Uji Asumsi Analisis Regresi linear

Selamat Pagi Semua.....

kali ini saya akan sedikit menshare saja tentang asumsi-asumsi apaa saja yang harus dipenuhi untuk melakukan analisis regresi. nah buat teman-teman yang blm tahu atau mau tahu tidak akan saya jelaskan disini. tapi saya buat dipostingan saya sebelumnya. silahkan saja kesini. postingan ini tercipta karena banyaknya tugas yang berkeliaran. nah salah satunya adalah ini. jadi, tulisan ini merupakan hasil dari kerja kelompok saya. dan mudahan bisa di jadikan referensi buat teman-teman sekalian.

Sebelum dimulai kita sedikit mengulang apa itu analisis regresi.

Analisis regresi adalah suatu teknik statistikal yang dipergunakan untuk menganalisis pengaruh di antara suatu variabel dependen dan variabel independen (Gujarati, 2003; Hair et al, 1998).

Tapi dalam menggunakan Analisis regresi ada hal-hal yang harus dipenuhi, yaitu asumsi-asumsinya.

Asumsi adalah sebuah perkiraan yang biasa dibuat oleh manusia untuk menyederhanakan suatu masalah. Biasanya ia digunakan ketika menganalisa suatu masalah dikarenakan adanya variabel-variabel tertentu yang tidak terukur / diketahui. Asumsi juga biasa digunakan untuk menyingkat waktu penyelesaian masalah dan biasanya amat erat terkait dengan pengalaman pribadi penggunanya.

Dari konsep

Mungkin ada yang bertanya, maksud dari gambar diatas apa? hubungan dengan asumsi? yaa, gambar diatas sdkit mengilustrasikan bagaimana asumsi berlaku untuk regresi. dalam hal ini pekerjaan itu regresi sedangkan  syarat-syarat adalah asumsi. orang itu akan bisa mendapatkan pekerjaan ketika dia memenuhi semua syarat-syarat dari perusahaan terpenuhi. artinya dalam regresi, kita dapat menggunakan regresi apabila semua asumsi terpenuhi. 

Bagaimana kalau tidak terpenuhi? ada berbagai cara. bisa dengan mengubah sedikit datanya atau kah dengan menggunakan tehnik lain yang sedikit kurang baik dari regresi. hal ini hampir sama dengan gmabar diatas. karena persyartan  tidak terpenuhi maka dia coba mencari pekerjaan dengan dia yang meng-iklankan   diri sendiri, tapi dengan konsukensi mendapatkan gaji yang kurang. postingan kali ini saya tidak menjelaskan lebih panjang bagaimana 

Inilah dia Asumsi-asumsi Regresi Linear: 1. Heterosekdastisitas Dalam regresi  linear salah satu yang harus dipenuhi agar taksiran parameter dalam model tersebut bersifat BLUE (Best, Linear, Unbiased, and Estimator) adalah var (ui) = σ2 mempunyai variasi yang sama. Pada kasus-kasus tertentu terjadi variasi ui tidak konstan atau variabel berubah-ubah. Untuk mendeteksi heteroskedastisitas dapat dilakukan pengujian dengan metode grafik. Dengan pengujian ini dapat dideteksi apakah kesalahan pengganggu dari model yang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. Dengan metode grafik, hasilnya dapat menunjukkan ada tidaknya pola-pola tertentu yang terbentuk seperti bergelombang, melebar kemudian menyempit serta titik-titik menyebar di atas dan di bawah angka 0 (nol) pada sumbu Y. 2.  Autokorelasi Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti data deret waktu atau ruang seperti data cross-section. Untuk mengetahui autokorelasi digunakan uji Durbin-Watson (DW-test). Adanya autokorelasi dalam regresi dapat diketahui dengan menggunakan beberapa cara antara lain metode grafik dan uji Durbin-Watson. Langkah-langkah Uji Durbin-Watson adalah sebagai berikut (Gujarati, 1999): 1. Regres model lengkap untuk mendapatkan nilai residual. 2. Hitung d (Durbin-Watson Statistik) dengan rumus: (Hasan, 1999) 3. Hasil rumus tersebut yaitu nilai d kemudian dibandingkan dengan nilai d tabel Durbin- Watson. Pada tabel d tersebut terdapat dua nilai yaitu nilai batas atas (du) dan nilai batas bawah (dL) untuk berbagai nilai n dan k. Untuk autokorelasi positif (0 < p < 1), hipotesis nol (H0) diterima jika d > du, sebaliknya H0 ditolak jika d < dL. Untuk autokorelasi negatif, hipotesis nol (H0) diterima jika (4-d)>du, sebaliknya H0 ditolak jika (4-d) < dL. untuk lebih lengkapnya tentang autokorelasi bisa .[Mendeteksi Autokorelasi]. 3. Multikolinearitas Multikolinearitas muncul jika terdapat hubungan yang sempurna atau pasti di antara beberapa variabel atau semua variabel independen dalam model. Pada kasus multikolinearitas yang serius, koefisien regresi tidak lagi menunjukkan pengaruh murni dari variabel independen dalam model. Terdapat beberapa metode untuk mendeteksi keberadaan multikolinearitas (Gujarati, 1995;Ramanathan, 1995). Untuk mendeteksi multikolinearitas digunakan pengukuran terhadap nilai VIF (Variable Inflation Factor) dan nilai Tolerance .  Berikut ini langkah-langkahnya: a)      Regres model lengkap untuk mendapatkan nilai R2       Y = f (x1 ....... x7)b)      Regres masing-masing variabel independen terhadap seluruh variabel independen lainnya, dapatkan nilai R2. Regres ini disebut auxiliary regression. xi= f (xj) c)      Jika terdapat Ri2>R2 berarti terdapat masalah multikolinearitas yang serius. 4. Normalitas Normalitas dalam statistik parametric seperti regresi dan Anova merupakan syarat pertama. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid atau bias terutama untuk sampel kecil. Uji normalitas dapat dilakukan melalui dua pendekatan yaitu melalui pendekatan grafik (histogram dan P-P Plot) atau uji kolmogorov-smirnov, chi-square, Liliefors maupun Shapiro-Wilk.

