PenerapanModel Regresi Logistik Terhadap Kepemilikan Hp Android Pada Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam USU

(1)

PENERAPAN MODEL REGRESI LOGISTIK TERHADAP KEPEMILIKAN HP ANDROID PADA MAHASISWA FAKULTAS MATEMATIKA

DAN ILMU PENGETAHUAN ALAM USU

SKRIPSI

MARIA ULFA 120823004

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

(2)

PENERAPAN MODEL REGRESI LOGISTIK TERHADAP KEPEMILIKAN HP ANDROID PADA MAHASISWA FAKULTAS MATEMATIKA

DAN ILMU PENGETAHUAN ALAM USU

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains

MARIA ULFA 120823004

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

(3)

PERSETUJUAN

Judul : PenerapanModel Regresi Logistik Terhadap Kepemilikan Hp Android Pada Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam USU

Kategori : Skripsi

Nama : Maria Ulfa

Nomor induk mahasiswa : 120823004

Program studi : Sarjana (S1) Matematika

Departemen : Matematika

Fakultas : Matematika Dan Ilmu Pengetahuan Alam Universitas Sumatera Utara

Disetujui di

Medan, Oktober2014

Komisi Pembimbing :

Pembimbing 2, Pembimbing 1,

Dr. Pasukat Sembiring, M.Si Dr. Mardiningsih, M.Si NIP. 19531113 198503 1 002 NIP.19630405 198811 2 001

Disetujui oleh

Departemen Matematika FMIPA USU Ketua,

(4)

PERNYATAAN

PENERAPAN MODEL REGRESI LOGISTIK TERHADAP KEPEMILIKAN HP ANDROID PADA MAHASISWA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM USU

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri.Kecuali beberapa

kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Oktober2014

(5)

PENGHARGAAN

Assalamu’alaikum Warahmatullahi Wabarakatuh

Puji dan syukur Penulis panjatkan kepada Allah SWT atas segala berkah, rahmat dan

karunia yang dilimpahkan-Nya sehingga Penulis dapat menyelesaikan penyusunan

skripsi ini dengan judulPenerapan Model Regresi Logistik Terhadap Kepemilikan Hp

Android Pada Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam USU.

Terimakasih Penulis sampaikan kepada kepada IbuDr. Mardiningsih,M.Si

selaku pembimbing 1 dan BapakDr. Pasukat Sembiring, M.Si pembimbing 2 yang

telah meluangkan waktunya selama penyusunan skripsi ini. Terima kasih kepada Prof.

Dr. Tulus, M. Si, Dekan dan Pembantu Dekan FMIPA USU, seluruh staff dan Dosen

Matematika FMIPA USU, pegawai FMIPA USU serta kepada Ayahanda tercinta Seni

Wira Arzaini (Alm) dan Ibunda tercinta Siti Ramlah Hsb serta rekan-rekan kuliah

yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Allah

SWT membalasnya.

Medan, Oktober2014

Penulis,

(6)

ABSTRAK

Peningkatan jumlah penduduk yang disertai dengan pertumbuhan ekonomi masyarakat dan perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) yang sangat maju pesat, telah mendorong tingkat kepemilikan gadget canggih khususnya Hp atau telepon seluler yang dari tahun ke tahun semakin meningkat di kalangan masyarakat. Dalam penelitian ini penerapan Model Regresi Logistik digunakan untuk mengidentifikasi faktor-faktor yang mempengaruhi kepemilikan Hp Android pada mahasiswa Fakultas MIPA USU. Data tersebut dianalisis dengan menggunakan Metode Regresi Logistik karena variabel respon dari data tersebut berupa data kategori. Diperoleh Model Regresi Logistik yang terbentuk adalah sebagai berikut:

[ ]

Persamaan menunjukkan bahwa nilai intersep = -11,295. Artinya: [

] = -11,295 pada saat semua variabel berharga 0, yaitu pada saat variabel X1, X3, X4, dan

X5 tidak berpengaruh terhadap besarnya peluang kepemilikan Hp Android (Y).

Diperoleh besaran [

] = -11,295 atau besarnya probabilitas

) 295 , 11 (

1 )

( _

  

e e x

p i = 0,00001.

(7)

ABSTRACT

The increase of population coupled with economic growth of society and the development of Science and Technology highly advanced rapidly, have pushed the ownership rate gadgets especially Hp or cell phone that from year to year increasing among society. In this researches, Logistic Regression Model is used to identify the factors that influence android phone ownership in student faculty of mathematics and natural science. The data were analyzed using Logistic Regression method for the variable response of data in the form of categorical data. Thus, Logistic Regression models were formed are as follows:

[

]

Equation shows that the intercept = -11,295. Means: [

] = -11,295, when all the variables is 0, is at the moment the X1, X3, X4, and X5 variables no effect on the

android phone ownership opportunities. Magnitude obtained [

] = -11,295or

the magnitude of the probability

.

(8)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak v

Abstract vi

Daftar isi vii

Daftar tabel ix

BAB 1 PENDAHULUAN

1.1. Latar Belakang 1

1.2. Rumusan Masalah 2

1.3. Batasan Masalah 3

1.4. Tujuan Penelitian 3

1.5. Manfaat Penelitian 3

1.6. Tinjauan Pustaka 4

1.7. Metodologi Penelitian 7

BAB 2 LANDASAN TEORI

2.1. Gambaran Fakultas FMIPA USU 9

2.2 Pengertian Android 10

2.3 Defenisi Operasional Variabel Penelitian 10

2.4 Data 11

2.4.1 Data Menurut Sifatnya 11

2.4.2 Skala Pengukuran Data 11

2.4.3 Skala Untuk Instrumen 13

2.4.4 Mengubah Data Ordinal ke Data Interval dengan 14 Metode Suksesif Interval (MSI)

2.5 Tahapan Penelitian 15

2.6 Analisis Data 16

2.4.1 Uji Validitas 16

2.4.2 Uji Reliabilitas 16

2.5. Regresi Logistik 17

2.5.1 Model Regresi Logistik 17

2.5.2 Uji Signifikansi Parameter 18

2.5.3 Uji Kecocokan Model 20

2.5.4 Odds Rasio 21

BAB 3 PEMBAHASAN

3.1. Pengolahan Data 23

3.1.1. Tabulasi Hasil Kuesioner 23

(9)

3.2. Transformasi Data Ordinal Menjadi Data Interval 29

3.3. Pengolahan Data 32

3.4. Analisis Data 32

3.4.1 Tipe Data 32

3.5. Menjelaskan Hasil Analisis Dengan Menggunakan SPSS 33

3.5.1 Model Regresi Logistik 33

3.5.2 Uji Signifikansi Parameter Model Awal 35

3.5.3 Uji Kecocokan Model 38

3.6. Interpretasi Model Menggunakan Odds Rasio 39 3.7. Mencari Persamaan Regresi Logistik Tanpa SPSS 41

BAB IV KESIMPULAN DAN SARAN

4.1. Kesimpulan 46

4.2. Saran 47

(10)

DAFTAR TABEL

Halaman

1. Tabel 3.1 Uji Validitas Harga 24

2. Tabel 3.2 Uji Validitas Fitur 25

3. Tabel 3.3 Uji Validitas Merek 25

4. Tabel 3.4 Uji Validitas Desain 26

5. Tabel 3.5 Uji Validitas Iklan 26

6. Tabel 3.6 Uji Reliabilitas Harga 27

7. Tabel 3.7 Uji Reliabilitas Fitur 27

8. Tabel 3.8 Uji Reliabilitas Desain 28

9. Tabel 3.9 Uji Reliabilitas Merek 28

10.Tabel 3.10 Uji Reliabilitas Iklan 29

11.Tabel 3.11 Skor Jawaban Ordinal 30

12.Tabel 3.12 Rincian Hasil Perhitungan Secara Manual 32

13.Tabel 3.13 Nilai Koefisien Variabel 33

14. Tabel 3.14 Model Summary 35

15. Tabel 3.15 Model Klasifikasi 36

16. Tabel 3.16 Nilai Koefisien Variabel 37

17. Tabel 3.17 Tabel Kontingensi Untuk Uji Hoshmer-Lemeshow 39

18. Tabel 3.18 Uji Hoshmer-Lemeshow 39

19. Tabel 3.19 Kontribusi Variabel X Terhadap Variabel Y 40

20. Tabel 3.20 Data Variabel Y dan X 41

21. Tabel 3.21 Tabel Kontingensi 42

22. Tabel 3.22 Nilai Peluang 42

23. Tabel 3.23 Nilai Y 42

(11)

