Business Forecasting With Microsoft Excell
Business Forecasting With Microsoft Excell
EXCEL
Pendahuluan
Microsoft Excel atau Microsoft Office Excel adalah sebuah program aplikasi
lembar kerja spreadsheet yang dibuat dan didistribusikan oleh Microsoft Corporation
untuk sistem operasi Microsoft Windows dan Mac OS. Aplikasi ini memiliki fitur
kalkulasi dan pembuatan grafik yang, dengan menggunakan strategi marketing Microsoft
yang agresif, menjadikan Microsoft Excel sebagai salah satu program komputer yang
populer digunakan di dalam komputer mikro hingga saat ini. Bahkan, saat ini program ini
merupakan program spreadsheet paling banyak digunakan oleh banyak pihak, baik di
platform PC berbasis Windows maupun platform Macintosh berbasis Mac OS, semenjak
versi 5.0 diterbitkan pada tahun 1993. Aplikasi ini merupakan bagian dari Microsoft Office
System, dan versi terakhir adalah versi Microsoft Office Excel 2007 yang diintegrasikan di
dalam paket Microsoft Office System 2007 .
Sebelum mulai memasuki pembahasan Microsoft Excel, ada baiknya kita mengenal
lebih dulu bagaimana tampilan Microsoft Excel itu, beserta beberapa istilah-istilah umum
yang akan digunakan.
Cell
Function Bar
Column Heading
Row Heading
2. Column Heading
Column
Heading
(Kepala kolom), adalah penunjuk lokasi kolom pada lembar kerja yang aktif. Sama halnya
dengan Row Heading, Column Heading juga berfungsi sebagai salah satu bagian dari
penunjuk sel (akan dibahas setelah ini). Kolom di simbol dengan abjad A Z dan
gabungannya. Setelah kolom Z, kita akan menjumpai kolom AA, AB s/d AZ lalu kolom
BA, BB s/d BZ begitu seterus sampai kolom terakhir yaitu IV (berjumlah 256 kolom).
Sungguh suatu lembar kerja yang sangat besar, bukan. (65.536 baris dengan 256 kolom).
3. Cell Pointer
Cell Pointer (penunjuk sel), adalah penunjuk sel yang aktif. Sel adalah perpotongan
antara kolom dengan baris. Sel diberi nama menurut posisi kolom dan baris. Contoh. Sel
A1 berarti perpotongan antara kolom A dengan baris 1.
4. Formula Bar
Formula Bar, adalah tempat kita untuk mengetikkan rumus-rumus yang akan kita
gunakan nantinya. Dalam Microsoft Excel pengetikkan rumus harus diawali dengan tanda
= . Misalnya kita ingin menjumlahkan nilai yang terdapat pada sel A1 dengan B1, maka
pada formula bar dapat diketikkan =A1+B1 .
Menggerakkan Penunjuk Sel (Cell Pointer)
Cell Pointer berfungsi untuk penunjuk sel aktif. Yang dimaksud dengan sel aktif
ialah sel yang akan dilakukan suatu operasi tertentu. Untuk menggerakan ponter dengan
Mouse dapat dilakukan dengan meng-klik sel yang diinginkan. Untuk sel yang tidak
kelihatan kita dapat menggunakan Scroll Bar untuk menggeser layar hingga sel yang dicari
kelihatan lalu klik sel tersebut. Untuk kondisi tertentu kita lebih baik menggunakan
keyboard. Berikut daftar tombol yang digunakan untuk menggerakan pointer dengan
keyboard :
Tombol
Fungsi
Ctrl + PgDn
Format Worksheets
MENAMBAHKAN BORDER DAN COLOR
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Kita dapat menambahkan border pada lembar kerja kita. Caranya adalah dengan memblok
terlebih dahulu cell yang akan kita beri border, kemudian klik tombol pada tab home
Fungsi
Penjumlahan
Pengurangan
Perkalian
Pembagian
Perpangkatan
Persentase
Proses perhitungan akan dilakukan sesuai dengan derajat urutan dari operator ini,
dimulai dari pangkat (^), kali (*), atau bagi (/), tambah (+) atau kurang (-).
o Menggunakan Fungsi
Fungsi sebenarnya adalah rumus yang sudah disediakan oleh Microsoft Excel, yang
akan membantu dalam proses perhitungan. kita tinggal memanfaatkan sesuai dengan
kebutuhan. Pada umumnya penulisan fungsi harus dilengkapi dengan argumen, baik
berupa angka, label, rumus, alamat sel atau range. Argumen ini harus ditulis dengan diapit
tanda kurung ().
Beberapa Fungsi yang sering digunakan:
1. Fungsi Average()
Fungsi ini digunakan untuk mencari nilai rata-rata dari sekumpulan data(range).
Bentuk umum penulisannya adalah
=AVERAGE(number1,number2,), dimana number1, number2, dan seterusnya adalah
range data yang akan dicari nilai rata-ratanya.
2. Fungsi Logika IF()
Fungsi ini digunakan jika data yang dimasukkan mempunyai kondisi tertentu.
Misalnya, jika nilai sel A1=1, maka hasilnya 2, jika tidak, maka akan bernilai 0. Biasanya
fungsi ini dibantu oleh operator relasi (pembanding) seperti berikut ;
Lambang
Fungsi
=
Sama dengan
<
Lebih kecil dari
>
Lebih besar dari
<=
Lebih kecil atau sama dengan
>=
Lebih besar atau sama dengan
<>
Tidak sama dengan
3. Fungsi Max()
Fungsi ini digunakan untuk mencari nilai tertinggi dari sekumpulan data (range).
Bentuk umum penulisannya adalah =MAX(number1,number2,), dimana number1,
number2, dan seterusnya adalah range data (numerik) yang akan dicari nilai tertingginya.
4. Fungsi Min()
Sama halnya dengan fungsi max, bedanya fungsi min digunakan untuk mencari
nilai terendah dari sekumpulan data numerik.
5. Fungsi Sum()
Fungsi SUM digunakan untuk menjumlahkan sekumpulan data pada suatu range.
Bentuk umum penulisan fungsi ini adalah =SUM(number1,number2,). Dimana
number1, number2 dan seterusnya adalah range data yang akan dijumlahkan.
6. Fungsi Left()
Fungsi left digunakan untuk mengambil karakter pada bagian sebelah kiri dari
suatu teks. Bentuk umum penulisannya adalah =LEFT(text,num_chars). Dimana text
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
adalah data yang akan diambil sebagian karakternya dari sebelah kiri, num_chars adalah
jumlah karakter yang akan diambil.
7. Fungsi Mid()
Fungsi ini digunakan untuk mengambil sebagian karakter bagian tengah dari suatu
teks. Bentuk umum pemakaian fungsi ini adalah =MID(text,start_num,num_chars).
Artinya mengambil sejumlah karakter mulai dari start_num, sebanyak num_char.
8. Fungsi Right()
Fungsi ini merupakan kebalikan dari fungsi left, kalau fungsi left mengambil
sejumlah karakter dari sebelah kiri, maka fungsi mengambil sejumlah karakter dari sebelah
kanan teks.. Bentuk umum penulisannya adalah =RIGHT(text,num_chars). Dimana text
adalah data yang akan diambil sebagian karakternya dari sebelah kanan, num_chars adalah
jumlah karakter yang akan diambil.
9. Fungsi HLOOKUP dan VLOOKUP
Fungsi HLOOKUP dan VLOOKUP digunakan untuk membaca suatu tabel secara
horizontal (VLOOKUP) atau secara vertikal (VLOOKUP). Bentuk umum penulisan fungsi
ini adalah :
=HLOOKUP(Lookup_value, Table_array, Row_index_num,)
=VLOOKUP(Lookup_value, Table_array, Col_index_num,)
Dari rumus diatas, dapat dilihat bahwa bedanya hanya pada nomor indeksnya saja,
kalau kita pakai HLOOKUP, maka digunakan nomor indeks baris (Row_index_num), tapi
kalu pakai VLOOKUP digunakan nomor indeks kolom (Col_index_num). Nomor indeks
adalah angka untuk menyatakan posisi suatu kolom/baris dalam tabel yang dimulai dengan
nomor 1 untuk kolom/baris pertama dalam range data tersebut.
o Menggunakan GRAFIK
Salah satu fungsi unggul dalam Ms Excel 2007 adalah grafik dimana dapat melihat
hasil tabel diubah menjadi ke dalam grafik dengan cepat. Dengan fungsi grafik para
ilmuwan dapat menampilkan data mereka. Ms Excel menyediakan berbagai macam bentuk
grafik yang mencakupi Line, XY, Column, Bar, Batang, Area, Stock, dan sebagainya.
Grafik dapat dilihat dalam menu INSERT sebagai berikut.
Setelah masuk ke Insert Chart, maka silakan pilih jenis grafik yang anda inginkan
sesuai selera anda. Jika sudah terpilih jenis Chart yang anda inginkan, silakan klik OK.
Namun, karena membuat grafik perlu sebuah tabel data untuk menampilkan grafiknya.
Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria seperti di
bawah ini:
Parsimoni: Suatu model tidak akan pernah dapat secara sempurna menangkap
realitas; akibatnya kita akan melakukan sedikit abstraksi ataupun penyederhanaan
dalam pembuatan model.
Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameterparameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan kata
lain, hanya akan ada satu parameter saja.
Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan
sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan variabel
bebas dalam model. Oleh karena itu, suatu model dikatakan baik jika eksplanasi
diukur dengan menggunakan nilai adjusted r2 yang setinggi mungkin.
Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran tanpa
teori akan dapat menyesatkan hasilnya.
Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan kemampuan
prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi
teoritisnya berasal dari pengalaman empiris.
analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross
sectional.
Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan
untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung
dengan market model, atau market adjusted model. Perhitungan nilai return yang
diharapkan dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.
Setidaknya ada lima uji asumsi klasik, yaitu uji multikolinearitas, uji heteroskedastisitas,
uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang
urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data
yang ada. Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu dilihat
mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut,
dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain.
1. Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak.
Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji
normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya.
Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masingmasing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada
nilai residualnya bukan pada masing-masing variabel penelitian.
Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas
siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar
berada pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak
normal, atau sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka
kelas tersebut tidak normal atau merupakan kelas unggulan. Pengamatan data yang normal
akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan
mengumpul di tengah. Demikian juga nilai rata-rata, modus dan median relatif dekat.
Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square,
Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik
atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering
menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji
normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan
bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik.
Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi
Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang
mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat
dilakukan beberapa langkah yaitu: melakukan transformasi data, melakukan trimming data
outliers atau menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk
Logaritma natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk
kurva normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah atau menyebar
ke samping kanan dan kiri.
2. Uji Multikolinearitas
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara
variabel-variabel bebas dalam suatu model regresi linear berganda. Jika ada korelasi yang
tinggi di antara variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap
variabel terikatnya menjadi terganggu. Sebagai ilustrasi, adalah model regresi dengan
variabel bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan variabel terikatnya
adalah kinerja. Logika sederhananya adalah bahwa model tersebut untuk mencari pengaruh
antara motivasi, kepemimpinan dan kepuasan kerja terhadap kinerja. Jadi tidak boleh ada
korelasi yang tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan
kerja atau antara kepemimpinan dengan kepuasan kerja.
Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah
dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas,
atau dengan melihat eigenvalues dan condition index (CI).
Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:
1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.
2. Menambah jumlah observasi.
3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat
atau bentuk first difference delta.
4. Dalam tingkat lanjut dapat digunakan metode regresi bayessian yang masih jarang sekali
digunakan.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari
residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi
persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke
pengamatan yang lain tetap atau disebut homoskedastisitas.
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan
memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang
baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah,
menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik
yang dapat digunakan adalah uji Glejser, uji Park atau uji White.
Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan
mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua
data bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan
variabel yang mengalami gangguan heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan
periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk
melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada
korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah
pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data
tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh
tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model tersebut.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu
keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari
apapun, pengeluaran pada bulan Februari akan rendah.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu
dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua
variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada
penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya
memerlukan uji autokorelasi.
Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run
Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange
Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan
mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk
persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan
dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel
bebas, sehingga data observasi menjadi berkurang 1.
5. Uji Linearitas
Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai
hubungan linear atau tidak. Uji ini jarang digunakan pada berbagai penelitian, karena
biasanya model dibentuk berdasarkan telaah teoretis bahwa hubungan antara variabel
bebas dengan variabel terikatnya adalah linear. Hubungan antar variabel yang secara teori
bukan merupakan hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi
linear, misalnya masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak, uji
linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut
bersifat linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat
linear antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil
observasi yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test
atau uji Lagrange Multiplier.
2. Absolut residual
Model ini mirip dengan MRA, tetapi variabel moderating didekati dengan selisih mutlak
(absolut residual) antara variabel bebas dengan variabel moderatingnya. Penerimaan
hipotesis juga sama, dan model ini masih riskan terhadap gangguan multikolinearitas
meskipun risiko itu lebih kecil dari pada dengan metode MRA.
3. Residual
Model ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi jika
terdapat ketidakcocokan dari deviasi hubungan linear antara variabel independen.
Langkahnya adalah dengan meregresikan antara kepuasan kerja terhadap kompensasi dan
dihitung nilai residualnya. Pada program SPSS dengan klik Save pada regreesion, lalu klik
pada usntandardized residual. Nilai residual kemudian diambil nilai absolutnya lalu
diregresikan antara kinerja terhadap absolut residual. Hipotesis moderating diterima jika
nilai t hitung adalah negatif dan signifikan. Model ini terbebas dari gangguan
multikolinearitas karena hanya menggunakan satu variabel bebas.
Output pertama yang dihasilkan oleh analisis regresi adalah Koefisien Korelasi
Pearson Product-Moment. Koefisien ini yang menunjukkan derajat hubungan antara
variabel X (customer experience) dan variabel Y (customer loyalty). Koefisien korelasi
selalu di antara 1 dan -1 (-1 r +1).
Untuk menghitung Koefisien Korelasi Pearson Product-Moment secara manual,
yaitu dengan:
Rumus Pearson Product-Moment Correlation:
nXY - XY
r=
Keterangan
Notasi:
2
2
2
[nX= Nilai
][nY 2 Pearson
- (X )Korelasi
- (Y ) ]
r
X
= Jumlah hasil pengamatan variabel X
Y
= Jumlah hasil pengamatan variabel Y
XY
= Jumlah dari hasil kali pengamatan variabel X dan variabel Y
n
X
= Jumlah dari hasil pengamatan variabel X yang telah dikuadratkan
n
Y
= Jumlah dari hasil pengamatan variabel Y yang telah dikuadratkan
Tanda positif dan tanda negatif masing-masing menunjukkan hubungan positif dan
hubungan negatif. Hubungan positif yaitu apabila semakin tinggi nilai variabel X
(customer loyalty), maka semakin tinggi pula nilai variabel Y (customer loyalty), atau
sebaliknya. Hubungan negatif yaitu apabila semakin tinggi nilai variabel X (customer
loyalty), maka semakin rendah nilai variabel Y (customer loyalty), atau sebaliknya (Aaker,
2003: 510-511).
Bila ingin menghitung koefisien a dan b secara manual, maka digunakan metode
kuadrat terkecil dengan rumus, (Sudjana, 2005:315):
Y X X XY
Program Magister Manajemen Fakultas
n Ekonomi
X Universitas
X Padjadjaran 2010
2
n XY X Y
n X 2 X
Keterangan :
n
= Banyaknya sampel
X
= Jumlah hasil pengamatan variabel X
Y
= Jumlah hasil pengamatan variabel Y
XY = Jumlah dari hasil kali pengamatan variabel X dengan variabel Y
X2 = Jumlah dari hasil pengamatan variabel X yang telah dikuadratkan
Y2 = Jumlah dari hasil pengamatan variabel Y yang telah dikuadratkan
Jika a berharga negatif, maka potongan garis a berada di bawah titik asal pada
sumbu tegak. Koefisien b merupakan koefisien arah regresi, yang menyatakan berubahnya
harga Y untuk setiap penambahan unit X. Jika b positif, maka garis regresinya condong ke
sebelah kanan dan ini menyatakan bahwa rata-rata pertambahan Y untuk setiap unit
pertambahan X. Jika b negatif, maka garis regresinya condong ke sebelah kiri dan ini
menyatakan bahwa rata-rata berkurangnya Y untuk setiap pertambahan unit X, (Sudjana,
2005: 318).
Tabel 1
Pedoman Interpretasi terhadap Koefisien Korelasi
Interval Koefisien
Tingkat Hubungan
0,00 0,199
Sangat rendah
0,20 0,399
Rendah
0,40 0,599
Sedang
0,60 0,799
Kuat
0,80 1,000
Sangat kuat
Sumber: Sugiyono, 2006:183
Contoh soal :
Dalam menghitung potensi pajak suatu daerah dapat diukur menggunakan variabel Produk
Domestik Regional Bruto (PDRB), jumlah penduduk, mobil penumpang, mobil barang,
dan bus. Dari hasil penelitian diperoleh data pada Tabel 2.
Tentukan :
a) Persamaan regresinya dan interpretasikan artinya.
b) Tentukan koefisien korelasi, koefisien determinasi, dan koefisien non determinasi,
serta interpretasikan artinya.
c) Tentukan persamaan regresi lower bound dan upper bound.
Riskan Simulator
Pada masa lalu simulasi dijadikan cara terakhir, yang hanya digunakan jika metode analitik
tidak dapat menyelesaikan masalah. Namun pada saat ini simulasi merupakan salah satu
alat yang sering digunakan untuk analisa kuantitatif. Mengapa model simulasi begitu
populer ?
1. Model analitik sulit diperoleh, tergantung dari faktor kerumitan dari setiap spesifikasi
model, misalnya untuk model capital budgeting (penganggaran modal) meliputi tingkat
permintaan yang bersifat tidak pasti, untuk model inventory (persediaan) meliputi
tingkat persediaan yang tidak pasti.
2. Model analitik biasanya hanya digunakan untuk memprediksi/ memperkirakan rata-rata
atau sesuatu yang bersifat steady-state (tidak berubah terhadap waktu). Dalam
memodelkan dunia nyata perlu adanya kemungkinan variasi terhadap pengamatan, atau
bagaimana melakukan pengamatan untuk data yang bervariasi.
3. Simulasi dapat dilakukan dengan bermacam-macam software, dari spreadsheet itu
sendiri (Excel, Lotus), spreadsheet add-ins (Crystal Ball, @Risk), bahasa pemrograman
komputer secara umum (PASCAL, C++) sampai dengan bahasa khusus untuk simulasi
(SIMAN).
Kemampuan model simulasi untuk mengatasi kerumitan, variasi pelaksanaan
pengamatan, dan reproduksi perilaku yang berubah-ubah membuat simulasi itu menjadi
alat yang sangat berguna (powerful).
