Dosen Pengampu:
Dr. Soetikno, S.Si., M.Si.
Disusun oleh:
Citra Judith L. 6032201107
Ridwan R. Yusfranto 6032201128
2
Tujuan dari penelitian dengan topik ‘Analisis Model Prediksi Customer Perusahaan Pembiayaan
‘C’ untuk Melakukan Pembiayaan Kembali (Repeat Order) dengan Pendekatan Regresi Logistik
Biner’ adalah
• Untuk membuat sebuah model prediksi untuk customer perusahaan pembiayaan “C” yang
akan melakukan pembiayaan kembali (repeat order)
• Untuk mengidentifikasi sejumlah variabel independen (bebas) yang berpengaruh signifikan
terhadap model prediksi customer Perusahaan Pembiayaan “C” yang akan melakukan
pembiayaan kembali (repeat order)
• Untuk mempelajari penggunakan model regresi logistik biner dalam implementasinya di
perusahaan pembiayaan.
• Untuk membantu perusahaan dalam memberikan daftar prospek (lead customer) yang
diprediksi akan melakukan pengambilan pembiayaan kembali, sehingga dapat
meningkatkan penyaluran pembiayaan di Perusahaan Pembiayaan “C”
Atas dasar latar belakang yang disampaikan, penelitian ini diharapkan dapat menjawab rumusan
permasalahan sebagai berikut:
• Bagaimana membangun model prediksi untuk customer Perusahaan Pembiayaan “C” yang
akan melakukan pembiayaan kembali (repeat order)?
• Apa saja variabel bebas (independen) yang memberikan pengaruh signifikan terhadap
variabel respon (dependen) berupa customer yang melakukan pembiayaan kembali atau
tidak?
3
1. Kategori customer perorangan
2. Khusus untuk produk pembiayaan mobil baru
3. Mencakup area seluruh Indonesia
d. Variabel-variabel yang digunakan dalam dalam penelitian ini disesuaikan dengan ketersediaan
data pada Perusahaan Pembiayaan “C”, yang terdiri dari satu variabel respon (dependen) dan
enam belas variabel bebas (independen).
Variabel respon (Y) = customer dari perusahaan pembiayaan yang melakukan pembiayaan
Kembali, dengan kategori biner:
1: Customer Repeat Order, customer yang pernah melakukan pembiayaan mobil sebelumnya
0: Customer Baru, customer yang belum pernah melakukan pembiayaan mobil sebelumnya
e. Variabel bebas (independen) yang digunakan dan diduga memiliki pengaruh signifikan dalam
memprediksi customer yang akan melakukan repeat order dalam pengambilan pembiayaan mobil
kembali adalah sebagai berikut:
Tabel 1. Daftar Variabel Bebas (Independen) yang diuji
No Variabel Independen Deskripsi Jenis Data
1 Jenis Kelamin (X1) Jenis Kelamin Pemohon Pembiayaan Kategori
2 Umur Saat Pengajuan (X2) Usia Pemohon saat mengajukan Continue
pembiayaan
3 Pendidikan (X3) Level pendidikan terakhir pemohon Kategori
4 Pekerjaan (X4) Pekerjaan pemohon Kategori
5 Kategori Penghasilan (X5) Rentang penghasilan pemohon Kategori
6 Status Nikah (X6) Status pernikahan pemohon saat Kategori
pengajuan
7 Jumlah Tanggungan (X7) jumlah keluarga yang menjadi Continue
tanggungan pemohon
8 Status Kepemilikan Rumah status rumah pemohon Kategori
(X8)
9 Group Product (X9) Jenis produk pembiayaan Kategori
10 Cat DP Gross (X10) jumlah down payment yang dibayarkan Kategori
saat pengambilan pembiayaan (%)
11 Jumlah Pembiayaan (X11) Nilai pembiayaan yang dicairkan Continue
12 Harga Kendaraan (X12) Harga kendaraan yang dibiayakan Continue
13 Rate Pembiayaan (X13) Suku bunga pembiayaan Kategori
14 Brand Detail (X14) Merk mobil yang dibiayakan Kategori
15 Way of Payment (X15) Cara pembayaran angsuran Kategori
4
16 Days overdue (X16) Jumlah hari keterlambatan pembayaran Continue
angsuran
17 Bucket OD (X17) Bucket keterlambatan pembayaran Kategori
5
Divorce 3 Honda 3
Widow 4 Suzuki 4
Widower 5 Mitsubishi 5
Others 6
Status Kepemilikan Rumah (X8)
