Identifikasi Faktor-Faktor yang Berperan Terhadap Opini Pelanggan Bengkel Auto2000 Untuk Tetap Menggunakan Bengkel Auto2000 Dengan Regresi Logistik

(1)

ABSTRAK

ANGGORO FAJRIN. Identifikasi Faktor-Faktor yang Berperan terhadap Opini Pelanggan Bengkel Auto2000 untuk Tetap Menggunakan Bengkel Auto2000 Dengan Regresi Logistik. Dibimbing oleh BUNAWAN SUNARLIM dan I MADE SUMERTAJAYA.

Persaingan antara bengkel resmi dan bengkel umum dalam hal layanan servis terasa semakin kompetitif seiring dengan makin meningkatnya jumlah kendaraan bermotor. Bengkel Auto2000 adalah bengkel resmi Toyota di bawah kendali dealer Auto2000 yang memberikan berbagai layanan yang memudahkan pelanggannya dalam melakukan perawatan atau perbaikan kendaraannya sehingga mereka tidak berpindah ke bengkel lain. Pelanggan yang puas kemungkinan akan membeli kembali produk atau jasa yang ditawarkan. Pelanggan bengkel Auto2000 di dalam penelitian ini merupakan pengguna Toyota yang rutin melakukan service berkala di bengkel Auto2000 minimal dua kali dalam setahun dengan jarak tempuh kendaraan telah mencapai kelipatan 10.000 km di tiap semester. Guna mengetahui faktor-faktor yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000 di masa mendatang, maka dilakukanlah analisis regresi logistik untuk mengidentifikasi faktor-faktor tersebut.

(2)

UNTUK TETAP MENGGUNAKAN BENGKEL AUTO2000

DENGAN REGRESI LOGISTIK

ANGGORO FAJRIN

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(3)

ABSTRAK

ANGGORO FAJRIN. Identifikasi Faktor-Faktor yang Berperan terhadap Opini Pelanggan Bengkel Auto2000 untuk Tetap Menggunakan Bengkel Auto2000 Dengan Regresi Logistik. Dibimbing oleh BUNAWAN SUNARLIM dan I MADE SUMERTAJAYA.

Persaingan antara bengkel resmi dan bengkel umum dalam hal layanan servis terasa semakin kompetitif seiring dengan makin meningkatnya jumlah kendaraan bermotor. Bengkel Auto2000 adalah bengkel resmi Toyota di bawah kendali dealer Auto2000 yang memberikan berbagai layanan yang memudahkan pelanggannya dalam melakukan perawatan atau perbaikan kendaraannya sehingga mereka tidak berpindah ke bengkel lain. Pelanggan yang puas kemungkinan akan membeli kembali produk atau jasa yang ditawarkan. Pelanggan bengkel Auto2000 di dalam penelitian ini merupakan pengguna Toyota yang rutin melakukan service berkala di bengkel Auto2000 minimal dua kali dalam setahun dengan jarak tempuh kendaraan telah mencapai kelipatan 10.000 km di tiap semester. Guna mengetahui faktor-faktor yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000 di masa mendatang, maka dilakukanlah analisis regresi logistik untuk mengidentifikasi faktor-faktor tersebut.

(4)

UNTUK TETAP MENGGUNAKAN BENGKEL AUTO2000

ANGGORO FAJRIN

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains pada

Departemen Statistika

(5)

Judul Skripsi

: Identifikasi Faktor-Faktor yang Berperan terhadap Opini

Pelanggan Bengkel Auto2000 untuk Tetap Menggunakan

Bengkel Auto2000 Dengan Regresi Logistik

Nama

: Anggoro Fajrin

NRP

: G14103048

Menyetujui :

Pembimbing I,

Pembimbing II,

Ir. Bunawan Sunarlim, MS

Dr. Ir. I Made Sumertajaya, MS

NIP. 130367088

NIP. 132085916

Mengetahui :

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Prof. Dr. Ir. Yonny Koesmaryono, MS

NIP. 131473999

(6)

Alhamdulillaahi Rabbil ’Aalamiin, segala puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala karunia-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Shalawat serta salam semoga selalu tercurah kepada Nabi Muhammad SAW beserta keluarga, sahabat, dan pengikutnya hingga akhir jaman.

Karya ilmiah ini berjudul “Identifikasi Faktor-Faktor yang Berperan terhadap Opini Pelanggan Bengkel Auto2000 untuk Tetap Menggunakan Bengkel Auto2000 Dengan Regresi Logistik”. Dalam penelitian ini dilakukan analisis regresi logistik biner untuk mengetahui faktor-faktor yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000.

Penulis mengucapkan terima kasih kepada Bapak Ir. Bunawan Sunarlim, MS dan Bapak Dr. Ir. I Made Sumertajaya, MS selaku dosen pembimbing atas bimbingan dan saran yang telah diberikan, serta Bapak Agus Laksono, S.Si, MM yang telah memberikan data dan informasi yang dibutuhkan penulis. Ungkapan terima kasih juga disampaikan kepada:

1. Bapak dan Ibu tercinta serta kakak-kakakku atas segala doa, kasih sayang, serta dukungan yang telah diberikan kepada penulis.

2. Seluruh dosen Departemen Statistika FMIPA IPB atas ilmu dan nasihat yang bermanfaat sehingga membantu penulis dalam menyelesaikan karya ilmiah ini, serta kepada seluruh staf Departemen Statistika (Bu Markonah, Bu Sulis, Pak Iyan, Bu Dedeh, Bu Aat, Bang Sudin, Mang Herman, Mang Dur) yang telah membantu penulis selama belajar di Statistika IPB.

3. Mas Budi M, Mas Adi, Pak Arief, dan Mba Fitri (terima kasih atas pengetahuan dan suasana menyenangkan) yang juga telah membantu penulis selama menjalani praktik lapang di AstraWorld.

4. Tim pembahas seminar (Rio K, Hermawan, Dani S), Deni (terima kasih untuk diskusinya), Adit dan Agus W (terima kasih untuk motivasinya), Daus (thanks for the design), Edo, Bayu, Ipunk, Arief, dan Yudi.