SIMULASI DAN VARIABEL RANDOM
Simulasi adalah proses untuk menyelidiki perilaku sistem nyata dengan menggunakan
model yang meniru perilaku sistem tersebut. Suatu model simulasi dibuat dengan
mengidentifikasi pernyataan matematis dan hubungan logis yang mendeskripsikan
operasional sistem. Secara umum komputer digunakan untuk mengerjakan perhitungan
dalam simulasi. Simulasi berbeda dengan optimisasi. Nilai variabel keputusan pada model
optimisasi merupakan output, yang berarti model menghasilkan sejumlah nilai untuk
variabel tersebut yang akan memaksimumkan (atau meminimumkan) harga dari fungsi
tujuan. Pada model simulasi nilai dari variabel keputusan merupakan input, yang berarti
model mengevaluasi fungsi tujuan untuk beberapa buah nilai masukan.
Model simulasi seringkali digunakan untuk menganalisa suatu keputusan yang berisiko
(decision under risk), dimana perilaku dari satu faktor atau lebih tidak diketahui dengan
pasti. Contoh : permintaan produk untuk bulan depan, kembalinya modal investasi, jumlah
truk yang akan tiba esok hari untuk bongkar muatan selama jam 8:00 dan 9:00 pagi dan
sebagainya.
Pada beberapa kasus, faktor yang tidak diketahui secara pasti dikenal sebagai variabel
random. Perilaku variabel random digambarkan sebagai distribusi peluang (probability
distribution).
Simulasi jenis ini disebut Metode Riskan Simulator, seperti putaran rollet di Riskan
Simulator, dimana dapat dianggap sebagai alat yang menimbulkan kejadian acak atau tidak
pasti.
MENGHASILKAN VARIABEL RANDOM
Ada 2 jenis variabel random :
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Contoh penghasil variabel random : Game spinner (lihat Gambar 5.1) dapat digunakan
untuk mensimulasikan permintaan. Misalnya 10% peluang permintaan sama dengan 8,
20% peluang permintaan sama dengan 9, 30% peluang permintaan sama dengan 10, 20%
peluang permintaan sama dengan 11, 10% peluang permintaan sama dengan 12, 10%
peluang permintaan sama dengan 13. Pada saat piringan berhenti, lihat sektor yang
ditunjukkan, misalnya 9 berarti tingkat permintaan sama dengan 9.
INT(x y +1)*RAND())
Misalnya :
INT (5*RAND()) akan memberikan bilangan random kontinu antara 0 dan 5,
INT (8+5*RAND()) akan menghasilkan bilangan kontinu antara 8 dan 13 (yaitu lebih dari
12.99999).
Tabel
Menggunakan RAND() Untuk Menghasilkan Permintaan Diskrit
Values for RAND()
0<=RAND()<0.2
0.2<=RAND()<0.4
0.4<=RAND()<0.6
0.6<=RAND()<0.8
0.8<=RAND()<1.0
=INT(8+5*RAND())
8
9
10
11
12
RUMUS LAIN
=-20*LN(1-RAND()) akan menghasilkan distribusi bilangan random eksponensial dengan
rata-rata 20.
=NORMINV(RAND(),1000,100) akan menghasilkan bilangan random berdistribusi
normal dengan rata-rata 1000 dan standar deviasi 100 di Excel
SIMULASI DENGAN SPREADSHEET ADD-INS RISKAN SIMULATOR
June Wilson adalah seorang manajer pengembangan produk baru, dimana sedang
mempertimbangkan kemungkinan untuk penambahan dalam daftar alat berat PROTRAC.
Biaya yang diperlukan untuk model G-9 (dimana di dalamnya tercakup pembelian
beberapa peralatan baru, pelatihan karyawan baru dan sebagainya) diperkirakan $150.000.
Produk baru akan dijual dengan harga $35.000 per unit. Biaya perbaikan tiap tahun
diperkirakan $15.000. Variabel biaya sebesar 72% dari revenue tiap tahun. Depresiasi
peralatan baru sebesar $10.000 per tahun setelah 4 tahun masa produksi yang diharapkan
dari G-9. Nilai sisa dari peralatan setelah 4 tahun adalah tidak pasti, June
memperkirakannya sama dengan 0. Biaya modal dari PROTRAC adalah 10% dan tingkat
pajak 34%.
(1) Berapakah expected value dari NPV?
(2) Berapa kemungkinan NPV diasumsikan mempunyai nilai negatif?
Gambar
Spreadsheet Wilson dengan Permintaan yang Dipilih Secara Random
MENGEVALUASI PROPOSAL
1. Klik pada sel B21 (sel NPV).
2. Klik pada menu ORBS Define Cell.
3. Klik menu ORBS Preferences dan ubah Trial menjadi 1000.
Gambar
Kotak dialog preferensi
4. Kemudian pilih menu ORBS Run dan setelah ORBS melakukan 1000 iterasi akan
muncul sheet baru dengan nama Result. Dalam sheet Result terdapat tabel distribusi
frekuensi beserta grafik dan deskriftif statistik.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Gambar
Hasil dari simulasi ORBS
Gambar 5
Persentase ORBS
Berikut ini merupakan kesimpulan dan komentar dari beberapa aspek yang telah dibahas
adalah sebagai berikut :
1. Simulator spreadsheet memerlukan parameter dan keputusan sebagai input dan
hasil perhitungan sebagai suatu output.
2. Masing-masing iterasi dari simulator spreadsheet (untuk parameter dan keputusan
yang sama) akan menghasilkan nilai yang berbeda.
3. Penambahan jumlah iterasi dari spreadsheet simulator (untuk parameter yang
sama) biasanya akan memperbaiki akurasi dari estimasi "expected value" pada
hasil perhitungan. Jika digunakan 1000 atau 5000 percobaan pada simulasinya,
maka avarage profit untuk masing-masing jumlah pemesanan akan cenderung
lebih mendekati expected profit yang sebenarnya.
4. Pada simulasi tidak ada keyakinan bahwa telah ditemukan keputusan yang
optimal, meskipun telah digunakan interval keyakinan 95% atau 99% yang secara
statistik berarti telah cukup dilakukan percobaan. Keyakinan yang kurang dari
100% ini disebabkan simulasi hanya dapat memberikan estimasi yang diharapkan
efektif dan bukan nilai eksak karena inputnya berupa bilangan random.
5. Manajemen perlu menaksir empat faktor utama dalam studi simulasi :
a. Apakah model bisa mewakili esensi dari permasalahan yang sebenarnya?
b. Apakah pengaruh kondisi awal dan akhir dari simulasi perlu diperhitungkan ?
c. Apakah percobaan sudah cukup dilakukan untuk masing-masing keputusan
sehingga average value dari perhitungan yang dilakukan merupakan indikasi
bagi expected value yang sebenarnya?
d. Apakah keputusan telah cukup dievaluasi sehingga jawaban terbaik yang
ditemukan cukup dekat ke nilai optimum ?
Membuat scatter diagram perbandingan pajak/jumlah kendaraan dan PDRB per kapita
1. Pada data excel seperti berikut :
2. Buat kolom pajak/kendaraan dan pdrb per penduduk. Isi kolom tersebut dengan rumus
=(c2/d2) kemudian enter. Dan kolom PDRB per penduduk dengan rumus =(e2/f2)
kemudian enter.
3. Hasil perhitungan kemudian ditarik ke bawah untuk semua data.
4. Hitung rata-rata dengan cara =average(data) kemudian enter, dan standar deviasi
dengan cara =stdev(data) kemudian enter.
5. Kurangi hasil angka pajak per kendaraan dan PDRB per penduduk dengan hasil ratarata dengan rumus =G2-$G$26 (pajak/kendaraan) dan =H2-$H$26 (pdrb per
penduduk)
6. Untuk membuat scatter diagram dengan cara blok semua data pada kolom I dan J, klik
insert kemudian pilih scatter seperti gambar dibawah ini :
8. Untuk mengganti layout scatter diagram dengan cara klik gambar kemudian pilih chart
layout seperti pada gambar di bawah ini :
9. Kemudian ganti angka-angka pada dengan nama Kab/Kota sesuai dengan nilai
Kab/Kota pada kolom I dan J. Hasil yang diperoleh sebagai berikut :
Untuk menghitung target PKB untuk setiap jenis kendaraan sebagai berikut :
1. Untuk data PKB seperti pada gambar di bawah ini :
2. Hitung pertumbuhan kendaraan tahun 2007 dengan cara =(B4-B3)/B3, tarik sampai
pertumbuhan 2010.
3. Hitung rata-rata dengan cara =average(pertumbuhan) kemudian enter
4. Hitung standar deviasi dengan cara =stdev(pertumbuhan) kemudian enter
5. Carilah nilai nilai maksimum dari nilai pertumbuhan dengan cara rata-rata+standar
deviasi, dan nilai minimum dengan cara rata-rata standar deviasi.
6. Hitunglah jumlah pertumbuhan kendaraan maksimum dengan cara nilai maksimum
dikali jumlah kendaraan di tahun akhir (2010).
7. Hitunglah jumlah pertumbuhan kendaraan minimum dengan cara nilai minimum dikali
jumlah kendaraan di tahun akhir (2010).
8. Hitung selisih kendaraan dengan cara jumlah pertumbuhan kendaraan maksimum
dikurangi jumlah pertumbuhan kendaraan minimum.
9. Hitung angka random dengan cara =minimum+(selisih*rand()) kemudian enter.
10. Hitung persamaan regresi dengan cara pilih data kemudian data analysis pilih
regression seperti pada gambar di bawah ini :
11. Masukan nilai X (jumlah kendaraan) dan nilai Y (penerimaan PKB), pilih labels,
constant is zero, confidence level dan output options pilih output range kemudian klik
kolom yang berwarna putih dan tentukan tempat meletakkan hasil perhitungan. Seperti
pada gambar dibawah ini :
20. Klik hasil random kemudian klik RISKAN pilih preference, RISKAN pilih define cell,
RISKAN pilih run. Seperti pada gambar dibawah ini :
22. Untuk menentukan pesimis, moderat dan optimis dengan cara sebagai berikut:
Kelas
Pesimis
Batas Bawah
12238311424
Batas Atas
14507192320
Persen
22.85%
Moderat
Optimis
14507192320
19044954112
19044954112
21691981824
51.10%
26.05%
f , ' ' 1
Fungsi ini mencapai maksimum jika turunan parsial pertama f(,) terhadap dan sama
dengan nol.
f ,
0 2 2 0
f ,
0 ' 1 0
2' 2' 0
' var ' X var Y
Dalam hal ini harus sebesar mungkin karena = Var (Y) sendiri diusahakan maksimum,
sehingga yang diambil dari akar ciri maksimum dari . Selanjutnya ditentukan dari
persamaan ( - I) = 0
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Secara umum komponen utama ke-i adalah kombinasi linier terbobot peubah asal
yang mampu menerangkan meragaman data ke-i, bisa ditulis sebagai berikut:
Yi = i11 + i22 + + ipp
VAR (Yi) = I , i = 1, 2,, p
Dari persamaan diatas diketahui i-1I = 0, maka Cov (Yi-1-Yi) = 0. Ini
menunjukkan bahwa komponen utama tidak saling berkorelasi dan komponen utama ke-i
memiliki keragaman sama dengan akar ciri ke-i. Oleh karena itu keragaman total yang
mampu diterangkan setiap komponen utama adalah proporsi antara akar ciri komponen
tersebut terhadap jumlah akar ciri atau teras (trace) matrik .
Matrik ragam peragam yang digunakan dalam masalah ini jika peubah yang
diamati ukurannya pada skala dengan perbedaan tidak besar atau jika satuan ukurannya
sama. Bila peubah yang diamati ukurannya pada skala dengan perbedaan yang sangat lebar
atau satuan ukurannya tidak sama, maka peubah tersebut perlu dibakukan (standardized)
sehingga komponen utama ditentukan dari peubah baku.
Peubah baku (Z) didapat dari transformasi terhadap peubah asal dalam matrik
berikut:
Z V
V1/2 adalah matrik simpangan baku dengan unsur diagonal utama adalah (ii)1/2 sedangkan
unsur lainnya adalah nol. Nilai harapan E(Z) = 0 dan keragamannya adalah Cov (Z) =
(V1/2)-1 (V1/2)-1 =
Dengan demikian komponen utama dari Z dapat ditentukan dari vektor ciri yang
didapat melalui matrik korelasi peubah asal . Untuk mencari akar ciri dan menentukan
vektor pembobotnya sama seperti pada matrik . Sementara teras matrik korelasi akan
sama dengan jumlah p peubah yang dipakai.
Penyusutan dimensi asal dengan cara mengambil sejumlah kecil komponen yang
mampu menerangkan bagian terbesar keragaman data. Apabila komponen utama yang
diambil sebanyak q buah, dimana q < p, maka proporsi keragaman yang bisa diterangkan
adalah: (1 + 2 + + q ) / i i=1,2,,p
Sehingga nilai proporsi dari varian total populasi dapat diterangkan oleh komponen
pertama, kedua atau sampai sejumlah q komponen utama secara bersama-sama adalah
semaksimal mungkin. Tidak ada ketetapan berapa besar proporsi keragaman data yang
dianggap cukup mewakili keragaman total. Meskipun jumlah komponen utama berkurang
dari peubah asal tetapi ini merupakan gabungan dari peubah-peubah asal sehingga
informasi yang diberikan tidak berubah.
Pemilihan komponen utama yang digunakan didasarkan pada akar ciri yang
nilainya lebih besar dari 1 (i > 1). Idealnya, banyaknya komponen utama yang secara
kumulatif telah dapat menerangkan sekitar 60 persen atau lebih variasi dalam data,
khususnya untuk data sosial.
Berikutnya kita melakukan penghitungan matrik korelasi dimana digunakan untuk
melihat keeratan hubungan antara peubah yang satu dengan peubah yang lainnya, untuk itu
dapat dilakukan dua cara yaitu:
Uji Bartlett
Uji ini digunakan untuk melihat apakah matrik korelasi bukan merupakan matrik
identitas. Dipakai bila sebagian besar dari koefisien korelasi kurang dari 0,5. Langkahlangkahnya adalah:
1. Hipotesis
Ho : Matrik korelasi merupakan matrik identitas
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
2 N 1
6
N = Jumlah observasi
p = Jumlah peubah
R = Determinan dari matrik korelasi
3. Keputusan
Uji Bartlett akan menolak H0 jika nilai
2 o b s 2 , p p 1 / 2
r
KMO
r a
2
ij
ij
; i = 1,2,,p ; j = 1,2,,p
2
ij
menjadi set faktor atau komponen yang lebih kecil. Analisis faktor ini dikerjakan untuk
memperoleh sejumlah kecil faktor yang mempunyai sifat-sifat sebagai berikut:
1. Mampu menerangkan keragaman data secara maksimum.
2. Terdapatnya kebebasan faktor.
3. Tiap faktor dapat diinterpretasikan dengan sejelas-jelasnya.
Model analisis faktor:
X1 - 1= l11F1 + l11F2 + +l1mFm + 1
X2 - 2 = l21F1 + l22F2 + + l2mF m + 2
.
.
.
.
Xp - p = lp1F1 + lp2F2 + + lpmF m + m
Atau dalam notasi matriks:
Xpx1 - px1 = LpxmFmx1 + px1
Dimana: X = vektor peubah asal
= Vektor rata-rata peubah asal
L = Matriks penimbang
F = Vektor faktor bersama
= Vektor faktor spesifik
Model (X-) = LF + adalah linier dalam faktor bersama. Bagian dari Var (Xi)
yang dapat diterangkan oleh m faktor bersama disebut communality ke-i. Sedangkan
bagian dari Var (Xi) karena faktor spesifik disebut varian spesifik ke-i.
ii = l2i1 + l2i2 + + l2im + i = h2i + i
dimana: h2i = communality ke-i dan i =varian spesifik ke-i
Dalam praktek matrik ragam peragam ditaksir dengan matrik ragam-peragam
sampel S dan matrik korelasi R. Dalam hal ini paket program SPSS langsung
menggunakan matrik korelasi R sebagai matrik ragam peragam dalam menghitung akar
ciri dan vektor ciri maupun analisis faktornya.
Yang sulit dalam analisis faktor adalah interpretasi dari hasil analisis yang kita
lakukan. Faktor penimbang awal yang diperoleh dari analisis sulit untuk diinterpretasikan
sehingga biasanya dilakukan suatu rotasi sampai struktur yang lebih sederhana diperoleh.
Hal ini dilakukan dengan memanipulasi dengan cara merotasi matrik loading L dengan
memakai metode rotasi tegak lurus varimax, yang menghasilkan matrik loading baru L*.
L*pxq = Lpxq Tqxq
Dimana T adalah matrik transformasi yang dipilih sehingga TT= TT = 1
Dari perumusan di atas terlihat jelas bahwa rotasi merupakan suatu upaya untuk
menghasilkan faktor penimbang baru yang lebih mudah untuk diinterpretasikan dengan
cara mengalikan faktor penimbang awal dengan suatu matrik transformasi yang bersifat
ortogonal. Walaupun telah dirotasi, matrik kovarian (korelasi) tidak berubah karena LL+
= LTTL+ = L*L*+ , selanjutnya varian spesifik 1 dan communality hi2 juga
tidak berubah.
Rotasi faktor yang sering dipakai adalah rotasi yang ortogonal yaitu rotasi varimax.
Rotasi ini merupakan rotasi yang membuat jumlah varian faktor loading dalam masingmasing faktor akan menjadi maksimum, dimana nantinya peubah asal hanya akan
mempunyai korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya
mendekati 1) dan tentunya memiliki korelasi yang lemah dengan faktor yang lainnya
(korelasinya mendekati 0).
3.2.2.3 Analisis Gerombol (Cluster Analysis)
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Seperti halnya pada metode analisis sebelumnya, model ARIMA dapat digunakan
untuk analisis data deret waktu dan peramalan data. Pada model ARIMA
diperlukan penetapan karakteristik data deret berkala seperti : stasioner, musiman
dan sebagainya, yang memerlukan suatu pendekatan sistematis, dan akhirnya akan
menolong untuk mendapatkan gambaran yang jelas mengenai model-model dasar
yang akan ditangani. Hal utama yang mencirikan dari model ARIMA dalam
rangkan analisis data deret waktu dibandingkan metode pemulusan adalah perlunya
pemeriksaan keacakan data dengan melihat koefisien autokorelasinya. Model
ARIMA juga bisa digunakan untuk mengatasi masalah sifat keacakan, trend,
musiman bahkan sifat siklis data data deret waktu yang dianalisis.
c. Analisis Deret Berkala Multivariate
Model ARIMA digunakan untuk analisis data deret waktu pada katagori data
berkala tunggal, atau sering dikatagorikan model-model univariate. Untuk datadata dengan katagori deret berkala berganda (multiple), tidak bisa dilakukan
analisis menggunakan model ARIMA, oleh karena itu diperlukan model-model
multivariate. Model-model yang masuk kelompok multivariate analisisnya lebih
rumit dibandingkan dengan model-model univariate. Pada model multivariate
sendiri bisa dalam bentuk analisis data bivariat (yaitu, hanya data dua deret berkala)
dan dalam bentuk data multivariate (yaitu, data terdiri lebih dari dua deret berkala).
