SlideShare a Scribd company logo

Regresi Sederhana.pptx

sdsd

1 of 54
Download to read offline
ANALISIS REGRESI
Dr. Ir. Indra, MP
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 rata-
rata variabel bebas
 Menguji hipotesis mengenai sifat alamiah ketergantungan
(sesuai teori ekonomi)
 Memprediksi atau meramalkan nilai rata-rata variabel tak
bebas dan nilai rata-rata variabel bebas tertentu
JENIS REGRESI
 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.
REGRESI
Sederhana
y = f (x)
Multiple
y = f (x1…xn)
Linear Non-Linear
ANALISIS REGRESI
Regresi Linear : hubungannya berbetuk garis lurus
y = a + bx
a
 = b
x
y
a
 = - b
x
y
y = a - bx
positif negatif
ANALISIS REGRESI
Regresi Non-Linear : hubungannya tidak berbetuk garis
lurus (polynomial, exponential,
logarithmic)
x
y
x
y
ANALISIS REGRESI
Linea
r
Non
Linear

Recommended

Kel 7_Statistika Analisis Regresi (1)-1.pptx
Kel 7_Statistika Analisis Regresi (1)-1.pptxKel 7_Statistika Analisis Regresi (1)-1.pptx
Kel 7_Statistika Analisis Regresi (1)-1.pptxAkmalRijLdi
 
Makalah_Analisis_Regresi_Berganda.pdf
Makalah_Analisis_Regresi_Berganda.pdfMakalah_Analisis_Regresi_Berganda.pdf
Makalah_Analisis_Regresi_Berganda.pdffitriunissula
 
Analisis regresi-sederhana
Analisis regresi-sederhanaAnalisis regresi-sederhana
Analisis regresi-sederhanaAchmad Alphianto
 
6. analisa regresi dan korelasi sederhana rs
6. analisa regresi dan korelasi sederhana rs6. analisa regresi dan korelasi sederhana rs
6. analisa regresi dan korelasi sederhana rsRizkisetiawan13
 
9. analisa regresi dan korelasi rev1
9. analisa regresi dan korelasi rev19. analisa regresi dan korelasi rev1
9. analisa regresi dan korelasi rev1mawarimu
 
Bahan ajar analisis regresi
Bahan ajar analisis regresiBahan ajar analisis regresi
Bahan ajar analisis regresiIan Sang Awam
 
Analisis regresi
Analisis regresiAnalisis regresi
Analisis regresiAyah Irawan
 
Analisis regresi
Analisis regresiAnalisis regresi
Analisis regresiGitha Niez
 

More Related Content

Similar to Regresi Sederhana.pptx

Materi regresi berganda Statistika 2.pptx
Materi regresi berganda Statistika 2.pptxMateri regresi berganda Statistika 2.pptx
Materi regresi berganda Statistika 2.pptxZudan2
 
Pertemuan 1 analisis regresi
Pertemuan 1 analisis regresiPertemuan 1 analisis regresi
Pertemuan 1 analisis regresiChimel2
 
KORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptx
KORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptxKORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptx
KORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptxEvikurniafitri
 
analisis_regresi_sederhana_dan_berganda.pdf
analisis_regresi_sederhana_dan_berganda.pdfanalisis_regresi_sederhana_dan_berganda.pdf
analisis_regresi_sederhana_dan_berganda.pdfHamjaAbdulHalik
 
Analisa Regresi Korelasi Sederhana.ppt
Analisa Regresi Korelasi Sederhana.pptAnalisa Regresi Korelasi Sederhana.ppt
Analisa Regresi Korelasi Sederhana.pptWan Na
 
Analisis regresi dan korelasi
Analisis regresi dan korelasiAnalisis regresi dan korelasi
Analisis regresi dan korelasiMousetha Bell
 
Statistika - Analisis regresi dan korelasi
Statistika - Analisis regresi dan korelasiStatistika - Analisis regresi dan korelasi
Statistika - Analisis regresi dan korelasiYusuf Ahmad
 
materi regersi dan korelasi dalam statistik.ppt
materi regersi dan korelasi dalam statistik.pptmateri regersi dan korelasi dalam statistik.ppt
materi regersi dan korelasi dalam statistik.pptvinryan03
 
