Jurnal EKBIS /Vol. VI/
No.1/edisi
Maret
2012
| 379
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL *( Erna Hayati Fakultas Ekonomi Universitas Islam Lamongan ABSTRAK Keputusan pembelian merupakan pemilihan dari dua atau lebih alternatif pilihan keputusan pembelian. Ada beberapa faktor yang mempengaruhi keputusan konsumen dalam membeli suatu produk, dua diantaranya adalah usia dan pendapatan konsumen. Keputusan konsumen membeli suatu produk dapat diukur dengan skala ordinal yang terdiri 3 kategori yaitu tidak tertarik, mempertimbangkan dan berminat. Untuk mengetahui pengaruh usia dan pendapatan konsumen terhadap keputusan pembelian suatu produk, dimana keputusan pembelian produk berskala ordinal, maka digunakan metode statistika yaitu analisis regresi logistik ordinal. Setelah dilakukan analisis regresi logistik ordinal, diperoleh hasil bahwa variabel usia dan pendapatan konsumen berpengaruh signifikan terhadap keputusan pembelian suatu produk. Persamaan regresi logistik yang diperoleh adalah sebagai berikut: g1(x) = -13,490 – 0,238 Umur – 8,065 Pendapatan(1) – 2,360 Pendapatan(2) g2(x) = -10,371 – 0,238 Umur – 8,065 Pendapatan(1) – 2,360 Pendapatan(2) Kata kunci: keputusan pembelian, skala ordinal, regresi logistik ordinal. Pendahuluan Keputusan pembelian menurut Schiffman adalah pemilihan dari dua atau lebih alternatif pilihan keputusan pembelian, artinya bahwa seseorang dapat membuat keputusan, haruslah tersedia beberapa alternatif pilihan. Keputusan untuk membeli dapat mengarah kepada bagaimana proses dalam pengambilan keputusan tersebut itu dilakukan. Informasi tentang faktor-faktor apa saja yang mempengaruhi konsumen dalam pengambilan keputusan pembelian produk sangat dibutuhkan oleh suatu perusahaan. Menurut Schiffman, ada beberapa faktor yang memepengaruhi perilaku konsumen dalam hal pengambilan keputusan pembeliaan, dua diantaranya adalah usia konsumen dan pendapatan konsumen. Karena usia dan pendapatan mempengaruhi keputusan pembelian, maka variabel tersebut disebut variabel independen. Sedangkan variabel keputusan pembelian yaitu, tidak tertarik, mempertimbangkan dan berminat, merupakan variabel yang dipengaruhi atau disebut variabel dependen, dimana variabel tersebut
bertipe ordinal. Oleh karena itu, pengujian analisis yang digunakan dalam penelitian ini adalah analisis regresi logistik ordinal, yaitu sebuah analisis regresi untuk menyelesaikan masalah dimana variabel dependennya bertipe ordinal. Berdasarkan penjelasan diatas maka peneliti ingin melakukan analisis menggunakan regresi logistik ordinal terhadap faktor-faktor yang mempengaruhi keputusan konsumen dalam membeli suatu produk. Permasalahan Berdasarkan latar belakang di atas, maka permasalahan yang diangkat dalam penelitian ini adalah bagaimana pengaruh faktor usia dan pendapatan konsumen terhadap pengambilan keputusan untuk membeli suatu produk. Tujuan Penelitian Tujuan dari penelitian ini adalah: 1. Mengetahui pengaruh faktor usia dan pendapatan konsumen terhadap keputusan konsumen dalam pembelian suatu produk.
Jurnal EKBIS /Vol. VI/
2. Memperoleh model yang paling cocok (best fitting) berdasarkan uji signifikansi model pada data respon ordinal yang digunakan Manfa’at Penelitian Manfa‟at dari penelitian ini adalah: 1. Dapat mengetahui pengaruh faktor usia dan pendapatan konsumen terhadap keputusan konsumen dalam pembelian suatu produk. 2. Dapat memperoleh model yang paling cocok (best fitting) berdasarkan uji signifikansi model pada data respon ordinal yang digunakan Batasan Masalah 1. Responden yang digunakan adalah konsumen yang ada di kota Surabaya. Jumlah respondennya sebayak 50 responden. 2. Variabel yang mempengaruhi keputusan konsumen membeli produk ditetapkan sebanyak dua variabel yaitu usia dan pendapatan konsumen.
