Upload
hartina-husain
View
236
Download
0
Embed Size (px)
Citation preview
8/16/2019 Pemodelan Pak Amran
1/36
Tugas Pemodelan Statistika
GENERALIZED LINEAR MODEL MENGGUNAKAN
FUNGSI LINK PROBIT UNTUK DATA
BERDISTRIBUSI BINOMIAL
KELOMPOK :
HARTINA HUSAIN H 121 1 !!"
NUR#AHI$AH A%$URRAU& H 121 1
!'
PRO(RAM STU$I STATISTIKA
)URUSAN MATEMATIKA
&AKULTAS MATEMATIKA $AN ILMU PEN(ETAHUAN ALAM
UNI*ERSITAS HASANU$$IN
MAKASSAR
2!1+
8/16/2019 Pemodelan Pak Amran
2/36
Abstrak
Model probit merupakan model nonlinier yang digunakan untuk
menganalisis hubungan antara satu variabel dependen dengan beberapa variabel
prediktor dengan variabel dependennya berupa data kualitatif dikotomi yang
bernilai 0 dan 1. Penelitian ini mengkaji tentang model regresi probit untuk
mengetahui faktor-faktor yang mempengaruhi tingkat pengembalian kredit.
Untuk estimasi parameter digunakan metode Maksimum Likelihood yang
kemudian dilanjutkan dengan metode Newton Raphson. Untuk pengujian
parameter secara parsial digunakan uji Wald dan secara serentak digunakan uji
likelihood ratio test . engan model probit diperoleh variabel-variabel yang
signifikan mempengaruhi tingkat pengembalian kredit ressponden adalah jumlah
pinjaman! tingkat suku bunga! penghasilan bersih! bencana! dan penghasilan di
luar usaha. "ehingga di dapatkan persamaan probit
ϕ (Z )=ϕ (−4,609−0,0000001539 x1+1,235 x2−0,0000002681 x3+2,482 x8+2,420 x9)
.
8/16/2019 Pemodelan Pak Amran
3/36
BAB I
PENDAHULUAN
Model statistika # statistical model $ yang sering disebut sebagai
analisis regresi! merupakan suatu model yang menggambarkan pola
hubungan fungsional antara dua peubah atau lebih. %entuk fungsi yang
dihasilkan sering disebut sebagai model matematika atau secara lebih khusus
model statistika. Model linier sudah berkembang sangat luas dan telah
digunakan selama bertahun-tahun dalam analisis statistika! khususnya untuk
menganalisis data dengan distribusi kontinu. alam pemodelan statistika ada
dua komponen yang dipisahkan yaitu yang bersifat tetap yang biasa disebut
sebagai komponen tetap! dan komponen lain yang bersifat acak disebut sebagai
komponen acak atau dalam hal ini secara khusus disebut sebagai komponen
kesalahan. ari segi komponen tetapnya! bentuk yang paling sederhana
adalah hubungan linier! sehingga model yang paling sederhana adalah
model linier. "edangkan dari segi komponen acaknya! yang paling sederhana
adalah asumsi bah&a kesalahannya berdistribusi normal dan saling prediktor
antara satu respon dengan respon lainnya.
'ondisi lain yang banyak ditemukan dalam kehidupan sehari-hari yang
tidak dapat ditangani langsung oleh model linier normal adalah adanya
kenyataan bah&a distribusi respon tidak harus normal. Untuk menangani
kondisi dimana respon yang ada tidak berdistribusi normal! tetapi masih
saling bebas! para statistisi yang dipelopori oleh (elder dan Wedderburn
#1)*+$ telah mengembangkan model linier yang dikenal dengan generalized
linear model #,M$. Model ini di ndonesia dikenal dengan model linier
tergeneralisir. Model ini berasumsi bah&a respon memiliki distribusi keluarga
eksponensial. istribusi keluarga eksponensial adalah distribusi yang sifatnya
lebih umum! dimana distribusi-distribusi (ormal! ,amma! Poisson termasuk
8/16/2019 Pemodelan Pak Amran
4/36
di dalamnya #Purnamasari! +01+$.
alam berbagai bidang penelitian yang menggunakan prosedur statistika!seperti dalam bidang agronomi! pertanian! sosial dan ekonomi! politik! kesehatan!
biologi! dan teknik! data yang diamati dibuat pada unit percobaan yang
mengambil nilai salah satu dari dua kategori yang mungkin. "ebagai contoh!
suatu benih akan berkecambah atau gagal berkecambah di ba&ah kondisi
percobaan tertentu/ suatu peralatan listrik yang diproduksi oleh sebuah pabrik
elektronik dapat cacat atau tidak cacat. ata semacam itu dikatakan sebagai data
biner dan dua kategori yang mungkin untuk masing-masing observasi secara
umum dinyatakan dengan istilah sukses atau gagal.