Pertemuan 8 Regresi dan Korelasi.ppt
Pertemuan 8 Regresi dan Korelasi.pptPertemuan 8 Regresi dan Korelasi.ppt
Pertemuan 8 Regresi dan Korelasi.pptSetrireski
 
analisa regresi dan korelasi sederhana rs
analisa regresi dan korelasi sederhana rsanalisa regresi dan korelasi sederhana rs
analisa regresi dan korelasi sederhana rsسو نن ازهار
 
Analisis Hubungan
Analisis HubunganAnalisis Hubungan
Analisis Hubungangalih
 
Analisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.pptAnalisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.pptssusera89b03
 
Analisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.pptAnalisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.pptBambangismeOurTeam
 
MODUL 6 Regresi Linier Sederhana
MODUL 6 Regresi Linier SederhanaMODUL 6 Regresi Linier Sederhana
MODUL 6 Regresi Linier Sederhananur cendana sari
 

Similar to Regresi Sederhana.pptx (20)

Materi regresi berganda Statistika 2.pptx
Materi regresi berganda Statistika 2.pptxMateri regresi berganda Statistika 2.pptx
Materi regresi berganda Statistika 2.pptx
 
Makalah analisis regresi
Makalah analisis regresiMakalah analisis regresi
Makalah analisis regresi
 
Analisis korelasi
Analisis korelasiAnalisis korelasi
Analisis korelasi
 
Statistik Industri - Regresi Linier Sederhana - Linear Regression
Statistik Industri - Regresi Linier Sederhana - Linear RegressionStatistik Industri - Regresi Linier Sederhana - Linear Regression
Statistik Industri - Regresi Linier Sederhana - Linear Regression
 
Pertemuan 1 analisis regresi
Pertemuan 1 analisis regresiPertemuan 1 analisis regresi
Pertemuan 1 analisis regresi
 
KORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptx
KORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptxKORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptx
KORELASI LINIER SEDERHANA DAN REGRESI LINIEAR.pptx
 
analisis_regresi_sederhana_dan_berganda.pdf
analisis_regresi_sederhana_dan_berganda.pdfanalisis_regresi_sederhana_dan_berganda.pdf
analisis_regresi_sederhana_dan_berganda.pdf
 
Analisa Regresi Korelasi Sederhana.ppt
Analisa Regresi Korelasi Sederhana.pptAnalisa Regresi Korelasi Sederhana.ppt
Analisa Regresi Korelasi Sederhana.ppt
 
Analisis regresi dan korelasi
Analisis regresi dan korelasiAnalisis regresi dan korelasi
Analisis regresi dan korelasi
 
Statistika - Analisis regresi dan korelasi
Statistika - Analisis regresi dan korelasiStatistika - Analisis regresi dan korelasi
Statistika - Analisis regresi dan korelasi
 
materi regersi dan korelasi dalam statistik.ppt
materi regersi dan korelasi dalam statistik.pptmateri regersi dan korelasi dalam statistik.ppt
materi regersi dan korelasi dalam statistik.ppt
 
Pertemuan 8 Regresi dan Korelasi.ppt
Pertemuan 8 Regresi dan Korelasi.pptPertemuan 8 Regresi dan Korelasi.ppt
Pertemuan 8 Regresi dan Korelasi.ppt
 
K3 k4 regresi ganda
K3 k4 regresi gandaK3 k4 regresi ganda
K3 k4 regresi ganda
 
analisa regresi dan korelasi sederhana rs
analisa regresi dan korelasi sederhana rsanalisa regresi dan korelasi sederhana rs
analisa regresi dan korelasi sederhana rs
 
Tugas Zainal Abidin
Tugas Zainal AbidinTugas Zainal Abidin
Tugas Zainal Abidin
 
Tugas Zainal Abidin
Tugas Zainal AbidinTugas Zainal Abidin
Tugas Zainal Abidin
 
Analisis Hubungan
Analisis HubunganAnalisis Hubungan
Analisis Hubungan
 
Analisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.pptAnalisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.ppt
 
Analisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.pptAnalisis Regresi dan Korelasi.ppt
Analisis Regresi dan Korelasi.ppt
 
MODUL 6 Regresi Linier Sederhana
MODUL 6 Regresi Linier SederhanaMODUL 6 Regresi Linier Sederhana
MODUL 6 Regresi Linier Sederhana
 

Regresi Sederhana.pptx

  • 2. 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 rata- rata variabel bebas  Menguji hipotesis mengenai sifat alamiah ketergantungan (sesuai teori ekonomi)  Memprediksi atau meramalkan nilai rata-rata variabel tak bebas dan nilai rata-rata variabel bebas tertentu
  • 3. JENIS REGRESI  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. REGRESI Sederhana y = f (x) Multiple y = f (x1…xn) Linear Non-Linear
  • 4. ANALISIS REGRESI Regresi Linear : hubungannya berbetuk garis lurus y = a + bx a  = b x y a  = - b x y y = a - bx positif negatif
  • 5. ANALISIS REGRESI Regresi Non-Linear : hubungannya tidak berbetuk garis lurus (polynomial, exponential, logarithmic) x y x y
  • 7. 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, dan heterokedastis (multiple regression)  Jumlah observasi n harus lebih besar dari jumlah parameter yang diobservasi  Jika data prediktor bersifat katagori (jender, agama, dsb) maka perlu ditransformasi menjadi variabel dummy
  • 8. REGRESI SEDERHANA  Regresi yang terdiri dari 2 variabel, yaitu y sebagai variabel dependent (terikat) dan satu variabel x sebagai variabel independent (bebas).  Contoh : Y (tudung/topi) = menunjukkan estimasi  fungsi regresi sampel  untuk mengestimasi populasi, b0 , b1 = parameter atau koefisien regresi ; b0 disebut juga sebagai konstanta, b1 (slope) yaitu mengukur tingkat perubahan rata-rata Y per unit akibat perubahan X. ei = disturbance error = faktor pengganggu = faktor acak i i i e X b b Y    1 0 ˆ 1 1 0 1) ( X X Y E    
  • 9. REGRESI SEDERHANA Dalam dunia nyata, tidak ada unsur kepastian maka perlu ditambahkan faktor pengganggu atau faktor acak tersebut, untuk mengakomodasi beberapa hal antara lain : 1. Karena ketidakjelasan atau ketidaklengkapan teori 2. Ketidaktersediaan data 3. Kesalahan manusiawi 4. Kurangnya variabel pengganti 5. Prinsip Kesederhanaan 6. Kesalahan bentuk fungsi
  • 10. 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 X b Y a          Y Y X X xy Y Y y X X x        ; ; Y = a + bX
  • 11. • 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 Y = berat badan • X = pendapatan Y = konsumsi • X = investasi Y = pendapatan nasional Koefisien Korelasi
  • 12. • Contoh hubungan negatif : • X = harga barang Y = permintaan • X = luas tambak Y = luas hutan mangrove • X = pendapatan masy Y = kejahatan ekonomi • X = biaya produksi Y = keuntungan Koefisien Korelasi
  • 13. • 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 y = a + bx a  = b x y a  = - b x y positif negatif
  • 14. Koefisien Korelasi        Y Y X X xy Y Y y X X x        ; ; 2 1 1 2 2 1 1 2 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        n i i n i i n i i i y x y x r 1 2 1 2 1 atau • Rumus untuk menghitung r adalah :
  • 16. Karena nilai kecil (lebih kecil dari alpha, misal 5%), maka disimpulkan tolak H0, yang berarti ada X yang berpengaruh terhadap Y. 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 6 1.851163 0.308527 Corrected Total 7 117.5