ABSTRAK

Peningkatan jumlah penduduk yang disertai dengan pertumbuhan ekonomi masyarakat dan perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) yang sangat maju pesat, telah mendorong tingkat kepemilikan gadget canggih khususnya Hp atau telepon seluler yang dari tahun ke tahun semakin meningkat di kalangan masyarakat. Dalam penelitian ini penerapan Model Regresi Logistik digunakan untuk mengidentifikasi faktor-faktor yang mempengaruhi kepemilikan Hp Android pada mahasiswa Fakultas MIPA USU. Data tersebut dianalisis dengan menggunakan Metode Regresi Logistik karena variabel respon dari data tersebut berupa data kategori. Diperoleh Model Regresi Logistik yang terbentuk adalah sebagai berikut:

[ ]

] = -11,295 pada saat semua variabel berharga 0, yaitu pada saat variabel X1, X3, X4, dan

Diperoleh besaran [

] = -11,295 atau besarnya probabilitas

) 295 , 11 (

1 )

( _

  

e e x

p i = 0,00001.

(12)

ABSTRACT

The increase of population coupled with economic growth of society and the development of Science and Technology highly advanced rapidly, have pushed the ownership rate gadgets especially Hp or cell phone that from year to year increasing among society. In this researches, Logistic Regression Model is used to identify the factors that influence android phone ownership in student faculty of mathematics and natural science. The data were analyzed using Logistic Regression method for the variable response of data in the form of categorical data. Thus, Logistic Regression models were formed are as follows:

[

]

Equation shows that the intercept = -11,295. Means: [

] = -11,295, when all the variables is 0, is at the moment the X1, X3, X4, and X5 variables no effect on the

android phone ownership opportunities. Magnitude obtained [

] = -11,295or

the magnitude of the probability

.

(13)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Menurut sebuah riset yang dilakukan oleh GfK Asia, penjualan smartphone di wilayah Asia Tenggara mengalami kenaikan hingga 61%. Lebih jauh lagi, para konsumen dari

Singapura, Malaysia, Vietnam, Thailand, Indonesia, Kamboja dan Filipina telah

menghabiskan lebih dari US 10.8 miliar atau 127.98 triliun rupiah untuk membeli 41.5

juta smartphone. Dari deretan negara-negara tersebut Indonesia berada di urutan nomor satu sebagai negara yang paling komsumtif dalam pembelian perangkat mobile

(Republica.co.id).

Peningkatan jumlah penduduk yang disertai dengan pertumbuhan ekonomi

masyarakat dan perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) yang sangat

maju pesat telah mendorong tingkat kepemilikan gadget canggih khususnya Hp atau telepon seluler yang dari tahun ke tahun semakin meningkat di kalangan masyarakat.

Saat ini yang menjadi trend bagi kebanyakan masyarakat dari berbagai kalangan

adalah Hp Android. Hampir setiap orang memiliki Hp Android, tidak terkecuali bagi

mahasiswa di Fakultas Matematika dan Ilmu Pengetahuan Alam USU.

Android adalah sistem operasi berbasis linux yang dirancnang untuk perangkat

seluler layar sentuh seperti telepon pintar dan komputer tablet. Saat ini Hp Android

menjadi salah satu kebutuhan penting tak terkecuali bagi mahasiswa. Karena akan

mempermudah untuk memenuhi kebutuhan dalam kegiatan perkuliahan. Fungsinya

yang menyerupai komputer mini, namun pengguna tidak lagi direpotkan membawa

mouse ataupun keyboard. Mahasiswa dapat dengan mudah mengakses internet untuk keperluan belajar, seperti untuk mencari referensi buku, tugas kuliah dan keperluan

(14)

Analisis regresi dapat digunakan untuk mengetahui pengaruh dan mengukur

hubungan antara variabel dependen dan variabel independen. Pada penelitian ini,

variabel dependen model regresinya yaitu kepemilikan Hp Android pada mahasiswa

FMIPA USU. Sedangkan untuk variabel independenrnya terdiri dari harga, fitur,

merek, desain, dan iklan. Model regresi yang diterapkan pada saat variabel

dependennya bersifat kualitatif adalah model regresi logistik. Model regresi logistik

merupakan salah satu pendekatan model matematis yang digunakan untuk

menganalisis hubungan satu atau beberapa variabel dependen kategori (Hastono, S.P,

2008).

Model regresi logistik yang variabel dependen kategorinya mempunyai dua

nilai variasi disebut model regresi logistik biner. Sedangkan yang memiliki lebih dari

dua variasi disebut model regresi logistik polykotomous. Dalam penelitian ini akan dilakukan uji kecocokan pada model regresi logistik. Jika terdapat kurang cocoknya

model maka akan memberikan kesimpulan yang salah terhadap hasil data penelitian.

Uji kecocokan diperlukan untuk mengetahui apakah model statistik sudah layak

digunakan. Terdapat beberapa uji kecocokan untuk model regresi logistik, salah

satunya adalah uji Hosmer dan Lemeshow.

Berdasarkan uraian di atas penulis tertarik untuk mengetahui “Penerapan

Model Regresi Logistik Terhadap Kepemilikan Hp Android Pada Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam USU”

1.2 Rumusan Masalah

Memiliki Hp Android bagi mahasiswa saat ini dirasa penting, karena Hp Android

dapat membantu dan mempermudah mahasiswa dalam mengakses internet guna

mememenuhi kebutuhan dalam proses belajar. Masalah kepemilikan Hp Android

adalah masalah yang variabel dependen kategorinya bersifat kualitatif dan mempunyai

dua nilai variasi. Regresi logistik merupakan model regresi yang digunakan untuk

menganalisis hubungan satu atau beberapa variabel independen dengan sebuah

(15)

logistik adalah metode yang sesuai untuk digunakan dalam penelitian kepemilikan Hp

ini.

1.3 Batasan Masalah

Melihat luasnya cakupan permasalahan yang berhubungan dengan penelitian ini, maka

batasan masalah dalam penelitian ini adalah:

1. Variabel independen X yang digunakan dalam penelitian ini adalah harga (X1),

merek (X2), fitur (X3), desain (X4) dan iklan (X5).

2. Responden pada penelitian ini adalah mahasiswa FMIPA USU.

3. Metode analisis yang digunakan untuk menentukan model hubungan antara

variabel independen X dan variabel dependen Y dalam penelitian ini adalah

dengan pendekatan statistik, yaitu dengan regresi logistik.

1.4 Tujuan Penelitian

Menerapkan model regresi logistik terhadap kepemilikan Hp Android pada mahasiswa

FMIPA USU.

1.5 Manfaat Penelitian

Hasil penelitian ini diharapkan dapat memberikan manfaat sebagai berikut:

1. Sebagai tambahan informasi pada produsen dan memberikan gambaran

tentang faktor-faktor yang berpengaruh terhadap kepemilikan Hp Android.

2. Mengetahui penerapan model regresi logistik terhadap kepemilikan Hp

Android pada mahasiswa FMIPA USU.

3. Memberikan manfaat bagi mahasiswa dalam rangka menambah ilmu

pengetahuan dan wawasan tentang Analisis Regresi Logistik serta dapat

(16)

1.6 Tinjauan Pustaka

Pengertian teknologi sebenarnya dari bahasa prancis yaitu “la teqnique” yang berarti

semua proses yang dilaksanakan dalam upaya untuk mewujudkan sesuatu secara

rasional (http:/www.aingindra.com/pengertian-teknologi). Android adalah sistem

operasi berbasis linux yang dirancang untuk perangkat seluler layar sentuh seperti

telepon pintar dan komputer tablet.

