BAB VI. ANALISIS JEJAK ATAU SIDIK LINTAS (PATH ANALYSIS)

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB VI. ANALISIS JEJAK ATAU SIDIK LINTAS (PATH ANALYSIS)"

Transkripsi

1 BAB VI. ANALII JEJAK ATAU IDIK LINTA (PATH ANALYI) 6.1 Pendahuluan Telaah statistika mengatakan bahwa dalam analisis hubungan yang bertujuan untuk peramalan atau pendugaan nilai Y atas dasar nilai-nilai X 1, X,, X p terhadap nilai Y maka pola hubungan yang sesuai adalah pola hubungan yang mengikuti model regresi, sedangkan untuk tujuan hubungan sebab akibat yang pola yang tepat adalah model struktural atau analisis jejak atau analisis lintas (path analisis). Yang menjadi pertanyaan sekarang adalah, pola hubungan yang bagaimana yang ingin diungkapkan, apakah hubungan yang bisa digunakan untuk peramalan atau menduga nilai sebuah variabel- respon Y atas dasar nilai tertentu beberapa variabel prediktor X 1, X,, X p. Atau, pola hubungan yang mengisyaratkan besarnya pengaruh variabel penyebab X 1, X,, X p terhadap variabel akibat Y, baik pengaruh langsung secara sendiri-sendiri maupun secara bersamaan. Pada dasarnya metode analisis lintas (path analysis) merupakan bentuk analisis regresi linier terstruktur berkenaan dengan variabel-variabel baku (standardized variables) dalam suatu sistem tertutup (closed system) yang secara formal bersifat lengkap. Dengan demikian, analisis lintas dapat dipandang sebagai sustu analisis struktural yang membahas hubungan kausal di antara variabel-variabel dalam sistem tertutup. Apabila suatu model hubungan kausal antara variabel tak bebas Y dan variabelvariabel bebas X i, untuk i = 1,,, p; telah disfesifikasikan secara tepat berdasarkan teori yang ada, maka dapat diselidiki hubungan kausal atau sebab-akibat dengan menggunakan analisis lintas. Pada dasarnya koefisien lintas (path coefficient) juga merupakan koefisien beta (β) atau koefisien regresi baku, di mana berdasarkan analisis lintas dapat diketahui pengaruh langsung (direct effect) dari setiap variabel bebas yang dibakukan (Z Y ), serta pengaruh tidak langsung (indirect effect) dari variabel bebas baku Z Xi melalui variabel bebas baku Z Xj (di mana i j) di dalam model hubungan kausal tersebut. Metode analisis lintas dikembangkan pertama kali oleh seorang ahli genetika ewall Wright, di mana pada tahun 191 melalui artikelnya yang berjudul: "Correlation and Causation". Wright menjelaskan hubungan kausal dalam genetika populasi mengunakan analisis lintas. Hingga saat ini, paper yang ditulis Wright pada tahun 191 masih dipergunakan sebagai dasar permulaan mempelajari analisis lintas, karena pada dasarnya untuk memahami analisis lintas hanya membutuhkan pemahaman terhadap analisis regresi dan korelasi sebagai dasar analisis. 6. Model Regresi dan Modal truktural Menurut batasan bahwa penelitian adalah suatu usaha untuk mengungkapkan hubungan antar fenoma alami. Jika kemudian, lebih jauh, dapat diterjemahkan ke dalam bahasa statistika, maka pengertian penelitian adalah usaha untuk mengungkapkan hubungan antar variabel. Dari analisis regresi linier dengan berbagai persamaannya, jelas dapat dipakai untuk maksud peramalan dan penaksiran yaitu menentukan nilai peubah tak bebas Y, apabila nilai-nilai peubah bebas X ditetapkan atau ditentukan. 139

2 Dari uraian di atas dapat ditarik suatu kesimpulan, terutama untuk regresi, bahwa di dalam mempelajari hubungan antar-peubah tidak dipermasalahkan kenapa hubungan tersebut ada (atau tidak ada). Juga tidak dipermasalahkan apakah hubungan yang ada diantara peubah tak bebas Y dan peubah penentu atau penjelas atau peubah takbebas X dikarenakan oleh peubah bebas X-nya itu sendiri atau merupakan faktorfaktor lain yang mempengaruhi atau yang erat hubungannya dengan X lainnya sehingga peubah bebas X tersebut berkaitan erat dengan peubah tak bebas Y. Apabila dikaitkan dengan ilmunya itu sendiri yaitu hubunagn antara faktor X dengan Y. Mungkin hubungan yang nyata antara X dan Y tersebut tidak dapat dijelaskan menurut ilmunya sendiri. Adanya hubungan tersebut justru disebabkan oleh faktorfaktor lain yang mempengaruhi peubah tak bebas X. ebagai contoh, suatu penelitian dilakukan untuk mempelajari tingkat penerimaan ibuibu rumah tangga terhadap alat-alat kontrasepsi dalam mempopulerkan program keluarga berencana di Taiwan (Li, 1977). Dari berbagai macam peubah yang dipelajari dan diduga berpengaruh terhadap tingkat penerimaan tersebut ternyata bahwa banyaknya alat-alat listrik (kipas, alat untuk memasak, kulkas, TV, dan lain sebagainya) berhubungan atau berkorelasi sangat erat dengan tingkat penerimaan tersebut. Masalahnya, apakah hal yang sedemikian itu dapat dijelaskan atau wajar berkorelasi, terutama menurut ilmunya itu sendiri?. etelah dipelajari lebih lanjut, ternyata banyaknya alat-alat listrik yang dimiliki per keluarga berhubungan erat dengan tingkat pendapatan, pendidikan, dan status keluarga. Apabila analisis regresi yang telah dibicarakan dalam bab-bab sebelumnya ternyata belum dapat memberikan penjelasan tentang apa dan kenapanya; maka analisis hubungan sebab dan akibat (causal relation) atau path analysis merupakan jawabannya. Path analysis adalah untuk melihat atau menguraikan apakah sesuatu hubungan yang ada disebabkan oleh pengaruh langsung peubah bebas itu sendiri ataukah tidak langsung melalui peubah-peubah bebas lainnya. Untuk memudahkan dalam menggambarkan pola hubungan tersebut umumnya digunakan suatu diagram, dan karena diagram tersebut menunjukkan lintasan atau jejak atau jalur atau arah pengaruh dari peubah atau faktor yang satu ke faktor atau peubah yang lainnya. Maka dengan demikian, analisis ini disebut dengan diagram lintas atau diagram jejak atau analisis litas atau analisis jejak atau diagram jalur (path analysis). Telaah statistika mengatakan bahwa untuk tujuan peramalan/ pendugaan nilai Y atas dasar nilai-nilai X 1,X, X k. pola hubungan yang sesuai adalah pola hubungan yang mengikuti Model Regresi, sedangkan untuk tujuan hubungan sebab akibat pola yang tepat adalah Model truktural. 6.3 Diagram Jalur (Path Diagram) Di dalam melakukan analisis lintas, tidak terlepas dari usaha untuk membangun diagram lintas (path diagram) agar lebih memperjelas uraian yang dikemukakan. Dengan mengkombinasikan diagram-diagram geometrik dan persamaan-persamaan aljabar, maka analisis statistika dalam mempelajari hubungan kausal-efek di antara variabel-variabel menjadi lebih berbobot dalam arti hasilnya menjadi lebih mudah untuk dipahami. 140

3 Terdapat berbagai kombinasi hubungan kausal di antara variabel-variabel dalam sistem, di mana hal ini tergantung kepada sifat dari sistem tersebut. ebagai misal untuk lima buah variabel, maka terdapat berbagai kemungkinan hubungan di antara variabel-variabel tersebut, tergantung kepada sifat hubungan kausal dalam sistem yang dipelajari seperti pada Gambar 6.1. Tentu saja, di dalam membangun model analisis lintas terlebih dahulu harus mempostulatkan hubungan kausal yang akan dipelajari, dan sifat hubungan kausal itu sendiri harus berlandaskan pada teori dan konsep yang ada. Ingin ditunjukkan di sini bahwa terdapat berbagai pertimbagan dan sangat tergantung pada fenomena yang dipelajari dalam mempostulatkan hubungan kausal di antara variabel-variabel yang dipelajari dan dengan demikian bagaimana pembangunan diagram lintas yang akan dipelajari seperti pada Gambar 6.1. Untuk menggambarkan diagram jalur dari lima buah variabel yang dipelajari, maka terdapat berbagai kemungkinan untuk menggambarkan hubungan kausal diantara kelima variabel tersebut deperti yang terlihat pada uraian berikut ini. Beberapa kemungkinan itu adalah: 1. (1,1,1,1,1) 6. (,1,) 11. (,3). (1,1,3) 6. (1,1,,1) 1. (1,4) 3. (1,,) 8. (3,1,1) 13. (,1,1,1) 4. (1,1,1,) 9. (,,1) 14. (3,) 6. (1,3,1) 10. (1,,1,1) 16. (4,1) Berbagai pola hubungan kausal yang mungkin; ditunjukkan dalam gambar berikut. Catatan: Arah hubungan dalam gambar (diagram lintas) ditunjukkan oleh arah anak panah. Gambar 6.1. Berbagai Pola Analisis Lintas 141

4 6.4 Model Analisis Jalur Pembangkit analisis lintas dari model regresi, yang pada dasarnya di mana total keragaman (varians total) dari variabel tak bebas Y dalam model regresi berganda dapat didekomposisikan atau diuraikan menjadi sebagai berikut: Total keragaman dari Y = A + B + C Di mana: A = proporsi keragaman yang diberikan atau dijelaskan secara langsung oleh koefisien lintas, B = proporsi keragaman yang diakibatkan karena adanya korelasi di antara variabel bebas X, dan C = proporsi keragaman yang diakibatkan adanya galat (error). Untuk menjelaskan lebih konkret tentang koefisien lintas, maka bayangkan bahwa kita merumuskan model regresi linier berganda yang terdiri atas p buah variabel bebas, sebagai berikut: [6.1] Y = β 0 + β 1 X 1 + β X + β 3 X β p X p + ε Di mana: Y = variabel tak bebas atau variabel respons X i = variabel bebas ke-i, untuk i = 1,,..,p β i = koefisien regresi parsial tak baku, i = 1,,..,p β 0 = intersep (konstanta) ε = galat atau error Dengan mengansumsikan bahwa E(ε) = 0 serta asumsi klasik lainnya dalam analisis regresi linier berganda, maka dibolehkan menduga persamaan regresi [6.1] berdasarkan persamaan regresi tersebut seperti: [6.] Ŷ = b 0 + b 1 X 1 + b X + b 3 X 3 + b p X p elanjutnya apabila didefinisikan Y sebagai simpangan baku contoh dari variabel tak bebas Y, dan X1, X,..., Xp sebagai simpangan baku contoh dari X i variabelvariabel bebas X 1, X,..., X p, maka dari persamaan [6.] dapat dihitung koefisien regresi baku yang sering disebut juga sebagai koefisien beta (β), sebagi berikut: Xi [6.3] βi = bi. Di mana: i = 1,,..., p Y Telah ditunjukkan secara teoritis dalam buku-buku teks bahwa koefisien lintas atau koefisien jejak (path coeffisient) pada dasarnya adalah serupa dengan koefisien beta (koefisien regresi dari variabel yang dibakukan). Dengan demikian, apabila mendefinisikan C i sebagai koefisien lintas atau koefisien beta dari variabel baku Z yaitu variabel bebas X dan variabel tak bebas Y yang dibakukan; sehingga berdistribusi normal dengan nilai rata-rata = nol dan nilai ragam = satu). Pada dasarnya koefisien lintas C i dapat dihitung berdasarkan rumus [6.3], jadi dalam hal ini berlaku bahwa β i = C i. Pada sisi lain, koefisien lintas dapat juga ditentukan berdasarkan penyeleaian terhadap gugus persamaan simultan dari variabel korelasi antar-variabel bebas. Gugus persamaan simultan yang dimaksud adalah seperti yang dinyatakan dengan pola matriks dari koefisien korelasi antar-peubah bebas X i dan dengan peybah tak bebas Y seperti pada matriks berikut. 14