  • 17. Karena nilai kecil (lebih kecil dari alpha, misal 5%), maka disimpulkan tolak H0, yang berarti ada X yang berpengaruh terhadap Y. 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 Corrected Total 23 86.57
  • 18. 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 kecil.  Hasilnya sama atau mendekati sama.  Nilai terendah diberi rank kecil dan sebaliknya ) 1 ( 6 1 2 2     n n d r i rank contoh
  • 19. KORELASI DATA KUALITATIF  Data katagori, seperti : tinggi ; sedang; rendah  Misal : Kita ingin meneliti apakah ada hub : (1) antara selera konsumen dengan letak geografis, (2) antara kedudukan orang tua dengan kedudukan anak?, (3) antara selera dan pendidikan?, (4) antara pendidikan dan pendapatan?, dsb…  Contingency Coefficient (Koefisien Bersyarat)  digunakan untuk mengukur kuatnya hubungan data kualitatif dimana mempunyai arti sama dengan koefisien korelasi.  Nilai Contingency Coefficient (Cc) antara 0 dan 1.
  • 20. KORELASI DATA KUALITATIF  Rumusnya : 1 0 ; 2 2     c c C n C     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   contoh
  • 22. REGRESI BERGANDA (Multiple Regression)  Adalah untuk melihat hubungan lebih dari 2 variabel (variabel independent, Xi, lebih dari 1).  Y = b1 + b2X2 + b3X3 … bnXn  Misal : Regresi Linear dengan 2 variabel bebas Y = b1 + b2X2 + b3X3  b1, b2, dan b3 dihitung sbb: b1 n + b2 X2 + b3 X3 = Y b1 X2 + b2 X22 + b3  X2X3 =  X2Y b1  X3 + b2  X3X2 + b3  X32 =  X3Y
  • 23. REGRESI BERGANDA (Multiple Regression)  Dalam bentuk matriks  A dari (inverse) kebalikan matrik A ; A b 1 - 1 - 3 2 3 2 1 2 3 2 3 3 3 2 2 2 2 3 2                                              H H Ab Y X Y X Y b b b X X X X X X X X X X n H b A                  
  • 24. REGRESI BERGANDA (Multiple Regression)  Cara menghitung determinan           33 32 31 23 22 21 13 12 11 a a a a a a a a a + A = -
  • 25. REGRESI BERGANDA (Multiple Regression)  Jika suatu matriks :   ) det( ) 3 det( ; ) det( ) 2 det( ; ) det( ) 1 det( : maka 3 2 1 3 2 1 3 2 1 33 32 31 23 22 21 13 12 11 A A b A A b A A b h h h b b b a a a a a a a a a H b A                                         
  • 26. REGRESI BERGANDA (Multiple Regression)  Dimana :                                  3 32 31 2 22 21 1 12 11 33 3 31 23 2 21 13 1 11 33 32 3 23 22 2 13 12 1 3 ; 2 ; 1 h a a h a a h a a A a h a a h a a h a A a a h a a h a a h A contoh
  • 27. KORELASI BERGANDA  Apabila kita mempunyai 3 variabel Y, X2, X3, maka r : ) X dan X (korelasi Y) 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 2 2 2 2 2 2 2 i i i i x x i i i i y y x i i i i y y x x x x x r r y x y x r r y x y x r r         
  • 28. 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
  • 29. Multikolinearitas  Dalam analisis regresi berganda, antar Xi tidak boleh saling berkorelasi.  Korelasi antar X menyebabkan dugaan koefisien tidak stabil (memiliki variasi yang besar).  Hal ini menyebabkan kesimpulan cenderung menyatakan terima H0 atau pengaruh X tidak signifikan meskipun nilai R2 sangat tinggi.