Sendiri 1 Wop / Way of Payment (X15)
Keluarga 2 Auto Collection Mandiri 1
Kontrak 3 Escrow Fleet 2
Kredit 4 Kantor Pos 3
Perusahaan 5 PDC/GIRO 4
ATM Mandiri 5
Pekerjaan (X4) ATM Non Mandiri 6
Wiraswasta 1
Pegawai Swasta 2 Bucket OD (X17)
Pegawai Negeri 3 Current 1
Profesional 4 1-30 2
TNI / POLRI 5 31-90 3
Others 6 91-120 4
121-150 5
151-180 6
>180 7
g. Langkah operasional untuk mennganalisis perilaku repeat order menggunakan Minitab Versi 16
dilakukan secara sistematis melalui sejumlah tahapan sebagai berikut:
1. Validasi Data
Validasi data dilakukan untuk memastikan konsistensi dari sampel data yang digunakan
(penggunaan satuan/ukuran), menghilangkan outlier, kategorisasi data, dan heterogenitas
data. Dalam penelitian ini, proses validasi data dilakukan secara manual dengan melakukan
pengecekan dan telaah satu persatu data yang terkumpul
2. Entry Data
Proses entry data dilakukan dengan melakukan pemindahan data dari kertas kerja berbasis
Microsoft Excel langsung ke dalam Minitab versi 16. Hasil entry akan muncul pada lembar
worksheet Minitab. Jenis data yang dientry fokus pada data-data variabel independen yang
telah diyakini datanya valid dan masuk ke dalam model yang hendak dibangun, untuk
selanjutnya dilakukan pendugaan dan pengujian parameter model
6
3. Proses Pendugaan dan Pengujian Parameter Model
Urutan analisa data pada Minitab v16:
- Klik Stat\Regression\Binary Logistic Regression
- Pada windows Binary Logistic Regression, isikan field Response dengan variabel dependen
‘REPEAT ORDER’, sementara field Model diisikan dengan seluruh variabel independen
yang hendak diuji parameternya
- Klik Options untuk menentukan opsi fungsi permodelan yang akan dibangun: Logit,
Normit/Probit, atau Gompit/Complementary log-log; lalu klik OK untuk memulai
permodelan
- Hasil analisis akan muncul pada lembar Session yang berada di atas lembar Worksheet,
dan memuat Logistic Regression Table (mencakup Coef, SE Coef, Koefisien Z, P-value,
Odds Ratio dan 95% CI Lower). Sebagai catatan, koefisien Z dalam Minitab identik
dengan koefisien Wald (W). Disamping tabel analisis tersebut, juga akan muncul informasi
terkait Log-likelihood, Uji G, Goodnes of Fit Test (dengan metode Pearson, Deviance, dan
7
Hosmer-Lemeshow), serta ukuran-ukuran asosiasi yang mencakup %Concordant,
%Discordant, %Ties, Somers’D dan Godman-Kruskal Gama.
4. Penafsiran Hasil Pendugaan
- Penentuan fungsi permodelan yang paling optimum didasarkan atas pembacaan hasil Uji
G yang memberikan nilai tertinggi.
- Penafsiran dilakukan untuk seluruh variabel independen yang diuji permodelannya, dan
kemudian dilakukan refinement pada sejumlah kecil variabel independen yang
menunjukkan pengaruh signifikan terhadap variabel dependen didasarkan pada uji p-
value.
- Uji signifikansi dilakukan secara serentak, maupun secara parsial (dengan memasukkan
sejumlah variabel independen yang bersifat kategorikal dan konsisten menghasilkan nilai
P-value < α 0,05 ke dalam kolom Factors di menu Binary Logistic Regression pada Minitab
v16). Hal ini dilakukan untuk melihat signifikansi pengaruh dari masing-masing kategori
dalam variabel independen terhadap variabel dependen.
8
2. Fungsi Normit/Probit
Didasarkan pada output Minitab diatas, secara berurutan nilai Statistik Uji (G) dari ketiga fungsi
(logit, normit/probit, dan gompit/complementary log-log) adalah 911,511; 919,820; dan 889,222.
Berdasarkan ketiga nilai tersebut, nilai G terbesar adalah fungsi Normit/Probit. Oleh karenanya,
maka fungsi yang terbaik untuk studi kasus ini adalah fungsi Normit/Probit.