5 Gugus persamaan simultan yang dimaksud adalah C 1 r 11 + C r C p r 1p = r 1Y C 1 r 1 + C r C p r p = r Y [6.4] C 1 r p1 + C r p C p r pp = r py Di mana: r ii = r Xi Xi = 1, serta r ij = r Xi Xj = r ji = r Xj Xi i,j = 1,,..., p istem persamaan simultan [6.4] dapat ditulis dalam bentuk matriks, sebagai berikut. r 11 r 1... r 1p C 1 r 1Y r 1 r... r p C r Y [6.5] r p1 r p... r pp C p r py Di mana: R X C R Y R X = matrik korelasi antar variabel bebas dalam model regresi berganda yang memiliki p buah variabel bebas, jadi merupakan matriks dengan elemen r XiXj (i,j = 1,,..., p), C = vektor koefisien lintas yang menunjukkan pengaruh langsung dari setiap variabel bebas yang telah dibakukan, Z i, terhadap variabel tak bebas (nilai koefisienn regresi baku), dan R Y = vektor koefisien korelasi antara variabel bebas X i di mana i = 1,,..., p; dan variabel tak bebas Y. Dari persamaan matriks [6.5] secara mudah dapat ditentukan vektor koefisien lintas C, sebagai berikut: [6.6] C = 1 R X R Y Di mana: 1 R X adalah invers matriks R X R Y adalah vektor koefisien korelasi antara variabel bebas X dengan variabel tak bebas Y. Berdasarkan uraian yang dikemukakan di atas diketahui bahwa terdapat dua untuk menghitung koefisien lintas C i yaitu berdasarkan rumus [6.3] atau berdasarkan rumus [6.6]. Jika persamaan regresi berganda [6.] telah diperoleh maka dapat dinghitung koefisien C berdasarkan rumus [6.3], di mana dalam hal ini koefisien lintas C i sama dengan koefisien regresi baku Beta (β i ). Alternatif lain adalah membangun gugus persamaan simultan [6.4] dan menyelesaikan sistem persamaan itu berdasarkan rumus [6.6]. 143

6 Apabila koefisien lintas C i telah diperoleh, maka beberapa informasi penting akan diperoleh berdasarkan metode analisis lintas antara lain seperti. 1). Pengaruh langsung variabel bebas yang dibakukan, terhadap variabel tak bebas Y, diukur oleh koefisien lintas C i. ). Pengaruh tidak langsung variabel bebas Z i terhadap variabel tak bebas Y, melalui variabel bebas Z j (melalui kehadiran variabel bebas Z j dalam model) diukur dengan besaran C j. r ij. 3). Pengaruh galat atau error atau sisaan atau residual yang tak dapat dijelaskan oleh model analisis lintas. Pengaruh-pengaruh yang tidak dapat dijelaskan oleh suatu model dimasukkan sebagai pengaruh galat atau sisaan yang diukur nilainya dengan rumus: C p = 1 C r. Di mana: i= 1 i ij C = C Besaran C dalam analisis lintas adalah serupa dengan besaran nilai 1 - R dalam analisis regresi linier berganda, di mana keduanya memiliki nilai yang sama besar yang merupakan galat atau error atau sisaan (residual). 6.6 Aplikasi Analisis Lintas Berikut ini dikemukakan penerapan analisis lintas dalam kasus percobaan pembuatan batu bata merah untu ukiran pola orang Bali. Bayangkan bahwa seorang akhli teknik bangunan ingin membangun model hubungan kausal-efek yang menerangkan empat variabel dalam pembuatan batu bata terhadap respons kekerasan yang didapatkan dalam proses pembuatannya. Respons kekerasan diukur dalam satuan banyaknya patahan atau cuil waktu melakukan perubahan bentuk. Variabel-variabel yang dikaji dalam percobaan semen itu adalah : Y = respons yang timbul dalam proses melakukan peubahan bentuk X 1 = banyaknya campuran abu yang digunakan, X = lamanya pemerosesan tanah waktu pelumpuran, X 3 = lamanya pemerosesan penjemuran, dan X 4 = lamanya waktu pembakaran. Di mana: X 1, X, X 3, dan X 4 diukur dalam persen dari dari estándar harian dalam proses; sedangkan Y diukur dalam kalori per gram semen. Peneliti merumuskan model hubungan kausal, sebagai berikut: [6.7] Y = β 0 + β 1 X 1 + β X + β 3 X β p X p + ε Untuk menduga model regresi berganda [6.7] di atas maka dikumpulkan data sebagaimana tampak dalam Tabel 6.1 berikut ini. Dalam melakukan pendugaan model [6.7] dipergunakan bantuan komputer dengan memanfaatkan program aplikasi Microstat atau dapat mengunakan oft-ware Komputer Compatible lainnya seperti P atau dapat mengunakan oft-ware Minitab14.01, atau dapat mengunakan oft-ware tatistica 7.0, dan atau dapat mengunakan oft-ware- oft-ware yang lain. 144

7 Tabel 6.1 Data Percobaan Batu bata No. X1 X X3 X4 Y , , , , , , , , , , , , ,4 Ratarata 7, , ,769 30, ,431 imp. baku 5,884 15,5609 6, ,738 15,0437 Ragam ( ) 34,606 4, ,053 08,1673 6,319 Adapun hasil analisis yang diperoleh dengan menggunakan oft-ware Microstat dikemukakan seperti hasil sebagai berikut ini. Regression Analysis Analisis Regresi Pembuatan batu bata merah bahan ukiran Jumlah pengerajin batu bata yang diteliti: 13 Banyaknya vriabel X dan Y: 5 Tabel 6. Analisis Regresi Model Penuh Y = f(x 1, X, X 3, X 4 ) No. Variabel tandar Rata-rata bebas Deviasi 1 X 1 7,4615 5,84 X 48, , X 3 11,769 6, X 4 30, ,738 Variabel terikat Y 95,431 15,0437 Tabel 6.3 Hasil Analisis Regresi Variabel Koefisien regresi tandar error b i t-stat. (DB = 10) Peluang. t R Parsial X 1 1,5511 0,7448,083 0,0708 0,3516 X 0,510 0,738 0,705 0, ,0585 X 3 0,1019 0,7547 0,135 0,8959 0,003 X 4-0,1441 0,7091-0,03 0, ,0051 Konstata 6,4054 td. error Y. =,4460 Koef. Deterninasi (R = ) = 0,984 R terkoreksi = 0,9736 Mutiple R = 0,

8 Tabel 6.4 Hasil Analisis Varians K JK DB KT F Hit pf Regresi 667, , ,479 0,000 Residu 47, ,9830 Total 716, Dari hasil analisis Tabel 6.3 dapat dibangun persamaan regresi linier berganda sebagai pendugaan bagi model [6.7] sebagai berikut. [6.8] Ŷ = 6, ,5511 X 1 + 0,510 X + 0,1019 X 3-0,1441 X 4 Dari hasil analisis terlihat bahwa meskipun besaran R sangat tinggi, dan juga uji terhadap persamaan regresi dalam analisis ragam bersifat sangat nyata (p 0,01) secara statistika, namun tidak ada satu pun koefisien regresi parsial yang bersifat nyata pada taraf nyata α = 0,05. Apakah dengan demikian, boleh disimpulkan bahwa variabel-variabel bebas tidak berpengaruh terhadap variabel respons Y?. Tentu saja tidak. Kasus penelitian ini menarik untuk ditunjukkan secara statistika bahwa telah terjadi multikolinieritas di antara variabel-variabel bebas X, sehingga mengakibatkan masalah yang serius dalam pendugaan parameter model regresi dan interprestasinya. Menghadapi kasus semacam ini, maka jelas model persamaan regresi [6.8] tersebut diatas tidak dapat diandalkan untuk menerangkan hubungan kausal-efek yang terjadi sesungguhnya, dalam sistem pembuatan batubata tersebut. Nilai R yang tinggi dan uji F atau uji simultan atau uji varians persamaan regresi berganda yang sangat nyata (p 0,01) secara statistika, namun uji koefisien regresi b i secara parsial menunjukkan tidak ada satupun koefisien regresi yang bersifat nyata (p>0,05) secara statistika, merupakan indikasi yang sangat kuat bahwa telah terjadi kasus multikoliniearitas dalam data pembuatan batu bata merah tersebut. Bagaimana mengatasinya masalah tersebut di atas, sehingga didapatkan kesimpulan yang dapat diandalkan baik secara riil maupun secara statistika?. Banyak cara untuk mengatasi kasus semacam ini, namun dalam kesempatan ini hanya dibahas peranan analisis jejak atau analiis lintas atau path analysis dalam mengungkapkan pengaruh yang sesungguhnya dalam model hubungan kausal tersebut di atas; sebagaimana disfesifikasikan dalam model persamaan [6.7]. Oleh karena persamaan regresi sebagai penduga bagi model hubungan kausal pada persamaan [6.7] telah diperoleh sebagaimana ditunjukkan dalam model persamaan [6.8], maka koefisien lintas C i dapat ditentukan berdasarkan rumus [6.3] sebagai berikut: C i = b i Xi Y ; di mana i = 1,, 3, dan 4. C 1 = b 1 C = b C 3 = b 3 C 4 = b 4 X 1 = (1,5511) (5,884/15,0437) = 0,6065 Y X = (0,510) (15,5609/15,0437) = 0,577 Y X 3 = (0,1019) (6,4051/15,0437) = 0,0434 Y X 4 = (0,1441) (16,738/15,0437) = - 0,1603 Y 146

9 Pada sisi lain, dapat pula ditentukan koefisien lintas terhadap model hubungan kausal persamaan [6.7] dengan jalan membangun gugus persamaan simultan dalam variabel korelasi antar variabel bebas. Untuk kasus empat buah variabel bebas yang mempengaruhi variabel respons persamaan [6.7], maka gugus persamaan simultan dapat dibangun sebagai berikut (lihat persamaan 6.4). Pada sisi lain dapat pula ditentukan koefisien lintas terhadap model hubungan kausal pada persamaan [6.7] dengan jalan membangun gugus persamaan simultan dalam variabel koefisien korelasi antar-variabel bebas X yang berada dalam model. Untuk kasus empat buah variabel yang mempengaruhi respon pada persamaan [6.7], maka gugus persamaan simultan dapat dibangun sebagai berikut. C 1 r 11 + C r 1 + C 3 r 13 + C 4 r 14 = r 1Y [6.9] C 1 r 1 + C r + C 3 r 3 + C 4 r 4 = r Y C 1 r 31 + C r 3 + C 3 r 33 + C 4 r 34 = r 3Y C 1 r 41 + C r 4 + C 3 r 43 + C 4 r 44 = r 4Y Dengan jalan mengerjakan analisis korelasi sederhana terhadap data dalam Tabel 6.1 di atas; dengan menggunakan persamaan umum untuk analisis koefisien korelasi linier sederhana seperti: [6.10] r XY = [{ n X ( X ) }{ n Y ( Y ) }] i n X iyi X i i Yi Dari perhitungan koefisien korelasi dapat diperoleh hasil seperti berikut yang dapat dibuat dengan susunan matriksnya. r ij = r X1X1 = 1,00 r 1 = r X1X = r 1 = r XX1 = 0,86 r 13 = r X1X3 = r 31 = r X3X1 = - 0,84 r 14 = r X1X4 = r 41 = r X4X1 = - 0,454 r = r XX = 1,00 r 3 = r XX3 = r 3 = r X3X = - 0,139 r 4 = r XX4 = r 4 = r X4X = - 0,930 r 33 = r X3X3 = 1,00 r 34 = r X3X4 = r 43 = r X4X3 = 0,095 r 44 = r X4X4 = 1,00 r 1Y = r X1Y = 0,7307 r Y = r XY = 0,8163 r 3Y = r X3Y = - 0,5347 r 4Y = r X4Y = 0,813 Dengan mensubstitusikan nilai-nilai koefisien korelasi yang diperoleh ke dalam sistem persamaan [6.9], maka diperoleh sistem persamaan simultan sebagai berikut 1,0000 C 1 + 0,86 C - 0,841 C 3-0,454 C 4 = 0,7307 0,86 C 1 + 1,0000 C - 0,139 C 3-0,9730 C 4 = 0,8163-0,841 C 1-0,139 C + 1,0000 C 3 + 0,095 C 4 = -0,5347-0,454 C 1-0,9730 C + 0,095 C 3 + 1,0000 C 4 = -0,813 i i 147