Model-model multivariate diantaranya: (1) model fungsi transfer, (3) model
analisis intervensi (intevention analysis), (4) Fourier Analysis, (5) analisis Spectral
dan (6) Vector Time Series Models.
2. Analisis Regresi
Dalam kehidupan sehari-hari, seringkali dijumpai hubungan antara suatu variabel
dengan satu atau lebih variabel lain. Di dalam bidang pertanian sebagai contoh, dosis
dan jenis pupuk yang diberikan berhubungan dengan hasil pertanian yang diperoleh,
jumlah pakan yang diberikan pada ternak berhubungan dengan berat badannya, dan
sebagainya. Secara umum ada dua macam hubungan antara dua atau lebih variabel,
yaitu bentuk hubungan dan keeratan hubungan. Bila ingin mengetahui bentuk
hubungan dua variabel atau lebih, digunakan analisis regresi. Bila ingin melihat
keeratan hubungan, digunakan analisis korelasi.
Analisis regresi adalah teknik statistika yang berguna untuk memeriksa dan
memodelkan hubungan diantara variabel-variabel. Penerapannya dapat dijumpai secara
luas di banyak bidang seperti teknik, ekonomi, manajemen, ilmu-ilmu biologi, ilmuilmu sosial, dan ilmu-ilmu pertanian. Pada saat ini, analisis regresi berguna dalam
menelaah hubungan dua variabel atau lebih, dan terutama untuk menelusuri pola
hubungan yang modelnya belum diketahui dengan sempurna, sehingga dalam
penerapannya lebih bersifat eksploratif.
Analisis regresi dikelompokkan dari mulai yang paling sederhana sampai yang paling
rumit, tergantung tujuan yang berlandaskan pengetahuan atau teori sementara, bukan
asal ditentukan saja.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Conjoint analysis, bisanya banyak digunakan pada bidang riset pemasaran. Sebagai
contoh bila suatu perusahaan ingin mengeluarkan produk baru, maka melalui analisis
ini bisa dilihat tentang preferensi konsumennya. Untuk bidang pertanian, analisis ini
bisa digunakan oleh pelaku agribisnis baik skala kecil maupun besar yang akan
meluncurkan produk agribisnisnya.
Data dan informasi ilmiah yang termaktub dalam khasanah pengetahuan dan ilmu
semata-mata merupakan hasil rekayasa manusia yang semula diawali kekaguman manusia
terhadap lingkungan di sekitarnya . Kekaguman ini menimbulkan keinginan manusia untuk
mengetahui dan selanjutnya bagaimana alam dapat dikuasai manusia. Fenomena dan
kejadian alam dapat dipelajari karena lazimnya hal-hal yang terjadi secara alamiah akan
berlangsung menurut hukum keteraturan dan konsistensi.
Lazimnya suatu "Ilmu" disusun berdasarkan pengalaman manusia dari hasil
pengamatan manusia terhadap alam, semula menghubungkan satu fenomena satu dengan
lainnya yang bilamana diketahui manusia disebut pengetahuan (knowledge). Pengamatan
adalah suatu tindakan manusia dalam usaha memahami suatu kejadian (gejala), dan dari
hasil pengamatannya manusia berusaha menarik kesimpulan umum (generalisasi). Pada
prinsipnya ada dua pokok kegiatan mental manusia yang memungkinkan tersusunnya ilmu
pengetahuan, yaitu (1) pengamatan, dan (2) inferensia. Keduanya merupakan komponen
dari metoda penelitian ilmiah (scientific research).
Scientific research: kegiatan manusia yang membutuhkan kecer dikan (astute),
pengamatan atau persepsi obyektif dan dan daya evaluasi dan generalisasi yang tajam.
Tujuan dari penelitian ilmiah adalah untuk memperoleh pengertian terhadap suatu
fenomena atau proses dalam penyelidikan spesifik untuk dapat memprediksikan dengan
akurat mengenai apa yang terjadi dalam proses itu sendiri atau memodifikasikan proses
atau dalam mengembangkan proses baru seperti metoda produksi (teknologi) yang lebih
efisien. Dilihat dari segi metodologi, seluruh ilmu pengetahuan didasarkan pada:
(1). Pengamatan dan pengalaman manusia yang terus menerus; dan pengumpulan data
yang sistematis.
(2). Analisis yang digunakan dalam bentuk berbagai cara, antara lain: (a). Analisis
langsung (direct analysis), (b). Analisis perbandingan (comparative analysis), (c).
Analisis matematis dengan meng gunakan model matematis.
(3). Penyusunan model-model atau teori, serta pemuatan peramalan-peramalan dengan
menggunakan model itu.
(4). Penelitian-penelitian untuk menguji ramalan-ramalan tersebut, hasilnya mungkin
benar atau mungkin salah.
Proses penelitian juga dapat diartikan sebagai usaha manusia yang dilakukan secara
sadar dan terencana dengan pentahapan proses secara sistematik untuk : (1) memecahkan
masalah dan menjawab pertanyaan praktis di lapang, atau (2) menambah khasanah ilmu
penge tahuan, baik berupa penemuan teori-teori baru atau penyempurnaan yang sudah ada.
Dengan demikian penelitian juga dapat digunakan sebagai tolok ukur kemajuan
suatu negara, karena melalui penelitian inilah ilmu pengetahuan dan teknologi baru dapat
dihasilkan. Secara umum penelitian (research), dalam pengertian umum dapat dibedakan
antara survai (survey) atau studi kasus (case study) di satu pihak dan penelitian
(experiment) di pihak lain. Untuk dapat melaksanakan penelitian secara baik, diperlukan
penguasaan yang memadai tentang metode penelitian itu sendiri, baik yang menyangkut
pengetahuan teoritikal, ketrampilan dalam praktek dan juga pengalaman-pengalaman.
Lebih dari itu, cara pelaksanaan penelitian yang baik saja sering dirasa belum mencukupi
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
bila kita tidak berhasil menyebar luaskan dan meyakinkan akan kegunaan hasil penelitian
tersebut kepada masyarakat, melalui publikasi-publikasi dan pertemuan ilmiah.
Sementara orang seringkali mencampur-adukkan pengertian "metode penelitian"
dan "metodologi penelitian". Metodologi penelitian membahas konsep teoritik berbagai
metode, kelebihan dan kelemahannya, serta pemilihan metode yang akan digunakan dalam
suatu penelitian. Sedangkan "metode penelitian" mengemukakan secara teknis tentang
metode-metod yang dipakai dalam suatu penelitian.
Seringkali metodologi penelitian diperkenalkan dalam maknanya yang teknis
belaka, misalnya langsung membahas tentang populasi, teknik sampling, merumuskan
masalah, mendisain dan merancang instrumen kuantifikasi data, dan sebagainya. Selain itu,
banyak peneliti telah tenggelam pada berbagai teknik sampling, teknik instrumentasi,
teknik analisis, tanpa menyadari bahwa dia telah menjadi penganut filsafat ilmu tertentu.
Pengguna metodologi seperti biasnaya akan cenderung menolak cara-cara kerja lainnya
sebagai spekulatif, subyektif, dan sebagainya. Sebaliknya para penganbut filsafat ilmu
yang berbeda memberi cap "bohong", "munafik" pada lanbgkah-langkah kerja penelitian
yang memulai tulisannya dengan "alasan pemilihan judul", dan lainnya. Mereka ini lupa
atau tidak tahu bahwa ada metodologi penelitian berbeda yang menggunakan dasar filsafat
ilmu yang lain, yang memang menuntut langkah kerja seperti itu.
Berdasarkan uraian di atas maka seyogyanya seorang peneliti mengetahui dan
menyadari bahwa dia menggunakan landasan filsafat ilmu yang mana untuk metodologi
penelitian yang digunakannya; sehingga dia menyadari kelebihan dan kelemahan
metodologi yang digunakannya, dan sadar pula bahwa ada metodologi epenelitian lain
yang menggunakan landasan filsafat ilmu yang berbeda.
Metodologi penelitian merupakan ilmu yang mempelajari metode-metode
penelitian, ilmu tentang alat-alat untuk penelitian. Di lingkungan filsafat, logika dikenal
sebagai ilmu tentang alat untuk mencari kebenaran, dan kalau disusun secara sistematis,
metodologi penelitian merupakan bagian dari logika. Kita mengenal lima macam model
logika, yaitu (1) logika formal Aristoteles, (2) Logika matematika deduktif, (3) Logika
matematika induktif, (4) Logika matematik probabilistik, dan (5) Logika reflektif.
Logika formal Aristoteles berupaya menyusun struktur hubungan antara sejumlah
proposisi. Untuk membuat generalisasi, logika Aristoteles mengaksentuasikan pada
prinsip-prinsip relasi formal antar proposisi. Proposisi merupakan penegasan tentang relasi
antar jenis , proposisi juga dapat dimaknakan sebagai hubungan antar konsep.
Logika matematika deduktif membangun konstruksi pembuktian kebenaran
mendasarkan pada proposisi-proposisi kategorik seperti Logika tradisional Aristoteles.
Bedanya ialah kalau Logika Aristoteles mendasarkan pada kebenaran formalnya,
sedangkan Lohgika Matematik deduktif mendasrakan pada kebenaran materiil. Logika
Aristoteles menguji kebenaran formal dari proposisi khusus (yang disebut sebagai premis
minor)
berdasar kebenaran proposisi universal (disebut sebagai premis mayor).
Kontradiksi antar keduanya berarti premis minor ditolak. Konstruksi keseluruhan
pembuktiannya menggunakan silogisme: bahwa kalau a termasuk dalam b dan b dalam c,
maka a termasuk dalam c. Logika matematik deduktif menguji kebenaran materiil kasus
berdasarkan dalil, hukum, teori, atau proposisi umum universal lain. Logika Aristoteles
menuntut dipenuhi syarat formal, logika matematika deduktif melihat kebenaran materiil.
Proposisi universal dikenal dengan nama-nama: asumsi, aksioma, postulat, teori, dan tesis.
Asumsi merupakan proposisi universal yang "self evident" benar dan tidak memerlukan
pembuktian. Aksioma merupakan pernyataan tentang sejumlah sesuatu yang mempunyai
hubungan tertentu dan benar; kebenaran ini kalau perlu dapat dibuktikan. Setara dengan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
"aksioma", dalam ilmu-ilmu sosial dikenal istilah "postulat". Tesis merupakan pernyataan
yang telah diuji kebenarannya lewat evidensi, mungkin berlandaskan empoiris, atau
berdasarkan argumentasi tergantung pada teori yang dianut. "Teori" merupakan suatu
konstruksi pernyataan yang integratif yang didalamnya terkandung asumsi,
aksioma/postulat, sejumlah tesis, dan sejumlah proposisi. Teori yang valid memuat lebih
banyak tesis daripada proposisi.
Logika matematik induktif dapat dibedakan menjadi dua, yaitu logika matematika
induktif kategorik dan logika matematik probabilistik. Keduanya membangun generalisasi
secara induktif berdasarkan empiri. Logika kategorik menetapkan kebenaran dengan
penetapan yang implisit dan eksplisit terhadap ketegorisasi yang ditetapkan; sedangkan
Logika probabilistik menamplkan proposisi universal relatif yang memberi peluang atas
kemungkinan benar dan salah dalam proposisinya.
Untuk menguji dan memperoleh kebenaran logika reflektif bergerak mondarmandir antara induksi dan deduksi. Untuk hal-hal yang deterministik digunakan logika
reflektif kategorik, sedngkan untuk hal-hal yang indeterministik digunakan logika reflektif
probabilistik.
Populasi juga dapat diartikan sebagai jumlah keseluruhan unit analisis yang ciricirinya akan diduga (akan dianalisis). Dalam konteks ini dapat dibedakan antara
POPULASI TARGET dan POPULASI SURVEI. Populasi target adalah populasi yang
telah kita tentukan sesuai dengan permasalahan penelitian, dan hasil penelitian dari
populasi ini akan disimpulkan. Populasi survei merupakan populasi yang terliput dalam
penelitian. Secara ideal kedua populasi ini sehatrusnya identik, tetapi pada kenyataannya
seringkali berbeda.
SAMPEL atau CONTOH adalah sebagian dari populasi yang diteliti/diobservasi
dan dianggap dapat menggambarkan keadaan atau ciri populasi. Dalam teknik penarikan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
sampel dikenal dua jenis, yaitu penarikan sampel probabilita dan non probabilita. Sampel
probabilita adalah teknik poenarikan sampel dimana setiap anggota populasi
diberi/disediakan kesempatan yang sama untuk dapat dipilih menjadi sampel.
1. Sampel Probabilita
Ada empat macam cara yang lazim:
(1). Penarikan sampel Secara Acak Sederhana (Simple Random Sampling)
Sampel acak sederhana adalah sampel ayang diambil sedemikian rupa sehingga
anggota populasi mempunyai kesempatan/peluang yang sama untuk dipilih menjadi
sampel.
(2). Penarikan Sampel Sistematis (Systematic Random Sampling)
Metode pengambilan sampel dimana anggota sampel dipilih secara sistematis dari
daftar populasi. Daftar populasi harus berada dalam keadaan acak atau membaur.
(3). Penarikan Sampel Stratifikasi (Stratified Random Sampling)
Apabila kita akan mengkaji hubungan antar variabel, atau kita melibatkan variabel
bebas dan variabel tidak bebas (terikat), maka diperlukan metode penarikan sampel
berlapis atau berstrata. Suatu kriteria yang jelas harus ditetapkan untuk membatasi
strata. Penarikan sampel dari setiap strata dapat dilakukan secara pro porsional atau
tidak proporsional. Keuntungan dari cara penarikan sampel ini adalah (a) semua ciri
populasi yang heterogen dapat terwakili, (b) dapat dikaji hubungan antar strata, atau
memban dingkannya.
(4). Penarikan Sampel Secara Bergerombol (Cluster Sampling)
Dalam praktek seringkali kita tidak mempunyai daftar populasi yang lengkap. Dalam
kondisi seperti ini diperlukan "POPULASI MINI" yang sifat dan karakternya sama
dengan seluruh POPULASI. Populasi mini seperti ini disebut CLUSTER atau
GEROMBOL. Setelah cluster ditetapkan, barulah memilih sampel secara acak.
Kelemahan cara ini adalah sulit mengetahui bahwa setiap gerombol menggambarkan
sifat populasi secara tuntas.
2. Sampel Tidak Probabilita
(1). Penarikan Sampel Secara Kebetulan (Accidental Sampling)
Peneliti dapat memilih orang atau responden yang terdekat dengannya, atau yang
pertama kali dijumpainya dan seterusnya.
(2). Penarikan Sampel Secara Sengaja (Purposive Sampling)
Peneliti telah menentukan responden menjadi sampel penelitiannya dengan anggapan
atau menurut pendapatnya sendiri.
(3). Penarikan Sampel Jatah (Quota SAmpling)
Populasi dibagi menjadi ebberapa strata sesuai dengan fokus pene litian. Penarikan
sampel jatah dilakukan kalau peneliti tidak mengetahui jumlah yang rinci dari setiap
strata populasinya. Dalam kondisi ini peneliti menentukan jatah untuk setiap strata
yang kurang-lebih seimbang.
(4). Penarikan Sampel Bola Salju (Snowball Sampling)
Bola salju dibuat dengan menggulung salju yang bertebaran di atas rumput, dari
sedikit menjadi banyak dan besar. Pertama kali ditentukan satu atau beberapa
responden untuk diwawancarai, sehingga berperan sebagai titik awal penarikan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
PREPOSISI PENELITIAN
Jenis Preposisi
Bagaimana dibuat
Generalisasi
Empiris
Hipotesis
Teori
Postulasi
Aksioma.
ya
tidak
tidak
Nominal
ya
-
Ordinal
ya
ya
-
Interval
ya
ya
ya
-
Rasio
ya
ya
ya
ya
Dalam penelitian, selain "sekala" kita lazim mengenal istilah "indeks", yaitu ukuran
gabungan untuk suatu variabel. Dari beberapa variabel kita menggabungkannya dengan
cara etertentu untuk megukur suatu variabel atau konsep baru. Dalam proses
penggabungan ini dapat digunakan pembobot yang sama atau berbeda untuk setiap
variabel yang digabungkan. Dalam penggabungan ini dapat digunakan cara (1) Summated
Rating, (2) Sekala Likert, dan (3) Sekala Guttman.
Summated Rating: yaitu suatu cara pengelompokkan variabel dengan sekedar
menjumlahkan skor dari nilai sejumlah variabel yang akan dikelompokkan. Sekala
Guttman
atau
Sekalogram:
sekala
yang
bersifat
unidimensional
dan
pernyataan/pertanyaan/variabel yang tercakup dalam sekala ini mempunyai bobot yang
berbeda. Sekala Likert: suatu ukuran gabungan yang berusaha untuk mengurangi akibat
dari ukuran yang multidimensional, dengan tujuan untuk memperoleh ukuran yang
unidimensional.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
5. Pengukuran Variabel
Indikator adalah hal-hal yang digunakan sebagai kriteria untuk menunjukkan dan
mengukur suatu konsep. Misalnya konsep "status sosial ekonomi" mempunyai indikatroindikator "pendidikan", "peker-jaan", dan "penghasilan". Operasionalisasi konsep: upaya
untuk men-jabarkan pengertian suatu konsep yang abstrak dengan menu-runkannya pada
tingkatan yang lebih konkrit, dengan bantuan beberapa variabel sebagai indikator yang
dapat menunjukkan dan mengukur konsep tersebut.
Dunia konsep
(abstrak)
-------------------- X -------------------------
Operasionalisasi
Dunia nyata/
empiris
konkrit
X1
X1.1 X1.2
X2
X2.1 X2.2
X3
X3.1
X3.2
Keterangan:
X = Status sosial ekonomi
X1 = Pendidikan; X2 = pekerjaan; X3 = penghasilan
X1.1 = jenjang pendidikan terakhir
X1.2 = lama waktu pendidikan
X2.1 = jenis pekerjaan utama; X2.2 = jenis pek. sampingan
X3.1 = jumlah penghasilan utama;
X3.2 = jumlah penghasilan sampingan
X1,X2, dan X3 adalah indikator untuk X
X1.1 dan X1.2 adalah indikator untuk X1.
