See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/341397066

Analisis Faktor-faktor yang Mempengaruhi Minat Masyarakat Surabaya

Berbelanja di Pasar Tradisional Menggunakan Regresi Logistik Ordinal

Research Proposal · December 2019

CITATIONS READS

0 111

3 authors, including:

Rizkiana Prima Rahmadina

Institut Teknologi Sepuluh Nopember
15 PUBLICATIONS   0 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Analisis Eksplorasi Data View project

Analisis Data View project

All content following this page was uploaded by Rizkiana Prima Rahmadina on 01 July 2020.

The user has requested enhancement of the downloaded file.

 PROPOSAL FINAL PROJECT ANALISIS DATA
“Faktor-faktor yang Memengaruhi Minat
Masyarakat Surabaya Berbelanja di Pasar Tradisional”

Disusun oleh:

Rachel Herlinda 06211640000057

Wildy Fachrizal 06211640000059

Rizkiana Prima Rahmadina 06211640000069

Departemen Statistika
Fakultas Matematika, Komputasi, dan Sains Data
Institut Teknologi Sepuluh Nopember, Surabaya
2019
 BAB I
LATAR BELAKANG

1.1 Latar Belakang

Pasar tradisional selama ini sudah menyatu dan memiliki tempat penting dalam
kehidupan masyarakat. Bagi masyarakat, pasar bukan hanya sebagai tempat bertemunya
penjual dan pembeli tetapi juga sebagai wadah interaksi sosial dan representasi nilai-nilai
tradisional yang ditunjukkan oleh perilaku para aktor-aktor di dalamnya. Dalam pengertian
sederhana, Soelarno (1999:297) menjelaskan bahwa pasar adalah tempat fisik terjadinya
transaksi jual beli yang dilakukan oleh penjual dan pembeli yang terjadi pada waktu dan
tempat tertentu.
Pasar tradisional adalah pasar yang dibangun dan dikelola oleh Pemerintah, Daerah,
Swasta, Badan Usaha Milik Negara dan Badan Usaha Milik Daerah, termasuk kerjasama
swasta dengan tempat usaha berupa toko, kios, los dan tenda yang dimiliki/dikelola oleh
pedagang kecil, menengah, swadaya masyarakat atau koperasi dengan usaha skala kecil,
modal kecil dan dengan proses jual beli barang dagangan melalui tawar-menawar (Pepres RI
No. 112, 2007).
Pasar tradisional di Indonesia memiliki kesan yang tidak begitu baik di masyarakat,
tidak jarang masih ditemui pasar tradisional yang terkesan kumuh dan jorok. Apalagi soal
keamanannya yang dinilai kurang bisa memberi rasa aman bagi penjual maupun pembeli.
Akan tetapi keunggulan dari pasar tradisional dibandingkan dengan pasar modern adalah
pertama karena para pembeli dan penjual bertemu langsung untuk melakukan suatu transaksi
jual beli. Kedua,sesungguhnya perputaran ekonomi masyarakat terjadi pada pasar tradisional.
Disini uang beredar dibanyak tangan, tertuju dan tersimpan dibanyak saku, rantai
perpindahannya lebih panjang, sehingga kelipatan perputarannya lebih panjang dan akan
terus berputar pada masyarakat. Berbeda dengan pasar modern, semua uang yang
dibelanjakan tersedot pada hanya segelintir penerima uang dan pemilik toko serta uang akan
berputar hanya pada kalangan masyarakat menengah ke atas.
Pasar tradisional sebagai pasar rakyat merupakan salah satu indikator paling nyata
kegiatan ekonomi masyarakat di suatu wilayah, termasuk di Provinsi Jawa Timur. Jawa
Timur merupakan provinsi yang memiliki pasar paling banyak di Indonesia, hal ini
dikarenakan kebiasaan orang Jawa Timur adalah berdagang. Berdasarkan data Badan Pusat
Statistik pasar tradisional di Indonesia berjumlah 14.182 unit. Saat ini, persebaran pasar
tradisional terbanyak terdapat di Jawa Timur (1.823 unit), Jawa Tengah (1.482 unit), dan

2
Sulawesi Selatan (940 unit). Sedangkan daerah yang paling sedikit memiliki pasar tradisional
adalah Kepulauan Bangka Belitung (54 unit), Kepulauan Riau (55 unit ), dan Kalimantan
Utara/Kaltara (57 unit). Keberadaan pasar di Jawa Timur sangat penting artinya bagi
perkembangan perekonomian masyarakat, karena pasar mampu menampung hasil produksi
petani dan mampu memenuhi segala kebutuhan sehari-hari masyarakat.
Kota Surabaya khususnya merupakan kota yang memiliki perkembangan pasar yang
cukup pesat. Wilayah Surabaya Timur memiliki beberapa pasar besar yang sering dikunjungi
baik oleh masyarakat sekitar maupun masyarakat Surabaya pada umumnya. Beberapa pasar
tersebut antara lain: Pasar Keputran, Pasar Kayoon, Pasar Kapasan, dan Pasar Bratang. Oleh
karena itu, penulis ingin mengetahui bagaimana kondisi pasar tradisional khususnya di
Surabaya Timur dengan melakukan survei ke masyarakat dan mneganalisis hasil data
menggunakan regresi logistik ordinal.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, permasalah yang akan dibahas
dalam penelitian ini adalah faktor-faktor apa saja yang memengaruhi minat masyarakat
Surabaya berbelanja di pasar tradisional.
1.3 Tujuan Penelitian
Berdasarkan rumusan permasalahan di atas, beberapa tujuan yang ingin diperoleh dari
penelitian ini adalah untuk mengetahui faktor-faktor yang memengaruhi minat masyarakat
Surabaya berbelanja di pasar tradisional.
1.4 Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah dapat mengetahui dan memahami
konsep dari pengujian regresi logistik ordinal dalam analisis kondisi pasar tradisional
sehingga dapat memberikan saran kepada pihak terkait sebagai upaya dalam memperhatikan
faktor yang berpengaruh terhadap variabel tertentu.