10 istem persamaan di atas dapat pula ditulis dalam bentuk matrik sebagai berikut: 1, ,86-0,841-0,454 C 1 = 0,7307 0,86 + 1,0000-0,139-0,9730 C = 0,8163 [6.11] - 0,841-0, , ,095 C 3 = -0,5347-0,454-0, , ,0000 C 4 = -0,813 R X C R Y Dengan sistem matriks kebalikan dari persamaan (6.11) dapat pula ditulis dalam bentuk matriks sebagai berikut: C 1 38, ,795 4, ,4907 0,7307 0,6051 C 94,795 56, ,863 69,6741 0,8163 = 0,548 = C 3 4, ,863 47, ,958-0,5347 0,0418 C 4 100, , ,958 84,7507-0,813-0,1634 Catatan: Terdapat sedikit perbedaan hasil koefisien lintas yang ditentukan berdasarkan persamaan [6.3] dan persamaan [6.6] hanya semata-mata karena adanya proses pembulatan dalam perhitungan. Untuk pembahasan lebih lanjut akan dipergunakan hasil yang diperoleh berdasarkan persamaan [6.3]. Berdasarkan koefisien lintasn yang diperoleh maka dapat ditentukan pengaruh langsung dan tidak langsung dari variabel-variabel bebas X terhadap variabel respons Y, sebagai berikut di bawah ini. 1. Penentuan Pengaruh Variabel Z 1 (X 1 dibakukan) terhadap Variabel Respons Y. 1). Pengaruh langsung Z 1 terhadap Y = C 1 = 0,6066. ). Pengaruh tidak langsung Z 1 melalui Z = C r 1 = 0,106. 3). Pengaruh tidak langsung Z 1 melalui Z 3 = C 3 r 1 = - 0, ). Pengaruh tidak langsung Z 1 melalui Z 4 = C 4 r 14 = 0,0394. Pengaruh total = r 1Y = r X1Y = r Z1Y = 0, Penentuan Pengaruh Variabel Z (X dibakukan) terhadap Variabel Respons Y. 1). Pengaruh langsung Z terhadap Y = C = 0,576. ). Pengaruh tidak langsung Z melalui Z 1 = C 1 r 1 = 0, ). Pengaruh tidak langsung Z melalui Z 3 = C 3 r 3 = - 0, ). Pengaruh tidak langsung Z melalui Z 4 = C 4 r 4 = 0,1560. Pengaruh total = r Y = r XY = r ZY = 0, Penentuan Pengaruh Variabel Z 3 (X 3 dibakukan) terhadap Variabel Respons Y. 1). Pengaruh langsung Z 3 terhadap Y = C 3 = 0,0434. ). Pengaruh tidak langsung Z 3 melalui Z 1 = C 1 r 31 = - 0, ). Pengaruh tidak langsung Z 3 melalui Z = C r 3 = - 0, ). Pengaruh tidak langsung Z 3 melalui Z 4 = C 4 r 34 = - 0,0048. Pengaruh total = r 3Y = r X3Y = r Z3Y = - 0,

11 4. Penentuan Pengaruh Variabel Z 4 (X 4 dibakukan) terhadap Variabel Respons Y. 1). Pengaruh langsung Z 4 terhadap Y = C 4 = - 0,1603. ). Pengaruh tidak langsung Z 4 melalui Z 1 = C 1 r 41 = - 0, ). Pengaruh tidak langsung Z 4 melalui Z = C r 4 = - 0, ). Pengaruh tidak langsung Z 4 melalui Z 3 = C 4 r 43 = - 0,0013. Pengaruh total = r 3Y = r X3Y = r Z3Y = - 0, Penentuan Pengaruh isa (Residual) terhadap Variabel Respons Y. C = 1 C r 4 i= 1 i iy = 1 - {(0,6065)(0,7306) + (0,577)(0,8163) + (0,0434)(- 0,5347) + (- 0,1603)(- 0,813) = 0,0176 C = 0,0176 = 0,137 Berdasarkan analisis lintas tampak bahwa dua variabel bebas yang memiliki pengaruh langsung terbesar yaitu variabel X 1 dan X. Pengaruh variabel langsung X 1 terhadap Y adalah sebesar 0,6065 dapat diinterpretasikan bahwa setiap kenaikan satu simpangan baku dalam nilai X 1 secara rata-rata akan meningkatkan nilai Y sebesar 0,6065 simpanan baku. Demikian pula interpretasi tentang pengaruh langsung dari variabel X, X 3, dan X 4 terhadap variabel respons Y. Besaran C = 0,0176 dapat diinterpretasikan babwa analisis lintas tidak menjelaskan keragaman total dari variabel Y sebesar 0,0176 atau 1,76%. Dengan demikian analisis lintas berhasil menjelaskan keragaman total dari Y sebesar 1 C = 1-0,0176 = 0,984 atau 98,4%, yang ternyata sama dengan besaran R dari persamaan regresi berganda [6.8]. Berdasarkan kenyataan ini, maka dapat dikemukakan bahwa sifat hubungan antara R dan sebagai berikut yaitu di bawah ini. C Koefisien determinasi = R = 1 - C Koefisien non determinasi = 1 R =, sehingga Pengaruh langsung, pengaruh tidak langsung, dan pengaruh total dari keempat variabel bebas yang dibakukan terhadap variabel respons Y dapat ditunjukkan secara lebih jelas dalam Tabel Tabel 6.5 beikut ini. C 149

12 Tabel 6.5 Pengaruh Langsung, Tidak Langsung, dan Pengaruh Total Variabel bebas dibakukan Pengaruh langsung Pengaruh tidak langsung melalui variabel Z 1 Z Z 3 Z 4 Pengaruh total Z 1 0,6065-0,106-0,0358 0,0394 0,7306 Z 0,577 0, ,0060 0,1560 0,8163 Z 3 0,0434 0,4998-0, ,0048-0,5347 Z 4-0,1603 0,1488-0,5135 0, ,813 Keterangan: 1. Koefisien lintas adalah serupa dengan koefisien beta atau koefisien regresi variable baku, sehingga pengaruh langsung yang ditunjukkan dalam analisis lintas dapat langsung dibandingkan untuk mengetahui peranan dari setiap variabel bebas X i dalam mempengaruhi variabel tak bebas (respons) Y.. Berdasarkan sifat di atas maka variabel bebas Y yang belum dibakukan akan dibakukan dalam analisis lintas sehingga koefisien lintas C i yang diperoleh dapat diperbandingkan. ecara geometrik dapat dibangun diagram lintas untuk hubungan kausal dari model regresi [6.7] seperti tampak dalam gambar di bawah ini. Y Z 1 C 1 = 10,6065 r 1 = 0,80 Z C = 0,577 r 13 = - 0,841 r 3 = - 0,139 r 14 = 0,80 C 3 = 0,0434 C s = 0,137 Z 3 r 4 = - 0,9730 (E) = isa C 4 = - 0,1603 r 34 = 0,095 Z 4 Diagram Lintas untuk Model Regresi dengan Empat Variabel Bebas Berdasarkan analisis lintas diketahui bahwa variabel bebas yang memiliki pengaruh langsung terbesar terhadap variabel respons Y adalah variabel Z 1 dan Z dengan masing-masing memiliki koefisien lintas terbesar C 1 = 10,6065 dan C = 0,577; sedangkan variabel bebas Z 3 dan Z 4 memiliki pengaruh langsung yang sangat kecil yaitu sebesar C 3 = 0,0434 dan C 4 = - 0,1603. elanjutnya, dari pernyataan tersebut di atas dapat dijelaskan bahwa seandainya diperkenankan untuk memodifikasi model hubungan kausal efek di atas melalui seleksi variabel berdasarkan pertimbangan statistika dengan teori trimming yaitu membuah variabel yang tidak signifikan dan apabila hal ini diperkenankan juga oleh teori dan konsep dalam arti bahwa seleksi variabel tidak menyalahi teori dan konsep yang ada, maka dapat dirumuskan persamaan regresi "terbaik" dengan membuang atau mengeliminir atau mengeluarkan variabel X 3 dan X 4, dan berdasarkan alasan tersebut di atas mempunyai pengaruh yang sangat kecil terhadap variabel bebas Y. 150

13 Dengan demikian berlandaskan pada informasi dari analisis lintas di atas dapat dirumuskan model hubungan kausal efek berdasarkan fungsi yang baru yaitu: Y = f (X 1, X ), karena memang diketahui bahwa variabel bebas X 1 dan X yang memiliki pengaruh langsung terbesar terhadap variabel respons Y. Apabila dilanjutkan membangun model regresi "terbaik" yang hanya melibatkan dua buah variabel yang memiliki pengaruh langsung terbesar terhadap variabel respons Y. Model hubungan kausal itu adalah sebagai berikut. [6.1] Y = β 0 + β 1 X 1 + β X + ε Analisis selanjutnya, dengan menggunakan bantuan komputer terhadap model regresi [6.1] menghasilkan output berikut. Hasil Analisis Regresi Judul: Analisis Path Banyaknya sampel: 13 Jumlah variabels: 5 Tabel 6.6 Analisis Deskriptif Fungsi Y = f(x 1 ; X ) Indeks Nama Rata-rata td. deviasi 1 X 1 7,4615 5,84 X 48, ,5609 Var Terikat Y 95,431 15,0437 Tabel 6.7 Analisis Regresi Variabel Koefisien regresi tandar error t-stat. (DB = 10) Peluang t R parsial X 1 1,4683 0,113 1,105 0,0000 0,9361 X 0,663 0, ,44 0,0000 0,9543 Konstanta 5,8773 td. error Y. =,4063 Koef. Deterninasi (R = ) = 0,9787 R terkoreksi = 0,9744 Mutiple R = 0,9893. Dari hasil analisis komputer Tabel 6.7 di atas tampak bahwa model regresi [6.1] memberikan hasil yang sangat memuaskan, di mana model tersebut memiliki besaran R yang tinggi, uji persamaan regresi bersifat sangat nyata secara statistika, serta yang terpenting lagi adalah kedua variabel bebas X 1 dan X masing-masing telah bersifat sangat nyata secara statistika berdasarkan uji koefisien regresi secara parsial. Keadaan ini mengindikasikan bahwa benar telah terjadi multikolinieritas dalam model regresi dengan empat variabel bebas X 1, X, X 3, dan X 4 pada model regresi [6.7], karena dengan mengeluarkan variabel-variabel X 3 dan X 4 yang tadinya bersifat tidak nyata secara statistika ketika diuji secara parsial telah menjadi nyata secara statistika. Berdasarkan kenyataan ini, maka model hubungan kausal yang tepat untuk menerangkan kasus percobaan semen portland adalah persamaan regresi "terbaik" berikut: [6.13] 5, ,4683 X 1 + 0,663 X dengan R = 0,

