BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Analisis diskriminan adalah salah satu metode yang digunakan pada
analisis dependensi dalam analisis multivariate. Analisis diskriminan merupakan
metode statistik untuk memprediksi pengaruh beberapa variabel independen
(diukur dengan skala interval atau rasio) yang dinyatakan dengan simbol X1, X2,...
Xn , terhadap satu variabel dependen (obyek atau orang) yang dinyatakan dengan
simbol Y, dengan dua atau lebih kategori yang diukur dengan skala nominal.
Analisis logit mencoba untuk menentukan intensitas atau besarnya niat
pembelian pelanggan dan menerjemahkan yang menjadi ukuran perilaku
pembelian aktual. Analisis Logit mengasumsikan bahwa kebutuhan belum
terpenuhi di pasar telah terdeteksi, dan bahwa produk telah dirancang untuk
memenuhi kebutuhan tersebut.
Model regresi merupakan komponen penting dalam beberapa analisis data
dengan menggambarkan hubungan antara variabel respon dan satu atau beberapa
variabel bebas. Pada umumnya model regresi digunakan utuk menganalisis data
dengan variabel respon berupa data kuantitatif. Akan tetapi dalam kehidupan
sehari-hari sering ditemui kasus dengan variabel responnya bersifat kualitatif
seperti keputusan memilih “ iya” atau “tidak”. Untuk menyelesaikan kasus ini
dapat menggunakan model probit.
Model probit dapat menggambarkan hubungan antara variabel dependen
dengan variabel independen. model probit merupakan teknik analisis untuk
mengestimasi probabilitas sebuah kejadian akan terjadi atau tidak dengan variabel
dependen berupa respon biner (Vasisht, 2000).

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas maka rumusan
masalah adalah:
1.2.1 Bagaimana penjabaran analisis diskriminasi
1.2.2 Bagaimana penjabaran model logit dan probit

4
1.3 Tujuan Penelitian
Berpijak dari permasalahan penelitian yang penulis rumuskan, maka
tujuan pelaksanaan penelitian ini adalah mendeskripsikan:
1.3.1 Menjelaskan analisis diskriminasi dan modelnya
1.3.2 Menjelaskan model logit dan probit

5
 BAB II
PEMBAHASAN

2.1 ANALISIS DISKRIMINAN

A. Konsep Dasar
Analisis diskriminan merupakan metode statistik untuk memprediksi
pengaruh beberapa variabel independen (diukur dengan skala interval atau
rasio) yang dinyatakan dengan simbol X1, X2,... Xn , terhadap satu variabel
dependen (obyek atau orang) yang dinyatakan dengan simbol Y, dengan dua
atau lebih kategori yang diukur dengan skala nominal. Analisis ini adalah
salah satu metode yang digunakan pada analisis dependensi dalam analisis
multivariate.
Analisis multivariate itu sendiri merupakan salah satu jenis analisis
statistik yang digunakan untuk menganalisis data yang terdiri dari banyak
peubah bebas (variabel independen) dan juga banyak peubah tak bebas
(variabel dependen) dan banyak digunakan dalam penelitian bisnis untuk
pemecahan masalah yang komplek. Data multivariate adalah data yang
dikumpulkan dari dua atau lebih observasi dengan mengukur observasi
tersebut dengan beberapa karakteristik. Analisis dependensi merupakan
metode statistik dalam analisis multivariate yang digunakan untuk
menjelaskan dan memprediksi satu atau lebih variabel dependen berdasarkan
beberapa variabel independen.
Sebelum melakukan analisis diskriminan perlu diuji terlebih dahulu
perbedaan rata-rata kedua populasi, apabila rata-rata kedua populasi sama
(tidak berbeda) maka diskriminan analisis tidak layak digunakan.

