P. 1
Regresi Sederhana

Regresi Sederhana

|Views: 560|Likes:
Published by Dewa Gumay

More info:

Published by: Dewa Gumay on Jul 05, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/13/2013

pdf

text

original

ANALISIS REGRESI ANALISIS REGRESI

Dr. Ir. Indra, MP Dr. Ir. Indra, MP
ANALISIS REGRESI ANALISIS REGRESI
PENGERTIAN PENGERTIAN
Jenis uji statistika yang dipakai untuk melihat daya prediksi Jenis uji statistika yang dipakai untuk melihat daya prediksi
predictor variables predictor variables atau atau independent variables independent variables atau variabel bebas atau variabel bebas
terhadap terhadap dependent variable dependent variable atau atau criterion variable criterion variable atau variabel atau variabel
terikat. terikat.
TUJUAN REGRESI TUJUAN REGRESI
Mengestimasi nilai rata Mengestimasi nilai rata--rata variabel tak bebas dan nilai rata rata variabel tak bebas dan nilai rata--
rata variabel bebas rata variabel bebas
Menguji hipotesis mengenai sifat alamiah ketergantungan Menguji hipotesis mengenai sifat alamiah ketergantungan
(sesuai teori ekonomi) (sesuai teori ekonomi)
Memprediksi atau meramalkan nilai rata Memprediksi atau meramalkan nilai rata--rata variabel tak rata variabel tak
bebas dan nilai rata bebas dan nilai rata--rata variabel bebas tertentu rata variabel bebas tertentu
JENIS REGRESI JENIS REGRESI
REGRESI
Sederhana
y = f (x)
Multiple
y = f (x
1
…x
n
)
Regresi Regresi sederhana sederhana regresi regresi yang yang terdiri terdiri dari dari 2 2 variabel variabel
Regresi Regresi multiple multiple regresi regresi yang yang terdiri terdiri dari dari lebih lebih dari dari 2 2 variabel variabel
Regresi Regresi Linier Linier Memprediksi Memprediksi peranan peranan prediktor prediktor dalam dalam persamaan persamaan
linier linier
Regresi Regresi Non Linier Non Linier Memprediksi Memprediksi peranan peranan prediktor prediktor dalam dalam
persamaan persamaan non non--linier yang linier yang dibuat dibuat oleh oleh peneliti peneliti..
Linear
Non-Linear
ANALISIS REGRESI ANALISIS REGRESI
Regresi Linear : hubungannya berbetuk garis lurus Regresi Linear : hubungannya berbetuk garis lurus
y = a + bx
y
α = - b
y
a
α = b
x
a
α = - b
x
y = a - bx
positif negatif
ANALISIS REGRESI ANALISIS REGRESI
Regresi Non Regresi Non--Linear : hubungannya tidak berbetuk garis Linear : hubungannya tidak berbetuk garis
lurus (polynomial, exponential, lurus (polynomial, exponential,
logarithmic) logarithmic)
y
y
x
y
x
y
ANALISIS REGRESI ANALISIS REGRESI
Linear
Non
Linear
ANALISIS REGRESI ANALISIS REGRESI
PRASYARAT ANALISIS REGRESI PRASYARAT ANALISIS REGRESI
Variabel dependent dan independent harus kuantitatif Variabel dependent dan independent harus kuantitatif
Variabel independent dan dependent harus terdistribusi Variabel independent dan dependent harus terdistribusi
normal normal
Nilai Nilai variabel prediktor (x) harus variabel prediktor (x) harus bervariasi bervariasi Nilai Nilai variabel prediktor (x) harus variabel prediktor (x) harus bervariasi bervariasi
Tidak terjadi multikolinearitas, dan heterokedastis ( Tidak terjadi multikolinearitas, dan heterokedastis (multiple multiple
regression regression))
Jumlah observasi n harus lebih besar dari jumlah parameter Jumlah observasi n harus lebih besar dari jumlah parameter
yang diobservasi yang diobservasi
Jika data prediktor bersifat katagori (jender, agama, dsb) Jika data prediktor bersifat katagori (jender, agama, dsb)
maka perlu ditransformasi menjadi variabel dummy maka perlu ditransformasi menjadi variabel dummy
REGRESI SEDERHANA REGRESI SEDERHANA
Regresi yang terdiri dari 2 variabel, yaitu y sebagai Regresi yang terdiri dari 2 variabel, yaitu y sebagai
variabel dependent (terikat) dan satu variabel x variabel dependent (terikat) dan satu variabel x
sebagai variabel independent (bebas). sebagai variabel independent (bebas).
Contoh : Contoh :
i i i
e X b b Y + + =
1 0
ˆ
Y (tudung/topi) = menunjukkan estimasi Y (tudung/topi) = menunjukkan estimasi fungsi regresi fungsi regresi
sampel sampel untuk mengestimasi populasi, untuk mengestimasi populasi,
b b
0 0
, b , b
1 1
= parameter atau koefisien regresi ; b = parameter atau koefisien regresi ; b
0 0
disebut juga disebut juga
sebagai konstanta, b sebagai konstanta, b
1 1
(slope) yaitu mengukur (slope) yaitu mengukur tingkat tingkat
perubahan rata perubahan rata--rata Y per unit akibat perubahan X rata Y per unit akibat perubahan X..
ee
i i
= disturbance error = faktor pengganggu = faktor acak = disturbance error = faktor pengganggu = faktor acak
i i i 1 0
1 1 0 1
) ( X X Y E β β + =
REGRESI SEDERHANA REGRESI SEDERHANA
Dalam dunia nyata, tidak ada unsur kepastian maka Dalam dunia nyata, tidak ada unsur kepastian maka
perlu ditambahkan perlu ditambahkan faktor faktor pengganggu atau faktor pengganggu atau faktor
acak acak tersebut, untuk mengakomodasi beberapa hal tersebut, untuk mengakomodasi beberapa hal
antara lain : antara lain :
1. 1. Karena ketidakjelasan atau ketidaklengkapan teori Karena ketidakjelasan atau ketidaklengkapan teori 1. 1. Karena ketidakjelasan atau ketidaklengkapan teori Karena ketidakjelasan atau ketidaklengkapan teori
2. 2. Ketidaktersediaan data Ketidaktersediaan data
3. 3. Kesalahan manusiawi Kesalahan manusiawi
4. 4. Kurangnya variabel pengganti Kurangnya variabel pengganti
5. 5. Prinsip Kesederhanaan Prinsip Kesederhanaan
6. 6. Kesalahan bentuk fungsi Kesalahan bentuk fungsi
Koefisien Regresi Koefisien Regresi
( )


∑ ∑
∑ ∑ ∑
=


=
2 2
2
atau
i
i i
i i
i i i i
x
y x
b
X X n
Y X Y X n
b
Y = a + bX
( )

∑ ∑
i
i i
X b Y a − =
( ) ( ) ( )( ) Y Y X X xy Y Y y X X x − − = − = − = ; ;
• Untuk melihat kearatan hubungan antar variabel
• Hubungan tersebut dapat positif atau negatif
• Contoh hubungan positif :
• X = pupuk Y = produksi padi
Koefisien Korelasi Koefisien Korelasi
• X = biaya advertensi Y = hasil penjualan
• X = jumlah ransum Y = berat badan
• X = pendapatan Y = konsumsi
• X = investasi Y = pendapatan nasional
• Contoh hubungan negatif :
• X = harga barang Y = permintaan
• X = luas tambak Y = luas hutan mangrove
• X = pendapatan masy Y = kejahatan ekonomi
Koefisien Korelasi Koefisien Korelasi
• X = biaya produksi Y = keuntungan
• Nilai r berkisar antara |0 dan 1|
• r = 1, hubungan X dan Y sempurna dan positif
• r = -1, hubungan X dan Y sempurna dan negatif
Koefisien Korelasi Koefisien Korelasi
y = a + bx
y
y
y = a + bx
a
α = b
x
y
a
α = - b
x
y
positif negatif
Koefisien Korelasi Koefisien Korelasi
2
1 1
2
2
1 1
2
1 1 1

∑ ∑ ∑ ∑
∑ ∑ ∑
= = = =
= = =
|
¹
|

\
|
− |
¹
|

\
|


=
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
n
i
i i i i
Y Y n X X n
Y X Y X n
r
atau
• Rumus untuk menghitung r adalah :
( ) ( ) ( )( ) Y Y X X xy Y Y y X X x − − = − = − = ; ;
1 1 1 1 = = = = ¹ \ ¹ \ i i i i
∑ ∑

