1
Perbandingan Model Logit dan Probit Untuk Menganalisis Faktor-Faktor yang Mempengaruhi Derajat Orientasi Pasar Usaha Kecil Menengah (Studi Kasus di Sentra Industri Produk Kulit di Kabupaten Sidoarjo) Ryoki Febriawan, Lucia Aridinanti dan Wibawati Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected],
[email protected]
Abstrak— Peran UKM (Usaha Kecil Menengah) di Indonesia sangat penting dalam menciptakan lapangan kerja dan merupakan tulang punggung dari perekonomian negara. Besarnya potensi UKM yang akan melakukan orientasi pasar dapat dilihat dari keadaan faktor internal dan eksternal dari kualitas industri tersebut. Jawa Timur sebagai daerah yang memiliki potensi UKM yang sangat besar untuk mengembangkan hasil produknya untuk menembus pasar luar negeri, salah satunya Kabupaten Sidoarjo yang telah berkontribusi penuh dalam hal menyerap ratusan bahkan ribuan tenaga kerja di Jawa Timur. Penelitian ini bertujuan untuk menentukan faktor-faktor yang mempengaruhi derajat orientasi pasar UKM di sentra industri produk kulit Kabupaten Sidoarjo. Metode yang digunakan adalah regresi logistik biner, dengan melakukan perbandingan model logit dan probit. Hasil analisis menunjukkan bahwa status badan hukum, jumlah tenaga kerja, dan jumlah tenaga kerja tidak dibayar berpengaruh signifikan (α=20%) terhadap orientasi pasar luar negeri. Kata Kunci— regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.
I. PENDAHULUAN SAHA Kecil Menengah (UKM) di wilayah Jawa Timur tersebar di banyak sektor usaha antara lain di sektor pertanian, industri, perdagangan, pertambangan. Jawa Timur memiliki sumber daya yang beraneka ragam dan jumlah penduduk hingga mencapai 40 juta jiwa, dengan kondisi iklim usaha di wilayah Jawa Timur khusunya UKM memiliki potensi yang sangat besar untuk berkembang. Salah satu sektor usaha unggulan Jawa Timur adalah sektor usaha produk kulit, yang terdapat di berbagai wilayah yaitu Sidoarjo, Malang dan Magetan. Sentra industri produk kulit merupakan industri kerajinan yang bersumber pada budaya Jawa Timur yang perlu dikembangkan dan dilestarikan produknya secara maksimal hingga ke mancanegara. Di Kabupaten Sidoarjo terdapat Industri Kulit Tanggulangin pada awalnya dimulai sejak 1939 ketika beberapa perajin memulai pembuatan barang-barang tas dan koper. Pada tahun 1976 didirikanlah Koperasi Industri Tas dan Koper (Intako), yang awalnya hanya beranggotakan 27 orang. Modal usaha diperoleh dari simpanan pokok anggota. Dalam perjalanannya, koperasi itu terus berkembang dan jumlah anggotanya sudah mencapai 354 perajin UKM dengan aset sekitar Rp 10 miliar. Tetapi setelah terjadi luapan lumpur lapindo hampir 70 persen perajin di Tanggulangin sudah gulung tikar. Beberapa di antara mereka yang masih bertahan hanya untuk menggarap pesanan. Industri tas dan koper Tanggulangin Sidoarjo
U
sesungguhnya merupakan salah satu ikon wisata Sidoarjo. Produk yang dihasilkan antara lain tas, koper, dompet, ikat pinggang dan sepatu. Salah satu faktor didirikannya suatu industri skala kecil yang terkonsentrasi di lokasi tertentu yang membentuk sebuah sentra-sentra yang menghasilkan suatu produk-produk tradisional dari wilayah industri tersebut yang mengalami pertumbuhan ekonomi yang cukup pesat. Penelitian terdahulu telah dilakukan oleh Yohanes Wimba Agung Prasetya (2011) dan Ayu Dharmasari (2009). Karena variabel respon penelitian ini hanya terdiri dari dua kategori yaitu orientasi pasar dalam negeri dan orientasi pasar luar negeri, maka analisis dalam permasalahan ini menggunakan analisis regresi logistik biner dengan perbandingan model logit dan probit. Tujuan dari penelitian ini adalah untuk menentukan faktor-faktor yang mempengaruhi orientasi pasar produk kulit domestik atau luar negeri dan menganalisis perbandingan model logit dan model probit berdasarkan kriteria pemilihan model terbaik yang berada di sentra industri produk kulit di Kabupaten Sidoarjo. II. TINJAUAN PUSTAKA A. Statistika Deskriptif Statistika deskriptif adalah metode yang digunakan untuk mendeskripsikan data baik meliputi pengumpulan, pengorganisasian