14 elanjutnya, analisis lintas dapat dilakukan terhadap model regresi [6.11]. Oleh karena persamaan regresi untuk model hubungan kausal yang dirumuskan telah diperoleh, maka koefisien lintas dapat dihitung serupa dengan koefisien beta (β) atau koefisien regresi baku menggunakan persamaan [6.3]. Dengan menggunakan rumus [6.3] maka dapat dihitung koefisien lintas untuk model hubungan kausal [6.11], sebagai berikut. C i = b i Xi Y X 1 ; di mana i = 1,. C 1 = b 1 Y = (1,4683) (5,884/15,0437) = 0,5741 C = b X Y = (0,663) (15,5609/15,0437) = 0,6851 elanjutnya, dapat dibuat perhitungan tentang pengaruh langsung dan tidak langsung dari setiap variabel bebas yang dibakukan (Z i ) terhadap variabel respons Y, sebagai berikut di bawah ini. 1. Penentuan Pengaruh Variabel Z 1 (X 1 dibakukan) terhadap Variabel Respons Y. 1). Pengaruh langsung Z 1 terhadap Y = C 1 = 0,5741. ). Pengaruh tidak langsung Z 1 melalui Z = C r 1 = 0,1566. Pengaruh total = r 1Y = r X1Y = r Z1Y = 0, Penentuan Pengaruh Variabel Z (X dibakukan) terhadap Variabel Respons Y. 1). Pengaruh langsung Z terhadap Y = C = 0,6851. ). Pengaruh tidak langsung Z melalui Z 1 = C 1 r 1 = 0,131. Pengaruh total = r Y = r XY = r ZY = 0, Penentuan Pengaruh isa (Residual) terhadap Variabel Respons Y. C = 1 = i 1 C r i iy = 1 - {(0,5741)(0,7306) + (0,6851)(0,8163) = 0,01 C = 0,013 = 0,1459. Besaran koefisien lintas C i sebesar 0,5741 dapat diinterpretasikan apabila variabel bebas X meningkat nilainya sebesar satu simpanan baku, maka nilai dari variabel respons Y akan meningkat secara rata-rata sebesar 0,5741 simpanan baku. Demikian pula, koefisien lintas C nilainya sebesar 0,6851 dapat diintepretasikan apabila variabel X 1 dibuat konstan, maka setiap peningkatan nilai X sebesar satu simpangan baku akan meningkatkan nilai Y secara rata-rata sebasar 0,6851 simpangan baku. 15

15 Besaran C sebesar 0,013 dapat diinterpretasikan sebagai model analisis lintas tidak mampu menjelaskan pengaruh-pengaruh lain diluar pengaruh variabel bebas yang dibakukan Z 1 dan Z sebesar 0,013 atau sebesar,13%. Dengan kata lain, pengaruh sisa yang tidak dapat dijelaskan oleh model adalah sebesar 0,013 atau,13%. Hal ini berarti model analisis lintas mampu menjelaskan total keragaman dalam Y sebesar 1 - C = 1 0,013 = 0,9787 atau 97,87%. Bandingkan hasil ini dengan R = 0,9787 dalam persamaan regresi [6.1] yang ternyata adalah sama. Pengaruh langsung dan tidak langsung dari setiap variabel bebas dalam model ditunjukkan dalam Tabel 6.8 di bawah ini. Tabel 6.8 Hasil Analisis Lintas dari Model Dua Peubah Bebas Variabel bebas Pengaruh Pengaruh Pengaruh yang dibakukan langsung tidak langsung total Z 1 0,5741 0,1565 0,7306 Z 0,6851 0,1386 0,8163 Diagram lintas untuk model hubungan kausal untuk persamaan [6.11] ditunjukkan dalam gambar di bawah ini. Z 1 C 1 = 0,5741 Y r 14 = 0,86 C = 0,1459 C = - 0,6851 (E) = isa Z Diagram Lintas untuk Model Regresi dengan Dua Variabel Bebas Dari uraian tersebut di atas, tentang analisis lintas yang didapatkan tampak bahwa informasi yang diperoleh berdasarkan analisis lintas lebih komprehensif, di mana selain mampu menjelaskan pengaruh langsung dan tidak langsung dari suatu variabel bebas X i terhadap variabel respons Y, juga dapat dipergunakan sebagai landasan pemilihan model regresi "terbaik" dalam pengertian bahwa variabel-variabel bebas X yang tidak berperanan penting dalam model dapat dikeluarkan dari model. Dengan demikian akan diperoleh persamaan regresi "terbaik" yang hanya terdiri dari variabelvariabel bebas X penting yang dapat menjelaskan variabel bebas Y. Tampak dari uraian di atas, bahwa persamaan regresi yang dibangun berdasarkan informasi dari analisis lintas, di mana persamaan regresi yang diterangkan dari dua variabel hasil eliminasi, ternyata memiliki keandalan yang lebih tinggi dan secara teoritik jauh lebih baik daripada persamaan regresi yang terdiri dari empat variabel bebas asal. 153

16 Ingat bahwa dalam persamaan regresi dengan empat variabel bebas X, tidak ada satupun koefisien regresi yang nyata secara statistika, sedangkan dalam persamaan regresi yang terdiri dari dua variabel bebas X yang telah dieliminasi memiliki koefisien regresi yang nyata secara statistika. Dalam hal ini, dapat ditunjukkan bahwa seleksi variabel untuk menghasilkan persamaan regresi terbaik berdasarkan informasi dari analisis lintas ternyata memiliki tingkat ketepatan yang sama dengan analisis regresi bertatar (stepwise regression) dalam memirlih persamaan regresi terbaik. Berdasarkan analisis regrasi bertatar (stepwise regression) juga diperoleh bahwa persamaan regresi terbaik adalah persamaan regresi yang terdiri dari dua variabel X 1 dan X. Analisis regresi bertatar dengan menggunakan bantuan komputer memberikan hasil seperti yang ditunjukkan berikut ini. Hasil Analisis Regresi Judul: Analisis Path Banyaknya sampel: 13 Jumlah variabels: 5 Tabel 6.9 Pemilihan Persamaan Terbaik Berdasarkan Regresi Bertatar Indeks Variabel Rata-rata td. deviasi 1 X 1 7,4615 5,84 X 48, , X 3 11,769 6, X 4 30, ,738 Variabel terikat Y 95,431 15,0437 F to enter = 3; F to remove = 3; dan Tolerance = 0,001 tep 1. Variabel X 4 dalam persamaan Tabel 6.10 Hasil Analisis Regresi Koefisien tandar t-stat Variabel Peluang regresi error (DB = 10) X 4-0,738 0,1546,799 0,00058 Const. 117,5679 td. error Y. = 8,9639 Koef. Deterninasi (R = ) = 0,6745 R terkoreksi = 0,67 Mutiple R = 0,9893. Tabel 6.11 Analisis Ragam Regresi K JK DB KT F-Hit pf Regression 1831, ,896,799 5,76 E -04 Residual 883, ,3515 Total 715,

17 Tabel 6.1 Variabel yang Tidak Ada dalam Persamaan Name R parsial Tolerance F to enter Peluang F X 1 0,9154 0, ,4 1,105 E -06 X 0,0170 0,0534 0,17 0,6867 X 3 0,811 0, ,95 8,375 E -05 tep. Variabel X 1 dimasukan setelah X 4 Tabel 6.13 Hasil Analisis Regresi Koefisien tandar t-stat R Variabel Peluang regresi error (DB = 1) parsial X 1 1,4400 0, ,4 0,000 0,9154 X 4-0,6140 0, ,95 0,0000 0,9409 Const. 103,0974 td. error Y. =,7343 Koef. Deterninasi (R = ) = 0,975 R terkoreksi = 0,965 Mutiple R = 0,8986. Tabel 6.14 Analisis Keragaman Regresi K JK DB KT F-Hit pf Regression 641, , ,67 1,581 E-08 Residual 74, ,476 Total 715, Tabel 6.15 Variabel yang Tidak Ada dalam Persamaan Name R parsial Tolerance F to enter Prob X 0,3583 0,053 5,06 0,0517 X 3 0,300 0,891 4,36 0,0697 tep 3 Variabel X yang dimasukan setelah X 4 dan X 1 Tabel 6.16 Hasil Analisis Regresi Variabel Koefisien tandar t-stat R Peluang regresi error (DB = 1,9) parsial X 1 1,4519 0, ,008 0,0000 0,9448 X 0,4161 0,1856 5,06 0,5169 0,3583 X 4-0,365 0,1733 1,863 0,0540 0,1715 Const. 71,64834 td. error Y. =,3087 Koef. Deterninasi (R = ) = 0,983 R terkoreksi = 0,9764 Mutiple R = 0,

18 Tabel 6.17 Hasil Analisis Varians K JK DB KT F-Hit pf Regression 667, , ,83 3,33 E-08 Residual 47, ,3303 Total 715, Tabel 6.18 Variabel yang Tidak Ada dalam Persamaan Name Parsial r Tolerance F to enter Prob X 3 0,003 0,013 0,018 0,8959 tep 4 Variabel X dikeluarkan Tabel 6.19 Variabel Hasil Analisis Regresi Koefisien regresi tandar error F Hitung (DB = 1,9) Peluang R parsial X 1 1,4683 0, ,53 0,0000 0,9361 X 0,663 0, ,58 0,0000 0,9543 Const. 5,5773 td. error Y. =,4063 Koef. Deterninasi (R = ) = 0,9787 R terkoreksi = 0,9744 Mutiple R = 0,9893. Tabel 6.0 Hasil Analisis Varians ource un of squares D.F Mean of squares F ratio Prob Regression 657, ,993 9,504 4,407 E-09 Residual 57, ,7904 Total 715, Tabel 6.1 Variabel yang Tidak Ada dalam Persamaan Name Parsial r Tolerance F to enter Prob X 3 0,1691 0,3183 1,83 0,089 X 4 0,1715 0,058 1,863 0,

BAB III METODE TRIMMING PADA ANALISIS JALUR

BAB III METODE TRIMMING PADA ANALISIS JALUR 36 BAB III METODE TRIMMING PADA ANALISIS JALUR 3.1 Analisis Jalur Analisis jalur yang dikenal sebagai path analysis dikembangkan pertama tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright (Riduwan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. penjelasan tentang pola hubungan (model) antara dua variabel atau lebih.. Dalam

BAB 2 TINJAUAN TEORITIS. penjelasan tentang pola hubungan (model) antara dua variabel atau lebih.. Dalam BAB 2 TINJAUAN TEORITIS 21 Pengertian Regresi Linier Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih

Lebih terperinci

APLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com

APLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com APLIKASI REGRESI SEDERHANA DENGAN SPSS HENDRY admin teorionline.net Phone : 02-834 4694 / email : klik.statistik@gmail.com Tentang Regresi Sederhana Analisis regresi merupakan salah satu teknik analisis

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Untuk menguji apakah alat ukur (instrument) yang digunakan memenuhi

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Untuk menguji apakah alat ukur (instrument) yang digunakan memenuhi BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil uji itas dan Reliabilitas Untuk menguji apakah alat ukur (instrument) yang digunakan memenuhi syarat-syarat alat ukur yang baik, sehingga mengahasilkan

Lebih terperinci

REGRESI LINEAR SEDERHANA

REGRESI LINEAR SEDERHANA REGRESI LINEAR SEDERHANA DAN KORELASI 1. Model Regresi Linear 2. Penaksir Kuadrat Terkecil 3. Prediksi Nilai Respons 4. Inferensi Untuk Parameter-parameter Regresi 5. Kecocokan Model Regresi 6. Korelasi

Lebih terperinci

PENGENDALIAN VARIABEL PENGGANGGU / CONFOUNDING DENGAN ANALISIS KOVARIANS Oleh : Atik Mawarni

PENGENDALIAN VARIABEL PENGGANGGU / CONFOUNDING DENGAN ANALISIS KOVARIANS Oleh : Atik Mawarni PENGENDALIAN VARIABEL PENGGANGGU / CONFOUNDING DENGAN ANALISIS KOVARIANS Oleh : Atik Mawarni Pendahuluan Dalam seluruh langkah penelitian, seorang peneliti perlu menjaga sebaik-baiknya agar hubungan yang

Lebih terperinci

BAB II. REGRESI LINIER SEDERHANA

BAB II. REGRESI LINIER SEDERHANA .1 Pendahuluan BAB II. REGRESI LINIER SEDERHANA Gejala-gejala alam dan akibat atau faktor yang ditimbulkannya dapat diukur atau dinyatakan dengan dua kategori yaitu fakta atau data yang bersifat kuantitatif