B. Metode Diskriminan
Dalam analisis diskriminan terdapat 2 metode berdasarkan jumlah kategori
dari variabel dependennya. Apabila terdapat 2 kategori yang terlibat dalam
pengklasifikasian, maka disebut dengan two-group discriminant analysis.
Sedangkan apabila terdapat lebih dari 2 kategori yang terlibat dalam
pengklasifikasian, maka disebut dengan multiple discriminant analysis.

6
 Contoh two group discriminan anlysis:
Misalkan saja seorang nasabah bank yang akan membuka rekening tabungan
memilih sistem bunga dibank konvensional atau sistem bagi hasil pada bank
syariah.
Contoh multiple discriminan analysis:
Misalkan saja ada seseorang yang akan membeli barang, orang tersebut
mempertimbangkan dari segi pendapatan yang diterimanya, jenis barang yang
akan dibeli ataupun juga harga barang.

C. Tujuan Analisis
Analisis diskriminan bertujuan untuk :
a. Mengklasifikasikan dan memprediksi suatu individu atau subyek/obyek
penelitian yang mempunyai dua atau lebih ke dalam kelompok yang
saling bebas (mutually exclusive) berdasarkan sejumlah variabel penjelas
atau independen.
b. Memodelkan suatu hubungan antara variabel dependen yang berdata
kategori dengan beberapa variabel independen (prediktor) dan mengetahui
perbedaan yang jelas antar grup pada variabel dependen.
c. Mengelompokkan setiap objek ke dalam dua atau lebih kelompok (grup)
berdasarkan pada sejumlah kriteria variabel independen.
d. Menentukan variabel independen manakah yang merupakan pembeda
terkuat jika ada perbedaan.

Ketika kita diminta untuk memprediksi individu mana termasuk ke dalam

kelompok tertentu atau ketika kita diminta untuk mengidentifikasi sifat-sifat
umum anggota suatu kelompok, maka kita berhadapan dengan persoalan
pengelompokan dan penentuan sifat-sifat khas suatu kelompok. Misalnya, suatu
wilayah dikatakan perkotaan kalau (1) penduduknya banyak, (2) mempunyai
banyak fasilitas, dan (3) kegiatan ekonomi penduduknya beragam. Sifat khas (1)
dan (2) pada umumnya dapat dilihat secara kasat mata akan tetapi tidak pada sifat
khas (3).
Contoh lain, bagaimana kita dapat menentukan apakah seseorang miskin atau
tidak miskin. Sifat umum dari orang miskin yang dapat dikenali barangkali adalah

7
(1) kualitas rumah tinggalnya yang rendah, (2) porsi pengeluaran untuk makanan
sangat besar (lebih dari 80 persen), dan (3) tingkat pendidikannya rendah.
Dalam teknik statistik, persoalan di atas biasanya diatasi dengan
menggunakan analisis diskriminan. Dua hal, yaitu pengelompokan dan
identifikasi sifat khas suatu kelompok, dapat dilakukan sekaligus dengan analisis
tersebut, di mana kelompok dikenal sebagai group dan sifat khas dikenal sebagai
variabel pembeda (discriminating variables). Antara kelompok dan variabel
pembeda tersebut kemudian dibuat suatu hubungan fungsional yang disebut
dengan fungsi diskriminan.

D. Model atau Fungsi Diskriminan

Persyaratan awal yang harus dipenuhi sebelum melakukan analisis dengan
fungsi diskriminan adalah: (1) setiap individu harus dikelompokkan hanya ke
dalam satu dan hanya satu kelompok, (2) varians dalam setiap kelompok adalah
sama (equal variances), (3) X berdistribusi normal ganda (multi variates normal
distribution), dan (4) banyaknya kelompok harus memenuhi 2 k<p, dengan p
adalah banyaknya variabel pembeda dan k adalah banyaknya kelompok.
Sekali persamaan diskriminan diperoleh maka dapat digunakan untuk
memprediksi kelompok dari suatu observasi baru. Banyaknya fungsi diskriminan
yang dibentuk tergantung dari banyaknya kelompok yang diidentifikasi. Fungsi
diskriminan yang dibentuk merupakan kombinasi linier dari peubah pembeda
yang dapat membedakan kelompok secara maksimum.
Hal ini dilakukan oleh penghitungan fungsi linier yang berbentuk :