No.1/edisi
1
2
| 380
2012
TINJAUAN PUSTAKA Model Regresi Logistik Ordinal Model regresi logistik ordinal merupakan salah satu model multinomial yang di rancang untuk menentukan peluang peubah-peubah respon berskala ordinal yang mempunyai kategori lebih dari dua. Menurut Agresti (1990), salah satu cara yang dapat di gunakan untuk membentuk model dengan respon kategorik yang berskala ordinal adalah dengan membentuk fungsi logit peluang kumulatif kategori ke-j. Misalkan peubah respon ordinal Y sebanyak k buah kategori dan X=(X ,X ,...,X )‟ adalah vektor kovariat 1 2 m sebanyak m, dimana π (X) + π (X) +....+ 1
2
π (X) = 1. Maka langkah awal untuk membuat k
model regresi logistik ordinal adalah dengan menggunakan model peluang kumulatif F (X) j
dengan j =1,2,..., J dan J = k-1 adalah sebagai berikut (Agresti 1990) :
F (X) = P(Y≤ j |X) = π (X)+ π (X) + ... + π (X) j
Maret
(2.1)
j
Keterangan : π (X) = peluang peubah respon ordinal j
Selanjutnya dibuat fungsi logit kumulatif L (X). Untuk membuat fungsi ini, j
kategori ke-j k = banyaknya kategori peubah respon ordinal F (X) = peluang kumulatif peubah respon
diperlukan transformasi logit dari fungsi peluang kumulatif F (X) : j
j
ordinal kategori ke-j L (X) = logit [F (X)] j j F (X) j = log = log 1− F (X) j
Dengan melibatkan peubah penjelas X, maka dihasilkan model regresi logistik ordinal sebagai berikut : L (X) = β + β‟X , dengan j = 1,2,...,k-1 j
(2.2)
π (X)+ ...+ π (X) 1 j πj+1(X)+ ...+ π k−1(X)
Ketika lebih dari satu pengamatan Y (v)
terjadi pada nilai x yang tetap, hal itu adalah syarat cukup untuk mengambil sejumlah (v)
0j
(2.3) Keterangan : β = intersep peubah respon ordinal 0j
pengamatan p
j
(v)
untuk j = 1,2,...,k. Y dengan
v = 1,2,...,n adalah peubah acak multinomial (v)
yang
saling
bebas (v)
(v)
dengan
Y
∼
(v)
kategori ke-j β‟ = vektor slope parameter tanpa intersep dimana β‟ = (β1, β2, ..., β m)
multinomial(p 1 ,....,pk ) dengan E(Y ) = (v) (x(v)), dengan p (v) + ....+ p (v) = 1, R (v) pj Fj 1 k j
m = banyaknya peubah bebas Fungsi Kemungkinan
adalah peluang kumulatif yang di definisikan sebagai (Kim 2004):
Jurnal EKBIS /Vol. VI/
(v)
R
,
1 (v)
2
2012
| 381
(2.4) (v)
(v)
=p (v)
R
Maret
(v)
=p 1
R
No.1/edisi
+p
1
2
,
=1 k
likelihood estimates). Fungsi kemungkinan yang mendasari metode kemungkinan maksimum adalah (Kim 2004) :
Pendugaan Parameter Pendugaan parameter model regresi logistik ordinal menggunakan metode kemungkinan maksimum (maximum �� =1 �
l(β0 , β1) =
�
(� ) 1 (� )
�
�
(� )
�
�
� � −1
�
��
(� )
(� ) − � � � � (� ) −1
(� ) ) (� ) −
1 (� ) 2 − � (� ) (� )
� 1
�2
(� ) (� ) � (�−1 )
�
� � (� )
� � =1
=
�
�
� � 2
�
�
(� )
−�
(� )
(� ) (� )
1
2
�2
x
(� )
�2 −�
(� )
(� ) (� ) � 3 −� 2