9
Pengujian Goodness of Fit
Hipotesis yang digunakan dalam uji ini adalah sebagai berikut:
H0 : model yang dibentuk fit (tidak terdapat perbedaan antara hasil observasi dengan hasil
prediksi model)
H1 : model yang dibentuk tidak fit (terdapat perbedaan antara hasil observasi dengan hasil
prediksi model)
Berdasarkan output menggunakan fungsi Normit/Probit di atas, didapatkan nilai p-value dari metode
Pearson sebesar 0,128, dan metode Deviance sebesar 1,000 (masing-masing > α 0,05 atau gagal
tolak H0), sehingga dapat diartikan model yang digunakan telah sesuai atau cukup layak untuk
mengepaskan data.
Namun demikian, menggunakan metode Hosmer-Lemeshow, nilai p-value yang diperoleh sebesar
0,049 (sedikit < α 0,05 atau tolak H0).
Gambaran hasil pengujian i ini secara umum relatif tidak signifikan berbeda untuk masing-masing
fungsi (Logit, Normit/Probit, dan Gompit/Complementary log-log).
10
Tabel 3. Variabel Independen yang berpengaruh signifikan sesuai uji p-value
No Deskripsi Kategori
1 Umur saat Pengajuan (X2) -
2 Pendidikan (X3) TS (X30) D2 (X35)
SD (X31) D3 (X36)
SLTP (X32) S1 (X37)
SLTA (X33) S2 (X38)
D1 (X34) S3(X39)
3 Pekerjaan (X4) Wiraswasta (X41) Profesional (X44)
Pegawai Swasta (X42) TNI/POLRI (X45)
Pegawai Negeri (X43) Others (X46)
4 Kategori Penghasilan (X5) < 10 Juta (X51) 51 s/d 100 Juta (X54)
10 s/d 25 Juta (X52) >100 Juta (X55)
26 s/d 50 Juta (X53)
5 Jumlah Tanggungan (X7)
6 Status Kepemilikan Rumah Sendiri (X81) Kredit (X84)
(X8) Keluarga (X82) Perusahaan (X85)
Kontrak (X83)
7 Cat DP Gross (X10) <20% Non-Fleet (X101) >25% - 30% (X103)
>=20% - 25% (X102) >=30% (X104)
8 Way of Payment (X15) Auto Collection Mandiri (X151) PDC/GIRO (X155)
Escrow Fleet (X153) ATM Mandiri (X152)
Kantor Pos (X154) ATM Non Mandiri (X152)
Selanjutnya atas seluruh variabel independen dan kategori di atas dilakukan analisis regresi logistik
menggunakan fungsi permodelan Logit pada Minitab v16. Adapun hipotesis yang diuji adalah:
H0 : variabel independen tidak berpengaruh terhadap variabel dependen
H1 : variabel independen berpengaruh terhadap variabel dependen
Apabila p-value < α 0,05 maka dapat diartikan cukup bukti untuk menyatakan bahwa variabel
independen dimaksud berpengaruh nyata terhadap keputusan melakukan repeat order selaku
variabel dependen. Pada Logistic Regression Table akan diperoleh taksiran parameter, standar error
parameter, nilai Z, dan p-value. Karena kasus menggunakan model Logit, maka pada Logistic
Regression Table juga turut memunculkan Odds Ratio dan selang kepercayaan 95% Odds Ratio.
11
Taksiran Parameter
Menggunakan fungsi permodelan Logit, estimasi parameter dilihat dari nilai β sebagai berikut
(pembulatan desimal dua angka)
12
Fungsi
Estimasi Parameter
Permodelan
Logit g(x) = -4,70 + 0,73X31 +0,76X32 +0,81X33 + 0,99X34 + 1,69X35
+0,81X36 + 1,01X37 + 1,15X38 + 0,84X39 – 0,46X42 – 0,72X43 - 0,55X44
– 0,11X45 – 0,79X46 +0,89X52 + 2,30X53 + 3,06X54 + 3,22X55 + 0,09X7
– 0,08X82 – 0,23X83 – 0,46X84 – 0,98X85 + 0,001X102 – 0,27X103 –
0,51X104 – 0,52X152 – 0,21X153 – 0,78X154 + 1,51X155 – 20,53X156
Hipotesis:
H0 : model cukup memenuhi
H1 : model tidak cukup memenuhi
Berdasarkan output menggunakan fungsi Logit di atas, didapatkan nilai p-value dari metode Pearson
sebesar 0,1711, dan metode Deviance sebesar 1,000 (masing-masing > α 0,05 atau gagal tolak
H0), sehingga dapat diartikan model yang digunakan telah cukup memenuhi atau cukup layak untuk
pengepasan data. Namun demikian, menggunakan metode Hosmer-Lemeshow, nilai p-value yang
diperoleh sebesar 0,000 (< α 0,05 atau tolak H0). Gambaran hasil pengujian Goodness of Fit ini
secara umum relatif tidak signifikan berbeda untuk masing-masing fungsi permodelan, baik itu Logit,
Normit/Probit, dan Gompit/Complementary log-log.