Analisis regresi logistik adalah salah satu pendekatan model matematis yang

digunakan untuk menganalisis hubungan satu atau beberapa variabel independen

dengan sebuah variabel dependen kategori yang bersifat dikotom/binary. Variabel

kategori yang dikotomi adalah variabel yang mempunyai dua nilai variasi, misalnya

sukses atau tidak sukses. (S.P. Hastono, 2008 :167)

Regresi logistik berbeda dengan regresi linier pada penggunaan jenis variabel

dependennya. Pada regresi linier menggunakan variabel dependen numerik sedangkan

pada regresi logistik menggunakan variabel dependen kategorik yang bersifat

dikotomi. (Yasril, 2008)

Banyak topik penelitian yang menuntut variabel dependen berupa pilihan

nominal seperti terjadi atau tidak terjadi, memilih atau tidak memilih, sukses atau

gagal. Regresi dengan variabel dependen bernilai nominal tersebut dapat dilakukan

dengan menggunakan variabel dependen berupa nilai 1 atau 0. (Suharjo, 2008)

Regresi logistik merupakan model regresi yang digunakan bila variabel

responnya bersifat kualitatif (Hosmer dan Lemeshow, 1989) model regresi logistik

sederhana yaitu model regresi logistik untuk satu variabel Independen X dengan

variabel dependen Y yang bersifat dikotomi. Nilai variabel Y = 1 menyatakan adanya

suatu karakteristik dan Y = 0 menyatakan tidak adanya suatu karakteristik.

Adapun bentuk umum model regresi logistik adalah:

∑

(17)

Keterangan:

= peluang sukses = intersep

parameter-parameter regresi

variabel ke- dari variabel independen bilangan natural (2,7183)

Model ini merupakan model peluang suatu kejadian yang dipengaruhi oleh

faktor–faktor . Persamaan ini bersifat nonlinier dalam parameter. Tidak seperti pada regresi linier dengan metode Ordinary Least Squares atau kuadrat terkecil, regresi logistik tidak mengasumsikan hubungan linier antara variabel

dependen dengan variabel independen. Akan tetapi, variabel independen memiliki

hubungan linear dengan logit variabel dependen. Selanjutnya, untuk menjadikan

model tersebut linier proses yang dinamakan logit transformation perlu dilakukan

seperti berikut ini:

| | ∑ (1.2)

Keterangan:

= peluang sukses = intersep

variabel ke- dari variabel independen

Sebelum membentuk model regresi logistik terlebih dahulu dilakukan uji

signifikansi parameter. Uji yang pertama dilakukan adalah pengujian peranan

parameter di dalam model secara keseluruhan atau uji signifikansi secara overall. Menurut Hosmer-Lemeshow, (1989) suatu statistik uji rasio likelihood G adalah fungsi dari dan yang berdistribusi (Chi-square) dengan derajat bebas yang didefenisikan sebagai berikut:

(18)

Keterangan:

nilai maksimum fungsi kemungkinan untuk model di bawah H0

= nilai maksimum fungsi log kemungkinan untuk model di bawah H0

Uji Wald Chi-square digunakan untuk menguji signifikansi parameter model secara terpisah. Didefenisikan dengan:

[_̂ ̂ ] dengan i = 1,2,...,n (1.5)

Keterangan:

̂ = Nilai dari estimasi parameter regresi untuk variabel ke-i

( ̂) = Nilai standard error untuk variabel ke-i n = variabel bebas yang digunakan

Uji kecocokan model digunakan untuk mengevaluasi cocok tidaknya model

dengan data, nilai observasi yang diperoleh sama atau mendekati dengan yang

diharapkan dalam model. Alat yang digunakan untuk menguji kecocokan dalam

regresi logistik adalah uji Hosmer dan Lemeshow, mengikuti distribusi Chi-square

dengan dimana adalah banyaknya kelompok, dengan rumus sebagai

berikut :

∑ _̅ _̅ ̅ (1.6)

Keterangan :

= total sampel kelompok

= Jumlah sampel kejadian sukses pada kelompok

(19)

ke-Dalam regresi logistik juga ada rasio peluang (odds ratio) yang digunakan untuk melihat asosiasi antara variabel independen dengan variabel dependen dan juga

untuk menginterpretasikan regresi logistik. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul dibagi dengan probabilitas suatu

kejadian yang tidak terjadi. Secara umum rasio peluang merupakan sekumpulan

peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi independen diartikan

sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun

(rasio peluang < 1) ketika nilai variabel independen meningkat sebesar 1 unit. Untuk

menentukan odds ratio rumusnya sebagai berikut:

) 0 ( 1 ) 0 ( ) 1 ( 1 ) 1 ( ) 0 ( 1 ) 0 ( ) 1 ( 1 ) 1 ( p p p p p p p p        (1.7) Keterangan: 1

p : Peluang kejadian kelompok pertama.

0

p : Peluang kejadian kelompok kedua.

1.7 Metodologi Penelitian

Metode penelitian adalah salah satu cara yang terdiri dari langkah-langkah atau urutan

kegiatan yang berfungsi sebagai pedoman umum yang digunakan untuk melaksanakan

penelitian sehingga apa yang menjadi tujuan dari penelitian itu terwujud. Penulis

melakukan beberapa langkah-langkah untuk menyelesaikan penelitian antara lain :

1. Pengambilan sampel dilakukan sebagai berikut :

a. Dalam penelitian ini metode pengambilan sampel yang digunakan adalah

sampling kemudahan (Convenience Sampling), yaitu responden yang terpilih adalah yang sesuai dengan teori penelitian dan dianggap cocok

sebagai sumber data. Jumlah sampel yang diambil sebanyak 50 responden

dengan pertimbangan penentuan ukuran sampel tersebut dapat memberikan

(20)

b. Menentukan variabel-variabel yang akan diteliti yaitu kepemilikan Hp

Android (Y), harga (X1), fitur (X2), merek (X3), desain (X4), dan iklan

(X5).

c. Merancang kuesioner.

d. Melakukan survey dan mengumpulkan data primer pada mahasiswa

FMIPA USU.

2. Mengubah data ordinal ke data interval dengan menggunakan Metode Suksesif

Interval (MSI).

3. Perumusan model regresi logistik dengan membuat persamaan logistik

berganda.

4. Menerapkan model regresi logistik pada data sampel yang diperoleh, yaitu :

a. Menguji signifikansi parameter yang diperoleh dari hasil penaksiran

b. Menerapkan uji kecocokan model regresi logistik dengan uji Hosmer dan

Lemeshow.

(21)

BAB 2

LANDASAN TEORI

2.1 Gambaran umum Fakultas MIPA USU

Pendirian fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) mulai dirintis

sejak tahun 1959 melalui berbagai pembahasan dalam sidang pimpinan USU yang

ketika itu disebut Rapat Presidium dan Asesor dengan nama Fakultas Ilmu Pasti dan

Ilmu Alam (FIPIA). Rencana pendirian FIPIA USU pernah terhenti karena adanya

pergolakan di USU, namun akhirnya mendapat persetujuan dari menteri dengan Surat

Keputusan Nomor 9638/Sekret/BUP/1965. Peresmian berdirinya FIPIA USU ditandai

dengan dibukanya tiga jurusan yaitu: Jurusan Matematika, Fisika dan Kimia. Pada

tahun 1969, FIPIA USU membuka Jurusan Farmasi pada tahun 1969 dan pada tahun

1981 membuka Program Diploma-3 Pendidikan Ahli Kimia Analis (PAKA) melalui

Surat Keputusan Rektor USU Nomor: 3491/PT05/SK/C/1981. Pada tahun 1974 FIPIA

USU berubah nama menjadi Fakultas Ilmu Pasti dan Ilmu Pengetahuan Alam USU,

namun beberapa tahun kemudian yaitu pada tahun 1982 kembali merubah nama

dengan Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) USU. Pada tahun

1985 FMIPA USU dipercayakan Pemerintah Republik Indonesia untuk

menyelenggarakan Program Diploma-3 Kependidikan meliputi Program Studi :