  • 30. Mendeteksi Multikolinearitas 1. Nilai R2 yang dihasilkan sangat tinggi tetapi hasil uji t-statistik sangat sedikit variabel bebas yang signifikan secara statistik 2. Menggunakan korelasi parsial (oleh: Farrar dan Glauber, 1967)dengan langkah-langkah berikut: a. Estimasi model Y=f(X1t,X2t) dan dapatkan nilai R2 1. dan lakukan estimasi model X1t=f(X2t) dan X2t=f(X1t) dan dapatkan nilai R2 2 dan R2 3 b. Rule of thumb bila R2 1 lebih tinggi dari R2 2 dan R2 3 maka model empiris tidak ditemukan multikolinearitas
  • 31. Penyebab Multikolinearitas 1. Metode Pengumpulan data yang dipakai 2. Kendala dalam model atau populasi yang menjadi sampel sehingga populasi yang dijadikan sampel kurang realistis 3. Spesifikasi model yang memasukkan variabel penjelas yang seharusnya dikeluarkan dari model empiris dan sebaliknya 4. Model yang berlebihan dimana jumlah variabel penjelas lebih banyak dibandingkan jumlah data atau observasi
  • 32. Parameter Estimates Variab le Label DF Parameter Estimate Standard Error t Value Pr > |t| Interc ept Intercept 1 15.04677 27.45957 0.55 0.5905 X1 Harga beli konsumen merek A (Rp per kemasan) 1 -0.02151 0.01225 -1.76 0.0960 X2 Harga beli konsumen merek PESAING (Rp per kemasan) 1 0.01866 0.00608 3.07 0.0066 X3 Tingkat inflasi (%) 1 -3.15022 0.66768 -4.72 0.0002 X4 Belanja iklan (miliar rupiah) 1 0.21919 1.04179 0.21 0.8357 X5 TOM (persen) 1 0.08291 0.06415 1.29 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?
  • 33. Korelasi belanja iklan dan TOM Pearson Correlation Coefficients, N = 24 Prob > |r| under H0: Rho=0 X4 Belanja iklan (miliar rupiah) X5 TOM (persen) 0.81296 <.0001 Korelasinya tinggi  multikolinear problem HINDARKAN : penggunaan X yang saling berkorelasi
  • 34. Model tanpa TOM Parameter Estimates Variable Label DF Parameter Estim ate Standard Error t Value Pr > |t| Intercept Intercept 1 22.25156 27.35832 0.81 0.4261 X1 Harga beli konsumen merek A (Rp per kemasan) 1 -0.02720 0.01163 -2.34 0.0304 X2 Harga beli konsumen merek PESAING (Rp per kemasan) 1 0.02150 0.00577 3.73 0.0014 X3 Tingkat inflasi (%) 1 -3.13176 0.67920 -4.61 0.0002 X4 Belanja iklan (miliar rupiah) 1 1.38162 0.53506 2.58 0.0183 Pengaruh belanja iklan  signifikan
  • 35. REGRESI BERGANDA (Non Linear)  Trend Parabola  Y = a + bX + cX2 an + b X + c X2 = Y aX + b X2 + c  X3 =  XY aX2 + b X3 + c  X4 =  X2Y
  • 36. REGRESI BERGANDA (Non Linear)  Dalam bentuk matriks  A dari (inverse) kebalikan matrik A ; A b 1 - 1 - 2 4 3 2 3 2 2                                                H H Ab Y X XY Y c b a X X X X X X X X n H b A                 contoh
  • 37. REGRESI BERGANDA (Non Linear)  Fungsi Eksponensial (Logaritma)  Y = aXb  log Y = log a + b logX (Sederhana)  Y = aX1 b1 X2 b2 … Xn bn (Multiple)  Log Y = log a + b1logX1 + b2logX2 … bnlogXn contoh
  • 38. UJI CHI-KUADRAT  Untuk penelitian yang menggunakan ukuran nominal untuk mengukur atribut-atribut dari fenomena tertentu.  Atau untuk menguji apakah beberapa ukuran nominal berhubungan satu sama lain atau tidak  Chi-Kuadrat bermanfaat untuk melakukan uji hubungan antara variabel dan uji homogenitas antar variabel.  Contoh apakah ada hubungan antara kepuasan dan kinerja dosen?? contoh
  • 39. UJI CHI-KUADRAT  Rumus statistik Chi-Kuadrat :             ij ij ij e e O 2 2 ) (  frequency) (expected harapan frekuensi ) . .)( ( eij   n j n ni Dimana : Oij = simbol observasi dari tiap sel
