Pemanfaatan Software R untuk Analisis Regresi Linier PEMANFAATAN SOFTWARE R UNTUK ANALISIS REGRESI LINEAR
|
|
- Sudomo Tanuwidjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PEMANFAATAN SOFTWARE R UNTUK ANALISIS REGRESI LINEAR Anita Andriani D3 Manajemen Informatika, Fakultas Teknologi Informasi Universitas Hasyim Asy ari Tebuireng Jombang anita.unhasy@gmail.com Abstrak R adalah suatu sistem untuk analisis data yang termasuk dalam kelompok open source software atau disebut juga dengan freeware. Penggunaan software R sampai saat ini masih kalah popular bila dibandingkan dengan software software statistika lain yang berbayar, seperti SPSS, MINITAB, SAS atau Eviews. Keterbatasan referensi dan penunjang, khusunya dalam bahasa Indonesia, adalah salah alasan pengguna statistika lebih memilih paket paket statistika komersil daripada software R yang gratis dan memberikan hasil analisis yang tidak kalah powerful dan sistem grafik yang menarik. Diantara banyaknya teknik teknik statistika yang dapat diselesaikan software R, salah satu yang paling diminati adalah analisis regresi linear. Pada artikel ini akan dibahas tentang pemodelan regresi linear berganda menggunakan software R sebagai salah satu alternatif software SPSS atau software berbayar lainnya. Versi R yang digunakan adalah Command Line Interface (CLI). Analisa regresi pada artikel ini meliputi pembentukan model regresi linear berganda dan analisis plot residual untuk melihat kecocokan model yang telah dibentuk. Kata kunci: software R, analisis regresi linear, open source Abstract R is a system used for data analysis which belongs to open source software group or known by freeware. The use of R software is less popular than other paid statistics software, such as SPSS, MINITAB, SAS or Eviews. The limitation of references, especially in bahasa, is one of the reasons why users prefer to commercial statistical packages than R which is free and provide no less robust analysis results and interesting graphics systems. One of the most desirable statisticial techniques in R is linear regression analysis. This article will discuss about multiple linear regression modeling using software R as an alternative SPSS software using R-CLI (Command Line Interface). Multiple linear regression analysis and residual plot analysis will be formed for fitting model. Keywords: R software, linear regression analysis, open source I. PENDAHULUAN R adalah adalah bahasa pemrograman untuk komputasi dan pengolahan data yang bersifat open source. Versi awal R dibuat oleh Ross Ihaka dan Robert Gentleman pada tahun 1992 di Universitas Auckland, dan dari kedua nama inilah kemudian dinamakan dengan R. Saat ini R dikembangkakan oleh R Development Core Team dan tersedia secara gratis. Software R dapat dioperasikan oleh beberapa sistem operasi seperti Linux, Windows dan Mac. Kelebihan R dibandingkan dengan software statistika lainnya adalah update software yang relatif cepat serta kualitasnya yang relatif baik karena dikembangkan langsung oleh team statistisi. Selain itu, para ahli pengguna R di seluruh dunia juga memberikan pengembangan kode, melaporkan bug dan membuat dokumentasi untuk R. Akan tetapi, fasilitas GUI (Graphical User Interface) pada R masih kurang memadai karena lebih bersifat CLI (Command Line Interface). Kemampuan R sebagian besar didapatkan dari add-on packages, yaitu kumpulan perintah yang digunakan untuk melakukan suatu analisis. Package dasar yang sudah disediakan saat 52
2 pertama menginstal R adalah stats, graphics, datasets, utils, dan base. Package lainnya dapat didownload secara online dengan memanfaatkan toolbar install package atau secara offline pada situs R dikenal sebagai software statistik karena kemampuannya dalam mengolah dan menganalisis data yang cukup baik. Oleh karena itu pada tulisan ini akan dibahas pemanfaatan software R sebagai alternative SPSS atau software statistika lainnya dalam analisis model regresi linear. Analisa regresi adalah salah satu teknik statistika yang sering digunakan dalam berbagai bidang. Dengan menggunakan software R, kesesuaian model, asumsi asumsi model serta masalah multikolinearitas dalam analisis regresi dapat dengan mudah dideteksi. Tulisan ini dibagi menjadi 3 bagian, bagian pertama membahas tentang latar belakang penulisan. Pada bagian 2 dibahas review singkat tentang software R dan regresi linear, kemudian pada bagian 3 diberikan pemodelan regresi linear menggunaan R-CLI beserta contoh studi kasusnya yang diperoleh dari hasil penelitian yang dilakukan oleh Pratomo (2015). Analisis kecocokan model hanya dibahas dengan menggunakan analisis plot residu. II. METODE Penelitian ini dilakukan dengan mempelajari karya karya ilmiah yang disajikan dalam bentuk buku, jurnal, makalah, tesis, disertasi ataupun artikel yang relevan dengan topik penelitian, khususnya terkait dengan regresi linear dan pemrograman R. Berikut diberikan beberapa dasar dasar software R dan konsep regresi linear berganda. 2.1 Dasar Dasar Software R Pada subbab ini akan dibahas tentang penggunaan software R dalam manajemen data menggunakan R Commander yang meliputi data entry dan import data, jenis jenis data seperti vector,matriks dan data frame, serta plot data Input Data Input data di R dapat dilakukan dengan dua cara: entry data (menginput data secara langsung di R) atau melakukan import data (menginput data dari sumber lain yang berasal dari luar R, semisal file SPSS, Excel, text, dll). Entry data dapat dilakukan dengan mengetik perintah langsung dari R Console: > data1=c(1,2,3,4,5) > data1 [1] Misalkan ingin diimpor data teks dengan nama data.txt dan tersimpan di drive E, maka fungsi yang digunakan yaitu read.table() > data2=read.table("e:\\data.txt", header=t) > data2 hari pengunjung pembeli nominal Jenis Data Objek 53