D i = b0 + b1X1 + b2X2 + b3X3+… + b kXk

dimana
Di : skor pada fungsi diskriminan ke-i
B 0….k = Bobot atau coefisien diskriminan
X 1…k = prediktor atau variabel bebas
Persamaan diskriminan tunggal diperlukan jika klasifikasi terdiri dari dua
kelompok. Jika klasifikasi terdiri dari tiga kelompok, maka dibutuhkan dua

8
persamaan diskriminan. Jika klasifikasi lebih dari tiga, maka perlu menghitung
suatu fungsi diskriminan yang terpisah untuk setiap pasang klasifikasi dalam
kelompok kriteria.
Meski penggunaan yang sangat umum dari analisis diskriminan adalah
untuk mengklasifikasi orang atau benda ke dalam beberapa kelompok tetapi dapat
dipakai pula untuk menganalisis kelompok yang ada dalam menentukan pengaruh
relatif dari faktor tertentu untuk memutuskan masuk ke dalam kelompok manakah
beraneka observasi itu.
Contonhnya, anggaplah kita mempunyai supervisor prestasi yang
memungkinkan kita mengklasifikasikan tenaga administrasi sebagai tenaga
administrasi sukses atau tidak sukses. Mungkin juga dapat memperoleh hasil uji
pada tiga pengukuran kemempuan bekerjasama (X1), motivasi terhadap pekerjaan
administrasi (X2) dan keahlian profesi umum (X3). Misalkan persamaan
diskriminannya sebagai berikut :

Di = 0,06 X1 + 0,45 X2+ 0,30X3

Oleh karena fungsi diskriminan memakai nilai yang dibakukan dari variabel-
variabel diskriminan, maka kita menyimpulkan dari koefisien bahwa kemampuan
bekerja sama kurang penting dibandingkan dengan dua variabel lainnnya.

D. Langkah-langkah dalam analisis diskriminan

Rumuskan Permasalahan
Estimasikan koefisien fungsi Diskriminan

Tentukan signifikansi dari fungsi Diskriminan

Interpretasikan Hasil

Uji Validitas Analisis Diskriminan

9
a. Rumuskan Masalah :
Menentukan variabel yang akan digunakan yaitu:
 Variabel Dependen (Y1) dapat disebut variabel terikat/variabel respon,
merupakan variabel yang keadaannya dipengaruhi oleh keadaan-keadaan
yang mempengaruhinya.
 Variabel Independen (X1 dan seterusnya) dapat disebut variabel
bebas/variabel penjelas/variabel predictor, merupakan variabel yang
menjelaskan atau mempengaruhi variabel lain.
Dalam analisis multivariate, variabel independennya dapat terdiri dari 2 atau lebih
variabel dan variabel dependennya terdiri dari 1 atau lebih variabel.

b. Estimasi Koefisien Fungsi Diskriminan :

Perkirakan angka nominal pada koefisien (b) yang ada pada fungsi
diskriminan.

c. Uji Signifikan fungsi diskriminan :

Dalam analisa diskriminan tidak semua fungsi diskriminan yang terbentuk
bersifat nyata secara statistik dalam penyelesaian pembeda diantara kelompok. Proses
pengujian dilakukan dengan jalan melihat apakah diskriminan sisa setelah
diterangkan oleh fungsi diskriminan pertama, kedua dan seterusnya bersifat nyata
secara statistik. Jika nyata perlu dibentuk fungsi diskriminan berikutnya dan
sebaliknya .