�3
(� )
3
2
x
(� )
�2
(2.5)
� −1
��
sehingga fungsi log kemungkinannya untuk sebagai berikut:
Untuk memudahkan proses perhitungan, di lakukan pendekatan logaritma L(l(β0 , β1) = � � =1
1(� )
log � 1 �
�� 3� −
�
� 1
� 2� log� 3� −
log � 2 �
� � � (� ) log � (� ) log � + − � 1 )log −� �3�2 + …+�2 � −1(� + � )2log� � −1�2 + � 3(�
� 2� −
� � � −
� � −1� log� � � − � � −1� − � � (� )log� � � � � =1
= �
�
1(� )
� 2 + …+ �
log � 1 � �
−�
�
+ � � � −1
� 2
−� �
log
−�
�� Langkah selanjutnya dalam pendugaan adalah memaksimumkan fungsi (2.6) maka akan di dapatkan pendugaan bagi β dan β. 0
Pengujian Estimasi Parameter Regresi Logistik Ordinal Pengujian terhadap parameterparameter model di lakukan untuk mengetahui peran seluruh peubah penjelas baik secara bersama-sama maupun secara parsial. Menurut Hosmer dan Lemeshow (1989), untuk pengujian parameter secara bersama dapat digunakan uji nisbah kemungkinan yaitu uji G dengan hipotesis : H0 : � 1 = � 2 =...= � � = 0 H1 : paling sedikit ada satu � dengan i = 1,2,...,m
�
1�
≠0
Sedangkan menurut McCullagh dan Nelder (1989), rumus untuk uji G adalah:
log � 2 � �
−�
1�
+ �
3�
−�
2�
log � 3 � −
(2.6)
� −1
G = - 2 ln
𝐿0
(2.7)
𝐿�
Keterangan : L = fungsi kemungkinan maksimum 0
tanpa peubah penjelas L = fungsi kemungkinan maksimum k
dengan peubah penjelas Statistik uji G mengikuti sebaran khi-kuadrat dengan derajat bebas p (banyaknya peubah). Kriteria uji yang digunakan adalah : ≤ �
2 � ,�
, Terima H 0
G= > � 2 , Tolak H � ,� 0 Sedangkan pengujian parameteriβsecara parsial dilakukan dengan uji Wald dengan cara merasiokan dugaan
Jurnal EKBIS /Vol. VI/
dengan kesalahan bakunya, yaitu dengan statistik uji W: � 0� � = � � (� 0� ) � =
No.1/edisi
0�
2012
1
2
1990): Lj(x 1) - L (x ) = Log j 2
𝑃 � ≤� � 1 /𝑃 � >� � 1 ) ) 𝑃 � ≤� � 2/𝑃 � >� � 2 ) )
��
� � (� 1 )/(1−� � (� 1 ))
= Log
(2.8)
� � (� 2)/(1−� � (� 2))
= β1(x1 – x2)
=0
(2.9)
H1 : � � � ≠ 0 dengan j = 1,2,...,k-1 2. H0 : � � = 0
Keterangan : i = 1,2,...,m m = banyaknya peubah penjelas.
H1 : � � ≠ 0 dengan i = 1,2,...,m W secara asimtotik berdistribusi normal (Ryan 1996). Interpretasi Koefisien Interpretasi koefisien untuk model regresi logistik ordinal dapat di lakukan dengan menggunakan nilai rasio oddsnya. Rasio odds pada kategori Y ≤ j merupakan Ln [ψ (x1 , x2)] = g(x = x1) – g(x = x2) = β1(x1 – x2)
Parameter
β i
di
artikan
1
2
sebagai :
(2.10)
Sehingga di dapatkan penduga untuk rasio odds (^ψ) sebagai berikut (Agresti 1990): Metode Analisa Sumber Data
Data yang digunakan dalam penelitian ini adalah data primer yang diperoleh dari survey konsumen di kota Surabaya. Jumlah responden yang digunakan dalam penelitian ini adalah sebanyak 50 responden.