Matematika, Fisika, Kimia dan Biologi. Program ini dimaksudkan untuk pengadaan

guru-guru dalam bidang eksakta akan ditempatkan di daerah dan seluruh

mahasiswanya memperoleh beasiswa. Peringatan Dies Natalis FMIPA diperingati

setiap tahunnya pada tanggal 25 Agustus yaitu pada saat pelantikan pertama sekali

pimpinan FIPIA. Jurusan Farmasi berubah status menjadi Fakultas Farmasi

(22)

2.2 Pengertian Android

Android adalah sistem operasi berbasis linux yang dirancang untuk perangkat seluler

layar sentuh seperti telepon pintar dan komputer tablet. Hp Android memiliki fungsi

yang menyerupai kompuer mini, namun pengguna tidak lagi direpotkan membawa

mouse ataupun keyboard. Layaknya sebuah handphone masa kini dimana ponsel Android memiliki bentuk yang simpel. Hp Android bentuknya sangat sederhana

namun memiliki kemampuan yang sangat banyak. Diantaranya:

1. Telepon.

2. SMS.

3. Video Call. 4. Browsing. 5. Dll.

Pada Hp Android terdapat berbagai fitur yang bisa digunakan. Sesuai dengan

pengertian fitur yang merupakan aspek-aspek keistimewaan, karakteristik, layanan

khusus, ragam keuntungan yang dibawa dalam suatu produk terpapar kepada

pelanggan/sosial/umum.

2.3 Defenisi Operasional Variabel Penelitian

Untuk memudahkan gambaran yang jelas dan memudahkan pelaksanaan penelitian,

maka variabel-variabel yang akan diteliti adalah sebagai berikut:

a. Variabel independen (bebas) adalah variabel yang mempengaruhi atau menjadi

sebab timbulnya variabel terikat. Dalam penelitian ini yang menjadi variabel

independen X adalah harga (X1), fitur (X2), merek (X3), desain (X4), dan iklan

(X5).

b. Variabel dependen (terikat) adalah variabel yang dipengaruhi atau menjadi

akibat karena adanya perubahan variabel independen. Dalam penelitian ini

(23)

2.4 Data

Pengertian data menurut Webster New World Dictionary, data adalah things known or assumed, yang berarti bahwa data itu adalah sesuatu yang diketahui atau dianggap. Diketahui artinya yang sudah terjadi merupakan fakta (bukti). Data dapat memberikan

gambaran tentang suatu keadaan atau persoalan.

Data bisa juga didefenisikan sekumpulan informasi atau nilai yang diperoleh

dari pengamatan (observasi) suatu objek, data dapat berupa angka dan dapat pula

merupakan angka atau sifat. Beberapa macam data antara lain: data populasi dan

sampel, data observasi, data primer dan data sekunder.

Pada dasarnya kegunaan data (setelah diolah dan dianalisis) ialah sebagai dasar

yang objektif di dalam proses pembuatan keputusan-keputusan dalam rangka untuk

memecahkan persoalan oleh pengambilan keputusan. Keputusan yang baik hanya bisa

dieroleh dari pengambilan keputusan yang objektif, dan didasarkan atas data yang

baik.

Data yang baik adalah data yang bisa dipercaya kebenarannya (reliable), tepat waktu dan mencakup ruang lingkup yang luas atau bisa memberikan gambaran

tentang suatu masalah secara menyeluruh merupakan data relevan.

Riset akan menghasilkan data. Ada tiga peringkat data yaitu data mentah, hasil

pengumpulan, data hasil pengolahan berupa jumlah, rata-rata, dan data hasil analisis

berupa kesimpulan. Yang terakhir ini mempunyai peringkat tertinggi sebab langsung

dapat dipergunakan untuk menyusun saran atau usul untuk dapat keputusan.

2.4.1 Data Menurut Sifatnya

Menurut sifatnya, data dapat dibagi dua:

a. Data kualitatif yaitu data yang tidak berbentuk angka, misalnya: kuesioner

(24)

b. Data kuantitatif yaitu data yang berbentuk angka, misalnya: harga suatu

produk, besar pendapatan, dan sebagainya.

2.4.2 Skala Pengukuran Data

Skala merupakan suatu prosedur pemberian angka atau simbol lain kepada sejumlah

ciri dari suatu objek agar dapat menyatakan karakteristik angka pada ciri tersebut.

Skala pengukuran oleh S.S Steven (1976) terbagi atas 4 bagian yaitu:

a. Skala Nominal: skal nominal tingatan pengukuran yang paling sederhana.

Dasar penggolongan ini agar kategori yang tidak tumpang tindih (mutually exclutive) dan tuntas (exhaustive). Angka yang ditunjuk untuk suatu kategori tidak merefleksikan bagaimana kedudukan kategori tersebut terhadap kategori

lainnya, tetapi hanyalah sekedar label atau kode sehingga skala yang

diterapkan pada data yang hanya dibagi ke dalam kelompok-kelompok tertentu

dan pengelompokan tersebut hanya dilakukan untuk tujuan identifikasi.

b. Skala Ordinal: skala ini memungkinkan peneliti untuk mengurutkan

respondennya dari tingkatan paling rendah ke tingkatan paling tinggi menurut

atribut tertentu. Skala yang diterapkan pada data yang dapat dibagi dalam

berbagai kelompok dan kita bisa membuat peringkat diantara kelompok

tersebut.

c. Skala Interval: seperti hal ukuran ordinal, ukuran interval adalah mengurutkan

orang atau objek berdasarkan suatu atribut. Interval atau jarak yang sama pada

skala interval dipandang sebagai mewakili interval atau jarak yang sama pula

pada objek yang diukur. Skala yang diterapkan pada data yang dapat

dirangking dan dengan peringkat tersebut kita bisa mengetahui perbedaan

diantara peringkat-peringkat tersebut dan kita bisa menghitung besarnya

perbedaan itu. Namun harus diperhaikan bahwa dalam skala ini perbandingan

(25)

d. Skala Rasio: suatu bentuk interval yang jaraknya (interval) tidak dinyatakan

sebagai perbedaan nilai antar responden, tetapi antara seorang dengan nilai

absolute, karena ada titik 0 maka perbandingan rasio dapat ditentukan.

2.4.3 Skala untuk Instrumen (Skala Sikap)

Bentuk-bentuk model skala sikap sering digunakan dalam penelitian ada 5 macam

yaitu:

a. Skala Likert

Digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau

sekelompok orang tentang fenomena sosial (Situmorang et al, 2010). Pada penelitian ini responden memilih salah satu dari jawaban yang diberi skor

tertentu. Skor responden kemudian dijumlahkan dan jumlah ini merupakan

total skor. Skala likert digunakan tergantung kebutuhan.

b. Skala Gutman

Digunakan untuk mengukur dimensi saja dari suatu variabel multidimensi.

Skala gutman dilakukan jika peneliti ingin mendapatkan jawaban tegas

terhadap suatu permasalahan yang ditanyakan.

c. Skala Diferensial Semantik

Berisikan serangkaian bipolar (dua kutub). Skala ini digunakan untuk

mengukur sikap, hanya bentuknya bukan pilihan ganda atau checklist, tetapi tersusun dalam satu garis kontinum yang jawaban positifnya terletak di bagian

kiri dan jawaban negatif terletak di bagian kanan atau sebaliknya.

d. Rating Scale

Merupakan data mentah yang didapat berupa angka kemudian ditafsirkan

(26)

e. Skala Thurtone

Skala ini meminta responden untuk memilih jawaban pertanyaan yang ia

setujui dari beberapa pertanyaan yang menyajikan pandangan-pandangan yang

berbeda-beda. Pada umumnya setiap item mempunyai asosiasi antara 1 sampai

10 tetapi nilai-nilainya tidak diketahui oleh responden.

