang di luar model.

8. Classification Table

Gambar 3.14 Classification Table

24
 • Terdapat 18 orang peminjam yang di prediksikan tidak macet pada
kenyataan benar tidak macet perusahaan pembiayaan sepeda motor.
• Terdapat 2 orang peminjam yang di prediksikan macet pada kenyataannya
benar tidak macet perusahaan pembiayaan sepeda motor.
• Terdapat 3 orang peminjam yang di prediksikan tidak macet pada
kenyataannya macet perusahaan pembiayaan sepeda motor.
• Terdapat 12 orang peminjam yang di prediksikan macet pada
kenyataannya benar macet pembayaran di perusahaan pembiayaan sepeda
motor
• Persentase ketepatan model dalam mengkasifikasikan observasi adalah 85.7
persen. Artinya dari 35 observasi, ada 30 observasi yang tepat
pengklasifikasiannya oleh model regresi logistik.

Setelah melakukan beberapa uji hipotesis, maka didaptkan model sebagai

berikut:

𝑒𝑥𝑝(5.557 − 2,969 𝑑𝑝 − 0,127 𝑗𝑎𝑛𝑔𝑘_𝑤𝑎𝑘𝑡𝑢 − 2,903 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛_𝑝𝑒𝑚𝑜ℎ𝑜𝑛)

𝜋 (𝑥 ) =
1 + 𝑒𝑥𝑝(5.557 − 2,969 𝑑𝑝 − 0,127 𝑗𝑎𝑛𝑔𝑘𝑎_𝑤𝑎𝑘𝑡𝑢 − 2,903 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛_𝑝𝑒𝑚𝑜ℎ𝑜𝑛)

Selanjutnya praktikan menjawab soal kedua yaitu, apabila diketahui

seorang peminjam berumur 27 tahun dengan pendidikan terakhir SMA membayar
DP lebih dari 1.5 juta dan jangka waktu pembayaran kridit 12 bulan.
a. Hitunglah peluang peminjam tersebut mempunyai status kridit macet.
Penyelesaian:
𝑒𝑥𝑝(5.557 − 2,969 𝑑𝑝 − 0,127 𝑗𝑎𝑛𝑔𝑘_𝑤𝑎𝑘𝑡𝑢 − 2,903 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛_𝑝𝑒𝑚𝑜ℎ𝑜𝑛)
𝜋 (𝑥 ) =
1 + 𝑒𝑥𝑝(5.557 − 2,969 𝑑𝑝 − 0,127 𝑗𝑎𝑛𝑔𝑘𝑎_𝑤𝑎𝑘𝑡𝑢 − 2,903 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛_𝑝𝑒𝑚𝑜ℎ𝑜𝑛)
exp(5.557 − 2,969 (0) − 0,127 (12) − 2,903(1))
𝜋(𝑥 ) =
1 + 𝑒𝑥𝑝(5.557 − 2,969(0) − 0,127 (12) − 2,903(1))
3,095657
𝜋(𝑥 ) =
1 + 3,09
𝜋(𝑥 ) = 0,775564

25
 Jadi peluang peminjam tersebut mempunyai status kridit macet adalah
sebesar 0,775564.

b. Hitunglah peluang peminjam tersebut mempunyai status kridit tidak macet.

Penyelesaian:
𝑒𝑥𝑝(5.557 − 2,969 𝑑𝑝 − 0,127 𝑗𝑎𝑛𝑔𝑘_𝑤𝑎𝑘𝑡𝑢 − 2,903 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛_𝑝𝑒𝑚𝑜ℎ𝑜𝑛)
𝜋(𝑥) = 1 −
1 + 𝑒𝑥𝑝(5.557 − 2,969 𝑑𝑝 − 0,127 𝑗𝑎𝑛𝑔𝑘𝑎_𝑤𝑎𝑘𝑡𝑢 − 2,903 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛_𝑝𝑒𝑚𝑜ℎ𝑜𝑛)
exp(5,667 − 2,969 (0) − 0,127 (12) − 2,903 (1)
𝜋 (𝑥 ) =
1 + (exp(5,667 − 2,969 (0) − 0,127 (12) − 2,903 (1 ))
𝜋(𝑥 ) = 1 − 0,755
𝜋(𝑥 ) = 0,244
Jadi peluang peminjam tersebut mempunyai status kridit tidak macet adalah
sebesar 0,244.

26
4 Penutup
4.1 Kesimpulan
Dari uraian pembahasan di atas, dengan tingkat kepercayaan sebesar 95%
dapat disimpulkan bahwa:
1. Pada uji K-way studi kasus pertama adalah adanya pengaruh interaksi dari
orde ke-1 dan yang lebih tinggi dan tidak ada pengaruh interaksi dari orde
ke-2.
2. Pada uji Asosiasi Parsial studi kasus pertama adalah interaksi antar
variabel partai terkandung dalam model.
3. Pada uji Backward Elimination studi kasus pertama, model 1 adalah model
terbaik (model yang lebih sederhana).
4. Pada uji Parameter Estimates, model log linier yang didapat pada studi
kasus pertama yaitu Log(𝜇ij) = 𝜆 0.0996 partai.
5. Pada uji Goodness of Fit studi kasus pertama dan kedua adalah model yang
didapat signifikan.
6. Pada uji Overall studi kasus kedua adalah model regresi layak digunakan.
7. Pada uji Parsial studi kasus kedua, variabel independen yang ugnifikan
dalam model adalah dp 1 kategori ibu pemberi ASI yang tidak bekerja,
variabel jangka_waktu, dan pendidikan_pemohonan.
8. Pada uji Hosmer and Lemeshow Test studi kasus kedua adalah model
cukup mampu menjelaskan data.
9. Didapatkan nilai Pseudo R Square (Koefisien Determinasi) sebesar 55,4%.
10. Dari studi kasus kedua didaptkan peluang peminjam tersebut mempunyai
status kridit macet adalah sebesar 0,775564.
11. Dari studi kasus kedua didaptkan peluang peminjam tersebut mempunyai
status kridit tidak macet adalah sebesar 0,244.

27
5 Daftar Pustaka

Hosmer, D.W. and Lemeshow, S. 2000. Applied logistic regression. 2nd Edition,
John Wiley & Sons, Inc., New York. doi:10.1002/0471722146
Mahulae, E. 2013. Uji Homogenitas Marginal Dengan Model Log Linear Pada
Tabel Kontingensi Tiga Dimensi Atau Lebih. Diakses pada tanggal 20
November 2019 di http://repository.usu.ac.id.
Nugraha, Jaka. 2013. Modul Praktikum Analisis Kategorik . Yogyakarta.
Nugraha, Jaka. 2013. Pengantar Analisis Data Kategorik. Penerbit Deepublish (CV
BUDI UTAMA). Yogyakarta.

28