Teori Cobb Douglass

Beberapa fungsi produktivitas dalam suatu perusahaan sangatlah berperan penting dalam pengembangan produktivitas. Terutama untuk menunjang proses produksi sehingga dapat memberikan beberapa peluang yang diharapkan.

Dalam ilmu ekonomi yang disebut dengan fungsi produksi yaitu suatu fungsi yang menunjukkan hubungan antara hasil fisik (output) dengan faktor produksi (input), Daniel M (2002) .dalam bentuk matematika sederhana, fungsi produksi dituliskan sebagai berikut:
Y = f ( x1, x2, x3, ...........xn)

Keterangan:
Y = hasil fisik;
x1...xn = faktor-faktor produksi.

Berbagai fungsi produksi telah banyak dibahas dalam literatur. Diantara fungsi produksi yang umum dibahas dan dipakai oleh para peneliti adalah fungsi produksi Cobb-Douglas. 

Soekartawi (2002) mendefinisikan fungsi produksi Cobb-Douglas adalah suatu fungsi atau persamaan yang melibatkan dua atau lebih variabel, dimana variabel yang satu disebut dengan variabel dependen, yang dijelaskan (Y) dan yang lain disebut variabel independent, yang menjelaskan (x).

Menurut Hadikoesworo (penerj.) (1986) dan Soekartawi (2002) menyatakan bahwa fungsi Cobb-Douglas lebih banyak dipakai oleh para peneliti karena mempunyai keunggulan yang menjadikan menarik yaitu:

• Penyelesaian fungsi Cobb-Douglas relatif lebih mudah dibandingkan dengan fungsi yang lain, karena fungsi Cobb-Douglas dapat dengan mudah ditransfer ke bentuk linear dengan cara melogaritmakan;

• Hasil pendugaan melalui fungsi Cobb-Douglas akan menghasilkan koefisien regresi yang sekaligus juga menunjukkan besaran elastisitas;

• Jumlah besaran elastisitas sekaligus menunjukkan tingkat besaran skala usaha(return of scale)yang berguna untuk mengetahui apakah kegiatan dari suatu usaha tersebut mengikuti kaidah skala usaha menaik, skala usaha tetap ataukah skala usaha yang menurun.
• Koefisien intersep dari fungsi Cobb Douglas merupakan indeks efisiensi produksi yang secara langsung menggambarkan efisiensi penggunaan input dalam menghasilkan output dari sistem produksi yang sedang dikaji itu.
• Koefisien-koefisien fungsi Cobb Douglas secara langsung menggambarkan elastisitas produksi dari setiap input yang dipergunakan dan dipertimbangkan untuk dikaji dalam fungsi produksi Cobb Douglas itu.

Tetapi fungsi cobb douglas ini juga mempunyai kelemahan-kelemahan, antara lain :

• Spesifikasi variabel yang keliru, hal ini menyebabkan nilai elastisitas produksi yang diperoleh negatif atau nilainya terlalu besar atau kecil. Spesifikasi ini akan menimbulkan terjadinya multikolinearitas pada variabel bebas.