2.4.4 Mengubah Data Ordinal ke Data Interval Dengan Metode Suksesif Interval (MSI)

Metode suksesif interval merupakan proses mengubah data ordinal menjadi data

interval. Mengapa data ordinal harus diubah dalam bentuk interval? Data ordinal

sebenarnya adalah data kualitatif atau bukan angka sebenarnya. Data ordinal

menggunakan angka sebagai simbol data kualitatif. Dalam contoh di bawah ini

misalnya:

- Angka 1 mewakili “sangat tidak setuju” - Angka 2 mewakili “tidak setuju” - Angka 3 mewakili “netral” - Angka 4 mewakili “setuju”

- Angka 5 mewakili “sangat setuju”

Proses mengubah data berskala ordinal menjadi data berskala interval,

mempunyai beberapa ahapan yang harus dilakukan, yaitu:

a. Menghitung frekuensi

b. Menghitung proporsi

c. Menghitung proporsi kumulatif

d. Menghitung nilai z

e. Menghitung nilai densitas fungsi z

f. Menghitung scale value

(27)

2.5 Tahapan Penelitian

Studi Pendahuluan: - Identifikasi/penentuan lokasi studi - Identifikasi data

- Identifikasi pustaka

- Identifikasi alat bantu (perangkat lunak)

Latar Belakang dan Rumusan Masalah

Tujuan Penelitian

Pengumpulan Data dengan Menggunakan Kuesioner

Tabulasi Data

Uji Validitas dan Reliabilitas

Transformasi Data Ordinal ke Data Interval

Uji Statistika dengan Menggunakan Model Regresi Logistik

(28)

2.6 Analisis Data 2.6.1 Uji Validitas

Uji validitas adalah uji yang dilakukan untuk mengetahui apakah sebuah

pertanyaan-pertanyaan tersebut valid atau tidak. Untuk mengetahui hal tersebut perlu dilakukan

perbandingan antara r_hit dengan r_tab. Apabila r_hit >r_tabmaka item-item pertanyaan

tersebut dinyatakan valid.



































  2 2 2 2 Y Y n X X n Y X XY n rxy (2.1) Keterangan: xy

r : Koefisien korelasi pearson

n : Banyaknya responden

X : Skor yang yang diperoleh subjek dari seluruh item

Y : Skor total yang diperoleh dari seluruh item

X

 : Jumlah skor dalam distribusi X

Y

 : Jumlah skor dalam distribusi Y

2

X

 : Jumlah kuadrat dalam skor distribusi X

2

Y

 : Jumlah kuadrat dalam skor distribusi Y

2.6.2 Uji Reliabilitas

Uji reliabilitas adalah uji yang dilakukan untuk mengetahui apakah sebuah pertanyaan

atau pernyataan sudah reliabel atau belum. Menurut Ghozali (2005), suatu variabel

dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,60. Rumus yang

digunakan untuk menghitung nilai Alpha Cronbabach adalah sebagai berikut:

               





₂

(29)

Keterangan:

r

: Koefisien reabilitas instrumen (cronbach alpha)

k

: Jumlah item pertanyaan yang di uji



2

b

 : Jumlah varians skor tiap- tiap item pertanyaan

2 t



: Varians total

2.7 Regresi Logistik

Regresi logistik adalah suatu model matematik yang digunakan untuk mempelajari

hubungan antara satu atau beberapa variabel independen dengan satu variabel

dependen yang bersifat dikotomus (binary). Variabel yang bersifat dikotomus adalah variabel yang hanya memiliki dua nilai, misalnya hidup/mati, sakit/sehat,

merokok/tidak merokok dan sebagainya.

Pada regresi logistik, variabel independen yang digunakan dapat berupa

variabel katagorik maupun numerik. Namun sebaiknya menggnakan variabel

katagorik agar lebih mudah dalam menginterpretasikan hasil analisisnya. Bila salah

satu atau beberapa variabel independen merupakan variabel dengan skala nominal

dengan 3 atau lebih kategori, maka harus dibuat dummy variable yang menggambarkan kategori dari variabel tersebut dengan referrence group-nya salah satu dari kategori tersebut.

Regresi logistik merupakan regresi yang digunakan bila dependennya bersifat

kualitatf (Hosmer dan Lemeshow, 1989) model regresi logistik sederhana yaitu model

regresi logistik untuk satu variabel independen X dengan variabel dependen Y yang

bersifat dikotomi. Nilai variabel Y = 1 menyatakan adanya suatu karakteristik dan Y =

0 menyatakan tidak adanya suatu karakteristik.

2.7.1 Model Regresi Logistik

Adapun bentuk umum dari model regresi logistik adalah:

∑

(30)

Keterangan:

= Peluang sukses = intersep

pengamatan variabel ke- dari variabel independen bilangan natural (2,7183)

Selanjutnya, untuk menjadikan model tersebut linier proses yang dinamakan

logit transformation perlu dilakukan seperti berikut ini:

| | ∑ (2.4)

Keterangan:

= Peluang sukses = intersep

pengamatan variabel ke- dari variabel independen

2.7.2 Uji Signifikansi Parameter

Sebelum membentuk model regresi logistik terlebih dahulu dilakukan uji signifikansi

parameter. Uji yang pertama dilakukan adalah pengujian peranan parameter di dalam

model secara keseluruhan atau uji signifikansi secara overall yaitu dengan hipotesis sebagai berikut :

H0 : (tidak ada perbedaan antara model dengan data

sehingga model dapat dikatakan baik)

H1 : paling sedikit koefisien (ada perbedaan antara model dengan data

(31)

Menurut Hosmer-Lemeshow, (1989) suatu statistik uji rasio likelihood G adalah fungsi dari dan yang berdistribusi (Chi-square) dengan derajat bebas

yang didefenisikan sebagai:

[ ] (2.5)

keterangan:

Nilai tersebut mengikuti distribusi Chi-square dengan . Jika menggunakan taraf nyata sebesar , maka kriteria ujinya adalah tolak H0 jika

atau , dan terima dalam hal lainnya.

Uji signifikansi parameter secara terpisah dilakukan dengan menggunakan

Wald Chi-square dengan rumusan hipotesis sebagai berikut:

0

:

0 i



H



0

:

1 i



H



atau

:

0

H

Koefisien logistik tidak signifikan terhadap model (tidak ada perbedaan

antara model dengan koefisien sehingga model dapat dikatakan baik).

:

1

H Koefisien logistik signifikan terhadap model (ada perbedaan antara model

dengan koefisien sehingga model tidak dapat dikatakan baik).

Uji Wald Chi-square digunakan untuk menguji signifikansi parameter model secara terpisah. Didefeinisikan dengan:

(32)

Keterangan:

̂ = Nilai dari estimasi parameter regresi untuk variabel ke-i

( ̂) = Nilai standard error untuk variabel ke=i i = variabel bebas yang digunakan

Statistik uji mendekati distribusi Chi-square dengan derajat bebas 1. H0

nya adalah ̂ , untuk setiap yang berarti bahwa variabel independen

ke- tidak signifikan terhadap model. H0 ditolak jika

2.7.3 Uji kecocokan Model

Uji kecocokan model digunakan untuk mengevaluasi cocok tidaknya model dengan

data, nilai observasi yang diperoleh sama atau mendekati dengan yang diharapkan

dalam model. Alat yang digunakan untuk menguji kecocokan dalam regresi logistik

adalah uji Hosmer dan Lemeshow, mengikuti distribusi Chi-square dengan dimana adalah banyaknya kelompok.

