BAB 4 HASIL DAN PEMBAHASAN
|
|
- Utami Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 4 HASIL DAN PEMBAHASAN Dalam bagian hasil dan pembahasan ini akan ditampilkan proses pengolahan data, dalam bentuk statement dalam R Language, diagram pencar, tabel-tabel dan grafik yang digunakan dalam analisis data beserta hasil dan pembahasannya Dengan memperhatikan segi efisiensi dalam penelitian ini, maka tidak semua data yang diolah akan ditampilkan tetapi hanya beberapa bagian saja yang dipilih oleh penulis yaitu data berukuran n=30 untuk 2 variabel bebas, 3 varabel bebas dan 5 variabel bebas Proses pengolahan yang tidak diuraikan dalam hasil dan pembahasan ini akan ditampilkan hasil akhir pengolahannya saja, yaitu dalam bentuk nilai standard error dan persamaan regresi yang diperoleh Proses penelitian dilakukan dengan R Language Data sampel dibangkitkan dengan fungsi rnorm (random number) yang merupakan bilangan acak yang memiliki sebaran normal baku, default dari rnorm adalah standar deviasi = 1, mean = 0 dan memiliki rentang nilai dari -3 sampai 3 Fungsi runif (random uniform) digunakan untuk membantu memperbesar nilai dari fungsi rnorm 41 Proses Pengolahan Data Dalam bagian ini akan ditampilkan sebagian dari proses pengolahan data beserta hasil-hasil dari proses yang ditampilkan Proses pengolahan data disajikan dalam bentuk diagram-diagram dan gambar-gambar yang menunjukkan bahwa data yang dibangkitkan memenuhi asumsi pendugaan untuk regresi linier 35
2 36 berganda, kemudian dilanjutkan dengan pengolahan data menggunakan metode kuadrat terkecil, metode bootstrap pairs dan metode bootstrap residual 411 Proses Pengolahan Data untuk Sampel n=30 dengan 2 Variabel Bebas Berikut ini akan ditampilkan tahapan-tahapan dalam proses pengolahan data untuk sampel berukuran n=30 dengan 2 variabel bebas 4111 Pembangkitan Data untuk Sampel n=30 dengan 2 Variabel Bebas Data akan dibangkitkan dengan R Languge Statement yang digunakan untuk membangkitkan data dalam R Language adalah sebagai berikut > library(stats) > n=30 > setseed(12343) > x=10*runif(n) > setseed(12344) > x1=15*runif(n)+x+rnorm(n) > setseed(12345) > x2=20*runif(n)+x+rnorm(n) > setseed(12347) > y=x+x1+x2+rnorm(n) > dataentry(y,x1,x2) Hasil pembangkitan data disajikan dalam tabel 41 :
3 37 Tabel 41 Hasil Pembangkitan Data untuk Sampel n=30 dengan 2 Variabel Bebas Keterangan : y menunjukkan variabel tak bebas, x1 menunjukkan variabel bebas pertama, x2 menunjukkan variabel bebas kedua
4 Matrik Korelasi untuk Sampel n=30 dengan 2 Variabel Bebas Dari data yang sudah dibangkitkan akan diperlihatkan gambaran dalam bentuk diagram pencar Diagram pencar digunakan untuk mengetahui validitas asumsi dari pendugaan regresi linier berganda Pertama-tama akan diperlihatkan matrik korelasi, untuk melihat apakah ada hubungan antar variabel Matrik korelasi diperoleh dengan statement R Language sebagai berikut : > library (base) > matx=matrix(c(x1,x2),ncol=2) > round(cor(matx),4) Hasil pengolahan dengan R Language menunjukkan hasil sebagai berikut: [x1] [x2] [x1] [x2] Dari matrix korelasi terlihat bahwa korelasi antar x1 dengan x2 sebesar dan nilai ini dianggap sangat kecil sehingga dapat ditafsirkan bahwa tidak ada korelasi atau menunjukkan tidak terjadi multikolinieritasantar variabel x Untuk lebih jelasnya, akan ditampilkan hubungan antara variabel x1 dan x2 dengan diagram pencar yang disajikan pada gambar berikut > op <- par(mfrow = c(1,1), pty = "s") > plot(x1,x2)
5 39 Gambar 41 Diagram Pencar (Scatter Plot) x1 dengan x2 Dari gambar tersebut diatas terlihat bahwa tidak ada hubungan antara variabel x1 dengan x2 Berdasarkan besaran koefisien korelasi dan diagram pencar menunjukkan bahwa asumsi dalam regresi linier berganda yang memerlukan tidak terjadi multikolinieritas dapat dipenuhi dari data yang telah dibangkitkan 4113 Koefisien Korelasi Linier untuk Sampel n=30 dengan 2 Variabel Bebas Proses berikutnya akan menunjukkan koefisien korelasi linier antar variabel y dengan variabel x Dalam R Language dihasilkan dengan statement sebagai berikut > op <- par(mfrow = c(1,2), pty = "s") > plot(x1,y) > plot(x2,y)
6 40 Hasil yang diperoleh ditunjukkan oleh gambar 42 Gambar 42 Diagram Pencar Antara Data Y dengan Data X Dari gambar menunjukkan hubungan yang linier dan korelasi positif yang tinggi antara kedua variabel Sehingga memenuhi asumsi pendugaan untuk regresi linier berganda 4114 Metode Kuadrat Terkecil untuk Sampel n=30 dengan 2 Variabel Bebas Dari data yang telah dibangkitkan, data akan diolah dengan menggunakan metode kuadrat terkecil Statement dalam R Language adalah sebagai berikut : > library(stats) > reg=lm(y~x1+x2) > reg > summary(reg) > ytopi=reg$fit > residual=reg$res > dataentry(y,x1,x2,ytopi,residual)
7 41 Hasil pengolahan data ditunjukkan pada tabel 42 Tabel 42 Hasil pengolahan Data dengan Metode Kuadrat Terkecil dari Sampel n=30 dengan 2 Variavel Bebas Keterangan : ytopi menunjukkan y estimasi (Ŷ) residual menunjukkan selisih antara y dengan y estimasi
8 42 Dengan menggunakan metode kuadrat terkecil diperoleh Persamaan regresi : Ŷ = X X 2 Nilai standard error : 2522 Dari hasil yang diperoleh dengan metode kuadrat terkecil, akan ditunjukkan korelasi antara y estimasi dengan nilai residual Statement dalam R Language adalah sebagai berikut : > library(graphics) > op <- par(mfrow = c(1,1), pty = "s") > plot(ytopi,residual) Dihasilkan gambar dalam bentuk diagram pencar seperti dalam gambar 43 : Gambar 43 Diagram Pencar Ŷ dengan Residual Dari gambar terlihat bahwa nilai penyimpangan (residual) tidak dipengaruhi oleh besarnya nilai y estimasi, yang berarti bahwa persamaan regresi yang dihasilkan memenuhi asumsi untuk persamaan regresi linier