dan penyajian data dengan menggunakan ukuran pemusatan, ukuran keragaman, ukuran bentuk, dan ukuran relatif sehingga dapat memberikan informasi yang jelas serta mudah dimengerti. Penyajian data secara deskriptif dapat dijelaskan dalam bentuk tabel, grafik, diagram, plot, serta besaran lainnya[1]. B. Regresi Logistik Biner Regresi logistik merupakan analisis yang digunakan untuk mencari hubungan variabel respon yang bersifat dikotomus (berskala nominal atau ordinal dengan dua kategori) atau polikotomus (mempunyai skala nominal atau ordinal dengan lebih dari dua kategori) dengan satu atau lebih variabel prediktor. Sedangkan variabel prediktor bersifat kontinyu atau kategorik [2]. Pada regresi logistik biner, data variabel respon Y dan variabel prediktor / independen dinotasikan dengan X. Apabila variabel respon Y terdiri dari dua kategori, yaitu 1 jika sukses dan 0 jika gagal, maka variabel respon Y mengikuti distribusi Bernoulli, dengan fungsi probabilitas [3]. f ( y i ) = π ( xi ) y (1 − π ( xi ))1− y (1) i
dengan yi = 0,1
i
2 0 1− 0 Jika yi = 0, maka f (0) = π ( xi ) (1 − π ( xi )) = 1 − π ( xi ) 1 1−1 Jika yi = 1, maka f (1) = π ( xi ) (1 − π ( xi )) = π ( xi )
Statistik uji Wald:
exp( β 0 + β 1 x1 + + β p x p )
1 + exp( β 0 + β 1 x1 + + β p x p )
SE ( βˆ j )
SE ( βˆ j ) = [var(βˆ j )]1 / 2
< α. (2)
Dimana p = banyaknya variabel prediktor Persamaan (2) dilakukan transformasi logit untuk mempermudah mengestimasi parameternya.
g ( x) = β 0 + β 1 x1 + + β p x p
(3) Persamaan (3) disebut model logit regresi logistik dengan p banyaknya variabel prediktor. C. Estimasi Parameter Maximum Likelihood merupakan salah satu metode yang digunakan untuk menduga parameter yang terdapat dalam persamaan regresi logistik [3]. Metode tersebut mengestimasi parameter β dengan cara memaksimumkan fungsi likelihood dengan syarat data harus mengikuti distribusi tertentu. Fungsi likelihood-nya adalah sebagai berikut. p n p n L( β ) = ∑ ∑ y i xij β j −∑ ln 1 + exp ∑ β j xij j = 0 i =1 i =1 j =0 (4) Persamaan (4) didiferensialkan terhadap β sehingga diperoleh persamaan berikut. n n ∂L( β ) (5) = ∑ y i xij − ∑ xij π ( xi ) ∂β j i =1 i =1 dengan j = 1,2,…,p Untuk mencari turunan dari persamaan (5) yang disamadengankan nol, seringkali tidak mendapatkan hasil yang eksplisit sehingga digunakan metode iterasi Newton Raphson untuk mengatasinya [2]. D. Pengujian Parameter Model yang diperoleh perlu diuji apakah variabel-variabel prediktor yang terdapat dalam model memiliki hubungan yang nyata (signifikan) dengan variabel respon. Pengujian itu adalah uji serentak dan uji parsial [3]. Uji serentak dilakukan untuk mengetahui signifikansi koefisien β terhadap variabel respon secara serentak atau keseluruhan secara keseluruhan, dengan hipotesis uji berikut. H0 : β1 = β2 = … = βp = 0 H1 : paling sedikit ada satu βj ≠ 0 dengan j = 1,2,…,p Statistik uji G atau Likelihood Ratio Test: n1 n1 n0 n0 n n G = −2 ln n y 1− y ∏ πˆ i i (1 − πˆ i ) i i =1
βˆ j
, Daerah penolakan: Tolak H0 jika nilai W > Z α/2 atau Pvalue
Model regresi logistiknya adalah sebagai berikut :
π ( x) =
W =
n n n0 = ∑ (1 − y i ) n1 = ∑ y i i =1 i =1 dengan ,
n = n0 + n1 Daerah penolakan: Tolak H0 jika nilai G > χ2(α,v). Atau dapat juga disimpulkan tolak H0 jika Pvalue < α. Uji parsial dilakukan untuk mengetahui pengaruh koefisien β secara individual dengan cara membandingkan standar errornya. Hipotesis adalah sebagai berikut. H0 : βj = 0 H1 : βj ≠ 0 dengan j = 1,2,…,p
E. Uji Kesesuaian Model Uji kesesuaian model digunakan untuk mengetahui apakah terdapat perbedaan yang nyata antara hasil observasi dengan prediksi model. Hipotesisnya adalah sebagai berikut. H0 : model sesuai (tidak terdapat perbedaan yang nyata antara observasi dengan prediksi model) H1 : model tidak sesuai (terdapat perbedaan yang nyata antara observasi dengan prediksi model) Statistik uji: ck ck g m j πˆ j (o − n k' π k ) 2 ok = ∑ y j π k = ∑ Cˆ = ∑ ' k n k' j =1 j =1 k =1 n k π k (1 − π k ) , ,
Daerah penolakan: Tolak H0 jika nilai Cˆ > χ2(α,g-2). Atau dapat juga disimpulkan tolak H0 jika Pvalue < α.