Uji Hosmer dan Lemeshow yang ditulis dengan uji ̂, dihitung berdasarkan

taksiran probabilitas (Hosmer danLemeshow, 1989). Pada uji ini sampel dimasukkan

ke sejumlah kelompok dengan tiap-tiap kelompok memuat sampel

pengamatan, dengan adalah jumlah sampel. Jumlah kelompok sekitar 10. Idealnya,

kelompok pertama memuat sampel yang memiliki taksiran probabilitas

sukses terkecilyang diperoleh dari model taksiran. Kelompok kedua memuat

sampel yang memiliki taksiran probabilitas sukses terkecil kedua, dan seterusnya, dengan rumus sebagai berikut:

∑ _̅ _̅ ̅ (2.7)

Keterangan:

= total sampel kelompok

(33)

̅ = rata-rata taksiran probabilitas kelompok

ke-Untuk menguji kecocokan model, bandingkan nilai Chi-square pada tabel

Chi-square dengan . Jika maka H0 ditolak.

2.7.4 Odds Rasio

Regresi logistik juga menghasilkan rasio peluang (odds ratio) terkait dengan nilai setiap independen. Peluang dari suatu kejadian diartikan sebagai probabilitas hasil

yang muncul yang dibagi dengan probabilitas suatu kejadian yang tidak terjadi. Secara

umum rasio peluang merupakan sekumpulan peluang yang dibagi oleh peluang

lainnya. Rasio peluang bagi independen diartikan sebagai jumlah relatif dimana

peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai

variabel independen meningkat sebesar 1 unit. Untuk menentukan odds ratio

rumusnya sebagai berikut:

) 0 ( 1 ) 0 ( ) 1 ( 1 ) 1 ( ) 0 ( 1 ) 0 ( ) 1 ( 1 ) 1 ( p p p p p p p p        (2.8)

Odds ratio didefinisikan sebagai perbandingan dari nilai variabel sukses terhadap variabel bernilai gagal. Dengan kata lain odds rasio menjelaskan seberapa besar pengaruh variabel sukses dibanding variabel gagal terhadap suatu eksperimen

atau observasi. Pada kasus penelitian dengan regresi logistik, nilai ini dapat dilihat

dari nilai Exp(B)pada hasil analisis data atau _ei _dengan

i

 _{adalah estimasi}

parameter variabel independen pertama, kedua, dan seterusnya. Hasil tersebut akan

menunjukkan pengaruh setiap variabel-variabel independen terhadap variabel

(34)

BAB 3

PEMBAHASAN

3.1 Pengolahan Data

3.1.1 Tabulasi Hasil Kuesioner

Untuk melakukan analisis pada penelitian ini data pengamatan hasil survey terhadap

masing-masing variabel independen yaitu harga (X1), fitur (X2), merek (X3), desain

(X4), iklan (X5) dan variabel dependen kepemilikan Hp Android (Y) ditabulasi dengan

menggunakan skala likert. Pemberian skor dari setiap pertanyaan dilakukan dengan

cara sangat setuju diberi skor 5, setuju diberi skor 4, cukup setuju diberi skor 3, tidak

setuju diberi skor 2, dan sangat tidak setuju diberi skor 1. Hasil tabulasi kuesioner

dapat dilihat pada Lampiran 1.

3.1.2 Nilai Total Skor Variabel Hasil Penelitian

Setelah data pengamatan hasil survey ditabulasi, langkah selanjutnya adalah

mengumpulkan data yang sudah ditabulasi dalam bentuk nilai total skor

masing-masing variabel independen X1, X2, X3, X4 dan X5 serta variabel dependen Y. Bentuk

total nilai skor tersebut dapat dilihat pada Lampiran 2.

3.1.3 Uji Instrumen Kuesioner Menggunakan Uji Validitas

Uji validitas adalah uji yang dilakukan untuk mengetahui apakah sebuah

pertanyaan-pertanyaan tersebut valid atau tidak. Untuk mengetahui hal tersebut perlu dilakukan

perbandingan antara r_hit dengan r_tab. Apabila r_hit >r_tabmaka item-item pertanyaan

tersebut dinyatakan valid.































 n XY X Y

(35)

Keterangan:

xy

r : Koefisien korelasi pearson

n : Banyaknya responden

X : Skor yang yang diperoleh subjek dari seluruh item

Y : Skor total yang diperoleh dari seluruh item

X

 : Jumlah skor dalam distribusi X

Y

 : Jumlah skor dalam distribusi Y

2

X

 : Jumlah kuadrat dalam skor distribusi X

2

Y

 : Jumlah kuadrat dalam skor distribusi Y

a. Variabel Harga (X1)

berdasarkan kuesioner yang ada, maka jumlah butir pertayaan berjumlah 3 butir,

pengujian validitas dilakukan pada 50 responden. Setelah dilakukan uji validitas

[image:35.595.148.487.422.511.2]

dengan bantuan program SPSS 16 diperoleh hasil sebagai berikut:

Tabel 3.1 Uji Validitas Harga

No.Item r-Korelasi r-Tabel Kesimpulan

1. 0,615 0,278 Valid

2. 0,615 0,278 Valid

3. 0,623 0,278 Valid

Berdasarkan hasil uji validitas dari tabel 3.1, terlihat bahwa seluruh butir item

pertanyaan dinyatakan valid karena nilai r korelasinya lebih besar dari 0.278 (r-tabel).

b. Variabel Fitur (X2)

(36)

[image:36.595.148.487.103.191.2]

Tabel 3.2 Uji Validitas Fitur

1. 0,611 0,278 Valid

2. 0,640 0,278 Valid

3. 0,669 0,278 Valid

c. Variabel Merek (X3)

Tabel 3.3 Uji Validitas Merek

1. 0,645 0,278 Valid

2. 0,778 0,278 Valid

3. 0,712 0,278 Valid

4. 0.383 0.278 Valid

c. Variabel Desain (X4)

[image:36.595.150.487.393.507.2]

(37)

[image:37.595.149.488.99.215.2]

Tabel 3.4 Uji Validitas Desain

1. 0,769 0,278 Valid

2. 0,542 0,278 Valid

3. 0,701 0,278 Valid

4. 0.586 0.278 Valid

c. Variabel Iklan (X5)

Tabel 3.5 Uji Validitas Iklan

1. 0,558 0,278 Valid

2. 0,633 0,278 Valid

3. 0,720 0,278 Valid

4. 0.637 0.278 Valid

3.1.4 Uji Instrumen Kuesioner Menggunakan Uji Reliabilitas

Uji reliabilitas adalah uji yang dilakukan untuk mengetahui apakah sebuah pertanyaan

atau pernyataan sudah reliabel atau belum. Menurut Ghozali (2005), suatu variabel

dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,60. Rumus yang

[image:37.595.149.487.414.528.2]

(38)

    

  

      







₂

2

1

1 _t

b

k k r

 

(3.2)

Keterangan:

r

: Koefisien reabilitas instrumen (cronbach alpha)

k

: Jumlahitem pertanyaan yang di uji



2

b

 : Jumlah variansskor tiap- tiap item pertanyaan

2 t



: Varianstotal

Untuk lebih mudah melakukan uji reliabilitas dalam penelitian ini dapat

dilakukan dengan bantuan program SPSS.16. Berikut adalah hasil perhitungan Alpha

Cronbach dari variabel-variabel bebas berdasarkan item-item pertanyaan.