Definisi operasional merupakan petunjuk tentang suatu variabel yang diukur,
sangat membantu dalam komunikasi antara peneliti. Misalnya, "Penduduk yang
tergolong miskin adalah mereka yang mempunyai tingkat pengeluaran senilai kurang
dari 320 kg beras per kapita per tahun untuk penduduk pedesaan dan 480 kg untuk
perkotaan."
6. Hubungan antar variabel
Hubungan antara variabel berdasarkan sifat hubungannya dapat dibedakan menjadi
hubungan simetris dan hubungan asimetris; berdasar kan jumlah variabel yang terlibat
menjadi bivariat dan multivariat; berdasar kan bentuk hubungannya menjadi linear dan
tidak linear; berdasarkan kondisi hubungannya menjadi hubungan yang perlu, hubungan
yang cukup dan hubungan yang perlu dan cukup.
Kaitan antara teori dengan hipotesis dan konsep dengan variabel dapat
diabstraksikan sbb:
.
Teori
Tingkatan KONSEP <-----------------------------> KONSEP
teori
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Tingkatan
Hipotesis
Dalam hubungan antar variabel seringkali ditemukan adanya variabel antara sbb:
Variabel bebas
Variabel antara
X --------------------------> Z ------------------> Y
Variabel bebas
X1
Variabel antara
Z -------------------------------- > Y
Variabel bebas
X2
Variabel kontrol: variabel yang berperan mengontrol hubungan antara dua variabel,
yaitu hubungan semu atau sejati. Hubungan semu adalah hubungan antara dua variabel
yang hanya ada dalam data, tetapi secara logika sebenarnya tidak ada hubungan. Hubungan
ini ada karena terdapat variabel ke tiga yang berhubungan secara positif dengan kedua
variabel.
Ada-tidaknya
kebun binatang
hubungan
positif
Tingkat
kejahatan
hubungan
positif
Z
Besar-kecilnya kota
1. Pendahuluan
Tujuan pokok suatu penelitian adalah untuk menjawab per-tanyaan dan hipotesis.
Untuk itu peneliti merumuskan hipotesis, mengumpulkan data, memproses data, membuat
analisis dan interpretasi. Analisis data belum dapat menjawab pertanyaan penelitian. Setelah data dianalisis dan diperoleh informasi yang lebih sederhana, hasil analisis tersebut
harus diinterpretasi untuk mencari makna dan implikasi dari hasil-hasil analisis tersebut.
Dalam proses analisis data, peneliti menggolongkan, meng-urutkan, dan
menyederhanakan data. Tujuan analisis data ini adalah untuk menyederhanakan data ke
dalam bentuk yang lebih mudah dibaca dan diinterpretasi. Dalam proses analisis ini
seringkali digunakan metode-metode statistik. Dengan menggunakan metode statistik ini
dapat diperbandingkan hasil yang diperoleh dengan hasil yang terjadi secraa kebetulan.
Sehingga peneliti mampu menguji apakah hubungan yang diamatinya memang betul-betul
terjadi karena hubungan sistematis antara variabel yang diteliti atau hanya terjadi secara
kebetulan.
Proses analisis data tidak berhenti sampai sekian. Hasil analisis harus dapat
diinterpretasikan, artinya diadakan "interferensia" tentang hubungan yang diteliti. Peneliti
melakukan inbterferensi ini dalam usaha untuk mencari makna dan implikasi yang lebih
luas dari hasil-hasil penelitiannya. Interpretasi dapat dilakukan menurut pengertian yang
sempit, hanya melibatkan data dan hubungan-hubungan yang diper-olehnya. Interpretasi
juga dapat dilakukan dalam makna yang lebih luas, openeliti berupaya membandingkan
hasil penelitiannya dengan hasil-hasil peneliti lain serta menghubungkan kembali hasil
inferensinya dengan teori. Beberapa teknik analisis data untuk penelitian sosial dapat
diabstraksikan seperti Tabel 1.
Dikotomi
Variabel Pengaruh
Nominal
Ordinal
Politomi
1.Uji perbedaan
1. Kruskal-Wallis
2.Chi-Square
2.Analisis ragam
dua arah
Friedman
Politomi
3.Uji ketepatan
Fisher
4. Koefisien Phi
1. Chi Squarw
Ordinal
2. Kendall
1.Mann-Whitney
1.Rank-order
correlation
2.Kendall
3. Gamma
4. Koefien
Konkordan
1.Analisis ragam
3.Uji tanda
Regresi ganda
logistik
Analisis
determinan
1. Chi
Square
2. Kendall
2.SmirnovKolmogorov
Interval
Interval
Analisis
ragam
dengan
korelasi
inter-kelas
Regresi
ganda
peubah
dumy
Analisis
klasi fikasi
ganda
Analisis
klasifikasi
silang
Mengubah var.
ordinal menjadi
nominal
dan pakai analisis
determinan atau
regresi berganda
logistik atau
Ubah var interval
menjadi ordinal
dan
analisis
nonparametrik
1.Korelasi &
regresi
2.Korelasi dan
regresi berganda
3.Path analisis
4.Regresi parsial
Pengertian dan makna "analisis data" dalam hal ini menyangkut berbagai aktivitas
menghimpun, menata, menghitung, mengevaluasi, dan menginter pretasikan data untuk
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
simbol < ). Perluasan dari konsepsi ini adalah pemaduan tanda "sama dengan" ke dalam
simbol ketidak-samaan.
2.6. Eksponen
Ekspresi m5 mempunyai makna bahwa peubah m nilainya ditingkatkan lima kali
dengan jalan saling mengalikan sesamanya, yaitu m x m x m x m x m. Angka 5 dalam
ekspresi matematik ini disebut eksponen. Sehubungan dengan konsepsi ini ada lima
macam aturan penting, yaitu:
1. X0 = 1 , (X = nilai dari peubah, atau konstante)
2. X1 = X
3. X2 x X3 = X2+3 = X5
4. Xa x Yb = Xa Yb
5. X-a = 1/Xa
2.7. Menggrafikkan Hubungan Aljabar
Dalam banyak kasus ternyata grafik dapat digunakan untuk mengekspresikan
hubungan aljabar.
2.7.1. Menggrafikkan Hubungan Fungsional
Sarana lain untuk menyatakan suatu hubungan fungsio-nal adalah grafik. Dengan
melihat grafik inibiasanya orang akan lebih mudah dan lebih cepat memperoleh
informasintentang perilaku hubungan fungsional yang diwakilinya. Suatu fungsi aljabar : r
= 14 t dapat digrafikkan menjadi seperti Gambar 4.1.
2.7.2. Fungsi-fungsi linear
Suatu fungsi yang grafiknya berupa garis lurus disebut fungsi linear. Fungsi ini
mempunyai konstante yang menyatakan kecepatan naiknya nilai fungsi (peubah
dependent) kalau peubah dependent-nya berubah.
2.7.3. Fungsi-fungsi Kurvilinear
Fungsi ini grafiknya berupa garis lengkung. Slope dari grafik ini tidak konstan.
Salah satu bentuk fungsi ini adalah fungsi kuadratik, misalnya : Y = 4 X2 + 2 X - 3 yang
dapat digrafikkan seperti Gambar 2.
2.7.4. Fungsi Linear tidak homogen (piecewise linear)
Fungsi ini dalam beberapa hal menyerupai fungsi linear dan dalam hal-hal lainnya
menyerupai fungsi kurvi-linear. Fungsi ini dicirikan oleh grafik yang tersusun atas
segmen-segmen yang jelas bedanya, setiap segmen berupa garis linear, dan semua segmenseghmen ini mempunyai slope yang berbeda. Grafik dari fungsi ini disajikan dalam
Gambar 3.
3. Kalkulus Diferensial
Kalkulus diferensial dapat digunakan untuk menentukan kecepatan perubahan nilai
suatu fungsi relatif terhadap perubahan peubah independen.
3.1. Derivatif
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
atas baris horisontal dan kolom vertikal. Secara teoritis, angka tunggal dapat dipandang
sebagai suatu matriks yang terdiri atas satu baris dan satu kolom. Pada kenyataannya
tatanan paling sederhana yang dianggap sebagai matriks adalah terdiri atas (1) satu baris
dan beberapa kolom atau (2) satu kolom dan beberapa baris. Istilah "vektor" seringkali
juga digunakan sebagai nama-khusus bagi salah satu dari ke dua tipe matriks ini, yaitu
vektor baris atau vektor kolom. Beberaspa contoh bentuk matriks:
A= 1 2 3 4 5
M= 1
2
3
4
N = 1 3 6 12
4 8 9 3
9 3 1 21
22 7 9 5
3.
Identifikasi peubah-peubah keputusan yang terkait dengan fungsi kendala dan fungsi
tujuan
4. Identifikasi koefisien dari peubah-peubah yang terkait dengan fungsi tujuan, dan
formulasikan fungsi tujuan secara matematik
5.
Identifikasi koefisien dari peubah-peubah yang terkait dengan konsumsi/
penggunaan sumberdaya atau input, dan total jumlah sumberdaya yang tersedia.
Formulasikan fungsi kendala secara matematik.
Prosedur penyelesaiannya serupa dengan menyelesaikan sepe rangkat persamaan
linear simultan. Teknik khusus yang sering digu nakan didasarkan pada prosedur
algoritme simpleks. Biasanya ada banyak sekali "penyelesaian, solution" yang layak bagi
suatu sistem LP, tetapi hanya ada satu penyelesaian (optimal) yang diharapkan dapat
memaksimumkan atau meminimumkan fungsi tujuan. Model LP dapat diselesaikan secara
numerik dan secara grafik.
Maksimumkan Fungsi tujuan: Z = 3X1 + 5X2
dengan menghadapi fungsi kendala:
1. 2 X1
<= 8
2.
3 X2 <= 15
4. X1, X2 >= 0
3. 6 X1 + 5 X2 <= 30
Daerah layak pada Gambar 4 menunjukkan bagian yang memenuhi "persyaratan"
yang ditetapkan oleh ke empat fungsi kendala, yaitu daerah dimana kombinasi (X1,X2 )
memenuhi persyaratan. Langkah selanjutnya ialah mencari suatu titik (kombinasi X1 dan
X2) yang terletak di dalam daerah layak yang dapat memaksimumkan nilai Z.
Hal tersebut di atas dapat dilakukan dengan jalan meng-gambarkan fungsi tujuan
atau dengan membandingkan nilai Z pada setiap alternatif. alam gambar di atas, garis dari
fungsi tujuan dapat digeser ke arah kanan di dalam kisaran daerah layak hingga mencapai
nilai Z yang sebesar-besarnya.
6. Prinsip Dasar Statistik
Banyak model-model kuantitatif mengasumsikan bahwa data yang relevan dapat
ditentukan dengan pasti. Data seperti ini secara teknis disebut "deterministik",
sedangkan data yang tidak dapat ditentukan secara pasti disebut "probabilistik" atau
stokastik". Suatu peubah yang nilainya tidak dapat diperkirakan dengan pasti disebut
"peubah acak". Kadangkala kita perlu membedakan antara peubah acak diskrit dengan
peubah acak kontinyu.
6.1. Peluang subyektif dan obyektif
Dalam fenomena-fenomena stokastik, perihal yang penting ialah bagaimana
menentukan besarnya peluang yang terkait dengan suatu outcome dari peubah acak.
Penentuan peluang ini dapat dilakukan berdasarkan "feeling" dari peneliti sehingga disebut
peluang subyektif, atau berdasarkan pengalaman/outcome obyektif yang terjadi sebelumnya sehingga disebut peluang obyektif. Masalah peluang ini sangat penting artinya
dalam kejadian-kejadian yang berulang. Sehingga seringkali kita kenal istilah "distribusi
frekuensi", yang pada hakekatnya menyatakan setiap nilaidari suatu peubah acak dan
frekuensinya masing-masing (Tabel 4).
6.2. Nilai Harapan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Nilai harapan dari suatu peubah acak pada hakekatnya merupakan rataan terboboti
dari semua nilai yang mungkin terjadi. Pembobot bagi setiap nilai peubah adalah
peluangnya masing-masing.
Tabel 4. Teladan distribusi frekuensi
_________________________________________________________
Kode Nomer Banyaknya hari
Peluang munculnya
munculnya nomer
kode nomer
_________________________________________________________
152
2
0.067
155
3
0.100
159
7
0.233
160
8
0.266
163
5
0.167
164
3
0.100
167
2
0.067
_________________________________________________________
30
1.00
_________________________________________________________
Teladan sederhana adalah berikut ini:
Jumlah kendaraan
Peluang
2
0.20
3
0.80
----------1.00
Nilai harapan dari peubah acak (jumlah kendaraan yang terjual dalam suatu hari)
adalah (0.2 x 2 + 0.8 x 3) atau = 2.8 kendaraan. Nilai ini memerlukan interpretasi hatihati.
6.3. Variasi dan Analisis Ragam
Variasi di antara berbagai nilai yang mungkin terjadi dari suatu peubah acak
seringkali disebut "dispersi". Ukuran besarnya dispersi dari suatu peubah acak disebut
"ragam, variance". Pada dasarnya ragam ini merupakan rata-rata kuadrat simpangan dari
suatu peubah acak terhadap nilai rata-ratanya (mean). Akar kuadrat dari ragam disebut
"simpangan baku", yang kegunaan utamanya terletak pada kemampuannya untuk
mengekspresikan dispersi dalam bentuk unit ukuran orisinalnya.
Model dasar dari analisis ragam mengasumsikan sejumlah tertentu faktor
independen atau efek-efeknya yang ditambahkan kepada rataan, mampu mendefinisikan
situasi praktis yang dimodel. Dengan demikian suatu eksperimen sederhana dengan t
perlakuan dan diulang r kali dapat didefiniskan dengan model:
Yij = + i + j + ij
dimana adalah rata-rata; adalah pengaruh ulangan ke-i (i = 1 - r); adalah
pengaruh perlakuan ke-j (j = 1 - t), dan adalah kesalahan acak yang tersebar normal dan
independen dengan rataan nol dan ragam 2.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
7. Korelasi
Secara umum dapat dikatakan bahwa "korelasi" merupakan peralatan statistik
yang mengukur kekuatan hubungan antara dua peubah atau lebih. Dengan demikian
dikenal dua macam korelasi, yaitu korelasi sederhana dan korelasi majemuk atau berganda.
Ukuran dari korelasi tersebut adalah (i) koefisien-korelasi (r) yang nilai numeriknya
berkisar antara -1 dan +1, dan (ii) koefisien determinasi (r2 ).
Koefisien determinasi yang merupakan kuadrat dari koefisien korelasi pada
hakekatnya menyatakan sebagian (persentase) dari total variasi (peubah 1) yang dapat
diterangkan oleh variasi peubah 2. Jadi nilai r2 = 0.846 atau 84.6% menyataan bahwa
84.6% dari variasi peubah 1 dapat dijelaskan oleh variasi peubah 2, sedangkan 15.4% dari
total variasi disebabkan olah faktor lainnya..
8. Regresi
Dalam permasalahan pengelolaan dan menejemen seringkali dijumpai kegiatan
peramalan, pendugaan, perkiraan, dan lainnya. Salah satu metode yang dapat digunakan
untuk maksud-maksud ini adalah regresi. Metode analisis ini sangat tepat kalau peubah
yang diramal secara logis "dependent" terhadap peubah lainnya ("independent").
Misalnya ada ketergantungan logis antara "sales" dan "biaya perjalanan salesmen".
Apabila peubah independent-nya hanya satu maka disebut regresi sederhana , dan apabila
peubah independent-nya lebih dari satu maka disebut regresi-berganda.
Dalam rangka untuk dapat mengimplementasikan regresi ini ada dua kriteria yang
harus diperhatikan, yaitu (i) apakah ada peubah lain yang mempunyai hubungan
"prasyarat" logis dengan peubah dependent, dan (ii) apakah bentuk hubungan logis tersebut
linear atau non-linear. Untuk dapat menjawab kriteria pertama tersebut kita harus menguasai landasan teoritis yang melatar-belakangi permasalahan yang dihadapi. Hubungan
logis yang menjadi prasyarat tersebut dapat berupa fubungan fungsional atau hubungan
sebab-akibat.
Sedangkan bentuk hubungan antara dua peubah dapat dilihat dengan
menggunakan diagram pencar yang melukiskan titik-titik data (Gambar 5).
Hubungan antara dua peubah tersebut di atas dapat dinyatakan dalam bentuk
matematis sbb:
1. Model regresi linear: Y = a + b X
2. Model regresi non linear:
2.1. Kuadratik
: Y = a + bX + c X2
2.2. Eksponensial
: Y = a (ecX) atau Y = a (e-cX)
2.3. Asimtotis
: Y = a - b(e-cX)
2.4. Logistik
: Y = a / (1+b rX).
Grafik hubungan-hubungan tersebut dilukiskan dalam Gambar 6.
Model regresi yang melibatkan lebih dari satu peubah in-dependent dinamakan
model regresi berganda, salah satu contoh yang populer adalah Regresi Linear Berganda.
Dua macam penggunaan yang sangat penting dari model regresi ini ialah (i) membangun
persamaan yang melibatkan beberapa peubah independent (Xi) yang dapat digunakan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
untuk menduga perilaku peubah independent (Y), dan (ii) menemukan peubah-peubah
independent (Xi) yang berhubungan dengan peubah Y, mengurutkan tingkat kepen
tingannya, dan menginterpretasikan hubungan- hubungan yang ada.
Model matematikanya adalah:
Y = a + b1 X1 + b2X2 + ........ + bn Xn
dimana:
Y = peubah independent
X1 = peubah independent pertama
X2 = peubah independent ke dua
Xn = peubah independent ke n
a = intercept
b1, b2, bn, ....... = koefisien regresi.
9. Teori Permainan
Teori permainan (game theory) merupakan pendekatan matematik untuk
merumuskan situasi persaingan dan konflik antara berbagai kepentingan. Teori ini
dikembangkan untuk menganalisis proses pengambilan keputusan dari situasi-situasi
persaingan yang bebeda-beda dan melibatkan dua atau lebih kepentingan. Misalnya para
pimpinan pemasaran bersaing dalam memperebutkan pangsa pasar, yang semuanya
terlibat dalam usaha untuk memenangkan permainan. Kepentingan-kepentingan yang
bersaing dalam permainan disebut para "pemain". Diasumsikan bahwa setiap pemain
mempunyai kemampuan untuk mengambil keputusan secara bebas dan rasional.
Model-model teori permainan ini dapat diklasifikasikan menurut jumlah pemain,
jumlah keuntungan dan kerugian, serta jumlah strategi yang digunakan dalam permainan.
Telada berikut adalah Permainan dua- pemain-jumlah-nol "(2 person zero sum game)".
Matriks pay-off nya disajikan dalam Tabel 6.