Identifikasi Variabel Variabel yang digunakan dalam penelitian ini adalah
Keputusan Konsumen Membeli Suatu Produk (Y)
Jenis Data Ordinal
Keterangan 1 = Tidak Tertarik 2 = Mempertimbangkan 3 = Berminat
Usia (X1) Pendapatan (X2)
sebagai
perubahan nilai fungsi logit kumulatif yang di sebabkan oleh perubahan satu unit peubah penjelas ke-i yang disebut log odds, (misalnya antara x = x dan x = x ) yang di notasikan
ψ = exp [β1(x1 – x2)]
Variabel
| 382
perbandingan antara x dan x adalah (Agresti
� � (� � ) Hipotesis yang akan di uji adalah : 1. H0 : �
Maret
Ratio Nominal
1 = kurang dari 2 Juta 2 = antara 2 Juta sampai 5 Juta 3 = lebih dari 5 Juta
Jurnal EKBIS /Vol. VI/
Langkah – langkah Penelitian
No.1/edisi
Maret
2012
| 383
5. Menguji goodness-of-fit dari model regresi logistik ordinal 6. Menghitung besarnya ketepatan pengklasifikasian responden PEMBAHASAN
Langkah-langkah yang perlu dilakukan untuk melakukan analisis data adalah 1. Analisis deskriptif 2. Menentukan model regresi logistik ordinal 3. Menguji parameter regresi logistik ordinal secara serentak 4. Menguji parameter regresi logistik ordinal secara individu
Statistika Deskriptif Hasil analisa deskriptif pada data faktor-faktor yang mempengaruhi keputusan konsumen membeli suatu produk adalah sebagai berikut:
Tabel Tabulasi Silang Keputusan Konsumen dengan Pendapatan Konsumen
Pendapatan Konsumen
Tidak Tertari k 12 4
< 2 Juta 2 Juta - 5 Juta > 5 Juta
Keputusan Konsumen Mempertimbang Bermina kan t
0 16
Total
Tabel di atas menunjukkan bahwa responden yang berpendapatan kurang dari 2 Juta, umumnya tidak tertarik untuk membeli suatu produk. Sedangkan dari 23 responden yang berpendapatan antara 2 Juta sampai 5 Juta, sebanyak 11 responden yang memutuskan
Total
3 8
0 11
15 23
5 16
7 18
12 50
untuk berminat membeli suatu produk, dan responden yang berpendapatan lebih dari 5 Juta kebanyakan memutuskan untuk berminat membeli suatu produk. Sedangkan deskripsi mengenai usia responden dapat dilihat pada tabel berikut ini:
Tabel Statistika Deskriptif Usia Responden N Usia Responden
50
Minimu m 21
Dari tabel di atas, bisa dilihat bahwa responden rata-rata berusia 35,32 tahun dan responden termuda berusia 21 tahun dan responden yang paling tua usianya 51 tahun.
Hasil uji multivariate
Parameter
signifikansi pada data
Secara
Mean 35.32
Std. Deviation 8.749
mempengaruhi keputusan konsumen untuk membeli suatu produk adalah sebagai berikut: Hipotesis: H0
Regresi Logistik Ordinal Uji Signifikansi Multivariate
Maximu m 51
H1 (signifikan)
: β1 = β2 = 0 (tidak signifikan) : paling sedikit ada satu βi ≠ 0
parameter secara Taraf signifikan: faktor-faktor yang α = 5%
Tabel Hasil Uji Signifikansi Parameter Secara Multivariate
Jurnal EKBIS /Vol. VI/
-2 Log Likelihood
Model
Chi-Square
Intercept Only
98.613
Final
48.287
Parameter
Maret
2012
| 384
Sig.