[image:38.595.193.439.429.521.2]

a. Variabel Harga (X1)

Tabel 3.6 Uji Reliabilitas Harga

No. Item Alpha Cronbach Kesimpulan

1 0.703 Reliabel

2 0.676 Reliabel

3 0.688 Reliabel

Berdasarkan tabel 3.6 terlihat bahwa seluruh butir item pertanyaan reliabilitas

karena item-item pertanyaan tersebut memberikan nilai Cronbach Alpha > 0.60.

dengan demikian variabel Harga (X1) adalah reliabel.

b. Variabel Fitur (X2)

Tabel 3.7 Uji Reliabilitas Fitur

1 0.749 Reliabel

[image:38.595.196.437.681.771.2]

(39)

[image:39.595.196.436.223.339.2]

c. Variabel Merek (X3)

Tabel 3.8 Uji Reliabilitas Desain

1 0.743 Reliabel

2 0.674 Reliabel

3 0.702 Reliabel

4. 0.867 Reliabel

d. Variabel Desain (X4)

Tabel 3.9 Uji Reliabilitas Merek

1 0.721 Reliabel

2 0.813 Reliabel

3 0.741 Reliabel

4. 0.805 Reliabel

[image:39.595.193.439.496.609.2]

(40)

[image:40.595.194.439.142.254.2]

e. Variabel Iklan (X5)

Tabel 3.10 Uji Reliabilitas Iklan

1 0.787 Reliabel

2 0.760 Reliabel

3 0.704 Reliabel

4. 0.757 Reliabel

3.2 Transformasi Data Ordinal Menjadi Data Interval

pada penelitian ini instrumen penelitiannya berupa kuesioner yang memiliki jawaban

skala likert yang berupa data ordinal. Perlu dilakukan transformasi data ordinal ke

data interval dengan menggunakan MSI (Method of Successive Interval). Berikut ini akan dilakukan perhitungan manual MSI untuk variabel harga dengan mengambil satu

item pertanyaan. Langkah-langkahnya adalah:

1. Menghitung Frekuensi

Frekuensi merupakan banyaknya tanggapan responden dalam memilih jawaban

dengan data ordinal 1 s/d 5 dengan jumlah responden 50 orang. Frekuensi dari

(41)

[image:41.595.151.485.94.241.2]

Tabel 3.11 Skor Jawaban Ordinal Variabel

Harga

Kategori Skor Jawaban Ordinal

Frekuensi

Butir soal/item 1

1 0

2 1

3 6

4 22

5 21

Jumlah 50

2. Menentukan Proporsi

Proporsi dieroleh dari hasil perbandingan antara jumlah frekuensi perpoin dengan total

frekuensi, sehingga diperoleh proporsi sebagai berikut:

3. Menentukan Proporsi Kumulatif

Proporsi kumulatif diperoleh dengan menjumlahkan secara berurutan untuk setiap

nilai, sehingga nilai diperoleh sebagai berikut:

(42)

4. Menentukan Nilai Z

Nilai proporsi kumulatif dianggap mengikuti distribusi normal baku dengan melihat

tabel berdistribusi normal kumulatif. Maka dapat ditentukan nilai Z untuk setiap

kategori sebagai berikut:

disesuaikan dengan Tabel Z diperoleh: 2,05 disesuaikan dengan Tabel Z diperoleh: 1,08 disesuaikan dengan Tabel Z diperoleh: 0,20

disesuaikan dengan Tabel Z diperoleh: ∞

5. Menentukan Densitas

Nilai densitas diperoleh dari tabel Koordinat Kurve Normal Baku untuk nilai:

6. Menentukan Scale Value (Skala Nilai)

Rumus:

(43)

7. Menentukan Transformasi (Skala Akhir)

Transformasi data interval diperoleh dengan jalan mengambil nilai negatif yang paling

besar dan diubah menjadi = 1, yaitu: [ | |]

Sa2 = (-2,44 + 3,44) = 1

Sa3 = (-1,449 + 3,44) = 1,99

Sa4 = (-0,383 + 3,44) = 3,06

[image:43.595.81.550.309.445.2]

Sa5 = (0,931 + 3,44) = 4,37

Tabel 3.12 Rincian Hasil Perhitungan Secara Manual Skala

Skor Ordinal

Frekuensi Proporsi Proporsi Kumulatif

Nilai

Z Densitas

Scale Value

Nilai Hasil Penskalaan

2 1 0,02 0,02 -2,05 0,049 -2,44 1

3 6 0,12 0,14 -1,08 0,223 -1,449 1,99

4 22 0,44 0,58 0,20 0,391 -0,383 3,06

5 21 0,42 1  0 0,931 4,37

Jumlah 50

3.3 Pengolahan Data

berdasarkan kuesioner yang telah dibagikan kepada 50 orang responden,

keseluruhannya memiliki Hp Android dan menjadi subjek penelitian. Seperti yang

telah dijelaskan sebelumnya, data yang diperoleh dalam penelitian ini akan dianalisis

dengan menggunakan analisis regresi logistik.

3.4 Analisis Data 3.3.1 Tipe Data

Data variabel independen pada penelitian ini terdiri atas dua tipe data. Data variabel

independen adalah X1, X2, X3, X4 dan X5 merupakan data ordinal. Data ini diperoleh

(44)

menggunakan skala likert. Akan tetapi data variabel dependen pada penelitian ini yang

merupakan Y adalah tipe data nominal.

3.5 Menjelaskan Hasil Analisis Data Menggunakan SPSS 3.5.1 Model Regresi Logistik

Berdasarkan analisis data yang telah dilakukan dengan regresi logistik dengan pada

[image:44.595.189.444.272.404.2]

SPSS 16.0 dan hasil output dapat dilihat pada lampiran 4.

Tabel 3.13 Nilai Koefisien Variabel

Variabel B

X1 1,012

X2 -0,501

X3 0,304

X4 0,299

X5 0,035

Konstanta -11,295

Dari hasil analisis diperoleh nilai-nilai estimasi parameter untuk persamaan

regresi logistik pada penelitian ini. Persamaan logistik penelitian ini memiliki nilai

konstanta -11,295. Selain itu, dari tabel juga dapat dilihat besar masing-masing

koefisien variabel independen persamaan logistik tersebut, yaitu:

1. Variabel X1 ( = 1,012)

Variabel harga (X1) berpengaruh secara positif dan signifikan terhadap

kepemilikan Hp Android (Y), artinya jika variabel harga(X1) ditingkatkan

sebesar 1 point maka kepemilikan Hp Android (Y) akan meningkat sebesar

1,012point.

2. Variabel X2( = -0,501)

Variabel fitur (X2) berpengaruh secara negatif dan tidak signifikan terhadap

kepemilikan Hp Android (Y), artinya jika variabel fitur (X2) ditingkatkan

sebesar 1 point maka kepemilikan Hp Android(Y) akan menurun sebesar

(45)

3. Variabel X3( = 0,304)

Variabel desain (X3) berpengaruh secara positif dan signifikan terhadap

kepemilikan Hp Android (Y), artinya jika variabel desain (X3) ditingkatkan

0,304point.

4. Variabel X4( = 0,299)

Variabel merek (X4) berpengaruh secara positif dan signifikan terhadap

kepemilikan Hp Android (Y), artinya jika variabel merek (X4) ditingkatkan

0,299point.

5. Variabel X5( = 0,035)

Variabel iklan (X5) berpengaruh secara positif dan signifikan terhadap

kepemilikan Hp Android (Y), artinya jika variabel iklan (X5) ditingkatkan

0,035point.

Berdasarkan nilai-nilai koefisien hasil analisis tersebut maka taksiran model

regresi logistik yang diperoleh adalah:

Keterangan:

) (x_i

p _{= peluang sukses kepemilikan Hp Android}

= variabel harga = variabel fitur

= variabel Merek = variabel Desain

(46)

3.5.2Uji Signifikansi Parameter Model Awal

Sebelum membentuk model regresi logistik terlebih dahulu dilakukan uji signifikansi

parameter. Uji yang pertama kali dilakukan adalah pengujian peranan parameter

didalam model secara keseluruhan (overall) yaitu dengan hipotesis sebagai berikut:

,

0

:

0 k



H



Dengan k 1,2,...,n.(Secara simultan variabel independen tidak

berpengaruh terhadap variabel dependen).

:

1

H _k 0,Dengan k 1,2,...,n.(Minimal ada satu variabel independen yang

berpengaruh secara simultanterhadap varibel dependen).

Statistik uji yang digunakan adalah:



log( ) log( )



2( ) 2

log

2 0 1 0 1

1 0 L L l l l l

G _    

      

Nilai2(L₀L₁)tersebut mengikuti distribusi chi-square dengan derajat bebas

banyaknya parameter dalam model df p. Keputusan 2. Kriteria ujinya adalah H₀

terima jika G_2_,_p dan H₀ tolak jikaG_2_,_p.uji diperoleh dengan

membandingkan nilai G dan dan 2.