9 43 berganda(homoskedastisitas) Dengan perkataan lain, besarnya nilai penyimpangan sama untuk setiap nilai pendugaan variabel tak bebas 4115 Distribusi untuk Sampel n=30 dengan 2 Variabel Bebas Untuk mengetahui bentuk distribusi maka akan ditunjukkan bentuk distribusi dari nilai residual dari persamaan regresi yang telah dihasilkan Statement dalam R Language untuk memeperoleh gambar distribusi nilai residual adalah > library(graphics) > res=reg$res > plot(density(res)) Hasil yang diperoleh ditunjukkan oleh gambar 44 : Gambar 44 Bentuk Distribusi Residual Regresi dengan 2 Variabel Bebas
10 44 Gambar 44 menunjukkan kurva normal yang berbentuk genta yang mempunyai arti bahwa data yang dibangkitkan mampunyai distribusi normal atau menyebar secara normal 4116 Metode Bootstrap Pairs untuk Sampel n=30 dengan 2 Variabel Bebas Selanjutnya akan dilakukan pengolahan data dengan menggunakan metode bootstrap pairs statement berikut ini digunakan untuk mengolah data dengan bootstrap pairs dalam R Language > ybaru<-0 > setseed(i+123) > ybaru[i]=y[sample(n,rep=t)] > x1baru<-0 > setseed(i+123) > x1baru[i]=x1[sample(n,rep=t)] > x2baru<-0 > setseed(i+123) > x2baru[i]=x2[sample(n,rep=t)] > regbaru=lm(ybaru~x1baru+x2baru) > regbaru > residual=regbaru$res > residualboot<-0 > setseed(i+123) > residualboot[i]=residual[sample(1000,rep=t)] > sdror=sd(residualboot) > sdror > dataentry(ybaru,x1baru,x2baru)
11 45 Data yang diolah dengan menggunakan metode bootstrap pairs akan menghasilkan nilai-nilai baru berukuran n=1000 Dalam tabel 43 berikut ini akan ditampilkan sebagian dari hasil pengolahan data Tabel 43 Sebagian Hasil Pengolahan Data dengan Metode Bootstrap Pairs dari Sampel n=30 dengan 2 Variabel Bebas
12 46 Keterangan : ybaru menunjukkan nilai y yang diperoleh setelah dilakukan proses bootstrap pairs 1000 kali x1baru menunjukkan nilai x1 yang diperoleh setelah dilakukan proses bootstrap pairs 1000 kali x2baru menunjukkan nilai x2 yang diperoleh setelah dilakukan proses bootstrap pairs 1000 kali Sebagai contoh dari hasil pengolahan data dengan menggunakan metode bootstrap pairs, terlihat bahwa sampel no1 terpilih kembali sebagai sampel no999, sampel no2 terpilih kembali sebagai sampel no509 dan sampel no3 terplilih kembali sebagai sampel no997 Hal ini menjelaskan inti dari metode bootstrap pairs untuk model regresi yaitu sampling dengan pengembalian dengan probabilitas terpilih yang sama untuk setiap n dan proses bootstrap dilakukan secara berpasangan untuk semua variabel Dari hasil pengolahan data dengan metode bootstrap pairs diperoleh persamaan regresi yaitu Ŷ = X X 2 dan nilai standard error yang dihasilkan adalah Metode Bootstrap Residual untuk Sampel n=30 dengan 2 Variabel Bebas Hasil pengolahan data dengan menggunakan metode bootstrap residual ditunjukkan dalam tabel 44 dengan statement dalam R Language sebagai berikut > ytopi=reg$fit > residual=reg$res
13 47 > ytopibaru<-0 > setseed(i+123) > ytopibaru[i]=ytopi[sample(n,rep=t)] > residualboot<-0 > setseed(i+110) > residualboot[i]=residual[sample(n,rep=t)] > x1baru<-0 > setseed(i+123) > x1baru[i]=x1[sample(n,rep=t)] > x2baru<-0 > setseed(i+124) > x2baru[i]=x2[sample(n,rep=t)] > ybarures=ytopibaru+residualboot > regbaru=lm(ybarures~x1baru+x2baru) > regbaru > meanrb=mean(residualboot) > resboot=residualboot-meanrb > sderror=sd(resboot) > sderror > dataentry(x1baru,x2baru,ytopibaru,residualboot,ybaru)
14 48 Tabel 44 Sebagian Hasil Pengolahan Data dengan Metode Bootstrap Residual dari Sampel n=30 dengan 2 Variabel Bebas Keterangan : x1baru menunjukkan nilai x1 setelah dilakukan proses bootstrap 1000 kali
15 49 x2baru menunjukkan nilai x2 setelah dilakukan proses bootstrap 1000 kali ytopibaru menunjukkan nilai y estimasi setelah dilakukan proses bootstrap 1000 kali residualboot menunjukkan nilai residual setelah dilakukan proses bootstrap 1000 kali ybaru menunjukkan nilai y yang baru untuk prosedur bootstrap residual Dari hasil pengolahan data dengan metode bootstrap residual terlihat bahwa untuk data x1baru, data no1 terpilih kembali sebagai data no508, data no2 terpilih kembali sebagai data no504 dan 996, sedangkan untuk data x2baru terlihat bahwa data no1 terpilih kembali sebagai data no995 Hal ini menjelaskan metode bootstrap residual untuk model regresi yaitu sampling dengan pengembalian dengan probabilitas terpilih yang sama untuk setiap n Dari hasil pengolahan data dengan metode bootstrap residual diperoleh persamaan regresi yaitu Ŷ = X X 2 dan nilai standar error yang dihasilkan adalah Proses Pengolahan Data untuk Sampel n=30 dengan 3 Variabel Bebas Proses pengolahan data yang dilakukan untuk data sampel berukuran n=30 dengan 3 variabel bebas sama dengan proses-proses yang dilakukan untuk data sampel berukuran n=30 dengan 2 variabel bebas dan bentuk pembahasannya
16 50 pun sama, sehingga untuk pembahasan-pembahasan yang sudah dijelaskan sebelumnya tidak dilakukan penjelasan lebih lanjut 4121 Pembangkitan Data untuk Sampel n=30 dengan 3 Variabel Bebas Statement dalam R Language untuk membangkitkan data sejumlah n=30 dengan 3 variabel bebas adalah sebagai berikut : > library(stats) > n=30 > setseed(12343) > x=10*runif(n) > setseed(12344) > x1=15*runif(n)+x+rnorm(n) > setseed(12345) > x2=20*runif(n)+x+rnorm(n) > setseed(12346) > x3=35*runif(n)+x+rnorm(n) > setseed(12347) > y=x+x1+x2+x3+rnorm(n) > dataentry(y,x1,x2,x3) Hasil pembangkitan data ditunjukkan dalam tabel 45 :