Dari ukuran asosiasi antara variabel dependen dengan variabel independen, model ini juga
menunjukkan hubungan yang kuat dan sekaligus menunjukkan semakin baiknya daya prediksi fungsi
permodelan sebagaimana ditunjukkan oleh besaran nilai Concordant, serta kecilnya nilai Discordant
dan Ties.
13
Menggunakan fungsi permodelan Logit, dengan nilai Concordant sebesar 79,6% dapat disimpulkan
bahwa sebesar 79,6% pengamatan dengan kategori melakukan repeat order (Y=1) diduga
mempunyai peluang lebih besar dari kategori tidak melakukan repeat order (Y=0).
Sebaliknya, dari nilai Discordant 19,9% berarti sekitar 20% pengamatan yang tidak melakukan
repeat order (Y=0) memiliki peluang lebih besar dari kategori melakukan repeat order (Y=1).
Nilai Ties 0,4% menunjukkan persentase pengamatan dengan peluang kategori melakukan repeat
order sama dengan peluang kategori tidak melakukan repeat order sebesar 0,4% (namun karena
jumlahnya sangat kecil sehingga dapat diabaikan). Secara umum, pola yang sama juga ditunjukkan
oleh fungsi permodelan lainnya (Normit/Probit dan Gompit).
a. Kategori Penghasilan
Variabel Kategori Penghasilan dalam model ini menjadi variabel yang paling nyata pengaruhnya
terhadap keputusan melakukan repeat order. Dengan hasil Uji Z untuk masing-masing kategori di
dalamnya berkisar antara 4,65 s/d 13,91 (sebaran yang terbesar diantara seluruh variabel
independen) dan nilai p-value yang konsisten sebesar 0,000 (< α 0,05) untuk seluruh kategori
yang ada.
14
Didasarkan pada koefisien Odds Ratio (fungsi permodelan Logit) terlihat bahwa semakin tinggi
tingkat kategori penghasilan customer, maka semakin besar peluangnya untuk melakukan repeat
order. Dibandingkan dengan kategori yang berpenghasilan < 10 Juta, maka customer dengan
range penghasilan 51 s/d 100 Juta berpeluang untuk melakukan repeat order 21,43 kali lebih
besar; dan bahkan customer berpenghasilan > 100 Juta berpeluang untuk melakukan repeat order
bahkan hampir 25 kali lebih besar.
Secara rasional, hasil analisis ini cukup masuk akal dan dapat dipahami karena semakin besar
pendapatan customer artinya yang bersangkutan memiliki kemampuan finansial yang lebih baik,
sehingga akan lebih mudah baginya untuk melakukan pembiayaan kembali (repeat order)
b. Pekerjaan
Pada variabel ini terdapat dua kategori yang memberikan pengaruh nyata terhadap keputusan
customer melakukan repeat order, yaitu Pegawai Swasta dan Pegawai Negeri dengan hasil Uji Z
masing-masing sebesar -3,95 dan -3,33 (menggunakan fungsi permodelan Logit) dan nilai p-value
masing-masing sebesar 0,000 dan 0,001. Hubungan yang negatif ini mengandung arti bahwa
profesi customer sebagai Pegawai Swasta dan Pegawai Negeri memperkecil kemungkinannya
untuk melakukan repeat order. Dilihat dari koefisien Odds Ratio, bilamana dibandingkan dengan
kategori Wiraswasta, maka nilai Odds Ratio sebesar 0,63 untuk Pegawai Swasta mengindikasikan
peluang customer dengan profesi tersebut sekitar 37% lebih kecil untuk melakukan repeat order
dibandingkan profesi Wiraswasta, dan untuk Pegawai Negeri dengan nilai Odds Ratio 0,49
artinya peluang customer dengan profesi tersebut hampir 50% lebih kecil untuk melakukan repeat
order dibandingkan profesi Wiraswasta.
c. Way of Payment
Untuk variabel ini hanya terdapat satu kategori yang memberikan pengaruh riil terhadap
keputusan customer melakukan repeat order, yaitu Escrow Fleet dengan hasil Uji Z sebesar -5,78
(menggunakan fungsi permodelan Logit) dan nilai p-value sebesar 0,000. Sama halnya dengan
variabel Pekerjaan, hubungan yang negatif ini mengandung arti bahwa opsi customer
menggunakan wop Escrow Fleet memperkecil kemungkinannya untuk melakukan repeat order.