2erdapat beberapa model yang dapat digunakan untuk memodelkan data
respons binomial! diantaranya yaitu3 model logistik! model probit! dan model log-
log komplementer. Makalah ini akan mengkhususkan menggunakan model
probit.
8/16/2019 Pemodelan Pak Amran
5/36
BAB II
TINJAUAN PUSTAKA
2.1. Mod! L"#ar Tr$#a!"s"r
Para statistisi yang di dipelopori oleh (elder dan Wedderburn #1)*+$
telah mengembangkan model linier yang dikenal dengan generalized linear
model #,M$. istribusi data tidak lagi terbatas pada distribusi normal tetapi
merupakan keluarga dari distribusi 'elurga 4ksponensial. alam model linier
tergeneralisir #M2$ atau generalized linear model #,M$! asumsi model
lebih longgar dan digeneralisir dengan cara berikut3
a. asumsi y
i berdistribusi normal dan saling bebas dengan ragam
konstan! diperluas untuk mungkin yi mempunyai distribusi yang sama
dan saling bebas dari distribusi keluarga eksponensial/ dan
b. hubungan antara komponen prediktor #η$ dan komponen acak #µ$ tidak
harus identitas! tetapi diperluas untuk suatu fungsi monoton dan
diferensiabel! g ! yaituƞ1=g( μ i) . 5ungsi g disebut fungsi link atau link
function..
6adi dalam model linier tergeneralisir ada tiga komponen
penting yaitu3
a. komponen distribusi! yaitu y berdistribusi keluarga
eksponensial/ b. komponen prediktor linier! yaitu η ¿ X T β / dan
c. fungsi link yaitu fungsi monoton dan diferensiabel g sehingga
g ( μ )=ƞ
8/16/2019 Pemodelan Pak Amran
6/36
7danya fungsi link memungkinkan prediktor linier memiliki daerah
rentang seluruh bilangan riil (−∞
8/16/2019 Pemodelan Pak Amran
7/36
persamaan regresi logit mengikuti distribusi normal. engan menggunakan
regresi probit maka β0+ β1 x1+…+ β p x p dilihat sebagai skor standar > yang
mengikuti distribusi normal! Peluang ?@1 #peluang untuk mendapat skor 1$
dinotasikan dengan μ maka didapatkan 3
μ= exp (Z )1+exp (Z )
atau ln [ μ1− μ ]=Z 5ungsi transformasi dalam model probit adalah fungsi sebaran kumulatif #cdf$
yang menyatakan fungsi linier X ' i β pada selang A0!1B adalah sebagai berikut 3
P ( Y i=1| X i )=ϕ ( X ' i β )
Persamaan ini didasari pada distribusi normal # ϕ
$ di ba&ah ini sehingga
regresi probit ditunjukkan denganϕ ( X ' i β ) . "imbol ϕ menunjukkan
berlakunya fungsi invers distribusi normal standar #inverse standart normal
distribution$ dan ∅( x) adalah fungsi kepadatan peluang.
P ( Y i=1| X i )=ϕ ( X ' i β )=∫−∞
X ' i β
ϕ ( z ) dz
engan kata lain sebagai berikut 3
P ( Y i=1| X i )=ϕ ( X ' i β )=
∫−∞
β0+ β1 x1+…+ β p x p1
√ 2π exp
[−1
2 z
2
]dz
"ecara umum model probit dapat dinyatakan sebagai berikut 3
β
μ=ϕ ( Z )=ϕ(¿¿0+ β1 x1+…+ β p x p)¿
dengan ϕ merupakan fungsi peluang kumulatif. Cleh karena model peluang
probit berkaitan dengan fungsi peluang normal kumulatif! maka dapat dituliskan
8/16/2019 Pemodelan Pak Amran
8/36
model peluang probit sederhana sebagai berikut.