[image:46.595.188.445.586.641.2]

Untuk melihat tingkat variasi data menggunakan Cox & Snell R Square pada tabelModel Summary berikut:

Tabel 3.14Model Summary

Step

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

1 34.820a .362 .531

a. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001.

Hasil pada tabel model summary di atas dapat kita peroleh dengan

menggunakan software SPSS 16.0, dari perhitungan tersebut maka diperoleh nilai

(47)

chi-Dengan demikian dapat dilihat bahwa, G_2_,_pyaitu 34,820 ≥ 11,070 sehingga H₀ ditolak, ini berarti bahwa paling sedikit ada satu variabel independen yang berpengaruh secara simultanterhadap varibel dependen pada  0,05. Tabel

diatas menunjukkan koefisien determinasi regresi logistik yakni 0,531 sehingga dapat

dikatakan variabel-variabel independen dalam penelitian ini sudah menjelaskan 53,1%

terhadap variabel dependennya. Dan sisanya 46,9% dapat dijelaskan oleh variabel lain

[image:47.595.132.503.286.428.2]

di luar model.

Tabel 3.15 Tabel Klasifikasi

Observed

Predicted

Kepemilikan Hp

Android _Percentage

Correct <1 bulan >1 bulan

Step 1 Kepemilik an Hp Android

<1 bulan 8 5 .61.5

>1 bulan ₂ ₃₅ _94.6

Overall Percentage 86.0

a. The cut value is ,500

Pada tabel 3.15 memperlihatkan bahwa ketepatan prediksi dalam penelitian ini

adalah sebesar 86% untuk mengetahui koefisien dari parameter mana yang berarti

tersebut, maka dilakukan uji secara individual. Uji ini dapat dilakukan dengan uji wald

dengan hipotesis sebagai berikut:

,

0

:

0 k



H



Dengan k 1,2,...,n.(Tidak ada pengaruh variabel independen ke-k

terhadap variabel dependen).

,

0

:

1 k



H



Dengan k 1,2,...,n.(Ada pengaruh variabel independen ke-k

terhadap variabel dependen).

Statistik Uji:          ) ˆ ( ˆ 2 i i i SE W  

(48)

Statistik Wald mengikuti distribusi normal sehingga untuk memperoleh

keputusan pengujian, dibandingkan nilai W dengan nilai Z__/₂ (H₀ ditolak jika nilai

2 /



Z

W  atau p-value < α).

Dengan menggunakan software SPSS 16.0 dapat kita peroleh nilai-nilai

[image:48.595.106.514.259.420.2]

statistik uji wald sebagai berikut:

Tabel 3.16 Nilai Koefisien Variabel

B S.E. Wald Df Sig. Exp(B)

Step 1a X1 1.012 .487 4.313 1 .038 2.752

X2 -.501 .443 .1.278 1 .258 .606

X3 .304 .198 2.343 1 .126 1.355

X4 .299 .196 2.336 1 .126 1.349

X5 .035 .159 .050 1 .824 1.036

Constant -11.295 3.711 9.264 1 .002 .000

a. Variable(s) entered on step 1: X1, X2, X3, X4, X5.

Dengan  0,05dan df 1 pada tabel chi-square diperoleh nilai

chi-squaretabel = 3,841. Dari hasil uji statistik wald di tabel, nilai uji statistik wald pada variabel X2, X3, X4, dan X5 lebih kecil dari nilai chi-square tabel. Sedangkan untuk

nilai uji statistik wald pada variabel X1 lebih besar dari nilai chi-square tabel.Dari

nilai uji statistik wald tersebut dapat disimpulkan bahwa H₀ ditolak, ini berarti bahwa variabel X1 berpengaruh secara signifikan terhadap kepemilikan Hp Android (Y) pada

mahasiswa F MIPA USU.

Setelah dilakukan uji signifikansi parameter pada tabel di atas maka model

regresi logistik dapat dibentuk dengan menggunakan nilai taksiran persamaan

transformasi logistik yaitu sebagai berikut:

(49)

] =

-11,295 pada saat semua variabel berharga 0, yaitu pada saat variabel X1, X3, X4, dan

Diperoleh besaran [

] = -11,295atau besarnya probabilitas

) 295 , 11 (

1 )

( _

  

e e x

p i = 0,00001.

3.5.3 Uji Kecocokan Model

Uji kecocokan model ini dilakukan dengan mengunakan uji Hosmer-Lemeshow

dengan hipotesis sebagai berikut:

atau

0

H : _{Data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara}

model dengan data sehingga model dapat dikatakan fit).

1

H : _{Data empiris tidak cocok atau tidak sesuai dengan model (ada perbedaan}

antara model dengan data sehingga model dapat dikatakan fit).

Statistik Uji:

∑ _̅ _̅ ̅

(50)

[image:50.595.143.490.103.399.2]

Tabel 3.17 Tabel Kontingensi untuk Uji Hosmer- Lemeshow

Kepemilikan Hp Android = <1 bulan

Kepemilikan Hp Android = >1 bulan

Total Observed Expected Observed Expected

Step 1 1 5 4.490 0 .510 5

2 3 3.121 2 1.879 5

3 1 2.210 4 2.790 5

4 1 1.201 4 3.799 5

5 1 .823 4 4.177 5

6 1 .574 4 4.426 5

7 1 .309 4 4.691 5

8 0 .151 5 4.849 5

9 0 .098 5 4.902 5

[image:50.595.147.487.109.355.2]

10 0 .024 5 4.976 5

Tabel 3.18 Uji Hosmer- Lemeshow

Step Chi-square df Sig.

1 4.144 8 .844

Dari tabel 3.18chi-square diperoleh ₍2_,g₂₎ 12,592dengang 8kelompok.

Nilai ini lebih besar dari _HL2 4,144yang diperoleh dari uji Hosmer-Lemeshow dengan perhitungan menggunakan SPSS 16.0. Jadi dapat disimpulkan bahwa H₀

terima (4,14412,592 atau 0,844> 0,05) yang artinya tidak ada perbedaan antara

model dengan data sehingga model dapat dikatakan fit atau layak untuk digunakan.

3.6 Interpretasi Model Menggunakan Odds Rasio

Berdasarkan analisis data yang telah dilakukan dengan menggunakan rumus

(2.8)diperoleh nilai Odds Ratio seperti tabel 3.19 dan hasil output dengan

(51)

[image:51.595.204.431.117.233.2]

Tabel 3.19 Kontribusi Variabel X terhadap Variabel Y Variabel Exp(B_i)

2,752

1,355

1,349

1,036

Konstan 0,000

Berdasarkan tabel 3.19 dapat disimpulkan sebagai berikut :

a. Variabel Harga (X1) (Exp(B1)=2,752)

Dari nilai ini dapat disimpulkan bahwa jika variabel merek(X3), variabel desain (X4) dan variabel iklan (X5) dianggap nol maka harga (X1) yang sesuai akan

mempengaruhi mahasiswa di Fakultas MIPA USU untuk memiliki Hp

Android 2,752 kali lebih besar dibandingkan dengan harga yang tidak sesuai.

b. Variabel Merek(X3) (Exp(B₃)=1,355)

Dari nilai ini dapat disimpulkan bahwa jika variabel harga (X1), variabel desain (X4) dan variabel iklan (X5) dianggap nol maka merek(X3) yang

terkenalakan mempengaruhi mahasiswa Fakltas MIPA USU untuk memiliki

Hp Android 1,355 kali lebih besar dibandingkan dengan merek yang tidak

terkenal.

c. Variabel Desain(X4)(Exp(B4)= 1,349)

Dari nilai ini dapat disimpulkan bahwa jika variabel harga (X1), variabel merek (X3) dan variabel iklan (X5) dianggap nol maka desain(X4) yang

terkenal baik akan mempengaruhi mahasiswa Fakultas MIPA USU untuk

memiliki Hp Android tersebut 1,349 kali lebih besar dibandingkan dengan

merek produk yang tidak terkenal baik.