5. Rani (terima kasih telah menemani penulis selama PL), Rahayu, Yuni, Mey, Adist, Mutia (thanks for the jokes), Lala (teman setia off peak), Rina, Ema, dan Dian R (terima kasih atas doa dan dukungannya).

6. Semua teman seperjuangan, senasib, dan sepenanggungan ... Statistika 40. Terima kasih atas kenangan dan kebersamaan dalam segala suasana hati. Biar jauh di mata, namun tetap di hati.

7. Kakak-kakak kelas STK 38: Rio, Pipin, Deny (terima kasih atas saran-sarannya), STK 39: Benny dan Haidir (terima kasih untuk tips & tricknya), serta adik-adik STK 41 dan 42.

8. Semua pihak yang telah memberikan dukungan kepada penulis yang tidak dapat disebut satu per satu sehingga karya ilmiah ini dapat diselesaikan.

Penulis menyadari bahwa penulisan karya ilmiah ini masih jauh dari sempurna. Oleh karena itu kritik dan saran yang membangun sangat penulis harapkan sebagi pemicu untuk bisa berkarya lebih baik di masa mendatang. Semoga karya ilmiah ini dapat bermanfaat bagi pihak yang membutuhkan.

Bogor, Oktober 2007

(7)

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 12 Juli 1985 sebagai anak keempat dari empat bersaudara dari pasangan Asmi Indra, BBA. dan Soemini.

Pada tahun 1997 penulis menyelesaikan pendidikan dasar di SDN Beji VII Depok, kemudian melanjutkan studi ke sekolah menengah pertama di SLTPN 2 Depok hingga tahun 2000. Pada tahun 2003 penulis menyelesaikan pendidikan menengah atas di SMUN 1 Depok dan pada tahun yang sama diterima di Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB).

(8)

(9)

vi

DAFTAR ISI

Halaman

DAFTAR TABEL ... vii

DAFTAR GAMBAR ... vii

DAFTAR LAMPIRAN ... vii

PENDAHULUAN Latar Belakang ... 1

Tujuan ... 1

TINJAUAN PUSTAKA Statistika Deskriptif ... 1

Model Regresi Logistik ... 1

BAHAN DAN METODE Bahan ... 3

Metode ... 3

HASIL DAN PEMBAHASAN Deskripsi Responden... 3

Model Regresi Logistik... 4

Interpretasi Koefisien ... 5

KESIMPULAN DAN SARAN Kesimpulan ... 5

Saran ... 6

DAFTAR PUSTAKA ... 6

(10)

DAFTAR TABEL

Halaman

1 Sebaran responden berdasarkan rata-rata pengeluaran total per bulan ... 4

2 Analisis regresi logistik dengan model reduksi ... 4

3 Nilai dugaan rasio odds regresi logistik ... 5

DAFTAR GAMBAR

Halaman

1 Jenis kelamin responden (%) ... 3

2 Pendidikan terakhir yang telah ditamatkan responden (%) ... 4

DAFTAR LAMPIRAN

Halaman

1 Peubah penjelas beserta peubah boneka yang terbentuk ... 8

(11)

(12)

PENDAHULUAN

Latar Belakang

Setiap produsen kendaraan bermotor membutuhkan jaringan perawatan (bengkel) dan layanan purna jual untuk meningkatkan layanan kepuasan konsumen. Dengan adanya layanan tersebut dan didukung dengan semakin banyaknya jaringan bengkel, maka akan semakin mudah pula konsumen melakukan perbaikan maupun perawatan kendaraannya.

Seiring dengan makin meningkatnya jumlah kendaraan bermotor, kalangan produsen pun berlomba-lomba menyediakan dan memperbanyak layanan servis dan perawatan kendaraan (bengkel). Tak hanya produsen, kalangan non produsen pun menangkap peluang bisnis yang besar dalam hal layanan servis. Karena itu, mereka membuka layanan servis yang kemudian dikenal dengan nama bengkel umum. Sedangkan bengkel-bengkel dari produsen disebut sebagai bengkel resmi Agen Tunggal Pemegang Merek (ATPM).

Bengkel resmi adalah bengkel yang hanya melayani perawatan untuk merek mobil tertentu sesuai dengan rekomendasi dari pembuat kendaraan. Bengkel-bengkel resmi ini umumnya berada langsung di bawah kendali dealer.

Auto2000 merupakan salah satu dealer utama Toyota terbesar di Indonesia yang berkembang pesat karena memberikan berbagai layanan yang sangat memudahkan bagi calon pembeli maupun pelanggan Toyota. Hal itu dilakukan untuk mempertahankan kepuasan pelanggan Toyota dalam melakukan perawatan atau perbaikan kendaraannya di bengkel Auto2000 sehingga konsumen tidak berpindah ke bengkel lain.

Loyalitas pelanggan berkaitan erat dengan kepuasan pelanggan terhadap produk atau jasa. Pelanggan yang puas kemungkinan akan membeli kembali serta memberikan suara-suara positif tentang produk atau jasa yang ditawarkan. Pelanggan bengkel Auto2000 di dalam penelitian ini merupakan pengguna Toyota yang rutin melakukan service berkala di bengkel Auto2000 minimal dua kali dalam setahun dengan jarak tempuh kendaraan telah mencapai kelipatan 10.000 km di tiap semester. Guna mengetahui faktor-faktor yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000 di masa mendatang, di dalam penelitian ini digunakan analisis regresi

logistik biner dimana respon yang diamati merupakan peubah dengan dua kategori.

Tujuan

Penelitian ini bertujuan untuk mengetahui faktor-faktor yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000.

TINJAUAN PUSTAKA

Statistika Deskriptif

Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna (Walpole 1992).

Proses analisis data pada dasarnya meliputi upaya penelusuran dan pengungkapan informasi yang relevan yang terkandung dalam data dan penyajian hasilnya dalam bentuk yang lebih ringkas dan sederhana yang pada akhirnya mengarah pada perlunya adanya penjelasan dan penafsiran (Aunuddin 1989).