17 51 Tabel 45 Hasil Pembangkitan Data untuk Sampel n=30 dengan 3 Variabel Bebas Keterangan : y menunjukkan variabel tak bebas, x1 menunjukkan variabel bebas pertama, x2 menunjukkan variabel bebas kedua x3 menunjukkan variabel bebas ketiga
18 Matrik Korelasi untuk Sampel n=30 dengan 3 Variabel Bebas Matrik korelasi dihasilkan dengan statement berikut ini > library (base) > matx=matrix(c(x1,x2,x3),ncol=3) > round(cor(matx),4) Hasil yang diperoleh adalah sebagai berikut : [x1] [x2] x3] [x1] [x2] [x3] Matrik korelasi diatas menunjukkan bahwa korelasi antar peubah bebas dari data yang diperoleh relatif kecil, sehingga antar variabel bebas dapat dianggap tidak memiliki hubungan (tidak multikolinieritas) Hubungan antara variabel x ditunjukkan pada gambar 45 > op <- par(mfrow = c(1,3), pty = "s") > plot(x1,x2) > plot(x1,x3) > plot(x2,x3) Gambar 45 Diagram Pencar Antar variabel X
19 Koefisien Korelasi Linier untuk Sampel n=30 dengan 3 Variabel Bebas Koefisien korelasi linier dihasilkan oleh statement berikut ini dan ditunjukkan oleh gambar dibawahnya > op <- par(mfrow = c(1,3), pty = "s") > plot(x1,y) > plot(x2,y) > plot(x3,y) Gambar 46 Diagram Pencar Antara Data Y dan Data X 4124 Metode Kuadrat Terkecil untuk Sampel n=30 dengan 3 Variabel Bebas Statement dalam R untuk menghasilkan suatu fungsi kuadrat terkecil adalah sebagai berikut > library(stats) > reg=lm(y~x1+x2+x3) > reg > summary(reg) > ytopi=reg$fit > residual=reg$res > dataentry(y,x1,x2,x3,ytopi,residual) Hasil pengolahan data ditunjukkan pada tabel 46 :
20 54 Tabel 46 Hasil pengolahan Data dengan Metode Kuadrat Terkecil dari Sampel n=30 dengan 3 Variavel Bebas Keterangan : ytopi menunjukkan y estimasi (Ŷ) residual menunjukkan selisih antara y dengan y estimasi
21 55 Dengan menggunakan metode kuadrat terkecil diperoleh Persamaan regresi : Ŷ = X X X 3 Nilai standard error : 2351 Dari hasil yang diperoleh dengan metode kuadrat terkecil, akan ditunjukkan korelasi antara y estimasi dengan residual Statement dalam R Language adalah sebagai berikut : > library(graphics) > op <- par(mfrow = c(1,1), pty = "s") > plot(ytopi,residual) Gambar 47 Diagram Pencar Ŷ dengan Residual 4125 Distribusi Residual Regresi untuk Sampel n=30 dengan 3 Variabel Bebas Untuk mengetahui bentuk distribusi maka akan ditunjukkan bentuk distribusi dari nilai residual dari persamaan regresi yang telah dihasilkan Statement dalam R Language untuk memperoleh gambar distribusi nilai residual adalah
22 56 > library(graphics) > res=reg$res > plot(density(res)) Diperoleh gambar sebagai berikut : Gambar 48 Distribusi Residual Regresi Dengan 3 Variabel Bebas 4126 Metode Bootstrap Pairs untuk Sampel n=30 dengan 3 Variabel Bebas Statement berikut ini digunakan untuk mengolah data dengan bootstrap pairs dalam R Language > ybaru<-0 > setseed(i+123) > ybaru[i]=y[sample(n,rep=t)] > x1baru<-0 > setseed(i+123) > x1baru[i]=x1[sample(n,rep=t)]
23 57 > x2baru<-0 > setseed(i+123) > x2baru[i]=x2[sample(n,rep=t)] > x3baru<-0 > setseed(i+123) > x3baru[i]=x3[sample(n,rep=t)] > regbaru=lm(ybaru~x1baru+x2baru) > regbaru > residual=regbaru$res > residualboot<-0 > setseed(i+123) > residualboot[i]=residual[sample(1000,rep=t)] > sdror=sd(residualboot) > sdror > dataentry(ybaru,x1baru,x2baru,x3baru) Hasil pengolahan data akan ditunjukkan dalam tabel 57 :
24 58 Tabel 47 Sebagian Hasil Pengolahan Data dengan Metode Bootstrap Pairs dari Sampel n=30 dengan 3 Variabel Bebas Keterangan : ybaru menunjukkan nilai y setelah dilakukan proses bootstrap pairs 1000 kali
25 59 x1baru,x2baru,x3baru menunjukkan nilai x1,x2 dan x3 setelah dilakukan proses bootstrap pairs 1000 kali Dari hasil pengolahan data dengan metode bootstrap pairs diperoleh persamaan regresi yaitu Ŷ = X X X 3 dan nilai standar error yang dihasilkan adalah Metode Bootstrap Residual untuk Sampel n=30 dengan 3 Variabel Bebas Hasil pengolahan data dengan menggunakan metode bootstrap residual diperoleh dengan statement dalam R Language sebagai berikut > ytopi=reg$fit > residual=reg$res > ytopibaru<-0 > setseed(i+123) > ytopibaru[i]=ytopi[sample(n,rep=t)] > residualboot<-0 > setseed(i+110) > residualboot[i]=residual[sample(n,rep=t)] > x1baru<-0 > setseed(i+123) > x1baru[i]=x1[sample(n,rep=t)] > x2baru<-0 > setseed(i+124) > x2baru[i]=x2[sample(n,rep=t)] > x3baru<-0 > setseed(i+125) > x3baru[i]=x3[sample(n,rep=t)]
26 60 > ybarures=ytopibaru+residualboot > regbaru=lm(ybarures~x1baru+x2baru) > regbaru > meanrb=mean(residualboot) > resboot=residualboot-meanrb > sderror=sd(resboot) > sderror > dataentry(x1baru,x2baru,x3baru,ytopibaru,residualboot,ybaru) Hasil pengolahan data ditampilkan dalam tabel 48
27 61 Tabel 48 Sebagian Hasil Pengolahan Data dengan Metode Bootstrap Residual dari Sampel n=30 dengan 3 Variabel Bebas Keterangan : x1baru,x2baru,x3baru menunjukkan nilai x1,x2 dan x3 setelah dilakukan proses bootstrap 1000 kali
28 62 ytopibaru menunjukkan nilai y estimasi setelah dilakukan proses bootstrap 1000 kali residualboot menunjukkan nilai residual setelah dilakukan proses bootstrap 1000 kali ybaru menunjukkan nilai y yang baru untuk prosedur bootstrap residual Dari hasil pengolahan data dengan metode bootstrap residual diperoleh persamaan regresi yaitu Ŷ = X X X 3 dan nilai standar error yang dihasilkan adalah Proses Pengolahan Data untuk Sampel n=30 dengan 5 Variabel Bebas Proses pengolahan data yang dilakukan untuk data sampel berukuran n=30 dengan 5 variabel bebas sama dengan proses-proses yang dilakukan untuk data sampel sebelumnya begitu pula bentuk pembahasannya, sehingga untuk pembahasan-pembahasan yang sudah dijelaskan sebelumnya tidak dilakukan penjelasan lagi 4131 Pembangkitan Data untuk Sampel n=30 dengan 5 Variabel Bebas Statement dalam R Language untuk membangkitkan data sejumlah n=30 dengan 5 variabel bebas adalah sebagai berikut : > library(stats) > n=30 > setseed(12343)