Z = β0
+ β1
x1
+…+ β p
x p
Untuk memperoleh suatu dugaan dari nilai >! maka dapat digunakan invers dari
fungsi normal kumulatif sehingga diperoleh3
Z =ϕ−1 ( μ )= β0+ β1 x1+…+ β p x p
Peluang yang dihasilkan dari suatu model probit dapat diinterpretasikan sebagai
suatu dugaan dari peluang bersyarat bah&a objek pengamatan atau kelompok
akan mengalami kejadian berdasarkan nilai tertentu dari D #(aovalitha! +01;$.
2.%. Est"&as" Para&tr R$rs" Prob"t d#$a# Mtod Maximum
Likelihood 'MLE(
Metode maksimum likelihood merupakan salah satu metode penaksiran
parameter yang dapat digunakan untuk menaksir parameter suatu model yang
diketahui distribusinya. Metode maksimum likelihood merupakan metode yang
memaksimumkan fungsi likelihood . Easil penaksiran peremeter model probit
dengan menggunakan metode menggunakan metode maksimum likelihood dapat
diperoleh dengan langkah-langkah sebagai berikut 3
1. Menentukan n sampel random.
+. Membentuk fungsi likelihood dan n sampel random karena pada dasarnya
metode maksimum likelihood memberikan dugaan β dengan
memaksimumkan suatu fungsi likelihood . 5ungsi likelihood-nya adalah
( β0+ βi X i)ϕ ¿¿¿Y i¿
( β0+ βi X i)1−ϕ¿¿
L ( β )=∏i=1
n
piY i(1− pi)
1−Y i=∏i=1
n
¿
8/16/2019 Pemodelan Pak Amran
9/36
;. Melakukan transformasi ln terhadap fungsi likelihood karena secara
matematis akan lebih mudah memaksimumkan L( β) dengan
transformasi ln.
β
ϕ(¿¿0+ βi X i)¿¿
β
ϕ(¿¿0+ βi X i)
1−¿ β
ϕ(¿¿0+ βi X i)¿
ln ¿¿¿
Y i ln¿
ln L ( β )= l ( β )=∑i=1
n
¿
F. Mendapatkan penaksir untuk β dengan memaksimumkan ln fungsi
likelihood ! yaitu dengan menderivatifkan ln fungsi likelihood terhadap
parameter β kemudian menyamakannya dengan nol! yaitu3
8/16/2019 Pemodelan Pak Amran
10/36
8/16/2019 Pemodelan Pak Amran
11/36
1. Menentukan nilai a&al β
(0)
+. Menghitung g(0 )
dan (0)
yang besarnya tergantung pada β(0)
;. Mulai dari t@0 ! lakukan iterasi3 β(t +1)= β (t )−[ (t ) ]−1 g(t )
F. 6ika sudah konvergen atau ‖ β(t +1)− β( t )‖! " ! maka proses iterasi
berhenti! jika tidak! maka teruskan ke t@tG1! hitung g(t )
dan (t )
kemudian kembali ke langkah #;$.
2.). P#$*+"a# Stat"st"k
Pengujian statistik yang digunakan yaitu pengujian kelayakan model dan
pengujian terhadap parameter baik secara individu maupun simultan.
2.).1. P#$*+"a# k!a,aka# &od! ' goodness of fit (
oodness of fit adalah suatu alat statistic yang digunakan untuk memeriksa
kesesuaian antara model dengan data yang diamati. Model yang sering digunakan
adalah metode Pearson.
EipotesisModel yang dipostulatkan layak 0: Model yang dipostulatkan layak
1: Model yang dipostulatkan tidak layak
"tatistik uji 3
engan
n 3 banyaknya kategori
#i :
$ 2=∑
i=1
n (#i−%i)2
%i
Dengan
n : banyaknya kategori
8/16/2019 Pemodelan Pak Amran
12/36
#i : frekuensi observasi
Dengan
n : banyaknya kategori
#i : frekuensi observasi
% i : frekuens i ek spektas i untuk kategor i ke -i
i=1,2,.. . ,n
Kriteria keputusan adalah 0 d ito lak j ika
$ &itung2 > $ (db
2
dengan db=n-p,n menyatakan banyaknya
grup dalam peubah tak bebas, p menyatakan
banyaknya parameter !gresti, 1""#$.
2.).2. P#$*+"a# -ara&tr
Pengujian statistik dilakukan untuk menentukan apakah variabel-variabel
prediktor yang terdapat dalam model tersebut memiliki hubungan yang nyata
#signifikan$ dengan variabel responnya. Pengujian ini dilakukan dalam bentuk-
bentuk berikut ini3
a. U+" Pars"a!