Model Regresi Logistik

Regresi logistik adalah suatu teknik analisis statistika yang digunakan untuk menganalisis data yang peubah responnya memiliki dua kategori atau lebih dengan satu atau lebih peubah bebas berskala kategori atau kontinu.

Model regresi logistik biner merupakan model yang digunakan untuk mengetahui hubungan antara peubah-peubah bebas X

dengan peubah respon yang bersifat biner. Peubah respon Y mengikuti sebaran Bernoulli dengan fungsi sebaran peluang:

y y

y Y

f( = )=π (1−π)1−

dengan y = 0 atau 1 dan π adalah peluang terjadinya y = 1.

Jika kejadian peubah respon Y berjumlah

n, peluang setiap kejadian sama, dan setiap kejadian saling bebas dengan yang lain maka

Y akan mengikuti sebaran Binomial.

Hosmer dan Lemeshow (1989) menjelaskan bahwa model regresi logistik dengan E(Y = 1 | x) sebagai π(x) adalah:

(13)

2

Dalam regresi logistik diperlukan fungsi penghubung logit, transformasi logit sebagai fungsi dari π(x) adalah:

g(x) = ln

p px

x β

β

β + + + = ₀ ₁ ₁ ...

Untuk peubah bebas bersifat kategorik, maka diperlukan peubah boneka (dummy variable). Secara umum jika sebuah peubah skala nominal atau ordinal mempunyai k

kemungkinan nilai, maka diperlukan k - 1 peubah boneka. Misalnya, peubah bebas ke-j

mempunyai kj level. Dju melambangkan kj - 1

peubah boneka dan βju merupakan koefisien

peubah boneka dengan u = 1, 2, ..., kj - 1.

Dengan demikian model logit dengan p

peubah bebas dan peubah ke-j adalah diskret (Hosmer & Lemeshow 1989), yaitu:

∑

− +

+ + +

= 0 1 1 ... 1

) ( j k u p p ju juD x x

x

g

β

Dalam pendugaan parameter digunakan metode kemungkinan maksimum (maximum likelihood). Jika antara amatan yang satu dengan yang lain diasumsikan saling bebas, maka fungsi kemungkinan maksimumnya adalah:

[

]

i

i y

i n

i x x

l −

= −

Π

= 1

1 ( ) 1 ( )

)

(

β

π

dengan:

i = 1, 2, ..., p

yi = pengamatan pada peubah penjelas

ke-i

π(xi) = peluang untuk peubah penjelas ke-i

βi diduga dengan memaksimumkan l(β)

dengan pendekatan logaritma sehingga fungsi log-likelihoodnya sebagai berikut:

∑

= − − + = n i i i i

i x y x

y L 1 )]} ( 1 ln[ ) 1 ( )] ( ln[ { ) (β π π

Nilai dugaan βi dapat diperoleh dengan

membuat turunan pertama L(β) terhadap βi =

0, dengan i = 1, 2, 3, ..., p.

Pengujian terhadap parameter model dilakukan sebagai upaya untuk memeriksa peranan peubah penjelas yang ada di dalam model.

Menurut Hosmer dan Lemeshow (1989) untuk mengetahui peran seluruh peubah

penjelas di dalam model secara bersama-sama dapat digunakan statistik uji-G.

Hipotesis yang diuji adalah : H0 : β1 = β2 = ... = βp = 0

H1 : minimal ada satu βi≠ 0, i = 1, 2, ..., p

π(x)

1 −π(x) Statistik uji-G didefinisikan sebagai :

dengan L0 adalah fungsi kemungkinan

(likelihood) tanpa peubah penjelas, dan Lp

merupakan fungsi kemungkinan dengan p

peubah penjelas. Jika hipotesis nol benar, maka statistik uji-G akan menyebar mengikuti sebaran χ2 dengan derajat bebas p. Hipotesis nol ditolak jika G > χ2p(α) (Hosmer &

Lemeshow 1989). ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ − p L L₀ ln 2 = G

Statistik uji-G juga dapat digunakan untuk menguji kebaikan suatu model setelah direduksi sebanyak j peubah terhadap model penuhnya, dengan hipotesis:

H0 : βs+1 = βs+2 = ... = βp = 0

H1 : minimal ada satu βi≠ 0, i = s + 1, ..., p

dan s adalah banyaknya peubah yang tidak direduksi.

Statistik uji Gred didefinisikan sebagai:

Kriteria uji yang digunakan untuk statistik uji- Gred sama dengan uji-G dengan derajat bebas j

dan mengikuti sebaran khi kuadrat.

Statistik uji Wald digunakan untuk menguji parameter βi secara parsial.

Hipotesis yang diuji adalah : H0 : βi = 0

H1 : βi≠ 0 dengan i = 1, 2, ..., p

Statistik uji Wald didefinisikan sebagai :

Jika hipotesis nol benar, maka statistik uji-W akan menyebar mengikuti sebaran normal baku. Hipotesis nol ditolak jika |W| > Zα/2

(Hosmer & Lemeshow 1989). )

ˆ ( ˆ

(likelihood model reduksi) (likelihood model penuh)

Gred = -2 ln

ˆ

β

i i E S W

β

=

Interpretasi koefisien untuk model regresi logistik adalah dengan melihat rasio oddsnya. Koefisien model logit, βi, mencerminkan

perubahan nilai fungsi logit g(x) untuk perubahan satu unit peubah penjelas x. Dalam analisis model logit rasio odds didefinisikan sebagai: )] 0 ( ) 1 ( exp[ )

exp( i = g −g =

(14)

Metode Interpretasi dari rasio odds ini adalah untuk

peubah penjelas x yang berskala nominal, yaitu kecenderungan untuk Y = 1 pada X = 1 sebesar ψ kali dibandingkan pada X = 0.

Tahapan metode yang diterapkan pada penelitian ini adalah :

1. Pendeskripsian karakteristik responden meliputi jenis kelamin, usia, pendidikan terakhir yang telah ditamatkan, dan rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari.