3
 BAB II
TINJAUAN PUSTAKA
2.1 Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan
penyajian suatu gugus data sehingga memberikan informasi yang berguna (Walpole,1995).
Statistika deskriptif berkaitan dengan penerapan metode statistik untuk mengumpulkan,
mengolah, menyajikan, dan menganalisis data kuantitatif secara deskriptif. Statistika
deskriptif memberikan informasi yang hanya mengenai data itu sendiri dan sama sekali tidak
menarik inferensia atau kesimpulan apapun dari gugus data induknya yang lebih besar,
sehingga dapat diketahui karakteristik dan frekuensi atau presentase yang didapat dari setiap
variabel yang diteliti misalnya dalam bentuk tabel, grafik, dan besaran-besaran lain seperti
nilai rata-rata (mean), keragaman (varian), dan nilai tengah dari urutan data (median).
2.2 Pemilihan Model Terbaik
Sebelum melakukan analisis perlu dilakukan pemilihan model terbaik untuk
mendapatkan hasil analisis yang maksimal. Pemilihan model terbaik dapat dilakukan dengan
tiga cara yaitu prosedur langkah maju (The Forward Selection Procedure), prosedur eliminasi
langkah mundur (The Backward Elimination Procedure) dan metode Stepwise.
Prosedur langkah maju (The Forward Selection Procedure) ini merupakan suatu proses
pencarian suatu model terbaik, yaitu dengan melakukan pengujian apakah suatu peubah yang
telah dimasukkan perlu di keluarkan dari dalam model ataukah tidak (Jambormias,2005).
Prosedur eliminasi langkah mundur (The Backward Elimination Procedure) ini
merupakan kebalikan dari prosedur seleksi langkah maju. Prosedur ini dimulai dengan model
yang mengandung semua peubah bebas potensial dan kemudian mengidentifikasikan peubah
bebas dengan nilai F bagi regresi parsial yang paling kecil untuk dikeluarkan dari model
(Jambormias, 2005).
Metode stepwise memilih peubah berdasarkan korelasi parsial terbesar dengan peubah
yang sudah masuk dalam model. Peubah penjelas yang sudah masuk dalam model dapat saja
dikeluarkan lagi (Hanum, 2011). Apabila salah satu peubah telah dimasukkan ke dalam
model regresi, maka peubah lainnya tidak perlu dimasukkan lagi ke dalam model regresi
karena pengaruhnya telah diwakili oleh peubah yang sudah masuk di dalam model regresi.
Sehingga tidak terdapat multikolinieritas pada model regresi yang dihasilkan
(Sembiring,1995).
2.4 Regresi Logistik
Metode regresi merupakan analisis data yang digunakan untuk mencari hubungan antara

4
variabel respon (y) dengan satu atau lebih variabel prediktor (x) (Hosmer & Lemeshow,
2000). Tujuan dari metode ini adalah memperoleh model yang baik dan sederhana yang
menggambarkan variabel respon dengan sekumpulan variabel prediktor. Regresi logistik
merupakan suatu analisis regresi yang digunakan untuk menggambarkan hubungan antara
variabel respon yang bersifat dikotomus (berskala nominal atau ordinal dengan dua kategori)
atau polikotomus (berskala nominal atau ordinal dengan lebih dari dua kategori) dengan
sekumpulan variabel prediktor bersifat kontinu atau kategorik (Agresti, 1990).
Menurut Hosmer dan Lemeshow (2000), persamaan regresi logistik yang digunakan dari
bentuk taksiran fungsi peluang 𝜋(𝑥) = 𝐸(𝑌𝑥) dinyatakan dalam persamaan 2.3.
𝑒 𝛽0 +𝛽1 𝑥1 +𝛽2 𝑥2 +⋯+𝛽𝑝 𝑥𝑝
𝜋(𝑥) = (2.3)
1+𝑒 𝛽0 +𝛽1 𝑥1 +𝛽2 𝑥2 +⋯+𝛽𝑝 𝑥𝑝

Kemudian dilakukan transformasi logit untuk menyederhanakan persamaan 2.3 dalam

bentuk logit sebagai berikut.
𝜋(𝑥)
𝑔(𝑥) = 𝑙𝑛 [1−𝜋(𝑥)] = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝 (2.4)

2.5 Regresi Logistik Ordinal

Regresi logistik ordinal merupakan salah satu analisis regresi yang digunakan untuk
menganalisa hubungan antara variabel respon dengan variabel prediktor, dimana variabel
respon bersifat polikotomus dengan skala ordinal. Model yang dapat digunakan untuk regresi
logistik ordinal adalah model logit, dimana sifat yang tertuang dalam peluang kumulatif
sehingga cummulative logit models merupakan model yang dapat dibandingkan dengan
peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori respon ke-r pada p
variabel prediktor yang dinyatakan dalam vector 𝑥𝑖 adalah 𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ), dengan peluang
lebih besar dari kategori respon ke-r pada p variabel predictor 𝑃(𝑌 > 𝑟|𝑥𝑖 ) (Hosmer &
Lemeshow, 2000). Peluang kumulatif 𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ) didefinisikan sebagai berukut.
𝑝
𝑒𝑥𝑝(𝛽0𝑟 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ) = 𝜋(𝑥) = 1+𝑒𝑥𝑝(𝛽 𝑝 (2.5)
0𝑟 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )

Dimana 𝑥𝑖 = (𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑝 ) merupakan nilai pengamatan ke-i (𝑖 = 1,2, … , 𝑛) dari
setiap varibel p variabel predictor (Agresti, 1990). Pendugaan parameter regresi dilakukan
dengan cara menguraikannya menggunakan transformasi logit dari 𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ).
𝑃(𝑌 ≤ 𝑟 |𝑥 )
𝐿𝑜𝑔𝑖𝑡 𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ) = 1−𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ) (2.6)
𝑖

Persamaan 2.6 didapatkan dengan mensubstitusikan antara persamaan 2.4 dan

persamaan 2.5.