Uji parsial dilakukan untuk menguji keberartian koefisien β secara
parsial dengan membandingkan dugaan β dengan penduga standar errornya.
engan hipotesis 3
0: β j=0
1: β j )0 : j=1,2,…( p
dengan statistik uji-Wald3
8/16/2019 Pemodelan Pak Amran
13/36
* =^ β j
2
( β j)2
"tatistik uji & mengikuti distribusi normal standart! maka pengujian dilakukan
dengan membandingkan antara statistik uji Wald dengan distribusi normal
standart pada taraf signifikan . 0 ditolak jika nilai HWH
¿Z ' /2 atau p-
value 8 . #Wulandari I "utanto! +010$.
b. U+" Sr#tak
Uji serentak dilakukan untuk memeriksa keberartian koefisien β secara
keseluruhan atau serentak. Eipotesis pengujian adalah3
0: β1= β2=…= β p=0
1: paling+%di,it ada +atu β j )0 : j=1,2,…( p
"tatistik uji dilakukan adalah statistik uji -2
atau likelihood ratio test ! yaitu3
-=−2 ln [ L0 L1 ]dengan3
L0=¿ 5ungsi likelihood tanpa peubah bebas
L1=¿ 5ungsi likelihood dengan peubah bebas
"tatistik uji - mengikuti $ 2
! maka pengujian dilakukan dengan
membandingkan antara nilai statistik uji , dan nilai tabel $ 2
dengan derajat
bebas v #banyaknya parameter$ pada taraf signifikan . 0 ditolak ataau
variabel prediktor signifikan berpengaruh secara serentak terhadap variabel
respon jika nilai -> $ 2(. (' ) atau p−alu%
8/16/2019 Pemodelan Pak Amran
14/36
+010$.
BAB III
METODE PENELITIAN
%.1. S*&br Data
6enis data yang digunakan dalam penelitian ini adalah data sekunder. ata
sekunder diperoleh dari 2elkom !ommunity "evelipment !enter #::$ ivre
6akarta! publikasi %adan Pusat "tatistik #%P"$. Unit analisa yang digunakan
dalam penelitian ini adalah 99 pengusaha kecil yang menjadi mitra binaan pada
program kemitraan P2. 2elkom ivisi =egional #ivre$ 6akarta yang berada
pada aerah 2elekomonikasi #atel$ %ogor.
%.2. ar"ab! P#!"t"a#
alam penelitian ini terdapat satu variabel respon dan enam variabel
prediktor.
a. Jariabel respon #?$ 3 adalah tingkat pengembalian kredit. =espon 0
menyatakan tidak lancar dan respon 1 menyatakan lancar
b. Jariabel prediktor 3
1. Jariabel x1 adalah 6umlah Pinjaman #rupiah$
+. Jariabel x2 adalah 2ingkat "uku %unga #persen$
;. Jariabel x3 adalah Penghasilan %ersih Usaha #tahun$
F. Jariabel x4 adalah Pengalaman Usaha #tahun$
8/16/2019 Pemodelan Pak Amran
15/36
). Jariabel x9 adalah penghasilan di luar usaha#0 @ tidak memiliki
penghasilan di luar usaha/ 1@ memiliki penghasilan di luar usaha$.
%.%. Mtod A#a!"s"s
2ahapan dalam menganalisis data pada penelitian ini adalah 3
1. Memeriksa distribusi variabel respon apakah mengikuti distribusi tertentu.
+. Melakukan estimasi parameter model probit dengan menggunakan metode
Ma#imum likelihood melalui proses iterasi Newton Raphson.
;. Menguji kesesuaian model a&al.
F. Menguji parameter baik secara keseluruhan maupun secara parsial.
8/16/2019 Pemodelan Pak Amran
16/36
BAB I
HASIL DAN PEMBAHASAN
).1. P&r"ksaa# D"str"b*s" ar"ab! Rs-o#
Pada langkah a&al dilakukan pengujian pada data respon dengan uji
nonparametrik dengan memilih uji %inomial karena data respon merupakan data
biner yang hanya bernilai 0 atau 1. "ehingga didapatkan hasil
Tab! ).1. Has"! P#$*+"a# D"str"b*s" dar" Data Rs-o#
'ategori (
4Lact "ig.