BAHAN DAN METODE

Bahan

Data yang digunakan dalam penelitian ini adalah data sekunder dari AstraWorld yang merupakan data hasil survei pengguna Toyota yang rutin melakukan service berkala di bengkel Auto2000 minimal dua kali dalam setahun dengan jarak tempuh kendaraan telah mencapai kelipatan 10.000 km di tiap semester, di wilayah Jadebotabek pada bulan April – Mei 2007 sebanyak 219 responden. Teknik penarikan contohnya dilakukan secara bertahap diawali dengan pengelompokkan berdasarkan kota (Jakarta, Depok, Bogor, Tangerang, Bekasi) dan kemudian dilakukan penarikan contoh secara purposive.

2. Analisis Regresi Logistik Biner dengan peubah responnya yaitu opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000 di masa mendatang (Y = 1 jika responden pasti akan menggunakan bengkel Auto2000, dan Y = 0 jika responden mungkin akan menggunakan bengkel Auto2000). Sedangkan peubah penjelas yang digunakan yaitu jenis kelamin, usia, pendidikan terakhir yang telah ditamatkan, rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari, mendapat sms atau telepon dari pihak dealer/AstraWorld yang mengingatkan untuk pergi ke bengkel, merencanakan pergi ke bengkel, booking bengkel terlebih dahulu, kepuasan keseluruhan pelayanan bengkel, dan kepuasan keseluruhan pelayanan service.

Peubah respon yang digunakan dalam analisis regresi logistik yaitu opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000 di masa mendatang (Y = 1 jika responden pasti akan menggunakan bengkel Auto2000, dan Y = 0 jika responden mungkin akan menggunakan bengkel Auto2000).

Peubah-peubah penjelas yang digunakan adalah :

Penelitian ini menggunakan bantuan perangkat lunak Microsoft Excel dan SPSS 13.

• Demografi, yaitu: X1 = Jenis kelamin

X2 = Usia (tahun)

X3 = Pendidikan terakhir yang telah

ditamatkan

X4 = Rata-rata pengeluaran total per

bulan dari keluarga responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari (juta)

HASIL DAN PEMBAHASAN

Deskripsi Responden

Gambar 1 menunjukkan bahwa 84.9% responden berjenis kelamin laki-laki dan sisanya sebesar 15.1% berjenis kelamin perempuan. Sedangkan untuk usia responden, pelanggan bengkel Auto2000 memiliki rataan usia 39.17 tahun. Responden tertua berusia 66 tahun dan termuda berusia 20 tahun.

• Perilaku ke bengkel, yaitu:

X5 = Mendapat sms atau telepon dari

pihak dealer/AstraWorld yang mengingatkan untuk pergi ke bengkel

X6 = Merencanakan pergi ke bengkel

X7 = Booking bengkel terlebih dahulu

Perempuan 15.1%

Laki-laki 84.9%

• Kepuasan keseluruhan, yaitu:

X8 = Kepuasan keseluruhan pelayanan

bengkel

service

Peubah boneka dari beberapa peubah penjelas yang berskala kategorik dapat dilihat

(15)

4

Gambar 2 menunjukkan deskripsi responden berdasarkan pendidikan terakhir yang telah ditamatkan. Sebanyak 78.1% responden merupakan lulusan universitas atau dengan kata lain telah mengenyam pendidikan tinggi dan diikuti oleh responden yang telah menamatkan pendidikan menengah sebesar 21%. Hanya sedikit dari responden (0.9%) yang berpendidikan terakhir SD.

3. Mendapat sms atau telepon dari dealer/AstraWorld yang mengingatkan untuk pergi ke bengkel (X5).

4. Merencanakan untuk pergi ke bengkel (X6).

5. Booking bengkel terlebih dahulu (X7).

6. Kepuasan keseluruhan terhadap pelayanan bengkel (X8).

Sedangkan peubah-peubah yang berpengaruh nyata pada taraf nyata α = 0.05 adalah:

0.9% 21.0% 78.1% 0% 30% 60% 90%

Rendah (SD) Menengah (SMP, SMA)

Tinggi (D1, D2, D3, S1, S2, S3)

1. Jenis kelamin (X1).

2. Rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari (X4).

3. Kepuasan keseluruhan terhadap pelayanan service (X9).

Gambar 2 Pendidikan terakhir yang telah _{Setelah enam peubah penjelas yang tidak} berpengaruh nyata pada taraf α = 0.05 direduksi maka akan diperoleh model seperti ditunjukkan pada Tabel 2.

ditamatkan responden (%).

Sehubungan dengan rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah, pada Tabel 1 terlihat persentase terbesar (84.9%) ada pada golongan yang mempunyai rata-rata pengeluaran total per bulan lebih dari Rp 3.000.000. Kemudian diikuti oleh golongan yang memiliki rata-rata pengeluaran total per bulan lebih kecil sama dengan Rp 3.000.000, yaitu sebesar 15.1%.

Tabel 2 Analisis regresi logistik dengan model reduksi

Peubah Coef Wald P

JK(1) 1.364 4.076 0.044 Pengeluaran(1) 2.126 8.021 0.005

PuasPService(1) -4.584 15.120 0.000 PuasPService(2) -2.023 4.601 0.032 Konstanta 1.590 3.354 0.067

Log-likelihood = -51.15 G = 22.132, Nilai-P = 0.000 Tabel 1 Sebaran responden berdasarkan rata-

rata pengeluaran total per bulan

Rata-rata pengeluaran

total per bulan Frekuensi Persen Lebih dari Rp 3.000.000 186 84.9 Lebih kecil sama dengan

Rp 3.000.000 33 15.1

Pada model reduksi dihasilkan nilai statistik uji-G sebesar 22.132 dan nilai-P = 0.000. Hasil uji ini menunjukkan bahwa paling sedikit ada satu βi yang tidak sama

dengan nol pada taraf nyata 5% diantara peubah jenis kelamin, rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari, dan kepuasan keseluruhan terhadap pelayanan service.

Model Regresi Logistik

Pendugaan model penuh menghasilkan nilai statistik uji-G sebesar 33.255 dan nilai-P = 0.002, sehingga dapat disimpulkan bahwa sedikitnya ada satu βi yang tidak sama dengan

nol diantara sembilan peubah penjelas tersebut pada taraf nyata 5%.