  • 40. UJI CHI-KUADRAT Kinerja Dosen Puas Tidak puas Jumlah Cara mengajar 35 35 70 Penguasaan materi 35 25 60 Kehadiran 42 35 77 Jumlah 112 95 207
  • 41. UJI CHI-KUADRAT Langkah Proses :  memberi nilai ekspektasi tiap sel. Misalnya : (1,1) yaitu titik temu antara variabel puas dan variabel cara mengajar, cara hitung adalah:  e1 = (112 x 70)/207 = 37,87  e2 = (95 x 60)/207 = 32,13  e3 = (112 x 60)/207 = 32,46  e4 = (95 x 60)/207 = 27,54  e5 = (112 x 77)/207 = 41,66  e6 = (95 x 77)/207 = 35,34
  • 42. UJI CHI-KUADRAT  Data hasil penelitian dengan masing-masing ekspektasinya adalah : = ((35-37,87)2/37,87) + … + ((95-35,39)2/35,34) = 0,91  dengan mengambil  sebesar 1% dan dk sebesar 2 (df = k- 1) serta menggunakan tabel chi kuadrat, maka di dapat statistik tabel = 9,210  Selanjutnya, nilai dari statistik hitung dibandingkan dengan statistik tabel.  Jika hitung > tabel, maka terima Ha, tolak Ho. Jika sebaliknya () maka terima Ho dan tolak Ha.  0,91 < 9,210, maka terima Ho dan tolak Ha, artinya : tidak ada hubungan kepuasan dengan kinerja dosen. contoh
  • 44. UJI CHI-KUADRAT  Data hasil penelitian dengan masing-masing ekspektasinya adalah : = ((35-37,87)2/37,87) + … + ((95-35,39)2/35,34) = 0,91  dengan mengambil  sebesar 1% dan dk sebesar 2 (df = k- 1) serta menggunakan tabel chi kuadrat, maka di dapat statistik tabel = 9,210  Selanjutnya, nilai dari statistik hitung dibandingkan dengan statistik tabel.  Jika hitung > tabel, maka terima Ha, tolak Ho. Jika sebaliknya () maka terima Ho dan tolak Ha.  0,91 < 9,210, maka terima Ho dan tolak Ha, artinya : tidak ada hubungan kepuasan dengan kinerja dosen. contoh
  • 45. KETENTUAN PEMAKAIAN CHI-KUADRAT  Untuk pemakaian frekuensi harapan yang kecil diberlakukan ketentuan sbb :  Nilai eij tiap sel minimal 10  Untuk derajat bebas lebih dari satu, frekuensi minimum 1 diperbolehkan; bila frekuensi harapan kurang dari lima, maka frekuensi minimum 20 persen saja.  Penggunaan tabel chi-kuadrat hanya sesuai untuk derajat bebas yang kurang dari 30 dan frekuensi harapan minimum 2.  Nilai observasi tidak bernilai nol.  Baris-baris atau kolom-kolom bersebelahan dalam suatu tabel kontingensi boleh digabungkan guna mendapatkan frekuensi-frekuensi sel harapan yang disyaratkan.
  • 46. DATA KATEGORIK  Data yang dinyatakan dalam bentuk kategori.  Data kualitatif : data nominal (posisi data sama derajatnya  sekedar menunjukkan kode katagori yang berbeda) atau ordinal.  Contoh (1) :  Industri rumah tangga, TK 1 – 4 orang = 1  Industri kecil, TK 5 – 19 orang = 2  Industri menengah, TK 20 – 100 orang = 3  Industri besar, TK > 100 = 4  Contoh (2) : Variabel Dummy  Laba pada 2 type perusahaan bila ditinjau dari biaya iklan: swasta asing dan swasta nasional.  Banyak variabel dummy = banyak kategori – 1 = 2 – 1 = 1  Swasta asing = 1 dan swasta nasional = 0  Model : Laba = b0 + b1 iklan + b2 type + error.
  • 47. DATA KATEGORIK  Jika koefisien b2 signifikan secara statistika, maka rata-rata laba perusahaan 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:  Berani mengambil resiko = 1  Netral terhadap resiko = 0  Contoh (4) dummy  alat trasportasi (becak, sepeda motor, mobil)  Banyaknya var dummy = 3 -1 = 2. Misal, observasi 1 adalah becak, observasi 2 adalah mobil, sedangkan observasi 3 adalah spdmotor, dan observasi 4 adalah mobil.  Penyusunan variabel dummy sbb: Misal ‘becak’ dianggap sebagai kategori dasar Dummy1 = D1 : bernilai 1 jika ’sepedamotor’, bernilai 0 jika bukan ’sepedamotor’ Dummy2 = D2 : bernilai 1 jika ‘mobil’, bernilai 0 jika bukan mobil