3 Data pada pemrograman R dipandang sebagai suatu objek yang memiliki atribut yang sifatnya ditentukan oleh tipe data dan mode data. Beberapa tipe data yang sering digunakan adalah vector, matriks, dan data frame., sedangkan mode data yang dikenal R diantaranya adalah numeric, complex, logical dan character. Vektor secara numerik dapat diartikan sebagai deretan dari angka angka. Fungsi c() digunakan untuk mengumpulkan koleksi data dalam sebuah vektor, ditulis sebagai berikut: > x=c(0,7,8) > x [1] Fungsi matrix () digunakan untuk menuliskan nilai nilai vektor dalam bentuk matriks. Misalkan ingin dibuat matriks dengan banyak baris = 2 dan kolom = 3, maka dapat dituliskan: > m=matrix(1:6, nrow=2, ncol=3) > m [,1] [,2] [,3] [1,] [2,] Penggabungan satu kolom atau satu baris baru ke dalam matriks lain dapat dilakukan dengan menggunakan perintah rbind untuk menambahkan ke baris dan cbind untuk menambahkan ke kolom. > m2=cbind(m,c(7,8)) > m2 [,1] [,2] [,3] [,4] [1,] [2,] > m3=rbind(m,c(7,8,9)) > m3 [,1] [,2] [,3] [1,] [2,] [3,] Pada vektor data digunakan dengan mode tunggal, sehingga gabungan dua data atau lebih yang berbeda mode tidak dapat dilakukan kedalam satu objek vektor. Penggabungan objek dengan mode data yang berbeda beda dapat dilakukan dengan menggunakan tipe data data frame. > dataframe=data.frame(nomer=1:4,nama=c('ani','ita','andri','nita'), nilai=7:10) > dataframe nomer nama nilai 1 1 ani ita andri nita Plot data Penggambaran grafik pada R ditampilkan secara sederhana dan menarik menggunakan fungsi plot. Secara umum perintah pembuatan grafik dibagi menjadi 3 bagian, yaitu: 1. Fungsi plot utama 2. Fungsi dalam kelompok ini digunakan untuk membuat suatu plot baru pada jendela grafik. Beberapa fungsi tersebut adalah plot, qqplot, hist, image, contour, persp. 3. Fungsi plot tambahan Fungsi pada plot tambahan digunakan untuk menambahkan informasi tambahan kedalam suatu grafik yang telah dibuat dengan fungsi plot utama, seperti menambahkan titik atau garis baru ataupun keterangan kedalam grafik. Beberapa fungsinya adalah points, lines, text, abline, legend, title. 4. Fungsi yang bersifat interaktif Fungsi dalam kelompok ini memungkinkan pengguna untuk menambahkan atau mengambil informasi dari suatu plot yang telah ada. Beberapa fungsi tersebut adalah locator, identify. Contoh penggunaan fungsi plot adalah sebagai berikut: 54
4 > harga=c(1.3,2,1.7,1.5,1.6,1.2,1.6,1.4,1,1.1) > sales=c(10,6,5,12,10,15,5,12,17,20) > plot(harga,sales) Gambar 1. Plot Penjualan Jika plot data diatas diberi fungsi tambahan lines, maka plot nya akan menjadi: > plot(harga,sales, type='l') harga sales sales harga Gambar 2. Plot Penjualan dengan Fungsi Tambahan Lines 2.2 REGRESI LINEAR Regresi secara umum diartikan sebagai alat statistik yang memberikan penjelasan tentang pola hubungan antara dua variabel atau lebih. Pada analisis regresi dikenal dua jenis variabel, yaitu: I. Variabel respon atau disebut juga dengan variabel dependen, adalah variabel yang keberadaanya dipengaruhi oleh variabel lainnya dan dinotasikan dengan Y. II. Variabel prediktor atau disebut juga dengan variabel independen, adalah variabel yang tidak dipengaruhi oleh variabel lainnya dan dinotasikan dengan X. Analisa ini akan memberikan hasil apakah antara variabel variabel yang sedang diteliti terdapat hubungan, saling mempengaruhi dan berapa besar tingkat hubunganya. Regresi linear berganda adalah regresi yang menjelaskan hubungan antara variabel respon dengan faktor faktor yang mempengaruhi lebih dari satu variabel prediktor. Tujuan analisis regresi linear berganda adalah untuk mengukur intensitas hubungan antara dua variabel atau lebih dan membuat prediksi perkiraan nilai Y atas X. Secara umum regresi linear berganda untuk populasi dimodelkan sebagai berikut: Y = β 0 + β 1 X 1 + ε dengan β 0, β 1 adalah koefisien regresi. Model tersebut dapat ditaksir berdasarkan sampel acak ukuran n sebagai berikut: 55
5 Y = b 0 + b 1 X 1 dengan: Y = nilai taksiran variabel Y b 0 = taksiran untuk parameter konstanta β 0 b 1 = taksiran untuk parameter koefisien regresi β 1,, β n Nilai b 0 dan b 1 yang diperoleh dari estimasi parameter menggunakan metode least square dapat dituliskan sebagai berikut: b 1 = n n x n n i=1 iy i ( i=1 x i )( i=1 y i ) n n( x 2 n i=1 i ) ( i=1 x i ) 2 = n i=1 (x i x )(y i y ) n i=1 (x x ) 2 i b 0 = n y n i b 1 2 i=1 i=1 x i = y b n 1 x III. HASIL DAN PEMBAHASAN Pada bab ini akan disajikan hasil analisis data dan analisa plot residu pada studi kasus menggunakan versi R- CLI. 3.1 Analisa Data Diberikan sebuah data sebagai berikut: Tabel 1. Data Banyaknya Pengujung dan Pembeli serta Nominal Pembelian di Indomart Kedung Mundu Semarang Hari Ke- Pengunjung (X1) Pembeli (X2) Nominal Pembelian (dlm jutaan) (Y) Dari data pada Tabel 1 ingin diketahui apakah nominal pembelian pada indomart Kedung Mundu Semarang dipengaruhi oleh banyaknya kedatangan pengunjung dan pembeli. Langkah pertama yang dilakukan dalam analisis regresi linear berganda dengan R adalah memanggil data yang telah disimpan di direktori computer, dengan cara: > data=read.table("e:\\data.txt", header=t) Persamaan regresi linear berganda dengan metode least squared dapat diperoleh dengan memanggil fungsi lm: 56