10
d. Interpretasi Hasil :
Diskriminan koefisien diinterpretasikan layaknya koefisien regresi
berganda. Koefisien diskriminan menggambarkan kontribusi relatif pada kekuatan
fungsi diskriminan. Variabel bebas dengan koefisien standar relatif besar
memberikan kontribusi lebih besar dibandingkan dengan variabel bebas dengan
koefisien diskriminan yang kecil.Hasil pengelompokan menurut fungsi
diskriminan tidak selalu sama dengan pengelompokan awal. Besarnya kesalahan
pengelompokan, dengan menganggap pengelompokan awal adalah benar,
merupakan indikator tingkat akurasi dari fungsi diskriminan yang dihasilkan.

e. Uji Validitas Analisis Diskriminan:

1. Hitung Skor Diskriminan untuk rata-rata kelompok pertama, dan rata-rata
kelompok kedua.
2. Hitung Cutting Score
3. Klasifikasikan masing-masing individu
4. Hitung hit ratio
Contoh kasus:
Manajer suatu resort ingin menentukan karakteristik yang penting dari keluarga
yang mengunjungi resort selama dua tahun terakhir. Data diperoleh dari 30
sampel yang ditunjukkan pada tabel dibawah ini :

Importance
Annual Family Attitude Age of Amount Spent
Resort Attached to Househ
No. Income Toward Head of on Family
Visit Family old Size
($000) Travel Household Vacation
Vacation
1 1 50.2 5 8 3 43 M (2)
2 1 70.3 6 7 4 61 H (3)
3 1 62.9 7 5 6 52 H (3)
4 1 48.5 7 5 5 36 L (1)
5 1 52.7 6 6 4 55 H (3)
……………..
……………..
……………..
25 2 37.3 2 7 4 54 L (1)
26 2 41.8 5 1 3 56 M (2)
27 2 57 8 3 2 36 M (2)
28 2 33.4 6 8 2 50 L (1)
29 2 37.5 3 2 3 48 L (1)
30 2 41.3 3 3 2 42 L (1)

11
Model Diskriminan :
D = -7,9766275 + 0,0847654 Income + 0,0496874 Travel + 0,1202997 Vacation
+ 0,4274510 H_Size + 0,0245560 Age

Uji Validitas :
1) Hitung Skor Diskriminan untuk rata-rata kelompok pertama, dan rata-rata
kelompok kedua.
Kelompok Income Travel Vacation Household Size Age

1 (Visit) 60,52 5,4 5,8 4,333333 53,73333

2 (Not Visit) 41,91333 4,333333 4,066667 2,8 50,13333

Skor Diskriminan untuk rata-rata kelompok 1 (Visit) adalah :

D = -7,9766275 + 0,0847654 (60,52) + 0,0496874 (5,4) + 0,1202997 (5,8)
+ 0,4274510 (4,33) + 0,0245560 (53,73) = 1,291188628
Skor Diskriminan untuk rata-rata kelompok 2 (Not Visit) adalah:
D = -7,9766275 + 0,0847654 (41,91) + 0,0496874 (4,33) + 0,1202997
(4,07) + 0,4274510 (2,8) + 0,0245560 (50,13) = -1,291358755

2) Hitung Cutting Score

Apabila jumlah anggota antara kedua kelompok tsb sama, maka Cutting score-nya
adalah Ycs = (D1 – D2)/2. Apabila jumlah anggota antara kedua kelompok tsb
tidak sama, maka Cutting score-nya adalah Ycs = n1(D1) – n2(D2)/(n1+n2).
Dalam kasus ini jumlah anggota masing-masing kelompok sama-sama 15, maka
cutting score-nya adalah Ycs = 1,291188628 – (-1,291358755)/2
Ycs = -8,50633E-05

3) Klasifikasikan masing-masing individu

Untuk mengklasifikasikan masing-masing individu, maka perlu dihitung skor
diskriminan masing-masing individu. Hasilnya sbb :

