61
memiliki hubungan yang nyata p 0,1 dengan kepemilikan kartu kredit Lampiran 15 dan 17.
4.4. Faktor-Faktor yang Mempengaruhi Kepemilikan Kartu Kredit
Model logit yang digunakan dalam penelitian ini bersifat binary dengan variabel tidak bebas bernilai satu 1 untuk peluang memiliki kartu kredit, dan nol
0 untuk peluang tidak memiliki kartu kredit. Variabel bebas yang digunakan sebagai penduga faktor- faktor yang mempengaruhi kartu kredit, adalah usia, total
pendapatan rata-rata per bulan, total pengeluaran rata-rata per bulan, tabungan rata-rata per bulan, jumlah keluarga, lama bekerja, tingkat pendidikan, jenis
kelamin, kedudukan struktural, pekerjaan lain, dan pemanfaatan teknologi. Hasil terbaik analisis regresi logistik yang digunakan untuk menentukan
faktor- faktor yang mempengaruhi kepemilikan kartu kredit, dilakukan melalui tahap-tahap reduksi, sehingga di dapat model terbaik. Pada penelitian ini, reduksi
dilakukan dengan menghilangkan satu per satu variabel yang paling tidak berpengaruh nyata atau tidak signifikan pada tingkat kepercayaan 90 persen
berdasarkan metode maximum likelihood. Sampai akhirnya didapatkan seluruh variabel signifikan sebagai model terbaik.
Estimasi tahap awal dilakukan dengan memasukkan seluruh variabel yang di duga mempengaruhi kepemilikan kartu kredit. Dari hasil estimasi ini
didapatkan nilai chi square df = 11 yang lebih besar dari chi square tabel atau nilai propability chi square yang signifikan atau lebih kecil dari taraf nyata
sepuluh persen. Maka, secara keseluruhan variabel pada model logit ini
62
berpengaruh secara nyata terhadap kepemilikan kartu kredit. Dari sebelas variabel yang diestimasi, variabel usia paling tidak memiliki kontribusi terhadap model,
ditunjukkan dengan nilai change in -2 log likelihood terendah, atau memiliki nilai probabilitas sig. of the change tertinggi Tabel 16.
Tabel 16. Hasil Estimasi Maximum Likelihood Model Logit Pertama
Variable Model Log
Likelihood Change in -2 Log
Likelihood df
Sig. of the Change
USIA -18,047
0,074 1
0,786 PDPTN
-18,290 0,560
1 0,454
PENGEL -18,443
0,865 1
0,352 TAB
-18,090 0,159
1 0,690
KEL -18,525
1,029 1
0,310 LMBKJ
-18,405 0,789
1 0,374
PDDKN -18,063
0,106 1
0,744 JK
-19,637 3,253
1 0,071
STRUK -18,080
0,139 1
0,710 PEKLAIN
-19,141 2,262
1 0,133
TEKN -18,164
0,307 1
0,579 Chi Square df = 11
28,089 Probability Chi Square
0,003 Negelkerke R Square
0,604 Count R Square
80,9 Ket : Signifikan pada a = 10
Tahap selanjutnya dalam metode kemungkinan maksimum, dilakukan pereduksian dengan mereduksi variabel yang paling tidak memiliki kontribusi
terhadap model, atau dengan mereduksi variabel yang memiliki nilai probabilitas sign. of the change paling besar. Sampai akhirnya didapatkan seluruh variabel
yang memiliki kontribusi terhadap model, atau signifikan terhadap taraf nyata 10 persen. Variabel yang direduksi pada tahap pertama yaitu variabel usia, tahap
kedua pendidikan, ketiga dummy kedudukan struktural pekerjaan, keempat tabungan rata-rata per bulan, kelima dummy teknologi, keenam jumlah anggota
keluarga, dan terakhir dummy pekerjaan lain. Model terbaik yang didapat dari
63
proses ini adalah model ke delapan dengan empat variabel yang signifikan Tabel 17.