6 > hasilanalisis=lm(nominal~pengunjung+pembeli,data) Hasil estimasi koefisien koefisien ini dapat dilihat dengan menuliskan > hasilanalisis maka akan muncul keterangan sebagai berikut: Call: lm(formula = nominal ~ pengunjung + pembeli, data = data) Coefficients: (Intercept) pengunjung pembeli Dari hasil analisa diperoleh persamaan regresi linear berganda: Nominal = pengunjung pembeli (1) Koefisien koefisien regresi dan beberapa statistic lainnya dapat pula dilihat dengan menggunakan fungsi summary: Call: lm(formula = nominal ~ pengunjung + pembeli, data = data) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) pengunjung pembeli Signif. codes: 0 *** ** 0.01 * Residual standard error: on 27 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 27 DF, p-value: Dari tampilan nilai estimasi intercept (konstanta) dan koefisien kedua variabel, dapat dilihat bahwa persamaan regresi linearnya sama seperti pada persamaan (1). Dilihat dari nilai Pr(> t ) dari variabel pengunjung, Pr(> t ) = 0,5427 > 0,05 artinya variabel pengunjung tidak signifikan atau tidak berpengaruh secara nyata terhadap nominal pembelian. Hal yang sama juga terjadi pada variabel pembeli dengan nilai Pr(> t ) = > 0,05, variabel pembeli juga tidak terlalu berpengaruh secara nyata terhadap nominal pembelian di indomart Kedung Mundu Semarang. Akibatnya secara teori kedua variabel yang tidak signifikan ini harus dikeluarkan dari model. Akan tetapi tidak menutup kemungkinan bahwa variabel yang tidak signifikan tersebut tetap dipertahankan seperti pada kasus ini. Berdasarkan nilai R-squared sebesar 0,02215, artinya bahwa penelitian ini hanya mampu menjelaskan 2,215% keragaman nominal pembelian ditentukan oleh banyaknya pembeli dan pengunjung, selebihnya ditentukan oleh faktor lain. 3.2 Analisis Plot Residu adalah perbedaan antara nilai data pengamatan dengan nilai estimasi data dari model. Umumnya residu ditampilkan dalam bentuk diagram atau plot, pada artikel ini akan ditampilkan plot antara residu dengan nilai estimasi dan plot probabilitas normal dari residu Plot Residu dengan Nilai Estimasi Plot antara residu dengan nilai estimasinya dapat ditampilkan dengan perintah sebagai berikut: > residu=residuals(hasilanalisis) > fitting=fitted(hasilanalisis) > plot(fitting,residu, xlab="hasil Fitting", ylab="residu") > abline(h=0, lty=2) > text(fitting,residu,labels=rownames(hasilanalisis)) 57
7 Residu Hasil Fitting Gambar 3. Plot Residu VS Hasil Estimasi Pada plot antara residu dengan hasil estimasi terlihat bahwa tidak ada pola yang jelas yang dapat ditunjukkan dari plot tersebut. Sehingga disimpulkan bahwa plot residu vs hasil estimasi menunjukkan tidak ada masalah yang mendasar terhadap model Plot Probabilitas Normal Residu Plot probabilitas normal residu dapat ditampilkan dengan perintah sebagai berikut: > qqnorm(residu, ylab="residuals") > qqline(residu) Normal Q-Q Plot Residuals Theoretical Quantiles Gambar 4. Plot Probabilitas Normal Dari Gambar 4 terlihat bahwa ada beberapa sampel yang menjauhi garis linear. Meskipun plot ini interpretasinya tidak cukup jelas, masih dapat dikatakan bahwa tidak ada indikasi ketidaknormalan resiud. Terlihat dari banyaknya sampel yang berada di garis linear. IV. KESIMPULAN DAN SARAN Berdasarkan hasil analisa sebelumnya, maka model regresi yang dihasilkan adalah: Nominal = pengunjung pembeli dimana kedua variabel pengunjung dan pembeli tidak berpengaruh secara signifikan secara statistik. Akan tetapi kedua variabel tetap dipertahankan karena keterbatasan variabel penelitian. Berdasarkan nilai R-squared sebesar 0,02215, kedua variabel juga hanya mampu menjelaskan 2,215% keragaman nominal pembelian. Namun jika dilihat dari plot antara residu dengan nilai estimasi dan plot probabilitas normal dari residu, model masih bisa diterima. 58
8 V. DAFTAR PUSTAKA Brian S. Everitt and Torsten Hothorn A Handbook of Statistical Analyses Using R. A Chapman & Hall Book. Paradis, Emmanuel R for Beginners. France: Institut des Sciences de l'evolution. Pratomo, Dedi Suwarsito dan Erna Zuni Astuti Analisis Regresi dan Korelasi Antara Pengunjung dan Pembeli Terhadap Nominal Pembelian di Indomaret Kedungmundu Semarang Dengan Metode Kuadrat Terkecil. E-print Jurnal Udinus. Walpole, Myers, and Ye Probability & Statistics for Engineers & Scientists Ninth Edition. Prentice Hall. Venables, W.N, D. M. Smith and the R Core Team An Introduction to R, Notes on R: A Programming Environment for Data Analysis and Graphics Version (2017). R Project. 59
Komputasi Statistika dengan Software R
Komputasi Statistika dengan Software R Analisis Korelasi (Sesi 13) Zulhanif Analisis Korelasi Korelasi menyatakan keeratan hubungan antara suatu variabel dengan variabel lainnya. Korelasi dalam populasi
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 terperinciR Commander - Rcmdr. A. Instalasi & Menu dalam Rcmdr 1. Instalasi