12
 Discrim
Kel Income Travel Vacation H Size Age constant Kel Salah
Score
Awal 0,084765 0,049687 0,1203 0,427451 0,024556 -7,97663 Akhir masuk
1 50,2 5 8 3 43 -0,17231 2 ***
1 70,3 6 7 4 61 2,330323 1
1 62,9 7 5 6 52 2,146045 1

2 33,4 6 8 2 50 -1,80224 2
2 37,5 3 2 3 48 -1,94722 2
2 41,3 3 3 2 42 -2,0796 2
Rata1 60,52 5,4 5,8 4,333333 53,73333 1,291189
Rata 2 41,91333 4,333333 4,066667 2,8 50,13333 -1,29136
Y cs -8,51E-05

4) Hitung hit ratio

Dari tabel pengklasifikasian diatas terdapat tiga individu yang tidak berada pada
kelompok semula, sehingga kita dapat menghitung hit ratio sebesar (30-3)/30 x
100 % = 90 %

13
 2.2 ANALISIS LOGIT
Analisis Logit adalah teknik statistik yang digunakan oleh pemasar untuk
menilai ruang lingkup penerimaan pelanggan dari suatu produk, khususnya
produk baru. Analisis ini mencoba untuk menentukan intensitas atau besarnya
niat pembelian pelanggan dan menerjemahkan yang menjadi ukuran perilaku
pembelian aktual. Analisis Logit mengasumsikan bahwa kebutuhan belum
terpenuhi di pasar telah terdeteksi, dan bahwa produk telah dirancang untuk
memenuhi kebutuhan tersebut. Tujuan dari analisis logit adalah untuk mengukur
potensi penjualan produk tersebut. Dibutuhkan data survei pada niat pembelian
konsumen dan mengubahnya menjadi probabilitas pembelian aktual.
Analisis Logit mendefinisikan hubungan fungsional antara niat beli lain
dan preferensi, dan probabilitas aktual pembelian. Sebuah regresi preferensi
dilakukan pada data survei. Hal ini kemudian dimodifikasi dengan pengamatan
sejarah yang sebenarnya perilaku pembelian. Hubungan fungsional yang
dihasilkan mendefinisikan probabilitas pembelian.
Sebuah fitur unik mengatakan bahwa variabel dependen adalah tipe yang
memunculkan jawaban ya atau tidak. Ada estimasi khusus masalah inferensi /
yang terkait dengan suatu model yang dapat dipakai dalam pendekatan,
pendekatan ini disebut dengan pendekatan Linear, Probabilitas model, model
Logit dan model probit. Ada masalah tertentu yang terkait dengan perkiraan
Model Linear Probabilitas yaitu:
1. Non-normalitas dari Gangguan (U)
2. Heteroscedastic varians gangguan
3. Nonfulfillment dari 0 ≤ E (Y | X) ≤ 1 (Kemungkinan Y Y berbaring ouside kisaran
0-1)
4. Dipertanyakan nilai R2 sebagai ukuran kebaikan fit

Model Linear Probabilitas yang tidak logis merupakan suatu model yang
menarik karena mengasumsikan bahwa P = E (Y=1| X) meningkat secara linear
dengan X, yaitu sebagai tambahan efek marjinal dan X dinyatakan secara tetap
atau konstan. Hal ini sangat tidak realistis. Oleh karena itu, dibutuhkan suatu
model probabilitas yang memiliki dua fitur:

14
1. Dengan meningkatnya Xi maka P = E(Y = 1 | X ) akan meningkat tetapi kenaikan
tersebut berinterval 0-1.
2. Hubungan antara Pi dan Xi adalah X non-linear, yaitu pendekatan "satu" yang
mendekati nol.