Tabel 17. Proses Reduksi Model Logit Berdasarkan Metode Maximum Likelihood
Sig. of the change Variable
Step 1 Step 2
Step 3 Step 4
Step 5 Step 6
Step 7 Step 8
Usia
0,786
PDPTN
0,454
0,486 0,469
0,418 0,000
0,000 0,000
0,000 PENGEL
0,352
0,370 0,355
0,305 0,000
0,000 0,000
0,000 TAB
0,690
0,728 0,710
0,676 KEL
0,310
0,295 0,210
0,214 0,208
0,205 LMBKJ
0,374
0,123 0,078
0,046 0,050
0,056 0,026
0,052 PDDKN
0,744
0,789 JK
0,071
0,073 0,070
0,070 0,069
0,078 0,111
0,028 STRUK
0,710
0,745 0,829
PEKLAIN
0,133
0,128 0,116
0,120 0,116
0,132 0,170
TEKN
0,579
0,608 0,605
0,636 0,649
Ket : Signifikan pada a = 10
Model terbaik yang diestimasi memiliki pengaruh yang nyata terhadap
peluang kepemilikan kartu kredit. Nilai chi square hitung lebih besar dari nilai chi square
tabel dan tingkat signifikansi di bawah taraf nyata, memberi kesimpulan bahwa paling sedikit terdapat satu koefisien parameter tidak sama dengan nol atau
nyata mempengaruhi kepemilikan kartu kredit. Model ini pun juga telah menjelaskan bahwa variabel-variabel bebas cukup baik untuk menjelaskan
vatiabel tak bebasnnya. Hal ini dapat dilihat dari nilai Negelkerke R-Square, artinya sebesar 53,8 persen peluang variabel bebas dapat menjelaskan variabel
tidak bebasnya Lampiran 19. Hasil reduksi terakhir model ini yaitu terdapatnya empat variabel yang
signifikan. Variabel- variabel tersebut adalah pendapatan, pengeluaran, lama
64
bekerja, dan dummy jenis kelamin. Signifikansi variabel ini dapat dilihat pada Tabel 18 dengan masing- masing nilai Sig. atau p-value kurang dari 0,1. Untuk
memeriksa koefisien dari masing- masing variabel, apakah cukup berperan dalam menentukan peran variabel tersebut terhadap kepemilikan kartu kredit, dilihat dari
uji Wald. Hasil output menunjukkan seluruh variabel memiliki nilai Wald yang lebih besar dari nilai Z
a2
atau 0,7088 yang berarti koefisien tersebut tidak sama dengan nol atau memiliki nilai yang dapat mempengaruhi variabel tidak bebasnya.
Tabel 18. Hasil Analisis Regresi Logistik Faktor-Faktor yang Mempengaruhi Kepemilikan Kartu Kredit Model Terbaik
Variabel Koefisien
Wald df
Sig. Odds Ratio
Pendapatan 3,002e-06
9,818 1
0,002 1,000003
Pengeluaran -3,991e-06
8,509 1
0,004 0,99
Lama Bekerja 0,108
3,045 1
0,081 1,114
Jenis Kelamin -1,991
3,863 1
0,049 0,137
Konstanta -1,270
1,611 1
0,204 0,281
Chi Square df = 4 24,026
Probability Chi Square 0,00015
Negelkerke R Square 0,538
Count R Square 76,6
Tanda dari koefisien variabel total pendapatan rata-rata per bulan adalah positif dengan nilai 3,002 x 10
-6
. Artinya, semakin tinggi pendapatan, ceteris paribus
, akan meningkatkan peluang untuk memiliki kartu kredit. Kesimpulan ini pun diperkuat oleh nilai odds rationya yang lebih dari satu. Tingkat pendapatan
yang tinggi akan memudahkan seseorang untuk mengajukan permohonan kartu kredit, karena mereka tidak terkendala. Hal ini sesuai dengan penelitian Marlina
2002 yaitu semakin tinggi penghasilan seseorang, maka semakin besar peluang seseorang untuk memiliki kartu kredit.