Dilihat dari koefisien Odds Ratio, bilamana dibandingkan dengan Auto Collection Mandiri, maka
nilai Odds Ratio sebesar 0,60 untuk Escrow Fleet mengindikasikan bahwa peluang customer
dengan opsi wop tersebut 40% lebih kecil untuk melakukan repeat order dibandingkan dengan
customer dengan wop Auto Collection Mandiri.
15
d. CatDPGross
Untuk variabel ini juga hanya terdapat satu kategori yang memberikan pengaruh riil terhadap
keputusan customer melakukan repeat order, yaitu kategori >=30% dengan hasil Uji Z sebesar -
2,19 (menggunakan fungsi permodelan Logit) dan nilai p-value sebesar 0,029. Hubungan yang
negatif ini mengandung arti bahwa opsi customer yang menggunakan opsi CatDPGross >=30%
akan memperkecil kemungkinannya untuk melakukan repeat order. Dilihat dari koefisien Odds
Ratio, bilamana dibandingkan dengan kategori CatDPGross <20% Non-Fleet, maka nilai Odds
Ratio sebesar 0,60 untuk CatDPGross >=30% mengindikasikan bahwa peluang customer dengan
opsi wop tersebut 40% lebih kecil untuk melakukan repeat order dibandingkan dengan customer
kategori CatDPGross <20% Non-Fleet.
e. Pendidikan
Pada variabel ini hanya terdapat satu kategori yang memberikan pengaruh nyata terhadap
keputusan customer melakukan repeat order, yaitu tingkat Pendidikan D2 dengan hasil Uji Z
sebesar 2,16 (menggunakan fungsi permodelan Logit) dan nilai p-value sebesar 0,031. Dilihat
dari koefisien Odds Ratio, bilamana dibandingkan dengan kategori Tidak Sekolah (TS), maka nilai
Odds Ratio sebesar 5,41 untuk kategori ini memberikan arti bahwa peluang seorang customer
dengan latar belakang Pendidikan jenjang D2 melakukan repeat order 5,4 kali lebih besar
dibandingkan customer dengan latar belakang pendidikan Tidak Sekolah (TS).
VI. KESIMPULAN
1. Implementasi metode Regresi Logistik untuk menganalisis model prediksi customer pembiayaan
pada Perusahaan “C” untuk melakukan pembiayaan kembali (repeat order) menggunakan
16
Minitab v16 dengan nilai duga maximum likelihood (Uji G, P-value) dan Goodness of Fit Tests
dapat direkomendasikan. Hal ini didukung fakta analisis diantaranya:
- Fungsi regresi yang dibentuk adalah
Fungsi
Estimasi Parameter
Permodelan
Logit g(x) = -4,70 + 0,73X31 +0,76X32 +0,81X33 + 0,99X34 + 1,69X35
+0,81X36 + 1,01X37 + 1,15X38 + 0,84X39 – 0,46X42 – 0,72X43 - 0,55X44
– 0,11X45 – 0,79X46 +0,89X52 + 2,30X53 + 3,06X54 + 3,22X55 + 0,09X7
– 0,08X82 – 0,23X83 – 0,46X84 – 0,98X85 + 0,001X102 – 0,27X103 –
0,51X104 – 0,52X152 – 0,21X153 – 0,78X154 + 1,51X155 – 20,53X156
- Signifikansi model dengan Uji G, p-value > α 0,05 (gagal tolak H0, model yang dibentuk
fit), dan uji kelayakan model (Goodness of Fit Tests) khususnya hasil p-value yang diberikan
menggunakan metode Pearson dan Deviance (metode Hosmer-Lemeshow secara konsisten
menunjukkan nilai p-value < α 0,05 (tolak H0). Secara umum, model Logit dan Normit/Probit
yang dibangun layak untuk digunakan
- Hasil uji parsial menggunakan koefisien Z (koefisien Wald) mampu mengungkap variabel
independen (termasuk kategori yang ada di dalamnya) yang berpengaruh signifikan
terhadap model jika p-value < α 0,05 (artinya cukup bukti untuk menyatakan bahwa
variabel independen dimaksud berpengaruh nyata terhadap variabel dependen) yaitu
variable kategori penghasilan, pekerjaan, WOP (Way of Payment), CatDPGross,
Pendidikan dan Status kepemilikan rumah.
