3.5.1 Analisis deskriptif
Analisis deskriptif merupakan upaya penelusuran dan pengungkapan informasi relevan yang terkandung dalam data dengan penyajian hasil dalam
bentuk yang lebih ringkas dan sederhana sehingga akhirnya mengarah pada adanya penjelasan dan penafsiran Simamora dalam Priarnani, 2005.
3.5.2 Analisis regresi logistik
Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika variabel respon merupakan variabel dikotomi. Variabel dikotomi biasanya
hanya terjadi atas dua nilai yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau 1.
Regresi logistik merupakan suatu model analisis untuk mengetahui pengaruh variabel prediktor yang berskala metrik kontinyu atau kategorik
nominal terhadap variabel respon yang berskala kategorik. Regresi logistik dibedakan menjadi 2 yaitu binary logistic regression regresi
logistik biner dan multinominal logistic regression regresi logistik multinominal. Regresi logistik biner digunakan ketika hanya ada 2
kemungkinan variabel respon Y dan regresi logistik multinominal digunakan ketika variabel respon lebih dari 2 kategorisasi.
Menurut Santoso 2010, metode regresi logistik adalah suatu metode analisa statistika yang mendeskripsikan hubungan sebuah peubah respon
dengan satu atau lebih peubah prediktor. Dalam analisis regresi logistiklogit biner, permodelan peluang kejadian tertentu dari kategori peubah respon
dilakukan dengan transformasi logit. Formulasi transformasi logit adalah : Logit P
i
=
log
e pi
l –pi
…………………… 2 Keterangan :
P
i
adalah peluang munculnya kejadian kategori sukses dari peubah respon orang ke-I.
Log
e
adalah logaritma dengan basis bilangan
e
. Kategori sukses secara umum dalam penelitian ini merupakan kategori yang
menjadi perhatian. Model yang digunakan dalam analisis regresi logistik biner adalah :
Logit P
i
= β + β
1
x
1
+ β
2
x
2
…+ β
n
x
n
........... 3
Keterangan : Logit p
i
adalah nilai transformasi logit untuk peluang kejadian sukses atau Y = Variabel responvariabel tergantung terdiri dari :
pengembalian kredit oleh debitur GKV yang bermasalah Y = 1 penunggak yang masih mampu mengangsur,
Y= 0 penunggak yang sudah tidak mampu mengangsur. β
adalah intersep adalah model garis regresi konstanta β
1
adalah slope model garis regresi koefisien variabel prediktor ke-1 β
n
adalah slope model garis regresi koefisien variabel prediktor ke-n
x
1
adalah variabel prediktor ke-1,
x
n
adalah variabel prediktor ke-n Variabel bebas prediktor yang digunakan untuk mengetahui faktor-faktor
yang mempengaruhi pengembalian kredit bermasalah pada GKV meliputi karakteristik debitur yaitu : usia, jenis kelamin, status, pendidikan, lama
menempati tempat tinggal, kepemilikan tempat tinggal, jarak GKV dengan lokasi rumah, jumlah tanggungan keluarga, pinjaman lain, pengalaman usaha,
omset usaha, agunan, suku bunga dan jangka waktu pengembalian kredit. X
ij
= Karakteristik penunggak GKV debitur terdiri dari : X
1
= usia debitur tahun X
2
= jenis kelamin laki-laki atau perempuan X
3
= status lajang, menikah, jandaduda X
4
= pendidikan tingkatan X
5
= lama menempati tempat tinggal tahun X
6
= kepemilikan tempat tinggal milik sendiri, milik keluarga, sewa X
7
= jarak rumah dengan GKV kilometer X
8
= jumlah tanggungan keluarga orang X
9
= pinjaman lain adatidak X
10
= pengalaman usaha tahun X
11
= omset usaha rupiah X
12
= agunan rupiah X
13
= suku bunga respon besarkecil X
14
= jangka waktu kredit tahun
Regresi logistik juga menghasilkan rasio peluang odds ratios terkait dengan nilai setiap prediktor. Peluang odds dari suatu kejadian diartikan sebagai
probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum rasio peluang odds ratios merupakan sekumpulan
peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relative dimana peluang hasil meningkat rasio peluang 1 atau
turun rasio peluang 1 ketika nilai variabel prediktor meningkat sebesar 1 unit. Pengujian terhadap kelayakan model menggunakan statistik G yang
merupakan nisbah kemungkinan maksimum untuk mengetahui peran variabel prediktor dalam model secara simultanbersama-sama. Jika G X
2
p α atau p- value dari statistik G α=0,1 maka keputusannya adalah menolak H
artinya setidak-tidaknya ada satu variabel prediktor yang berpengaruh nyata terhadap
variabel respon. H
: β
1
= β
2
= ... = β
p
= 0 model tidak significant
H
1
: minimal ada satu β
i
≠ 0, i = 1, 2, ..., p model significant
Statistik uji-G didefinisikan sebagai : …………………………….… 4
Uji kebaiksuaian model goodness of fit dilakukan dengan memperhatikan nilai sebaran chi-square dari Hosmer dan Lameshow dengan hipotesis :
H = Tidak dapat perbedaan yang signifikan antara nilai observasi dengan nilai
prediksi oleh model model fit H
1
= Terdapat perbedaan yang signifikan antara nilai observasi dengan nilai prediksi oleh model model tidak fit
Jika p-value dari ketiga statistik tersebut lebih besar dari taraf nyata α=0,1 maka keputusannya adalah menerima H
yang artinya model tersebut cukup layak untuk digunakan dalam prediksi.
Pengujian terhadap signifikasi masing-masing variabel prediktor secara individu dilakukan dengan uji wald. Uji Wald menguji pengaruh dari masing
peubah bebas terhadap peubah tak bebas. Statistik Wj mengikuti sebaran normal Z, jika nilai Wj Z alpha2 two-tailed p-value dari statistik Wj lebih kecil dari
p
L L
G ln
2
taraf nyata α = 0,1 maka keputusannya adalah menolak H artinya varaiabel
prediktor ke-k tersebut berpengaruh secara nyatasignifikan terhadap variabel respon.
H : βi=0
X tidak berpengaruh nyata terhadap Y H
1
: βi≠0 X berpengaruh nyata terhadap Y
Regresi logistik tidak terbatas hanya dapat diterapkan pada kasus dimana variabel X bertipe interval atau rasio. Regresi logistik juga dapat diterapkan untuk
kasus dimana variabel X bertipe nominal atau ordinal. Hal ini analog dengan regresi linier dengan variabel dummy.
3.6. Definisi Operasional
Kategori