F. Odds Ratio Odds Ratio menunjukkan perbandingan peluang munculnya suatu kejadian dengan peluang tidak munculnya kejadian tersebut [4]. Tabel 1. Nilai Model Regresi Untuk Variabel Prediktor Biner Untuk Dikotomus
Variabel prediktor (X) X=1 X=0 β 0 + β1 e e β0 π (0) = π (1) = β 0 + β1 1 + e β0 1+ e
Pembeda Variabel respon (Y)
Y=1
1 − π (1) =
Y=0
1 1 + e β0 + β1
1 − π (0) =
1 1 + eβ0
Berdasarkan Tabel 2 dapat diartikan bahwa Odds Ratio (OR) menurut [3] adalah sebagai berikut. π (1) π (1)[1 − π (0)] [1 − π (1)] e β 0 + β1 OR = = = = e β1 π ( 0) π (0)[1 − π (1)] e β0 [1 − π (0)]
G. Regresi Probit Regresi probit adalah suatu analisis regresi yang digunakan untuk menggambarkan hubungan antara variabel respon dan variabel prediktor, dengan variabel respon Y ∗ yang diasumsikan berupa kualitatif biner, yakni bernilai 0 dan 1, maka digunakan fungsi distribusi kumulatif normal karena regresi probit menggunakan pendekatan distribusi normal. Jika fungsi hubung yang akan digunakan adalah fungsi hubung probit maka distribusi peluang yang akan digunakan adalah distribusi normal baku [5].
f ( y i π i ) = π iyi (1 − π i )1− yi Dengan yi = 0;1 dan πi adalah peluang kejadian ke-i bernilai Y=1. Fungsi transformasi dalam model probit adalah fungsi distribusi komulatif (CDF) dari distribusi normal standar dengan menggunakan fungsi sebaran komulatif normal sebagai link function pada Generelized Linear Model (GLM). β 'x
P( y i = 1 xi ) = Φ ( β ' x) = ∫ φ ( z )dz −∞
(6)
3
F ( g ( x)) =
1 2π
βxt
∫
e
−
z2 2
dz
−∞
(7) Secara umum model probit dapat dinyatakan dalam bentuk sebagai berikut : Pi = F ( Z i ) = F ( β 0 + β 1 X 1i + β 2 X 2i + ... + β p X pi + ε i ) F merupakan fungsi peluang komulatif dan dan Xij adalah variabel bebas yang bersifat stokastik. Untuk memperoleh suatu dugaan dari nilai peluang probit (Zi) maka dapat digunakan invers dari fungsi normal komulatif sehingga diperoleh. Z i = F −1 ( Pi ) = β 0 + β 1 X 1i + β 2 X 2i + ... + β p X pi + ε i (8) H. Estimasi Parameter Model Regresi Probit Metode Maximum Likelihood Estimator (MLE) digunakan untuk menduga parameter-parameter dari suatu model yang diketahui distribusinya. Pada model probit diduga menggunakan metode MLE dengan asumsi antar amatan adalah saling bebas, fungsi likelihood dapat ditulis sebagai : 1− yi
N
L = ∏ [1 − F ( β ' xi )]
[F ( β ' xi )]yi
i =1
(9)
Dimana F (.) = Φ (.) , Log likelihoodnya dapat ditulis N
ln L = ∑ [ y i ln F ( β ' xi ) + (1 − y i ) ln(1 − F ( β ' xi ))] i =1
Fungsi ini akan maksimum jika ∂ ln L = 0 , sehingga ∂β − φ ( β ' xi ) φ ( β ' xi ) ∂ ln L xi + ∑ xi = 0 = ∑ x ∂β − Φ Φ 1 ( ' ) ( β ' xi ) β ( i yi = 0 ( i yi = 0 i Pendugaan Maksimum Likelihood β adalah penduga tak bias dan mendekati distribusi normal [6]. I. Kriteria Pemilihan Model Terbaik Kriteria-kriteria dalam pemilihan model terbaik antara model logit dan model probit adalah membandingkan nilai dugaan dan amatan melalui perbandingan nilai devians antara model logit dengan model probit. Maka semakin kecil nilai devians maka model akan semakin baik. Fungsi Deviance Residual adalah dua perbedaan antara log likelihood maksimum dengan model yang diperoleh. Berikut rumus devians [7]. D = −2 ∑ni=1 �yi ln �
πˆ =
exp( g ( x i )) 1 + exp( g ( x i ))
πˆ 1 yi
1−
� + (1 − yi)ln�
πˆ 1
1−yi
��
(10)
g(xi) = β0 + β1xi1 + ⋯ + βpxip, i = 1,2, … , n
Statistik D akan mengikuti sebaran χ2 dengan derajat bebas n-p. kriteria keputusan yang diambil yaitu menolak H0 jika Dhitung > χ2α(n-p)[7]. J. Orientasi Pasar