5
 𝑝
𝑒𝑥𝑝(𝛽0𝑟 + ∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
1 + 𝑒𝑥𝑝(𝛽0𝑟 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
𝐿𝑜𝑔𝑖𝑡 𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ) =
𝑒𝑥𝑝(𝛽0𝑟 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
1− 𝑝
1 + 𝑒𝑥𝑝(𝛽0𝑟 + ∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
𝐿𝑜𝑔𝑖𝑡 𝑃(𝑌 ≤ 𝑟|𝑥𝑖 ) = 𝛽0𝑟 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑖𝑘 (2.7)
Dengan nilai 𝛽𝑘 untuk setiap 𝑘 = 1,2, … , 𝑝 pada setiap model regresi logistik ordinal adalah
sama.
Jika terdapat tiga kategori respon dimana 𝑟 = 0,1,2 maka peluang kumulatif dari respon
ke-r seperti pada persamaan 2.8 dan 2.9.
𝑝
𝑒𝑥𝑝(𝛽01 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
𝑃(𝑌 ≤ 1|𝑥𝑖 ) = 1+𝑒𝑥𝑝(𝛽 𝑝 (2.8)
01 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )

𝑝
𝑒𝑥𝑝(𝛽02 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
𝑃(𝑌 ≤ 2|𝑥𝑖 ) = 1+𝑒𝑥𝑝(𝛽 𝑝 (2.9)
02 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )

Berdasarkan kedua peluang kumulatif pada persamaan 2.8 dan 2.9, didapatkan peluang
untuk masing – masing kategori respon sebagai berikut.
𝑝
𝑒𝑥𝑝(𝛽01 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
𝑃(𝑌𝑟 = 1) = 𝜋𝑖 (𝑥) = 1+𝑒𝑥𝑝(𝛽 𝑝 (2.10)
01 +∑𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )

𝑒𝑥𝑝(𝛽02 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑖𝑘 ) 𝑒𝑥𝑝(𝛽01 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )

𝑃(𝑌𝑟 = 2) = 𝜋𝑖 (𝑥) = −
1 + 𝑒𝑥𝑝(𝛽02 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑖𝑘 ) 1 + 𝑒𝑥𝑝(𝛽01 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑖𝑘 )
2.6 Pengujian Parameter
Model yang telah diperoleh perlu diuji signifikan pada koefisien 𝛽 terhadap
variabel respon, yaitu dengan uji serentak dan uji parsial.
1. Uji Serentak
Pengujian ini dilakukan untuk memeriksa kemaknaan koefisien 𝛽 terhadap variael
respon secara bersama – sama dengan menggunakan statistik uji.
Hipotesis :
H0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0
H1 : paling sedikit ada satu 𝛽𝑘 ≠ 0 ; 𝑘 = 1,2, … , 𝑝
Statistik uji yang digunakan adalah statistik uji G atau Likelihood Ratio Test.
𝑛 𝑛0 𝑛 𝑛1 𝑛 𝑛2
( 0) ( 1) ( 2)
𝑛 𝑛 𝑛
𝑔(𝑥) = 𝑙𝑛 [∏𝑛 𝑦0𝑖 𝜋 (𝑥 )𝑦1𝑖 𝜋 (𝑥 )𝑦2𝑖 ] ] (2.11)
𝑖=1[𝜋0 (𝑥𝑖 ) 1 𝑖 2 𝑖

dimana,
𝑛0 = ∑𝑛𝑖=1 𝑦0𝑖 , 𝑛1 = ∑𝑛𝑖=1 𝑦1𝑖 , 𝑛2 = ∑𝑛𝑖=1 𝑦2𝑖 , 𝑛 = 𝑛0 + 𝑛1 + 𝑛2

6
 2
Daerah penolakan H0 adalah jika 𝐺 2 > 𝜒(𝛼,𝑑𝑓) dengan derajat bebas v. atau p-value<𝛼.
Statistik uji G mengikuti distribusi Chi-square dengan derajat bebas p (Hosmer &
Lemeshow, 2000).
2. Uji Parsial
Pengujian ini dilakukan untuk memeriksa kemaknaan koefisien 𝛽 secara parsial dengan
menggunakan statistik uji.
H0 : 𝛽𝑘 = 0
H1 : 𝛽𝑘 ≠ 0 ; 𝑘 = 1,2, … , 𝑝
Statistik uji yang digunakan adalah statistik uji Wald.
̂
𝛽
𝑊 = 𝑆𝐸(𝛽𝑘̂ (2.12)
𝑘)