#+-tailed$
2ingkat
Pengembalian
'redit
,roup 1 2idak
lancar ;+ !)0+
,roup + ancar ;F2otal 99
Pada 2abel F.1. nilai 4Lact "ig. #+-tailed$ dari data sebesar 0!)0+. Eal ini
menunjukkan bah&a data respon berdistribusi %inomial karena nilai 4Lact "ig. #+-
tailed$ yaitu sebesar 0!)0+ lebih besar dari nilai =0,05 .
) .2 . P # $* +" a# k ! a, ak a# & o d ! ' Goodness of f i t ( *#t *k
&od! a/a!Meto de y an g d igu nak an u ntu k meng uj i k e layak an mod e l
#oodness o f $ i t $ ada lah meto de Pear son . %erik ut ad alah h asi l
dari pengujian kelayakan model a&al pada analisis regresi probit .
Tab! ).2. Has"! *+" Goodness of Fit *#t*k &od! a/a!
Jalue df Jaluedf
eviance ;
"caled eviance ;
Parso# 0"S3*ar 415267
8/16/2019 Pemodelan Pak Amran
17/36
og ikelihood b -1*!90;
Aka"k8s I#9or&at"o#
0r"tr"o# 'AI0( 665276
Easi l penguj ian kelayakan model denngan menggunakan
m et od e P ea rs on m en gh as il ka n n il ai 9 1! +< 0. ' ar en a n il ai
$ &itung2 =61,250
8/16/2019 Pemodelan Pak Amran
18/36
* =^ β j
2
( β j)2
0 ditolak apabila nilai HWH
¿Z /2 atau p-value 8 . %erikut adalah
hasil output dari pengujian secara parsial pengaruh variabel prediktor terhadap
variabel respon menggunakan Uji &ald :hi-"Nuare.
Tab! ).). Has"! U+" :a!d 0"S3*ar
"ource
2ype
Wald :hi-
"Nuare df "ig.
#ntercept$ +!FFF 1 !11K
%encana
PenghasilanOiluarOusaha
6umlahOPinjaman
2ingkatO"ukuO%unga F!;+1 1 !0;K
PenghasilanO%ersih 1;!)11 1 !000PengalamanOUsaha 1!*0K 1 !1)1
Usia !
8/16/2019 Pemodelan Pak Amran
19/36
&od! kd*a
Meto de y an g d igu nak an u ntu k meng uj i k e layak an mod e l
#oodness o f $ i t $ ada lah meto de Pear son . %erik ut ad alah h asi l
ou tpu t yang keluar dar i penguj ian kelayakan model kedua pada
analisis regresi probit .
Tab! ).6. Has"! *+" Goodness of Fit *#t*k &od! kd*a
Jalue df Jaluedf
eviance +K! $ 0,05; 30
2 =43,77 . Ea l i ni be ra rt i 0 d i ter ima a tau
model yang d ipostu la tkan layak . (i la i 7: dar i model a&al in i
ad a lah seb esa r F < !; F + . ( i l a i 7: d ar i mo d e l k ed u a ju g a l eb ih
keci l ya i tu F< !;F+ leb ih keci l d iband ingkan dengan model a&al
yai tu sebesar
8/16/2019 Pemodelan Pak Amran
20/36
ikelihood =atio :hi-"Nuare df "ig.
PenghasilanO%ersih 1F!
8/16/2019 Pemodelan Pak Amran
21/36
ari 2abel F.*. dapat dilihat bah&a semua nilai p-value dari variabel
prediktor yang ada pada model kedua lebih kecil dari nilai =0,05 . "ehingga
dapat disimpulkan bah&a variabel prediktor secara individu signifikan
berpengaruh terhadap variabel respon.
"ehingga didapatkan variabel prediktor yang signifikan mempengaruhi
pengembalian kredit pengusaha kecil pada program :"= yaitu variabel x1
# jumlah pinjaman$! x2 #tingkat suku bunga$!
x3 # penghasilan bersih
usaha$! x8 adalah bencana! dan
x9 #penghasilan di luar usaha$.
).=. Mod! Prob"t dar" Has"! Est"&as" Para&tr ,a#$ S "$#" 9 "ka#
M&-#$ar*" P#$&ba!"a# Krd"t
%erikut adalah hasil estimasi parameter untuk model kedua yang
didapatkan dengan memasukkan variabel-variabel prediktor yang secara individu
signifikan terhadap variabel respon.