Model Logit
Regresi logit (logit) analisis adalah sebuah multivariat / teknik yang
memungkinkan untuk memperkirakan kemungkinan bahwa suatu peristiwa terjadi
atau tidak, dengan memprediksi hasil tergantung biner dari set variabel
independen. Dalam contoh Model Linear Probabilitas digambarkan sebagai:
Pi = E (Y = 1 | Xi) = Β1 + B2 Xi
dimana X adalah pendapatan dan Y = 1
Representasi dari contoh:
1 1
Pi = E (Y = 1 | Xi) = =
1+exp [-(β1 +B2 Xi)] 1+exp(-Zi)

Dimana Zi = Β1 + B2 Xi

Fitur Model Logit

1. Seperti P dari 0 ke 1, Artinya meskipun probabilitas terletak di antara 0 dan 1,
logit tidak begitu dibatasi.
2. Meskipun L linear pada X, probabilitas tidak dibedakan sendiri.
3. Interpretasi dari model logit adalah sebagai berikut: β2 mengukur kemiringan,
perubahan L untuk mengukur perubahan unit X, yakni menceritakan
bagaimana peluang log mendukung perubahan pendapatan dengan unit. β
adalah nilai dari login peluang dalam mendukung pendapatan = nol.
4. Model probabilitas linear mengasumsikan Pi yang berhubungan dengan linier
terhadap Xi model logit mengasumsikan bahwa log odds ratio berhubungan
dengan linier Xi.

15
 Model Estimasi Logit
Langkah-langkah dalam Estimasi Regresi Logit
1. Perhitungan probabilitas
^N
i
Pi =
Ni
2. Untuk logit setiap X dapat dicari dengan rumus:

Li = Ln [Pi / (1 - Pi)]

3. Mengubah regresi logit dalam rangka menyelesaikan masalah

heteroskedastisitasdengan menggunakan rumus sebagai berikut:

√ Wi Li = Bi √ Wi + B2 √Wi Xi + √ Wi Ui

4. Perkiraan oleh OLS pada data akan ditransformasikanke analisis logit dan probit
5. Membangun kevalidan interval dan / atau hipotesis uji dalam OLS biasa. Semua
kesimpulan akan berlaku secara ketat jika sampel cukup besar.

Model Kemuliaan Model Logit

1. Analisis Logit menghasilkan hasil statistik yaitu dengan memungkinkan
transformasi dikotomis bahwa ketergantungan variabel akan menjadi variabel
kontinu, mulai dari - ∞ sampai + ∞ dengan ini maka masalah di luar jangkauan
akan dapat dihindari.
2. Analisis logit memberikan hasil yang mudah untuk diinterpretasikan dan metode
ini sangat sederhana untuk menganalisis masalah.
3. Model ini memberikan estimasi parameter yang asimtotik konsisten, efisien dan
normal, sehingga analog dari t-test regresi dapat diterapkan.

Demerits

16
1. Seperti dalam kasus Probabilitas Linear Model, istilah gangguan pada model logit
adalah Kuadrat Terkecil Tertimbang
2. Ni harus cukup besar untuk semua X i dan dalam sampel kecil, hasil estimasi harus
ditafsirkan dengan hati-hati.
3. Seperti dalam regresi lainnya, mungkin ada masalah multikolinieritas jika variabel
penjelas berhubungan dengan variable itu sendiri.
4. Seperti dalam Probabilitas Linear Model, diukur secara konvensional R 2 adalah
nilai terbatas menilai kekuatan.

Aplikasi Analisis Model Logit

1. Adopsi teknologi tertentu mengatakan bahwa hal ini dapat digunakan untuk
mengidentifikasi faktor-faktor yang mempengaruhi penggunaan varietas baru,
pupuk, pestisida pada sebuah peternakan.
2. Di bidang pemasaran, dapat digunakan untuk menguji preferensi merek dan
loyalitas merek dalam produk apapun.
3. Dalam studi gender, analisis logit dapat digunakan untuk mengetahui faktor-faktor
yang mempengaruhi pria / wanita dalam membuat keputusan dalam sebuah
keluarga.