Nilai statistik uji-G yang digunakan untuk membandingkan model penuh dan model reduksi adalah:

Gred = -2((-51.15) − (-45.588)) = 11.124

Pada model penuh ini terdapat beberapa peubah yang tidak berpengaruh nyata dikarenakan nilai-P yang dihasilkan lebih besar dari α = 0.05 seperti yang terlihat pada Lampiran 2. Peubah - peubah tersebut adalah:

Nilai Gred diatas lebih kecil dari χ2(9, 0.05) =

16.919, yang berarti hipotesis nol diterima, dimana H0 : β2 =β31 = β32 = β51 = β61 = β71 =

β81 = β82 = β83 = 0 vs H1 : minimal ada satu βi

≠ 0 diantara β2, β31, β32, β51, β61, β71, β81, β82,

dan β83. Hal ini menunjukkan bahwa peubah

usia, pendidikan terakhir yang telah ditamatkan, mendapat sms atau telepon dari 1. Usia (X2).

(16)

dealer/AstraWorld yang mengingatkan untuk pergi ke bengkel, merencanakan untuk pergi ke bengkel, booking bengkel terlebih dahulu, dan kepuasan keseluruhan terhadap pelayanan bengkel dapat dikeluarkan dari model penuh.

Model hasil reduksi pada Tabel 2 menunjukkan semua peubah nyata pada taraf

α = 0.05 sehingga diperoleh faktor-faktor yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000, yaitu:

3. Tingkat kepuasan pelayanan service secara keseluruhan (X9).

Interpretasi Koefisien

Model regresi logistik pada Tabel 3 menunjukkan nilai dugaan rasio odds untuk peubah jenis kelamin sebesar 3.912, artinya pelanggan bengkel Auto2000 yang berjenis kelamin laki-laki diduga 3.912 kali lebih besar pasti akan menggunakan bengkel Auto2000 dibandingkan pelanggan bengkel Auto2000 yang berjenis kelamin perempuan dengan selang kepercayaan 95% bagi rasio odds antara 1.041 dan 14.705. Selang itu mempunyai arti bahwa dengan keyakinan 95%, nilai rasio odds untuk pelanggan bengkel Auto2000 yang berjenis kelamin laki-laki dibandingkan dengan pelanggan yang berjenis kelamin perempuan akan berada pada selang tersebut.

Tabel 3 Nilai dugaan rasio odds regresi logistik

SK 95% Peubah

Dugaan Rasio

Odds Lower Upper

JK(1) 3.912 1.041 14.705 Pengeluaran(1) 8.379 1.924 36.483

PuasPService(1) 0.010 0.001 0.103 PuasPService(2) 0.132 0.021 0.840

Nilai dugaan rasio odds untuk peubah rata-rata pengeluaran total per bulan yang lebih besar dari Rp 3.000.000, yaitu sebesar 8.379, artinya pelanggan bengkel Auto2000 yang memiliki rata-rata pengeluaran total per bulan lebih dari Rp 3.000.000 diduga 8.379 kali pasti akan menggunakan bengkel Auto2000 dibandingkan pelanggan yang memiliki rata-rata pengeluaran total per bulan lebih kecil

sama dengan Rp 3.000.000 dengan selang kepercayaan 95% antara 1.924 dan 36.483, yang berarti bahwa kita yakin 95% nilai dugaan rasio odds untuk pelanggan yang memiliki pengeluaran diatas Rp 3.000.000 dibandingkan dengan pelanggan yang memiliki pengeluaran lebih kecil sama dengan Rp 3.000.000 akan berada pada selang diatas.

Pelanggan bengkel Auto2000 yang merasa biasa saja terhadap pelayanan service secara keseluruhan memiliki kemungkinan kecil untuk pasti akan menggunakan bengkel Auto2000 di masa mendatang, yaitu sebesar 0.010 kali dibandingkan dengan pelanggan yang merasa sangat puas. Pengertian yang setara bahwa pelanggan yang merasa sangat puas 100 kali pasti akan menggunakan bengkel Auto2000 di masa mendatang dibandingkan dengan pelanggan yang merasa biasa saja.

Selang kepercayaan 95% untuk peubah kepuasan keseluruhan pelayanan service pada kondisi biasa saja, yaitu antara 0.001 dan 0.103. Selang itu mempunyai arti dengan keyakinan 95% pelanggan bengkel Auto2000 yang merasa sangat puas terhadap pelayanan service secara keseluruhan 9.7087 sampai dengan 1000 kali pasti akan menggunakan bengkel Auto2000 di masa mendatang dibandingkan pelanggan yang merasa biasa saja.

Sedangkan pelanggan bengkel Auto2000 yang merasa puas terhadap pelayanan service secara keseluruhan memiliki kemungkinan untuk pasti akan menggunakan bengkel Auto2000 di masa mendatang sebesar 0.132 kali bila dibandingkan dengan pelanggan yang merasa sangat puas. Pengertian yang setara bahwa pelanggan yang merasa sangat puas 7.576 kali pasti akan menggunakan bengkel Auto2000 di masa mendatang dibandingkan dengan pelanggan yang merasa puas, dengan selang kepercayaan 95% antara 1.190 dan 47.619, yang berarti kita yakin 95% nilai dugaan rasio odds untuk peubah pelanggan yang merasa sangat puas dibandingkan dengan pelanggan yang merasa puas akan berada pada selang tersebut.

KESIMPULAN DAN SARAN

Kesimpulan

(17)

6

responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari, dan tingkat kepuasan pelayanan service secara keseluruhan.

Pelanggan yang berjenis kelamin laki-laki diduga 3.912 kali lebih besar pasti akan menggunakan bengkel Auto2000 dibandingkan pelanggan yang berjenis kelamin perempuan. Pelanggan yang memiliki rata-rata pengeluaran total per bulan untuk keperluan sehari-hari lebih besar dari Rp 3.000.000 diduga 8.379 kali pasti akan menggunakan bengkel Auto2000 dibandingkan pelanggan yang memiliki rata-rata pengeluaran total per bulan lebih kecil sama dengan Rp 3.000.000.