(2).
(3).
(4).
(5).
(6).
(7).
Dalam teladan ini, bilangan positif dapat menunjukkan keuntungan bagi pemain baris
(maximizing player) dan merupakan kerugian bagi pemain kolom (minimizing
player). Kalau pemain A menggunakan strategi A1 dan pemain B memilih strategi
B2, maka hasilnya ialah A memperoleh keuntungan 9 dan B mengalami kerugian 9.
Asumsinya bahwa matriks permainan diketahui oleh kedua pemain.
Strategi permainan adalah rangkaian kegiatan atau rencana dari seorang pemain,
sebagai reaksi atas aksi yang mungkin dilakukan oleh pemain lawannya.
Aturan permainan melukiskan kerangka dimana para pe-main memilih strateginya
masing-masing.
Nilai permainan adalah hasil yang diperkirakan per-mainan dimana kedua pemain
menggunakan strateginya yang paling baik atau optimal. Suatu permainan disebut
"adil" apabila nilainya nol, dimana tidak ada pemain yang memperoleh keuntungan
atau kemenangan.
Suatu strategi dominan apabila setiap pay-off dalam strategi adalah supe-rior terhadap
setiap pay off yang berhubungan dalam suatu strategi alter-natif.
Strategi optimal adalah rangkaian kegiatan atau ren- cana yang menyeluruh, yang
menyebabkan seorang pemain dalam posisi yang paling mengun tungkan tanpa
memperhatikan kegiatan para lawannya.
Tujuan dari model permainan adalah menidentifikasikan strategi atau ren-cana optimal
bagi setiap pemain. Dalam teladan di atas, strategi optimal bagi A adalah A2; dan
strategi optimal bagi B adalah B3.
Berdasarkan uraian di atas, konsep teori permainan sangat penting dalam masalahmasalah:
(1). Pengembangan suatu kerangka untuk analisis pengambilan kepu-tusan dalam kondisi
persaingan (dan juga kerjasama)
(2). Penguraian suatu metode kuantitatif yang sistematis yang memungkinkan para
pemain memilih strategi yang rasional dalam upaya mencapai tujuan
(3). Gambaran dan penjelasan tentang fenomena situasi persaingan atau konflik, seperti
tawar-menawar dan perumusan koalisi.
Tujuan dari teori keputusan a.l. adalah untuk memaksi mumkan (atau
meminimumkan) "benefits" (atau cost) rata-rata jangka panjang berbagai keputusan yang
menghadapi kondisi risiko. Sedangkan pengambilan keputusan pada kondisi ketidakpastian dikaji dalam teori permainan.
10.1. Konsep-konsep Dasar
Model keputusan yang umum terdiri atas komponen-komponen:
(1). Keadaan dasar: sekumpulan kejadian acak yang mungkin dapat mempe ngaruhi hasil
keputusan
(2). Peluang-peluang yang berkaitan dengan keadaan dasar
(3). Keputusan: sekumpulan kegiatan yang mungkin diambil oleh pengambil keputusan
(4). Pay off. Sekumpulan benefit atau cost yang mungkin dapat dihasilkan dari keputusan
dan keadaan dasar yang acak.
10.2. Kriteria keputusan
Keputusan optimal yang dapat diambil tergantung pada sasaran yang ingin dicapai
oleh pengambil keputusan. Beberapa macam kriteria yang sering digunakan untuk
memaksimumkan atau meminimumkan sasaran adalah :
(1). Kriteria Nilai Harapan
Nilai harapan dari suatu peubah acak X adalah samadengan penjumlahan semua nilai
X yang mungkin terjadi dikalikan dengan peluangnya masing-masing. Konsepsinya
adalah memilih keputusan yang mempunyai pay-off yang maksimum atau biaya yang
minimum.
(2). Kriteria Pohon Keputusan
Dalam hal keputusan yang berurutan, pohon keputusan merupakan suatu peralatan
pemodelan konseptual dan skematik yang ampuh.
Pohon keputusan adalah
representasi skematik dari suatu masalah keputusan.
(3). Kriteria ragam
Besar-kecilnya risiko diukur dengan ragam; semakin besar ragam berarti semakin
tidak seragam atau dengan kata lain risikonya semakin besar. Kriteria yang diguakan
adalah: Maksimumkan E(Z) - K . Ragam (Z)
dimana E(Z) adalah hasil yang diharapkan dari kegiatan Z, sedangkan K adalah
pembobot yang mencerminkan kepekaan seseorang terhadap risiko. Semakin tidak
senang risiko berarti nilai K semakin besar.
(4). Kriteria Maximax.
Keputusan yang dipulih adalah yang menghasilkan pay-off paling besar tanpa
mempedulikan keadaan dasar yang seharusnya dipilih.
(5). Kriteria Maximin
Keputusan yang dipilih adalah yang mempunyai maksimum dari pay- off yang
minimum. Kriteria ini agak pesimistik.
(6). Kriteria peluang maksimum
Seseorang seharusnya memilih keputusan optimal atau landasan keadaan dasar yang
paling sering terjadi (modus).
(7). Kriteria Laplace
Dalam kondisi tidak tersedia bukti atau data yang kuat, maka setiap keadaan dasar
dianggap mempunyai peluang yang sama besar. Oleh karena itu, seseorang harus
memilih keadaan dasar yang mempunyai benefit rata-rata tertinggi.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Rentan Kanker
Tidak rentan kanker
Jumlah
Perokok
200
180
380
Tidak merokok
300
310
610
Jumlah
500
490
990
Dengan data seperti di atas kita dapat melakukan analisis lebih lanjut untuk
mengetahui apakah ada hubungan antara kebiasaan merokok dengan kerentanan terhadap
penyakit kanker. Kriteria uji Chi-kuadrat dapat dihitung dan kemudian dibandingkan
dengan nilai Chi-kuadrat dalam tabel standar. Teladan lain misalnya hasil percobaan
pemberian pakan kepada tikus (Tabel 8)
Data ini dapat dianalisis untuk mengetahui pengaruh bahan pakan terhadap
kehidupan tikus, atau untuk mengetahui apakah sebenarnya peluang tikus untuk hidup
sama besar setelah diberi kedua macam bahan pakan tersebut. Data binomial dalam tabel
yang dimensinya lebih dari dua mengisyaratkan problematik statistik dan interpretasinya
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
yang rumit. Suatu teladan sederhana berikut ini adalah hasil percobaan pemberian pakan
konsentrat terhadap kesehatan tubuh dua jenis kelinci (Tabel 9). Tujuan dari percobaan ini
adalah untuk mengetahui apakah pengaruh konsentrat terhadap kesehatan tubuh kelinci
jenis A berbeda dengan jenis B. Untuk menjawab pertanyaan tersebut data dapat dianalisis
dengan menggunakan teknik-teknik Chi-kuadrat . Kriteria uji dapat dikembangkan dengan
melibatkan peluang di masing-masing "Cel" dari tabel kontingensi.
Tabel 8. Tabel kontingensi dua arah (Hasil percobaan pemberian pakan pada tikus)
_________________________________________________________
Perlakuan pakan
Jumlah tikus yang:
Hidup
Mati
Total
_________________________________________________________
Kaldu standar
8
12
20
Campur penisilin
48
62
110
_________________________________________________________
Total
56
74
130
______________________________________________________
14. Data Multivariate
Dalam perihal-perihal tertentu ternyata para pakar telah membuat pembedaan
antara "variable" dan "variate". Suatu "variable" adalah "kuantita yang mempunyai
nilai berbeda untuk individu yang berbeda, atau mempunyai nilai berbeda untuk individu
yang sama pada kondisi yang berbeda". Sedangkan suatu "variate" didefinisikan sebagai
"suatu kuantita yang dapat mempunyai salah satu nilai dari gugus nilai tertentu yang
mempunyai frekuensi relatif atau peluang tertentu". "Variate" ini kadangkala juga
dipandang sebagai peubah-acak, tetapi harus dipandang bukan hanya nilainya saja, tetapi
juga harus dilibatkan fungsi peluangnya.
Tabel 9. Tabel kontingensi tiga arah
_________________________________________________________
Kelinci A
Kelinci B
Total
Sehat Sakit Sehat Sakit
_________________________________________________________
Kelinci A
12
15
20
10
57
Kelinci B
15
15
18
20
68
_________________________________________________________
Total
27
30
38
30
125
_________________________________________________________
Dalam bidang ekologi atau ilmu lingkungan, seringkali suatu model analisis harus
mampu menangkap perilaku lebih dari satu variate. Model-model seperti ini secara
kolektif disebut "multivariate", dan teknik analisisnya disebut "multivariate analysis".
Pada hakekatnya analisis ini adalah analiis data multi variate dalam pengertian bahwa
setiap anggota mempunyai nilai-nilai p variates. Teladan data seperti ini disajikan dalam
Tabel 10.
_________________________________________________________
No.
Kadar Fosfor
Nitrogen Kepadatan Kerikil
Tanah air
_________________________________________________________
1
68
15
2.1
45
15
2
72
10
1.8
56
21
3
72
12
2.2
44
26
4
65
22
2.1
50
18
5
60
15
2.3
49
20
6
45
17
3.1
30
21
7
50
22
2.8
42
23
8
70
28
2.5
29
18
9
76
21
2.1
43
10
10
54
23
1.9
50
6
_________________________________________________________
14.1. Model-model deskriptif
Model-model ini tidak melibatkan pendugaan variate degan menggu-nakan variate
lainnya.
(a). Analisis Komponen Utama ("Principal Component Analysis, PCA")
Model ini merupakan bentuk yang cukup sederhana untuk mempelajari variasi
multivariate. Analisis ini dapat digunakan untuk menganalisis data yang memenuhi
syarat sbb:
1.
2.
3.
1.
2.
3.
4.
5.
6.
Untuk setiap individu unit contoh diukur dan dicatat peubah- peubah yang sama.
Dengan demikian semua pengukuran harus dilakukan untuk setiap individu unit
pengamatan,
Peubah-peubah yang dipilih untuk analisis harus kontinyu atau kalau diskrit maka
intervalnya harus cukup kecil sehingga dapat dianggap kontinyu
Tidak ada manipulasi peubah orisinal untuk membentuk peubah baru yang juga
dilibatkan dalam analisis.
Metode analisis ini dilakukan untuk mencapai tujuan :
Pemeriksaan korelasi antara peubah-peubah yang separate
Reduksi dimensi variabilitas yang diekspresikan oleh unit-unit sampling individual
hingga menjadi paling sedikit tetapi masih bermakna
Eliminasi peubah-peubah yang sumbangan informasinya kecil
Pemeriksaan pengelompokkan unit-unit sampling yang paling informatif
Penentuan pembobot obyektif bagi peubah-peubah dalam rangka untuk menyusun
indeks variasi
Identifikasi unit-unit samling yang meragukan asal-usulnya
Metode analisis ini pada hakekatnya melibatkan ekstraksi eigenvalue dan eigenvector
dari matriks koefisien korelasi peubah-peubah orisinalnya.
analisis PCA. Tujuannya tidak lain adalah untuk mengelompokkan unit-unit data atau
peubah ke dalam gerombol-gerombol (kelompok) sehingga elemen-elemen dalam
suatu gerombol mempunyai derajat "asosiasi alamiah" yang cukup tinggi, dan
gerombol yang satu berbeda dengan gerombol lainnya. Hasil analisis gerombol ini
dapat disajikan dalam bentuk dendrogram seperti Gambar 17.
merupakan cara untuk mengumpulkan data yang banyak secara cepat, datanya
sedemikian banyaknya sehingga diperlukan uji non parametrik,
(3). Kalau dimungkinkan untuk me-ranking data, maka teredia prosedur-prosedur nonparametrik,
(4). Karena statistik non-parametrik menggunakan data enumerasi, ranking, atau tanda dari
perbedaan untuk observasi yang berpasangan, maka seringkali dapat lebih cepat dan
mudah digunakan.
Efisiensi teknik-teknik non-parametrik dibandingkan dengan metode parametrik
ternyata snagat tinggi untuk sampel kecil ( n < 10), efisiensi menurun kalau jumlah sampel
semakin besar.
X2 =
(Observasi - Harapan)
----------------------------(Harapan)
(n1-n2)2
X2 = ------------n1 + n2
dimana nilai-nilai n1 dan n2 adalah banyaknya tanda plus dan minus.
Uji ini mempunyai kerugian karena tidak mamapu mendeteksi informasi mengenai
besarnya perbedaan. Sehingga tidak memungkinkan untuk mendeteksi penyimpangan
dari hipotesis nol kalau banyaknya pasangan observasi kurang dari enam. Untuk pasangan
observasi lebih dari 20, uji ini sangat berguna.
16.4. Uji Rank Wilcoxon
Uji ini merupakan pengembangan dari Uji-Tanda dalam upaya untuk mendeteksi
perbedaan-perbedaan riil pada perlakuan yang berpasangan. Tahapan dalam prosedur ini
adalah:
(1). Menyusun Rank perbedaan-perbedaan di antara nilai-nilai yang berpasangan mulai
terkecil hingga terbesar tanpa memperhatikan tandanya.
(2). Memberi tanda pada Rank sesuai dengan perbedaan orisinalmnya
(3). Menghitung jumlah Rank positif T+ dan menjumlah rank negatif T-. Ini berhubungan
dengan persamaan T+ + T- = n(n+1)/2.
Pilihlah di antara T+ dan T- yang secara numerik lebih kecil, dan ini disebut dengan
T.
(4). Membandingkan jumlah yang diperoleh pada tahap (3) dengan nilai kritis.
Uji signifikasi dapat dilakukan dengan n sama dengan ba-nyaknya pasangan:
Z = (T - T)/T,
n(n+1)
n(n+1)(2n+1)
T = -----------------, T = -----------------4
24
.
16.5. Uji Kolmogorov-Smirnov: Dua Sampel
Untuk menguji dua sampel independen dan menguji hipotesis nol bahwa mereka
berasal dari distribusi yang identik. Kalau sampel-sampel tersebut adalah Y11 , ...... Y1n1
dan Y21, .... Y2n2, maka kita mempunyai Ho: F1(Y) = F2(Y), dimana F i adalah benar
tetapi fungsi distribusi kumulatifnya tidak spesifik. Kriteria uji mensyaratkan bahwa dua
fungsi distribusi sampel dibandingkan. Ini berarti kita mencari perbedaan numerik maksimum di antaranya. Langkah-langkah prosedurnya adalah:
(1). Ranking semua observasi bersama-sama
(2). Tentukan fungsi-fungsi distribusi komulatif dari sampel, Fn(Y1) dan Fn(Y2 )
(3). Hitunglah |F n(Y1 ) - Fn(Y2)| pada masing-masing nilai Y
(4). Carilah D dan bandingkan dengan nilai kritis.
Kalau H1: F1(Y) > F2(Y) maka kriteria ujinya adalah:
D+ = |Fn(Y1) - Fn(Y2 )| untuk Fn(Y1) > Fn(Y2)
Kalau H1: F1(Y) < F2(Y) maka kriteria ujinya adalah:
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
(n-1) n (n+1)
dimana rs adalah koefisien korelasi rank Spearman dan n adalah banyaknya perbedaan
d.
(4). Kalau pasangan sangat banyak, estimasi dapat diuji dengan menggunakan kriteria:
n-2
t = rs ------1 - rs2
tersebar seperti t - Student dengan derajat bebas n-2.
Kalau banyaknya pasangan ganjil, setiap median melalui suatu titik yang agaknya
berbeda. Misalnya saja titik ini (Xm,Y) dan (X,Ym). Untuk menghitung jumlah kuadran,
gantilah dua pasangan ini dengan pasangan tunggal (X,Y), sehingga akan meghasilkan
jumlah pasangan yang genap. Pengujian dilakukan dengan jalan membandingkan jumlah
kuadran dengan nilai tabel.
DAFTAR PUSTAKA
Agrawal, R.C. dan E.O. Heady. 1972. Operations Research Methods for Agricultural
Decisions. The Iowa State University Press, Ames.
France, J. dan J.H.M. Thornley. 1984. Mathematical Models in Agriculture. A
Quantitative Approach to Problems in Agriculture and Related Sciences.
Butterwoths, London.
Frenkiel, F.N. dan Goodall, D.W. 1976. Simulation Modelling of Environmental
Problems. John Wiley and Sons New York, USA.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Nasendi, B.D. dan Affendi Anwar. 1985. Program Linear dan Variasinya. PT. Gramedia,
Jakarta.
Nasoetion, A.H. 1988. Metode Statistik Untuk Penarikan Kesimpulan, Gramedia.
Ott, W.R. 1978. Environmental Indices. Theory and Practice.Ann Arbor Science
Publishers Inc., Michigan.
Pangestu Subagyo, Marwan Asri, dan T. Hani Handoko. 1986. Dasar-dasar Operations
Research. BPFE Yogyakarta.
Tubagus Haedar Ali. 1990. Prinsip-prinsip Network Planning. PT Gramedia, Jakarta.
van Roermund, H.; W.H. Nugroho dan Leo Stroosnijder. 1987. Introduction to Modelling
and Theory of Crop Growth Simulation. Communication Soil Science Unibraw
No. 16. Jurusan Tanah FAPERTA Unibraw, Malang.
Wischmeier, W.H. dan D.D. Smith. 1960. A Universal Soil Loss Equation to Guide
Conservation Farm Planning. 7th. Int. Congr. Soil Sci. Vol. 1: 418-425.
BAB VI
ANALISIS DATA
6.1. PEMILIHAN ALAT ANALISIS DATA
Banyak cara atau metode untuk melakukan analisis data, diantara metode yang
akan dibahas dalam bagian ini adalah dengan menggunakan metode statistik. Metode
statistik adalah prosedur-prosedur yang digunakan dalam pengumpulan, peringkasan,
penyajian, analisis dan penafsiran data. Statistika yang memberikan informasi mengenai
data yang dipunyai dan sama sekali tidak menarik inferensi atau kesimpulan apapun
tentang himpunan data induknya yang lebih besar disebut statistika deskriptif.
Penyusunan tabel, diagram, grafik, dan besaran-besaran lain di majalah atau di korankoran, termasuk dalam kategori statistika deskriptif ini. Walaupun penyajian data statistik
dalam bentuk tabel dan diagram mempunyai banyak kegunaan, namun tujuan akhir telaah
statistika adalah membuat keputusan dan menarik kesimpulan mengenai sehimpunan data
induk yang lebih besar (populasi), yang karena suatu dan lain hal kita hanya memiliki
pengetahuan parsial, berdasarkan hanya sebagian data (sampel). Hal ini membawa kita
pada bidang statistika inferensia (Lihat: Zulaela, 2006:2)
Setelah data terkumpul, peneliti umumnya mempunyai dua tujuan yaitu:
memperoleh informasi secara deskriptif tentang karakteristik suatu populasi berdasarkan
data sampel yang diambil dari populasi tersebut (mean, median, percentiles and standard
deviation) dan melakukan pengujian hipotesis tentang parameter dari populasi tersebut.