bisnis yang berorientasi pada pasar akan mempunyai hubungan positif dengan kinerja bisnis. Komponen orientasi pasar antara lain orientasi pelanggan, orientasi pesaing, dan koordinasi antar-fungsi. III. METODOLOGI PENELITIAN A. Sumber Data Data yang digunakan dalam penelitian adalah data sekunder yang berasal dari data statistik industri yang merupakan hasil survey yang telah dilakukan oleh BPS Jawa Timur dan Dinas Perindustrian Sidoarjo terhadap 80 responden wirausahawan di sentra industri produk kulit di daerah Sidoarjo pada tahun 2002 sampai dengan 2012. B. Variabel Penelitian Variabel penelitian yang digunakan antara lain orientasi pasar dalam negeri (𝑦𝑦 = 0), orientasi pasar luar negeri (𝑦𝑦 = 1), status badan hukum (𝑥𝑥1 ), jumlah tenaga kerja (𝑥𝑥2 ), tingkat pendidikan tenaga kerja (𝑥𝑥3 ), jumlah tenaga kerja tidak dibayar (𝑥𝑥4 ), tingkat pendidikan pengusaha (𝑥𝑥5 ), pelatihan pengusaha (𝑥𝑥6 ), umur perusahaan (𝑥𝑥7 ), binaan (𝑥𝑥8 ), teknologi penyamakan produk kulit (𝑥𝑥9 ), jaringan dengan pembeli terbesar (𝑥𝑥10 ), jaringan dengan pemasok bahan baku (𝑥𝑥11 ), keaktifan promosi (𝑥𝑥12 ). Langkah-langkah analisis data yang dilakukan dalam penelitian ini ialah sebagai berikut : 1. Melakukan uji serentak seluruh variabel prediktor terhadap variabel respon. a. Menganalisis seluruh variabel prediktor yang telah signifikan terhadap variabel respon. b. Mendapatkan hasil seluruh variabel prediktor terhadap variabel respon yang telah signifikan. 2. Melakukan uji parsial masing-masing variabel prediktor terhadap variabel respon. a. Menganalisis masing-masing terhadap variabel respon. b. Mendapatkan hasil masing-masing variabel prediktor terhadap variabel respon yang telah signifikan. 3. Melakukan pembentukan model logit dan model probit engambil kesimpulan dari hasil analisis. 4. Menguji kesesuaian model logit dan model probit yang telah terbentuk. 5. Melakukan ketepatan klasifikasi pada model logit dan model probit. 6. Melakukan uji analisis pengambilan model terbaik dilihat dari nilai deviansnya. 7. Kesimpulan dari hasil analisis. IV. HASIL DAN PEMBAHASAN A. Karakteristik Sentra Industri Produk Kulit di Kabupaten Sidoarjo Karakteristik sentra industri produk kulit jika dilihat dari faktor internal sebagai berikut.
Tingkat Pendidikan Tenaga Kerja 42%
Orientasi pasar mengacu pada generasi seluruh organisasi, penyebaran, dan kepedulian terhadap intelijensi pasar [8]. Dengan cara penerapan ketiga komponen orientasi pasar serta perspektif jangka panjang perusahaan, yang menimbulkan suatu perusahaan akan mampu bertahan dalam persaingan bisnis [9]. Dengan demikian strategi
58%
Tidak tamat SMP Mini mal SMP
Pendidikan Pengusaha 20% SD-SMA Perguruan
80% Tinggi
Gambar. 1. Karakteristik Faktor Internal
4
Teknologi Penyamakan Kulit 29% 30% proses
Keaktifan Promosi Pelatihan Pengusaha 16% 37%
minyak
9%
32%
proses mineral proses nabati
Belum Pelatihan Pernah Pelatihan
84%
Tidak Aktif Promosi Aktif Promosi
63% Gambar. 2. Karakteristik Faktor Eksternal
Gambar. 1. Karakteristik Faktor Internal
Gambar 1 menggambarkan karakteristik faktor internal pada sentra industri produk kulit di Kabupaten Sidoarjo dimana sebagian besar tingkat pendidikan tenaga kerja adalah minimal tamatan SMP sebesar 58%. Selanjutnya tingkat pendidikan pengusaha sebagian besar adalah pada jenjang SD hingga SMA sebesar 80. Karakteristik industri produk kulit ditinjau dari teknologi penyamakan kulit yang meliputi cara tradisional hingga modern menunjukkan sebagian besar telah menggunakan cara modern yaitu melalui proses nabati sebesar 32% Karakteristik dari keikutsertaan pengusaha pada suatu pelatihan menunjukkan sebesar 63% pengusaha pernah pengikuti pelatihan. Berikut statistik angka tenaga kerja di sentra industri produk kulit di Kabupaten Sidoarjo pada Tabel 2. Tabel 2. Statistik Deskriptif Tenaga Kerja Min Maks Mean Jumlah Tenaga Kerja / 2,00 126,00 25,1250 unit Jumlah Tenaga Kerja 1,00 90,00 20,2875 tidak dibayar / unit Umur Perusahaan 8,00 19,00 12,5375