2
Daerah penolakan H0 adalah |𝑊| = 𝑍𝛼/2 atau 𝑊 2 > 𝜒(𝛼,𝑣) atau p-value < 𝛼 dengan derajat
bebas v (Hosmer & Lemeshow, 2000).
2.7 Uji Kesesuaian Model
Pengujian ini dilakukan untuk mengetahui kesesuaian suatu model. Statistik uji yang
digunakan adalah statistik uji deviance, dengan hipotesis sebagai berikut.
H0 : model sesuai (tidak ada perbedaan yang nyata antara hasil observasi dengan
kemungkinann hasil prediksi model)
H1 : model tidak sesuai (ada perbedaan yang nyata antara hasil observasi dengan
kemungkinann hasil prediksi model)
Statistik uji sebagai berikut
̂
𝜋 ̂
1−𝜋
𝐷 = −2 ∑𝑛𝑖=1 [𝑦𝑖𝑗 𝑙𝑛 (𝑦𝑖𝑗) + (1 − 𝑦𝑖𝑗 )𝑙𝑛 (1−𝑦𝑖𝑗)] (2.13)
𝑖𝑗 𝑖𝑗

𝜋̂𝑖𝑗 = 𝜋̂𝑗 (𝑥𝑖 ) merupakan peluang observasi ke-i pada ke-j. daerha penolakan H0 adalah jika
2
𝐷 > 𝜒(𝑑𝑓) , derajat bebas pada uji ini adalah J - (k+1) dimana J adalah jumlah kovariat dan k
adalah jumlah variael predictor. Semakin besar nilai deviance atau semakin kecil nilai p-
value mengindikasi bahwa terdapat kemungkinan model tidak sesuai dengan data.
2.8 Interpretasi Model
Interpretasi model merupakan bentuk mendifinisikan unit perubahan variabel respon yang
disebabkan oleh variabel prediktor serta menentukan hubungan fungsional antara variabel respon dan
variabel prediktor. Agar memudahkan dalam menginterpretasikan model digunakan nilai odds ratio
(Hosmer & Lemeshow, 2000). Interpretasi dari intersep adalah nilai peluang ketika semua variabel x
= 0, perhitungan berdasarkan π.

7
 Nilai odds ratio digunakan untuk interpretasi koefisien regresilogistik ordinal adalah nilai yang
menunjukkan perbandingan tingkat kecenderungan dari dua kategori atau lebih dalam satu variabel
prediktor dengan salah satu kategori dijadikan sebagai pembanding. Diasumsikan bahwa variabel
respon dengan Y = 0 merupakan variabel respon pembanding (reference). Odds ratio untuk Y = i
dengan Y = 0 pada nilai kovariat x = a dengan x = b adalah sebagai berikut.
𝑃(𝑌 = 𝑖 |𝑥 = 𝑎)/𝑃(𝑌 = 0|𝑥 = 𝑎)
𝑂𝑅𝑖 (𝑎, 𝑏) = (2.14)
𝑃(𝑌 = 𝑖 |𝑥 = 𝑏)/𝑃(𝑌 = 0|𝑥 = 𝑏)

2.9 Ketepatan Klasifikasi

Prosedur klasifikasi adalah suatu evaluasi untuk melihat peluang kesalahan klasifikasi yang
dilakukan oleh suatu fungsi klasifikasi dengan menggunakan ukuran Apparent Error Rate (APER),
yaitu nilai proporsi sampel yang salah atau tidak tepat diklasifikasikan oleh fungsi klasifikasi (Agresti,
2002).
Tabel 2.1 Ketepatan Klasifikasi
Hasil Hasil Prediksi
Observasi Y1 Y2 Y3
Y1 n11 n12 n13
Y2 n21 n22 n23
Y3 n31 n32 n33
Nilai APER diperoleh dengan persamaan berikut.
𝑛12 +𝑛21 +𝑛13 +𝑛31 +𝑛23 +𝑛32
𝐴𝑃𝐸𝑅(%) = (2.15)
𝑛11 +𝑛12 +𝑛21 +𝑛22 +𝑛13 +𝑛31 +𝑛33 +𝑛23 +𝑛32

Ketepatan klasifikasi = 1 - APER

2.10 Pasar
Berdasarkan kamus Umum Bahasa Indonesia pasar berarti tempat orang berjual beli,
sedangkan tradisional dimaknai sikap dan cara berpikir serta bertindak yang selalu berpegang
kepada norma dan adat kebiasaan yang ada secara turun temurun. Berdasarkan arti diatas,
maka pasar tradisional adalah pasar yang dikelola secara sederhana dengan bentuk fisik
Tradisional yang menerapkan system transaksi tawar menawar secara langsung dimana
fungsi utamanya adalah untuk melayani kebutuhan masyarakat baik di Desa, kecamatan dan
lainnya.

8
 BAB III
METODOLOGI PENELITIAN

3.1 Sumber Data

Sumber data yang digunakan pada penelitian ini merupakan data primer, yang
didapatkan dengan cara melakukan wawancara langsung terhadap masyarakat Kota Surabaya
yang bersangkutan. Pengambilan data dilakukan dengan menggunakan Systematic Sampling
yang dilakukan selama 2 jam pada waktu pagi dan malam hari. Survei akan dilaksanakan
pada
Hari, tanggal : Sabtu, 7 Desember 2019
Waktu : Pagi 06.00 – 08.00 WIB
Malam 21.00 – 23.00 WIB
Lokasi : Pasar Keputran Utara
3.2 Struktur Data
Struktur data dari variabel yang digunakan dalam penelitian ini adalah sebagai berikut.
Variabel Variabel Prediktor
Respon (Y) X1 X2 … Xm
y1 x11 x21 … xm1
y2 x12 x22 … xm2
y3 x13 x23 … xm3
… … … ⋱ …
yn x1n x2n … xmn