+ R Commander - Rcmdr Seperti kita telah pelajari dan lihat sebelumnya, R adalah perangkat lunak statistik berbasiskan perintah (command driven), yang sepertinya dapat memberi kesulitan bagi pengguna pemula
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan beberapa konsep dan metode yang menjadi dasar penulisan tugas akhir ini. 2.1. Pengurutan 2.1.1. Pengertian Pengurutan Pengurutan data secara umum dapat
Lebih terperinciModel Regresi untuk Data Deret Waktu. Kuliah 8 Metode Peramalan Deret Waktu
Model Regresi untuk Data Deret Waktu Kuliah 8 Metode Peramalan Deret Waktu r.rahma.anisa@gmail.com Review Salah satu asumsi regresi linear klasik: cov e i, e j = 0 dengan e i menunjukkan galat pengamatan
Lebih terperinciSTK 571 KOMPUTASI STATISTIK. Perangkat Lunak Komputasi Statistik R
STK 571 KOMPUTASI STATISTIK Perangkat Lunak Komputasi Statistik R RUANG LINGKUP MATERI Pendahuluan Manajemen Data Aritmetik, Alir Kendali dan Pengembangan Fungsi Statistik Dasar dalam R Pembangkitan Data
Lebih terperinciPEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R
PEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R Margaretha Ohyver Mathematics & Statistics Department, School of Computer Science, Binus University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta
Lebih terperinciAPLIKASI SOFTWARE R DALAM ANALISIS REGRESSI
APLIKASI SOFTWARE R DALAM ANALISIS REGRESSI 1. Pendahuluan DRS. OPEN DARNIUS M.Sc Fakultas Matematika dan Ilmu Pengetahuan Alam Jurusan Matematika Universitas Sumatera Utara R adalah suatu software terintegrasi
Lebih terperinciRegresi dengan Microsoft Office Excel
Regresi dengan Microsoft Office Excel Author: Junaidi Junaidi 1. Pengantar Dalam statistik, regresi merupakan salah satu peralatan yang populer digunakan, baik pada ilmu-ilmu sosial maupun ilmu-ilmu eksak.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Umum 2.1.1 Regresi Logistik Analisis Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel-variabel
Lebih terperinciAPLIKASI 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 terperinciBAB 4 HASIL DAN PEMBAHASAN. mahasiswa lulusan yang berasal dari School of Computer Science BINUS. datanya adalah seperti yang tertera pada Tabel 4.1.
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Analisis Data dan Pembahasan Jumlah keseluruhan data yang peneliti peroleh adalah sebanyak 718 data mahasiswa lulusan yang berasal dari School of Computer Science BINUS
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Kedisiplinan dan Kepercayaan Diri terhadap Hasil Belajar Mata Pelajaran
58 BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini penulis akan membahas hasil penelitian tentang Kontribusi Kedisiplinan dan Kepercayaan Diri terhadap Hasil Belajar Mata Pelajaran Menggambar Konstruksi
Lebih terperinciBAB 11 ANALISIS REGRESI LINIER BERGANDA
BAB 11 ANALISIS REGRESI LINIER BERGANDA Selain regresi linier sederhana, metode regresi yang juga banyak digunakan adalah regresi linier berganda. Regresi linier berganda digunakan untuk penelitian yang
Lebih terperinciPELATIHAN METODOLOGI PENELITIAN DAN PENDAMPINGAN PENGUASAAN APLIKASI STATISTIKA SOFTWARE OPEN SOURCE R DAN SPSS BAGI GURU SMA
PELATIHAN METODOLOGI PENELITIAN DAN PENDAMPINGAN PENGUASAAN APLIKASI STATISTIKA SOFTWARE OPEN SOURCE R DAN SPSS BAGI GURU SMA 1 Maylita Hasyim, 2 Wisda Miftakhul Ulum, 3 Dwi Shinta Rahayu maylita@stkippgritulungagung.ac.id
Lebih terperinciKAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER. Sudarno 1. Abstrak
UNIVERSITAS DIPONEGORO 0 ISBN: --0-- KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER Sudarno ) Program Studi Statistika FMIPA Undip dsghani@gmail.com Abstrak Model
Lebih terperinciSoftware R dan Fitur-Fiturnya
BAB II Software R dan Fitur-Fiturnya Dalam bab ini akan dijelaskan mengenai R, sejarah, penggunaan dan pengembangannya. II.1. Sejarah & Pengembangan R R adalah suatu kesatuan software yang terintegrasi
Lebih terperinciBAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat
BAB II 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 terperinciPENGENALAN SOFTWARE R
PENGENALAN SOFTWARE R RIFKI NANDA 1008101010034 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SYIAH KUALA DARUSSALAM, BANDA ACEH Maret, 2013 R adalah sebuah free software
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and
Lebih terperinciGUI UNTUK INFERENSI VEKTOR MEAN DAN INFERENSI MATRIKS KOVARIANSI DENGAN MENGGUNAKAN SOFTWARE R
KOMPUTASI GUI UNTUK INFERENSI VEKTOR MEAN DAN INFERENSI MATRIKS KOVARIANSI DENGAN MENGGUNAKAN SOFTWARE R SKRIPSI Disusun oleh YUDHA SUBAKTI J2E009013 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciANALISIS REGRESI DENGAN EXCEL
ANALISIS REGRESI DENGAN EXCEL Dalam statistik, regresi merupakan salah satu peralatan yang populer digunakan, baik pada ilmu-ilmu sosial maupun ilmu-ilmu eksak. Karenanya, software-software statistik umumnya
Lebih terperinciMODUL PRAKTIKUM STATISTIKA 1
MODUL PRAKTIKUM STATISTIKA 1 Versi 3.0 TahunPenyusunan 2011 Tim Penyusun 1.Diana Ikasari 2.Tristyanti Yusnitasari 3.Heru Purnomo 4.Fendy Christian 5. Aditya 6.Yuliana Savitri LaboratoriumSistem Informasi
Lebih terperinciANALISIS KORELASI & REGRESI. Kompilasi Kelompok 6 dan 8