df
50.326
Tabel di atas menunjukkan bahwa nilai Chi-Kuadrat sebesar 50,326 dengan P_value sebesar 0,000 sehingga didapatkan keputusan tolak H0 karena P_value < α. Dengan demikian dapat disimpulkan bahwa paling sedikit ada satu variabel predictor yang berpengaruh signifikan terhadap keputusan konsumen dalam membeli suatu produk. Uji Signifikansi Univariate
No.1/edisi
3
.000
Hipotesis: H0 : βi = 0 (Variabel prediktor (Xi) tidak berpengaruh) H1 : βi ≠ 0 (Variabel prediktor (Xi) berpengaruh) Taraf signifikan:
Secara
α = 5%
Daerah kritis: Uji signifikansi univariate digunakan untuk mengetahui adanya pengaruh dari Tolak H0 jika P_value < α variabel predictor terhadap variabel respon secara individu. Hasil uji signifikansi secara univariate pada data faktor-faktor yang mempengaruhi keputusan konsumen untuk membeli suatu produk adalah sebagai berikut: Tabel Hasil Uji Signifikansi Secara Univariate Estimat Std. e Error Threshold
Location
Wald
df
Sig.
[Keputusan = 1]
-13.490
3.187
17.917
1
.000
[Keputusan = 2]
-10.371
2.754
14.178
1
.000
-.238
.062
14.862
1
.000
[Pendapatan=1]
-8.065
1.806
19.935
1
.000
[Pendapatan=2]
-2.360
.979
5.814
1
.016
[Pendapatan=3]
0a
.
.
0
.
Umur
Berdasarkan tabel di atas bisa dilihat bahwa nilai P_value variabel umur dan pendapatan kurang dari α = 5%, sehingga keputusannya adalah menolak H0 dan disimpulkan bahwa variabel umur dan pendapatan secara individu berpengaruh
terhadap keputusan konsumen untuk membeli suatu produk. Penulisan Model Secara Matematis
Jurnal EKBIS /Vol. VI/
Penulisan model dari parameter yang signifikan pada uji secara parsial/univariate adalah sebagai berikut: g1(x) = -13,490 – 0,238 Umur – 8,065 Pendapatan(1) – 2,360 Pendapatan(2)
π1 =
exp (� 1 � )
=
No.1/edisi
Maret
2012
| 385
g2(x) = -10,371 – 0,238 Umur – 8,065 Pendapatan(1) – 2,360 Pendapatan(2) Fungsi probabilitas yang dihasilkan dari model adalah sebagai berikut:
exp (−13,490−0,238 1+exp (−13,490−0,238� �� � � �𝑟𝑟−8,065 −8,065� �� �� �� � 1 1−−2,360 2,360� �� �� �� � (2)) (2))
1+ exp (� 1 � )
π2 =
exp � 2 �
− exp � 1 �
1+ exp � 1 �
∗ 1+ exp � 2 �
= exp −10,371 −0,238 � � � 𝑟 −8,065 � � � 1 − 2,360 � � � 2 − exp (−13,490−0,238 � � � 𝑟 −8,065 � � � � 1 − 2,360 � � � (2)) 1+exp −13,490−0,238 � � � 𝑟 −8,065 � � � � 1 − 2,360 � � � � 2 ∗(1+exp −10,371−0,238 � � � 𝑟 −8,065 � � � � 1 − 2,360 � � � 2 ) 1 1
π3=
=
1+ exp (� 2 � )
1+exp (−10,371−0,238 � � � 𝑟 −8,065 � � � � 1 − 2,360 � � � � (2))
Fungsi probabilitas yang dihasilkan mempertimbangkan atau bahkan berminat. dari model tersebut dapat digunakan untuk Misalkan seorang konsumen berusia 28 tahun mencari peluang seseorang konsumen yang dan berpendapatan lebih dari 5 Juta, maka memiliki karakteristik usia dan pendapatan probabilitas yang dihasilkan adalah sebagai tertentu cenderung untuk mengambil berikut: keputusan tidak exp (−13 tertarik atau ,490 −0,238 2828) ) 1+exp (−13,490−0,238 exp (� 1 � ) = π1 = = 0,000000002 π2 = = π3 =