65
Variabel total pengeluaran rata-rata per bulan, memiliki nilai koefisien sebesar -3,991 x 10
-6
dan nilai odds ratio kurang dari satu. Artinya, tingkat pengeluaran rata-rata per bulan yang semakin menurun, ceteris paribus, akan
meningkatkan peluang seseorang untuk memiliki kartu kredit. Penurunan tingkat pengeluaran, ceteris paribus, akan memberikan kesempatan besar bagi seseorang
untuk mengalokasikan seluruh pendapatannya dengan lebih maksimal untuk pemuasan kebutuhan mereka, termasuk dengan cara kredit. Hal ini tercermin pula
pada Tabel 6, dimana pemilik kartu kredit cenderung memanfaatkan kartu kredit mereka untuk transaksi pembayaran dengan nilai tinggi.
Variabel ketiga yang signifikan mempengaruhi kepemilikan kartu kredit adalah lama bekerja dengan koefisien sebesar 0,108 bertanda positif. Nilai odds
ratio nya lebih besar dari satu, berarti seseorang yang lama bekerjanya semakin
meningkat, ceteris paribus, akan memiliki peluang yang semakin besar untuk memiliki kartu kredit. Penjelasan ini dapat dilakukan melalui pendekatan tingkat
pendapatan seseorang, dimana semakin lama bekerja, maka semakin tinggi pengalaman bekerjanya, dan akan meningkat pula pendapatannya akibat adanya
peningkatan pangkat atau golongan pegawai negeri mereka. Variabel lainnya yaitu jenis kelamin dengan nilai probabilitas 0,049 yang
menunjukkan variabel ini berpengaruh nyata terhadap kepemilikan kartu kredit. Nilai koefisiennya adalah -2,7 dengan odds ratio 0,281. Hal ini berarti responden
dengan jenis kelamin laki- laki memiliki peluang 7,29 kali lebih besar untuk memiliki kartu kredit dibandingkan responden perempuan. Kesimpulan ini bagi
masyarakat tertentu, seperti dosen sangat beralasan. Karena berbagai aktifitas
66
sebagai dosen yang cukup padat di tambah prestasi mereka, banyak yang mencari ilmu atau pun bertugas ke luar kota, bahkan ke luar negeri, sehingga mereka lebih
memilih untuk memiliki kartu kredit demi kemudahan dan keamanan dalam transaksi pembayaran. Keadaan ini lebih banyak dialami oleh dosen laki- laki dari
pada dosen perempuan, karena dosen perempuan akan lebih memilih berprestasi di lingkungan yang tidak jauh dari keluarga mereka.
Daya ramal prediksi model ini menunjukkan sebesar 76,6 persen tepat menggolongkan semua variabel yang diprediksi. Hasil estimasi menunjukan
bahwa penggolongan responden yang memiliki nilai variabel tak bebasnya satu Y=1, memiliki tingkat ketepatan prediksi sebesar 60 persen, atau sebanyak 12
dari 20 responden yang memiliki kartu kredit tepat di prediksi memiliki kartu kredit. Sedangkan untuk variabel tak bebas dengan nilai nol Y=0 memiliki
tingkat ketepatan prediksi sebesar 88,9 persen, atau sebanyak 24 dari 27 responden yang tidak memiliki kartu kredit tepat di prediksi, sedangkan
responden lainnya diprediksi memiliki kartu kredit. Output casewise list pun tepat memprediksi secara keseluruhan pengklasifikasian yang tepat sebesar 76,6 persen,
atau hanya 33,4 persen kasus tidak terklasifikasi dengan tepat Lampiran 20.
4.5. Pandangan Responden Terhadap Trend Less Cash Society
Kategori