Lebih terperinci

BAB X. CONTOH APLIKASI ANALISIS REGRESI

BAB X. CONTOH APLIKASI ANALISIS REGRESI 0. Pendahuluan BAB X. CONTOH APLIKASI ANALISIS REGRESI Data dari suatu kelompok peternak pemelihara sapi ingin mengetahui keberhasilan pemeliharaan ternak sapinya yang didasarkan pada berat bibit awal

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN BAB IV HASIL DAN PEMBAHASAN 4.1. Uji Instrumen Data Validitas menunjukkan sejauh mana alat pengukur yang dipergunakan untuk mengukur apa yang diukur. Adapun caranya adalah dengan mengkorelasikan antara

Lebih terperinci

MODUL REGRESI LINIER SEDERHANA

MODUL REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Tujuan Praktikum: Membantu mahasiswa memahami materi Pegambilan keputusan dari suatu kasus dengan menggunakan kaidah dan persamaan I. Pendahuluan Di dalam analisa ekonomi

Lebih terperinci

BAB 1 PENDAHULUAN. Energi sangat berperan penting bagi masyarakat dalam menjalani kehidupan sehari-hari dan

BAB 1 PENDAHULUAN. Energi sangat berperan penting bagi masyarakat dalam menjalani kehidupan sehari-hari dan BAB 1 PENDAHULUAN 1.1 Latar Belakang Energi sangat berperan penting bagi masyarakat dalam menjalani kehidupan sehari-hari dan sangat berperan dalam proses pembangunan. Oleh sebab itu peningkatan serta

Lebih terperinci

KORELASI DAN REGRESI LINIER SEDERHANA

KORELASI DAN REGRESI LINIER SEDERHANA KORELASI DAN REGRESI LINIER SEDERHANA 1. Pendahuluan Istilah "regresi" pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki

Lebih terperinci

METODE PENELITIAN. bulan, sejak bulan Oktober 2007 sampai dengan bulan April 2008. Tabel 1 Jadwal Penelitian Tahapan

METODE PENELITIAN. bulan, sejak bulan Oktober 2007 sampai dengan bulan April 2008. Tabel 1 Jadwal Penelitian Tahapan 14 BAB III METODE PENELITIAN A. Tempat dan Waktu Penelitian 1. Tempat Penelitian Tempat pelaksanaan penelitian ini adalah di SMK Negeri 1 Ngawen Kabupaten Gunungkidul.. Waktu Penelitian Aktivitas penelitian

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BB 3 METODE PENELITIN 3.1 Desain/Kerangka Penelitian Berdasarkan dari uraian latar belakang, perumusan masalah, dan teori-teori yang telah dijelaskan sebelumnya, maka kerangka pemikiran dari penelitian

Lebih terperinci

Analisis Ragam & Rancangan Acak Lengkap Statistik (MAM 4137)

Analisis Ragam & Rancangan Acak Lengkap Statistik (MAM 4137) 10th Meeting Analisis Ragam & Rancangan Acak Lengkap Statistik (MAM 4137) by Ledhyane I.H Tujuan Instruksional Khusus Mahasiswa akan dapat menggunakan rangkaian prosedur percobaan dengan menggunakan analisis

Lebih terperinci

BAB III METODOLOGI PENELITIAN. A. Definisi konseptual, Operasional dan Pengukuran Variabel

BAB III METODOLOGI PENELITIAN. A. Definisi konseptual, Operasional dan Pengukuran Variabel BAB III METODOLOGI PENELITIAN A. Definisi konseptual, Operasional dan Pengukuran Variabel 1. Definisi Konseptual Menurut teori teori yang di uraikan tersebut diatas dapat disimpulkan bahwa yang dimaksud

Lebih terperinci

PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA

PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 26 34 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA NADIA UTIKA PUTRI, MAIYASTRI, HAZMIRA

Lebih terperinci

PENENTUAN UKURAN SAMPEL MEMAKAI RUMUS SLOVIN DAN TABEL KREJCIE-MORGAN: TELAAH KONSEP DAN APLIKASINYA. Oleh: Nugraha Setiawan

PENENTUAN UKURAN SAMPEL MEMAKAI RUMUS SLOVIN DAN TABEL KREJCIE-MORGAN: TELAAH KONSEP DAN APLIKASINYA. Oleh: Nugraha Setiawan PENENTUAN UKURAN SAMPEL MEMAKAI RUMUS SLOVIN DAN TABEL KREJCIE-MORGAN: TELAAH KONSEP DAN APLIKASINYA Oleh: Nugraha Setiawan FAKULTAS PETERNAKAN UNIVERSITAS PADJADJARAN November 007 Penentuan Ukuran Sampel

Lebih terperinci

PENERAPAN ANALISIS FAKTOR KONFIRMATORI STRUCTURAL EQUATION MODELING PADA MODEL HUBUNGAN KEBIASAAN MEROKOK DAN TEKANAN DARAH

PENERAPAN ANALISIS FAKTOR KONFIRMATORI STRUCTURAL EQUATION MODELING PADA MODEL HUBUNGAN KEBIASAAN MEROKOK DAN TEKANAN DARAH Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 34 43 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN ANALISIS FAKTOR KONFIRMATORI STRUCTURAL EQUATION MODELING PADA MODEL HUBUNGAN KEBIASAAN MEROKOK

Lebih terperinci

PERBANDINGAN ANALISIS VARIANSI DENGAN ANALISIS KOVARIANSI DALAM RANCANGAN PETAK-PETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK DENGAN DATA HILANG

PERBANDINGAN ANALISIS VARIANSI DENGAN ANALISIS KOVARIANSI DALAM RANCANGAN PETAK-PETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK DENGAN DATA HILANG PERBANDINGAN ANALISIS VARIANSI DENGAN ANALISIS KOVARIANSI DALAM RANCANGAN PETAKPETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK DENGAN DATA HILANG Sri Wahyuningsih R 1, Anisa 2, Raupong ABSTRAK Analisis variansi

Lebih terperinci

UJI ASUMSI KLASIK DENGAN SPSS 16.0. Disusun oleh: Andryan Setyadharma

UJI ASUMSI KLASIK DENGAN SPSS 16.0. Disusun oleh: Andryan Setyadharma UJI ASUMSI KLASIK DENGAN SPSS 16.0 Disusun oleh: Andryan Setyadharma FAKULTAS EKONOMI UNIVERSITAS NEGERI SEMARANG 2010 1. MENGAPA UJI ASUMSI KLASIK PENTING? Model regresi linier berganda (multiple regression)

Lebih terperinci

PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI

PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI Disusun Oleh: NANDANG FAHMI JALALUDIN MALIK NIM. J2E 009

Lebih terperinci

BAB V HASIL PENELITIAN

BAB V HASIL PENELITIAN 1 BAB V HASIL PENELITIAN 5.1 Statistik Deskriptif Penelitian ini menggunakan perusahaan yang terdaftar di Bursa Efek Indonesia, baik perusahaan dibidang keuangan maupun bidang non-keuangan sebagai sampel

Lebih terperinci

Hubungan Linier Jumlah Penduduk Yang Bekerja dengan Belanja Langsung

Hubungan Linier Jumlah Penduduk Yang Bekerja dengan Belanja Langsung 139 LAMPIRAN 2 Hubungan Linier Jumlah Penduduk Yang Bekerja dengan Belanja Langsung Dependent Variable: Belanja Langsung Linear.274 19.584 1 52.000 57.441.239 The independent variable is Jumlah penduduk

Lebih terperinci

REGRESI LINIER OLEH: JONATHAN SARWONO

REGRESI LINIER OLEH: JONATHAN SARWONO REGRESI LINIER OLEH: JONATHAN SARWONO 1.1 Pengertian Apa yang dimaksud dengan regresi linier? Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir Francis Galton dimana yang bersangkutan

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari

BAB 2 LANDASAN TEORI. Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari BAB 2 LANDASAN TEORI 21 Analisis Komponen Utama 211 Pengantar Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari tulisan Karl Pearson pada tahun 1901 untuk peubah non-stokastik Analisis

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Objek Penelitian Menurut Arikunto (2010:162), objek merupakan variabel penelitian. Objek penelitian terdiri dari objek variabel dan objek lokasi. Objek variabel dalam penelitian

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1 Desain Penelitian Tabel 3.1 Desain Penelitian Tujuan Desain Penelitian Penelitian Jenis dan Metode Unit Analisis Time Horizon Penelitian T-1 Asosiatif/survey Organisasi-Departemen

Lebih terperinci

PATH ANALYSIS & STRUCTURAL EQUATION MODEL. Liche Seniati Sem. Ganjil 2009/2010 Program Magister Profesi F.Psi.UI

PATH ANALYSIS & STRUCTURAL EQUATION MODEL. Liche Seniati Sem. Ganjil 2009/2010 Program Magister Profesi F.Psi.UI PATH ANALYSIS & STRUCTURAL EQUATION MODEL Liche Seniati Sem. Ganjil 2009/2010 Program Magister Profesi F.Psi.UI PATH ANALYSIS (Path Analysis) : merupakan suatu metode analisis untuk melihat hubungan antara

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. A. Hasil Uji Asumsi. Sebelum melakukan analisis dengan menggunakan analisis regresi,

BAB IV HASIL DAN PEMBAHASAN. A. Hasil Uji Asumsi. Sebelum melakukan analisis dengan menggunakan analisis regresi, BAB IV HASIL DAN PEMBAHASAN A. Hasil Uji Asumsi Sebelum melakukan analisis dengan menggunakan analisis regresi, terlebih dahulu perlu dilakukan uji asumsi terhadap data penelitian. Uji asumsi yang dilakukan

Lebih terperinci

ANOVA SATU ARAH Nucke Widowati Kusumo Projo, S.Si, M.Sc

ANOVA SATU ARAH Nucke Widowati Kusumo Projo, S.Si, M.Sc ANOVA SATU ARAH Nucke Widowati Kusumo Proo, S.Si, M.Sc It s about: Ui rata-rata untuk lebih dari dua populasi Ui perbandingan ganda (ui Duncan & Tukey) Output SPSS PENDAHULUAN Ui hipotesis yang sudah kita

Lebih terperinci

DAFTAR ISI. BAB I PENDAHULUAN... 1 1.1 Latar Belakang Masalah... 1 1.2 Rumusan Masalah. 8 1.3 Tujuan Penelitian.. 8 1.4 Mamfaat Penelitian...

DAFTAR ISI. BAB I PENDAHULUAN... 1 1.1 Latar Belakang Masalah... 1 1.2 Rumusan Masalah. 8 1.3 Tujuan Penelitian.. 8 1.4 Mamfaat Penelitian... DAFTAR ISI Halaman SAMPUL DALAM... i PRASYARAT GELAR... ii LEMBAR PERSETUJUAN... iii PENETAPAN PANITIA PENGUJI... iv PERNYATAN ORISINALITAS... v UCAPAN TERIMAKASIH... vi ABSTRAK... ix ABSTRACT... x DAFTAR

Lebih terperinci

PENGARUH JAM PELAJARAN KOSONG TERHADAP KENAKALAN PESERTA DIDIK DI SMAN 1 REJOTANGAN TAHUN 2013 Oleh : Supriadi Guru SMAN 1 Rejotangan

PENGARUH JAM PELAJARAN KOSONG TERHADAP KENAKALAN PESERTA DIDIK DI SMAN 1 REJOTANGAN TAHUN 2013 Oleh : Supriadi Guru SMAN 1 Rejotangan PENGARUH JAM PELAJARAN KOSONG TERHADAP KENAKALAN PESERTA DIDIK DI SMAN 1 REJOTANGAN TAHUN 2013 Oleh : Supriadi Guru SMAN 1 Rejotangan ABSTRAK. Penelitian ini bertujuan untuk menjelaskan besarnya pengaruh

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. data yang telah diperolah dari penelitian yang telah dilakukan pada 95

BAB IV HASIL DAN PEMBAHASAN. data yang telah diperolah dari penelitian yang telah dilakukan pada 95 BAB IV HASIL DAN PEMBAHASAN 4.1 Gambaran Umum Responden Dalam gambaran umum mengenai responden ini akan disajikan data yang telah diperolah dari penelitian yang telah dilakukan pada 95 orang responden.