1+ exp (� 1 � ) exp � 2 � − exp � 1 � 1+ exp � 1 � ∗ 1+ exp � 2 � exp −10,371 −0,238 (28 ) − exp (−13,490−0,238 (28 ))
= 0,000000038
1+exp −13,490−0,238 (28) ∗(1+exp −10,371 −0,238 (28) ) 1 1
=
1+ exp (� 2 � )
= 0,99
1+exp (−10,371 −0,238 (28))
Berdasarkan nilai probabilitas di atas, bisa disimpulkan bahwa jika seorang konsumen berusia 28 tahun dan berpendapatan lebih dari 5 Juta, maka konsumen tersebut akan mengambil keputusan untuk berminat membeli suatu produk. Uji Kesesuaian Model Uji kesesuaian model dilakukan untuk menguji apakah model sudah sesuai, dalam artian tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model. Hasil uji kesesuaian model pada data faktor-faktor yang mempengaruhi keputusan konsumen membeli suatu produk adalah sebagai berikut. Hipotesis :
H0 : Model sesuai (tidak terdapat perbedaan yang signifikan antara hasil pengamatan dengan kemungkinan hasil prediksi model) H1 : Model tidak sesuai (terdapat perbedaan yang signifikan antara hasil pengamatan dengan kemungkinan hasil prediksi model) Taraf signifikan:α = 5% Daerah kritis: Tolak H0 jika P_vaule < α Tabel Hasil Uji Kesesuaian Model Chidf Sig. Square Pearson 69,324 73 0,600 Tabel di atas menunjukkan bahwa nilai Chi-Kuadrat sebesar 69,324 dengan P_vaule sebesar 0,6, sehingga bisa diambil keputusan gagal tolak H0 karena 0,6 > α (0,05), maka dapat ditarik kesimpulan bahwa model sesuai. Hal itu berarti tidak terdapat
Jurnal EKBIS /Vol. VI/
perbedaan yang signifikan antara pengamatan dengan kemungkinan prediksi model.
hasil hasil
No.1/edisi
Maret
2012
| 386
pengukuran ketepatan klasifikasi model regresi logistik ordinal tersebut. Berikut ini adalah hasil tabulasi silang antara data aktual keputusan membeli konsumen dengan hasil prediksinya.
Ketepatan Klasifikasi Model Setelah dilakukan uji kesesuaian terhadap model, maka kemudian dilakukan
Tabel Tabulasi Silang antara Keputusan Konsumen dengan Prediksinya Predicted Response Category Berminat
Total
4
0
16
Tidak Tertarik Mempertimbangkan Keputusan Konsumen Tidak Tertarik
12
Mempertimbangkan
2
11
3
16
Berminat
2
3
13
18
16
18
16
50
Total
Berdasarkan hasil tabulasi silang tersebut bisa dilihat bahwa dari sebanyak 16 responden yang memilih tidak tertarik untuk membeli suatu produk, sebanyak 12 responden yang bisa diklasifikasikan secara tepat. Sedangkan dari 16 responden yang memilih mempertimbangkan untuk membeli suatu produk, sebanyak 11 responden yang mampu diklasifikasikan dengan tepat oleh model tersebut, dan sebanyak 18 responden yang memilih berminat untuk membeli suatu produk, ada sebanyak 13 responden yang mampu diklasifikasikan dengan tepat oleh model. Ketepatan klasifikasi model secara keseluruhan adalah 12+11+13 x 100% = 72% 50
Jadi model tepat dalam memprediksi data empiris sebesar 72%. Berdasarkan hasil analisa data dan pembahasan, bisa disimpulkan bahwa: 1.
Kebanyakan konsumen yang berpendapatan kurang dari 2 Juta memutuskan untuk tidak tertarik untuk membeli suatu produk, sedangkan konsumen yang berpendapatan antara 2
2.
3.