• Kesalahan pengukuran variabel, hal ini terjadi bila data kurang valid sehingga menyebabkan besaran elastisitas produksi yang terlalu besar atau kecil.

• Bias terhadap variabel manajemen. Faktor manajemen merupakan faktor penting untuk meningkatkan produksi karena berhubungan langsung dengan variabel terikat seperti manajemen penggunaan faktor produksi yang akan mendorong besaran elastisitas tehnik dari fungsi produksi ke arah atas. Manajemen ini berhubungan dengan pengambilan keputusan dalam pengalokasian variabel input dan kadang sulit diukur dalam pendugaan fungsi cob douglas.

• Multikolinearitas, dalam fungsi ini sulit dihindarkan meskipun telah diusahakan agar besaran korelasi antara variabel indipenden tidak terlalu tinggi seperti memperbaiki spesifikasi variabel yang dipakai.

Bentuk umum dari fungsi Cobb Douglas adalah sebagai berikut:

Q = δ L^α M^β 

Bentuk transformasi:

Ln Qn = konstanta + L ln Ln + M ln Mn

Bentuk asli:

Qn = e^konstanta Ln^L Mn^M

Keterangan: 

Q = output

L = input jam kerja efektif (tenaga kerja)

M = input jam kerja mesin efektif

δ = koefisien intersep (indeks efisiensi)

α = elastisitas output dari input L

β = elastisitas output dari input M

Karena penyelesaian fungsi Cobb Douglass harus diubah bentuk fungsinya menjadi fungsi linier, maka ada persyaratan yang harus dipenuhi sebelum menggunakan persamaan tersebut:

• Tidak ada nilai pengamatan yang bernilai nol sebab logaritma dari nol adalah suatu bilangan yang besarnya tidak diketahui.

• Dalam fungsi produksi,perlu asumsi bahwa tidak ada perbedaan tehnologi dalam setiap pengamatan, ini artinya kalau fungsi produksi yang dipakai dalam pengamatan memerlukan lebih dari satu model, maka perbedaan tersebut terletak pada intersep dan bukan pada kemiringan (slope) model tersebut.

• Tiap variabel x adalah perfect competition. 

• Perbedaan lokasi seperti iklim adalah tercakup pada faktor kesalahan u (disturbance term).

analisa mengenai pendekatan cobb douglas :

1. Analisa Efisiensi Proses Produksi

Efisiensi merupakan penggunaan input yang sekecil-kecilnya untuk mendapatkan jumlah produksi sebesar-besarnya tanpa melupakan kualitas dari produk yang dihasilkan. Efisiensi proses produksi dapat dilihat dari koefisien intersep fungsi produksi Cobb-Douglas, yaitu:

Indeks efisiensi = e^a

Keterangan: e = 2,71828

a = koefisien intersep persamaan regresi

Indeks efisiensi akan didapat dari perhitungan, dengan semakin tinggi indeks efisiensi produksi berarti proses transformasi input menjadioutput menjadi semakin efisien. Selain indeks efisiensi, rasio efisiensi juga akan didapat dari perhitungan. Rasio efisiensi menunjukkan perbandingan kemampuan menghasilkan output dengan memakai inputyang tersedia.

2. Return to Scale

Berdasarkan persamaan fungsi produksi Cobb-Douglas, terdapat tiga situasi yang mungkin dalam tingkat pengembalian terhadap skala (Browning dan Browning, 1989).

1. Jika kenaikan yang proporsional dalam semua input sama dengan kenaikan yang proporsional dalam output (εp = 1), maka tingkat pengembalian terhadap skala konstan (constant returns to scale).
2. Jika kenaikan yang proporsional dalam output kemungkinan lebih besar daripada kenaikan dalam input (εp > 1), maka tingkat pengembalian terhadap skala meningkat (increasing returns to scale).
3. Jika kenaikan output lebih kecil dari proporsi kenaikan input (εp < 1), maka tingkat pengembalian terhadap skala menurun (decreasing returns to scale).