= =
=
=
n
i
i
n
i
i
n
i
i i
y x
y x
r
1
2
1
2
1

Contoh Soal Contoh Soal
Analysis of Variance
Source DF Sum of
Squares
Mean
Square
F Value Pr > F
Model
1 115.6488 115.6488 374.8417 1.23E-06
Error
Karena nilai kecil (lebih kecil dari alpha,
misal 5%), maka disimpulkan tolak H
0
,
yang berarti ada X yang berpengaruh
terhadap Y.
Error
6 1.851163 0.308527
Corrected Total
7 117.5
Analysis of Variance
Source DF Sum of
Squares
Mean
Square
F Value Pr > F
Model 5 63.23 12.65 9.75 0.0001
Error 18 23.34 1.30
Karena nilai kecil (lebih kecil dari alpha,
misal 5%), maka disimpulkan tolak H
0
,
yang berarti ada X yang berpengaruh
terhadap Y.
Error 18 23.34 1.30
Corrected Total 23 86.57
KORELASI RANK (PERINGKAT) KORELASI RANK (PERINGKAT)
Rumus Spearman Rumus Spearman digunakan untuk data peringkat digunakan untuk data peringkat
Jauh lebih sederhana dibandingkan dengan rumus Jauh lebih sederhana dibandingkan dengan rumus
product moment dari Pearson (yang sdh dipelajari), product moment dari Pearson (yang sdh dipelajari),
sebab menggunakan rank dengan angka sebab menggunakan rank dengan angka--angka yang angka yang
kecil. kecil. kecil. kecil.
Hasilnya sama atau mendekati sama. Hasilnya sama atau mendekati sama.
Nilai terendah diberi rank kecil dan sebaliknya Nilai terendah diberi rank kecil dan sebaliknya
) 1 (
6
1
2
2

− =

n n
d
r
i
rank
contoh
KORELASI DATA KUALITATIF KORELASI DATA KUALITATIF
Data katagori, seperti : tinggi ; sedang; rendah Data katagori, seperti : tinggi ; sedang; rendah
Misal : Kita ingin meneliti apakah ada hub : (1) antara Misal : Kita ingin meneliti apakah ada hub : (1) antara
selera konsumen dengan letak geografis, (2) antara selera konsumen dengan letak geografis, (2) antara
kedudukan orang tua dengan kedudukan anak?, (3) kedudukan orang tua dengan kedudukan anak?, (3)
antara selera dan pendidikan?, (4) antara pendidikan dan antara selera dan pendidikan?, (4) antara pendidikan dan
pendapatan?, dsb… pendapatan?, dsb…
antara selera dan pendidikan?, (4) antara pendidikan dan antara selera dan pendidikan?, (4) antara pendidikan dan
pendapatan?, dsb… pendapatan?, dsb…
Contingency Coefficient (Koefisien Bersyarat) Contingency Coefficient (Koefisien Bersyarat)
digunakan untuk mengukur kuatnya hubungan data digunakan untuk mengukur kuatnya hubungan data
kualitatif dimana mempunyai arti sama dengan koefisien kualitatif dimana mempunyai arti sama dengan koefisien
korelasi. korelasi.
Nilai Contingency Coefficient (C Nilai Contingency Coefficient (C
cc
) antara 0 dan 1. ) antara 0 dan 1.
KORELASI DATA KUALITATIF KORELASI DATA KUALITATIF
Rumusnya : Rumusnya :
1 0 ;
2
2
≤ ≤
+
=
c c
C
n
C
χ
χ
( )
frequency) (expected harapan frekuensi
) . .)( (
e
Kuadrat Khi atau Skuer Kai dibaca ;
e
observasi banyaknya
ij
2
1 1
ij
2
2
= =

=
=
∑∑
= =
n
j n ni
e n
n
p
i
q
j
ij ij
χ χ
contoh
REGRESI BERGANDA REGRESI BERGANDA
(Multiple Regression) (Multiple Regression)
Adalah untuk melihat hubungan lebih dari 2 variabel Adalah untuk melihat hubungan lebih dari 2 variabel
(variabel independent, X (variabel independent, X
i, i,
lebih dari 1). lebih dari 1).
Y = b Y = b
11
+ b + b
22
XX
22
+ b + b
33
XX
33
… b … b
n n
XX
n n
Misal : Regresi Linear dengan 2 variabel bebas Misal : Regresi Linear dengan 2 variabel bebas Misal : Regresi Linear dengan 2 variabel bebas Misal : Regresi Linear dengan 2 variabel bebas
Y = b Y = b
11
+ b + b
22
XX
22
+ b + b
33
XX
33
b b
11
, b , b
22
, dan b , dan b
33
dihitung sbb: dihitung sbb:
b1 n b1 n ++b2 b2 ΣΣX2 X2 ++ b3 b3 ΣΣX3 X3 = = ΣΣY Y
b1 b1 ΣΣX2 X2 ++b2 b2 ΣΣX2 X2
22
++ b3 b3 ΣΣ X2X3 X2X3 = = ΣΣ X2Y X2Y
b1 b1 ΣΣ X3 X3 ++b2 b2 ΣΣ X3X2 X3X2 ++ b3 b3 ΣΣ X3 X3
22
= = ΣΣ X3Y X3Y
REGRESI BERGANDA REGRESI BERGANDA
(Multiple Regression) (Multiple Regression)
Dalam bentuk matriks Dalam bentuk matriks
2 2
1
3 2
2
2
2
3 2

=




∑ ∑ ∑
∑ ∑
Y X
Y
b
b
X X X X
X X n
{
A dari (inverse) kebalikan matrik A ; A b
1 - 1 -
3
2
3
2
2
3
2 3 3
3 2
2
2
= =
=



∑ ∑ ∑
∑ ∑ ∑
H
H Ab
Y X b
X X X X
H
b
A
43 42 1
4 4 4 4 4 3 4 4 4 4 4 2 1
REGRESI BERGANDA REGRESI BERGANDA
(Multiple Regression) (Multiple Regression)
Cara menghitung determinan Cara menghitung determinan

13 12 11
a a a
+

33 32 31
23 22 21
13 12 11
a a a
a a a
A =
-
REGRESI BERGANDA REGRESI BERGANDA
(Multiple Regression) (Multiple Regression)
Jika suatu matriks : Jika suatu matriks :
2
1
2
1
23 22 21
13 12 11
h
h
h
b
b
b
a a a
a a a
a a a

=

{ {
) det(
) 3 det(
;
) det(
) 2 det(
;
) det(
) 1 det(
: maka
3 2 1
3 3 33 32 31
A
A
b
A
A
b
A
A
b
h b a a a
H b
A
= = =

4 4 3 4 4 2 1
REGRESI BERGANDA REGRESI BERGANDA
(Multiple Regression) (Multiple Regression)
Dimana : Dimana :

=

=

=
2 22 21
1 12 11
23 2 21
13 1 11
23 22 2
13 12 1
3 ; 2 ; 1 h a a
h a a
A a h a
a h a
A a a h
a a h
A

3 32 31 33 3 31 33 32 3
h a a a h a a a h
contoh
KORELASI BERGANDA KORELASI BERGANDA
Apabila kita mempunyai 3 variabel Y, X
2
, X
3
, maka r :
Y) dan X (korelasi
2
2 2
2
2
2 2
i i
i i
y y x
y x
y x
r r

= =
) X dan X (korelasi
Y) dan X (korelasi
3 2
2
3
2
2
3 2
23 3 2
3
2 2
3
3
3 3
i i
i i
x x
i i
i i
y y x
x x
x x
r r
y x
y x
r r


= =
= =
KORELASI BERGANDA KORELASI BERGANDA

1
2
2
23
23 3 2
2
3
2
2
23 .
r
r r r r r
R KKLB
y y y y
y

− +
= =
KKLB (Koefisien Korelasi Linear Berganda)
ion) determinat of (coef. Penentu koefisien ;
2
23 . y
R KP =

y
b

2
i
3 3 2 2
2
23 .