Juta sampai 5 Juta dan konsumen yang berpendapatan lebih dari 5 Juta mayoritas memutuskan untuk berminat membeli suatu produk. Setelah diuji secara serentak maupun secara individu, semua variabel prediktor berpengaruh secara signifikan terhadap keputusan membeli konsumen. Model regresi logistik yang terbentuk adalah g1(x) = -13,490 – 0,238 Umur – 8,065 Pendapatan(1) – 2,360 Pendapatan(2) g2(x) = -10,371 – 0,238 Umur – 8,065 Pendapatan(1) – 2,360 Pendapatan(2)
DAFTAR PUSTAKA Agresti, A. 1990. Categorical Data Analysis. John Wiley & Sons. Hosmer, DW and Lemeshow, S. 1989. Applied Logistic Reggression. John Wiley & Sons. Kim. HS. 2004. Topics In Ordinal Logistic Regression And Its Applications. Submitted to the office of graduate studies of Texas A & M University. Wiranegara, Pandu. 2012. Faktor-faktor yang Mempengaruhi Perilaku Konsumen Dalam Pembelian Suatu Produk. URL : http//www.pandu- wiranegara.blogspot.com
Jurnal EKBIS /Vol. VI/
No.1/edisi
Maret
| 387
2012
LAMPIRAN Lampiran A. Statistika DeskriptifCase Processing Summary Cases Valid
Missing
N Pendapatan Konsumen * Keputusan Konsumen
Percent 50
N
100.0%
Total Percent
N
0 .0%
Percent 50
100.0%
Pendapatan Konsumen * Keputusan Konsumen Crosstabulation Count Keputusan Konsumen Tidak Tertarik Pendapatan Konsumen
< 2 Juta
Mempertimbangkan
Total
Berminat
12
3
0
15
2 Juta - 5 Juta
4
8
11
23
> 5 Juta
0
5
7
12
16
16
18
50
Total \ Descriptive Statistics N
Minimum
Usia Konsumen
50
Valid N (listwise)
50
Maximum 21
Mean 51
Std. Deviation
35.32
8.749
Lampiran B. Regresi Logistik Ordinal Case Processing Summary N Keputusan Konsumen
Pendapatan Konsumen
Marginal Percentage
Tidak Tertarik
16
32.0%
Mempertimbangkan
16
32.0%
Berminat
18
36.0%
< 2 Juta
15
30.0%
2 Juta - 5 Juta
23
46.0%
> 5 Juta
12
24.0%
Jurnal EKBIS /Vol. VI/
Valid
No.1/edisi
Maret
50
Missing
2012
| 388
100.0%
0
Total
50
Model Fitting Information Model
-2 Log Likelihood
Chi-Square
Intercept Only
98.613
Final
48.287
df
Sig.
50.326
3 .000
Link function: Logit.
Goodness-of-Fit Chi-Square
df
Sig.
Pearson
69.324
73 .600
Deviance
38.243
73
1.000
Link function: Logit.
Pseudo R-Square Cox and Snell
.635
Nagelkerke
.714
McFadden
.459
Link function: Logit.
Parameter Estimates 95% Confidence Interval
Estimate Threshold
Location
Std. Error
Wald
df
Sig.
Upper Bound
Lower Bound
[Keputusan = 1]
-13.490
3.187
17.917
1 .000
-19.736
-7.244
[Keputusan = 2]
-10.371
2.754
14.178
1 .000
-15.769
-4.973
14.862
1 .000
-.360
-.117
19.935
1 .000
-11.605
-4.524
5.814
1 .016
-4.278
-.442
Umur
-.238 .062
[Pendapatan=1]
-8.065
[Pendapatan=2]
-2.360 .979
[Pendapatan=3]
0a .
Link function: Logit.
1.806
.
0 .
.
.
Jurnal EKBIS /Vol. VI/
No.1/edisi
Maret
| 389
2012
a. This parameter is set to zero because it is redundant. Test of Parallel Linesa Model
-2 Log Likelihood
Null Hypothesis
48.287
General
41.406
Chi-Square
df
Sig.