ANALISIS KORELASI & REGRESI Kompilasi Kelompok 6 dan 8 PERMASALAHAN Internal Reveneu Service mencoba menduga pajak aktual yang tertunda setiap bulan dari divisi auditingnya. Diduga dua faktor yang mempengaruhi
Lebih terperinciBAB III CONTOH KASUS. Pada bab ini akan dibahas penerapan metode robust dengan penaksir M
BAB III CONTOH KASUS Pada bab ini akan dibahas penerapan metode robust dengan penaksir M dan penaksir LTS. Berikut ini akan disajikan aplikasinya pada data yang akan diolah menggunakan program paket pengolah
Lebih terperinciBAB IV ANALISA DAN PEMBAHASAN
BAB IV ANALISA DAN PEMBAHASAN A. Statistik Deskriptif. Statistik deskriptif adalah ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penilaian. Tujuannya adalah
Lebih terperinciBAB IV ANALISIS DATA DAN PEMBAHASAN. tahun terakhir yaitu tahun 2001 sampai dengan tahun Data yang. diambil adalah data tahun 2001 sampai 2015.
BAB IV ANALISIS DATA DAN PEMBAHASAN A. Deskriptif Sampel dan Data Penelitian ini menggunakan 30 data, sampel yang diamati selama 15 tahun terakhir yaitu tahun 2001 sampai dengan tahun 2015. Data yang diambil
Lebih terperinciBAB 4 ANALISA DAN PEMBAHASAN. faktor faktor yang mempengaruhi, model regresi global, model Geographically
BAB 4 ANALISA DAN PEMBAHASAN Pada bab ini dibahas tentang pola penyebaran angka buta huruf (ABH) dan faktor faktor yang mempengaruhi, model regresi global, model Geographically Weighted Regression (GWR),
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubungan dengan penelitiannya
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. A. Pengaruh Rasio Profitabilitas, Rasio Solvabilitas Dan Rasio Likuiditas Terhadap
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Pengaruh Rasio Profitabilitas, Rasio Solvabilitas Dan Rasio Likuiditas Terhadap Harga Saham Pada Perusahaan Perdagangan, Jasa Dan Investasi Di Daftar Efek Syariah
Lebih terperinciTUTORIAL EVIEWS REGRESI SEDERHANA (SIMPLE REGRESSION WITH EVIEWS) http://teorionline.wordpress.com By Hendry
TUTORIAL EVIEWS REGRESI SEDERHANA (SIMPLE REGRESSION WITH EVIEWS) http://teorionline.wordpress.com By Hendry REGRESI SEDERHANA Model regresi sederhana dilakukan jika bermaksud meramalkan bagaimana keadaan
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciBAB 3 PENGOLAHAN DATA
BAB 3 PENGOLAHAN DATA 3.1 Menentukan Model Persamaan Regresi Linier Berganda Data yang dikumpulkan dalam penelitian ini adalah jumlah kecelakaan lalu lintas dan faktor-faktor yang mempengaruhinya yaitu
Lebih terperinciResume Regresi Linear dan Korelasi
Rendy Dwi Ardiansyah Putra 7410040018 / 2 D4 IT A Statistika Resume Regresi Linear dan Korelasi 1. Regresi Linear Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciKOMPUTASI GUI UNTUK INFERENSI VEKTOR MEAN DAN INFERENSI MATRIKS KOVARIANSI DENGAN MENGGUNAKAN SOFTWARE R
ISSN 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 1097-1107 Online di http//ejournal-s1.undip.ac.id/index.php/gaussian KOMPUTASI GUI UNTUK INFERENSI VEKTOR MEAN DAN INFERENSI MATRIKS
Lebih terperinciSTK 573 Metode Grafik untuk Analisis dan Penyajian Data
STK 573 Metode Grafik untuk Analisis dan Penyajian Data Pertemuan 1 Tim Dosen: Prof. Dr. Khairil Anwar Notodiputro Dr. Ir. Aji Hamim Wigena Dr. Agus M Soleh PENDAHULUAN Pendahuluan Apa R? R adalah implementasi
Lebih terperinciWinita Sulandari, M.Si MODUL PRAKTIKUM METODE PERAMALAN. menggunakan
Winita Sulandari, M.Si MODUL PRAKTIKUM METODE PERAMALAN menggunakan Jurusan Matematika FMIPA UNS 2013 PENGANTAR Modul praktikum ini bertujuan mengenalkan kepada mahasiswa tentang bagaimana menggunakan
Lebih terperinciMODEL REGRESI LINIER BERGANDA MENGGUNAKAN PENAKSIR PARAMETER REGRESI ROBUST M-ESTIMATOR (Studi Kasus: Produksi Padi di Provinsi Jawa Barat Tahun 2009)
MODEL REGRESI LINIER BERGANDA MENGGUNAKAN PENAKSIR PARAMETER REGRESI ROBUST M-ESTIMATOR (Studi Kasus: Produksi Padi di Provinsi Jawa Barat Tahun 2009) Rini Cahyandari, Nurul Hisani Jurusan Matematika Fakultas
Lebih terperinciREGRESI LINIER GANDA. Fitriani Agustina, Math, UPI
REGRESI LINIER GANDA 1 Pengertian Regresi Linier Ganda Merupakan metode yang digunakan untuk memodelkan hubungan linear antara variabel terikat dengan dua/lebih variabel bebas. Regresi linier untuk memprediksi
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Dalam penelitian ini, analisis data yang dilakukan menggunakan pendekatan kuantitatif yaitu dengan menggunakan analisis regresi sederhana, dan perhitungannya menggunakan
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
34 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Statistik Deskriptif Analisis data yang dilakukan dalam bab ini pada dasarnya dapat dikelompokkan menjadi dua bagian. Bagian pertama merupakan analisis
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 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Analisis regresi adalah analisis yang dilakukan terhadap dua jenis variabel yaitu variabel independen (prediktor) dan variabel dependen (respon). Analisis
Lebih terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciBAB IV PEMBAHASAN. Nilai tambah ekonomis (EVA) merupakan nilai yang di dapatkan shareholder dari hasil
BAB IV PEMBAHASAN IV.1. Analisa dan Evaluasi EVA Nilai tambah ekonomis (EVA) merupakan nilai yang di dapatkan shareholder dari hasil kinerja menejemen dalam mengelola modal yang di berikan pada perusahaan.