- Dengan melihat Odds Ratio dapat dilihat bahwa:
i. Dibandingkan dengan kategori yang berpenghasilan < 10 Juta, maka customer dengan
range penghasilan 51 s/d 100 Juta berpeluang untuk melakukan repeat order 21,43
kali lebih besar; dan bahkan customer berpenghasilan > 100 Juta berpeluang untuk
melakukan repeat order bahkan hampir 25 kali lebih besar.
ii. Dibandingkan dengan kategori Wiraswasta, maka nilai Odds Ratio sebesar 0,63 untuk
Pegawai Swasta mengindikasikan peluang customer dengan profesi tersebut sekitar
37% lebih kecil untuk melakukan repeat order dibandingkan Wiraswasta, dan untuk
Pegawai Negeri dengan nilai Odds Ratio 0,49 artinya peluang customer dengan profesi
tersebut hampir 50% lebih kecil untuk melakukan repeat order dibandingkan profesi
Wiraswasta.
iii. Dibandingkan dengan WOP Auto Collection Mandiri, maka nilai Odds Ratio sebesar
0,60 untuk Escrow Fleet mengindikasikan bahwa peluang customer dengan opsi WOP
17
tersebut 40% lebih kecil untuk melakukan repeat order dibandingkan dengan customer
dengan WOP Auto Collection Mandiri.
iv. Dibandingkan dengan kategori CatDPGross <20% Non-Fleet, maka nilai Odds Ratio
sebesar 0,60 untuk CatDPGross >=30% mengindikasikan bahwa peluang customer
dengan opsi CatDPGross tersebut 40% lebih kecil untuk melakukan repeat order
dibandingkan dengan customer kategori CatDPGross <20% Non-Fleet.
v. Dibandingkan dengan kategori Tidak Sekolah (TS), maka nilai Odds Ratio sebesar 5,41
untuk kategori ini memberikan arti bahwa peluang seorang customer dengan latar
belakang Pendidikan jenjang D2 melakukan repeat order 5,4 kali lebih besar
dibandingkan customer dengan latar belakang pendidikan Tidak Sekolah (TS).
vi. Dibandingkan dengan kategori status kepemilikan rumah atas nama sendiri, maka nilai
Odds Ratio sebesar 0,38 pada kategori ini memberikan arti bahwa peluang seorang
customer dengan status kepemilikan rumah atas nama Perusahaan melakukan repeat
order 0,38 kali atau 62% lebih kecil dibandingkan customer yang memiliki rumah atas
nama sendiri.
2. Untuk meningkatkan kualitas dari model prediksi yang dibuat dapat dilakukan beberapa kali
analisis untuk menentukan variabel yang paling signifikan dan melakukan evaluasi model secara
berkala.
3. Menambahkan variabel yang terkait dengan waktu pengambilan pembiayaan atau waktu tenor
pembiayaan yang akan berakhir bisa menjadi tambahan informasi untuk menentukan kapan
periode terbaik customer tersebut akan melakukan pembiayaan mobil kembali
4. Hasil permodelan dengan menggunakan regresi logistik biner ini dapat digunakan oleh
Perusahaan Pembiayaan “C” sebagai salah satu opsi untuk mendapatkan prospek customer
yang akan melakukan repeat order dan meningkatkan customer retention bagi perusahaan.
Putri, R.C.; Ratnasari V. 2015. Pemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus
Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan. Jurnal Sains dan
Seni ITS Vol.4 No.2 2337-3520 (2301-928X Print). Jurusan Statistika, Fakultas Matematika dan
Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember (ITS)
18
Gio, P.G., Rosmaini, E. 2016. Belajar Olah Data dengan SPSS, Minitab, R, Microsoft Excel, Eviews,
Lisrel, Amos, dan SmartPLS disertai beberapa contoh perhitungan manual. USU Press
Wulandari A., Faruk, F.M., Doven, F.S., Budyanra. 2019. Penerapan Metode Regresi Logistik Biner
Untuk Mengetahui Determinan Kesiapsiagaan Rumah Tangga dalam Menghadapi Bencana Alam
– Studi Kasus di Provinsi Jawa Tengah Tahun 2017. Seminar Nasional Official Statistics 2019:
Pengembangan Official Statistics dalam Mendukung Implementasi SDG’s
19