Sedangkan pelanggan bengkel Auto2000 yang merasa sangat puas terhadap kepuasan pelayanan service secara keseluruhan diduga memiliki kemungkinan untuk pasti akan menggunakan bengkel Auto2000 sebesar 100 dan 7.576 kali bila dibandingkan dengan pelanggan yang merasa biasa saja dan puas.

Saran

Pelanggan bengkel Auto2000 cenderung memiliki karakteristik yang saling berhubungan antara peubah-peubah yang menjadi bagian dalam demografi, perilaku ke bengkel, dan kepuasan pelayanan secara keseluruhan. Sehingga diduga tiap peubah penjelas tersebut mempunyai keterkaitan antar satu peubah dengan peubah yang lain. Oleh karena itu perlu dikaji analisis keterkaitan antar peubah penjelas tersebut. Metode Chi Square Automatic Interaction Detection

(CHAID) merupakan metode yang mampu mendeteksi keterkaitan antar peubah sekaligus menyeleksi peubah-peubah yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000. Banyaknya peubah penjelas yang tidak berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000 menunjukkan karakteristik responden yang cenderung homogen sehingga dibutuhkan ukuran contoh yang lebih besar sebagai salah satu cara mengatasi hal tersebut. Selain itu, metode penarikan contoh yang digunakan pun sebaiknya menggunakan contoh berpeluang agar tingkat ketelitian data dapat diketahui, misalnya dengan penarikan contoh acak sederhana dengan kerangka penarikan contohnya yaitu daftar pembeli Toyota yang melakukan transaksi di Auto2000. Responden sebaiknya merupakan pembeli Toyota dan pengambil keputusan

dalam penentuan bengkel agar program-program bengkel yang nantinya akan dibuat oleh pihak Auto2000 dari hasil survey ini menjadi tepat sasaran.

DAFTAR PUSTAKA

Aunuddin. 1989. Analisis Data. Bogor: Pusat Antar Universitas Ilmu Hayat, Institut Pertanian Bogor.

Collet, D. 2003. Modelling Binary Data. Ed ke-2. New York: CRC Pr.

Hosmer DW, Lemeshow S. 1989. Applied Logistic Regression. New York: J. Wiley. Simamora, Bilson. 2003. Membongkar Kotak

Hitam Konsumen. Jakarta: Gramedia

Pustaka Utama.

(18)

(19)

8

Lampiran 1 Peubah penjelas beserta peubah boneka yang terbentuk

1. Jenis kelamin (JK) [X1]

Jenis kelamin (1)

Laki-laki 1

Perempuan 0

2. Usia [X2]

3. Pendidikan terakhir yang telah ditamatkan (Pendidikan) [X3]

Pendidikan (1) (2)

Rendah (SD) 1 0

Menengah (SLTP, SMA) 0 1

Tinggi (D1, D2, D3, S1, S2, S3) 0 0

4. Rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari (Pengeluaran) [X4]

Rata-rata pengeluaran per bulan (1)

> Rp 3.000.000 1

≤ Rp 3.000.000 0

5. Mendapat sms atau telepon dari dealer/AstraWorld yang mengingatkan untuk pergi ke bengkel (Sms/tlp) [X5]

Mendapat sms/telepon (1)

Ya 1

Tidak 0

6. Merencanakan pergi ke bengkel (Rencana) [X6]

Merencanakan pergi ke bengkel (1)

Ya 1

Tidak 0

7. Booking bengkel terlebih dahulu (Booking) [X7]

Booking bengkel terlebih dahulu (1)

Ya 1

Tidak 0

8. Tingkat kepuasan keseluruhan terhadap Pelayanan Bengkel (PuasPBengkel) [X8]

Tingkat kepuasan keseluruhan thd Pelayanan Bengkel (1) (2) (3)

Tidak puas 1 0 0

Biasa saja 0 1 0

Puas 0 0 1

Sangat puas 0 0 0

9. Tingkat kepuasan keseluruhan terhadap Pelayanan Service (PuasPService) [X9]

Tingkat kepuasan keseluruhan thd Pelayanan Service (1) (2)

Biasa saja 1 0

Puas 0 1

(20)

Lampiran 2 Hasil analisis regresi logistik dengan model penuh

Peubah Coef Wald Nilai-P

X1(1) 1.482 4.288 0.038

X2 0.049 2.314 0.128

X3(1) -3.503 1.354 0.245

X3(2) -0.638 0.773 0.379

X4(1) 2.219 6.144 0.013

X5(1) -0.187 0.087 0.768

X6(1) 1.053 0.741 0.389

X7(1) 0.501 0.499 0.480

X8(1) -113.790 0.000 1.000

X8(2) -112.165 0.000 1.000

X8(3) -111.259 0.000 1.000

X9(1) -4.025 9.512 0.002

X9(2) -1.959 3.837 0.050

Konstanta 109.943 0.000 1.000 Log-likelihood = -45.588

(21)

(22)

(23)

IDENTIFIKASI FAKTOR-FAKTOR YANG BERPERAN TERHADAP

OPINI PELANGGAN BENGKEL AUTO2000

UNTUK TETAP MENGGUNAKAN BENGKEL AUTO2000

ANGGORO FAJRIN

(24)

PENDAHULUAN

Latar Belakang

Tujuan

TINJAUAN PUSTAKA

Statistika Deskriptif

y y

y Y

f( = )=π (1−π)1−

(25)

1

PENDAHULUAN

Latar Belakang

Tujuan

TINJAUAN PUSTAKA

Statistika Deskriptif

y y

y Y

f( = )=π (1−π)1−

(26)

Dalam regresi logistik diperlukan fungsi penghubung logit, transformasi logit sebagai fungsi dari π(x) adalah:

g(x) = ln

p px

x β

β

β + + + = ₀ ₁ ₁ ...