29 63 > x=10*runif(n) > setseed(12344) > x1=15*runif(n)+x+rnorm(n) > setseed(12345) > x2=20*runif(n)+x+rnorm(n) > setseed(12346) > x3=35*runif(n)+x+rnorm(n) > setseed(12348) > x4=40*runif(n)+x+rnorm(n) > setseed(12349) > x5=45*runif(n)+x+rnorm(n) > setseed(12347) > y=x+x1+x2+x3+x3+x4+rnorm(n) > dataentry(y,x1,x2,x3,x4,x5) Hasil pembangkitan data ditunjukkan dalam tabel 49
30 64 Tabel 49 Hasil Pembangkitan Data untuk Sampel n=30 dengan 5 Variabel Bebas Keterangan : y menunjukkan variabel tak bebas, x1 menunjukkan variabel bebas pertama, x2 menunjukkan variabel bebas kedua
31 65 x3 menunjukkan variabel bebas ketiga x4 menunjukkan variabel bebas keempat x5 menunjukkan variabel bebas kelima 4132 Matrik Korelasi untuk Sampel n=30 dengan 5 Variabel Bebas Matrik korelasi dihasilkan dengan statement berikut ini > library (base) > matx=matrix(c(x1,x2,x3,x4,x5),ncol=5) > round(cor(matx),4) Hasil yang diperoleh adalah sebagai berikut : [x1] [x2] [x3] [x4] [x5] [x1] [x2] [x3] [x4] [x5] Hubungan antar variabel x ditunjukkan oleh diagram pencar berikut ini > op <- par(mfrow = c(2,3), pty = "s") > plot(x1,x2) > plot(x1,x3) > plot(x1,x4) > plot(x1,x5) > plot(x2,x3) > plot(x2,x4) > op <- par(mfrow = c(2,2), pty = "s") > plot(x2,x5) > plot(x3,x4) > plot(x3,x5)
32 66 > plot(x4,x5) Gambar 49 Diagram Pencar Antar variabel X
33 Koefisien Korelasi Linier untuk Sampel n=30 dengan 5 Variabel Bebas Koefisien korelasi linier untuk data dengan 5 variabel tidak dapat digambarkan karena akan terjadi hyperplane 4134 Metode Kuadrat Terkecil untuk Sampel n=30 dengan 5 Variabel Bebas Statement dalam R untuk menghasilkan suatu fungsi kuadrat terkecil adalah sebagai berikut > library(stats) > reg=lm(y~x1+x2+x3+x4+x5) > reg > summary(reg) > ytopi=reg$fit > residual=reg$res > dataentry(y,x1,x2,x3,x4,x5,ytopi,residual) Hasil pengolahan data ditunjukkan dalam tabel 410
34 68 Tabel 410 Hasil pengolahan Data dengan Metode Kuadrat Terkecil dari Sampel n=30 dengan 5 Variavel Bebas Keterangan : ytopi menunjukkan y estimasi (Ŷ) residual menunjukkan selisih antara y dengan y estimasi
35 69 Dengan menggunakan metode kuadrat terkecil diperoleh persamaan regresi Ŷ = X X X X X 5 Nilai standard error : 236 Dari hasil yang diperoleh dengan metode kuadrat terkecil, akan ditunjukkan korelasi antara y estimasi dengan residual Statement dalam R Language adalah sebagai berikut : > library(graphics) > op <- par(mfrow = c(1,1), pty = "s") > plot(ytopi,residual) Gambar 410 Diagram Pencar Ŷ dengan Residual 4135 Distribusi Residual Regresi untuk Sampel n=30 dengan 5 Variabel Bebas Untuk mengetahui bentuk distribusi maka akan ditunjukkan bentuk distribusi dari nilai residual dari persamaan regresi yang telah dihasilkan statement dalam R Language untuk memeperoleh gambar distribusi nilai residual adalah > library(graphics) > res=reg$res > plot(density(res))
36 70 Diperoleh gambar sebagai berikut : Gambar 411 Distribusi Residual Regresi Dengan 5 Variabel Bebas 4136 Metode Bootstrap Pairs untuk Sampel n=30 dengan 5 Variabel Bebas Statement berikut ini digunakan untuk mengolah data dengan bootstrap pairs dalam R Language > ybaru<-0 > setseed(i+123) > ybaru[i]=y[sample(n,rep=t)] > x1baru<-0
37 71 > setseed(i+123) > x1baru[i]=x1[sample(n,rep=t)] > x2baru<-0 > setseed(i+123) > x2baru[i]=x2[sample(n,rep=t)] > x3baru<-0 > setseed(i+123) > x3baru[i]=x3[sample(n,rep=t)] > x4baru<-0 > setseed(i+123) > x4baru[i]=x4[sample(n,rep=t)] > x5baru<-0 > setseed(i+123) > x5baru[i]=x5[sample(n,rep=t)] > regbaru=lm(ybaru~x1baru+x2baru) > regbaru > residual=regbaru$res > residualboot<-0 > setseed(i+123) > residualboot[i]=residual[sample(1000,rep=t)] > sdror=sd(residualboot) > sdror > dataentry(ybaru,x1baru,x2baru,x3baru,x4baru,x5baru) Hasil pengolahan data ditunjukkan dalam tabel 411
38 72 Tabel 411 Sebagian Hasil Pengolahan Data dengan Metode Bootstrap Pairs dari Sampel n=30 dengan 5 Variabel Bebas Keterangan : ybaru menunjukkan nilai y setelah dilakukan proses bootstrap pairs 1000 kali
39 73 x1baru, x2baru, x3baru, x4baru, x5baru menunjukkan nilai x1,x2,x3,x4,x5 setelah dilakukan proses bootstrap pairs 1000 kali Dari hasil pengolahan data dengan metode bootstrap pairs diperoleh persamaan regresi yaitu Ŷ = : X X X X X 5 dan nilai standar error yang dihasilkan adalah Metode Bootstrap Residual untuk Sampel n=30 dengan 5 Variabel Bebas Hasil pengolahan data dengan menggunakan metode bootstrap residual ditunjukkan dalam tabel 412 dengan statement dalam R Language sebagai berikut > ytopi=reg$fit > residual=reg$res > ytopibaru<-0 > setseed(i+123) > ytopibaru[i]=ytopi[sample(n,rep=t)] > residualboot<-0 > setseed(i+110) > residualboot[i]=residual[sample(n,rep=t)] > x1baru<-0 > setseed(i+123) > x1baru[i]=x1[sample(n,rep=t)]
40 74 > x2baru<-0 > setseed(i+124) > x2baru[i]=x2[sample(n,rep=t)] > x3baru<-0 > setseed(i+125) > x3baru[i]=x3[sample(n,rep=t)] > x4baru<-0 > setseed(i+126) > x4baru[i]=x4[sample(n,rep=t)] > x5baru<-0 > setseed(i+127) > x5baru[i]=x5[sample(n,rep=t)] > ybarures=ytopibaru+residualboot > regbaru=lm(ybarures~x1baru+x2baru) > regbaru > meanrb=mean(residualboot) > resboot=residualboot-meanrb > sderror=sd(resboot) > sderror > dataentry(x1baru,x2baru,x3baru,x4baru,x5baru,ytopibaru, +residualboot,ybaru)