Lebih terperinciBiaya operasional terendah adalah dialami oleh PT. Centrin Online Tbk (CENT), dan tertinggi di alami oleh Mitra Adi Perkasa Tbk (MAPI
BAB IV HASIL DAN PEMBAHASAN A. Statistik Deskriptif Dengan statistik deskriptif memberikan informasi tentang karakteristik sampel yang digunakan secara lebih rinci. Informasi yang dapat diperoleh dari
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA2081 Statistika
Lebih terperinciBAB 10 ANALISIS REGRESI LINIER SEDERHANA
BAB 10 ANALISIS REGRESI LINIER SEDERHANA Analisis regresi linier merupakan salah satu jenis metode regresi yang paling banyak digunakan. Regresi linier sederhana terdiri atas satu variabel terikat (dependent)
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi dalam statistika adalah salah satu metode untuk mengetahui hubungan atau pengaruh antara satu variabel dengan variabel lainnya. Selain
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
47 BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskripsi Unit Analisis Data 1. Data Hasil Penelitian Pada bagian ini akan dibahas mengenai proses pengolahan data untuk menguji hipotesis yang telah dibuat
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Textile dan Otomotif yang terdaftar di BEI periode tahun
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasil Analisa Penelitian ini menggunakan data skunder berupa laporan keuangan audit yang diperoleh dari website resmi Bursa Efek Indonesia (BEI) yaitu www.idx.co.id.
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. independen dari listrik adalah satuan kilowatt (kwh), untuk minyak adalah
36 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Hasil Pengolahan Data Data yang diambil untuk varibel dependen adalah produk domestic bruto di Jakarta period 1995 2005 dalam satuan rupiah. Sedangkan variabel
Lebih terperinci1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga.
LAMPIRAN Lampiran 1. Evaluasi Model Evaluasi Model Keterangan 1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga. 2)
Lebih terperinciBAB IV STUDI KASUS. Indeks merupakan daftar harga sekarang dibandingkan dengan
BAB IV STUDI KASUS 4.1 Indeks Harga Konsumen Indeks merupakan daftar harga sekarang dibandingkan dengan sebelumnya menurut persentase untuk mengetahui turun naiknya harga barang. Indeks Harga Konsumen
Lebih terperinciAnalisis Model Regresi Linear Berganda dengan Metode Response Surface
Jurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
48 Bila t-hitung < t-tabel, maka Ho diterima, Ha ditolak, berarti tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen. BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis
Lebih terperinciBAB IV ANALISIS DATA. tingkat kebenaran hipotesis penelitian yang telah dirumuskan. Dalam analisis data
BAB IV ANALISIS DATA Analisis data merupakan hasil kegiatan setelah data dari seluruh responden atau sumber data lainnya terkumpul. Hal ini memiliki tujuan untuk mengetahui tingkat kebenaran hipotesis
Lebih terperinciSTATISTIKA UNIPA SURABAYA PEMODELAN REGRESI LINIER DENGAN SOFTWARE R
PEMODELAN REGRESI LINIER DENGAN SOFTWARE R Regresi linier adalah suatu metode analisis untuk mengetahui hubungan fungsional antar variabel. Regresi linier dibedakan menjadi dua, yaitu regresi linier sederhana
Lebih terperinciBAB IV. Tabel 4.1. dan Pendapatan Bagi Hasil. Descriptive Statistics. Pembiayaan_Mudharabah E6 4.59E E E9
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Hasil 1. Uji Statistik Deskriptif Statistika deskriptif digunakan untuk melihat gambaran secara umum data yang sudah dikumpulkan dalam penelitian ini. Berikut
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. Dari data-data sekunder berupa laporan keuangan yang telah diperoleh, maka
48 BAB IV ANALISIS HASIL DAN PEMBAHASAN Dari data-data sekunder berupa laporan keuangan yang telah diperoleh, maka selanjutnya dalam bab analisis hasil dan pembahasan ini akan diterangkan mengenai hasil
Lebih terperinciANALISIS BANGKITAN PERGERAKAN LALU LINTAS PADA SEKOLAH MENENGAH ATAS DI JALAN CIHAMPELAS BANDUNG
ANALISIS BANGKITAN PERGERAKAN LALU LINTAS PADA SEKOLAH MENENGAH ATAS DI JALAN CIHAMPELAS BANDUNG TANIA BONITA SABRINA NRP: 1121025 Pembimbing: Tan Lie Ing, S.T., M.T. ABSTRAK Sekolah merupakan salah satu
Lebih terperinciBAB III METODE PENELITIAN. kuantitatif menekankan analisis pada data-data numeric atau angka yang diolah dengan
BAB III METODE PENELITIAN 1.1 Jenis Penelitian Penelitian ini merupakan jenis penelitian deskriptif kuantitatif. Penelitian deskriptif kuantitatif menekankan analisis pada data-data numeric atau angka
Lebih terperinciBAB IV ANALISA DAN PEMBAHASAN