Varians 525,984 370,258 6,302
Berdasarkan Tabel 2 menunjukkan rata-rata jumlah tenaga kerja per unit di sentra industri produk kulit adalah sebesar 25 orang pada tiap perusahaan dimana nilai varians sebesar 525,984 dengan jumlah tenaga kerja paling sedikit adalah 2 orang dan paling tinggi adalah 126 orang. Sementara Jumlah tenaga kerja yang tidak dibayar per unit menunjukkan angka yang cukup tinggi yaitu dengan ratarata sebesar 20 orang dimana nilai variansnya sebesar 370,258 dengan jumlah tenaga kerja paling sedikit adalah 1 orang dan paling tinggi adalah 90 orang. Rata – rata umur perusahaan adalah 12 tahun dengan nilai varians yang kecil sebesar 6,302 menunjukkan umur perusahaan industri produk kulit hampir sama dimana paling tinggi telah bertahan selama 19 tahun dan paling rendah selama 8 tahun. Karakteristik sentra industri produk kulit jika dilihat dari faktor eksternal sebagai berikut. Binaan
Status Badan Hukum 48%
Tidak Berbadan Hukum
14% Tanpa Binaan
Berbadan
52% Hukum
Jaringan Dengan Pembeli Terbesar 12% 39% Lemah Sedang
49%
Kuat
86%
Adanya Binaan
Jaringan Dengan Pemasok Bahan Baku 33% Tidak Punya Suplier 67% Cabang
Gambar 2 menunjukkan bahwa sebagian besar industri produk kulit tidak berbadan hukum yaitu sebesar 52% Selanjutnya dari segi adanya pembina atau bapak angkat yang menaungi industri produk kulit menunjukkan bahwa sebesar 86% industri produk kulit tidak memiliki pembina atau dengan modal perseorangan. Untuk jaringan dengan pemasok bahan baku dimana sebesar 67% dimana jaringan dengan pemasok bahan baku yang tidak memiliki suplier cabang. Selanjutnya untuk jaringan dengan pembeli terbesar memiliki prosentase tertinggi pada level sedang yakni sebesar 49% dimana industri kulit disini punya toko, tidak punya cabang. Apabila dilihat pada keaktifan berpromosi menunjukkan bahwa hampir semua industri produk kulit di Kabupaten sidoarjo aktif melakukan promosi dengan prosentase sebesar 84%. B. Faktor-faktor yang Mempengaruhi Derajat Orientasi Pasar Usaha Kecil Menengah Regresi logistik biner model logit serentak dilakukan untuk mengetahui pengaruh faktor-faktor yang diduga mempengaruhi orientasi pasar luar negeri secara serentak dengan hipotesis berikut. H0 : β1 = β2 = … = β16 = 0 H1 : paling sedikit ada satu βj ≠ 0 dengan j = 1,2,…,12 Nilai statistik uji G = 53,531 dan Pvalue = 0,000. Untuk α = 20%, dinyatakan tolak H0 karena Pvalue < α. Artinya terdapat satu atau lebih parameter variabel prediktor yang signifikan. Regresi logistik univariabel (logit) dilakukan untuk memeriksa kemaknaan koefisien β secara parsial dengan cara membandingkan dugaan β dengan penduga standar errornya. Hipotesis yang digunakan adalah sebagai berikut. H0 : βj = 0 H1 : βj ≠ 0 dengan j = 1,2,…,12 Tabel 3. Regresi Logistik Univariabel (logit) B Wald Pvalue Status Badan Hukum(1) -0,693 2,296 0,130* Constant 0,105 0,105 0,746 Jumlah Tenaga Kerja(1) -0,018 2,262 0,133* Constant 0,172 0,237 0,626 Tingkat pendidikan tenaga 0,026 0,003 0,955 kerja(1) Constant -0,262 0,778 0,378 Jumlah tenaga kerja tidak -0,033 5,064 0,024* dibayar(1) Constant 0,380 1,190 0,275 Tingkat pendidikan -0,315 0,316 0,574 pengusaha(1) Constant 0,000 0,000 1,000 Pelatihan pengusaha(1) 0,844 3,198 0,074* Constant -0,575 3,814 0,287 Umur Perusahaan(1) -0,116 1,533 0,216 Constant 1,191 1,016 0,314 Binaan(1) 0,836 1,352 0,245 Constant -0,981 2,099 0,147 Tek. penyamakan kulit(1) 1,329 4,598 0,032* Tek. penyamakan kulit(2) -20,761 0,000 0,999