41 75 Tabel 412 Sebagian Hasil Pengolahan Data dengan Metode Bootstrap Residual dari Sampel n=30 dengan 5 Variabel Bebas Keterangan : x1baru, x2baru, x3baru, x4baru, x5baru menunjukkan nilai x1,x2,x3,x4,x5 setelah dilakukan proses bootstrap 1000 kali
42 76 ytopibaru menunjukkan nilai y estimasi setelah dilakukan proses bootstrap 1000 kali residualboot menunjukkan nilai residual setelah dilakukan proses bootstrap 1000 kali ybaru menunjukkan nilai y yang baru untuk prosedur bootstrap residual Dari hasil pengolahan data dengan metode bootstrap residual diperoleh persamaan regresi yaitu Ŷ = X X X X X 5 dan nilai standar error yang dihasilkan adalah Hasil dan Pembahasan Dari semua data yang sudah diolah, didapatlah persamaan regresi dan standard error untuk masing-masing sampel dan masing-masing jumlah variabel Dari tabel persamaan regresi dan tabel standard error yang akan diperlihatkan dalam tabel 413 dan 414 dapat dilihat perbedaan nilai dari persamaan regresi dan nilai dari standar error yang dihasilkan oleh metode kuadrat terkecil, metode bootstrap pairs dan bootstrap residual Dari tabel standar error (tabel 414), terlihat bahwa meskipun terdapat perbedaan nilai yang dihasilkan oleh masing-masing metode, namun perbedaan nilai tersebut tidak terlalu jauh atau saling mendekati satu sama lain, meskipun
43 77 demikian tetap terlihat pola-pola yang menunjukkan bahwa nilai standar error metode yang satu lebih kecil dibandingkan metode lainnya Hasil dari persamaan regresi dan standar error yang diperoleh dengan menggunakan metode kuadrat terkecil, metode bootstrap pairs dan bootstrap residual untuk semua jumlah data dan semua variabel dapat dilihat dalam tabel 413 dan 414
44 78 Tabel 413 Hasil Persamaan Regresi Kuadrat Terkecil Bootstrap Pairs Bootstrap Residual N = 30 N = 100 N = 200 N = 500 N = 950 N = 30 N = 100 N = 200 N = 500 N = 950 N = 30 N = 100 N = 200 N = 500 N = var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5 2 var Ŷ = X X 2 3 var Ŷ = X X X 3 5 var Ŷ = X X X X X 5
45 79 2 Variabel 3 Variabel 5 variabel Kuadrat Terkecil Bootstrap Pairs Bootstrap Residual Kuadrat Terkecil Bootstrap Pairs Bootstrap Residual Kuadrat Terkecil Bootstrap Pairs Bootstrap Residual Tabel 414 Hasil Standard error N = 30 N = 100 N = N = N = ,
46 80 43 Analisis Grafik Untuk memudahkan analisis dalam membandingkan metode-metode kuadrat terkecil, bootstrap pairs dan bootstrap residual, maka nilai dari standar error yang dihasilkan akan disajikan dalam bentuk grafik seperti berikut ini : Grafik Standard Error untuk 2 Variabel Nilai Standard Error 2,55 2,5 2,45 2,4 2,35 2,3 2,25 N = 30 N = 100 N = 200 N = 500 N = 950 Kuadrat Terkecil Bootstrap Pairs Bootstrap Residual Jumlah Data (N) Gambar 412 Grafik Standar Error untuk 2 variabel bebas Grafik Standard Error untuk 3 Variabel Nilai Standard Error 2,5 2,45 2,4 2,35 2,3 2,25 2,2 2,15 2,1 2,05 2 N = 30 N = 100 N = 200 N = 500 N = 950 Kuadrat Terkecil Bootstrap Pairs Bootstrap Residual Jumlah Data (N) Gambar 413 Grafik Standar Error untuk 3 variabel bebas
47 81 Grafik Standard Error untuk 5 Variabel Nilai Standard Error 2,4 2,35 2,3 2,25 2,2 2,15 2,1 2,05 2 1,95 N = 30 N = 100 N = 200 N = 500 N = 950 Kuadrat Terkecil Bootstrap Pairs Bootstrap Residual Jumlah Data (N) Gambar 414 Grafik Standar Error untuk 5 variabel bebas Dari grafik dapat kita lihat bahwa kisaran nilai standard error untuk masing-masing metode yang menunjukkan bahwa nilai standard error untuk metode kuadrat terkecil, metode bootstrap pairs dan metode bootstrap residual saling mendekati dan tidak menunjukkan perbedaan nilai yang terlalu jauh Dapat kita lihat pula bahwa nilai standard error untuk metode bootstrap pairs dan metode bootstrap residual lebih kecil dibandingkan dengan nilai standard error metode kuadrat terkecil Selanjutnya, bila dibandingkan lagi antara metode bootstrap pairs dan metode bootstrap residual terlihat bahwa nilai standard error bootstrap residual cenderung lebih kecil dibandingkan nilai standard error metode bootstrap pairs terutama untuk data dengan ukuran n yang kecil, tetapi untuk data-data tertentu nilai standard error bootstrap pairs lebih kecil dibandingkan nilai standard error bootstrap residual
BAB 4 HASIL DAN PEMBAHASAN
31 BAB 4 HASIL DAN PEMBAHASAN 4.1 Proses Pengolahan Data Data yang akan diolah ditampilkan dalam bentuk tabel-tabel, diagram pencar, dan grafik menggunakan fitur yang tersedia oleh R Language. Kemudian
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Program studi Ganda Teknik Informatika-Statistika Skripsi Sarjana Komputer Sarjana Sains Semester ganjil 2005/2006
UNIVERSITAS BINA NUSANTARA Program studi Ganda Teknik Informatika-Statistika Skripsi Sarjana Komputer Sarjana Sains Semester ganjil 2005/2006 ANALISIS PERBANDINGAN MODEL REGRESI LINIER BERGANDA DENGAN
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Metodologi Penelitian Metodologi yang dilakukan dalam penelitian ini adalah : Riset kepustakaan Kepustakaan dilakukan dengan cara mengumpulkan informasi-informasi yang berhubungan
Lebih terperinciBAB 1 PENDAHULUAN. awal peradaban manusia. Pada awal zaman Masehi, bangsa-bangsa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengolahan informasi statistik mempunyai sejarah jauh ke belakang sejak awal peradaban manusia. Pada awal zaman Masehi, bangsa-bangsa mengumpulkan data statistik
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
25 BAB 3 METODOLOGI PENELITIAN 3.1. Analisis Permasalahan Pada regresi berganda terdapat beberapa masalah yang dapat terjadi sehingga dapat menyebabkan estimasi koefisien regresi menjadi tidak stabil.