∑ ∑
+
= =
i i i i
y
y x b y x
R KP
KP mengukur besarnya sumbangan (share) dari beberapa
variabel X terhadap adanya variasi (naik turunnya) Y
contoh
Multikolinearitas Multikolinearitas
Dalam Dalam analisis analisis regresi regresi berganda berganda, antar X , antar Xi i tidak boleh tidak boleh
saling berkorelasi. saling berkorelasi.
Korelasi antar X menyebabkan Korelasi antar X menyebabkan dugaan dugaan koefisien tidak koefisien tidak
stabil (memiliki variasi yang besar). stabil (memiliki variasi yang besar). stabil (memiliki variasi yang besar). stabil (memiliki variasi yang besar).
Hal ini menyebabkan Hal ini menyebabkan kesimpulan kesimpulan cenderung cenderung
menyatakan terima H menyatakan terima H
00
atau pengaruh X tidak signifikan atau pengaruh X tidak signifikan
meskipun nilai R meskipun nilai R
22
sangat tinggi. sangat tinggi.
Mendeteksi Multikolinearitas Mendeteksi Multikolinearitas
1. 1. Nilai R Nilai R
22
yang dihasilkan sangat tinggi tetapi hasil uji yang dihasilkan sangat tinggi tetapi hasil uji
tt--statistik sangat sedikit variabel bebas yang statistik sangat sedikit variabel bebas yang
signifikan secara statistik signifikan secara statistik
2. 2. Menggunakan korelasi parsial (oleh: Farrar dan Menggunakan korelasi parsial (oleh: Farrar dan
Glauber, 1967)dengan langkah Glauber, 1967)dengan langkah--langkah berikut: langkah berikut:
a. Estimasi model Y=f(X a. Estimasi model Y=f(X ,X ,X ) dan dapatkan nilai ) dan dapatkan nilai a. Estimasi model Y=f(X a. Estimasi model Y=f(X
1t 1t
,X ,X
2t 2t
) dan dapatkan nilai ) dan dapatkan nilai
RR
22
11
. dan lakukan estimasi model X . dan lakukan estimasi model X
1t 1t
=f(X =f(X
2t 2t
) dan ) dan
XX
2t 2t
=f(X =f(X
1t 1t
) dan dapatkan nilai R ) dan dapatkan nilai R
22
22
dan R dan R
22
33
b. b. Rule of thumb Rule of thumb bila R bila R
22
11
lebih tinggi dari R lebih tinggi dari R
22
22
dan dan RR
22
33
maka model empiris tidak ditemukan maka model empiris tidak ditemukan
mmultikolinearitas ultikolinearitas
Penyebab Multikolinearitas Penyebab Multikolinearitas
1. 1. Metode Pengumpulan data yang dipakai Metode Pengumpulan data yang dipakai
2. 2. Kendala dalam model atau populasi yang menjadi Kendala dalam model atau populasi yang menjadi
sampel sehingga populasi yang dijadikan sampel sampel sehingga populasi yang dijadikan sampel
kurang realistis kurang realistis
3. 3. Spesifikasi model yang memasukkan variabel penjelas Spesifikasi model yang memasukkan variabel penjelas 3. 3. Spesifikasi model yang memasukkan variabel penjelas Spesifikasi model yang memasukkan variabel penjelas
yang seharusnya dikeluarkan dari model empiris dan yang seharusnya dikeluarkan dari model empiris dan
sebaliknya sebaliknya
4. 4. Model yang berlebihan dimana jumlah variabel Model yang berlebihan dimana jumlah variabel
penjelas lebih banyak dibandingkan jumlah data atau penjelas lebih banyak dibandingkan jumlah data atau
observasi observasi
Parameter Estimates Parameter Estimates
Variab Variab
le le
Label Label DF DF Parameter Parameter
Estimate Estimate
Standard Standard
Error Error
tt Value Value Pr Pr > > |t| |t|
Interc Interc
ept ept
Intercept Intercept 11 15.04677 15.04677 27.45957 27.45957 0.55 0.55 0.5905 0.5905
X1 X1 Harga beli konsumen Harga beli konsumen
merek A (Rp per merek A (Rp per
kemasan) kemasan)
11 --0.02151 0.02151 0.01225 0.01225 --1.76 1.76 0.0960 0.0960
X2 X2 Harga beli konsumen Harga beli konsumen
merek PESAING (Rp per merek PESAING (Rp per
kemasan) kemasan)
11 0.01866 0.01866 0.00608 0.00608 3.07 3.07 0.0066 0.0066
kemasan) kemasan)
X3 X3 Tingkat inflasi (%) Tingkat inflasi (%) 11 --3.15022 3.15022 0.66768 0.66768 --4.72 4.72 0.0002 0.0002
X4 X4 Belanja iklan (miliar Belanja iklan (miliar
rupiah) rupiah)
11 0.21919 0.21919 1.04179 1.04179 0.21 0.21 0.8357 0.8357
X5 X5 TOM (persen) TOM (persen) 11 0.08291 0.08291 0.06415 0.06415 1.29 1.29 0.2125 0.2125
Harga Beli merek A, merek PESAING
dan inflasi berpengaruh terhadap
sales (penjualan)
belanja iklan dan TOM tidak
berpengaruh terhadap sales
(penjualan)
Merasa aneh, kenapa belanja iklan
tidak signifikan pengaruhnya?
Korelasi belanja iklan dan TOM Korelasi belanja iklan dan TOM
Pearson Correlation Coefficients, Pearson Correlation Coefficients,
N = 24 N = 24
Prob Prob > |r| under H0: Rho=0 > |r| under H0: Rho=0
X4 Belanja iklan (miliar X4 Belanja iklan (miliar
rupiah) rupiah)
X5 TOM (persen) X5 TOM (persen) 0.81296 0.81296
<.0001 <.0001
Korelasinya tinggi
multikolinear problem
HINDARKAN :
penggunaan X yang saling
berkorelasi
Model tanpa TOM Model tanpa TOM
Parameter Estimates Parameter Estimates
Variable Variable Label Label DF DF Parameter Parameter
Estim Estim
ate ate
Standard Standard
Error Error
tt Value Value Pr Pr > > |t| |t|
Intercept Intercept Intercept Intercept 11 22.25156 22.25156 27.35832 27.35832 0.81 0.81 0.4261 0.4261
X1 X1 Harga beli konsumen merek A Harga beli konsumen merek A
(Rp per kemasan) (Rp per kemasan)
11 --0.02720 0.02720 0.01163 0.01163 --2.34 2.34 0.0304 0.0304
(Rp per kemasan) (Rp per kemasan)
X2 X2 Harga beli konsumen merek Harga beli konsumen merek
PESAING (Rp per kemasan) PESAING (Rp per kemasan)
11 0.02150 0.02150 0.00577 0.00577 3.73 3.73 0.0014 0.0014
X3 X3 Tingkat inflasi (%) Tingkat inflasi (%) 11 --3.13176 3.13176 0.67920 0.67920 --4.61 4.61 0.0002 0.0002
X4 X4 Belanja iklan (miliar rupiah) Belanja iklan (miliar rupiah) 11 1.38162 1.38162 0.53506 0.53506 2.58 2.58 0.0183 0.0183
Pengaruh belanja iklan signifikan
REGRESI BERGANDA REGRESI BERGANDA
(Non Linear) (Non Linear)
Trend Parabola Trend Parabola
Y = a + bX + cX Y = a + bX + cX
22
an an ++b b ΣΣXX ++ c c ΣΣXX
22
= = ΣΣY Y
a aΣΣXX ++b b ΣΣXX
22
++ c c ΣΣ XX
33
= = ΣΣ XY XY
a aΣΣXX
22
++b b ΣΣXX
33
++ c c ΣΣ XX
44
= = ΣΣ XX
22
Y Y
REGRESI BERGANDA REGRESI BERGANDA
(Non Linear) (Non Linear)
Dalam bentuk matriks Dalam bentuk matriks
3 2
2

=




∑ ∑ ∑
∑ ∑
XY
Y
b
a
X X X
X X n
{
A dari (inverse) kebalikan matrik A ; A b
1 - 1 -
2
4 3
2
= =
=



∑ ∑ ∑
∑ ∑ ∑
H
H Ab
Y X c
X X X
H
b
A
43 42 1
4 4 4 4 3 4 4 4 4 2 1
contoh
REGRESI BERGANDA REGRESI BERGANDA
(Non Linear) (Non Linear)
Fungsi Eksponensial (Logaritma) Fungsi Eksponensial (Logaritma)
Y = aX Y = aX
b b
log Y = log a + b logX (Sederhana) log Y = log a + b logX (Sederhana)
Y = aX Y = aX
11
b1 b1
XX
22
b2 b2
… X … X
n n
bn bn
(Multiple) (Multiple)
Log Y = log a + b Log Y = log a + b
11
logX logX
11
+ b + b
22
logX logX
22
… b … b
n n
logX logX
n n
contoh
UJI CHI UJI CHI- -KUADRAT KUADRAT
Untuk penelitian yang menggunakan ukuran nominal Untuk penelitian yang menggunakan ukuran nominal
untuk mengukur atribut untuk mengukur atribut--atribut dari fenomena atribut dari fenomena
tertentu. tertentu.
Atau untuk menguji apakah beberapa ukuran Atau untuk menguji apakah beberapa ukuran
nominal berhubungan satu sama lain atau tidak nominal berhubungan satu sama lain atau tidak nominal berhubungan satu sama lain atau tidak nominal berhubungan satu sama lain atau tidak
Chi Chi--Kuadrat bermanfaat untuk melakukan uji Kuadrat bermanfaat untuk melakukan uji
hubungan antara variabel dan uji homogenitas antar hubungan antara variabel dan uji homogenitas antar
variabel. variabel.
Contoh apakah ada hubungan antara kepuasan dan Contoh apakah ada hubungan antara kepuasan dan
kinerja dosen?? kinerja dosen??
contoh
UJI CHI UJI CHI- -KUADRAT KUADRAT
Rumus statistik Chi Rumus statistik Chi--Kuadrat : Kuadrat :