Exp(B) 0.500 0,983 1,026
0,967
0,730
2,325 0,891 2,306 3,778
5 Tek. penyamakan kulit(3) Constant Jaringan dengan pembeli terbesar(1) Jaringan dengan pembeli terbesar(2) Constant Jaringan dengan pemasok bahan baku(1) Constant Keaktifan promosi(1) Constant
-0,194 -0,442 -21,528
0,107 1,069 0,000
0,744 0,301 0,999
-0,583
1,437
0,231
0,325 -0,606
0,799 1,579
0,371 0,209
0,154 -21,293 0,090
0,154 0,000 0.134
0,695 0,998 0,714
0,000
0,545
0,000
*) signifikan pada α = 20%
Parameter dari variabel status badan hukum (X1), jumlah tenaga kerja (X2), jumlah tenaga kerja tidak dibayar (X4), pelatihan pengusaha (X6), teknologi penyamakan kulit (X9), signifikan terhadap model secara parsial pada α = 20% karena Pvalue < α, maka tolak H0. Selanjutnya pembentukan model logit dengan memasukkan semua variabel prediktor terhadap variabel respon yang ditunjukkan oleh Tabel 4. Tabel 4. Pengujian Parsial Regresi Logistik Biner (logit) B Wald Exp(B) Pvalue Status badan hukum(1) -2,689 4,680 0,031* 0,068 Jumlah tenaga kerja Jumlah tenaga kerja tidak dibayar Pelatihan pengusaha(1) Tek. penyamakan kulit(1) Tek. penyamakan kulit(2) Tek. penyamakan kulit(3) Constant
0,624
11,381
0,001*
1,865
-0,749
11,917
0,001*
0,473
1,626
0,000
1,000
5,085
0,015 -21,814 -0,963 0,620
0,000 0,000 0,640 0,146
1,000 1,000 0,424 0,702
1,015 0,000 0,382 1,859
*) signifikan pada α = 20%
Orientasi pasar luar negeri dipengaruhi oleh faktor status badan hukum, jumlah tenaga kerja, dan jumlah tenaga kerja tidak dibayar memiliki Pvalue < α dengan tingkat signifikansi α = 20%. Besarnya pengaruh masing-masing variabel prediktor yang signifikan dapat dijelaskan berdasarkan odds ratio berikut. a) Status badan hukum Derajat orientasi pasar dengan status badan hukum yang memiliki badan hukum seperti UD, CV, PT cenderung berstatus orientasi pasar ke luar negeri 0,068 kali dibandingkan dengan derajat orientasi pasar dengan status badan hukum yang tidak berbadan hukum yaitu seperti usaha perorangan, home industry. b) Jumlah tenaga kerja Setiap kenaikan 1 orang jumlah tenaga kerja memiliki kecenderungan 1,865 kali lipat berstatus orientasi pasar ke luar negeri dibanding dengan yang berstatus orientasi pasar dalam negeri. c) Jumlah tenaga kerja tidak dibayar Setiap kenaikan 1 orang jumlah tenaga kerja tidak dibayar memiliki kecenderungan 0,473 kali lipat berstatus orientasi pasar ke luar negeri dibanding dengan yang berstatus orientasi pasar dalam negeri. Model logit yang diperoleh adalah sebagai berikut. π ( x) =
exp(0,620 − 2,689 X 1(1) + 0,624 X 2 − 0,749 X 4 )
1 + exp(0,620 − 2,689 X 1(1) + 0,624 X 2 − 0,749 X 4 )
Apabila berdasarkan salah satu data yang diambil, maka nilai peluang faktor-faktor yang berpengaruh signifikan terhadap orientasi pasar luar negeri di sentra industri produk kulit Kabupaten Sidoarjo maka dapat dijelaskan. Peluang suatu Usaha Kecil Menengah (UKM) dengan status badan hukum, jumlah tenaga kerja dan jumlah tenaga kerja tidak
dibayar akan tergolong dalam orientasi pasar luar negeri sebesar 0,7351 dan akan tergolong dalam orientasi dalam negeri sebesar 0,2649. Uji kesesuaian model regresi logistik (logit) digunakan untuk mengetahui apakah model yang diperoleh telah sesuai, dengan hipotesis sebagai berikut. Tabel 5. Hosmer and Lemeshow Test (logit) df Chi-Square Pvalue 5,408 8 0,713