BAB IV ANALISA DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Data Pendapatan Bunga Tabel 4.1 PT Bank Mandiri (Persero), Tbk Perkembangan Pendapatan Bunga Tahun 2007 2011 (dalam jutaan) Tahun Pendapatan Bunga
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 IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil dan Pengolahan Data Pada bab ini akan dibahas mengenai proses dan hasil serta pembahasan dari pengolahan data yang akan dilakukan. Data yang telah didapatkan akan
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN. pengolahan data yang telah dilakukan. Sebagai alat bantu analisis digunakan software
BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan dijelaskan mengenai proses dan hasil serta pembahasan dari pengolahan data yang telah dilakukan. Sebagai alat bantu analisis digunakan software Microsoft
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Sampel Penelitian yang digunakan dalam penelitian ini ialah Perusahaan yang Terdaftar di Jakarta Islamic Index tahun 2011-2013. Teknik yang digunakan dalam
Lebih terperinciBAB IV HASIL PENELITIAN. (ISSI). Dimana ISSI adalah indeks yang diterbitkan oleh Bapepam-LK dan
BAB IV HASIL PENELITIAN A. Deskripsi Data Penelitian ini menggunakan objek Indeks Saham Syariah Indonesia (ISSI). Dimana ISSI adalah indeks yang diterbitkan oleh Bapepam-LK dan Dewan Syariah Nasional Majelis
Lebih terperinciBAB IV ANALISIS PENGARUH PERHATIAN ORANG TUA TERHADAP PEMBENTUKAN KEPRIBADIAN ANAK DI DESA PROTO KEDUNGWUNI PEKALONGAN
BAB IV ANALISIS PENGARUH PERHATIAN ORANG TUA TERHADAP PEMBENTUKAN KEPRIBADIAN ANAK DI DESA PROTO KEDUNGWUNI PEKALONGAN A. Analisis Uji Validitas dan Reliabilitas Pembahasan pada bab ini merupakan hasil
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Hasil Penelitian Penelitian ini dilakukan pada perusahaan yang telah go public dan terdaftar di Bursa Efek Indonesia periode 2010-2013. Pengolahan data dalam
Lebih terperinciBAB IV HASIL ANALISA DAN PEMBAHASAN
BAB IV HASIL ANALISA DAN PEMBAHASAN A. Statistik Deskriptif Penelitian ini menggunakan analisa regresi yang tujuannya adalah untuk meramalkan suatu nilai variabel dependen dengan adanya perubahan dari
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian ini menggunakan penelitian kuantitatif yang menggunakan data numerik atau angka-angka. Metode deskriptif yaitu untuk menjawab pertanyaan-pertanyaan
Lebih terperinciBAB 2 LANDASAN TEORI. digunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton. Dia
10 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Dalam ilmu statistika teknik yang umum digunakan untuk menganalisa hubungan antara dua variabel atau lebih adalah analisa regresi linier. Regresi pertama
Lebih terperinciBAB 4 ANALISIS DATA. Statistika Deskriptif merupakan hal serangkaian teknik statistika yang
BAB 4 ANALISIS DATA 4.1 Statistika Deskriptif Statistika Deskriptif merupakan hal serangkaian teknik statistika yang digunakan untuk mempelajari cara-cara pengumpulan, penyusunan, penyajian data, dan penarikan
Lebih terperinciPertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression
Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciDeteksi Autokorelasi dengan Metode Grafik Excel
Deteksi Autokorelasi dengan Metode Grafik Excel Junaidi Junaidi A. Pengantar Salah satu asumsi dalam model regresi linear klasik adalah tidak adanya autokorelasi. Autokorelasi adalah kondisi dimana terdapat
Lebih terperinciBAB IV ANALISIS HASIL PENELITIAN. Dalam bab ini akan diuraikan hal-hal yang berkaitan dengan data-data
BAB IV ANALISIS HASIL PENELITIAN Dalam bab ini akan diuraikan hal-hal yang berkaitan dengan data-data yang berhasil dikumpulkan, hasil pengolahan data dan pembahasan dari hasil pengolahan tersebut. Berdasarkan
Lebih terperinciPertemuan 10 STATISTIKA INDUSTRI 2. Multiple Linear Regression. Multiple Linear Regression. Multiple Linear Regression 19/04/2016
19/04/016 Pertemuan 10 STATISTIKA INDUSTRI TIN 4004 Outline: and Correlation Non Linear Regression Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability for Engineers, 5 th Ed. John
Lebih terperinciBAB IV ANALISIS HASIL PENELITIAN
60 BAB IV ANALISIS HASIL PENELITIAN 4.1 Uji Validitas dan Reliabilitas Instrumen Untuk menguji validitas dan realiabilitas instrumen, penulis menggunakan analisis dengan SPSS. Berikut hasil pengujian validitas.
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. Tabel 4.1
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Deskripsi Data Hasil Penelitian Statistik deskriptif digunakan untuk melihat gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Berikut hasil
Lebih terperinciBAB III METODE PENELITIAN. metode analisis data serta pengujian hipotesis.
