Abstract:
Regresi logistik merupakan salah satu metode statistika yang digunakan untuk
menganalisis hubungan beberapa faktor dengan sebuah variabel respon. Pada regresi
logistik variabel respon terdiri dari dua kategori yaitu “sukses” dan “gagal” yang
dinotasikan dengan y = 1 (sukses) dan y = 0 (gagal). Regresi logistik baik digunakan
jika persentase y = 0 dan y = 1 tidak jauh berbeda. Dalam kasus kredit macet dapat
dijumpai kondisi di mana persentase kredit macet jauh lebih kecil dibandingkan
dengan persentase kredit lancar pada variabel respon. Kondisi seperti itu disebut
dengan rare event. Pada data rare event akan menyebabkan peluang sukses
underestimates sedangkan untuk peluang gagal overestimates. Masalah sampel
terbatas (finite sample) dapat menyebabkan (i) model yang terbentuk akan
menghasilkan penaksir parameter yang bias; (ii) kesalahan baku (standard error)
bagi penaksir yang lebih kecil (underestimates) dan (iii) dapat menyebabkan peluang
sukses underestimates.. Skripsi ini membahas bagaimana mengoreksi penduga
parameter yang bias dan koreksi peluang pada regresi logistik jika data respon jarang
terjadi (rare event). Model regresi logistik rare event akan diterapkan pada data
kasus kredit bank di Amerika dengan Y = 1 jika nasabah mengalami kredit macet
lebih dari 90 hari. Hasil koreksi bias terhadap koefisien regresi adalah bahwa bias
pada 0
ˆ
lebih besar di bandingkan dengan yang lainnya. Namun untuk hasil bias
pada keseluruhan taksiran parameter kecil, hal ini karena sampel yang cukup besar
yaitu sebanyak 12013. Hasil kesalahan baku penaksir terlihat bahwa kesalahan baku
penaksir parameter terkoreksi lebih kecil dibandingkan dengan kesalahan baku pada
penaksir parameter regresi logistik. Oleh karena itu regresi logistik pada data rare
event lebih baik digunakan daripada regresi logistik. Sedangkan untuk koreksi
taksiran peluang ( ~ ) lebih kecil dibandingkan dengan taksiran peluang jika tidak
menggunakan koreksi pada regresi logistik.