Uji-uji statistik (independent t test, paired t test, Chi-square test, Fishers exact test, MannWhitney U test, Wilcoxon matched-pairs test, ANOVA, Kruskal-Wallis test) yang sesuai
yang digunakan untuk melakukan pengujian hipotesis tersebut tergantung pada besar
kecilnya ukuran sampel, normal tidaknya populasi, disamping tipe skala pengukuran.
Secara umum, analisis dimulai dari yang sederhana (cross tabulations, t test) ke yang
lebih kompleks (multiple linear regression, logistic regression). Tabel 6.1; Tabel 6.2 dan
Tabel 6.3 berikut dapat digunakan sebagai acuan dalam pemilihan uji statistik yang sesuai
dengan pengujian hipotesis penelitian (Lihat, Zulaela, 2006:4-5).
Table 6.1: Methods for comparing two populations
Type of data
Size of sample
Interval
large
Method
Normal Distribution for means
small, non_Normal
Distribution
Mann-Whitney U test
Ordinal
any
Mann-Whitney U test
Nominal, ordered
chi-squared test
Dichotomous
Sumber:Zaulaela,2006:5
Paired t method
Ordinal
any
Nominal, ordered
any
sign test
McNemars test
Dichotomous
any
Sumber:Zaulaela,2006:6
Nominal,
ordered
rank correlation
Nominal
rank correlation
analysis of
variance
large
by ranks
sample
normal test,
Mann
analysis
Whitney U
variance
test
by ranks
Mann
chi
Whitney U
squared
test
test
chi squared
chi
test for
squared
trend
test
rank correlation
Ordinal
rank
correlation
Nominal,
ordered
Nominal
Dichotomous
Dichotomo
us
analysis of t test,
variance
normal test
chi squared
test
chi squared,
Fishers
exact test
Sumber:Zaulaela,2006:6
Partisipasi Dalam
Membayar PBB
Ikut membayar
Tidak ikut membayar
Jumlah
Pendidikan
Tidak Tamat SD
Tamat SD
40 (fe1)
30 (fe3)
6 (fe2)
20 (fe4)
46
50
Jumlah
70
26
96
70 46
= 33,54
96
70 50
fe3 =
= 36,46
96
TABEL KERJA :
fe1
fe2
fe4
26 46
= 12,46
96
26 50
=
= 13,54
96
fo
fe
fo fe
(fo fe)2
40
6
30
20
33,54
12,46
36,46
13,54
6,46
6,46
6,46
6,46
41,73
41,73
41,73
41,73
Rumus :
(fo fe)2
fe
1,24
3,35
1,14
3,08
8,81
df = (k 1) (b 1)
6.3.Korelasi
6.3.1. Korelasi Partial
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
X2.Y
50
42
64
70
81
307
X12
64
49
36
81
100
330
X22
25
36
64
49
81
225
Y2
100
49
64
100
81
394
X1.X2
40
42
48
63
90
283
N xy (x) (y)
[N x 2 ( x) 2 ] [N y 2 (y) 2 ]
0,3721 (3)
(0,61) 2 (5,2) 2
=
2
1 (0,3721)
1 (0,61)
1,1163
=
= 1,7778
0,6279
F tabel untuk taraf uji 5%, peubah 1 dan responden 5 adalah 6,61 (seperti
tertera pada cuplikan Tabel F berikut):
TABEL: F
5% (deretan atas) dan 1 % (deretan bawah)
d.b
d.b untuk kuadrat rerata pembagi
untuk K.R
1
2
3
4
5
6
7
8
Pembagi
161
200
216
225
230
234
237
238
1
4052 4999 5403 5625 5764 5859 5928 5981
F =
2
3
4
5
1851
98,49
10,13
34,12
7,71
21,20
6,61
16,26
19,00
99,00
9,55
30,82
6,94
18,00
5,79
13,27
19,16
99,17
9,28
29,46
6,59
16,69
5,41
12,06
19,25
99,25
9,12
28,71
6,39
15,98
5,19
11,39
19,30
99,30
9,01
28,24
6,26
15,52
5,05
10,97
19,33
99,33
8,94
27,91
6,16
15,21
4,95
10,67
19,36
99,34
8,88
27,67
6,09
14,98
4,88
10,45
dst
(Tabel F selengkapnya lihat lampiran)
Fo < F tabel (1,7778 < 6,61)
Tidak ada hubungan yang signifikant.
19,37
99,36
8,84
27,49
6,04
14
4,82
10,27
N x 2 .y (x 2 ) (y)
b. ry.x2 =
[N x 2 (x 2 ) 2 ] [N y 2 (y) 2 ]
5 (307) (35) (44)
(50) (34)
5
5
=
=
41,23
1700
= 0,12.
N x 1 .x 2 (x 1 ) (x 2 )
c. rx1.x2 =
2
2
[N x 1 (x 1 ) 2 ] [N x 2 (x 2 ) 2 ]
5 (283) (40) (35)
=
[ 5 (330) (40) 2 ] [ 5 (255) (35) 2 ]
1415 1400
=
(1650 1600) (1275 1225)
15
=
(50) (50)
15
15
=
=
50
2500
= 0,3.
B. Menghitung Korelasi Parsial
rij (rik ) (rjk )
Rumusnya : rij.k =
1 r 2 ik . 1 r 2 jk
k =
i =
j =
j
k = variabel kontrol
t = variabel tergantung
k
b = variabel bebas
ryx 2 (ryx 1 ) (rx 2 x 1 )
ryx2.x1 =
(1 r 2 yx 1 ) . (1 r 2 x 2 x 1 )
=
=
0,303
= 0,40
0,75
Rumus F tes Korelasi Parsial :
F =
F =
6.3.2.
r 2 ij.k [N (k 1)]
1 r 2 ij.k
( 0,16) (3)
0,48
(0,40) 2 . [5 (1 1)]
=
=
= 0,574
2
1 0,16
0,84
1 (0,40)
Rumusnya :
R2 y.x1 x2
Ry.x1x2
=
=
=
=
=
=
Rumus F tesnya :
R 2 [N (k 1)]
FR =
(1 R 2 ) (k)
0,47 [5 3]
(1 0,47) (2)
0,47 (2)
=
0,53 (2)
0,94
=
1,06
= 0,88
FR =
= rY X1
= 0.3349
r 2 ( N 2) (0.3349) 2 (80 2)
F0
= F5.1
=
1 r2
1 (0.3349) 2
0.11215(78)
8.7477
=
9.8527
1 0.1121215 0.88785
F tabel untuk taraf uji 0.05 adalah 3.96 (peubah 1).
Jadi F0 > F tabel (9.8527) > 3.96
Berarti significant dan mempunyai pengaruh yang berarti antara Motivasi dan
Semangat Kerja.
b. r5.2
= rY X2
c. r5.3
= rY X3
d. r5.4
= rY X4
= 0.4561
(0.4561) 2 (80 2) (0.2080)(78)
F0
= F5.2
=
1 0.2080
1 (0.4561) 2
16.224
=
20.4848
0.7920
Berarti significant dan mempunyai pengaruh yang significant (berarti) antara
Kepemimpinan terhadap variabel Semangat Kerja.
= 0.1691
(0.1691) 2 (80 2) (0.0286)(78)
F0
= F5.3
=
1 0.0286
1 (0.1691) 2
2.2308
=
2.2965
0.9714
Berarti tidak significant pada taraf uji 0.05
Tapi kalau di teskan dengan F tabel tingkat kepercayaan (uji) 0.30 maka akan
significant, karena F0 lebih besar dari F tabel 0.30 (2.2965 > 2.21).
= 0.4175
(0.4175) 2 (80 2) (0.1728)(78)
F0
= F5.4
=
1 0.1728
1 (0.4175) 2
13.4784
=
16.2940
0.8272
Jadi F0 > F tabel (16.2940 > 3.96)
Berarti mempunyai pengaruh yang significant dari variabel Kondisi Fisik Tempat
Kerja terhadap variabel Semangat Kerja.
(0.7920)(0.9002)
0.7129
0.1908
=
0.2259
0.8443
r 2 51.2 [ N (k 1)] (0.2259) 2 (78)
F0 = F51.2
=
1 r 2 51.2
1 (0.2259) 2
(0.0510)(78) 3.978
=
4.1918
1 0.0510
0.949
F tabel untuk taraf uji 5% dengan peubah 2 = 3.11
F0 > F tabel (4.1918) > 3.11)
Berarti hubungan antara variable Motivasi dan Semangat Kerja adalah murni
walaupun dikontrol oleh Kepemimpinan.
b. r51.3
=
=
0.3349 (0.1691)(0.1234
[ (1) r 2 51.3 ] [ (1) r 2 1.3 ]
0.3349 0.0534
0.2815
(1 0.0278)(1 0.0152)
0.9574
0.2815
=
0.2876
0.9735
(0.2876) 2 (78) (0.0827)(78)
F0 = F 51.3
=
1 0.0827
1 (0.2876) 2
6.4505
=
7.0321
0.9173
F0 > F tabel (7.0321 > 3.11)
Berarti hubungan antara variabel Motivasi dan Semangat kerja adalah murni
walaupun dikontrol dengan variabel Komunikasi.
c.
r51.4
=
=
0.3349 (0.4157)(0.3375)
[ (1) (0.1691) 2 ] [ (1) (0.1234) 2 ]
0.3349 0.1313
0.2036
0.2128
(0.9714)(0.9848) 0.9566
3.6925
1 0.0452
0.9548
1 (0.2128) 2
F0 > F tabel (3.6925 > 3.11)
Berarti hubungan antara variabel Motivasi dan Semangat kerja adalah murni
walaupun dikontrol dengan variabel kondisi Fisik tempat kerja.
Dengan perhitungan komputer :
r52.134 = 0.16071
F0 = F 51.4
1 0.058
1 (0.19071) 2
1.9608
=
2.0127
0.9742
F tabel untuk taraf uji 5% dengan peubah 4=2.48
F0 < F tabel (2.0127 < 2.48)
Ini berarti hubungan variabel Motivasi dan Semangat Kerja, walaupun dikontrol
secara bersama-sama oleh variabel Kepemimpinan, Komunikasi, dan Kondisi fisik
tempat kerja, ternyata tidak menguatkan variabel motivasi dan Semangat Kerja.
F0
= F51.234
d. R52.1
e.
R52.3
R52.4
(0.4561) (0.3349)(0.3159) 2
(1 0.11215)(1 0.09979)
0.79925
0.35031
=
0.3918
0.8940
(0.3918) 2 (78) (0.1535)(78)
F0 = F 52.1
=
1 0.1535
1 (0.3918) 2
11.9730
=
14.1441
0.8465
F tabel untuk taraf uji 5% dengan peubah 2 = 3.11
F0 > F tabel (14.1441 > 3.11)
Berarti hubungan antara variabel Kepemimpinan dan Semangat Kerja adalah murni
walaupun dikontrol variabel Motivasi.
f.
(0.4561) (0.1691)(0.3411)
(1 0.0286)(1 0.1163)
0.8584
0.3984
=
0.4300
0.9265
(0.4300) 2 (78) (0.1849)(78)
F0 = F 52.3
=
1 0.1849
1 (0.4300) 2
14.4222
=
17.6938
0.8151
F tabel untuk taraf uji 5% dengan peubah 2 = 3.11
F0 > F tabel (17.6938 > 3.11).
Berarti hubungan antara variabel Kepemimpinan dan semangat Kerja adalah murni
walaupun dikontrol variabel Komunikasi.
(0.4561) (0.4157)(0.3567)
[ (1) (0.4561) 2 ] [ (1) (0.3567) 2 ]
0.4561 0.1483
0.3078
(1 0.2080)(1 0.1272)
0.6913
0.3078
=
0.3702
0.8314
(0.3702) 2 (78) (0.1370)(78)
F0 = F 52.4
=
1 0.1370
1 (0.3702) 2
10.686
=
12.3824
0.863
F tabel untuk taraf uji 5% dengan peubah 2 = 3.11
F0 > F tabel (12.3824 > 3.11)
Berarti hubungan antara variabel Kepemimpinan dan semangat Kerja adalah murni
walaupun dikontrol variabel Kondisi fisik tempat Kerja.
Dengan perhitungan komputer :
r52.234 = 0.30560
(0.30560) 2 (76) (0.0934)(76)
F0
= F52.134
=
1 0.0934
1 (0.30560) 2
7.0984
=
7.8297
0.9066
F tabel untuk taraf uji 5% dengan peubah 4=2.48
F0 > F tabel (7.297 > 2.48)
Ini berarti apabila hubungan variabel Kepemimpinan dan Semangat Kerja, apabila
dikontrol secara bersama-sama oleh variabel Motivasi, Komunikasi, dan Kondisi
fisik Tempat kerja, maka ternyata menguatkan hubungan variabel Kepemimpinan
dan Semangat Kerja.
g. R53.1
h. R53.2
(0.1691) (0.3349)(0.1234)
(1 0.1125)(1 0.0152)
0.87435
0.1278
=
0.1367
0.9351
(0.1367) 2 (78) (0.0187)(78)
F0 = F 53.1
=
1 0.0187
1 (0.1367) 2
1.4586
=
1.4864
0.9813
F0 < F tabel (1.4864 < 3.11)
Ini berarti apabila hubungan variabel Komunikasi dan semangat Kerja adalah
menjadi tidak murni kalau dikontrol oleh variabel Motivasi.
(0.1691) (0.4561)(0.3411)
[ (1) (0.4561) 2 ] [ (1) (0.3411) 2 ]
0.1691 0.1556
0.0135
(1 0.2880)(1 1163)
0.6999
0.0135
=
0.0161
0.8366
(0.0161) 2 (78) (0.00026)(78)
F0 = F 53.2
=
1 0.00026
1 (0.0161) 2
0.0203
=
0.0203
0.99978
F0 < F tabel (0.0203 < 3.11)
Ini berarti apabila hubungan variabel Komunikasi dan semangat Kerja tidak murni
kalau dikontrol oleh variabel Kepemimpinan.
i.
R53.4
(0.1691) (0.4157)(0.08464)
(1 0.1728)(1 0.0072)
0.8212
0.1339
=
0.1478
0.9062
(0.1478) 2 (78) (0.0218)(78)
F0 = F 53.4
=
1 0.0218
1 (0.1478) 2
1.7004
=
1.7383
0.9782
F0 < F tabel (1.7383 < 3.11)
Ini berarti apabila hubungan variabel Komunikasi dan semangat Kerja menjadi
tidak murni apabila dikontrol oleh variabel Kondisi fisik Tempat Kerja.
Dengan perhitungan komputer :
r53.124 = 0.02612
(0.02612) 2 (76) (0.00068)(76)
F0
= F53.124
=
1 0.00068
1 (0.02612) 2
0.05168
=
0.0517
0.99932
F0 < F tabel (0.0517 < 2.48)
Ini berarti hubungan variabel Komunikasi dan Semangat Kerja, walaupun dikontrol
secara bersama-sama oleh variabel Motivasi, Kepemimpinan, dan Kondisi Fisik
Tempat kerja, ternyata tidak menguatkan hubungan variabel Komunikasi dan
Semangat Kerja.
j.
R54.1
=
=
(0.4157) (0.3349)(0.3375)
[ (1) (0.3349) 2 ] [ (1) (0.3375) 2 ]
0.4157 0.1130
0.3027
(1 0.11215)(1 0.1139)
0.7867
0.3027
0.3413
0.8870
(0.3413) 2 (78) (0.1165)(78)
F0 = F 54.1
=
1 0.1165
1 (0.3413) 2
9.078
=
10.2852
0.8835
F0 > F tabel (10.2852 > 3.11)
Ini berarti hubungan antara variabel Kondisi Fisik tempat Kerja dan semangat
Kerja adalah murni walaupun dikontrol oleh variabel Motivasi.
R54.2
k. R54.3
(0.4157) (0.4561)(0.3567)
(1 0.2080)(1 0.1272)
0.6913
0.253
=
0.3043
0.8314
(0.3043) 2 (78) (0.0926)(78)
F0 = F 54.2
=
1 0.0926
1 (0.3043) 2
7.2228
=
7.9599
0.9074
F0 > F tabel (7.9599 > 3.11)
Ini berarti hubungan antara variabel Kondisi Fisik tempat Kerja dan semangat
Kerja adalah murni walaupun dikontrol oleh variabel Kepemimpinan.
(0.4157) (0.1691)(0.08464)
(1 0.0286)(1 0.0072)
0.9644
0.4014
=
0.4088
0.9820
(0.4088) 2 (78) (0.1671)(78)
F0 = F 54.3
=
1 0.1671
1 (0.4088) 2
13.0338
=
15.6487
0.8329
F0 > F tabel (15.6487 > 3.11)
Ini berarti hubungan variabel Kondisi Fisik Tempat Kerja dan Semangat Kerja
menjadi adalah murni walaupun dikontrol oleh variabel Komunikasi.
1 0.0692
1 (0.26305) 2
5.2592
=
5.6502
0.9308
F tabel untuk taraf uji 5% dengan peubah 4 = 2.48
F0 > F tabel (5.6502 > 2.48)
Ini berarti apabila hubungan variabel Kondisi Fisik Tempat Kerja dan Semangat
Kerja, apabila dikontrol secara bersama-sama oleh variabel Motivasi, Komunikasi,
dan Kepemimpinan, maka ternyata menguatkan hubungan variabel Kondisi Fisik
Tempat Kerja dan Semangat Kerja.
2
1 (0.5483) (4) (0.6994)(4)
22.5475
=
8.0596
2.7976
F tabel untuk taraf uji 5% dengan peubah 5 = 2.33
F0 > F tabel (8.0596 > 2.33)
Berarti significant pengaruh variable bebas (Motivasi, Kepemimpinan,
Komunikasi, dan kondisi Fisik Tempat Kerja) terhadap variabel Tergantung
(Semangat Kerja)..
Beberapa Aplikasi Koefisien Determinasi
Dari perhitungan komputer hasilnya adalah :
R21.2345 = 0.3006 = 30.06%
Ini berarti Semangat Kerja berubah 30.06% karena pengaruh variabel Motivasi,
kepemimpinan, Komunikasi, dan kondisi Fisik Tempat kerja.
Sedangkan peubahan variabel Semangat Kerja yang tidak disebabkan oleh pengaruh
Motivasi, kepemimpinan, Komunikasi dan kondisi fisik tempat kerja, sebesar : 1
0.3006 = 0.6994 = 69.94%.