Tab! ).=. Has"! Est"&as" Para&tr ,a#$ S"$#"9"ka# M&-#$ar*"
P#$&ba!"a# Krd"t P#$*saa K>"! -ada Pro$ra& K&"traa#
Co!oate "o#ial Res!onsi$ilit% '0SR(
Parameter
'oefisien
Parameter
Eypothesis 2est
4Lp#%$
Wald :hi-
"Nuare df "ig.
#ntercept$ -F!90) +!FFF 1 !11K !010
A%encana@0B +!FK+ )!1*) 1 !00+ 11!)91
A%encana@1B 0a . . . 1
APenghasilan iluar usaha@0B +!F+0 9!+1< 1 !01; 11!+
8/16/2019 Pemodelan Pak Amran
22/36
%erdasarkan pengujian estimasi pada 2abel F.K. dapat diketahui bah&a
variabel prediktor! yaitu x1( x2( x3( x8 (dan x9 secara individu signifikan
berpengaruh terhadap variabel respon tingkat pengembalian kredit pada taraf
signifikansi =0,05 .
ari 2abel F.K diketahui nilai koefisien parameter untuk tiap variabel
sehingga diperoleh model probit terbaik untuk faktor-faktor yang mempengaruhi
tingkat pengembalian kredit dengan persamaan berikut3
ϕ (Z )=ϕ (−4,609−0,0000001539 x1+1,235 x2−0,0000002681 x3+2,482 x4+2,420 x5)
.
Untuk mengetahui nilai peluang dari > dapat dilihat dengan menggunakan
tabel >. (ilai > menunjukkan kecenderungan atau peluang pengembalian kredit
tidak lancar.
%erdasarkan model kedua tersebut didapatkan hasil perhitungan nilai > dan
nilai peluangnya seperti yang ditunjukkan pada 2abel F.). berikut.
Tab! ).;. Data Has"! Pr"t*#$a# N"!a" ? da# N"!a" P!*a#$ ?
%o
. & X 1 X 2 X 3 X 8 X 9 Z = Xβ
ϕ
'$
10 10000000 9
8/16/2019 Pemodelan Pak Amran
23/36
)1 ;0000000 K K000000 0 0
-
1,*"
(,(#
1 ;0000000 K K000000 0 0
-
1,*"
(,(#
"1 ;0000000 K K000000 0 0
-
1,*"
(,(#
1(1 ;0000000 K K000000 0 0
-
1,*"
(,(#
,,, ... ... ... ... ... ... ,,, ,,,
#*0 F0000000 10
1+00000
00 0
-1,#
(,(+
2
#+1 10000000 9
8/16/2019 Pemodelan Pak Amran
24/36
. BAB
PENUTUP
",1, Kesim-ulan
erdasarkan hasil dan pembahasan dapat dismpulkan hal-hal
sebagai berikut:
1. %erdasarkan analisis regresi probit diperoleh variabel prediktor yang
berpengaruh terhadap variabel respon adalah x1 #jumlah pinjaman$!
x2
#tingkat suku bunga$! x3 #penghasilan bersih usaha$!
x8 adalah bencana!
dan x9 #penghasilan di luar usaha$. "ehingga didapatkan model probit sebagai
berikut3
ϕ ( Z )=ϕ (−4,609−0,0000001539 x1+1,235 x2−0,0000002681 x3+2,482 x8+2,420 x9)
.
6.2. Sara#
Pada penelitian ini digunakan software ()M &*&& &tatistics ++ dengan
menggunakan fungsi link probit. 'arena data pada penelitian ini berdistribusi
binomial disarankan pada penelitian lain menggunakan fungsi link lain selain
menggunakan fungsi link probit seperti fungsi logistik dan fungsi komplementer
ln-ln sebagai bahan perbandingan. "elain itu! dapat pula menggnakan soft&are
lain seperti =! "7"! "2727 atau software statistika lainnya.
8/16/2019 Pemodelan Pak Amran
25/36
DAFTAR PUSTAKA
7gresti! 7. #1))9$. ,n (ntroduction to !ategorical "ata ,nalysis. (e& ?ork #U"$3
6ohn Wiley and "ons.
Eajarisman! (. #+00)$. Pemeriksaan 'etepatan 5ungsi Eubung dalam 7nalisis ata
%iner. &tatistika !