∑ ∑ =
ij
ij ij
e
e O
2
2
) (
χ
Dimana :
frequency) (expected harapan frekuensi
) . .)( (
e
ij
= =
n
j n ni
Dimana :
O
ij
= simbol observasi dari tiap sel
UJI CHI UJI CHI- -KUADRAT KUADRAT
Kinerja Kinerja
Dosen Dosen
Puas Puas Tidak puas Tidak puas Jumlah Jumlah
Cara Cara
mengajar mengajar
35 35 35 35 70 70
mengajar mengajar
Penguasaan Penguasaan
materi materi
35 35 25 25 60 60
Kehadiran Kehadiran 42 42 35 35 77 77
Jumlah Jumlah 112 112 95 95 207 207
UJI CHI UJI CHI- -KUADRAT KUADRAT
Langkah Proses : Langkah Proses :
memberi nilai ekspektasi tiap sel. Misalnya : (1,1) memberi nilai ekspektasi tiap sel. Misalnya : (1,1)
yaitu titik temu antara variabel puas dan variabel yaitu titik temu antara variabel puas dan variabel
cara mengajar, cara hitung adalah: cara mengajar, cara hitung adalah:
e1 = (112 x 70)/207 = 37,87 e1 = (112 x 70)/207 = 37,87 e1 = (112 x 70)/207 = 37,87 e1 = (112 x 70)/207 = 37,87
e2 = (95 x 60)/207 = 32,13 e2 = (95 x 60)/207 = 32,13
e3 = (112 x 60)/207 = 32,46 e3 = (112 x 60)/207 = 32,46
e4 = (95 x 60)/207 = 27,54 e4 = (95 x 60)/207 = 27,54
e5 = (112 x 77)/207 = 41,66 e5 = (112 x 77)/207 = 41,66
e6 = (95 x 77)/207 = 35,34 e6 = (95 x 77)/207 = 35,34
UJI CHI UJI CHI- -KUADRAT KUADRAT
Data hasil penelitian dengan masing Data hasil penelitian dengan masing--masing ekspektasinya masing ekspektasinya
adalah : adalah :
= ((35 = ((35--37,87) 37,87)
22
/37,87) + … + ((95 /37,87) + … + ((95--35,39) 35,39)
22
/35,34) = 0,91 /35,34) = 0,91
dengan mengambil dengan mengambil αα sebesar 1% dan dk sebesar 2 (df = k sebesar 1% dan dk sebesar 2 (df = k--
1) serta menggunakan tabel chi kuadrat, maka di dapat 1) serta menggunakan tabel chi kuadrat, maka di dapat
statistik tabel = 9,210 statistik tabel = 9,210
Selanjutnya, nilai dari statistik hitung dibandingkan dengan Selanjutnya, nilai dari statistik hitung dibandingkan dengan
statistik tabel. statistik tabel.
Jika Jika χχ
hitung hitung
> > χχ
tabel tabel
, maka terima Ha, tolak Ho. Jika , maka terima Ha, tolak Ho. Jika
sebaliknya ( sebaliknya (≤≤) maka terima Ho dan tolak Ha. ) maka terima Ho dan tolak Ha.
0,91 < 9,210, maka terima Ho dan tolak Ha, artinya : tidak 0,91 < 9,210, maka terima Ho dan tolak Ha, artinya : tidak
ada hubungan kepuasan dengan kinerja dosen. ada hubungan kepuasan dengan kinerja dosen.
contoh
UJI CHI UJI CHI- -KUADRAT KUADRAT
Data hasil penelitian dengan masing Data hasil penelitian dengan masing--masing ekspektasinya masing ekspektasinya
adalah : adalah :
= ((35 = ((35--37,87) 37,87)
22
/37,87) + … + ((95 /37,87) + … + ((95--35,39) 35,39)
22
/35,34) = 0,91 /35,34) = 0,91
dengan mengambil dengan mengambil αα sebesar 1% dan dk sebesar 2 (df = k sebesar 1% dan dk sebesar 2 (df = k--
1) serta menggunakan tabel chi kuadrat, maka di dapat 1) serta menggunakan tabel chi kuadrat, maka di dapat
statistik tabel = 9,210 statistik tabel = 9,210
Selanjutnya, nilai dari statistik hitung dibandingkan dengan Selanjutnya, nilai dari statistik hitung dibandingkan dengan
statistik tabel. statistik tabel.
Jika Jika χχ
hitung hitung
> > χχ
tabel tabel
, maka terima Ha, tolak Ho. Jika , maka terima Ha, tolak Ho. Jika
sebaliknya ( sebaliknya (≤≤) maka terima Ho dan tolak Ha. ) maka terima Ho dan tolak Ha.
0,91 < 9,210, maka terima Ho dan tolak Ha, artinya : tidak 0,91 < 9,210, maka terima Ho dan tolak Ha, artinya : tidak
ada hubungan kepuasan dengan kinerja dosen. ada hubungan kepuasan dengan kinerja dosen.
contoh
KETENTUAN PEMAKAIAN CHI KETENTUAN PEMAKAIAN CHI- -KUADRAT KUADRAT
Untuk pemakaian frekuensi harapan yang kecil diberlakukan Untuk pemakaian frekuensi harapan yang kecil diberlakukan
ketentuan sbb : ketentuan sbb :
Nilai eij tiap sel minimal 10 Nilai eij tiap sel minimal 10
Untuk derajat bebas lebih dari satu, frekuensi minimum 1 Untuk derajat bebas lebih dari satu, frekuensi minimum 1
diperbolehkan; bila frekuensi harapan kurang dari lima, diperbolehkan; bila frekuensi harapan kurang dari lima,
maka frekuensi minimum 20 persen saja. maka frekuensi minimum 20 persen saja. maka frekuensi minimum 20 persen saja. maka frekuensi minimum 20 persen saja.
Penggunaan tabel chi Penggunaan tabel chi--kuadrat hanya sesuai untuk derajat kuadrat hanya sesuai untuk derajat
bebas yang kurang dari 30 dan frekuensi harapan bebas yang kurang dari 30 dan frekuensi harapan
minimum 2. minimum 2.
Nilai observasi tidak bernilai nol. Nilai observasi tidak bernilai nol.
Baris Baris--baris atau kolom baris atau kolom--kolom bersebelahan dalam suatu kolom bersebelahan dalam suatu
tabel kontingensi boleh digabungkan guna mendapatkan tabel kontingensi boleh digabungkan guna mendapatkan
frekuensi frekuensi--frekuensi sel harapan yang disyaratkan. frekuensi sel harapan yang disyaratkan.
DATA KATEGORIK DATA KATEGORIK
Data yang dinyatakan dalam bentuk kategori. Data yang dinyatakan dalam bentuk kategori.
Data kualitatif : Data kualitatif : data data nominal ( nominal (posisi data sama derajatnya posisi data sama derajatnya sekedar sekedar
menunjukkan kode menunjukkan kode katagori katagori yang berbeda) atau ordinal yang berbeda) atau ordinal..
Contoh (1) : Contoh (1) :
Industri rumah tangga, TK 1 Industri rumah tangga, TK 1 –– 4 orang = 1 4 orang = 1
Industri kecil, TK 5 Industri kecil, TK 5 –– 19 orang = 2 19 orang = 2 Industri kecil, TK 5 Industri kecil, TK 5 –– 19 orang = 2 19 orang = 2
Industri menengah, TK 20 Industri menengah, TK 20 –– 100 orang = 3 100 orang = 3
Industri besar, TK > 100 = 4 Industri besar, TK > 100 = 4
Contoh (2) : Variabel Dummy Contoh (2) : Variabel Dummy
Laba Laba pada 2 type perusahaan pada 2 type perusahaan bila bila ditinjau dari biaya iklan: swasta ditinjau dari biaya iklan: swasta
asing asing dan swasta nasional. dan swasta nasional.
Banyak variabel dummy = banyak kategori Banyak variabel dummy = banyak kategori –– 1 = 2 1 = 2 –– 1 = 1 1 = 1
Swasta Swasta asing asing = 1 dan swasta nasional = 0 = 1 dan swasta nasional = 0
Model : Model : Laba Laba = b0 + b1 iklan + b2 type + error. = b0 + b1 iklan + b2 type + error.
DATA KATEGORIK DATA KATEGORIK
Jika koefisien b2 signifikan secara statistika, maka rata Jika koefisien b2 signifikan secara statistika, maka rata--rata laba rata laba
perusahaan swasta asing yang melakukan pembiayaan iklan untuk perusahaan swasta asing yang melakukan pembiayaan iklan untuk
produknya berbeda secara nyata dengan perusahaan swasta nasional produknya berbeda secara nyata dengan perusahaan swasta nasional
yang juga melakukan pembiayaan untuk membuat iklan yang juga melakukan pembiayaan untuk membuat iklan
Contoh (3) dummy Contoh (3) dummy prilaku petani prilaku petani::
Berani mengambil resiko = 1 Berani mengambil resiko = 1
Netral terhadap resiko = 0 Netral terhadap resiko = 0 Netral terhadap resiko = 0 Netral terhadap resiko = 0
Contoh (4) dummy Contoh (4) dummy alat trasportasi (becak, sepeda motor, mobil) alat trasportasi (becak, sepeda motor, mobil)
Banyaknya var dummy = 3 Banyaknya var dummy = 3 --1 = 2. Misal, observasi 1 adalah 1 = 2. Misal, observasi 1 adalah
becak, observasi 2 adalah mobil, sedangkan observasi 3 adalah becak, observasi 2 adalah mobil, sedangkan observasi 3 adalah
spdmotor, dan observasi 4 adalah mobil. spdmotor, dan observasi 4 adalah mobil.