Pembahasan yang sempurna tentang penjelasan analisis multi varian bermakna analisis dengan lebih dari
satu variabel tergantung. Suatu metode satu varian hanya mempunyai satu variabel tergantung. Kami lebih
senang untuk mempertimbangkan semua metode analisis yang mempunyai lebih dari satu variabel tergantung
atau kedua-keduanya seperti metode multivarian. Perlu dijelaskan lebih dini untuk menghindari kebingungan
para pembaca. Jadi, regresi ganda adalah satu metode multivarian. Meskipun masalah itu tidak semuanya
penting.
Kita akan menemukan bahwa ini adalah alat analisa yang ampuh yang dapat
dipakai dengan luas dalam berbagai jenis yang berbeda dari masalah-masalah penelitian.
Hal tersebut dapat digunakan secara efektif dalam sosiologi, psikologi, ekonomi, politik
dan penelitian kependidikan. Dapat digunakan sama baiknya dalam eksperimen dan non
eksperimen. Dapat menangani variabel penelitian yang kontinyu dan katagonis. Metode ini
dapat menangani dua, tiga, empat atau lebih variabel bebas. Pada prinsipnya, analisis itu
sama. Akhirnya bila kita akan dengan berlebihan menunjukkan bahwa regresi ganda dapat
melakukan apapun yang dapat dilakukan oleh analisis varian, misalnya penjumlahan,
perkuadratan, rata-rata perkuadratan, F rasio dan lainnya, maka ditangani dengan
pengetahuan, pemahaman, dan ketelitian. Sungguhpun hal tersebut merupakan satu alat
analisis yang umum dan ampuh bagi para ahli ilmu perilaku.
Regresi Ganda dan Penelitian Ilmiah
Regresi ganda adalah suatu metode analisis kontribusi kolektif atau tersebar dari
dua atau lebih variabel bebas (Xi) terhadap variasi dari satu variabel tergantung (Y). Tugas
ilmu pengetahuan yang mendasar adalah menjelaskan fenomena. Braithwaite (1953)
berkata, tujuan dasar dari ilmu pengetahuan adalah menemukan atau menciptakan
penjelasan-penjelasan yang umum dari kejadian-kejadian alam. Jadi tujuan ilmu
pengetahuan itu adalah teori. Sebuah teori adalah seperangkat konstruk atau variasi yang
saling berhubungan yang menyajikan satu cara pandang yang sistematis dari fenomena
dengan menspesifikasikan hubungan antara variabel-variabel, dengan tujuan menjelaskan
fenomena (Kerlinger, 1964, hal. 11). Akan tetapi cara pandang dari ilmu pengetahuan ini
dekat dengan definisi regresi ganda.
Fenomena alam adalah kompleks. Fenomena dan konstruk dari ilmu-ilmu perilaku
(belajar, prestasi, kegelisihan keinginan, konservatif, kelas sosial, agresi, penguatan,
otoriter dan sebagainya) istimewa kompleksnya. Komplek dalam kaitan ini bermakna
bahwa satu fenomena mempunyai banyak aspek dan penyebab. Dalam kaitan analisis
penelitian, kompleks bermakna bahwa satu fenomena mempunyai beberapa sumber
variasi. Untuk mempelajari konstruk atau variabel yang berbeda-beda. Hal ini
dimaksudkan bahwa bila kita menggunakan satu instrumen yang mengukur variabel dari
sampel individu, kita akan mendapatkan lebih banyak atau lebih sedikit ukuran-ukuran
yang berbeda dari masing-masing instrumen. Pembicaraan kita adalah tentang varian dari
Y atau varian dari rata-rata nilai fakultas (satu ukuran dari prestasi), atau varian dari satu
skala kesukuan.
Dapat dinyatakan bahwa semua ilmuwan harus bekerja dengan varian. Bila variabel
tidak berbeda (jika mereka tidak mempunyai varian) maka ilmuwan tidak dapat
mengerjakan pekerjaannya. Bila dalam sebuah sampel, semua individu mendapat nilai
yang sama da;am satu tes bakat matematik, maka variannya adalah nol, dan tidak mungkin
untuk menjelaskan tentang bakat matematik. Pada ilmu-ilmu perilaku, varian adalah
fenomena itu sendiri dari keingintahuan dan kepentingan ilmiah. Varian yang besar pada
intelegensia dan prestasi anak-anak, misalnya perbedaan yang sungguh-sungguh diantara
sekolah-sekolah dan kelompok-kelompok ekonomi dan sosial dalam variabel kependidikan
yang kritis adalah fenomena dari kepentingan yang mendesak bagi ahli ilmu-ilmu perilaku.
Dalam buku ini akan banyak digunakan ekspresi varian dan kovarian karena kepentingan
dan mendasar dari varian.
Tugas regresi ganda adalah untuk membantu menjelasakan varian dari variabel
tergantung, dengan cara memperkirakan kontribusi pada varian ini dari dua atau lebih
variabel bebas. Para peneliti bidang kependidikan mencoba untuk menjelaskan perbedaan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
dari prestasi sekolah dengan mempelajari berbagai hubungan dari prestasi sekolah
(kecerdasan, bakat, kelas, sosial, ras, latar belaka keluarga, lingkungan sekolah, karakter
guru dan sebagainya). Ilmuwan politik mencoba untuk menjelaskan perilaku pemilihan
dengan mempelajari variabel-variabel yang dianggap berpengaruh pada perilaku itu (jenis
kelamin, usia, pendapatan, pendidikan, afiliasi politik, motivasi, tempat tinggal, dan
lainnya). Ahli psikologi mencoba untuk menjelaskan perilaku dengan ambil beresiko,
dengan menyelidiki variabel kovarian, diantaranya : Komunikasi, diskusi kelompok, norma
kelompok, jenis keputusan, interaksi kelompok, penyebaran dari tanggungjawab (Kogan &
Wallach, 1967).
Pandangan tradisional tentang jumlah penelitian, dalam mempelajari hubungan
diantara satu variabel bebas dan satu variabel tergantung, mempelajari hubungan di antara
variabel bebas lainnya dari variabel tergantung, dan sebagainya, kemudian mencoba
meletakkan unsur-unsur itu bersama-sama model penelitian tradisional juga disebut
kelompok percobaan klasik dan tipe kelompok pengontrol. Selama seseorang tidak
mengatakan bahwa pandangan tersebut tidak absah, ia dapat mengatakan bahwa dalam
ilmu-ilmu perilaku adalah usang bahkan kuno (Campel & Stanley, 1963; Kerlinger, 1964,
1969). Seorang tidak dapat dengan mudah mengerti dan menjelaskan fenomena dalam hal
ini, karena interaksi yang kompleks dari varian bebas pada saat mereka mereka mengenai
variabel tergantung.
Gunakan satu contoh yang sederhana. Kita hendak mempelajari pengaruh metoda
itu pada anak laki-laki, pada anak-anak perempuan, pada anak-anak kelas menengah, anakanak kelas buruh, pada anak-anak kelas yang tinggi, kelas menengah dan kelas rendah
tingkat kecerdasannya. Ini tentu saja suatu ejekan yang mendramatisir kegagalan yang
dekat dari mempelajari satu variabel pada satu waktu. Pekerjaan itu tidak hanya tanpa
akhir, bahkan merupakan kegagalan sendiri karena metode-metode mungkin berbeda
keefektifannya pada jenis-jenis anak-anak yang berbeda, dan seseorang tidak dapat
mempelajari variabel-variabel itu secara bersama-sama.
Analisis regresi ganda disesuaikan dengan baik untuk mempelajari pengaruh dari
beberapa variabel bebas, termasuk variabel eksperimen (manipulasi) terhadap satu variabel
tergantung. Mari kita lihat tiga contoh dari kegunaannya pada penelitian yang sebenarnya
dan membesarkan lebih dari nihil dan abstrak sekali dari pembahasan ini.
Contoh Penelitian
Sebelum membeberkan kegunaan ilustratif dari regresi ganda, suatu kata prediksi
mungkin berguna. Banyak bahkan mungkin hampir semuanya dari kegunaan regresi ganda
telah menegaskan prediksi dari dua variabel bebas atau lebih (Xi) terhadap satu variabel
tergantung (Y). Hasil dari analisis regresi ganda menjadi baik ke dalam satu kerangka kerja
prediksi. Namun demikian prediksi adalah sungguh-sungguh satu kasus dari eksplanasi,
dapatlah digolongkan ke dalam teori dan penjelasan. Lihatlah pada cara ini : Penjelasan
ilmiah menentukan hubungan di antara kegiatan-kegiatan empiris. Kita menyebutkan : jika
p dan q di bawah syarat r, s, dan t. 2. Hal ini tentu saja merupakan penjelasan. Hal ini juga
prediksi dari p (r, s, dan t) terhadap q. Dalam buku ini, kata prediksi akan sering
digunakan. Ini untuk dimengerti dalam pengertian ilmiah yang lebih luas, namun terkecuali
umumnya dalam kajian praktis dimana penelitiannya tertarik pada prediksi yang tepat
terhadap satu kreasi, kira-kira nilai rata-rata atau penampilan kemampuan.
2
Kapanpun kita mengatakan jika p, maka p dalam buku ini, kita selalu mengartikan. Jika p maka mungkin q.
Sisipan kata mungkin adalah sejalan dengan pendekatan probabilitas kita dan tidak berpengaruh kepada
logika dasar
Variabel tergantung selalu dinyatakan dengan Y dan variabel-variabel bebas dinyatakan dengan X1-, X2
Xk
4
Lihat lagi satu atau dua poin dari statistik dasar. Kuadrat dari koefisien korelasi r2xy
Dalam suatu analisa tentang dampak polusi udara terhadap kesehatan manusia,
Lave & Seskin (1970) menggunakan bronchitis, kanker paru-paru, radang paru-paru dan
tingkat penyebab kematian lainnya sebagai variabel tergantung, serta polusi udara dan
status sosial ekonomi (kepadatan penduduk atau kelas sosial) dengan variabel bebas.5
Kedua variabel bebas dihubungkan berbagai indeks kematian dalam suatu rangkaian
analisis regresi ganda. Bila polusi udara adalah suatu determinan, kira-kira kematian dari
bornkhitis atau kanker paru-paru, korelasinya seharusnya bersifat penting, teristimewa bila
dibandingkan dengan korelasi diantara polusi udara dan satu variabel, yang mungkin
seharusnya tidak dipengaruhi oleh polusi udara, misalnya kanker lambung.
Sejumlah analisis menghasilkan hasil yang mirip; polusi udara menempati posisi
yang penting terhadap varian indeks kematian dan bukan kepadatan penduduk. Penulis
berkesimpulan bahwa polusi udara satu variabel penjelas yang berarti, dan variabel sosial
ekonomi diragukan kesignifikansiannya.
Analisis Regresi Ganda dan Analisis Varian
Mahasiswa seharusnya sadar di awal kajiannya tentang hampir semua identitas
yang sebenarnya dari analisis regresi ganda dan analisis varian, seperti kita sebutkan pada
kata pengantar. Bagian kedua dari buku ini akan menjelaskan bagaimana analisis varian
dan dikerjakan dengan analisis regresi ganda. Akan ditunjukkan juga bahwa analisis
regresi ganda tidak hanya memberikan lebih banyak informasi tentang data, tetapi juga
dapat dipakai untuk lebih banyak jenis data.
Analisis varian dirancang untuk menganalisa data yang dihasilkan melalui
percobaan. Bila ada lebih dari satu variabel eksperimen, satu dari kondisi yang harus
dipenuhi untuk menggunakan analisis varian yaitu variabel eksperimen menjadi bebas.
Dalam satu pola faktor, misalnya, peneliti, melakukan usaha untuk memenuhi kondisi ini
dengan menentukan secara random satu bilangan yang sama dari subjek kepada sel dari
pola. Karena beberapa alasan, ia tidak mempunyai bilangan yang sama di dalam sel, maka
variabel bebas akan dikorelasikan dan analisis varian yang biasa dibicarakan dengan teliti,
menjadi tidak tepat guna.
Kita sudah berbicara bertele-tele sebagai latar belakang dalam satu problema
analitis yang penting. Banyak, mungkin hampir semua problema penelitian ilmu-ilmu
perilaku adalah tentang pembeberan macam-macam fakta yang meminjamkan sendiri
terhadap manipulasi ekperimental dan memilih dengan sembarangan penetapan dari
bilangan-bilangan yang sama dari subjek terhadap kelompok-kelompok. Sebagai pengganti
kelompok-kelompok yang lengkap yang sudah ada yang harus digunakan. Kondisi dimana
tidak ada korelasi diantara variabel bebas dilanggar dengan sistematis, demikian juga
(untuk menyatakan), melalui problema dan situasi penelitian yang sangat alami. Apakah
kelas sosial merupakan satu variabel bebas dalam penelitian ini? Untuk menggunakan
analisis varian seseorang harus mempunyai bilangan-bilangan yang sama tentang masalah
kelas menengah dan kelas buruh dalam kebersamaan sel terhadap pembagian kelas-kelas
sosial. (diasumsikan bahwa ada sekurang-kurangnya satu variabel bebas lainnya dalam
penelitian ini). Hal ini begitu pentinya, teristimewa untuk pembahasan berikutnya, karena
itu perlu untuk menjelaskan apa maksudnya.
Penandaan sosial ekonomi itu agak menyesatkan. Dalam hubungan yang dilaporkan di sini, penandaan
benar-benar bermakna dalam hampir semua analisa ialah kepadatan penduduk meskipun Lave & Seskin tidak
menguraikan masalah itu, dapat diperkirakan bahwa semakin padat tingkat populasi maka akan semakin
tinggi angka kematian.
Pada umumnya, ada dua macam variabel bebas, yaitu aktif dan atribut
(Kerlinger,1973,Bab. 3). Variabel aktif adalah variabel manipulatif. Sebagai contoh, jika
seorang peneliti menghadiahi satu kelompok anak-anak karena beberapa macam
penampilan, dan tidak menghadiahi kelompok lainnya, maka ia sudah memanipulasi
variabel ganjaran. Variabel atribut adalah variabel yang diukur, kecerdasan, bakat, kelas
sosial, dan banyak variabel lainnya yang mirip tidak dapat dimanipulasi, banyak subjek
yang datang ke ajang penelitian, juga untuk membicarakan dengan variabel-variabel itu.
Mereka dapat ditentukan ke dalam kelompok-kelompok dasar dari posisi mereka dari
kecerdasan yang tinggi atau rendah atau pada dasar anggota-anggota keluarga kelas
menengah ataupun kelas buruh. Bila ada dua variabel atau lebih seperti itu dalam
penelitian, untuk tujuan-tujuan dari analisis varian, subjek-subjek itu ditetapkan ke dalam
subgroup-subgrup berdasarkan status mereka dalam variabel-variabel itu, besar
kemungkinannya, tanpa menggunakan alat-alat tiruan, untuk mempunyai bilanganbilangan subjek-subjek yang sama dalam sel dari pola. Hal ini disebabkan oleh variabel
dikorelasikan tidak bebas. Variabel intelegensia dan kelas sosial, misalnya mempunyai
korelasi, untuk memahami apa maksudnya dan kesulitan-kesulitan dasar yang terlibat,
andai kata kita berharap untuk mempelajari hubungan antara kecerdasan dan kelas sosial
pada satu pihak, dan prestasi sekolah-sekolah di pihak lain. Skor kecerdasan yang lebih
tinggi akan cenderung merupakan anak-anak kelas menengah, dan tingkat kecerdasan yang
lebih rendah merupakan anak-anak kelas buruh (tentu saja banyak perkecualian, tetapi
mereka tidak dapat mengubah argumen ini). Oleh karena itu bilangan-bilangan subjek akan
menjadi tidak sama dalam sel yang sesungguhnya dari pola, dikarenakan korelasi diantara
inteligensia dan kelas sosial.
Gambar 6.1. Menunjukkannya dalam cara yang sederhana. Kecerdasan dibagi
menjadi kecerdasan yang tinggi dan rendah. Kelas sosial dibagi ke dalam kelas menengah
dan kelas buruh. Karena subjek kelas menengah cenderung mempunyai inteligensia yang
lebih tinggi dibandingkan dengan kelas buruh, akan lebih banyak subjek pada sel a dari
pada sel b. Demikian juga akan lebih banyak kelas buruh pada sel d dan c. Ketidaksamaan
dari subjek menunjukkan adanya hubungan antara inteligensia dan kelas sosial.
Para peneliti umumnya membagi variabel kontinyu ke dalam kelompok tinggi dan
rendah; atau kelompok tinggi, menengah dan rendah, inteligensia tinggi-inteligensia
rendah, sifat otoriter tinggi sifat otoriter rendah dan sebagainya-dalam rangka
menggunakan analisis varian. Meskipun berguna untuk mengkonsepsikan problema disain,
dengan cara ini, akan tetapi hal itu tidak bijaksana dan juga tidak tepat untuk
menganalisanya. Cara seperti ini, untuk sesuatu hal, membuang informasi. Bila seseorang
membagi dua satu variabel yang dapat diambil pada satu jarak dari nilai, maka seseorang
akan kehilangan varian yang dapat dipertimbangkan. 6 Hal ini dapat berarti bahwa korelasi
yang dikurangi dengan variabel lainnya dan bahwa hasilnya tidak signifikan bila pada
6
Kemudian kita akan mendefinisikan macam-macam dari variabel. Untuk saat itu, nominal atau variabel
kategori merupakan variabel yang telah dibagi-pembagi adalah subgugus dari gugus yang terpotong dan
lengkap (kemeny, Snell & Thompson, 1966, hal. 84) pembagi yang terpisah yang tidak bermakna kuantitatif
kecuali yang tentang perbedaan kualitatif. Bilangan-bilangan itu ditetapkan dalam pembagi yang seperti itu,
dengan perkataan lain, adalah label yang sungguh-sungguh yang tidak mempunyai bilangan yang bermakna.
Dibicarakan dengan teliti, mereka tidak dapat diurut atau ditambah, sekalipun kita akan memperlakukannya
seolah-olah mereka mempunyai arti bilangan. Variabel kontinyu adalah yang mempunyai arti bilangan.
Variabel kontinyu adalah yang mempunyai arti bilangan sesungguhnya. Kata kontinyu bermakna penyebaran
atas rangkaian kesatuan linear, bahwa berkemampuan dalam satu kontinum yang ada perubahan kecil.
Namun demikian untuk meyakinkan, kita menggunakan kontinyu untuk memasukkan skala-skala dengan
nilai yang berlainan.
komponen tidak sama, terhadap tingkat mana mereka tidak sama ? Apakah ada sumbersumber lainnya tentang variasi skor prestasi, dengan anggapan bahwa prestasi berharap
untuk menjelaskan ? Bila ya, apa itu ? Bagaimana mereka berkovariasi dengan prestasi dan
dengan inteligensia ?Apakah mereka mengkontribusi sebanyak, lebih banyak atau lebih
sedikit terhadap variasi dari prestasi dari pada inteligensia? Pertanyaan-pertanyaan seperti
apakah ilmu pengetahuan dan analisa itu. Analisa regresi ganda merupakan pembantu yang
ampuh dalam menjawabnya.