Sesuai Tabel 5, dapat diartikan bahwa gagal tolak H0 pada α = 20% karena Pvalue > α. Kesimpulannya bahwa model sesuai atau tidak terdapat perbedaan yang nyata antara observasi dengan prediksi model. Regresi logistik biner model probit serentak dilakukan untuk mengetahui pengaruh faktor-faktor yang diduga mempengaruhi orientasi pasar luar negeri secara serentak dengan hipotesis berikut. H0 : β1 = β2 = … = β16 = 0 H1 : paling sedikit ada satu βj ≠ 0 dengan j = 1,2,…,12 Nilai statistik uji G = 54,160 dan Pvalue = 0,000. Untuk α = 20%, dinyatakan tolak H0 karena Pvalue < α. Artinya terdapat satu atau lebih parameter variabel prediktor yang signifikan. Regresi logistik univariabel (probit) dilakukan untuk memeriksa kemaknaan koefisien β secara parsial dengan cara membandingkan dugaan β dengan penduga standar errornya. Hipotesis yang digunakan adalah sebagai berikut. H0 : βj = 0 H1 : βj ≠ 0 dengan j = 1,2,…,12 Tabel 6. Regresi Logistik Univariabel (probit) Coef SE Coef Pvalue Status Badan Hukum(1) 0,432 0,284 0,128* Constant -0,366 0,198 0,065 Jumlah Tenaga Kerja(1) -0,009 0,006 0,173* Constant 0,071 0,214 0,739 Tingkat pendidikan tenaga -0,016 0,284 0,955 kerja(1) Constant -0,147 0,215 0,493 Jumlah tenaga kerja tidak -0,017 0,008 0,035* dibayar(1) Constant 0,189 0,211 0,370 Tingkat pendidikan 0,197 0,350 0,574 pengusaha(1) Constant -0,197 0,157 0,212 Pelatihan pengusaha(1) -0,526 0,292 0,072* Constant 0,167 0,229 0,465 Umur Perusahaan(1) -0,073 0,057 0,202 Constant 0,759 0,731 0,300 Binaan(1) -0,513 0,431 0,234 Constant -0,090 0,151 0,547 Tek. penyamakan kulit(1) -6,477 2160,1 0,998 Tek. penyamakan kulit(2) -0,944 0,370 0,011* Tek. penyamakan kulit(3) -0,824 0,378 0,029* Constant 0,548 0,270 0,042 Jaringan dengan pembeli 6,034 1807,3 0,997 terbesar(1) Jaringan dengan pembeli 6,399 1807,3 0,997 terbesar(2) Constant -6,195 1807,3 0,997 Jaringan dengan pemasok 0,378 0,300 0,208 bahan baku(1) Constant -0,282 0,173 0,103 Keaktifan promosi(1) 6,251 1585,1 0,997 Constant -6,251 1585,1 0,997 *) signifikan pada α = 20%
Z 1,52 -1,36 -0,06
-2,10
0,56
-1,80 -1,28 -1,19 -0,00 -2,55 -2,18 0,00
1,26
0,00
Parameter dari variabel status badan hukum (X1), jumlah tenaga kerja (X2), jumlah tenaga kerja tidak dibayar (X4), pelatihan pengusaha (X6), teknologi penyamakan kulit (X9),
6 signifikan terhadap model secara parsial pada α = 20% karena Pvalue < α, maka tolak H0. Selanjutnya pembentukan model logit dengan memasukkan semua variabel prediktor terhadap variabel respon yang ditunjukkan oleh Tabel 7. Tabel 7. Pengujian Parsial Model Regresi Logistik Biner (Probit) SE Coef Z Pvalue Coef Status badan hukum(1) 1,559 0,644 0,016* 2,42 Jumlah tenaga kerja Jumlah tenaga kerja tidak dibayar Pelatihan pengusaha(1) Tek. penyamakan kulit(1) Tek. penyamakan kulit(2) Tek. penyamakan kulit(3) Constant
0,364
0,096
0,000*
3,76
-0,438
0,112
0,000*
-3,89
-0,768 -6,704 -0,733 -0,157 0,266
6123,1 2197,5 6123,1 6123,1 0,344
1,000 0,998 1,000 1,000 0,438
-0,00 -0,00 -0,00 -0,00 -0,78
C. Pemilihan Model Regresi Logistik Biner Terbaik Dalam hasil pengolahan data di dalam penelitian ini, data menunjukkan bahwa link function probit mempunyai nilai deviance relatif lebih kecil dibandingkan dengan link function logit. Secara rinci dapat dilihat pada tabel 10.
Probit Logit
Dengan hasil perhitungan deviance, pemilihan model terbaik didapat dari model probit karena nilai deviance probit lebih kecil dibanding dengan nilai deviance logit. Dimana model probit memiliki nilai Chi-Square sebesar 43,3536.