3.3 Variabel Penelitian

Variabel penelitian yang digunakan dalam penelitian adalah sebagai berikut.
1. Minat belanja di pasar (Y)
2. Jenis kelamin responden (X1)
3. Hal yang perlu dibenahi dari pasar (X2)
4. Pengeluaran responden per bulan (X3)
5. Usia responden (X4)
6. Jenis kebutuhan yang biasa dibeli di pasar tradisional (X5)
7. Alternatif belanja selain pasar (X6)
8. Kenyamanan belanja di pasar (X7)
9. Hal yang tidak disukai dari pasar (X8)

9
10. Hal yang disukai dari pasar (X9)
Variabel Keterangan Skala
Y : Minat belanja di pasar. 1: Kurang berminat (Tidak
pernah/jangka waktu lama)
2: Biasa saja (1-2 kali dalam seminggu) Ordinal
3: Berminat (Setiap hari/2-3 kali
seminggu)
X1: Jenis Kelamin 1: Laki-laki Nominal
2: Perempuan
X2: Hal yang perlu dibenahi 1: Fasilitas pedagang (Stan)
2: Keamanan Nominal
3: Kebersihan (Pasar, KM/WC)
X3: Pengerluaran per bulan 1: > 3,5 juta Nominal
2: ≤ 3,5 juta
X4: Usia 1: Usia 15-24 tahun
2: Usia 25-49 tahun Nominal
3: Usia 50 tahun ke atas
X5: Jenis kebutuhan yang dibeli di 1: Sekunder (buah-buahan, jajan
pasar/makn. Tradisional, dll) Nominal
pasar.
2: Primer (daging, ikan, sayur-sayuran,
sembako, baju/sandal)
X6: Alternatif belanja selain pasar 1: Warung dekat rumah
2: Online Nominal
3: Supermarket/minimarket
X7: Kenyamanan belanja di pasar 1: Tidak Setuju
2: Setuju
X8: Hal yang tidak disukai dari 1: Becek/jorok/bau
2: Harga perlu ditawar Nominal
pasar
3: Suasana tidak nyaman (panas, ramai,
sumpek)
X9: Hal yang disukai dari pasar 1: Jarak dekat
2: Harga murah Nominal
3: Kelengkapan jenis kebutuhan
3.4 Langkah Analisis
1. Mengidentifikasi masalah
2. Menentukan rancangan sampling
3. Pembuatan kuesioner
4. Melakukan survei dan menginput data penelitian hasil survei
5. Melakukan analisis karakteristik data
6. Melakukan pemilihan model terbaik
7. Melakukan pemodelan regresi logistik ordinal
8. Melakukan uji kelayakan model
9. Interpretasi hasil model yang terbentuk

10
 10. Melakukan uji ketepatan klasifikasi
11. Menarik kesimpulan
3.5 Diagram Alir

Mulai

Mengidentifikasi dan Merumuskan masalah

Menentukan rancangan sampling

Pembuatan kuesioner

Survey dan input data

Analisis karakteristik data

Pemilihan model terbaik

Melakukan pemodelan regresi

logistik ordinal

Uji kelayakan model

Interpretasi model

Uji Ketepatan Klasifikasi

Menarik Kesimpulan dan Saran

Selesai

11
 BAB IV
ANALISIS DAN PEMBAHASAN

Pada pembahasan ini akan dilakukan analisis regresi logistik ordinal dengan
menggunkan variabel respon minat orang untuk pergi kepasar (berminat, biasa saja dan
kurang berminat) dan beberapa variabel prediktor. Data yang digunakan sebanyak 100
responden.
4.1 Karakteristik Data
Karakteristik pengunjung pasar dapat diketahui melalui statistika deskriptif sebagai
berikut.

Gambar 4.1 Pie Chart Jenis Kelamin Responden

Jenis kelamin dari 100 responden yang tersurvei, berdasarkan hasil pie chart pada
Gambar 4.1 didapatkan sebanyak 69 responden berjenis kelamin perempuan dan 31
responden berjenis kelamin laki-laki.
Pie Chart of Minat belanja
Category
Berminat
Biasa saja
Kurang berminat

Kurang berminat
33; 33,0%

Berminat
56; 56,0%

Biasa saja
11; 11,0%

Gambar 4.2 Pie Chart Minat Belanja

Berdasarkan Gambar 4.2, didapatkan bahwa sebanyak 56% responden tersurvei berminat
untuk berbelanja di pasar tradisional, 33% responden tersurvei kurang berminat, dan 11%
responden biasa saja.

