38 3
Hitung banyak kelas dengan aturan Sturges: Banyak kelas = 1+ 3,3 log n
n=banyaknya data, hasil akhirnya dibulatkan. Banyak kelas paling sedikit lima kelas dan paling banyak lima belas kelas, dipilih menurut keperluan.
4 Hitung panjang kelas interval dengan rumus:
5 Tentukan ujung bawah kelas interval pertama.Biasanya diambil dari data
terkecil atau data yang lebih kecil dari data terkecil tetapi selisihnya harus kurang dari panjang kelas interval yang didapat.
6 Selanjutnya kelas interval pertama dihitung dengan cara menjumlahkan ujung
bawah kelas dengan nilai P setelah dikurangi satu. Demikian seterusnya.
4.4.2. Analisis Kuantitatif
Untuk mengetahui faktor-faktor yang berpengaruh nyata terhadap tingkat kelancaran pengembalian KUR oleh nasabah BRI Unit Cimanggis digunakan
analisis kuantitatif. Analisis kuantitatif dilakukan dengan menggunakan model Analisis Regresi Logistik sehingga dapat diketahui variabel-variabel penduga
yang secara nyata berpengaruh terhadap tingkat kelancaran pengembalian KUR. Regresi logistik atau yang dikenal dengan LOGIT merupakan bagian dari
analisis regresi. Analisis regresi mengkaji hubungan pengaruh variabel-variabel penjelas terhadap variabel respon melalui model persamaan matematis tertentu
Firdaus dan Farid 2008. Variabel penjelas atau variabel bebas atau variabel prediktor adalah
variabel yang menjadi dasar dari perkiraan atau estimasi. Di dalam diagram pencar analisis regresi, variabel penjelas diskalakan ke dalam sumbu-X. Variabel
respon atau variabel terikat adalah variabel yang sedang diprediksi atau diperkirakan. Di dalam diagram pencar analisis regresi, variabel respon diskalakan
ke dalam sumbu-Y Lind et.al 2007. Apabila variabel respon Y dalam analisis regresi berupa variabel
ketegorik, maka analisis regresi yang dapat digunakan antara lain yaitu regresi logistik. Berdasarkan tipe kategorik pada variabel responnya, analisis regresi
logistik dapat dibagi menjadi tiga yaitu 1 biner, dengan regresi logistik biner; 2
39 nominal, dengan regresi logistik nominal; dan 3 ordinal, dengan regresi logistik
ordinal. Secara umum, analisis regresi logistik menggunakan variabel penjelasnya
X untuk menduga besarnya peluang kejadian tertentu dari kategori variabel respon Y. Dalam analisis regresi logistik, pemodelan peluang kejadian tertentu
dari kategori variabel respon dilakukan melalui transformasi dari regresi linier ke logit Gambar 7. Transformasi tersebut dapat dirumuskan dalam formula :
dimana pi adalah peluang munculnya kejadian kategori sukses dari variabel respon untuk orang ke-i dan log
e
adalah logaritma dengan basis bilangan e.
Gambar 7.
Transformasi Logit
Sumber : Firdaus dan Farid 2008
Kategori sukses secara umum merupakan kategori yang menjadi perhatian dalam penelitian. Dalam penelitian ini, variabel respon Y bersifat biner yaitu
jika pengembalian kredit lancar atau jika pengembalian kredit tidak lancar menunggak; maka kejadian sukses adalah kejadian saat pengembalian kredit
oleh responden lancar dengan pengaruh variabel tertentu. Dengan demikian, maka model yang digunakan dalam analisis regresi
logistik adalah Logitpi = β + β
1
X dengan logit pi adalah nilai transformasi logit untuk peluang kejadian sukses; β
adalah intersep model garis regresi; β
1
adalah slope model garis regresi; dan X adalah variabel penjelas. Dalam penelitian ini analisis regresi logistik dilakukan dengan Microsoft
Excel dan Minitab 14. Hasil analisis regresi menjawab tujuan penelitian yaitu menganalisis faktor-faktor yang berpengaruh nyata terhadap tingkat kelancaran
pengembalian KUR oleh nasabah BRI Unit Cimanggis. pi
pi pi
Logit
e
1 log
pi
predictor pi
predictor LOGIT
transform