3. Elastisitas Produksi Parsial

Elastisitas produksi parsial berkenaan dengan input tertentu merupakan ukuran perubahan proporsional pada input-nya ketika inputlainnya konstan. Sebelum elastisitas produksi parsial dapat dihitung, terlebih dahulu dicari nilai Total Physical Product, Average Physical Product, dan Marginal Physical Product, yang dirumuskan:

Total Physical Product (TPP) dianggap sebagai hubungan teknis antara satu variabel faktor produksi (input) dan output dapat ditunjukkan oleh suatu fungsi produksi yang secara matematis dapat ditulis (Sudarman, 1989) :

Average Physical Product (APP) dari suatu fungsi produksi adalah total produksi dibagi dengan jumlah faktor produksi yang digunakan untuk menghasilkan produk tersebut. APP adalah perbandingan output faktor produksi untuk setiap tingkat output dan faktor produksi yang bersangkutan (Sudarman, 1989). Persamaan untuk mencari nilai APP adalah sebagai berikut:

Marginal Physical Productivity (MPP) dari suatu faktor produksi adalah bertambahnya total produksi yang disebabkan oleh bertambahnya satu unit faktor produksi variabel ke dalam proses produksi di mana faktor produksi yang lain tetap tidak berubah jumlahnya (Sudarman, 1989). Persamaannya adalah:

Elastisitas produksi parsial berkenaan dengan input tertentu merupakan ukuran perubahan proporsional output-nya disebabkan oleh perubahan proporsional pada input-nya ketika input-input yang lain konstan (Sudarman, 1989). 

[survei] Kepercayaan Publik pada Pemberantasan Korupsi

Kepercayaan Publik pada Pemberantasan Korupsi

Apa yang dinilai buruk atau negatif dalam demokrasi Indonesia sejauh ini berkaitan dengan tata kelola pemerintahan, terutama dalam penegakan hukum (rule of law) dan pengawasan terhadap korupsi (World Bank 2011).

Menurut Governance Indicator World Bank, dalam sepuluh tahun demokrasi Indonesia dan kontrol terhadap korupsi tidak mengalami kemajuan berarti, masih tetap negatif.

Penilaian ini didasarkan atas persepsi, pengalaman atau pengamatan berbagai kelompok di masyarakat: warga biasa, ahli, praktisi bisnis, aktivis NGO, dan pegawai pemerintah.

Apakah penilaian itu hanya bernilai bila dilakukan lewat pengamatan oleh ahli korupsi?

LSI mengadakan Survei Nasional di 33 provinsi di Indonesia pada tanggal 8-17 Desember 2011, Jumlah sampel sekitar 1.220 Berdasar jumlah sampel ini, diperkirakan margin of error sebesar ± 2.9% pada tingkat kepercayaan 95%.

Survei Nasional ini dibiayai oleh Yayasan Pengembangan Demokrasi Indonesia (YPDI) yang selama ini menaungi LSI.

Rilis Survei yang diadakan pada hari Minggu, 8 Januari 2012 ini menghadirkan pembicara antara lain:

Dodi Ambardi, Ph.D
(Direktur Eksekutif LSI)
Bambang Widjoyanto
(Pimpinan KPK)
Dr. Todung Mulya Lubis
(Ketua Dewan Pengurus TII)

Download Hasil selengkapnya:

Persepsi Pemberantasan Korupsi_@LSI_Lembaga.pdf

Press Release LSI,8 Januari 2012.pdf 

SUMBER:LSI

Teori Analisis Deskriptif

Analisis Deskriptif?

mungkin dari kita semua, sebenarnya buat apa sih itu analisis deskriptif?
yang penting kan analisis inferensia. yang sangat ribet akan rumus-rumus dan asumsi2 yang sangat ribet.
kali ini saya akan membahas sedikit analisis deskriptif itu bagaimana?

Sebelum masuk lebih jauh kita lihat dulu luarnya..

Menurut jenjang keilmuannya statistika dibedakan menjadi dua, yaitu statistika deskriptif dan statistika inferensia. Statistika deskriptif sering disebut sebagai statistika deduktif yang membahas tentang bagaimana merangkum sekumpulan data dalam bentuk yang mudah dibaca dan cepat memberikan informasi, yang disajikan dalam bentuk tabel, grafik, nilai pemusatan dan nilai penyebaran.

 kata para ahli, begini nih:

Iqbal Hasan (2001:7) menjelaskan bahwa statistik deskriptif adalah bagian dari statistika yang mempelajari cara pengumpulan data dan penyajian data sehingga mudah dipahami. Statistika deskriptif hanya berhubungan dengan hal menguraikan atau memberikan keterangan-keterangan mengenai suatu data atau keadaan. Dengan kata statistika deskriptif berfungsi menerangkan keadaan, gejala, atau persoalan. Penarikan kesimpulan pada statistika deskriptif (jika ada) hanya ditujukan pada kumpulan data yang ada.