Lebih terperinciKorelasi Bivariat dan Regresi Linier Sederhana.
Korelasi Bivariat dan Regresi Linier Sederhana Pendahuluan Dalam suatu observasi, kita sering kali mencatat dua atau lebih variabel dalam suatu individu, misalkan: dari 1 orang dicatat data tinggi dan
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika Statistika Skripsi Sarjana Program Ganda Semester Genap 2005/2006 ANALISIS PERBANDINGAN MODEL REGRESI LINEAR DENGAN METODE KUADRAT TERKECIL BIASA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 21 Bootstrap Bootstrap adalah prosedur statistika yang melakukan sampling dari sebuah populasi yang dikerjakan dengan cara resampling dari sampel (http://wwwmathsanueduau/~peter/edgtalk/edgtalk1pdf)
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan
BAB 2 LANDASAN TEORI 2.1 Defenisi Analisis Regresi dan Korelasi 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan kuatnya atau derajat hubungan linier antara dua variabel atau
Lebih terperinciAtina Ahdika. Universitas Islam Indonesia 2015
Atina Ahdika Universitas Islam Indonesia 2015 Pada materi sebelumnya, kita telah belajar tentang koefisien korelasi, yaitu suatu ukuran yang menyatakan tentang kuat tidaknya hubungan linier antara dua
Lebih terperinciBAB II LANDASAN TEORI. Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan
BAB II LANDASAN TEORI 21 Konsep Dasar Analisis Regresi Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Konsep Dasar Statistika Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang pengumpulan, pengolahan, penganalisisa, penafsiran, dan penarikan kesimpulan
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
Lebih terperinciKorelasi Linier Berganda
Korelasi Linier Berganda Analisa Korelasi Untuk mengukur "seberapa kuat" atau "derajat kedekatan yang terjadi antar variabel. Ingin mengetahui derajat kekuatan tersebut yang dinyatakan dalam koefisien
Lebih terperinciRegresi Linier Berganda
Regresi Linier Berganda Regresi Berganda Contoh Menguji hubungan linier antara variabel dependen (y) dan atau lebih variabel independen (x n ) Hubungan antara suhu warehouse dan viskositas cat dengan jumlah
Lebih terperinciRegresi Linier Sederhana dan Korelasi. Pertemuan ke 4
Regresi Linier Sederhana dan Korelasi Pertemuan ke 4 Pengertian Regresi merupakan teknik statistika yang digunakan untuk mempelajari hubungan fungsional dari satu atau beberapa variabel bebas (variabel
Lebih terperinciDAFTAR ISI. KATA PENGANTAR... i. DAFTAR ISI... iv. DAFTAR TABEL... x. DAFTAR GAMBAR... xii. DAFTAR LAMPIRAN... xiii BAB I PENDAHULUAN...
DAFTAR ISI LEMBAR JUDUL LEMBAR PENGESAHAN LEMBAR PERNYATAAN MOTTO ABSTRAK KATA PENGANTAR... i DAFTAR ISI... iv DAFTAR TABEL...... x DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiii BAB I PENDAHULUAN... 1 1.1
Lebih terperinciREGRESI LINIER BERGANDA. Debrina Puspita Andriani /
REGRESI LINIER BERGANDA 9 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id Outline 03//04 Regresi Berganda : PENGERTIAN 3 Menguji hubungan linier antara variabel dependen (y) dan
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
Lebih terperinciKORELASI LINIER BERGANDA
KORELASI LINIER BERGANDA 10 Debrina Puspita Andriani Teknik Industri Universitas Brawijaya e-mail : debrina@ub.ac.id Blog : http://debrina.lecture.ub.ac.id/ 2 Outline 3 Analisa Korelasi Untuk mengukur
Lebih terperinciBAB III METODE PENELITIAN. kerumitan. Variabel intervening dalam penelitian ini adalah sistem e-filling, sedangkan
BAB III METODE PENELITIAN 3.1 Variabel Penelitian dan Definisi Operasional Penelitian ini melibatkan lima variabel yang terdiri atas tiga variabel independen (bebas), satu variabel intervening dan satu
Lebih terperinciANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL
ANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL SKRIPSI Oleh : Prayitno Amigoro NIM. J2E 004 242 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciKORELASI LINIER BERGANDA. Debrina Puspita Andriani /
KORELASI LINIER BERGANDA 10 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline 3 Korelasi Linear Berganda Alat ukur mengenai hubungan yang terjadi antara variabel terikat
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB LANDASAN TEORI.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut dengan
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan dunia teknologi berkembang sangat pesat di dalam kehidupan
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan dunia teknologi berkembang sangat pesat di dalam kehidupan manusia. Perkembangan teknologi ini ditandai dengan ditemukannya banyak penemuan penemuan
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis korelasi adalah metode statistika yang digunakan untuk menentukan
7 BAB 2 LANDASAN TEORI 2.1 Defenisi Analisis Regresi dan Korelasi 1. Analisis korelasi adalah metode statistika yang digunakan untuk menentukan kuatnya atau derajat hubungan linier antara dua variabel
Lebih terperinciBAB 2 LANDASAN TEORI
9 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Perubahan nilai suatu variabel dapat disebabkan karena adanya perubahan pada variabel - variabel lain yang mempengaruhinya. Misalnya pada kinerja
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian mengenai faktor-faktor yang mempengaruhi realisasi KUR di wilayah perkotaan ini dilakukan di Bank Rakyat Indonesia (BRI). Bank ini dipilih
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Konsep Dasar Statistika Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, menyusun atau mengatur, menyajikan, menganalisa dan memberi interpretasi terhadap
Lebih terperinciDESKRIPSI MATA KULIAH
DESKRIPSI MATA KULIAH Nama Mata Kuliah Kode Mata Kuliah Kredit : Statistika dan Probabilitas : IF32225 : 3 SKS (3X45 menit) Deskripsi : Membahas mengenai cara-cara pengumpulan data, penganalisisan dan
Lebih terperinciMata Kuliah: Statistik Inferensial
ANALISIS REGRESI DAN KORELASI LINIER 1 OUTLINE Bagian I Statistik Induktif Metode dan Distribusi Sampling Pengertian Korelasi Sederhana Teori Pendugaan Statistik Pengujian Hipotesa Sampel Besar Uji Signifikansi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciBAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Pendekatan Penelitian Penelitian ini menggunakan pendekatan kuantitatif. Penelitian dengan pendekatan kuantitatif menekankan analisisnya pada data numerikal (angka)
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari dua bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya dan beberapa teori penunjang berisi definisi-definisi yang digunakan
Lebih terperinciBAB III METODE PENELITIAN. dan penguasaan keterampilan kognitif baik secara sendiri-sendiri atau bersama -
36 BAB III METODE PENELITIAN A. Jenis Penelitian Penelitian ini bertujuan untuk mengetahui pengaruh penguasaan konsep dan penguasaan keterampilan kognitif baik secara sendiri-sendiri atau bersama - sama
Lebih terperinciBAB 2 LANDASAN TEORI
14 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Kata regresi (regression) diperkenalkan pertama kali oleh Francis Dalton pada tahun 1886. Menurut Dalton, analisis regresi berkenaan dengan studi
Lebih terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciSTATISTIKA 2 IT
STATISTIKA 2 IT-021259 UMMU KALSUM UNIVERSITAS GUNADARMA 2016 Regresi & Korelasi Linier Regresi? Korelasi? 1. Regresi Linier Sederhana Model regresi adalah persamaan matematik yang memungkinkan dalam peramalan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. belajar kimia SMA Negeri 1 Jogonalan Kabupaten Klaten.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasil Penelitian 1. Diskripsi Data Diskripsi hasil penelitian ini didasarkan pada skor dari kuesioner yang digunakan untuk mengetahui pengaruh motivasi dan iklim
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi dan Korelasi 2.1.1 Analisis Korelasi Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat hubungan Y dan X dalam bentuk
Lebih terperinciTINJAUAN PUSTAKA. Model Regresi Linier Ganda
TINJAUAN PUSTAKA Model Regresi Linier Ganda Hubungan antara y dan X dalam model regresi linier umum adalah y = X ß + e () dengan y merupakan vektor pengamatan pada peubah respon (peubah tak bebas) berukuran
Lebih terperinciHipotesis adalah suatu pernyataan tentang parameter suatu populasi.