2.3 ANALISIS PROBIT

17
 Analisis probit adalah jenis regresi yang digunakan untuk menganalisis
variabel binominal.
Model probit
Model probit merupakan model non linear yang digunakan untuk
menganalisis hubungan antara variabel respon dan variabel bebas, dengan variabel
responnya berupa data kualitatif dikotomi yaitu bernilai 1 untuk menyatakan
keberadaan sebuah karakteristik dan bernilai 0 untuk menyatakan ketidak
beradaan sebuah karakteristik.
Model probit dengan 1 variabel respon dapat dikembangkan menjadi
model probit dengan menggunakan dua variabel respon, model ini disebut model
probit bivariat. Model probit bivariat menggunakan dua variable dikotomi sebagai
variabel responya sedangkan variabel bebasnya dapat berupa variabel yang
bersifat diskrit maupun variable yang bersifat kontinu dan juga dapat berupa
variable kualitatif yaitu variable nominal atau ordinal.
Model probit digunakan ketika variabel dependennya berupa variabel
dummy, variabel independennya dapat berupa variabel kontinu, variabel dummy,
atau gabungan dari keduanya. Model probit dapat menggambarkan hubungan
antara variabel dependen dengan variabel independen.Untuk estimasi parameter
digunakan metode maksimum likelihood yang kemudian dilanjutkan dengan
Newton – Raphson. Uji signifikansi model secara keseluruhan digunakan uji rasio
likelihood dengan statistic uji LR, sedangkan untuk uji signifikansi model secara
individual digunakan uji Wald (W).
Hampir sama dengan model logit, model probit merupakan teknik analisis
untuk mengestimasi probabilitas sebuah kejadian akan terjadi atau tidak dengan
variabel dependen berupa respon biner (Vasisht, 2000). Namun, model probit
menggunakan normal Cumulative Distribution Function (CDF) untuk
menjelaskan fungsi persamaannya. Sebagai contoh, diasumsikan bahwa kejadian
sebuah kejadian “1” akan terjadi tergantung dari utilitas indeks yang tak teramati
dan dinyatakan dengan Ii. Indeks Ii dinyatakan dengan :
Ii = β1 + β2 X1

18
 Didalam analisis probit indeks utilitas tak teramati (Ii) dinyatakan sebagai normal
ekuivalen deviate (n.e.d). dan untuk mengestimasi β1 dan β2 dari Ii = β1 + β2 X1
dapat dinyatakan :
Ii = β1 + β2 X1+ Ui
Dimana Zi = β1 + β2 X1
Selanjutnya dapat dirumuskan, langkah – langkah untuk menyelesaikan
estimasi dari parameter β1 dan β2 adalah :
a. Menyatakan Pi yang merupakan n.e.d dari CDF normal standar
b. Menambahkan sebuah konstanta awal untuk mengestimasi Ii, dan
mentransformasinya kedalam persamaan probit sebagaimana
persamaan Ii = β1 + β2 X1
c. Setelah terbentuk model probabilitas linear, estimasi parameter dapat
dilakukan dengan metode OLS (Ordinary Least Square)

Dalam rangka untuk menjelaskan perilaku variabel dependen dikotomis

kita harus menggunakan sesuai dengan Fungsi Distribusi Kumulatif (CDF).
Dalam beberapa aplikasi, CDF normal telah ditemukan dan sangat bermanfaat.
Model ini memperkirakan bahwa muncul dari CDF normal yang dikenal sebagai
Model probit atau Model Normit.

Model Langkah Terlibat dalam Estimasi Model probit

1. Perkiraan Pi dari data dikelompokkan dalam kasus Model Logit, yaitu
^N
i
Pi =
Ni
2. Menggunakan Pi pendapatan dari CDF standar normal, yaitu: Pi = Β1 + B2 Xi
3. Tambahkan 5 untuk estimasi untuk mengkonversi yang akan dijadikan probit dan
gunakan probit sehingga diperoleh variabel dependen dalam.