Bambang Suryoatmono (2004:18) menyatakan Statistika deskriptif adalah statistika yang menggunakan data pada suatu kelompok untuk menjelaskan atau menarik kesimpulan mengenai kelompok itu saja

Menurut Sugiyono (2004:169) Analisis deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau   menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi.

jadi, menurut hemat penulis. analisis deskriptif adalah bagian dari statistik yang digunakan untuk manggambarkan atau mendeskripsikan data tanpa bermaksud mengenaralisir atau membuat kesimpulan tapi hanya menjelaskan kelompok data itu saja

Macam-macam Statistika Deskriptif:

Ukuran Numerik

Ukuran numerik dibagi menjadi dua, yaitu ukuran pemusatan data, meliputi mean, median, modus, serta ukuran penyebaran data, meliputi rentang, variansi, dan simpangan baku.

a) Ukuran Pemusatan

Ukuran pemusatan atau ukuran lokasi adalah beberapa ukuran yang menyatakan dimana distribusi data tersebut terpusat. (Howell, 1982). Ukuran pemusatan berupa nilai tunggal yang bisa mewakili suatu kumpulan data dan karakteristiknya (menunjukkan pusat dari nilai data).

Jenis-Jenis Ukuran Pemusatan antara lain:

1. Rata-rata (Mean)

Rata-rata merupakan ukuran pemusatan yang sangat sering digunakan. Keuntungan dari menghitung rata-rata adalah angka tersebut dapat digunakan sebagai gambaran atau wakil dari data yang diamati. Rata-rata peka dengan adanya nilai ekstrim atau pencilan.

2. Median atau Nilai Tengah

Median merupakan suatu nilai ukuran pemusatan yang menempati posisi tengah setelah data diurutkan

3. Modus

Modus adalah nilai yang paling sering muncul dari serangkaian data. Modus tidak dapat digunakan sebagai gambaran mengenai data (Howell, 1982)

b) Ukuran Penyebaran Data/Dispersi (Dispersion)

Ukuran penyebaran adalah suatu ukuran baik parameter atau statistika untuk mengetahui seberapa besar penyimpangan data. Melalui ukuran penyebaran dapat diketahui seberapa jauh data-data menyebar dari titik pemusatannya.

Jenis-Jenis Ukuran Penyebaran antara lain:

1. Rentang (Range) (=R)

Rentang (Range) dinotasikan sebagai R, menyatakan ukuran yang menunjukkan selisih nilai antara maksimum dan minimum. Rentang cukup baik digunakan untuk mengukur penyebaran data yang simetrik dan nilai datanya menyebar merata. Ukuran ini menjadi tidak relevan jika nilai data maksimum dan minimumnya merupakan nilai ekstrim

2. Variansi (Variance) (=S2 atau σ2)

Variansi (variance) dinotasikan sebagai S2 atau σ2 adalah ukuran penyebaran data yang mengukur rata-rata kuadrat jarak seluruh titik pengamatan dari nilai tengah (meannya).

3. Simpangan Baku (=s atau )

Simpangan baku (standar deviation) dinotasikan sebagi s atau σ, menunjukkan rata-rata penyimpangan data dari harga rata-ratanya. Simpangan baku merupan akar pangkat dua dari variansi.

sampai disini dulu, insya allah akan diupdate lagi.

Untuk tutorialnya bisa kesini gan: [Tutorial] Analisis deskriptif beserta intrepretasi menggunakan SPSS

Statistics Competition 2012

Statistics Competition 2012 memiliki dua regional, yaitu Regional A dan Regional B. Regional A meliputi beberapa kota di Indonesia dengan sistem pengerjaan di tempat pada saat babak penyisihan , sedangkan Regional B meliputi daerah selain daerah yang ada di Regional A dengan system pengerjaan secara online pada saat babak penyisihan.
Regional A terdiri dari Surabaya, Malang, Madiun, Pamekasan, Kediri, Jember, Bojonegoro, Semarang, Yogyakarta, Jakarta, Denpasar, Gianyar, Pekanbaru, Banjarmasin.

