Faktor-Faktor yang Mempengaruhi Kecenderungan Muzaki Membayar Zakat Secara Online: Pentingnya Penggunaan Regresi Multilevel
Main Article Content
Abstract
Pandemi Covid-19 mendorong masyarakat untuk semakin bergantung pada teknologi, termasuk dalam pelaksanaan kewajiban spiritual seperti pembayaran zakat. Zakat online (e-zakat) memungkinkan muzaki membayar zakat secara tidak langsung melalui platform digital, yang juga memudahkan amil dalam mendistribusikan zakat secara lebih efisien. Penelitian ini bertujuan untuk (1) mengetahui pengaruh signifikan faktor-faktor seperti rerata pendapatan per bulan, usia, pekerjaan, pendidikan terakhir, dan jenis kelamin terhadap kecenderungan muzaki membayar zakat online, serta (2) menghasilkan model regresi terbaik dalam memprediksi kecenderungan tersebut. Metode yang digunakan adalah pendekatan kuantitatif deskriptif dengan perbandingan antara analisis regresi linear ganda dan regresi multilevel. Hasil penelitian menunjukkan bahwa pendapatan dan usia muzaki berpengaruh signifikan terhadap kecenderungan membayar zakat secara online, sedangkan pekerjaan, pendidikan, dan jenis kelamin tidak. Selain itu, model regresi multilevel lebih baik dibandingkan regresi linear ganda, ditunjukkan oleh nilai AIC dan BIC yang lebih kecil serta nilai ICC yang tinggi (87,6%), menandakan bahwa domisili kabupaten/kota memberi kontribusi besar terhadap varians total. Oleh karena itu, regresi multilevel dianggap lebih tepat untuk menganalisis kecenderungan pembayaran zakat online dalam konteks ini.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Arnold, T. W. (2010). Uninformative parameters and model selection using Akaike’s information criterion. Journal of Wildlife Management, 74(6), 1175–1178.
de-Graft Acquah, H. (2010). Comparison of Akaike information criterion (AIC) and Bayesian information criterion (BIC) in selection of an asymmetric price relationship. Journal of Development and Agricultural Economics, 2(1), 1–006.
Gagne, P., Mitchell, C., & Gagné, P. (2002). Best regression model using information criteria. Journal of Modern Applied Statistical Methods, 1(2), 479–488. https://doi.org/10.22237/jmasm/1036110180
Gudono. (2017). Analisis data multivariat. BPFE-Yogyakarta.
Johnson, R., & Wichern, D. (2007). Applied multivariate statistical analysis (6th ed.). Pearson Education Inc.
Portet, S. (2020). A primer on model selection using the Akaike information criterion. Infectious Disease Modelling, 5, 111. https://doi.org/10.1016/J.IDM.2019.12.010
Rencher, A. (2001). Methods of multivariate analysis (2nd ed.). John Wiley & Sons, Inc.
Sanquetta, C. R., Dalla Corte, A. P., Behling, A., de Oliveira Piva, L. R., Péllico Netto, S., Rodrigues, A. L., & Sanquetta, M. N. I. (2018). Selection criteria for linear regression models to estimate individual tree biomasses in the Atlantic Rain Forest, Brazil. Carbon Balance and Management, 13(1), 1–15. https://doi.org/10.1186/S13021-018-0112-6
Snipes, M., & Taylor, D. C. (2014). Model selection and Akaike information criteria: An example from wine ratings and prices. Wine Economics and Policy, 3(1), 3–9. https://doi.org/10.1016/J.WEP.2014.03.001
Stevens, J. (2009). Applied multivariate statistics for the social sciences (5th ed.). Routledge Taylor & Francis Group. https://doi.org/10.1111/j.1751-5823.2009.00095_13.x
Tabachnik, B., & Fidel, L. (2014). Using multivariate statistics (6th ed.). Pearson Education Limited.
Tinsley, H. E., & Brown, S. (2000). Handbook of applied multivariate statistics and mathematical modeling. Elsevier Science & Technology Books. https://doi.org/10.1016/b978-0-12-691360-6.x5000-9
West, B., Welch, K., & Galecki, A. (2006). Linear mixed models: A practical guide using statistical software. Chapman & Hall/CRC.Indonesia. Jurnal Inovasi Ekonomi, 5(02).