Penyusunan variabel dummy sbb: Penyusunan variabel dummy sbb:
Misal ‘becak’ dianggap sebagai kategori dasar Misal ‘becak’ dianggap sebagai kategori dasar
Dummy1 = D1 : bernilai 1 jika ’sepedamotor’, bernilai 0 jika bukan Dummy1 = D1 : bernilai 1 jika ’sepedamotor’, bernilai 0 jika bukan
’sepedamotor’ ’sepedamotor’
Dummy2 = D2 : bernilai 1 jika ‘mobil’, bernilai 0 jika bukan mobil Dummy2 = D2 : bernilai 1 jika ‘mobil’, bernilai 0 jika bukan mobil
DATA KATEGORIK DATA KATEGORIK
Susunannya adalah: Susunannya adalah:
No. No. D1 D1 D2 D2
1. 1. 0 0 00
2. 2. 0 0 11
3. 3. 1 1 00
4. 4. 0 0 11
Perhatikan bahwa observasi pertama berisi angka nol semua, karena observasi Perhatikan bahwa observasi pertama berisi angka nol semua, karena observasi
pertama adalah becak. Tidak memiliki variabel dummy karena becak kita pertama adalah becak. Tidak memiliki variabel dummy karena becak kita pertama adalah becak. Tidak memiliki variabel dummy karena becak kita pertama adalah becak. Tidak memiliki variabel dummy karena becak kita
anggap sebagai kategori dasar. Kategori dasar biasanya dilambangkan dengan anggap sebagai kategori dasar. Kategori dasar biasanya dilambangkan dengan
angka nol semua. Penentuan kategori mana yang dijadikan kategori dasar, angka nol semua. Penentuan kategori mana yang dijadikan kategori dasar,
sepenuhnya tergantung peneliti. sepenuhnya tergantung peneliti.
Contoh (5), Katagori Jenis Kelamin (Lk dan Pr) Contoh (5), Katagori Jenis Kelamin (Lk dan Pr) pengaruh gaji thp jenis pengaruh gaji thp jenis
kelamin. kelamin.
No. No. D1 D1
1. 1. 11
2. 2. 0 0
apabila responden 1 (baris1) berjenis kelamin laki apabila responden 1 (baris1) berjenis kelamin laki--laki, beri angka 1 pada laki, beri angka 1 pada
kolom D baris ke kolom D baris ke--1, atau angka 0 untuk perempuan. 1, atau angka 0 untuk perempuan.
DATA KATEGORIK DATA KATEGORIK
Contoh (6) Umur : Contoh (6) Umur :
Buat pengkategorian usia responden. Misal, usia 0 Buat pengkategorian usia responden. Misal, usia 0--11th = anak 11th = anak--
anak, 11 anak, 11--19th = remaja, 19 19th = remaja, 19--27th=dewasa, 27 27th=dewasa, 27--40th=matang, 40 40th=matang, 40--
100th=tua 100th=tua
Banyak variabel dummy = 5 Banyak variabel dummy = 5 –– 1 = 4 1 = 4
Buat 4 kolom, masing Buat 4 kolom, masing--masing dengan nama, contoh: USIA1, masing dengan nama, contoh: USIA1,
USIA2, USIA3 dan USIA4. Misalkan, kategori dasar adalah USIA2, USIA3 dan USIA4. Misalkan, kategori dasar adalah USIA2, USIA3 dan USIA4. Misalkan, kategori dasar adalah USIA2, USIA3 dan USIA4. Misalkan, kategori dasar adalah
kategori usia anak kategori usia anak--anak. USIA1 = kategori remaja, …, USIA4 = anak. USIA1 = kategori remaja, …, USIA4 =
kategori tua. kategori tua.
Misal, responden pertama (baris ke Misal, responden pertama (baris ke--1) adalah remaja (11 1) adalah remaja (11--19th), 19th),
maka pada baris 1 kolom USIA1, beri angka 1. Sedangkan untuk maka pada baris 1 kolom USIA1, beri angka 1. Sedangkan untuk
kolom yang lain pada baris 1, beri angka 0. Lanjutkan ke kolom yang lain pada baris 1, beri angka 0. Lanjutkan ke
responden dua, jika responden 2 adalah tua, maka pada kolom responden dua, jika responden 2 adalah tua, maka pada kolom
USIA4 baris ke USIA4 baris ke--2, beri angka 1. Baris ke 2, beri angka 1. Baris ke--2 untuk kolom selain 2 untuk kolom selain
USIA4 beri angka 0. Dst… USIA4 beri angka 0. Dst…
DATA KATEGORIK DATA KATEGORIK
Susunannya adalah: Susunannya adalah:
No. No. USIA1 USIA1 USIA2 USIA2 USIA3 USIA3 USIA4 USIA4
1. 1. 11 00 0 0 00
2. 2. 0 0 00 00 11
3. 3. 00 00 00 00
dst dst dst dst
Perhatikan bahwa untuk baris Perhatikan bahwa untuk baris--baris, baik pada kolom USIA1, baris, baik pada kolom USIA1,
USIA2, USIA3 dan USIA4 berisi angka 0 semua, maka baris tsb USIA2, USIA3 dan USIA4 berisi angka 0 semua, maka baris tsb
merupakan responden yang termasuk pada kategori anak merupakan responden yang termasuk pada kategori anak--anak. anak.
Apabila proses diatas telah selesai dilakukan, maka lanjutkan Apabila proses diatas telah selesai dilakukan, maka lanjutkan
dengan analisis regresi seperti biasa. dengan analisis regresi seperti biasa.
DATA KATEGORIK DATA KATEGORIK
Data Kualitatif : Ordinal, yaitu data yang dinyatakan dalam bentuk Data Kualitatif : Ordinal, yaitu data yang dinyatakan dalam bentuk
katagori, namun posisi data tidak sama derajatnya karena katagori, namun posisi data tidak sama derajatnya karena
dinyatakan dalam sakala peringkat (Tabachnick & Fidell, 1996). dinyatakan dalam sakala peringkat (Tabachnick & Fidell, 1996).
Contoh : tingkat kepadatan penduduk suatu daerah dikategorikan : Contoh : tingkat kepadatan penduduk suatu daerah dikategorikan :
Sangat rendah diberi kode 1 Sangat rendah diberi kode 1
Rendah diberi kode 2 Rendah diberi kode 2 Rendah diberi kode 2 Rendah diberi kode 2
Moderat diberi kode 3 Moderat diberi kode 3
Tinggi diberi kode 4 Tinggi diberi kode 4
Sangat tinggi diberi kode 5 Sangat tinggi diberi kode 5
CONTOH DUMMY VARIABLE CONTOH DUMMY VARIABLE
Y = 14,4805 X1 Y = 14,4805 X1
0,1073 0,1073
X2 X2
0,0398 0,0398
X3 X3
0,6109 0,6109
X4 X4
0,4904 0,4904
X5 X5
−− 0,2413 0,2413
X6 X6
0,0043 0,0043
DD
0,1848 0,1848
Se (1,2178) (0,1265) (0,1614) (0,1349) (0,1290) (0,0866) (0,0441) (0,0842) Se (1,2178) (0,1265) (0,1614) (0,1349) (0,1290) (0,0866) (0,0441) (0,0842)
t 14,04* 2,86** 1,39 6,91** 3,94** 3,19 0,88 2,26** t 14,04* 2,86** 1,39 6,91** 3,94** 3,19 0,88 2,26**
F = 732,09** F = 732,09**
R2 = 83,52 R2 = 83,52
Y Y = produksi kopi (kg) = produksi kopi (kg)
X1 X1 = tenaga kerja manusia (HKP) = tenaga kerja manusia (HKP) X1 X1 = tenaga kerja manusia (HKP) = tenaga kerja manusia (HKP)
X2 X2 = pupuk (kg) = pupuk (kg)
X3 X3 = luas lahan garapan (ha) = luas lahan garapan (ha)
X4 X4 = jumlah pohon kopi yang berproduksi (batang) = jumlah pohon kopi yang berproduksi (batang)
X5 X5 = umur rata = umur rata--rata pohon kopi (tahun) rata pohon kopi (tahun)
X6 X6 = pengalaman dalam berusahatani kopi (tahun) = pengalaman dalam berusahatani kopi (tahun)
D D = peubah sandi (dummy) untuk keikutsertaan dalam pembinaan LTA = peubah sandi (dummy) untuk keikutsertaan dalam pembinaan LTA--77, 77,
dengan nilai satu untuk petani yang ikut proyek dan nol untuk petani yang dengan nilai satu untuk petani yang ikut proyek dan nol untuk petani yang
tidak ikut proyek. tidak ikut proyek.
SOAL UJIAN SOAL UJIAN
(60 MENIT) (60 MENIT)
Suatu data penelitian (hipotetis) seperti tabel berikut, dimana Y = produksi kedelai (ton),
X2 = luas lahan (ha), X3 = jumlah urea (kg)
Y X2 X3
2,3 1,0 70
0,7 0,2 30
1,5 0,4 20
Pertanyaan : (Gunakan Microsoft Excel dan Word)
1. Hitung model produksi :
Y = aX
2
b2
X
3
b3
Dalam bentuk linear
Log Y = Log a + b
2
log X
2
+ b
3
log X
3
+ e
1,5 0,4 20
1,7 0,6 40
2,3 0,8 60
2,2 0,7 50
1,0 0,4 30
1,4 0,6 30
2,0 0,7 40
1,9 0,6 30
Log Y = Log a + b
2
log X
2
+ b
3
log X
3
+ e
2. Apa arti dari persamaan di atas?
3. Uji secara serempak pengaruh X2 dan X3
terhadap Y?
4. Uji secara parsial X2 terhadap Y dan X3
terhadap Y?
5. Hitung koefisien determinasi (R
2
), dan apa arti
dari koefisien tersebut.
6. Buat matrik korelasi antar variabel untuk
mengetahui multikolinearitas (jika R
23
≥ 80%,
maka dianggap terjadi multikolinearitas).