PERTEMUAN 9-10 PENGUJIAN HIPOTESIS Hipotesis adalah suatu pernyataan tentang parameter suatu populasi. Apa itu parameter? Parameter adalah ukuran-ukuran. Rata-rata penghasilan karyawan di kota binjai adalah
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi obyek penelitian adalah DER (debt to equity ratio),
BAB III METODE PENELITIAN 3.1 Objek Dan Waktu Penelitian 3.1.1 Objek Penelitian Adapun yang menjadi obyek penelitian adalah DER (debt to equity ratio), OPM (operating profit margin) dan Harga Saham pada
Lebih terperinciBAB lll METODE PENELITIAN
BAB lll METODE PENELITIAN A. Objek/Subyek Penelitian Obyek yang digunakan di dalam penelitian ini adalah pada Kabupaten/Kota D.I. Yogyakarta. Populasi dalam penelitian ini adalah Kabupaten/Kota D.I. Yogyakarta
Lebih terperinciPertemuan Ke-10. Teknik Analisis Regresi_M. Jainuri, M.Pd
Pertemuan Ke-0 Teknik Analisis Regresi_M Jainuri, MPd Pengertian Regresi Dalam kehidupan sehari-hari, kita dihadapkan dengan berbagai gejala yang meliputi bermacam variabel Sebagai misal : Berat badan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMABAHASAN
BAB IV HASIL PENELITIAN DAN PEMABAHASAN Bab IV ini menyajikan hasil penelitian dan pembahasan berdasarkan data yang telah diperoleh penulis di lapangan. 4.1 Gambaran Umum Responden Penelitian ini dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis regresi linier sederhana 2. Analisis regresi linier berganda. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Istilah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Pendekatan Penelitian Jenis penelitian ini adalah field research (penelitian lapangan), yaitu melakukan penelitian di lapangan untuk memperoleh data atau informasi
Lebih terperinciBAB 2. Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton,
10 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton, analisis regresi berkenaan dengan studi ketergantungan dari suatu varibel
Lebih terperinciBAB III METODOLOGI ANALISIS
BAB III METODOLOGI ANALISIS 3.1 Analisis Permasalahan Analisis metode bootsrap pada regresi logistik yang dibandingkan dengan regresi logistik biasa dapat dilakukan dengan cara menganalisis keakuratan
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN. dan profitabilitas. Struktur modal berkaitan dengan bagaimana distribusi aktiva
BAB III OBJEK DAN METODE PENELITIAN 3.1 Objek Penelitian Objek penelitian dalam penelitian ini terdiri dari struktur modal, aktivitas, dan profitabilitas. Struktur modal berkaitan dengan bagaimana distribusi
Lebih terperinciMODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
Lebih terperinciPERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM MENAKSIR PARAMETER REGRESI UNTUK MENGATASI MULTIKOLINEARITAS
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 137 146. PERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM MENAKSIR PARAMETER REGRESI UNTUK MENGATASI MULTIKOLINEARITAS
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
44 BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskripsi Data Deskripsi data hasil penelitian dimaksudkan untuk memberikan gambaran umum mengenai hasil pengolahan data yang didapat dari dua variabel dalam
Lebih terperinciBAB 2 LANDASAN TEORI. bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari
34 III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari tahun 2005-2012, yang diperoleh dari data yang dipublikasikan
Lebih terperinciBAB III METODE PENELITIAN. metode penelitian deskriptif dan verifikatif. Menurut Arikunto (2010:3)
45 BAB III METODE PENELITIAN 3.1 Desain Penelitian Untuk menyelesaikan suatu penelitian dengan baik, maka diperlukan langkah-langkah yang bertujuan untuk mendapatkan data yang diperoleh lalu mencari pemecahan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang pengetahuan,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. melalui penyebaran angket adalah melakukan perhitungan menggunakan
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Langkah selanjutnya setelah data penelitian terkumpul dari responden melalui penyebaran angket adalah melakukan perhitungan menggunakan statistik yang telah ditentukan
Lebih terperinciBab 2 LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat
Bab 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian
Lebih terperinciBAB III METODE PENELITIAN. dan sesuai dalam penelitian ini adalah metode deskriptif dan verifikatif. Menurut
48 BAB III METODE PENELITIAN 3.1. Desain Penelitian Penelitian ini merupakan jenis penelitian kuantitatif. Metode yang digunakan dan sesuai dalam penelitian ini adalah metode deskriptif dan verifikatif.