12
 Pie Chart of Laki-laki Pie Chart of Perempuan
Category Category
Setuju Setuju
Tidak Setuju Tidak Setuju

Tidak Setuju Tidak Setuju

10 20

Setuju
Setuju
21
49

Gambar 4.3 Pie Chart Kenyamanan Belanja di Pasar

Responden tersuvei, berdasarkan jenis kelamin, responden laki-laki menyatakan nyaman
untuk belanja di pasar tradisional sebanyak 21 orang dan 10 kurang atau merasa tidak
nyaman untuk belanja di pasar tradisional. Sedangkan untuk responden perempuan, sebanyak
49 orang merasa nyaman berbelanja di pasar tradisional, dan 20 lainnya kurang nyaman.
Tabel 4.1 Hal yang Tidak Disukai di Pasar Tradisional
Hal yang tidak disukai Jumlah
Becek/jorok/bau 45
Harga perlu ditawar 52
Suasana tidak nyaman (panas, ramai, sumpek) 3
Tabel 4.1 menunjukkan hal-hal yang kurang disukai responden saat berbelanja di pasar,
didapatkan bahwa sebanyak 52 responden tidak menyukai harga barang di pasar tradisional
yang cenderung tidak tetap, sehingga harus melibatkan tawar-menawar harga. Sebanyak 45
responden tidak menyukai tempat yang becek/jorok dan juga bau yang bercampur di pasar
tradisional. Sedangkan suasana yang panas, ramai, dan sumpek tidak terlalu menjadi masalah
bagi para pengunjung pasar tradisional.
Tabel 4.2 Hal yang Perlu Dibenahi di Pasar Tradisional
Hal yang perlu dibenahi Jumlah
Fasilitas pedagang (stan) 25
Keamanan 25
Kebersihan (Pasar dan KM/WC) 50
Responden tersurvei menginginkan kebersihan pasar dan kamar mandi atau wc umun
yang disediakan untuk lebih di perhatikan lagi, terlihat dari hasil survei pada Tabel 4.2
sebanyak 50 responden memilih kebersihan untuk dibenahi. Sedangkan 25 responden
memilih fasilitas pedagang untuk dibenahi, dan 25 responden lain lebih memilih untuk
peningkatan keamanan di pasar tradisional.
4.2 Pemilihan Model Terbaik
Sebelum melakukan analisis lebih lanjut, perlu diketahui apakah variabel yang akan
digunakan sudah memiliki pengaruh atau tidak terhadap variabel respon, oleh karena itu perlu
dilakukan pemilihan model terbaik terlebih dahulu untuk mengetahui variabel mana saja yang
signifikan untuk digunakan pada analisis.. Berikut adalah hasil outpuSPSS.

13
 Tabel 4.3 Estimasi dan Pengujian Parameter Model Awal
Variabel Estimasi P-value
X1 -0.326 0.745
X2 -0.753 0.453
X3 -2.092 0.039
X4 -0.376 0.708
X5 -0.087 0.931
X6 -1.919 0.055
X7 -4.471 0.000
X8 -0.527 0.599
X9 1.954 0.054
Dilihat dari tabel 4.3 masih terdapat banyak variabel yang tidak memberikan pengaruh
yang signifikan karena nilai p-value yang lebih besar dari 0.05 atau 5%. Berdasarkan kondisi
tersebut, maka perlu dilakukan pemilihan model terbaik menggunakan metode backward
Elemination. Berikut adalah hasil pemilihan model terbaik.
Tabel 4.4 Estimasi dan Pengujian Parameter Akhir
Variabel Estimasi P-value
X3 -2.065 0.042
X6 -2.047 0.043
X7 -4.777 0.000
X9 2.041 0.044
Berdasarkan tabel di atas, dapat diketahui bahwa dari 9 variabel yang digunakan,
terdapat tiga variabel yang signifikan yaitu variabel X3, X6, X7 dan X9. Sehingga untuk
analisis selanjutnya dilakukan dengan menggunakan 4 variabel tersebut.
4.3 Faktor – yang Memengaruhi Minat Seseorang Pergi ke Pasar
Tahap selanjutnya yaitu melakukan pemodelan regresi logistik ordinal. Banyaknya
variabel prediktor yang digunakan sebanyak 9 variabel dan variabel respon dengan 3 kategori
yaitu berminat, biasa saja dan kurang berminat. Tujuan dari pemodelan ini adalah untuk
mengetahui faktor-faktor yang memengaruhi minat seseorang untuk datang ke pasar.
4.4.1 Uji Serentak
Uji serentak dilakukan untuk memeriksa keberartian koefisien secara keseluruhan. Jika
parameter yang diuji signifikan maka dapat dikatakan jika model yang dibentuk sesuai untuk
memodelkan variabel respon. Hipotesis yang digunakan adalah sebagai berikut.
H0 : 1 = 2 = … = 9 = 0
H1 : paling sedikit ada satu j≠ 0 ; j=1,2.. 9
Tabel 4.5 Uji Serentak
Model -2 Log Likelihood Chi-Square df P-value
Intercept only 103.640
Final 65.918 37.721 6 0.00
Berdasarkan Tabel 4.5 diketahui bahwa chi-square untuk uji serentak lebih dari dari
𝜒(0,05;6)=12,592, hal ini menunjukkan bahwa H0 ditolak. Sehingga dapat dikatakan bahwa
paling tidak ada satu variabel prediktor yang berpengaruh terhadap respon.
4.4.2 Uji Parsial
Pengujian parsial dilakukan karena pada pegujian serentak yang diindikasikan jika
paling tidak ada satu variabel prediktor yang berpengaruh signifikan terhadap respon.