Untuk peubah bebas bersifat kategorik, maka diperlukan peubah boneka (dummy variable). Secara umum jika sebuah peubah skala nominal atau ordinal mempunyai k

kemungkinan nilai, maka diperlukan k - 1 peubah boneka. Misalnya, peubah bebas ke-j

mempunyai kj level. Dju melambangkan kj - 1

peubah boneka dan βju merupakan koefisien

peubah boneka dengan u = 1, 2, ..., kj - 1.

Dengan demikian model logit dengan p

peubah bebas dan peubah ke-j adalah diskret (Hosmer & Lemeshow 1989), yaitu:

∑

− +

+ + +

= 0 1 1 ... 1

) ( j k u p p ju juD x x

x

g

β

Dalam pendugaan parameter digunakan metode kemungkinan maksimum (maximum likelihood). Jika antara amatan yang satu dengan yang lain diasumsikan saling bebas, maka fungsi kemungkinan maksimumnya adalah:

[

]

i

i y

i n

i x x

l −

= −

Π

= 1

1 ( ) 1 ( )

)

(

β

π

dengan:

i = 1, 2, ..., p

yi = pengamatan pada peubah penjelas

ke-i

π(xi) = peluang untuk peubah penjelas ke-i

βi diduga dengan memaksimumkan l(β)

dengan pendekatan logaritma sehingga fungsi log-likelihoodnya sebagai berikut:

∑

= − − + = n i i i i

i x y x

y L 1 )]} ( 1 ln[ ) 1 ( )] ( ln[ { ) (β π π

Nilai dugaan βi dapat diperoleh dengan

membuat turunan pertama L(β) terhadap βi =

0, dengan i = 1, 2, 3, ..., p.

Pengujian terhadap parameter model dilakukan sebagai upaya untuk memeriksa peranan peubah penjelas yang ada di dalam model.

Menurut Hosmer dan Lemeshow (1989) untuk mengetahui peran seluruh peubah

penjelas di dalam model secara bersama-sama dapat digunakan statistik uji-G.

Hipotesis yang diuji adalah : H0 : β1 = β2 = ... = βp = 0

H1 : minimal ada satu βi≠ 0, i = 1, 2, ..., p

π(x)

1 −π(x) Statistik uji-G didefinisikan sebagai :

dengan L0 adalah fungsi kemungkinan

(likelihood) tanpa peubah penjelas, dan Lp

merupakan fungsi kemungkinan dengan p

peubah penjelas. Jika hipotesis nol benar, maka statistik uji-G akan menyebar mengikuti sebaran χ2 dengan derajat bebas p. Hipotesis nol ditolak jika G > χ2p(α) (Hosmer &

Lemeshow 1989). ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ − p L L₀ ln 2 = G

Statistik uji-G juga dapat digunakan untuk menguji kebaikan suatu model setelah direduksi sebanyak j peubah terhadap model penuhnya, dengan hipotesis:

H0 : βs+1 = βs+2 = ... = βp = 0

H1 : minimal ada satu βi≠ 0, i = s + 1, ..., p

dan s adalah banyaknya peubah yang tidak direduksi.

Statistik uji Gred didefinisikan sebagai:

Kriteria uji yang digunakan untuk statistik uji- Gred sama dengan uji-G dengan derajat bebas j

dan mengikuti sebaran khi kuadrat.

Statistik uji Wald digunakan untuk menguji parameter βi secara parsial.

Hipotesis yang diuji adalah : H0 : βi = 0

H1 : βi≠ 0 dengan i = 1, 2, ..., p

Statistik uji Wald didefinisikan sebagai :

Jika hipotesis nol benar, maka statistik uji-W akan menyebar mengikuti sebaran normal baku. Hipotesis nol ditolak jika |W| > Zα/2

(Hosmer & Lemeshow 1989). )

ˆ ( ˆ

(likelihood model reduksi) (likelihood model penuh)

Gred = -2 ln

ˆ

β

i i E S W

β

=

Interpretasi koefisien untuk model regresi logistik adalah dengan melihat rasio oddsnya. Koefisien model logit, βi, mencerminkan

perubahan nilai fungsi logit g(x) untuk perubahan satu unit peubah penjelas x. Dalam analisis model logit rasio odds didefinisikan sebagai: )] 0 ( ) 1 ( exp[ )

exp( i = g −g =

(27)

3

BAHAN DAN METODE

Bahan

X2 = Usia (tahun)

ditamatkan

HASIL DAN PEMBAHASAN

Deskripsi Responden

Perempuan 15.1%

Laki-laki 84.9%

bengkel

service

(28)

BAHAN DAN METODE

Bahan

X2 = Usia (tahun)

ditamatkan

HASIL DAN PEMBAHASAN

Deskripsi Responden

Perempuan 15.1%

Laki-laki 84.9%

bengkel

service

(29)

3

BAHAN DAN METODE

Bahan

X2 = Usia (tahun)

ditamatkan

HASIL DAN PEMBAHASAN

Deskripsi Responden

Perempuan 15.1%

Laki-laki 84.9%

bengkel

service

(30)

Gambar 2 menunjukkan deskripsi responden berdasarkan pendidikan terakhir yang telah ditamatkan. Sebanyak 78.1% responden merupakan lulusan universitas atau dengan kata lain telah mengenyam pendidikan tinggi dan diikuti oleh responden yang telah menamatkan pendidikan menengah sebesar 21%. Hanya sedikit dari responden (0.9%) yang berpendidikan terakhir SD.

3. Mendapat sms atau telepon dari dealer/AstraWorld yang mengingatkan untuk pergi ke bengkel (X5).

4. Merencanakan untuk pergi ke bengkel (X6).

5. Booking bengkel terlebih dahulu (X7).

6. Kepuasan keseluruhan terhadap pelayanan bengkel (X8).

Sedangkan peubah-peubah yang berpengaruh nyata pada taraf nyata α = 0.05 adalah:

0.9% 21.0% 78.1% 0% 30% 60% 90%

Rendah (SD) Menengah (SMP, SMA)

Tinggi (D1, D2, D3, S1, S2, S3)

3. Kepuasan keseluruhan terhadap pelayanan service (X9).

Gambar 2 Pendidikan terakhir yang telah _{Setelah enam peubah penjelas yang tidak} berpengaruh nyata pada taraf α = 0.05 direduksi maka akan diperoleh model seperti ditunjukkan pada Tabel 2.

ditamatkan responden (%).