Lebih terperinci

Universitas Negeri Malang E-mail: livia.mat09@gmail.com

Universitas Negeri Malang E-mail: livia.mat09@gmail.com 1 APLIKASI ANALISIS REGRESI KOMPONEN UTAMA TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI PENYAKIT DIABETES MELLITUS (Studi Kasus di Puskesmas Tempeh Kab. Lumajang) Universitas Negeri Malang E-mail: livia.mat09@gmail.com

Lebih terperinci

Analisis Korelasi dan Regresi Sederhana

Analisis Korelasi dan Regresi Sederhana Analisis Korelasi dan Regresi Sederhana Pada minggu ini akan dipelajari : Menghitung Korelasi Melakukan Analisis Regresi Sederhana Pemeriksaan Asumsi dalam Analisis Regresi Untuk melakukan kegiatan pada

Lebih terperinci

BAB III METODE PENELITIAN. 3.1. Definisi Operasional dan Pengukuran variabel. variabel atau konstrak dengan cara memberikan arti atau menspesifikasi

BAB III METODE PENELITIAN. 3.1. Definisi Operasional dan Pengukuran variabel. variabel atau konstrak dengan cara memberikan arti atau menspesifikasi BAB III METODE PENELITIAN 3.1. Definisi Operasional dan Pengukuran variabel Definisi operasional adalah definisi yang diberikan kepada suatu variabel atau konstrak dengan cara memberikan arti atau menspesifikasi

Lebih terperinci

BAB III METODOLOGI PENELITIAN. 3.1 Definisi Operasional dan Pengukuran Variabel

BAB III METODOLOGI PENELITIAN. 3.1 Definisi Operasional dan Pengukuran Variabel BAB III METODOLOGI PENELITIAN 3.1 Definisi Operasional dan Pengukuran Variabel 3.1.1 Definisi Konseptual Kepemimpinan merupakan salah satu faktor penting dalam menentukan keberhasilan kinerja organisasi

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Metode memiliki arti suatu jalan yang dilalui untuk mencapai tujuan.1 Sedangkan penelitian diartikan sebagai suatu proses pengumpulan dan analisis data yang dilakukan secara sistematis

Lebih terperinci

Sumber: Husein Umar (2004), Metode Riset Ilmu Administrasi, Pt Gramedia Pustaka Utama, Jakarta. Ali Rokhman

Sumber: Husein Umar (2004), Metode Riset Ilmu Administrasi, Pt Gramedia Pustaka Utama, Jakarta. Ali Rokhman Sumber: Husein Umar (2004), Metode Riset Ilmu Administrasi, Pt Gramedia Pustaka Utama, Jakarta Ali Rokhman Konsep analisa data Prinsip umum analisa data Langkah umum analisa data Pedoman pemakaian metode

Lebih terperinci

SEBARAN PENARIKAN CONTOH

SEBARAN PENARIKAN CONTOH STATISTIK (MAM 4137) SEBARAN PENARIKAN CONTOH Ledhyane Ika Harlyan 2 Outline Sebaran Penarikan Contoh Sebaran Penarikan Contoh Bagi Nilai Tengah Sebaran t Sebaran Penarikan contoh bagi beda dua mean Parameter

Lebih terperinci

BAB 6 PEMBAHASAN. 6.1 Pengembangan Model Penilaian Kinerja berdasarkan DP3 ditinjau dari

BAB 6 PEMBAHASAN. 6.1 Pengembangan Model Penilaian Kinerja berdasarkan DP3 ditinjau dari 69 BAB 6 PEMBAHASAN 6.1 Pengembangan Model Penilaian Kinerja berdasarkan DP3 ditinjau dari Sudut Metode Penjumlahan Variabel dengan Pendekatan Linier Berganda Berdasarkan tabel.4 di atas, diketahui bahwa

Lebih terperinci

Hitung Perataan Kuadrat Terkecil (Least Squares Adjustment)

Hitung Perataan Kuadrat Terkecil (Least Squares Adjustment) Hitung Perataan Kuadrat Terkecil (Least Squares Adjustment) Metoda Kuadrat Terkecil adalah salah satu metoda yang paling populer dalam menyelesaikan masalah hitung perataan. Aplikasi pertama perataan kuadrat

Lebih terperinci

UJI CHI KUADRAT (χ²)

UJI CHI KUADRAT (χ²) UJI CHI KUADRAT (χ²) 1. Pendahuluan Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara frekuensi observasi/yg benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi 1.1 Pengertian

Lebih terperinci

GET FILE='D:\albert\data47 OK.sav'. DESCRIPTIVES VARIABLES=TOperAC seperac /STATISTICS=MEAN STDDEV MIN MAX. Descriptive Statistics

GET FILE='D:\albert\data47 OK.sav'. DESCRIPTIVES VARIABLES=TOperAC seperac /STATISTICS=MEAN STDDEV MIN MAX. Descriptive Statistics GET FILE='D:\albert\data47 OK.sav'. DESCRIPTIVES VARIABLES=TOperAC seperac /STATISTICS=MEAN STDDEV MIN MAX. Descriptive Statistics N Minimum Maximum Mean Std. Deviation TOperAC 47 988.47 2376.52 1802.6366

Lebih terperinci

CONTOH DATA YANG DIANALISIS DENGAN ANAVA SATU JALUR CONTOH DATA YANG DIANALISIS DENGAN ANAVA DUA JALUR

CONTOH DATA YANG DIANALISIS DENGAN ANAVA SATU JALUR CONTOH DATA YANG DIANALISIS DENGAN ANAVA DUA JALUR CONTOH DATA YANG DIANALISIS DENGAN ANAVA SATU JALUR Data Sampel I Data Sampel II Data Sampel III 5 4 7 9 8 5 9 4 6 CONTOH DATA YANG DIANALISIS DENGAN ANAVA DUA JALUR Kategori Data Sampel I Data Sampel

Lebih terperinci

BAB III DIAGRAM SEBAB AKKIBAT (ISHIKAWA DIAGRAM) Diagram sebab akibat dikembangkan oleh Dr. Kaoru Ishikawa pada tahun

BAB III DIAGRAM SEBAB AKKIBAT (ISHIKAWA DIAGRAM) Diagram sebab akibat dikembangkan oleh Dr. Kaoru Ishikawa pada tahun BAB III DIAGRAM SEBAB AKKIBAT (ISHIKAWA DIAGRAM) Diagram sebab akibat dikembangkan oleh Dr. Kaoru Ishikawa pada tahun 1943 sehingga sering disebut diagram Ishikawa. Diagram sebab akibat menggambarkan garis

Lebih terperinci

Jenis Jenis--jenis jenis fungsi dan fungsi linier Hafidh Munawir

Jenis Jenis--jenis jenis fungsi dan fungsi linier Hafidh Munawir Jenis-jenis fungsi dan fungsi linier Hafidh Munawir Diskripsi Mata Kuliah Memperkenalkan unsur-unsur fungsi ialah variabel bebas dan variabel terikat, koefisien, dan konstanta, yang saling berkaitan satu

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Belanja Daerah tahun sekarang pada kabupaten/kota di propinsi Sumatera Utara

BAB IV HASIL DAN PEMBAHASAN. Belanja Daerah tahun sekarang pada kabupaten/kota di propinsi Sumatera Utara 42 BAB IV HASIL DAN PEMBAHASAN Penelitian ini menganalisis pengaruh DAU dan PAD tahun lalu terhadap Belanja Daerah tahun sekarang pada kabupaten/kota di propinsi Sumatera Utara tahun 2006 2008. Alat analisis

Lebih terperinci

BAB IV ANALISIS DATA. dengan menggunakan bantuan program SPSS, sebagaimana telah diketahui

BAB IV ANALISIS DATA. dengan menggunakan bantuan program SPSS, sebagaimana telah diketahui BAB IV ANALISIS DATA A. Pengujian Hipotesis Sebelum menjabarkan tentang analisis data dalam bentuk perhitungan dengan menggunakan bantuan program SPSS, sebagaimana telah diketahui hipotesapenelitian sebagai

Lebih terperinci

DAFTAR ISI. x xi xii xiii DAFTAR ISI... xiv DAFTAR TABEL... xvi DAFTAR GAMBAR... xviii DAFTAR LAMPIRAN... xix

DAFTAR ISI. x xi xii xiii DAFTAR ISI... xiv DAFTAR TABEL... xvi DAFTAR GAMBAR... xviii DAFTAR LAMPIRAN... xix DAFTAR ISI LEMBAR JUDUL...... i LEMBAR PERNYATAAN...... ii ABSTRAK...... iii RINGKASAN EKSEKUTIF...... iv LEMBAR PENGESAHAN...... RIWAYAT HIDUP PENULIS...... LEMBAR PERSEMBAHAN...... KATA PENGANTAR......

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Teori dan Fungsi Produksi Produksi sering diartikan sebagai penciptaan guna, yaitu kemampuan barang dan jasa untuk memenuhi kebutuhan manusia.produksi dalam hal ini mencakup

Lebih terperinci

PENGARUH PENERAPAN PRINSIP GOOD CORPORATE GOVERNANCE TERHADAP KINERJA PERUSAHAAN PADA PT KERETA API (PERSERO) DIVISI REGIONAL III SUMATERA SELATAN

PENGARUH PENERAPAN PRINSIP GOOD CORPORATE GOVERNANCE TERHADAP KINERJA PERUSAHAAN PADA PT KERETA API (PERSERO) DIVISI REGIONAL III SUMATERA SELATAN PENGARUH PENERAPAN PRINSIP GOOD CORPORATE GOVERNANCE TERHADAP KINERJA PERUSAHAAN PADA PT KERETA API (PERSERO) DIVISI REGIONAL III SUMATERA SELATAN Yoni Fetri Suci (chi3nthaa@yahoo.com) Siti Khairani (siti.khairani@mdp.ac.id)

Lebih terperinci

FAKTOR-FAKTOR YANG MEMENGARUHI LUAS PENGUNGKAPAN SUKARELA PADA LAPORAN TAHUNAN PERUSAHAAN DI BURSA EFEK INDONESIA. Skripsi

FAKTOR-FAKTOR YANG MEMENGARUHI LUAS PENGUNGKAPAN SUKARELA PADA LAPORAN TAHUNAN PERUSAHAAN DI BURSA EFEK INDONESIA. Skripsi FAKTOR-FAKTOR YANG MEMENGARUHI LUAS PENGUNGKAPAN SUKARELA PADA LAPORAN TAHUNAN PERUSAHAAN DI BURSA EFEK INDONESIA Skripsi Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Ekonomi (S1) Pada

Lebih terperinci

Wahyu Setyawan. Pendahuluan. Lisensi Dokumen: Abstrak. Wahyu.gtx21@gmail.com http://wahyu-setyawan.blogspot.com

Wahyu Setyawan. Pendahuluan. Lisensi Dokumen: Abstrak. Wahyu.gtx21@gmail.com http://wahyu-setyawan.blogspot.com Uji Korelasi Wahyu Setyawan Wahyu.gtx1@gmail.com http://wahyu-setyawan.blogspot.com Lisensi Dokumen: m Seluruh dokumen di StatistikaPendidikan.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas

Lebih terperinci

BAB I PENGANTAR MATEMATIKA EKONOMI

BAB I PENGANTAR MATEMATIKA EKONOMI BAB I PENGANTAR MATEMATIKA EKONOMI 1.1 Matematika Ekonomi Aktivitas ekonomi merupakan bagian dari kehidupan manusia ribuan tahun yang lalu. Kata economics berasal dari kata Yunani klasik yang artinya household

Lebih terperinci

Analysis Of Variance(Anova) week 12. I Ketut Resika Arthana, S.T., M.Kom resika.arthana@gmail.com http://www.rey1024.com

Analysis Of Variance(Anova) week 12. I Ketut Resika Arthana, S.T., M.Kom resika.arthana@gmail.com http://www.rey1024.com Analysis Of Variance(Anova) week 12 Universitas Pendidikan Ganesha I Ketut Resika Arthana, S.T., M.Kom resika.arthana@gmail.com http://www.rey1024.com 1 Pendahuluan Uji perbedaan dua rata-rata menggunakan

Lebih terperinci

Kata kunci : harga saham, volume perdagangan, ukuran perusahaan, bid ask spread.