40
1 Penentuan Variabel
Variabel respon Y= 1; jika pengembalian kredit lancar
Y= 0; jika pengembalian kredit menunggak Variabel penduga
X
1
= jenis kelamin, sebagai variabel dummy 1=wanita dan 0=pria X
2
= tingkat pendidikan tahun X
3
= jumlah tanggungan dalam keluarga orang X
4
= pinjaman dengan pihak lain 1=ada dan 0=tidak X
5
= pendapatanomzet usaha juta rupiah X
6
= lama usaha tahun X
7
= besarnya pinjaman juta rupiah X
8
= jangka waktu pengembalian bulan Variabel-variabel tersebut dipilih karena diduga mampu mewakili
karakteristik dari calon responden yang dapat mempengaruhi tingkat
pengembalian kredit KUR. 2 Estimasi Fungsi Regresi Logistik
Regresi Logistik merupakan merupakan suatu model analisis untuk mengetahui pengaruh variabel-variabel penduga berskala metrik kontinu atau
kategorik nominal terhadap variabel respon yang berskala kategorik. Estimasi model tersebut yaitu Gujarati 1997:
Li = ln =
β +
β
1
X
1
+ β
2
X
2
+ β
3
X
3
+…+ β
k
X
k
Keterangan: Li = Variabel respon
β = Konstanta
β
1
= Koefisien variabel penduga ke-1 β
k
= Koefisien variabel penduga ke-k X
1
= Variabel penduga ke-1 X
k
= Variabel penduga ke-k
41 Dengan demikian, maka estimasi model yang digunakan dalam analisis regresi
logistik pada penelitian ini yaitu: Li = ln
= β
+ β
1
X
1
+ β
2
X
2
+ …+ β
8
X
8
Keterangan: Li = Variabel respon
Li = 1;jika pengembalian kredit lancar Li = 0;jika pengembalian kredit tidak lancar menunggak
Β = Konstanta
Β
1
= Koefisien variabel penduga ke-1 Β
i
= Koefisien variabel penduga ke-i X
1
= Jenis kelamin, sebagai variabel dummy 1=wanita dan 0=pria X
2
= Tingkat pendidikan tahun X
3
= Jumlah tanggungan dalam keluarga orang X
4
= Pinjaman dengan pihak lain 1=ada dan 0=tidak X
5
= Pendapatanomzet usaha juta rupiah X
6
= Lama usaha tahun X
7
= Besarnya pinjaman juta rupiah X
8
= Jangka waktu pengembalian bulan
3 Uji Kelayakan Model
Pengujian terhadap kelayakan model menggunakan statistik G yang merupakan nisbah kemungkinan maksimum untuk mengetahui peran variabel-
variabel penduga dalam model secar simultan. Rumus uji G adalah sebagai berikut:
G= -2 ln Keterangan:
lo = likelihood tanpa variabel penduga li = likelihood dengan variabel penduga
Hipotesis: H
= β
1
= β
2
= … =
β
k
= 0 H
1
= minimal ada satu nilai
β ≠ 0
42 Jika nilai G x
2 pα
atau p-value dari statistik G lebih kecil dari taraf nyata α=0.05 maka keputusannya adalah tolak H
0 ,
atau setidaknya ada satu variabel
penduga yang berpengaruh nyata terhadap variabel respon. 4 Uji Kebaiksuaian Model
Uji kebaiksuaian model dilakukan dengan memperhatikan nilai sebaran chi-square dari metode Pearson, Deviance, dan Hosmes Lemeshow.
Hipotesis: H
= tidak terdapat perbedaan yang signifikan antara nilai observasi
dengan prediksi model H
1
= terdapat perbedaan yang signifikan antara nilai observasi dengan
dengan prediksi model Jika p-value dari ketiga statistik tersebut lebih besar dari taraf nyata
α=0.05 maka keputusannya adalah menerima H
0 ,
yang artinya model tersebut cukup layak untuk digunakan dalam prediksi.
5 Uji Signifikansi Variabel Prediktor secara Individu
Pengujian terhadap signifikansi masing-masing variabel penduga secara individu dilakukan dengan uji Wald W
j
, dengan rumus:
W
j
=
Keterangan: =
Penduga β = Penduga standard error
dari β β
k
= Koefisien variabel penduga ke-k Hipotesis:
H =
β
1
= β
2
= … =
β
k
= 0 H
1
= β
k
≠ 0, k=1,2..,k Statistik
W
j
mengikuti sebaran normal Z, jika nilai Jika nilai
W
j
Z
α2
atau two tailed p-value dari statistik
W
j
lebih kecil dari taraf nyata α=0.05 maka keputusannya adalah tolak H
0 ,
artinya variabel penduga ke-k tersebut berpengaruh
nyata terhadap variabel respon.
43
4.5. Definisi Operasional