*) signifikan pada α = 20%
V. KESIMPULAN DAN SARAN
Orientasi pasar luar negeri dipengaruhi oleh faktor status badan hukum, jumlah tenaga kerja, dan jumlah tenaga kerja tidak dibayar memiliki Pvalue < α dengan tingkat signifikansi α = 20%. Model logit yang diperoleh adalah sebagai berikut. Pi = F ( Z ) = −0,266644 + 1,55956 X 1(1) + 0,364639 X 2 − 0,438591X 4
Apabila berdasarkan salah satu data yang diambil, maka nilai peluang faktor-faktor yang berpengaruh signifikan terhadap orientasi pasar luar negeri di sentra industri produk kulit Kabupaten Sidoarjo maka dapat dijelaskan. Pi = F ( Z ) = 3.090506 maka Z i = F −1 ( Pi ) = 0.999001 Maka peluang suatu Usaha Kecil Menengah (UKM) dengan status badan hukum, jumlah tenaga kerja dan jumlah tenaga kerja tidak dibayar akan tergolong dalam orientasi pasar luar negeri sebesar 0,999001 dan akan tergolong dalam orientasi dalam negeri sebesar 0,000999. Uji kesesuaian model regresi logistik digunakan untuk mengetahui apakah model sesuai atau tidak terdapat perbedaan yang nyata antara hasil observasi dengan prediksi model. Tabel 8. Hosmer and Lemeshow Test df Chi-Square 4,3694 7
Tabel 10. Tabel nilai deviance model probit dan logit Chi-Square DF Pvalue 43,3536 43 0.456 43,9822 43 0.430
Pvalue 0,736
Sesuai Tabel 8, dapat diartikan bahwa gagal tolak H0 pada α = 20% karena Pvalue > α. Kesimpulannya bahwa model sesuai atau tidak terdapat perbedaan yang nyata antara observasi dengan prediksi model. Hasil ketepatan klasifikasi hasil prediksi model logit dan probit keduanya menghasilkan seperti berikut.
Berdasarkan hasil analisis dan pembahasan dapat diambil kesimpulan sebagai berikut. 1. Usaha Kecil Menengah (UKM) yang akan melakukan orientasi pasar luar negeri dipengaruhi oleh faktor badan hukum (berbadan hukum), jumlah tenaga kerja, dan jumlah tenaga kerja tidak dibayar pada tingkat signifikansi 20%. 2. Dengan hasil perhitungan deviance, pemilihan model terbaik didapat dari model probit karena nilai deviance probit lebih kecil dibanding dengan nilai deviance logit. Dimana model probit memiliki nilai Chi-Square sebesar 43,3536. Berdasarkan kesimpulan dapat diketahui bahwa faktor status badan hukum, jumlah tenaga kerja, dan jumlah tenaga kerja tidak dibayar berpengaruh terhadap terciptanya orientasi pasar luar negeri. Oleh karena itu, diperlukan penyuluhan dan sosialisasi secara berkala oleh Dinas Koperasi dan UMKM serta lembaga-lembaga perindustrian lainnya agar Usaha Kecil Menengah (UKM) dapat lebih berperan aktif dalam memajukan dan pengembangan hasil UKM ke luar negeri agar lebih dapat dikenal dan bersaing dalam hal kualitas merk Indonesia. Untuk penelitian selanjutnya, alangkah lebih baik jika ukuran sampel (n) lebih diperbesar agar mendapatkan hasil yang lebih baik karena dalam penelitian ini menggunakan nilai kecukupan data yang minimal. DAFTAR PUSTAKA [1]
Tabel 9. Ketepatan Hasil Prediksi Model Logit dan Probit Prediksi Orientasi Orientasi Persentase dalam negeri luar negeri Kebenaran Orientasi 35 10 71,8 dalam negeri Observasi Orientasi 2 33 94,3 luar negeri 85,0 Persentase Keseluruhan
[2]
Prediksi model logit dan probit menunjukkan bahwa terdapat 43 perusahaan berorientasi pasar luar negeri, tetapi berdasarkan observasi terdapat 45 perusahaan berorientasi pasar dalam negeri sehingga prediksi model ini mencapai 85,0%.
[8]
[3] [4] [5] [6] [7]
[9]
Walpole, R. 1995. Ilmu Peluang Statistika Untuk Insinyur dan Ilmuan. Bandung: ITB. Agresti, A. 1990. Categorical Data Analysis. New York: John Wiley and Sons. Hosmer, D., dan Lemeshow. 2000. Applied Logistic Regression. USA: John Wiley and Sons. Wulandari, S.P., Salamah, M., dan Susilaningrum, D. (2009). Diktat Pengajaran Analisis Data Kualitatif. Surabaya: ITS. Mc Cullagh, P dan Nelder, J.A. 1989. Applied Logistic Regression. John Willey and Sons, New York. Greene, W.H., 2000. Econometrics Analysis, 4th edition. Prentice Hall, New Jersey. Ryan, T.P. 1997. Modern Regression Methods. New York: John Wiley and Sons. Kohli dan Jaworski. 1990. Market Orientation: The Construct, Research Preposition and Managerial Implication. Journal of Marketing. 54. April, p.1-18. Narver, J.C., dan Slater, S.F. 1990. “The effect of A Market Orientation on Business Profitability”. Journal of Marketing. October, p. 20-35.