BAB III METODE PENELITIAN Pada bab 3 ini akan dijelaskan mengenai metode penelitian yang meliputi populasi dan sampel penelitian, data dan sumber data, variabel operasional, metode analisis data serta
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
31 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik deskriptif ini digunakan untuk memberikan gambaran mengenai demografi responden penelitian. Data demografi tersebut antara lain
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. digunakan dalam penelitian ini serta dapat menunjukkan nilai maksimum, nilai
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Hasil Penelitian 1. Statistik Deskriptif Statistik deskriptif digunakan untuk menunjukkan jumlah data (N) yang digunakan dalam penelitian ini serta dapat
Lebih terperinciBAB II METODE ANALISIS DATA. memerlukan lebih dari satu variabel dalam membentuk suatu model regresi.
10 BAB II METODE ANALISIS DATA 2.1 Pengertian Regresi Berganda Banyak data pengamatan yang terjadi sebagai akibat lebih dari dua variabel, yaitu memerlukan lebih dari satu variabel dalam membentuk suatu
Lebih terperinciAplikasi SPSS 1. 1 Lesta Karolina Sebayang S.E., M.Si
Aplikasi SPSS 1 Tujuan 1. Mahasiswa dapat menginput data ke dalam software SPSS dalam format yang tepat 2. Mahasiswa dapat menentukan beberapa ukuran pemusatan dan penyebaran 3. Mahasiswa dapat membuat
Lebih terperinciMengenal E Views. Workfile baru dapat dibuat dengan cara: 1. Memilih menu file > New > Workfile, atau 2. Mengetikkan New pada command window
Mengenal E Views Membuat workfile baru Workfile baru dapat dibuat dengan cara: 1. Memilih menu file > New > Workfile, atau 2. Mengetikkan New pada command window Jika data Anda merupakan data tahunan,
Lebih terperinciAPLIKASI REGRESI GANDA DENGAN SPSS. HENDRY admin teorionline.net Phone : /
APLIKASI REGRESI GANDA DENGAN SPSS HENDRY admin teorionline.net Phone : 0-834 4694 / email : klik.statistik@gmail.com Tentang Regresi Ganda Analisis regresi merupakan salah satu teknik analisis yang paling
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. melalui kuesioner. Kuesioner yang disebar sebanyak 34 kuesioner, pekerjaan, dan tingkat pendidika terakhir.
BAB IV HASIL DAN PEMBAHASAN A. Analisis Karakteristik Responden Analisis karakteristik dalam penelitian ini digunakan untuk melihat gambaran secara umum karakteristik data responden yang telah dikumpulkan
Lebih terperinciSTATISTIKA. Statistik vs Statistika? Lektion Zwei (#2): Ruang Lingkup Statistika. Statistik 11/03/2017
STATISTIKA Lektion Zwei (#2): Ruang Lingkup Statistika Statistik vs Statistika? Verfasser bei Usmania Institute Mana yang benar: Kuliah Statistik Kuliah Statistika Sama saja Statistik Statistik (statistic):
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN Dalam bab ini penulis akan menerangkan mengenai hasil penelitian yang telah dilakukan atas data sekunder yaitu berupa komponen-komponen laporan keuangan yang diperoleh
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI A. Persamaan Regresi Linear Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Analisis regresi
Lebih terperinciINOVASI PEMBELAJARAN ANALISIS REGRESI DENGAN R GUI. I Gede Nyoman Jaya Jaya Departemen Statistika FMIPA UNPAD
INOVASI PEMBELAJARAN ANALISIS REGRESI DENGAN R GUI I Gede Nyoman Jaya Jaya Departemen Statistika FMIPA UNPAD jay.komang@gmail.com ABSTRAK. Statistik bagi sebagian mahasiswa khususnya mahasiswa bukanstatistik
Lebih terperinciJl. Ir. M. Putuhena, Kampus Unpatti, Poka-Ambon ABSTRAK
Jurnal Barekeng Vol. 8 No. 1 Hal. 31 37 (2014) MODEL REGRESI RIDGE UNTUK MENGATASI MODEL REGRESI LINIER BERGANDA YANG MENGANDUNG MULTIKOLINIERITAS (Studi Kasus: Data Pertumbuhan Bayi di Kelurahan Namaelo
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 V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1 Hubungan Antara Penerimaan DAU dengan Pertumbuhan PDRB Dalam melihat hubungan antara PDRB dengan peubah-peubah yang mempengaruhinya (C, I, DAU, DBH, PAD, Suku Bunga dan NX)
Lebih terperinciBAB IV PEMBAHASAN DAN HASIL PENELITIAN
BAB IV PEMBAHASAN DAN HASIL PENELITIAN IV.1 Analisis Deskriptif IV.1.1 Gambaran Mengenai Return Saham Tabel IV.1 Descriptive Statistics N Range Minimum Maximum Mean Std. Deviation Return Saham 45 2.09-0.40
Lebih terperinciPEMBENTUKAN MODEL DATA PANEL FIXED EFFECT MENGGUNAKAN GUI MATLAB
PEMBENTUKAN MODEL SPASIAL DATA PANEL FIXED EFFECT MENGGUNAKAN GUI MATLAB (Studi Kasus : Kemiskinan di Jawa Tengah) SKRIPSI Disusun Oleh : IRAWATI TAMARA NIM. 24010212120002 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Jumlah Uang Beredar (JUB) dalam arti luas (M 2 ) dan BI Rate dari tahun
BAB IV HASIL DAN PEMBAHASAN 4.1. Gambaran Umum Dalam penelitian ini, yang menjadi objek penelitian adalah inflasi, Jumlah Uang Beredar (JUB) dalam arti luas (M 2 ) dan BI Rate dari tahun 2010 sampai tahun
Lebih terperinci