14
Pengujian parsial ini digunakan untuk mendapatkan variabel mana yang berpengaruh
terhadap respon. Hipotesis yang digunakan adalah sebagai berikut.
H0 : j = 0
H1 : j  0 ; j=1, 2, 3, ..., 9
Tabel 4.6 Uji Parsial
Variabel Kategori estimator Wald df P-value Odds ratio
Minat seseorang ke Konstanta (1) .403 .266 1 .606 1.496
pasar Konstanta (2) 1.069 1.841 1 .175 2.912
Pengeluaran (X3) X3(1) .911 2.910 1 .088 2.487
Alternatif selain X6(1) .316 .068 1 .795 1.372
pasar (X6) X6(2) 1.226 3.936 1 .047 3.408
Kenyamanan (X7) X7(1) 2.193 18.818 1 .000 8.962
Yang disukai dari X9(1) -2.580 3.431 1 .064 0.076
pasar (X9) X9(2) -.920 1.989 1 .158 0.399
Pada Tabel 4.6 dapat diketahui bahwa variabel yang signifikan adalah variabel yang
memiliki nilai pada uji wald lebih dari 𝜒(0,05;1) = 3,841 sehingga diputuskan tolak H0.
Variabel tersebut yaitu faktor pengeluaran (X3), alternatif selain pasaar (X6), Kenyamanan
pasar (X7), dan hal yang disukai dari belanja di pasar (X9). Selanjutnya dilakukan
pembentukan model logit yang digunakan untuk menghitung peluang logit.
𝑔1 (𝑥) = 0.403 + 0.911 𝑋3(1) + 1.226 𝑋6(2) + 2.193𝑋7(1) − 2.580𝑋9(1)
𝑔2 (𝑥) = 1.069 + 0.911 𝑋3(1) + 1.226 𝑋6(2) + 2.193𝑋7(1) − 2.580𝑋9(1)
Setelah mengetahui model logit, dapat dilakukan perhitungan peluang dengan
permisalan setiap responden untuk mendapatkan peluang berdasarkan variabel yang
dikehendaki. Nilai peluang dapat dilihat pada Lampiran 6.
Besarnya pengaruh masing-masing variabel yang signifikan tersebut dijelaskan nilai
odd rasio yang ditampilkan pada Tabel 4.6 Berdasarkan nilai odd rasio tersebut, maka
intepretasi yang dapat diberikan adalah sebagai berikut.
a. Faktor Pengeluaran
Seseorang dengan pengeluaran di atas UMR akan merasa berminat pergi ke pasar
sebesar 2.487 kali lebih besar dibandingkan seseorang dengan pengeluaran di bawah
UMR.
b. Alternatif selain pasar
Seseorang yang senang berbelanja di warung dekat tempat tinggal akan merasa
berminat pergi ke pasar sebesar 1.372 lebih besar dibandingkan seseorang yang senang
berbelanja di supermarket.
Seseorang yang senang berbelanja online akan merasa berminat pergi ke pasar sebesar
3.408 lebih besar dibandingkan seseorang yang senang berbelanja di supermarket.
c. Kenyamanan pasar
Seseorang yang merasa tidak nyaman dengan kondisi pasar akan merasa berminat untuk
pergi ke pasar sebesar 8.962 kali lebih besar dibandingkan dengan orang yang merasa
nyaman dengan kondisi pasar.
d. Hal yang menarik dari pasar
Seseorang yang senang pergi ke pasar karena jarak dekat akan merasa kurang berminat
pergi ke sebesar 0.076 lebih kecil dibandingkan seseorang yang senang pergi ke pasar
karena kelengkapan jenis kebutuhan yang ada di pasar.
Seseorang yang senang pergi ke pasar karena harga murah akan merasa kurang
berminat pergi ke sebesar 0.399 lebih kecil dibandingkan seseorang yang senang pergi
ke pasar karena kelengkapan jenis kebutuhan yang ada di pasar.

15
4.4 Uji Kesesuaian Model
Uji kesesuaian model dilakukan untuk mengetahui adanya perbedaan antara hasil
observasi dengan hasil prediksi setelah model serentak terbentuk. Adapun hipotesis yang
dgunakan adalah sebagai berikut.
H0 : Model sesuai (tidak ada perbedaan antara hasil observasi dengan prediksi model)
H1 : Model tidak sesuai (ada perbedaan antara hasil observasi dengan prediksi model)
Tabel 4.7 Uji Kesesuaian Model
Chi-Square df P-value
Deviance 40.242 28 0.63
Berdasarkan tabel 4.7 diketahui bahwa nilai chi-square uji deviance dari model sebesar
40.242 atau kurang dari 𝜒(0,05;28) = 41.337 yang artinya gagal tolak H0. Ini menunjukkan
bahwa model yang telah dihasilkan sesuai, sehingga tidak ada perbedaan antara hasil
observasi dengan prediksi model.
4.5 Ketepatan Klasifikasi Model
Tabel ketepatan klasifikasi digunakan untuk mengetahui seberapa tepatnya model dapat
memprediksi tingkat minat seseorang untuk pergi ke pasar. Berdasarkan Tabel 4.6 bahwa seseorang
kurang berminat untuk pergi ke pasar dan diprediksi kurang berminat untuk pergi ke pasar adalah
sebanyak 33 orang, seseorang yang berminat untuk pergi ke pasar dan diprediksi berminat untuk pergi
ke pasar adalah sebanyak 56 orang.
Tabel 4.8 Ketepatan Klasifikasi
Prediksi
Observasi Total APER
Kurang berminat Berminat
Kurang berminat 33 0 33
Biasa saja 0 11 11
11%
Berminat 0 56 56
Total 33 67 100
Dari perhitungan dapat disimpulkan bahwa persamaan model regresi yang terbentuk
dapat mengklasifikasikan dalam penaksiran variabel Y yaitu sebesar 100% - 11 % = 89%.
Artinya model persamaan regresi logistik yang terbentuk dapat memprediksi minat seseorang
untuk pergi ke pasar sebesar 89%.

16
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Kesimpulan yang didapatkan dari hasil penelitian yang telah dilakukan, variabel yang
signifikan dari hasil pengujian yaitu faktor pengeluaran (X3), alternatif selain pasaar (X6),
kenyamanan pasar (X7), dan hal yang disukai dari belanja di pasar (X9). Sehingga didapatkan
bahwa faktor-faktor tersebut yang memengaruhi minat masyarakat Surabaya berbelanja di
pasar tradisional.
5.2 Saran
Perususahaan Daerah (PD) Pasar Keputran Utara dapat memberikan penyuluhan lebih
baik baik kepada pedagang maupun pembeli terkait kebersihan agar pengunjung pasar lebih
merasa nyaman ketika berbelanja dan memperbaiki berbagai aspek yang berhubungan
terhadap faktor-faktor tersebut, sehingga dapat meningkatkan minat masyarakat dalam
berbelanja di pasar tradisional, khususnya di Pasar Keputran Utara.