Lebih terperinciBAB V HASIL PENELITIAN
70 BAB V HASIL PENELITIAN 5.1. Analisis Deskriftif Berdasarkan hasil rekapitulasi tabulasi data variable ROA, DER, CR, EPS, Inflasi, PDB dan Harga Saham diperoleh statistik deskriftif seperti pada tabel
Lebih terperinciBAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Statistika adalah salah satu cabang ilmu matematika yang memperhitungkan probabilitas dari suatu data sampel dengan tujuan mendapatkan kesimpulan mendekati
Lebih terperincimengsumsikan tidak ada kesalahan pengukuran, validitas dapat dievaluasi dengan mengamati nilai bias dari penduganya. Bias, B ( ) dari populasi
TINJAUAN PUSTAKA Teori penarikan contoh mempunyai tujuan untuk membuat penarikan contoh menjadi lebih efisien. Teori penarikan contoh mencoba untuk mengembangkan metode pemilihan contoh dengan biaya yang
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang
13 BAB 2 LANDASAN TEORI 2.1 Analisis Regresi Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang terkenal Galton menemukan bahwa meskipun terdapat tendensi atau kecenderungan
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Kegunaan peramalan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Analisis Regresi Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang terkenal Galton menemukan bahwa meskipun terdapat tendensi atau kecenderungan bahwa
Lebih terperinciKegiatan Belajar 1 menerangkan konsep chi square. Kegiatan Belajar 2 menerangkan uji kepatutan (goodness of fit). Kegiatan Belajar 3 menerangkan tes
ix S Tinjauan Mata Kuliah tatistika merupakan ilmu yang sangat diperlukan di segala bidang. Kegunaannya untuk memecahkan suatu permasalahan dengan menggunakan analisis kuantitatif. Dengan berkembangnya
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Data Hasil Penelitian 1. Uji Asumsi Klasik a. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan bebasnya mempunyai
Lebih terperinciStatistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton, analisis regresi berkenaan dengan studi ketergantungan dari suatu variabel yang
Lebih terperinciBAB 2 LANDASAN TEORI. satu variabel yang disebut variabel tak bebas (dependent variable), pada satu atau
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi pertama kali digunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Gallon, istilah regresi pada mulanya bertujuan untuk membuat perkiraan
Lebih terperinciBAB ΙΙ LANDASAN TEORI
7 BAB ΙΙ LANDASAN TEORI Berubahnya nilai suatu variabel tidak selalu terjadi dengan sendirinya, bisa saja berubahnya nilai suatu variabel disebabkan oleh adanya perubahan nilai pada variabel lain yang
Lebih terperinciDAFTAR PUSTAKA. Beuemer, B.J.M Ilmu Bahan Logam Jilid I. Penerbit Bharatara, Jakarta.
DAFTAR PUSTAKA Amanto, Hari & Daryanto. 2003. ilmu Bahan. (Cetakan Kedua). Bumi Aksara, Jakarta. Beuemer, B.J.M. 1994. Ilmu Bahan Logam Jilid I. Penerbit Bharatara, Jakarta. Djaprie, Sriati. 1997. Teknologi
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Jenis Penelitian Penelitian ini merupakan penelitian explanatory untuk memahami pengaruh suatu variabel terhadap variabel lainnya, melalui penelitian survey untuk mendapat generalisasi
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN A. Tempat dan Waktu Penelitian Penelitian ini dilakukan di SMA Negeri 1 Mojolaban. Adapun alasan pemilihan tempat tersebut sebagai lokasi penelitian karena tingkat
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Visi, dan Misi di SMPIT AL-Kautsar Jepang Mejobo Kudus Setiap lembaga pendidikan pasti memiliki visi, misi, dan tujuan. Visi, misi, dan tujuan lembaga tersebut
Lebih terperinciDAFTAR ISI. Pengantar Daftar isi Daftar Tabel Daftar Gambar BAB 1 PENDAHULUAN... 1 BAB 2 STATISTIK DAN PENELITIAN 12 BAB 3 DATA DAN PENELITIAN..
DAFTAR ISI Pengantar Daftar isi Daftar Tabel Daftar Gambar BAB 1 PENDAHULUAN... 1 A. Sejarah dan Perkembangan Statistik.. 1 B. Tokoh-tokoh Kontributor Statistika... 3 C. Definisi dan Konsep Statistika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Analisis Regresi Linier Analisis regresi merupakan teknik yang digunakan dalam persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel. Analisis regresi linier
Lebih terperinciBAB I PENDAHULUAN. 1.9 Latar Belakang
BAB I PENDAHULUAN 1.9 Latar Belakang Salah satu tujuan pembangunan nasional adalah meningkat kinerja perekonomian agar mampu menciptakan lapangan kerja dan menata kehidupan yang layak bagi seluruh rakyat
Lebih terperinciBAB III METODE PENELITIAN. obyek penelitian adalah para pengguna software akuntansi pada perusahaanperusahaan
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Pengumpulan data dari kuesioner dalam penelitian ini dilakukan sekitar satu bulan dari tanggal 13 Oktober sampai 14 November 2014. Dengan obyek
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator penting
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator penting untuk mengetahui kondisi ekonomi suatu wilayah dalam suatu periode tertentu. Produk Domestik
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinciBAB III METODOLOGI PENELITIAN
46 BAB III METODOLOGI PENELITIAN 3.1 Jenis dan Pendekatan Penelitian Penelitian ini menggunakan metode deskriptif kuantitatif. Metode deskriptif adalah pencarian fakta dengan interpretasi yang tepat. Penelitian
Lebih terperinciBAB. III METODOLOGI PENELITIAN
BAB. III METODOLOGI PENELITIAN A. Pendekatan Penelitian Penelitian ini menggunakan pendekatan kuantitatif yaitu data yang diukur dengan data rasio berdasarkan data time series. Data tersebut diperoleh
Lebih terperinciStatistika Farmasi
Analisis Bab 6: Analisis Statistika FMIPA Universitas Islam Indonesia Analisis Koefisien Pada hampir semua kejadian, pasti terdapat faktor yang menyebabkan terjadinya kejadian-kejadian tersebut, misal:
Lebih terperinciREGRESI LANJUTAN RETNO DWI ANDAYANI, SP. MP
REGRESI LANJUTAN RETNO DWI ANDAYANI, SP. MP REGRESI LANJUTAN Regresi Linier Berganda Regresi Kuadratik Regresi Kubik Analisis regresi dari RAL atau RAK REGRESI LANJUTAN Regresi Linier Berganda Regresi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari tidak terlepas dari data, baik itu bersifat kuantitatif maupun kualitatif. Apabila dikumpulkan data dari seluruh elemen dalam suatu populasi,
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Gambaran Umum Dana Pensiun Karyawan Pupuk Kujang
BAB III METODE PENELITIAN 3.1 Gambaran Umum Dana Pensiun Karyawan Pupuk Kujang Dana Pensiun Karyawan Pupuk Kujang (DPPK) awalnya bernama Yayasan Dana Pensiun Kujang yang didirikan pada tahun 1978 dengan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Persamaan Regresi Menurut Sir Francis Galton (1822-1911) persamaan regresi adalah persamaan matematik yang memungkinkan kita meramalkan nilai-nilai atau variabel-variabel
Lebih terperinciBAB III METODE PENELITIAN. kuantitatif adalah sebagai penelitian yang menekankan pada pengujian teori-teori
BAB III METODE PENELITIAN 3.1 Pendekatan Penelitian Pendekatan penelitian yang digunakan adalah pendekatan kuantitatif. Pendekatan kuantitatif adalah sebagai penelitian yang menekankan pada pengujian teori-teori
Lebih terperinciBAB III METODOLOGI PENELITIAN
44 BAB III METODOLOGI PENELITIAN 3.1. Objek Penelitian Variabel penelitian adalah konsep yang mempunyai bermacam-macam nilai (Moh. Nazir, 2011: hlm. 123). Masih menurut Moh. Nazir (2011: hlm. 123) umumnya
Lebih terperinci