73 BAB V ANALISIS DAN PEMBAHASAN V.1 Analisis Regresi Logistik Analisis kesediaan responden beralih ke moda Kereta Cepat menggunakan model binary logistic regression, sedangkan dalam pemilihan variabel yang masuk ke dalam model menggunakan metode simultan atau metode enter. Metode enter yaitu memasukkan semua predictor atau variabel bebas ke dalam model secara bersamaan. Hasil analisis dengan melalui IBM SPSS Statistic 23.0, semua variabel bebas dimasukkan secara simultan sehingga model yang terbentuk akan sama dengan model yang diperoleh dengan metode lain. Variabel yang digunakan adalah variabel respon (Y) yang memiliki 2 kategori yaitu: Y = 0 responden tetap memilih mobil (tidak beralih pindah) Y = 1 responden memilih kereta cepat (beralih moda) Variabel - variabel independen atau variabel bebas sebagaimana telah dijelaskan pada Bab II merupakan variabel atribut perjalanan yang diasumsikan berpengaruh signifikan terhadap kesediaan responden untuk beralih ke moda Kereta Cepat. Gabungan variabel-variabel tersebut selanjutnya digunakan sebagai data input dalam model binary logistic regression untuk diuji apakah berpengaruh secara signifikan terhadap kesediaan responden untuk beralih ke moda Kereta Cepat. Setelah dilakukan klasifikasi terhadap data yang dimasukkan untuk model maka langkah selanjutnya adalah memproses data tersebut dengan model binary logistic regression menggunakan aplikasi IBM SPSS Statistic 23.0 dengan metode enter. V.1.1 Identifikasi Data yang Hilang Tabel V.1 Output Case Processing Summary Case Processing Summary Unweighted Cases a N Percent Selected Cases Included in Analysis 864 100.0 Missing Cases 0 .0 Total 864 100.0 Unselected Cases 0 .0 Total 864 100.0 a. If weight is in effect, see classification table for the total number of cases. 74 Tabel V.2 Encoding Variabel Terikat Dependent Variable Encoding Original Value Internal Value Pilih Mobil 0 Pilih Kereta Cepat 1 (sumber: hasil output aplikasi IBM SPSS Statistic 23) Berdasarkan Tabel V.1 terkait Output Case Processing Summary diketahui bahwa seluruh kasus atau case ternyata teramati semua sesuai dengan jumlah sampel yang dilakukan yaitu 108 sampel dikalikan 8 alternatif pilihan sehingga data keseluruhan berjumlah 864 sampel data, artinya tidak ada sampel yang hilang/missing. Sedangkan Tabel V.2 menujukkan variabel terikat (dependen) adalah preferensi kesediaan responden untuk beralih ke moda Kereta Cepat dengan output seperti pada tabel dependent variable encoding. Hasil dari proses input datanya adalah pilih mobil dengan kode 0 dan pilih kereta cepat dengan kode 1. V.1.2 Uji Kelayakan Model (Goodness of fit test) 1) Uji Omnibus Test Kelayakan suatu model dalam analisis model binary logistic regression dapat dilihat secara keseluruhan dari variabel-variabel prediktor yang diuji. Untuk melihat hasil analisis, pertama yang dilakukan adalah mengidentifikasi kesesuaian model dengan menggunakan uji simultan (uji overall) pada output tabel Omnibus Test of Model Coefficients pada Block :1 = Method Enter. Tabel V.3 Hasil uji simultan/overall test Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 261.160 5 .000 Block 261.160 5 .000 Model 261.160 5 .000 (sumber: hasil output aplikasi IBM SPSS Statistic 23) 75 Pengujian Hipotesis ▪ Hipotesis yang digunakan: H0: Tidak ada variabel X yang signifikan mempengaruhi variabel Y H1: Minimal ada satu variabel X yang signifikan mempengaruhi variabel Y ▪ Tingkat Signifikasi α = 5% ▪ Statistik Uji : Dari Tabel 5.4 hasil perhitungan maka didapatkan nilai sig (p- value) 0,000 ▪ Daerah Kritis H0 ditolak jika p- value < α maka didapat nilai p-value adalah: p-value (0,000) < α (0,05) Keputusan H0 ditolak dan H1 diterima. Sedangkan P-value (0,000) >α (0,05) Keputusan H0 diterima dan H1 ditolak Berdasarkan uji hipotesis untuk uji overall maka didapatkan bahwa p-value ≤ α maka tolak Ho. Maka artinya ada minimal satu variabel X yang signifikan mempengaruhi variabel Y sehingga dapat disimpulkan bahwa variabel bebas atau variabel prediktor yang digunakan, secara bersama-sama berpengaruh terhadap kesediaan responden untuk berpindah ke moda Kereta Cepat atau minimal ada satu variabel bebas yang berpengaruh terhadap probabilitas kesediaan responden untuk berpindah ke moda Kereta Cepat. 