ANALISIS REGRESI
PENGERTIAN Jenis uji statistika yang dipakai untuk melihat daya prediksi predictor variables atau independent variables atau variabel bebas terhadap dependent variable atau criterion variable atau variabel terikat. TUJUAN REGRESI Mengestimasi nilai rata-rata variabel tak bebas dan nilai ratarataratarata variabel bebas Menguji hipotesis mengenai sifat alamiah ketergantungan (sesuai teori ekonomi) Memprediksi atau meramalkan nilai rata-rata variabel tak ratabebas dan nilai rata-rata variabel bebas tertentu rata-

JENIS REGRESI
REGRESI
Sederhana y = f (x) Multiple y = f (x1…xn)

Linear

Non-Linear

Regresi sederhana regresi yang terdiri dari 2 variabel Regresi multiple regresi yang terdiri dari lebih dari 2 variabel Regresi Linier Memprediksi peranan prediktor dalam persamaan linier Regresi Non Linier Memprediksi peranan prediktor dalam persamaan non-linier yang dibuat oleh peneliti. nonpeneliti.

ANALISIS REGRESI
Regresi Linear : hubungannya berbetuk garis lurus
y = a + bx y α=-b α=b a x a y = a - bx x

y

positif

negatif

ANALISIS REGRESI
Regresi Non-Linear : hubungannya tidak berbetuk garis Nonlurus (polynomial, exponential, logarithmic)
y y

x

x

ANALISIS REGRESI Linear Non Linear .

dan heterokedastis (multiple (multiple regression) regression) Jumlah observasi n harus lebih besar dari jumlah parameter yang diobservasi Jika data prediktor bersifat katagori (jender. dsb) maka perlu ditransformasi menjadi variabel dummy . agama.ANALISIS REGRESI PRASYARAT ANALISIS REGRESI Variabel dependent dan independent harus kuantitatif Variabel independent dan dependent harus terdistribusi normal Nilai variabel prediktor (x) harus bervariasi Tidak terjadi multikolinearitas.

REGRESI SEDERHANA Regresi yang terdiri dari 2 variabel. fungsi regresi E (Y X 1 ) = β 0 + β1 X 1 b0 . Contoh : ˆ Yi = b0 + b1 X i + ei Y (tudung/topi) = menunjukkan estimasi sampel untuk mengestimasi populasi. b1 = parameter atau koefisien regresi . yaitu y sebagai variabel dependent (terikat) dan satu variabel x sebagai variabel independent (bebas). b1 (slope) yaitu mengukur tingkat perubahan rata-rata Y per unit akibat perubahan X. ei = disturbance error = faktor pengganggu = faktor acak . b0 disebut juga sebagai konstanta. rataX.

untuk mengakomodasi beberapa hal antara lain : 1. Kurangnya variabel pengganti 5. Ketidaktersediaan data 3. Kesalahan manusiawi 4. tidak ada unsur kepastian maka perlu ditambahkan faktor pengganggu atau faktor acak tersebut. Prinsip Kesederhanaan 6.REGRESI SEDERHANA Dalam dunia nyata. Kesalahan bentuk fungsi . Karena ketidakjelasan atau ketidaklengkapan teori 2.

Koefisien Regresi Y = a + bX b= n∑ X iYi − ∑ X i ∑ Yi n∑ X i − (∑ X i ) 2 2 ∑x y atau b = ∑x i 2 i i a = Y −bX x = X − X . y = Y − Y . xy = X − X Y − Y ( ) ( ) ( )( ) .

Koefisien Korelasi • • • Untuk melihat kearatan hubungan antar variabel Hubungan tersebut dapat positif atau negatif Contoh hubungan positif : • • • • • X = pupuk Y = produksi padi X = biaya advertensi Y = hasil penjualan X = jumlah ransum X = pendapatan X = investasi Y = berat badan Y = konsumsi Y = pendapatan nasional .

Koefisien Korelasi • Contoh hubungan negatif : • • • • X = harga barang X = luas tambak Y = permintaan Y = luas hutan mangrove X = pendapatan masy Y = kejahatan ekonomi X = biaya produksi Y = keuntungan .

hubungan X dan Y sempurna dan positif r = -1. hubungan X dan Y sempurna dan negatif y α=b a x x y = a + bx y α=-b a positif negatif .Koefisien Korelasi • • • Nilai r berkisar antara |0 dan 1| r = 1.

Koefisien Korelasi • Rumus untuk menghitung r adalah : n∑ X iYi − ∑ X i ∑ Yi i =1 i =1 i =1 n n n r=   2 n∑ X i −  ∑ X i  i =1  i =1  n n 2   2 n∑ Yi −  ∑ Yi  i =1  i =1  n n 2 atau r= ∑x y i =1 i n i n ∑ xi i =1 n 2 ∑ yi i =1 2 x = X − X . xy = X − X Y − Y ( ) ( ) ( )( ) . y = Y − Y .

Contoh Soal .

yang berarti ada X yang berpengaruh terhadap Y. .851163 117.Analysis of Variance Source Model Error Corrected Total DF 1 6 7 Sum of Squares 115. maka disimpulkan tolak H0.308527 F Value 374.6488 0.5 Mean Square 115. misal 5%).6488 1.8417 Pr > F 1.23E-06 Karena nilai kecil (lebih kecil dari alpha.

0001 Karena nilai kecil (lebih kecil dari alpha.Analysis of Variance Source Model Error Corrected Total DF 5 18 23 Sum of Squares 63.65 1. misal 5%).57 Mean Square 12.30 F Value Pr > F 9. .34 86. yang berarti ada X yang berpengaruh terhadap Y.75 0. maka disimpulkan tolak H0.23 23.

KORELASI RANK (PERINGKAT) Rumus Spearman digunakan untuk data peringkat Jauh lebih sederhana dibandingkan dengan rumus product moment dari Pearson (yang sdh dipelajari). sebab menggunakan rank dengan angka-angka yang angkakecil. Nilai terendah diberi rank kecil dan sebaliknya rrank = 1 − 6∑ d 2 2 i n(n − 1) contoh . Hasilnya sama atau mendekati sama.

(3) antara selera dan pendidikan?. . seperti : tinggi . (4) antara pendidikan dan pendapatan?.KORELASI DATA KUALITATIF Data katagori. rendah Misal : Kita ingin meneliti apakah ada hub : (1) antara selera konsumen dengan letak geografis. (2) antara kedudukan orang tua dengan kedudukan anak?. dsb… Contingency Coefficient (Koefisien Bersyarat) digunakan untuk mengukur kuatnya hubungan data kualitatif dimana mempunyai arti sama dengan koefisien korelasi. sedang. Nilai Contingency Coefficient (Cc) antara 0 dan 1.

χ 2 dibaca Kai Skuer atau Khi Kuadrat eij = (ni. 0 ≤ Cc ≤ 1 n = banyaknya observasi χ 2 = ∑∑ i =1 j =1 p q (n ij − eij ) 2 e ij .)(n. j ) = frekuensi harapan (expected frequency) n contoh .KORELASI DATA KUALITATIF Rumusnya : Cc = χ2 χ +n 2 .