SYARAT KEPESERTAAN
Peserta Statistics Competition ITS 2012 harus memenuhi syarat sebagai berikut :

• Peserta merupakan siswa/i SMA/SMK/MA sederajat dan masih terdaftar sebagai siswa/i pada saat Statistics Competition ITS 2012
• Peserta adalah sebuah tim yang terdiri dari 2 orang siswa/i dan berasal dari satu sekolah yang sama.
• Peserta memenuhi syarat pendaftaran sebagai berikut:

1. Mengisi formulir pendaftaran yang telah disediakan oleh panitia di website Station (station.statistics.its.ac.id)
2. Fotokopi kartu pelajar (masing-masing 1 lembar) atau surat keterangan dari sekolah yang menyatakan bahwa calon peserta merupakan siswa/i dari sekolah yang bersangkutan.
3. Foto terbaru berwarna ukuran 3×4 dalam bentuk softcopy yang dicantumkan dalam formulir.
4. Fotokopi bukti transfer biaya pendaftaran.

NB : Untuk Regional B tidak perlu mencantumkan poin 2 dan 4
Setiap tim peserta Statistics Competition ITS 2012 dikenakan biaya pendaftaran sebesar Rp 90.000,00
info lengkap DOWNLOAD

Teori Analisis regresi linear sederhana

Assalamu alaikum Wr. Wb.


Sebenarnya dalam waktu dekat ini saya gak mau buat postingan. dilihat dari jam kerja saya yang banyak bener. dalam waktu sehari itu paling tidur jam 12-an lah(rapat??? tugas???). sebenarnya sih bukan juga, yang bikin lama itu sebenarnya mikirnya, krna tugas yang banyak itu , contoh nih, misal sekarang lagi mau kerjakan yang satu, eh ada panggilan buat tugas. nah jadi yang tadi ditinggalkan kembali menjadi nol lagi. itu berlanjut terus. jadi kalau semakin banyak tugas saya maka postingan saya makin banyak gitu(by statistician galau). emang ada hubungannya??


Sebagai statistician kita harus menguji kegalauan tersebut. sehingga kita gak galau lagi. nah karena saya mumpung semester ini dapat mata kuliag mengenai ini.. yaitu ANALISIS REGRESI bahasa gaoolnya ANAREG. Sekalian kita menjawab pertanyaan saya itu..

Sebenarnya ANAREG itu apa ya?? dari berbagai sumber yang saya dapatkan.

Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas.

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain(menurut om WIKI).

dari sana kita tahulah, bahwa analisis regresi itu adalah salah satu metode untuk menentukan seberapa hubungan antara variabel terikat dengan varibel bebas..


Mungkin ada yang bertanya, terus apa bedanya antara regresi dengan korelasi?? kan korelasi itu mengukur hubungan juga??? nah disini kita perlu tahu nih perbedaan antara regresi dan korelasi.

nnti kita bilang saya pakai analis korelasi aja, karena sama-sama mencari hubungan..

ini perbedaan regresi dan korelasi:

REGRESI

• Mempelajari bentuk hubungan antar variabel melalui suatu persamaan (RLS, RLB, Regresi non Linier). Hubungan bisa berupa hubungan sebab akibat
• Dapat mengukur seberapa besar suatu variabel mempengaruhi variabel lain
• Dapat digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan variabel lain

KORELASI

• Mempelajari keeratan hubungan antar 2 variabel kuantitatif yang bisa dilihat dari besarnya angka, bukan tandanya
• Dapat mengetahui arah hubungan yang terjadi (berbanding lurus jika tandanya positif, dan berbanding terbalik jika tandanya negatif)
• Nilainya berkisar -1 sampai dengan 1
• Tidak bisa menyatakan hubungan sebab akibat

mungkin ada yang masih bingung, saya kasih contoh aja ya. seperti dalam kasus saya, hubungan antara banyaknya tugas dengan banyaknya postingan. mungkin kalau bagi saya itu, saya memiliki korelasi yang sangat kuat, namun banyak tugas itu tidak bisa menjelaskan hubungannya ke variabel banyak postingan. nah jadi saya simpulkan saja: ”Korelasi yang tinggi tidak selalu berarti bahwa suatu variabel menyebabkan/mempengaruhi variabel yang lain”

kapan sebenarnya analisis regresi linear digunakan??

menurut hemat saya analisis regresi digunakan untuk mengetahui Hubungan antara variabel y (data kuantitatif) dan variabel x (data kuantitatif/variabel dummy).

Asumsi-asumsi yang harus dipenuhi dalam analisis regresi.