6.881
3 .076
The null hypothesis states that the location parameters (slope coefficients) are the same across response categories. a. Link function: Logit. Lampiran C. Ketepatan Klasifikasi Keputusan Konsumen * Predicted Response Category Crosstabulation Count Predicted Response Category Tidak Tertarik Keputusan Konsumen
Tidak Tertarik
Mempertimbangkan
Total
Berminat
12
4
0
16
Mempertimbangkan
2
11
3
16
Berminat
2
3
13
18
16
18
16
50
Total
Lampiran D. Data No Responden
Keputusan
Usia
Pendapatan
EST1_1
EST2_1
EST3_1
PRE_1
PCP_1
1
3
25
2
2
45
3
0
0,01
0,99
3
0,99
2
0,4
0,54
0,06
2
0,54
3
1
32
1
0,9
0,09
0
1
0,9
4
2
27
1
0,73
0,25
0,02
1
0,73
5
2
36
2
0,07
0,57
0,36
2
0,57
6
3
29
2
0,01
0,24
0,75
3
0,75
7
3
26
3
0
0,01
0,98
3
0,98
8
2
42
3
0,03
0,38
0,59
3
0,59
9
1
40
1
0,98
0,02
0
1
0,98
10
1
31
1
0,88
0,12
0,01
1
0,88
11
2
30
2
0,02
0,28
0,7
3
0,7
12
3
29
3
0
0,03
0,97
3
0,97
13
3
47
2
0,52
0,44
0,04
1
0,52
14
1
50
2
0,69
0,29
0,02
1
0,69
15
2
49
3
0,14
0,65
0,21
2
0,65
16
2
33
2
0,04
0,43
0,54
3
0,54
17
1
38
1
0,97
0,02
0
1
0,97
18
3
28
2
0,01
0,2
0,79
3
0,79
Jurnal EKBIS /Vol. VI/
No.1/edisi
Maret
| 390
2012
19
1
21
1
0,4
0,54
0,06
2
0,54
20
3
24
3
0
0,01
0,99
3
0,99
21
3
39
3
0,01
0,24
0,74
3
0,74
22
2
44
3
0,05
0,48
0,47
2
0,48
23
1
46
2
0,46
0,49
0,05
2
0,49
24
2
34
2
0,05
0,48
0,48
2
0,48
25
3
27
2
0,01
0,16
0,83
3
0,83
26
1
41
2
0,21
0,65
0,15
2
0,65
27
1
46
2
0,46
0,49
0,05
2
0,49
28
2
36
2
0,07
0,57
0,36
2
0,57
29
1
27
1
0,73
0,25
0,02
1
0,73
30
1
35
1
0,95
0,05
0
1
0,95
31
2
24
1
0,57
0,39
0,03
1
0,57
32
1
43
1
0,99
0,01
0
1
0,99
33
3
50
2
0,69
0,29
0,02
1
0,69
34
3
44
3
0,05
0,48
0,47
2
0,48
35
3
25
2
0,01
0,11
0,89
3
0,89
36
2
36
2
0,07
0,57
0,36
2
0,57
37
3
38
2
0,11
0,63
0,26
2
0,63
38
2
46
3
0,07
0,57
0,35
2
0,57
39
1
47
1
1
0
0
1
1
40
2
21
1
0,4
0,54
0,06
2
0,54
41
3
24
2
0
0,09
0,91
3
0,91
42
3
29
2
0,01
0,24
0,75
3
0,75
43
1
30
1
0,85
0,14
0,01
1
0,85
44
2
38
2
0,11
0,63
0,26
2
0,63
45
3
42
3
0,03
0,38
0,59
3
0,59
46
2
51
3
0,21
0,65
0,14
2
0,65
47
3
22
2
0
0,06
0,94
3
0,94
48
1
29
1
0,82
0,17
0,01
1
0,82
49
3
36
2
0,07
0,57
0,36
2
0,57
50
1
34
1
0,94
0,06
0
1
0,94