17
 DAFTAR PUSTAKA

Agresti, A. (1990). Categorical Data Analysis. New York: John Wiley & Sons, Inc.
Hosmer, D.W. and Lemeshhow, S. (2000). Applied Logistic Regression Second
Edition. New York: John Wiley and Sons, Inc.
Hanum, H. 2011. Perbandingan Metode Stepwise, Best Subset Regression, dan Fraksi
dalam Pemilihan Model Regresi Berganda Terbaik. Jurnal Penelitian Sains.
14(2A): 1-6.
Jambormias, E. 2005. Prosedur Pemilihan Model Regresi Terbaik (Dengan
Interpretasi Keluaran Program Minitab Dan Sas). Bahan ajar. Ambon.
Peraturan Presiden Nomor 112 Tahun 2007 tentang Penataan dan Pembinaan Pasar
Tradisional, Pusat Perbelanjaan dan Toko Modern.
Sembiring, R. K. 1995. Analisis Regresi. ITB. Bandung.
Soelarno, Slamet. (1999). Pajak Daerah dan Retribusi Daerah. Jakarta: STIA LAN
Press.
Walpole, Ronald E. (1995). Pengantar Statistika, edisi ke-3. Jakarta: Penerbit PT
Gramedia Pustaka Utama.

18
LAMPIRAN

Lampiran 1 Data Penelitian

Y X1 X2 X3 X4 X5 X6 X7 X8 X9
1 1 3 1 2 1 3 2 1 3
1 2 1 2 2 2 3 2 2 2
3 2 1 1 3 2 2 2 3 2
… … … … … … … … … …
1 2 2 2 2 1 2 2 2 2
3 2 3 1 3 2 2 2 2 2
3 1 3 2 3 1 2 1 1 2

Lampiran 2 Pemilihan Model Terbaik

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients
B Std. Error Beta

(Constant) 4.594 1.285 3.576 .001

JK -.059 .180 -.030 -.326 .745

X2 -.119 .158 -.108 -.753 .453

X3 -.391 .187 -.196 -2.092 .039

X4 -.071 .189 -.034 -.376 .708

1
X5 -.016 .182 -.008 -.087 .931

X6 -.296 .195 -.142 -1.519 .055

X7 -.750 .168 -.410 -4.471 .000

X8 -.124 .236 -.075 -.527 .599

X9 .378 .194 .182 1.954 .054

(Constant) 4.565 1.236 3.693 .000
JK -.059 .179 -.030 -.331 .741
X2 -.119 .157 -.108 -.760 .449
X3 -.389 .184 -.195 -2.112 .037
2 X4 -.071 .188 -.034 -.377 .707
X6 -.296 .194 -.142 -1.530 .052
X7 -.752 .166 -.411 -4.532 .000
X8 -.126 .234 -.076 -.537 .592
X9 .380 .191 .183 1.987 .050
(Constant) 4.415 1.144 3.859 .000
X2 -.112 .155 -.101 -.723 .472
X3 -.390 .183 -.195 -2.131 .036
3
X4 -.065 .186 -.031 -.349 .728
X6 -.299 .193 -.144 -1.552 .057
X7 -.752 .165 -.411 -4.558 .000

19
 X8 -.117 .231 -.070 -.505 .615
X9 .388 .189 .186 2.049 .043
(Constant) 4.252 1.039 4.091 .000
X2 -.109 .154 -.098 -.708 .481
X3 -.390 .182 -.195 -2.139 .035
4 X6 -.288 .189 -.138 -1.523 .051
X7 -.760 .163 -.415 -4.673 .000
X8 -.114 .230 -.069 -.498 .620
X9 .389 .188 .187 2.065 .042
(Constant) 3.880 .719 5.394 .000
X2 -.050 .098 -.045 -.511 .611
X3 -.366 .175 -.184 -2.090 .039
5
X6 -.279 .188 -.134 -1.490 .045
X7 -.762 .162 -.417 -4.705 .000
X9 .391 .187 .188 2.083 .040
(Constant) 3.785 .692 5.468 .000
X3 -.360 .174 -.180 -2.065 .042
6 X6 -.276 .187 -.132 -2.047 .043
X7 -.769 .161 -.420 -4.777 .000
X9 .378 .185 .181 2.041 .044
a. Dependent Variable: Y

Lampiran 3 Uji Serentak

Model Fitting Information

Model -2 Log Chi-Square df Sig.

Likelihood

Intercept Only 103.640

Final 65.918 37.721 6 .000

Link function: Logit.

Lampiran 4 Uji Kesesuaian Model

Goodness-of-Fit

Chi-Square df Sig.

Pearson 41.127 28 .052

Deviance 40.242 28 .063

Link function: Logit.

20
 Lampiran 5 Uji Parsial

Lampiran 6 Perhitungan Peluang

X3 X6 X7 X9 Kurang berminat Biasa Saja Berminat

1 3 2 3 0.38 0.16 0.46
2 3 2 2 0.79 0.09 0.12
1 2 2 2 0.31 0.16 0.54
1 2 2 3 0.15 0.11 0.74
2 3 1 2 0.3 0.15 0.55
1 2 1 2 0.05 0.04 0.91
2 2 1 2 0.11 0.08 0.81
1 3 1 2 0.14 0.1 0.75
2 2 2 2 0.52 0.16 0.32
2 1 1 2 0.23 0.14 0.63
2 3 1 1 0.69 0.12 0.19
2 2 2 1 0.85 0.07 0.08
2 3 2 3 0.6 0.15 0.26
1 2 1 3 0.02 0.02 0.96

21

View publication stats