Xi. dan b3 dihitung sbb: b1 n + b2 ΣX2 + b3 ΣX3 = ΣY b1 ΣX2 + b2 ΣX22 + b3 Σ X2X3 = Σ X2Y b1 Σ X3 + b2 Σ X3X2 + b3 Σ X32 = Σ X3Y .REGRESI BERGANDA (Multiple Regression) Adalah untuk melihat hubungan lebih dari 2 variabel (variabel independent. Y = b1 + b2X2 + b3X3 … bnXn Misal : Regresi Linear dengan 2 variabel bebas Y = b1 + b2X2 + b3X3 b1. b2. lebih dari 1).

A -1 = matrik kebalikan (inverse) dari A .REGRESI BERGANDA (Multiple Regression) Dalam bentuk matriks  n ∑ X 22 ∑ X 3  b1   ∑ Y       X2 X2 X 2 X 3  b2  = ∑ X 2Y  ∑ ∑ ∑ 2   X3 ∑ X3X2 X 3  b3   ∑ X 3Y  ∑ 44442444443   1 24 ∑  { 4 3 14 b A H Ab = H b = A -1 H .

REGRESI BERGANDA (Multiple Regression) Cara menghitung determinan + A=  a11 a  21 a31  - a12 a22 a32 a13   a23  a33   .

REGRESI BERGANDA (Multiple Regression) Jika suatu matriks :  a11 a12 a13   b1   h1  a a22 a23  b2  = h2   21     a31 a32 a33  b3   h3   144 44      2 3{ { A b H maka : det( A1) b1 = . det( A) b2 = det( A2) det( A3) . b3 = det( A) det( A) .

A3 = a21   a31 a33    a12 a22 a32 h1  h2   h3   contoh .REGRESI BERGANDA (Multiple Regression) Dimana :  h1 A1 = h2   h3  a12 a22 a32 a13   a11 a23 . A2 = a21   a31 a33    h1 h2 h3 a13   a11 a23 .

maka r : rx 2 y = r2 y = ∑x x 2 2i 2i yi y 2 i (korelasi X 2 dan Y) rx 3 y = r3 y = ∑x x 2 3i 3i yi y 2 i (korelasi X 3 dan Y) rx 2 x 3 = r23 = ∑x x 2 2i 2 i 3i x x 2 3i (korelasi X 2 dan X 3 ) . X2.KORELASI BERGANDA Apabila kita mempunyai 3 variabel Y. X3.

of determination) KP = R 2 y .23 = b 2 ∑ x2i yi + b3 ∑ x3i yi ∑y 2 i contoh .23 .23 = r22y + r32y − 2r2 y r3 y r23 2 1 − r23 KP mengukur besarnya sumbangan (share) dari beberapa variabel X terhadap adanya variasi (naik turunnya) Y 2 KP = R y.KORELASI BERGANDA KKLB (Koefisien Korelasi Linear Berganda) KKLB = R y . koefisien Penentu (coef.

. antar Xi tidak boleh berganda.Multikolinearitas Dalam analisis regresi berganda. saling berkorelasi. Hal ini menyebabkan kesimpulan cenderung menyatakan terima H0 atau pengaruh X tidak signifikan meskipun nilai R2 sangat tinggi. Korelasi antar X menyebabkan dugaan koefisien tidak stabil (memiliki variasi yang besar).

dan lakukan estimasi model X1t=f(X2t) dan X2t=f(X1t) dan dapatkan nilai R22 dan R23 b. 1967)dengan langkah-langkah berikut: langkaha. Rule of thumb bila R21 lebih tinggi dari R22 dan R23 maka model empiris tidak ditemukan multikolinearitas . 2. Nilai R2 yang dihasilkan sangat tinggi tetapi hasil uji t-statistik sangat sedikit variabel bebas yang signifikan secara statistik Menggunakan korelasi parsial (oleh: Farrar dan Glauber.Mendeteksi Multikolinearitas 1. Estimasi model Y=f(X1t.X2t) dan dapatkan nilai R21.

4. 3.Penyebab Multikolinearitas 1. Metode Pengumpulan data yang dipakai Kendala dalam model atau populasi yang menjadi sampel sehingga populasi yang dijadikan sampel kurang realistis Spesifikasi model yang memasukkan variabel penjelas yang seharusnya dikeluarkan dari model empiris dan sebaliknya Model yang berlebihan dimana jumlah variabel penjelas lebih banyak dibandingkan jumlah data atau observasi . 2.

72 0.00608 3.Parameter Estimates Variab le Interc ept X1 Label Intercept Harga beli konsumen merek A (Rp per kemasan) Harga beli konsumen merek PESAING (Rp per kemasan) Tingkat inflasi (%) Belanja iklan (miliar rupiah) TOM (persen) DF 1 1 Parameter Estimate 15.08291 0.04677 -0.29 0.55 -1. kenapa belanja iklan tidak signifikan pengaruhnya? .01225 t Value 0.0960 X2 1 0.5905 0.01866 0.8357 0.04179 0. merek PESAING dan inflasi berpengaruh terhadap sales (penjualan) belanja iklan dan TOM tidak berpengaruh terhadap sales (penjualan) Merasa aneh.0002 0.07 0.45957 0.21919 0.2125 Harga Beli merek A.76 Pr > |t| 0.06415 -4.0066 X3 X4 X5 1 1 1 -3.66768 1.15022 0.21 1.02151 Standard Error 27.

N = 24 Prob > |r| under H0: Rho=0 X5 TOM (persen) X4 Belanja iklan (miliar rupiah) 0.0001 Korelasinya tinggi multikolinear problem HINDARKAN : penggunaan X yang saling berkorelasi .81296 <.Korelasi belanja iklan dan TOM Pearson Correlation Coefficients.

67920 0.61 2.02150 -3.01163 0.35832 0.02720 0.53506 t Value Pr > |t| Intercept X1 X2 X3 X4 Intercept Harga beli konsumen merek A (Rp per kemasan) Harga beli konsumen merek PESAING (Rp per kemasan) Tingkat inflasi (%) Belanja iklan (miliar rupiah) 1 1 1 1 1 0.00577 0.25156 -0.0183 Pengaruh belanja iklan signifikan .0014 0.13176 1.73 -4.81 -2.0002 0.38162 Standard Error 27.Model tanpa TOM Parameter Estimates Variable Label DF Parameter Estim ate 22.0304 0.58 0.4261 0.34 3.

REGRESI BERGANDA (Non Linear) Trend Parabola Y = a + bX + cX2 an aΣX aΣX2 + b ΣX + b ΣX2 + b ΣX3 + c ΣX2 + c Σ X3 + c Σ X4 = ΣY = Σ XY = Σ X2Y .

REGRESI BERGANDA (Non Linear) Dalam bentuk matriks  n X ∑ X 2  a   ∑ Y  ∑ 2  3     X ∑X X  b  =  ∑ XY  ∑ ∑  3 4 2  c  ∑ X 2Y  X { 1 ∑ X ∑ X44∑ 4     424   4444 3 1 2 4 3 b H A Ab = H b = A -1 H . A -1 = matrik kebalikan (inverse) dari A contoh .

REGRESI BERGANDA (Non Linear) Fungsi Eksponensial (Logaritma) Y = aXb log Y = log a + b logX (Sederhana) Y = aX1b1 X2b2 … Xnbn (Multiple) Log Y = log a + b1logX1 + b2logX2 … bnlogXn contoh .

Contoh apakah ada hubungan antara kepuasan dan kinerja dosen?? contoh . Atau untuk menguji apakah beberapa ukuran nominal berhubungan satu sama lain atau tidak ChiChi-Kuadrat bermanfaat untuk melakukan uji hubungan antara variabel dan uji homogenitas antar variabel.UJI CHI-KUADRAT CHIUntuk penelitian yang menggunakan ukuran nominal untuk mengukur atribut-atribut dari fenomena atributtertentu.

j ) eij = = frekuensi harapan (expected frequency) n .UJI CHI-KUADRAT CHIRumus statistik Chi-Kuadrat : Chi (Oij − eij ) 2  χ 2 = ∑ ∑  eij     Dimana : Oij = simbol observasi dari tiap sel (ni.)(n.

UJI CHI-KUADRAT CHIKinerja Dosen Cara mengajar Penguasaan materi Kehadiran Jumlah Puas 35 35 42 112 Tidak puas 35 25 35 95 Jumlah 70 60 77 207 .

UJI CHI-KUADRAT CHILangkah Proses : memberi nilai ekspektasi tiap sel.34 .46 e4 = (95 x 60)/207 = 27.13 e3 = (112 x 60)/207 = 32.87 e2 = (95 x 60)/207 = 32. Misalnya : (1.1) yaitu titik temu antara variabel puas dan variabel cara mengajar. cara hitung adalah: e1 = (112 x 70)/207 = 37.66 e6 = (95 x 77)/207 = 35.54 e5 = (112 x 77)/207 = 41.

