2. Estimasi Fungsi Regresi Logistik
Regresi Logistik merupakan suatu model analisis untuk mengetahui pengaruh variabel-variabel prediktor yang berskala metrik kontinyu atau
kategoriknominal terhadap variabel respon yang berskala kategorik. Estimasi
model tersebut yaitu Sharma, 1996:
L
i
= ⎥
⎦ ⎤
⎢ ⎣
⎡ − p
p 1
ln =
β +
β
1
X
1
+ β
2
X
2
+ ........ + β
k
X
k
Keterangan: L
i
= Variabel respon, dalam hal ini tingkat kelancaran pengembalian kredit 1=lancar, 0=menunggak
β = Konstanta
β
1
= Koefisien variabel prediktor ke-1 β
k
= Koefisien variabel prediktor ke-k X
1
= Variabel prediktor ke-1 X
k
= Variabel prediktor ke-k
3. Uji Kelayakan Model
Pengujian terhadap kelayakan model menggunakan statistik G yang merupakan nisbah kemungkinan maksimum untuk mengetahui peran variabel-
variabel prediktor dalam model secara simultanbersama-sama. Rumus uji G yaitu:
G = -2 ln
⎥ ⎦
⎤ ⎢
⎣ ⎡
1
l l
Keterangan: l
= Likelihood tanpa variabel prediktor l
1
= Likelihood dengan variabel prediktor Hipotesis: H
= β
1
= β
2
= ... = β
k
= 0 H
1
= Minimal ada satu nilai β ≠ 0
Jika nilai G X
2 p
α
atau p-value dari statistik G lebih kecil dari taraf nyata
α = 0,050 maka keputusannya adalah menolak H
0,
artinya setidak-tidaknya ada satu variabel prediktor yang berpengaruh nyata terhadap variabel respon.
4. Uji Kebaiksuaian Model
Uji kebaiksuaian goodness of fit 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 nilai prediksi oleh model
H
1
= Terdapat perbedaan yang signifikan antara nilai observasi dengan nilai prediksi oleh model
Jika p-value dari ketiga statistik tersebut lebih besar dari taraf nyata
α = 0,050 maka keputusannya adalah menerima H
yang artinya model tersebut cukup layak untuk digunakan dalam prediksi.
5. Uji Signifikansi Variabel Prediktor Secara Individu
Pengujian terhadap signifikansi masing-masing variabel prediktor secara individu dilakukan dengan uji Wald W
j
, dengan rumus:
W
j
= β
SE β
k
Keterangan:
β = Penduga β SE = Penduga standard error dari
β β
k
= Koefisien variabel prediktor ke-k Hipotesis: H
= β
k
= 0 H
1
= β
k
≠ 0, k=1,2,...,k Statistik
W
j
mengikuti sebaran normal Z, jika nilai W
j
Z
α2
atau two- tailed p-value dari statistik W
j
lebih kecil dari taraf nyata α = 0,050 maka
keputusannya adalah menolak H
0,
artinya variabel prediktor ke-k tersebut
berpengaruh secara nyatasignifikan terhadap variabel respon.
4.5.2.2. Analisis Korelasi