Kata kunci : harga saham, volume perdagangan, ukuran perusahaan, bid ask spread. PENGARUH HARGA SAHAM, VOLUME PERDAGANGAN DAN UKURAN PERUSAHAAN TERHADAP BID-ASK SPREAD PADA PERUSAHAAN FOOD AND BEVERAGE YANG TERDAFTAR DI BURSA EFEK INDONESIA Viri Anggraini (virianggraini@ymail.com)

Lebih terperinci

PENGARUH LABA AKUNTANSI DAN KOMPONEN ARUS KAS TERHADAP RETURN SAHAM PADA PERUSAHAAN MANUFAKTUR YANG TERDAFTAR DI BURSA EFEK INDONESIA

PENGARUH LABA AKUNTANSI DAN KOMPONEN ARUS KAS TERHADAP RETURN SAHAM PADA PERUSAHAAN MANUFAKTUR YANG TERDAFTAR DI BURSA EFEK INDONESIA PENGARUH LABA AKUNTANSI DAN KOMPONEN ARUS KAS TERHADAP RETURN SAHAM PADA PERUSAHAAN MANUFAKTUR YANG TERDAFTAR DI BURSA EFEK INDONESIA Satria Pratama (satriapratama582@gmail.com) Dinnul Alfian Akbar (dinnul_alfian_akbar@yahoo.com)

Lebih terperinci

PENGARUH PERTUMBUHAN DANA PIHAK KETIGA DAN AKTIVA PRODUKTIF TERHADAP NET INTEREST MARGIN PADA BANK PEMERINTAH RANGKUMAN SKRIPSI

PENGARUH PERTUMBUHAN DANA PIHAK KETIGA DAN AKTIVA PRODUKTIF TERHADAP NET INTEREST MARGIN PADA BANK PEMERINTAH RANGKUMAN SKRIPSI PENGARUH PERTUMBUHAN DANA PIHAK KETIGA DAN AKTIVA PRODUKTIF TERHADAP NET INTEREST MARGIN PADA BANK PEMERINTAH RANGKUMAN SKRIPSI Oleh : ADITYA RAHMAN HAKIM 2005210181 SEKOLAH TINGGI ILMU EKONOMI PERBANAS

Lebih terperinci

Cara Pemeriksaan Kolesterol Total, kolesterol-hdl, Kolesterol-LDL dan. mutu dengan menggunakan serum kontrol yang nilainya normal dan abnormal.

Cara Pemeriksaan Kolesterol Total, kolesterol-hdl, Kolesterol-LDL dan. mutu dengan menggunakan serum kontrol yang nilainya normal dan abnormal. Lampiran 1 Cara Pemeriksaan Kolesterol Total, kolesterol-hdl, Kolesterol-LDL dan Trigliserida Sebelum dilakukan pemeriksaan, alat dan reagen dilakukan pengendalian mutu dengan menggunakan serum kontrol

Lebih terperinci

Outline 0 PENDAHULUAN 0 TAHAPAN PENGEMBANGAN MODEL 0 SISTEM ASUMSI 0 PENDEKATAN SISTEM

Outline 0 PENDAHULUAN 0 TAHAPAN PENGEMBANGAN MODEL 0 SISTEM ASUMSI 0 PENDEKATAN SISTEM Outline 0 PENDAHULUAN 0 TAHAPAN PENGEMBANGAN MODEL 0 SISTEM ASUMSI 0 PENDEKATAN SISTEM Pendahuluan 0 Salah satu dasar utama untuk mengembangkan model adalah guna menemukan peubah-peubah apa yang penting

Lebih terperinci

Analisis Pengaruh Kualitas Pelayanan Terhadap Kepuasan Nasabah Kredit (Studi kasus BPR Arthaguna Sejahtera)

Analisis Pengaruh Kualitas Pelayanan Terhadap Kepuasan Nasabah Kredit (Studi kasus BPR Arthaguna Sejahtera) Analisis Pengaruh Kualitas Pelayanan Terhadap Kepuasan Nasabah Kredit (Studi kasus BPR Arthaguna Sejahtera) 1 Ferry Yudhy I., SE 2 DR. E. Susy Suhendra 1 Pasca Sarjana Manajemen Perbankan Universitas Gunadarma

Lebih terperinci

Pengaruh UMP, Ekspor, dan Kurs Dollar Terhadap Investasi Asing Langsung di Indonesia Periode 2007-2012

Pengaruh UMP, Ekspor, dan Kurs Dollar Terhadap Investasi Asing Langsung di Indonesia Periode 2007-2012 Pengaruh UMP, Ekspor, dan Kurs Dollar Terhadap Investasi Asing Langsung di Indonesia Periode 2007-2012 Frederica (fredericakwang@gmail.com) Ratna Juwita (ratna@stie-mdp.ac.id) Jurusan Manajemen STIE MDP

Lebih terperinci

1 ANGKET PERSEPSI SISWA TERH

1 ANGKET PERSEPSI SISWA TERH 48 Lampian ANGKET PERSEPSI SISWA TERHADAP PERANAN ORANG TUA DAN MINAT BELAJAR DALAM PENINGKATAN HASIL BELAJAR BIOLOGI SISWA KELAS XI IPA SMA NEGERI 8 MEDAN Nama : Kelas : A. Petunjuk Pengisian. Bacalah

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERGERAKAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DI BURSA EFEK INDONESIA

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERGERAKAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DI BURSA EFEK INDONESIA ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERGERAKAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DI BURSA EFEK INDONESIA Deddy Azhar Mauliano Email : deddy_azharm@yahoo.com Jurusan Manajemen, Fakultas Ekonomi, Universitas

Lebih terperinci

Pengaruh Inflasi Dan Tingkat Suku Bunga Terhadap Return Saham PT Indofood Sukses Makmur Tbk

Pengaruh Inflasi Dan Tingkat Suku Bunga Terhadap Return Saham PT Indofood Sukses Makmur Tbk Pengaruh Inflasi Dan Tingkat Suku Bunga Terhadap Return Saham PT Indofood Sukses Makmur Tbk Erni Indah Sari (erni.is.01@gmail.com) Ervita Safitri (ervitasafitri@gmail.com) Ratna Juwita (ratnaj@stmik-mdp.net)

Lebih terperinci

BAB 9 PENGGUNAAN STATISTIK NON-PARAMETRIK DALAM PENELITIAN

BAB 9 PENGGUNAAN STATISTIK NON-PARAMETRIK DALAM PENELITIAN BAB 9 PENGGUNAAN STATISTIK NON-PARAMETRIK DALAM PENELITIAN Istilah nonparametrik pertama kali digunakan oleh Wolfowitz, pada tahun 94. Metode statistik nonparametrik merupakan metode statistik yang dapat

Lebih terperinci

BAB V ANALISIS DAN PEMBAHASAN. 5.1.1. Analisis Validitas dan Reliabilitas Instrumen. a. Analisis Uji Validitas Instrumen

BAB V ANALISIS DAN PEMBAHASAN. 5.1.1. Analisis Validitas dan Reliabilitas Instrumen. a. Analisis Uji Validitas Instrumen kategori cukup yaitu pada interval 50-57 dengan nilai rata-rata 55. BAB V ANALISIS DAN PEMBAHASAN Berdasarkan data yang penulis peroleh selama mengadakan penelitian, maka pada bab ini akan dianalisa dengan

Lebih terperinci

Halaman Persembahan. Sebuah karya tulis ini saya persembahkan untuk:

Halaman Persembahan. Sebuah karya tulis ini saya persembahkan untuk: MOTTO Sesungguhnya sesudah kesulitan itu ada kemudahan. Maka, apabila kamu telah selesai (dari sesuatu urusan) kerjakanlah dengan sungguh-sungguh (urusan) yang lain dan hanya kepada Tuhan-mulah hendaknya

Lebih terperinci

Analisis Input-Output dengan Microsoft Office Excel

Analisis Input-Output dengan Microsoft Office Excel Analisis Input-Output dengan Microsoft Office Excel Junaidi, Junaidi (Staf Pengajar Fakultas Ekonomi dan Bisnis Universitas Jambi) Tulisan ini membahas simulasi/latihan analisis Input-Output (I-O) dengan

Lebih terperinci

PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION

PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION 1 Tanty Citrasari Wijayanti (1307100024) 2 Setiawan (19601030 198701 1 001) 1 Mahasiswa

Lebih terperinci

BAB III METODE PENELITIAN. Dalam upaya pelaksanaan penelitian, maka peneliti melakukannya pada :

BAB III METODE PENELITIAN. Dalam upaya pelaksanaan penelitian, maka peneliti melakukannya pada : 38 BAB III METODE PENELITIAN A. Tempat dan Waktu Penelitian Dalam upaya pelaksanaan penelitian, maka peneliti melakukannya pada : 1. Tempat Penelitian Guna memperoleh data yang diperlukan dalam penulisan

Lebih terperinci

Sebelum pembahasan tentang invers matriks lebih lanjut, kita bahas dahulu beberapa pengertian-pengertian berikut ini.

Sebelum pembahasan tentang invers matriks lebih lanjut, kita bahas dahulu beberapa pengertian-pengertian berikut ini. . INVERS MTRIKS Sebelum pembahasan tentang invers matriks lebih lanjut, kita bahas dahulu beberapa pengertian-pengertian berikut ini. a. RNK MTRIKS Matriks tak nol dikatakan mempunyai rank r jika paling

Lebih terperinci

PERAN INVESTASI INDUSTRI TERHADAP PENYERAPAN TENAGA KERJA SEKTOR INDUSTRI DI INDONESIA

PERAN INVESTASI INDUSTRI TERHADAP PENYERAPAN TENAGA KERJA SEKTOR INDUSTRI DI INDONESIA PERAN INVESTASI INDUSTRI TERHADAP PENYERAPAN TENAGA KERJA SEKTOR INDUSTRI DI INDONESIA Fitri Handayani Staf Badan Pusat Statistik Indonesia Jl. Dr. Sutomo 6-8 Jakarta, 10710 Indonesia, Telp (021) 3841195,

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN A. Lokasi Penelitian Yang menjadi obyek dalam peneitian ini adalah Bait Maal Wa Tamwil (BMT Ikhlasul Amal Indramayu). Penelitian ini dilakukan di BMT Ikhlasul Amal Indramayu

Lebih terperinci

PENGARUH LINGKUNGAN KERJA DAN MOTIVASI TERHADAP PRODUKTIVITAS KERJA KARYAWAN PT BANK RAKYAT INDONESIA (PERSERO) TBK CABANG JEMBER

PENGARUH LINGKUNGAN KERJA DAN MOTIVASI TERHADAP PRODUKTIVITAS KERJA KARYAWAN PT BANK RAKYAT INDONESIA (PERSERO) TBK CABANG JEMBER PENGARUH LINGKUNGAN KERJA DAN MOTIVASI TERHADAP PRODUKTIVITAS KERJA KARYAWAN PT BANK RAKYAT INDONESIA (PERSERO) TBK CABANG JEMBER THE INFLUENCE OF WORK ENVIRONMENT AND MOTIVATION TOWARD TO THE WORK PRODUKTIVITY

Lebih terperinci

Angket Uji Coba Instrumen Data Hasil Uji Coba instrumen

Angket Uji Coba Instrumen Data Hasil Uji Coba instrumen Angket Uji Coba Instrumen Data Hasil Uji Coba instrumen A. Angket Uji Coba Instrumen Penelitian PENGARUH KONSEP DIRI, PRAKTEK INDUSTRI DAN INFORMASI DUNIA KERJA TERHADAP KESIAPAN KERJA SISWA KELAS XII