19
4. Seperti dalam kasus Probabilitas Model Linear dan Model Logit, istilah gangguan
adalah heteroscedastic pada model probit. Dalam rangka untuk mendapatkan
perkiraan efisien, kita harus menggunakan model transformasi.
5. Setelah model transformasi dilakukan maka akan diestimasi oleh OLS.

Model Regresi Probit

Regresi Probit adalah suatu analisis regresi yang digunakan untuk
menggambarkan hubungan antara variabel dependen dan variabel independen.
Variabel dependen (variable respon) biasa disimbolkan Y dengan skala
pengukuran dikotomus (biner) dan variabel independent (variable prediktor)
biasa disimbolkan X yang skala pengukuran bersifat dikotomus, polikotomus atau
kontinu.
1 1
Jika
φ( x )=
√2 π (
exp − x 2
2 )
Dan jika diketahui
X
Y=1 P(y = 1x)
Y=0 P(y = 0x)

β 0+ β 1 x
1 1
P(y = 1/x )= ∫ √2 π exp (− 2 t2) dt
Maka
= [0 + 1x] (2.1)
Dengan [.] adalah fungsi komulatif distribusi normal standar.

Φ−1 [ P( y=1|x)]=Φ−1 [Φ[ β 0 +β 1 x ]]

Φ−1 [ P( y=1|x )]=β 0 +β 1 x
−1
atau Z = 0 + 1x1 dengan Z = Φ P( y=1 x)
Dengan cara yang sama jika variabel bebas lebih dari satu, maka:
Z = X + e (2.2)

Dengan Z merupakan variabel yang tidak diobservasi dan observasi kita adalah :

20
 Y=1 Jika Z > 0
Y=0 jika Z  0 dengan  adalah residual yang diasumsikan
berdistribusi normal
dengan mean nol (0) dan varians satu (1).
Probabilitas Yi = 1 dari persamaan (2.1) adalah :
P( y i=1 x) = (Xi)
(2.3)
P( y i=0 x) = 1 - (Xi) (2.4)

Logit versus probit

1. Perbedaan utama antara logit dan probit adalah logistik yang memiliki ekor
sedikit datar yaitu; probit kurva normal lebih cepat mendekati sumbunya
daripada logistik kurva.
2. Secara kualitatif, Logit dan Model probit memberikan hasil yang sama,
estimasi parameter dari kedua model tidak dibandingkan secara langsung.

21
 BAB III
PENUTUP

Kesimpulan
Analisis diskriminan merupakan analisis multivariat yang digunakan untuk
mengelompokkan objek atau individu dari kelompok yang telah diketahui. Dalam
bisnis seringkali dibutuhkan aturan untuk membedakan beberapa kelompok.
Misalnya, Bank akan berkepentingan untuk membedakan peminjam bermasalah
dan peminjam yang sehat. Dengan fungsi diskriminan masalah itu bisa di atasi.
Analisis Logit adalah teknik statistik yang digunakan oleh pemasar untuk
menilai ruang lingkup penerimaan pelanggan dari suatu produk, khususnya
produk baru. Analisis probit adalah jenis regresi yang digunakan untuk
menganalisis variabel binominal. Sedangkan model probit merupakan teknik
analisis untuk mengestimasi probabilitas sebuah kejadian akan terjadi atau tidak
dengan variabel dependen berupa respon biner

22
 DAFTAR PUSTAKA

1. Cooper, Donald dan William Emory. 1998. Metodologi Penelitian Bisnis.

Jakarta : Erlangga

2. Indriantoro, Nur dan Bambang Supomo. 2009. Metodologi Penelitian Bisnis

untuk Akuntansi dan Manajemen. Yogyakarta : BPFE-Yogyakarta

3. www.google.com

23