• Model regresi harus linier dalam parameter
• Variabel bebas tidak berkorelasi dengan disturbance term (Error) .
• Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0
• Varian untuk masing-masing error term (kesalahan) konstan
• Tidak terjadi otokorelasi
• Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam model yang digunakan dalam analisis empiris.
• Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata

Tahapan-tahapan dalam analisis regresi:

1. Identifikasi dan pembentukan model
   Menggunakan scatter plot/diagram pencar :
   Berguna untuk mengidentifikasi model hubungan antara variabel X dan Y. Bila pencaran titik-titik pada plot ini menunjukkan adanya suatu kecenderungan (trend) yang linier maka model regresi linier layak digunakan. Bila bentuk pencarannya parabola maka regresi kuadratik yang layak digunakan, dan sebagainya.
2. Pendugaan parameter model
3. Pengujian keberartian parameter
4. Penilaian ketepatan model (goodness of fit) dan pemeriksaan asumsi

Untuk yang memiliki android silahkan coba aplikasi temani ane.yang berisikan aplikasi mengani statistik silahkan cek disini Aplikasi Android Buku Saku Statistik

CONTOH KASUS DAN APLIKASI ANALISIS FAKTOR DALAM UJI VALIDITAS KONSTRAK DI PROGRAM SPSS

CONTOH KASUS DAN APLIKASI ANALISIS FAKTOR DALAM UJI VALIDITAS KONSTRAK DI PROGRAM SPSS

Diduga ada 5 variabel bebas  yang mempengaruhi variabel bebas nilai ujian mateatika siswa kelas VI sebuah  SD. Sample siswa yang diambil adalah 17 orang dari 75 orang siswa.

Variabel tak bebasnya adalah:
Y: Nilai UAS matematika siswa kelas VI SD X

Kelima variabel bebasnya adalah:

X1: Rata-rata lama belajar dalam sehari (jam)

X2: Jumlah konsumsi susu dalam seminggu (liter)

X3: Rata-rata lama tidur dalam sehari (jam)

X4: Rata-rata jumlah buku yang dibaca dalam sehari (buah)

X5:Jarak rumah ke sekolah (kilometer)

Berikut ini adalah tabel yang menyediakan data dari 17 sample siswa: 

Lama belajar	Konsumsi susu	Lama tidur	Rata-rata buku dibaca	Jarak rumah sekolah
7 1 6 4 1 6 5 6 3 2 6 2 7 4 1 6 5 7 2 3 1 5 2 4 6 3 4 3 4 2	3 3 2 5 2 3 3 6 4 6 4 3 2 6 3 4 3 3 4 5 3 4 2 6 5 5 4 7 6 3	6 2 3 4 2 6 6 7 2 2 7 1 6 4 2 6 6 7 3 3 2 5 1 4 4 4 7 2 3 2	4 4 4 6 3 4 3 4 3 6 3 4 4 5 2 3 3 4 3 6 3 4 5 6 2 6 2 6 7 4	2 5 1 2 6 2 4 1 6 7 2 5 1 3 6 3 3 1 6 4 5 2 4 4 1 4 2 4 2 7

Prosedur dalam SPSS:

Menjalankan Prosedur Analisis Faktor

Untuk penghitungan analisis faktor ini tahapannya sebagai berikut:

1.      Pilih menu Analyze, lalu pilih Data reduction dan pilih Factor

2.      Pilih variabel X1 s/d X24 dan pindahkan ke kotak variabel

3.      Pilih Descriptives kemudian pada kelompok Statistics pilih option Initial solution, pada kelompok Correlation Matrix, pilihCoefficiens, Significance levels, KMOand Bartlett…dan Determinant, kemudian klik Continue.

4.      Pilih Extraction, pilih  Principle components pada Method, pada Analyze pilih Correlation matrix, pada Extract pilih Eigenvalue over 1, pada Display pilih Scree Plot, kemudian klik Continue.

5.      Pilih Rotation kemudian pilih Varimax pada pilihan Method, kemudian klik Continue.

6.      Klik Scores kemudian pilih Save as variables dengan Method sebagai Bartlett. Klik Display factor score coefficient matrix. Kemudian klik Continue.

7.      Pilih Options kemudian klik Sorted by size. Kemudian klik Continue.

8.      Klik OK.

Tampilan pada Program SPSS

·                     

·                                 Proses analisis factor

 ·                                 Output di SPSS dan Interpretasinya

Factor Analysis

                                                                Correlation Matrix

		Lama_belajar	konsumsi_susu	Lama_tidur	Rata_jumlah_buku	Jarak_rumah_sekolah
Correlation	Lama_belajar	1.000	-.001	.830	-.086	-.858
	konsumsi_susu	-.001	1.000	.012	.548	-.044
	Lama_tidur	.830	.012	1.000	-.251	-.713
	Rata_jumlah_buku	-.086	.548	-.251	1.000	-.007
	Jarak_rumah_sekolah	-.858	-.044	-.713	-.007	1.000

Semakin besar nilai korelasi matriknya maka hubungan antar variable terkait akan semakin besar. Dari table “Corelation Matrix” maka dapat dilihat bahwa korelasi kuat terjadi antara variable Lama_belajar dan Lama_tidur sebesar 0,830 kemudian diikuti oleh variabel Rata_jumlah_buku dan Konsumsi_susu sebesar 0,548 ke duanya mempunyai hubungan positif.