2) Uji Statistik -2log Likelihood Perhitungan nilai Chi-Square ini berdasarkan perhitungan Maximum Likelihood. Maximum likelhood adalah uji Goodness of fit test (GoF) yang dilakukan untuk menentukan apakah model yang dibentuk layak digunakan. Kelayakan model regresi logistik dapat dinilai dengan memperhatikan output dari Maximum likelhood pada block enter: Tabel V.4 Uji Statistik -2 Log Likelihood Iteration History a,b,c,d Iteration -2 Log likelihood Coefficients Constant X1 X2 X3 X4 X5 Step 1 1 788.416 2.750 .000 -.060 .329 -.119 -.080 2 766.641 2.040 .000 -.084 .314 -.165 -.101 3 765.507 1.782 .000 -.089 .275 -.180 -.108 4 765.497 1.771 .000 -.089 .269 -.182 -.109 5 765.497 1.771 .000 -.089 .269 -.182 -.109 a. Method: Enter 76 b. Constant is included in the model. c. Initial -2 Log Likelihood: 1026.657 d. Estimation terminated at iteration number 5 because parameter estimates changed by less than .001. Berdasarkan tabel V.4 diatas dapat dijelaskan bahwa terjadi penurunan angka -2 Log Likelihood, yaitu angka -2 Log Likelihood Block Number = 0 memiliki nilai lebih besar yaitu sebesar 1026,657 dibandingkan dengan nilai -2 Log Likelihood Block Number = 1 yaitu 765,497. Hal ini berarti Log Likelihood pada regresi logistik mirip dengan pengertian sum of squared error pada model regresi, yaitu penurunan Log Likelihood menunjukkan model regresi yang baik. Nilai -2 Log Likelihood adalah sebesar 765,497 yang akan dibandingkan dengan nilai Chi Square pada taraf signifikansi 0,05 dengan df sebesar N-1 dengan N adalah jumlah sampel, berarti 864 – 1 = 863. Dari tabel Chi Square, diperoleh nilainya adalah 932,454. Jadi dapat diketahu nilai -2 Log Likelihood setelah dimasukkan variabel indpenden lebih kecil dari Chi Square pada tabel (765,497 < 932,454), yang artinya persamaan regresi logistik dengan memasukkan variabel independen dapat dikatakan layak digunakan. V.1.3 Pseudo R Square Besarnya nilai koefisien determinasi pada model regresi logistik ditunjukan oleh nilai Mc Fadden, Cox dan Snell, Nagelkerke R Square. Nilai Cox dan Snell’s R Square merupakan ukuran yang mencoba meniru ukuran R 2 pada multiple regression yang didasarkan pada teknik likelihood dengan nilai maksimum kurang dari satu yang sulit untuk diinterpretasikan. Nagelkerke’s R Square merupakan modifikasi dari koefisien Cox dan Snell’s R Square untuk memastikan bahwa nilainya bervariasi dari nol (0) hingga satu (1). Hal ini dilakukan dengan cara membagi nilai Cox dan Snell’s R 2 dengan nilai maksimumnya. Nilai Nagelkerke’s R 2 Square dapat diinterpretasikan seperti nilai R 2 pada multiple regression. (Ghozali, 2018). Hasil output SPSS Cox dan Snell’s R Square dapat dilihat pada tabel V.5. Dari tabel V.5 diketahui nilai Cox & Snell R Square sebesar 0,261 dan Nagelkerke R 2 sebesar 0,375 yang berarti variabilitas variabel dependen dapat dijelaskan oleh variabilitas variabel independen sebesar 37,5% atau dapat dikatakan faktor yang 77 mempengaruhi kesediaan responden untuk beralih ke moda Kereta Cepat dapat dijelaskan oleh variabel-variabel independen sebesar 37,5%. Tabel V.5 Hasil Pengujian Pseudo R Square Model Summary Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 1 765.497 a .261 .375 a. Estimation terminated at iteration number 5 because parameter estimates changed by less than .001. V.1.4 Ketepatan Model Nilai ketepatan model dapat di lihat pada output pada Block 1 dalam Tabel V.6 Classification Table dengan melihat nilai Overall Percentagenya. Hipotesa yang digunakan adalah semakin besar prediksi yang dihasilkan dari model semakin akurat dengan gambaran sebenarnya. Berikut adalah adalah hasil dari ketepatan model pada Tabel V.6. Tabel V.6 Hasil Pengujian Classification Table Tabel V.6 diatas memberikan nilai overall percentage sebesar 78,4% dan melebihi nilai cut value (0,5) yang berarti ketepatan model penelitian ini adalah sebesar 78,4% dan jika dilakukan peramalan untuk seseorang apakah tetap pilih mobil atau bersedia beralih moda yaitu memilih Kereta Cepat, maka peluang kebenarannya adalah sebesar 78,4%. Prediksi yang di dapat pada tabel V.6 adalah : 1. Prediksi jika tetap pilih mobil dan bersedia beralih moda yaitu pilih kereta cepat dari 82 dan 161 sampel memiliki peluang kebenarannya sebesar 33,7%. Tetap MobilPilih Kereta Cepat Tetap Mobil 82 161 33.7 Pilih Kereta Cepat 26 595 95.8 78.4 a. The cut value is .500 Classification Table a Observed Predicted Pemilihan Moda Percentage Correct Step 1 Preferensi Pemilihan Moda Overall Percentage 78 2. Prediksi jika tetap pilih mobil dan bersedia beralih moda yaitu pilih kereta cepat dari 26 dan 595 sampel memiliki peluang kebenarannya sebesar 95,8%. V.2 Uji Parsial dan Pembentukan Model Persamaan Tabel V.7 Variabel Independen Dalam Persamaan (Sumber: hasil output aplikasi SPSS 23.0) Pada uji parsial diharapkan H0 akan ditolak sehingga variabel yang sedang diuji masuk ke dalam model.