Pemodelan Pak Amran

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+


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)

.


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


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.


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


6/36

7danya fungsi link memungkinkan prediktor linier memiliki daerah

rentang seluruh bilangan riil (−∞


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


8/36

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

¿


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


10/36


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


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


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%


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$


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.


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


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


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 !


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


20/36

ikelihood =atio :hi-"Nuare df "ig.

PenghasilanO%ersih 1F!


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!+


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


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


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.


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 !


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


27/36

+1 0


28/36

0

F)

0 10000000 9 1000000

0

F F9 ; ) 1 0


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 ## $%%,%&


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 ## *+ - +$,$


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


32/36

Tests of Model Effects

1ource

Type """

@ald 3hi819uare d 1ig.


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 ## -%%%%%

%

$-%%%%%%

%

$/*$*$*$,

*$

*%#+)$)*,%

*


34/36


35/36


36/36

Documents

Pemodelan Pak Amran