                                     KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.		.620
Bartlett's Test of Sphericity	Approx. Chi-Square	81.294
	df	10
	Sig.	.000

KMO merupakan suatu nilai yang merupakan ukuran untuk kelayakan data. Nilai KMOyang kecil mengindikasikan bahwa penggunaan analisis factor harus dipertimbangkan kembali, karena korelasi antar peubah asal tidak dapat diterangkan oleh peubah lain. Menurut Kaiser dan Rice (1974) menetapkan criteria pengukuran bahwa nilai KMO sebesar 0,9 adalah sangat bagus; 0,8 adalah bagus; 0,7 adalah cukup; 0,6 adalah kurang;0,5 adalah jelek dan di bawah 0,5 tidak dapat diterima (Sharma,1996).

Menurut J. Supranto, jika besar KMO lebih dari 0,5 maka penggunaan analisis factor sudah cocok untuk data tersebut.

Dari table KMO and Bartlett’s Test didapat nilai KMO sebesar 0,620. Ini berarti bahwa analisis Faktor cukup tepat untuk menganalisis untuk menganalisis matrix data yang bersangkutan.

                                     Communalities

	Initial	Extraction
Lama_belajar	1.000	.925
konsumsi_susu	1.000	.764
Lama_tidur	1.000	.844
Rata_jumlah_buku	1.000	.794
Jarak_rumah_sekolah	1.000	.851

Extraction Method: Principal Component Analysis.

Komunalitas merupakan proporsi keragaman peubah asal ke-I yang dapat dijelaskan oleh factor umum,dan sisanya yang tidak dapat dijelaskan oleh factor umum dijelaskan oleh factor khusus yang melalui ragam khusus (specific variance).

Menurut J.Supranto Komunalitas adalah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis. Bisa juga disebut proporsi atau bagian darivarian yang dijelaskan oleh common factor atau besarnya sumbangan suatu faktorterhadap varian seluruh variabel.

Dari table “communalities” diatas maka pada kolom Extraction bias dijelaskan, bahwa proporsi varian lama_bljr terhadap jumlah seluruh varians adalah sebesar 0,925. Demikina halnya dengan variabel lainnya.

                                                                                Total Variance Explained

Component	Initial Eigenvalues			Extraction Sums of Squared Loadings
	Total	% of Variance	Cumulative %	Total	% of Variance	Cumulative %
1	2.625	52.493	52.493	2.625	52.493	52.493
2	1.553	31.052	83.545	1.553	31.052	83.545
3	.502	10.047	93.592
4	.214	4.288	97.880
5	.106	2.120	100.000

Extraction Method: Principal Component Analysis.

Sree Plot merupakan plot dari eigen value sebagai sumbu vertical dan banyaknya faktor sebagai sumbu horizontal, untuk menentukan banyaknya factor yangbisa ditarik (factor extraction).

Hasil percobaan diatas menunjukkan bahwa titik pada tempat di mana The Scree mulai terjadi, menunjukkan banyaknya factor yang benar. Tepatnya pada saatthe scree mulai merata/mendatar (keterangan lengkap pada buku J.Supranto hal 129)

                               Component Matrix(a)

	Component
	1	2
Lama_belajar	.958	.083
konsumsi_susu	-.037	.873
Lama_tidur	.918	-.030
Rata_jumlah_buku	-.201	.868
Jarak_rumah_sekolah	-.907	-.171

Extraction Method: Principal Component Analysis.

a  2 components extracted.

Matrik komponen merupakan matrik hubungan antara variabel dan Faktor yang merupakan pengkategori dari variabel-variabel ybs. Dari matrik komponen di atas dapat disimpulkan bahwa dari sebanyak 5 variabel diperoleh sebanyak 2 faktor.

2 Komponen (factor) yang terbentuk adalah:

1.      Komponen 1 meliputi variabel Lama_belajar, Lama_tidur dan Jarak_rumah_sekolah.

2.      Komponen 2 meliputi variabel Rata_jumlah_buku dan Konsumsi_susu.

(Keteranga lebih lanjut baca Buku Analisi Multivariat J. Supranto hal 133)

Wallahu a’lam bishowwab