Lebih terperinci

BABAK PENYISIHAN SELEKSI TINGKAT PROVINSI BIDANG KOMPETISI

BABAK PENYISIHAN SELEKSI TINGKAT PROVINSI BIDANG KOMPETISI LAMPIRAN 5 BABAK PENYISIHAN SELEKSI TINGKAT PROVINSI BIDANG KOMPETISI Laporan 2 Pelaksanaan OSN-PERTAMINA 2012 69 Olimpiade Sains Nasional Pertamina 2012 Petunjuk : 1. Tuliskan secara lengkap Nama, Nomor

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini dilaksanakan di sekolah SMP Negeri 1 Limboto dan SMP

BAB III METODE PENELITIAN. Penelitian ini dilaksanakan di sekolah SMP Negeri 1 Limboto dan SMP 34 BAB III METODE PENELITIAN 1.1 Tempat Dan Waktu Penelitian Penelitian ini dilaksanakan di sekolah SMP Negeri 1 Limboto dan SMP Negeri 2 Limboto, Kabupaten Gorontalo Provinsi Gorontalo dengan waktu penelitian

Lebih terperinci

NASKAH PUBLIKASI. Diajukan Untuk Memenuhi sebagian Persyaratan Guna Memperoleh Gelar Sarjana Strata-1 Program Studi Pendidikan Ekonomi Akuntansi

NASKAH PUBLIKASI. Diajukan Untuk Memenuhi sebagian Persyaratan Guna Memperoleh Gelar Sarjana Strata-1 Program Studi Pendidikan Ekonomi Akuntansi KONTRIBUSI PEMBERIAN BANTUAN OPERASIONAL SEKOLAHDAN KEMAMPUAN EKONOM ORANG TUA TERHADAP HASIL BELAJAR IPS EKONOMI PADA SISWA KELAS VIII SMP N 1 SAMBIREJO TAHUN AJARAN 2012/2013 NASKAH PUBLIKASI Diajukan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. barang dan jasa untuk memenuhi kebutuhan manusia. Produksi dalam hal ini

BAB II TINJAUAN PUSTAKA. barang dan jasa untuk memenuhi kebutuhan manusia. Produksi dalam hal ini BAB II TINJAUAN PUSTAKA 2.1. Teori dan Fungsi Produksi Produksi sering diartikan sebagai penciptaan guna, yaitu kemampuan barang dan jasa untuk memenuhi kebutuhan manusia. Produksi dalam hal ini mencakup

Lebih terperinci

MATERI 5 PEMILIHAN PORTFOLIO. Prof. DR. DEDEN MULYANA, SE., M.Si.

MATERI 5 PEMILIHAN PORTFOLIO. Prof. DR. DEDEN MULYANA, SE., M.Si. MATERI 5 PEMILIHAN PORTFOLIO Prof. DR. DEDEN MULYANA, SE., M.Si. OVERVIEW 1/40 Konsep-konsep dasar dalam pembentukan portofolio optimal. Perbedaan tentang aset berisiko dan aset bebas risiko. Perbedaan

Lebih terperinci

TKS 4209 PENDAHULUAN 4/1/2015

TKS 4209 PENDAHULUAN 4/1/2015 TKS 4209 Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya PENDAHULUAN Salah satu jenis varians sistematik dalam kumpulan data hasil penelitian adalah varians antar kelompok atau disebut

Lebih terperinci

Nama Penulis pungkyrahmatika@gmail.com http:/statistikapendidikan.com. Abstrak/Ringkasan. Pendahuluan. Lisensi Dokumen:

Nama Penulis pungkyrahmatika@gmail.com http:/statistikapendidikan.com. Abstrak/Ringkasan. Pendahuluan. Lisensi Dokumen: UKURAN NILAI PUSAT DAN UKURAN DISPERSI Nama Penulis pungkyrahmatika@gmail.com http:/statistikapendidikan.com Lisensi Dokumen: Seluruh dokumen di StatistikaPendidikan.Com dapat digunakan, dimodifikasi dan

Lebih terperinci

PERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH

PERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH PERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH, Universitas Negeri Malang E-mail: die_gazeboy24@yahoo.com Abstrak: Penelitian ini bertujuan untuk mengetahui model

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Diskripsi Data Kemampuan Awal 1. Data Kemampuan Awal Prestasi Belajar Matematika Data yang digunakan kemampuan awal adalah nilai UAN keltika masuk MTs mata pelajaran

Lebih terperinci

LAMPIRAN 1 UJI COBA INSTRUMEN PENELITIAN

LAMPIRAN 1 UJI COBA INSTRUMEN PENELITIAN 83 LAMPIRAN 1 UJI COBA INSTRUMEN PENELITIAN 83 84 Nama : Kelas/No. Absen : Petunjuk Pengisian Angket: Berilah tanda check ( ) pada kolom S (Selalu), SR (Sering), J (Jarang), TP (Tidak Pernah) sesuai dengan

Lebih terperinci

TKS 4209 PENGERTIAN DASAR 4/1/2015

TKS 4209 PENGERTIAN DASAR 4/1/2015 TKS 4209 Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya PENGERTIAN DASAR FAKTOR : adalah variabel yang dikontrol oleh peneliti yang disimbolkan dengan huruf kapital (X), dan disebut

Lebih terperinci

PENGARUH ACCOUNT REPRESENTATIVE (AR) TERHADAP KEPATUHAN WAJIB PAJAK ORANG PRIBADI (KPP PRATAMA SIDOARJO UTARA)

PENGARUH ACCOUNT REPRESENTATIVE (AR) TERHADAP KEPATUHAN WAJIB PAJAK ORANG PRIBADI (KPP PRATAMA SIDOARJO UTARA) PENGARUH ACCOUNT REPRESENTATIVE (AR) TERHADAP KEPATUHAN WAJIB PAJAK ORANG PRIBADI (KPP PRATAMA SIDOARJO UTARA) Febri Alfiansyah Universitas Negeri Surabaya E-mail: febri_alfiansyah@rocketmail.com Abstract

Lebih terperinci

PENGARUH PERTUMBUHAN AKTIVA PRODUKTIF DAN DANA PIHAK KETIGA PADA KINERJA OPERASIONAL LEMBAGA PERKREDITAN DESA DI KABUPATEN TABANAN

PENGARUH PERTUMBUHAN AKTIVA PRODUKTIF DAN DANA PIHAK KETIGA PADA KINERJA OPERASIONAL LEMBAGA PERKREDITAN DESA DI KABUPATEN TABANAN PENGARUH PERTUMBUHAN AKTIVA PRODUKTIF DAN DANA PIHAK KETIGA PADA KINERJA OPERASIONAL LEMBAGA PERKREDITAN DESA DI KABUPATEN TABANAN Gerianta Wirawan Yasa dan I Gusti Ngurah Dody Setyawan Fakultas Ekonomi,

Lebih terperinci

BAB III METODOLOGI PENELITIAN. mengambil lokasi di Matahari Department Store Mall Ratu Indah. Waktu yang

BAB III METODOLOGI PENELITIAN. mengambil lokasi di Matahari Department Store Mall Ratu Indah. Waktu yang 57 BAB III METODOLOGI PENELITIAN 3.1 LOKASI DAN WAKTU PENELITIAN Lokasi penelitian merupakan suatu tempat atau wilayah dimana penelitian tersebut akan dilakukan. Adapun penelitian yang dilakukan oleh penulis

Lebih terperinci

LAMPIRAN Statistics Umur

LAMPIRAN Statistics Umur LAMPIRAN Statistics Umur Pendidikan Pekerjaan Kolesterol Kalsium Natrium IMT N Valid 212 212 212 212 212 212 212 Missing 0 0 0 0 0 0 0 Mean 49.06 3.71 4.61 128.70 290.70 294.91 26.660 Std. Deviation 2.939

Lebih terperinci

Asumsi-asumsi dalam Inferensi Statistika

Asumsi-asumsi dalam Inferensi Statistika Asumsi-asumsi dalam Inferensi Statistika Saifuddin Azwar Berbeda dari statistika nonparametrik yang disebut dengan distribution-free statistics atau disebut juga statistika sampel kecil, statistika parametrik

Lebih terperinci

Model Matematika dari Sistem Dinamis

Model Matematika dari Sistem Dinamis Model Matematika dari Sistem Dinamis September 2012 () Model Matematika dari Sistem Dinamis September 2012 1 / 60 Pendahuluan Untuk analisis dan desain sistem kontrol, sistem sis harus dibuat model sisnya.

Lebih terperinci

PENGARUH PEMBERIAN KOMPENSASI DAN MOTIVASI KERJA TERHADAP KINERJA KARYAWAN PT. EKADHARMA INTERNATIONAL Tbk. Oleh: Nurdin*

PENGARUH PEMBERIAN KOMPENSASI DAN MOTIVASI KERJA TERHADAP KINERJA KARYAWAN PT. EKADHARMA INTERNATIONAL Tbk. Oleh: Nurdin* PENGARUH PEMBERIAN KOMPENSASI DAN MOTIVASI KERJA TERHADAP KINERJA KARYAWAN PT. EKADHARMA INTERNATIONAL Tbk. Oleh: Nurdin* ABSTRAK Penelitian ini bertujuan untuk mengetahui seberapa besar pengaruh pemberian

Lebih terperinci

ANALISIS EFISIENSI, SKALA DAN ELASTISITAS PRODUKSI DENGAN PENDEKATAN COBB-DOUGLAS DAN REGRESI BERGANDA

ANALISIS EFISIENSI, SKALA DAN ELASTISITAS PRODUKSI DENGAN PENDEKATAN COBB-DOUGLAS DAN REGRESI BERGANDA ANALISIS EFISIENSI, SKALA DAN ELASTISITAS PRODUKSI DENGAN PENDEKATAN COBB-DOUGLAS DAN REGRESI BERGANDA Yuliastuti Ramadhani Teknik Industri, Fakultas Teknologi Industri Institut Sains & Teknologi AKPRIND,

Lebih terperinci

VARIABEL BEBAS DAN VARIABEL TERIKAT. Oleh : Amin Budiamin

VARIABEL BEBAS DAN VARIABEL TERIKAT. Oleh : Amin Budiamin VARIABEL BEBAS DAN VARIABEL TERIKAT Oleh : Amin Budiamin Capter 12 Mendesain dan Mengevaluasi Variabel Bebas Cepter 13 Mendesain atau Memilih Variabel Terikat Mendesain dan Mengevaluasi Variabel Bebas

Lebih terperinci

PENGARUH KUALITAS PELAYANAN JASA TERHADAP KEPUASAN PELANGGAN PADA CV HASPARI PALEMBANG

PENGARUH KUALITAS PELAYANAN JASA TERHADAP KEPUASAN PELANGGAN PADA CV HASPARI PALEMBANG PENGARUH KUALITAS PELAYANAN JASA TERHADAP KEPUASAN PELANGGAN PADA CV HASPARI PALEMBANG Dibyantoro Nani Cesimariani Politeknik Negeri Sriwijaya Palembang Abstract The object of this final report is to find

Lebih terperinci

PENGARUH KUALITAS PRODUK DAN KUALITAS PELAYANAN JASA FOTO COPY TERHADAP TINGKAT KEPUASAN KONSUMEN FE UPI Y.A.I

PENGARUH KUALITAS PRODUK DAN KUALITAS PELAYANAN JASA FOTO COPY TERHADAP TINGKAT KEPUASAN KONSUMEN FE UPI Y.A.I PENGARUH KUALITAS PRODUK DAN KUALITAS PELAYANAN JASA FOTO COPY TERHADAP TINGKAT KEPUASAN KONSUMEN FE UPI Y.A.I Siti Aisyah Manajemen, Fakultas Ekonomi Universitas Persada Indonesia Y.A.I, Jakarta email:

Lebih terperinci