[image:30.595.317.520.385.480.2]

Sehubungan dengan rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah, pada Tabel 1 terlihat persentase terbesar (84.9%) ada pada golongan yang mempunyai rata-rata pengeluaran total per bulan lebih dari Rp 3.000.000. Kemudian diikuti oleh golongan yang memiliki rata-rata pengeluaran total per bulan lebih kecil sama dengan Rp 3.000.000, yaitu sebesar 15.1%.

Tabel 2 Analisis regresi logistik dengan model reduksi

Peubah Coef Wald P

JK(1) 1.364 4.076 0.044 Pengeluaran(1) 2.126 8.021 0.005

PuasPService(1) -4.584 15.120 0.000 PuasPService(2) -2.023 4.601 0.032 Konstanta 1.590 3.354 0.067

Log-likelihood = -51.15 G = 22.132, Nilai-P = 0.000 Tabel 1 Sebaran responden berdasarkan rata-

rata pengeluaran total per bulan

Rata-rata pengeluaran

total per bulan Frekuensi Persen Lebih dari Rp 3.000.000 186 84.9 Lebih kecil sama dengan

Rp 3.000.000 33 15.1

Pada model reduksi dihasilkan nilai statistik uji-G sebesar 22.132 dan nilai-P = 0.000. Hasil uji ini menunjukkan bahwa paling sedikit ada satu βi yang tidak sama

dengan nol pada taraf nyata 5% diantara peubah jenis kelamin, rata-rata pengeluaran total per bulan dari keluarga responden yang tinggal menetap dalam satu rumah untuk keperluan sehari-hari, dan kepuasan keseluruhan terhadap pelayanan service.

Model Regresi Logistik

Pendugaan model penuh menghasilkan nilai statistik uji-G sebesar 33.255 dan nilai-P = 0.002, sehingga dapat disimpulkan bahwa sedikitnya ada satu βi yang tidak sama dengan

nol diantara sembilan peubah penjelas tersebut pada taraf nyata 5%.

Nilai statistik uji-G yang digunakan untuk membandingkan model penuh dan model reduksi adalah:

Gred = -2((-51.15) − (-45.588)) = 11.124

Pada model penuh ini terdapat beberapa peubah yang tidak berpengaruh nyata dikarenakan nilai-P yang dihasilkan lebih besar dari α = 0.05 seperti yang terlihat pada Lampiran 2. Peubah - peubah tersebut adalah:

Nilai Gred diatas lebih kecil dari χ2(9, 0.05) =

16.919, yang berarti hipotesis nol diterima, dimana H0 : β2 =β31 = β32 = β51 = β61 = β71 =

β81 = β82 = β83 = 0 vs H1 : minimal ada satu βi

≠ 0 diantara β2, β31, β32, β51, β61, β71, β81, β82,

dan β83. Hal ini menunjukkan bahwa peubah

usia, pendidikan terakhir yang telah ditamatkan, mendapat sms atau telepon dari 1. Usia (X2).

(31)

5

Interpretasi Koefisien

SK 95% Peubah

Dugaan Rasio

Odds Lower Upper

JK(1) 3.912 1.041 14.705 Pengeluaran(1) 8.379 1.924 36.483

KESIMPULAN DAN SARAN

Kesimpulan

(32)

Interpretasi Koefisien

SK 95% Peubah

Dugaan Rasio

Odds Lower Upper

JK(1) 3.912 1.041 14.705 Pengeluaran(1) 8.379 1.924 36.483

KESIMPULAN DAN SARAN

Kesimpulan

(33)

6

Saran

Pelanggan bengkel Auto2000 cenderung memiliki karakteristik yang saling berhubungan antara peubah-peubah yang menjadi bagian dalam demografi, perilaku ke bengkel, dan kepuasan pelayanan secara keseluruhan. Sehingga diduga tiap peubah penjelas tersebut mempunyai keterkaitan antar satu peubah dengan peubah yang lain. Oleh karena itu perlu dikaji analisis keterkaitan antar peubah penjelas tersebut. Metode Chi Square Automatic Interaction Detection

(CHAID) merupakan metode yang mampu mendeteksi keterkaitan antar peubah sekaligus menyeleksi peubah-peubah yang berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000. Banyaknya peubah penjelas yang tidak berperan terhadap opini pelanggan bengkel Auto2000 untuk tetap menggunakan bengkel Auto2000 menunjukkan karakteristik responden yang cenderung homogen sehingga dibutuhkan ukuran contoh yang lebih besar sebagai salah satu cara mengatasi hal tersebut. Selain itu, metode penarikan contoh yang digunakan pun sebaiknya menggunakan contoh berpeluang agar tingkat ketelitian data dapat diketahui, misalnya dengan penarikan contoh acak sederhana dengan kerangka penarikan contohnya yaitu daftar pembeli Toyota yang melakukan transaksi di Auto2000. Responden sebaiknya merupakan pembeli Toyota dan pengambil keputusan

dalam penentuan bengkel agar program-program bengkel yang nantinya akan dibuat oleh pihak Auto2000 dari hasil survey ini menjadi tepat sasaran.

DAFTAR PUSTAKA

Aunuddin. 1989. Analisis Data. Bogor: Pusat Antar Universitas Ilmu Hayat, Institut Pertanian Bogor.

Collet, D. 2003. Modelling Binary Data. Ed ke-2. New York: CRC Pr.

Hosmer DW, Lemeshow S. 1989. Applied Logistic Regression. New York: J. Wiley. Simamora, Bilson. 2003. Membongkar Kotak

Hitam Konsumen. Jakarta: Gramedia

Pustaka Utama.

(34)

Saran

Pelanggan bengkel Auto2000 cenderung memiliki karakteristik yang saling berhubungan antara peubah-peubah yang menjadi bagian dalam demografi, perilaku ke bengkel, dan kepuasan pelayanan secara keseluru