8/16/2019 Pemodelan Pak Amran
26/36
LAMPIRAN 1.
No@ X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9
1 0 10000000 9
8/16/2019 Pemodelan Pak Amran
27/36
+1 0
8/16/2019 Pemodelan Pak Amran
28/36
0
F)
0 10000000 9 1000000
0
F F9 ; ) 1 0
8/16/2019 Pemodelan Pak Amran
29/36
'eterangan3
? @ 2ingkat pengembalian kredit #1@ ancar / 0@ 2idak lancar$
D1 @ 6umlah pinjaman #rupiah$
D+ @ 2ingkat suku bunga #persen$
D; @ Penghasilan bersih usaha #rupiah$
DF @ Pengalaman usaha #tahun$
D< @ Usia #tahun$
D9 @ 6umlah tanggungan keluarga #orang$
D* @ Pendidikan #tahun$
DK@ %encana #1@ 2erkena bencana / 0@ 2idak terkena bencana$
D)@ Penghasilan di luar usaha #1@ Memiliki penghasilan di luar usaha/ 0@ 2idak
memiliki penghasilan di luar usaha$
LAMPIRAN 2.
GENERALI?ED LINEAR MODEL
Model Information
Dependent Variable Tingkat_Pengembalian_Kredita
Probability DistributionBinomial
Link Function Probit
a. The procedure models Tidak lancar as the response, treating Lancar as
the reerence category.
Case Processing Summary! Percent
"ncluded ## $%%,%&
'(cluded% %,%&
Total ## $%%,%&
8/16/2019 Pemodelan Pak Amran
30/36
Categorical Variable Information
! Percen
Dependent
Variable
Tingkat_Pengembalian_Kr
edit
Tidak lancar )* +,-
Lancar )+ -$,-
Total ## $%%,%Factor Bencana Terkena Bencana $%,#
Tidak terkena
bencana-/ /,+
Total ## $%%,%
Penghasilan_Diluar_usaha 0emiliki $*,$
Tidak memiliki - ,/
Total ## $%%,%
LAMPIRAN 2 'LANJUTAN(
Continuous Variable Information
! 0inimum 0a(imum 0ean
3o2ariate 4umlah_Pin5aman## -%%%%%%
$-%%%%%%
%
$/*$*$*$,*
$Tingkat_1uku_Bunga ## # $* ,%)
Penghasilan_Bersih ## *-%%%% #%%%%%%% **+%/,%/
Pengalaman_6saha ## $ # ),*$
6sia ## *+ - +$,$
8/16/2019 Pemodelan Pak Amran
31/36
4umlah_tanggungan_Keluarg
a## * - ),$-
Pendidikan ## # $# $%,/
Goodness of Fita
Value d Value7d
De2iance )-,*%- -# ,#1caled De2iance )-,*%- -#Pearson 3hi819uare #$,*-% -# $,%1caled Pearson 3hi819uare #$,*-% -#
Log Likelihoodb 8$,#%)
:kaike;s "normation 3riterion
8/16/2019 Pemodelan Pak Amran
32/36
Tests of Model Effects
1ource
Type """
@ald 3hi819uare d 1ig.
8/16/2019 Pemodelan Pak Amran
33/36
a. The procedure models Tidak lancar as the response, treating Lancar as
the reerence category.
Case Processing Summary
! Percent
"ncluded ## $%%,%&
'(cluded% %,%&
Total ## $%%,%&
Categorical Variable Information
! Percen
Dependent
Variable
Tingkat_Pengembalian_Kr
edit
Tidak lancar )* +,-&
Lancar )+ -$,-&
Total ## $%%,%&Factor Bencana Terkena Bencana $%,#&
Tidak terkena
bencana-/ /,+&
Total ## $%%,%&Penghasilan_Diluar_usaha 0emiliki $*,$&
Tidak memiliki - ,/&
Total ## $%%,%&
LAMPIRAN 2 'LANJUTAN(.
Continuous Variable Information
!
0inimu
m 0a(imum 0ean
1td.
De2iation
3o2ariate 4umlah_Pin5aman ## -%%%%%
%
$-%%%%%%
%
$/*$*$*$,
*$
*%#+)$)*,%
*
8/16/2019 Pemodelan Pak Amran
34/36
8/16/2019 Pemodelan Pak Amran
35/36
8/16/2019 Pemodelan Pak Amran
36/36