  • 48. DATA KATEGORIK  Susunannya adalah: No. D1 D2 1. 0 0 2. 0 1 3. 1 0 4. 0 1  Perhatikan bahwa observasi pertama berisi angka nol semua, karena observasi pertama adalah becak. Tidak memiliki variabel dummy karena becak kita anggap sebagai kategori dasar. Kategori dasar biasanya dilambangkan dengan angka nol semua. Penentuan kategori mana yang dijadikan kategori dasar, sepenuhnya tergantung peneliti.  Contoh (5), Katagori Jenis Kelamin (Lk dan Pr)  pengaruh gaji thp jenis kelamin.  No. D1 1. 1 2. 0  apabila responden 1 (baris1) berjenis kelamin laki-laki, beri angka 1 pada kolom D baris ke-1, atau angka 0 untuk perempuan.
  • 49. DATA KATEGORIK  Contoh (6) Umur :  Buat pengkategorian usia responden. Misal, usia 0-11th = anak- anak, 11-19th = remaja, 19-27th=dewasa, 27-40th=matang, 40- 100th=tua  Banyak variabel dummy = 5 – 1 = 4  Buat 4 kolom, masing-masing dengan nama, contoh: USIA1, USIA2, USIA3 dan USIA4. Misalkan, kategori dasar adalah kategori usia anak-anak. USIA1 = kategori remaja, …, USIA4 = kategori tua.  Misal, responden pertama (baris ke-1) adalah remaja (11-19th), maka pada baris 1 kolom USIA1, beri angka 1. Sedangkan untuk kolom yang lain pada baris 1, beri angka 0. Lanjutkan ke responden dua, jika responden 2 adalah tua, maka pada kolom USIA4 baris ke-2, beri angka 1. Baris ke-2 untuk kolom selain USIA4 beri angka 0. Dst…
  • 50. DATA KATEGORIK  Susunannya adalah: No. USIA1 USIA2 USIA3 USIA4 1. 1 0 0 0 2. 0 0 0 1 3. 0 0 0 0 dst  Perhatikan bahwa untuk baris-baris, baik pada kolom USIA1, USIA2, USIA3 dan USIA4 berisi angka 0 semua, maka baris tsb merupakan responden yang termasuk pada kategori anak-anak.  Apabila proses diatas telah selesai dilakukan, maka lanjutkan dengan analisis regresi seperti biasa.
  • 51. DATA KATEGORIK  Data Kualitatif : Ordinal, yaitu data yang dinyatakan dalam bentuk katagori, namun posisi data tidak sama derajatnya karena dinyatakan dalam sakala peringkat (Tabachnick & Fidell, 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
  • 52. CONTOH DUMMY VARIABLE  Y = 14,4805 X10,1073 X20,0398 X30,6109 X40,4904 X5 0,2413 X60,0043 D0,1848  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**  F = 732,09**  R2 = 83,52  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)  X6 = pengalaman dalam berusahatani kopi (tahun)  D = peubah sandi (dummy) untuk keikutsertaan dalam pembinaan LTA-77, dengan nilai satu untuk petani yang ikut proyek dan nol untuk petani yang tidak ikut proyek.
  • 53. SOAL UJIAN (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 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 Pertanyaan : (Gunakan Microsoft Excel dan Word) 1. Hitung model produksi : Y = aX2 b2 X3 b3 Dalam bentuk linear Log Y = Log a + b2 log X2 + b3 log X3 + 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 (R2), dan apa arti dari koefisien tersebut. 6. Buat matrik korelasi antar variabel untuk mengetahui multikolinearitas (jika R23  80%, maka dianggap terjadi multikolinearitas).