91 dengan mengambil α sebesar 1% dan dk sebesar 2 (df = kk1) serta menggunakan tabel chi kuadrat. maka terima Ha. Jika χhitung > χtabel. maka terima Ho dan tolak Ha.87)2/37. nilai dari statistik hitung dibandingkan dengan statistik tabel. Jika sebaliknya (≤) maka terima Ho dan tolak Ha.210. contoh .34) = 0. artinya : tidak ada hubungan kepuasan dengan kinerja dosen. tolak Ho.91 < 9. (≤ 0.UJI CHI-KUADRAT CHIData hasil penelitian dengan masing-masing ekspektasinya masingadalah : ((35((95= ((35-37.210 Selanjutnya. maka di dapat statistik tabel = 9.39)2/35.87) + … + ((95-35.

.

87)2/37. artinya : tidak ada hubungan kepuasan dengan kinerja dosen. Jika χhitung > χtabel.210.87) + … + ((95-35. nilai dari statistik hitung dibandingkan dengan statistik tabel. tolak Ho.91 dengan mengambil α sebesar 1% dan dk sebesar 2 (df = kk1) serta menggunakan tabel chi kuadrat.91 < 9. maka di dapat statistik tabel = 9. maka terima Ho dan tolak Ha. Jika sebaliknya (≤) maka terima Ho dan tolak Ha.39)2/35.210 Selanjutnya.UJI CHI-KUADRAT CHIData hasil penelitian dengan masing-masing ekspektasinya masingadalah : ((35((95= ((35-37. (≤ 0.34) = 0. maka terima Ha. contoh .

bila frekuensi harapan kurang dari lima. BarisBaris-baris atau kolom-kolom bersebelahan dalam suatu kolomtabel kontingensi boleh digabungkan guna mendapatkan frekuensifrekuensi-frekuensi sel harapan yang disyaratkan.KETENTUAN PEMAKAIAN CHI-KUADRAT CHIUntuk pemakaian frekuensi harapan yang kecil diberlakukan ketentuan sbb : Nilai eij tiap sel minimal 10 Untuk derajat bebas lebih dari satu. maka frekuensi minimum 20 persen saja. frekuensi minimum 1 diperbolehkan. Nilai observasi tidak bernilai nol. Penggunaan tabel chi-kuadrat hanya sesuai untuk derajat chibebas yang kurang dari 30 dan frekuensi harapan minimum 2. .

Data kualitatif : data nominal (posisi data sama derajatnya sekedar (posisi menunjukkan kode katagori yang berbeda) atau ordinal. Banyak variabel dummy = banyak kategori – 1 = 2 – 1 = 1 Swasta asing = 1 dan swasta nasional = 0 Model : Laba = b0 + b1 iklan + b2 type + error. TK 5 – 19 orang = 2 Industri menengah. . ordinal. Contoh (1) : Industri rumah tangga. TK 1 – 4 orang = 1 Industri kecil. TK > 100 = 4 Contoh (2) : Variabel Dummy Laba pada 2 type perusahaan bila ditinjau dari biaya iklan: swasta asing dan swasta nasional.DATA KATEGORIK Data yang dinyatakan dalam bentuk kategori. TK 20 – 100 orang = 3 Industri besar.

observasi 2 adalah mobil. Misal. mobil) Banyaknya var dummy = 3 -1 = 2. maka rata-rata laba rataperusahaan swasta asing yang melakukan pembiayaan iklan untuk produknya berbeda secara nyata dengan perusahaan swasta nasional yang juga melakukan pembiayaan untuk membuat iklan Contoh (3) dummy prilaku petani: petani: Berani mengambil resiko = 1 Netral terhadap resiko = 0 Contoh (4) dummy alat trasportasi (becak. dan observasi 4 adalah mobil.DATA KATEGORIK Jika koefisien b2 signifikan secara statistika. sedangkan observasi 3 adalah spdmotor. bernilai 0 jika bukan ’sepedamotor’ Dummy2 = D2 : bernilai 1 jika ‘mobil’. observasi 1 adalah becak. bernilai 0 jika bukan mobil . Penyusunan variabel dummy sbb: Misal ‘becak’ dianggap sebagai kategori dasar Dummy1 = D1 : bernilai 1 jika ’sepedamotor’. sepeda motor.

ke- . Kategori dasar biasanya dilambangkan dengan angka nol semua. 0 1 3. 0 0 2. No. Katagori Jenis Kelamin (Lk dan Pr) pengaruh gaji thp jenis kelamin. 0 1 Perhatikan bahwa observasi pertama berisi angka nol semua. sepenuhnya tergantung peneliti. Tidak memiliki variabel dummy karena becak kita anggap sebagai kategori dasar. 1 0 4. atau angka 0 untuk perempuan. D1 1. Penentuan kategori mana yang dijadikan kategori dasar. Contoh (5).DATA KATEGORIK Susunannya adalah: No. beri angka 1 pada lakikolom D baris ke-1. 1 2. 0 apabila responden 1 (baris1) berjenis kelamin laki-laki. karena observasi pertama adalah becak. D1 D2 1.

Misalkan. usia 0-11th = anak0anakanak. beri angka 1. beri angka 0. …. 19-27th=dewasa. Baris ke-2 untuk kolom selain kekeUSIA4 beri angka 0. 27-40th=matang.DATA KATEGORIK Contoh (6) Umur : Buat pengkategorian usia responden. kategori dasar adalah kategori usia anak-anak. jika responden 2 adalah tua. contoh: USIA1. USIA3 dan USIA4. 4011192740100th=tua Banyak variabel dummy = 5 – 1 = 4 Buat 4 kolom. responden pertama (baris ke-1) adalah remaja (11-19th). USIA4 = anakkategori tua. beri angka 1. masing-masing dengan nama. Misal. Sedangkan untuk kolom yang lain pada baris 1. ke(11maka pada baris 1 kolom USIA1. Dst… . maka pada kolom USIA4 baris ke-2. masingUSIA2. Lanjutkan ke responden dua. Misal. USIA1 = kategori remaja. 11-19th = remaja.

DATA KATEGORIK Susunannya adalah: No. 0 0 0 1 3. maka baris tsb merupakan responden yang termasuk pada kategori anak-anak. . 2. maka lanjutkan dengan analisis regresi seperti biasa. USIA3 dan USIA4 berisi angka 0 semua. anakApabila proses diatas telah selesai dilakukan. barisUSIA2. 0 0 0 0 dst Perhatikan bahwa untuk baris-baris. USIA1 USIA2 USIA3 USIA4 1 0 0 0 1. baik pada kolom USIA1.

yaitu data yang dinyatakan dalam bentuk katagori. 1996). Contoh : tingkat kepadatan penduduk suatu daerah dikategorikan : Sangat rendah diberi kode 1 Rendah diberi kode 2 Moderat diberi kode 3 Tinggi diberi kode 4 Sangat tinggi diberi kode 5 . namun posisi data tidak sama derajatnya karena dinyatakan dalam sakala peringkat (Tabachnick & Fidell.DATA KATEGORIK Data Kualitatif : Ordinal.

0441) (0.1848 Se (1.1614) (0.4805 X10.94** 3. .4904 X5− 0.CONTOH DUMMY VARIABLE Y = 14.39 6.0398 X30.1349) (0.19 0.04* 2.1290) (0.09** R2 = 83.91** 3.1073 X20. LTAdengan nilai satu untuk petani yang ikut proyek dan nol untuk petani yang tidak ikut proyek.0842) t 14.52 Y = produksi kopi (kg) X1 = tenaga kerja manusia (HKP) X2 = pupuk (kg) X3 = luas lahan garapan (ha) X4 = jumlah pohon kopi yang berproduksi (batang) X5 = umur rata-rata pohon kopi (tahun) rataX6 = pengalaman dalam berusahatani kopi (tahun) D = peubah sandi (dummy) untuk keikutsertaan dalam pembinaan LTA-77.0043 D0.6109 X40.2413 X60.26** F = 732.2178) (0.0866) (0.1265) (0.88 2.86** 1.

5 1. 6. dan apa arti dari koefisien tersebut.4 0. X2 = luas lahan (ha).0 1.0 1.7 1. Hitung koefisien determinasi (R2).4 2.2 0. dimana Y = produksi kedelai (ton).4 0.9 X2 1.7 0.6 0. Uji secara parsial X2 terhadap Y dan X3 terhadap Y? 5. Apa arti dari persamaan di atas? 3. maka dianggap terjadi multikolinearitas). .3 2.3 0.6 X3 70 30 20 40 60 50 30 30 40 30 Pertanyaan : (Gunakan Microsoft Excel dan Word) 1.0 0.6 0. X3 = jumlah urea (kg) Y 2. Uji secara serempak pengaruh X2 dan X3 terhadap Y? 4.2 1.7 0.7 2.SOAL UJIAN (60 MENIT) Suatu data penelitian (hipotetis) seperti tabel berikut. Hitung model produksi : Y = aX2b2 X3b3 Dalam bentuk linear Log Y = Log a + b2 log X2 + b3 log X3 + e 2. Buat matrik korelasi antar variabel untuk mengetahui multikolinearitas (jika R23 ≥ 80%.8 0.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->