Ide-ide dasar ini cukup sederhana. Hanya saja cara-cara pengimplimentasinya yang
tidak sederhana. Pada bab-bab bagian pertama kami meletakkan dasar untuk memahami
dan menguasai regresi ganda. Cara-cara untuk mengimplementasikan ide-ide dan
menjawab pertanyaan-pertanyaan itu. Kami menguji dan mengkaji regresi linear sederhana
dengan terinci, regresi dengan hanya satu variabel bebas dan kemudian memperluas kajian
kita kepada teori dan praktek tentang regresi ganda serta teori dan praktek kontrol statistik,
menggunakan apa yang dikenal sebagai korelasi parsial dan korelasi semi parsial.
Kerangka referensi yang konstan adalah penelitian ilmiah dan problema-problema
penelitian. Bagaimana mungkin, problema penelitian yang tersusun dan nyata akan
digunakan untuk menjelaskan diskusi sehingga mahasiswa berpikir tentang problemaproblema penelitian lebih dari menjadi terpenuhi semata-mata dengan mate-matika,
aritmatika, dan statistik.
Pembaca pertama mendekati jenis-jenis hal yang akan kita kaji, bahkan pembaca
yang memahami persoalan statistik dengan baik, hampir merasakan satu arti yang bersifat
misterius dan magis tentang prosedur-prosedur dan hasil-hasilnya tentu saja tidak ada yang
misterius ataupun magis. Kita setuju bahwa prosedur kadang-kadang nampak bersifat
magis, teristimewa pada Bagian Kedua, dimana kita mencoba menunjukkan bagaimana
dan mengapa analisis varian dilakukan dengan analisis regresi ganda. Tetapi mereka
merasa agak berterus terang, hampir tidak ada aspeknya yang tidak dapat dinyatakan dan
dimengerti, sugguhpun adakalanya kita harus meyakininya. Kami menganjurkan bahwa
pembaca yang masuk kajian tentang subjek itu, menyetujui untuk bekerja melalui contohcontoh itu. Kami akan mencoba menjelaskan-langkah-langkah dan pemikiran yang
mengarah ke suatu problema. Kami juga akan mencoba untuk merefleksikan kebingungan
dan kesulitan kita masih segar dalam ingatan kita dan sehingga mungkin menolong
mahasiswa dengan memanfaatkan aturan-aturannya dan bekerja dari sana.
2
X
2
Y
Gambar 6.2.
rxy
xy
2
(2.1)
y2
x
Z r Zy
rxy
N
(2.2)
Dinyatakan dalam pendahuluan bahwa pengetahuan statistik yang mendasar diambil. Satu
eksposisi korelasi yang lengkap akan membutuhkan satu Bab secara keseluruhan. Kita
membatasidiri untuk hanya mendiskusikan aspek-aspek korelasi ini yang memperjelas teori dan
analisis korelasi yang mendasar dan perkiraan statistik berikut, seperti : varian, standard deviasi,
standar error, estimasi,skor standard, dan asumsi-asumsi di belakang korelasi statistik
rxy
xy
Zy
NS x S y
(2.3)
Dengan menggunakan pasangan tersusun dari Gambar 2.1. lagi, kita menghitung
XY = (0) (2) + (1) (1) + (2) (3) + (3) (4) = 19, dan XY= 19 (6) (10)/4=4.
untuk selanjutnya, bila kita menyebut jumlah perkalian silang, yang kita maksud
adalah XY atau Xi Xj.
Jumlah kudrat dan jumlah perkalian silang adalah materi pokok analisis
regresi. Mahasiswa harus memahaminya secara menyeluruh, dapat
menghitungnya pada kalkulator meja secara rutin, dan dengan penuh harapan,
dapat memprogram perhitunganya pada komputer2 Dengan prkataan lain,
perhitungan demikian, dengan tangan atau komputer, harus menjadi alam yang
kedua bagi para penelitimodern. Sebagai tambahanhampir tidak boleh tidak ia
paling kurang mengetahui unsur dasar dari aljabar matriks. Kekuatan aljabar
matriks yang bersifat varian yang rumit dan sulit menjadi lebih mudah dan lebih
dapat dipahami. Jumlah kudrat dan perkalian silang, misalnya, dapat digambarkan
secara sederhana dan singkat. Jika kitamemisahkan x menjadi N dengan k atriks
data, t erdiri dari ukuran-ukuran pada variabel k dan N individu lalu XX
menggambarkan seluruh jumlah kudrat dan perkalian silang. Atau untuk bentuk
diviasi seseorang menulis XX. Satu matriks deviasi jumlah kuadrat dan perkalian
silang, dengan k=3, diberikan dalam tabel 6.1.
Kita sering akan menemui matriks-matrik yang begitu dalam buku ini 3.
Hampir untuk seluruh bagian kita akan menulis simbol-simbo statistik seperti
X2, XY, dan sebagainya dari simbol-simbol matriks.
Tabel 6.1
Deviasi Jumlah Kudrat Dan Perkalian Silang
Matriks k = 3
x 12
x 1 x 2 x 1 x 3
x 2 x 3 x ' x
x 1 x 2 x 2
2
x 3 x 1 x 3 x 2 x 1
Namun demikian kadang-kadang simbol matriks akan harus digunakan karena
menuliskan semua simbol-simbol statistik dapat melelahkan dan membosankan.
Selain itu perhitungan-perhitungan dan konsep-konsep tertentu mungkin tanpa
aljabar matrik.
Varian dan Kovarian
Varian adalah rata-rata kuadrat deviasi dari rata-rata gugus dari ukuran.
Dengan menggunakan angka-angka dalam gambar 2.1 lagi; varian dari
subgugus X dan Vx = x2/N=5/4 = 1,25. varian lain dari subgusus Y adalah Vy =
Program komputer untuk analisis regresi ganda, MULR, diberikan pada lampiran C di akhir buku
ini. Kebiasaan untuk menghitung jumlah kuadrat dan perkalian silang diberikan dalam statemen
300-05,400-420, dan 500-510. program Fotran dapat ditemukan dalam Cooley dan Lohnes (1971,
bab. 1-2).
3
Pembaca akan mendapat pelajaran dari pandangan sekelas tentang aljabar matriks pada bagian
pertama Lampiran A
y2/N=5/4 = 1,25
4)
untuk contoh-contoh yang sederhana ini N digunakan dalam angka-angka sebutan. Kemudian
N-1 akan digunakan untuk menghitung parameter atau nilai populasi. N-1 digunakan untuk
mengitung statistik atau cacah sampel karena menghasilkan satu estimasi para meter yang tidak
bias.
5
berarti interseksi dari, jadi X Y dibaca X interseksi dari Y, atau interseksi dari X dan Y.
Interseksi gugus-gugus X dan Y terdiri elemen-elemen umum dari kedua gugus. Gagasan itu
dapat dialihkan ke pemikiran varian : Varian umum dari X dan Y atau Kovarian.
( xy) 2
= 0,64
(2.8)
X 2 .Y 2
dengan mengganti lagi nilai yang telah dihitung di atas, kita mendapatkan :
r2xy = 42/(5)(5) = 0,64
r2 disebut satu koefisien determinasi karena ia menggambarkan proporsi
varian Y yang ditentukn oleh X dengan mempertimbangkan variabel bebas X dan
variabel tergantung Y. karena r adalah akibat relasi antar skor standar varian
adalah 1.00; dan mudah untuk melihat bahwa koefisien determinasi adalah
proporsi dari varian Y yang ditentukan oleh X.
Mudah juga untuk menghitung proporsi varian Y yang tidak disebabkan
oleh X : 1- r2 xy = 1 0,64 = 0,36. Jumlah ini kadang-kadang disebut koefisien,
nondeterminasi atau koefisien alienasi. Satu istilah yang lebih baik, yang
digunakan kemudian adalah varian residu.
Mari kita mengungkapkan kerangka statistik dengan variabel-variabel
penelitian. Andaikan X adalah sifat otoriter dan Y adalah etnosentris. Maka 4
persen dari varian etnosentris ditentukan oleh sifat otoriter, dan 36 persen tidak.
Bahwa dalam menjelaskan etnosetris, kita dapat mengatakan bahwa 64 persen
dari variannya ditentukan oleh sifat otoriter. Jangan sampai bingung. Kita tidak
mengatakan secara langsung bahwa X menyebabkan Y, bila kita mengatakan
ditentukan oleh. Maknanya mengatakan lebih hati-hati bahwa kedua variabel
memberikan 64 persen dari keseluruhan varian. Dan 36 persen dari varian Y tidak
ditentukan dan diperkirakan semestinya ditentukan sumber lainnya, variabel
bebas dan kesalahan. Walaupun ada peringatan-peringatan ini, kita akan melihat
kemudian bahwa perlu secara terbatas membuat kesimpulan sebab-akibat. Ini
seharusnya tidak banyak mengganggu kita, banyak karya ilmiah merupakan
kesimpulan sebab akibat yang teliti. (Lihat, Blalock, 1964).
Gagasan tentang varian bisa begitu penting dalam teori dan analisis
korelasi dan regresi sehingga kita menjelaskan contoh di atas dengan cara yang
agak berbeda. Secara mendasar apa yang dilakukan dalam analisis regresi adalah
untuk menjelaskan sumber-sumber varian Y (variabel tergantung). Dalam kasus
di atas, dua variabel X dan Y (sifat otoriter dan etnosentris) berkorelasi 0,80. Bila
koefisien ini dikuadratkan (0,80) 2 = 0,64; satu perkiraan dari proporsi Y yang
ditentukan
oleh X bertambah. Sebagai tambahan, bila total varian Y
dilambangkan 1, maka 1,00 0,64 = 0,36 menggambarkan proporsi varian Y
yang tidak disebabkan oleh X di gambar dalam Gambar 6.3.
Keseluruhan lingkaran menggambarkan varian Y (Vy). Bagian yang dinaungi
menggambarkan bahwa bagian dari varian y yang ditentukan oleh X. Sedangkan
bagian yang tidak dinaungi adalah sisa dari varian Y. yang tidak ditentukan oleh
variabel X, yang disebut varian residu.
r 2 xy
r2xy = 0,64
1-r2xy = 0,36
Gambar 6.3
Korelasi Palsu dan Kausalitas
Beberapa mahasiswa bidang statistik dasar telah mendengar bahwa
seseorang tidak dapat kausalitas dari korelasi. Banyak mahasiswa dalam ilmuilmu perilaku memacu diri mereka bahwa mereka harus menggunakan atau
bahkan tentang kata-kata kausal sekalipun dalam penelitian ilmiah. Ini adalah
satu pola pandang yang ekstrim. Para ilmuwan bagaimanapun juga mengikuti
kasus-kasus
yang menggunakan pemikiran kausalitas. Sungguhpun
membicarakan secara teliti, ilmuwan tidak dapat mengatakan bahwa X
menyebabkan Y, hanya karena ia tidak dapat mengatakan bahwa bukti-bukti
ilmiah membuktikan apapun yang dianggap hukum kausal (Blalock, 1964, hal
12). Pemikiran kausal merupakan pengetahuan yang teliti secara teoritis dan
empiris dalam kenyataan alami bersifat probabilitas. Namun demikian, kita tidak
perlu takut atau mengelakkan kata kausal. Kita harus sungguh-sungguh berhatihati dengannya, teristimewa bila mengerjakan dan menginterpretasikan korelasi.
Mari kita melihat beberapa contoh korelasi palsu yang mengurangi sedikit
pembahasan tersebut. Satu contoh yang terkenal tentang korelasi palsu, yang
penting adalah menduga menghitung korelasi diantara jumlah sangkar burung
bangau di daerah sekitar Stockholm (termasuk kawasan pedesaan) dengan jumlah
kelahiran bayi di daerah tersebut. Andaikan r = 0,80. oleh karena itu bangau
membawa bayi (anggaplah bahwa korelasi sungguh-sungguh 0,80, apa yang
mesti kita jelaskan ?). Disini ada contoh yang lebih menyolok, yaitu korelasi
diantara jumlah mesin-mesin pemadam kebakaran dan kerusakan yang
disebabkannya, korelasi adalah 0,90; oleh karena itu mesin-mesin pemadam
kebakaran penyebab kerusakan (!?).
Satu contoh dari pengarang-pengarang buku ini mungkin bermanfaat.
Kami ingin mengetahui mengenai kualitas karya kami, terutama ingin mengetahui
tentang kemurniannya. Kami memberitahukan, bahwa kami berdua merokok
lebih banyak ketika menulis, satu merokok dengan pipa yang lainya dengan
sigaret (ingat : Merokok sigaret menyebabkan kanker paru-parul; merokok pipa
menyebabkan kankur mulut dan bibir). Kami telah tiga kali menilai tingkat
keabsahan pada skala lima-poin. 20 sampel tulisan kami, secara random dipilih
dari naskah-naskah Bab yang lengkap dari buku ini. Kami juga telah mencatat
beberapa banyak kami merokok ketika menulis bab dami bab itu. Korelasi
antara angka kemurnian dan jumlah rokok adalah 0,74 oleh karena itu ..(!?).
Beberapa contoh ini cukup jelas. Mari kita menggunakan satu atau dua
contoh korelasi palsu yang mungkin dari data penelitian yang aktual. Wilson
(1967) menemukan bahwa para mahasiswa Negro di sekolah yang disatukan
belajar lebih baik daripada yang belajar di sekolah yang dipisahkan. Akan tetapi
hubungan ini nyata-nyata palsu karena ketika Wilson menerima laporan tentang
perkembangan kognisi siswa-siswa Sekolah Dasar (diukur melalui satu tes
kedewasaan mental pada tingkat pertama) dan pengaruh rumah kediaman
(misalnya jumlah penghuni rumah), relasi benar-benar menghilang. Dengan
perkataan lain, kedewasaan mental dan lingkungan rumah kediaman yang
Pada sempel orang-orang Negro Selatan, korelasinya r=0,59 dan keseluruhan sampel orang
Negro, r = 0,64, meninggalkan sedikit keraguan karena kenyataannya dari korelasi itu. Orang
putih selatan r = 0,13 dan keseluruhan orang-orang kulit putih r= 0,03. selain itu diantara orangorang Puerto Rico dan Mexico Amerika r = 0,35 dan r = 0,52
1
2
3
2
4
3
X
Y
2
8
9
1,2
3,0
2,1
-2
-1,0
0,9
1
2
3
5
2
3
X
Y
5
4
12
3
3
3
-2
-1
0
Contoh-contoh ini diambil dari Kerlinger (1964, hal 250 : 251), dimana mereka digunakan
untuk menggambarkan pengaruh pada jumlah kuadrat F tes dari korelasi antara kelompokkelompok eksperimental.
8
Karena hampir semua alasan-alasan dan analisis dalam buku ini didasarkan pada relasi liner,
definisi liner/relasi.regresi liner adalah tepat. Liner tentu saja menghubungkan garis-garis lurus.
Persamaan liner merupakan sesuatu yang tingkat istilahnya paling tinggi dalam variabel
merupakan tingkat yang pertama. Persamaan Y = a + 2 x merupakan tingkat pertama karena x
adalah kekuatan pertama. Ini menggambarkan satu hubungan liner. Jika nilai X dan Y yang
berbeda digunakan, maka mereka akan membentuk satu garis lurus. Pada sisi lain Y = a + 2 x 2
merupakan satu persamaan pada tingkat yang kedua. Hal tersebut menggambarkan satu hubungan
non linear. Satu regresi linear yang sederhana bemakna satu regresi persamaannya merupakan
tingkat pertama. Penting untuk mengetahui apakah relasi liner atau non linear. Bila metode linear
digunakan untuk data non linear, maka akan menghasilkan hasil yang keliru. Sesungguhnya kita
menghadapi relasi non linear kemudian jika melihat problema tersebut maka tidak sulit, sekurangkurangnya seperti yang akan kita bicarakan. Untuk pembahasan yang menyeluruh tentang macammacam relasi (fungsi-fungsi) dan persamaan-persamaan, lihat Guildford (1954, Bab 3).
4
5
5
6
20
:
15
M: 3
2:5
5
4
90
Y2=
2
X =
XY
= 69
b =
xy
x 2
a =
Y=
20
30
69
Y x bx = 3
a+bx =
3,9
4,8
0,1
0,2
0
4
5
15
3
d2
5590-
24
15
60
3
3
d2 =
1,9
(15) 2
10
5
( 20) 2
10
5
9
(15)(20)
5
9
10
4
5
2
0
4
XY =
0,90 b =
55
90
60
90
(0,90) (4) = 60 a =
0,60 +
0,90 Y=
x
3-
(15) 2
5
( 20) 5
5
(15)(20)
1
2
0
10,0
0
10
10
0
0
(0)(4)
3 + (10) x
=3
A:R = 0,90
Y
4
3
2
1
B:R = 0,000
Y= -0,60+0,90x
3,60
Y=3=(0)x
Gambar 6.4
Slope B menunjukkan perubahan pada Y dengan satu perubahan dari satu satuan
X. dalam contoh A kita meramalkan satu perubahan 0,90 pada Y dengan
perubahan X satu satuan. Slope tersebut dapat digambarkan secara trigonometris,
panjang garis berlawanan dengan sudut yang dibuat garis regresi dengan sumbu
X dibagi oleh panjang garis yang berdampingan terhadap sudut. Dalam gambar
2,3 bila kita menarik garis tegak lurus dari lingkaran kecil pada garis regresi, poin
dimana X dan Y berpotongan, paga garis yang digambar secara horizontal dari
titik dimana garis regresi memotong sumbu Y, atau pada Y = -0,60 maka
3,60/4.00 = 0,90. perubahan X satu satuan berarti Y beruabah 0,90.
Nilai X dan Y dari contoh B (gambar 6.4) sangat berbeda. Pada A,
seorang dapat menarik dengan mudah dan secara visual satu garis melalui titiktitik serta mencapai perkiraan yang cukup tetap kepada garis regresi yang
sesungguhnya. Tapi pada B ini hampir tidak mungkin. Garis tersebut dapat
digambarkan dengan menggunakan garis petunjuk lainnya, yang akan kita bahas
secara singkat. Juga penting untuk dicatat bahwa perpancaran atau penyebaran
poin-poin yang digambar melingkupi kedua garis regresi. Pada A mereka melekat
dengan rapat ke garis regresi. Jika r = 1.00 maka mereka semuanya ada pada
garis, seperti yang kita katakan sebelumnya. Bila r = 0,00 pada sisi yang lainnya,
maka mereka terpancar secara melebar di sekitar garis. Korelasi yang rendah,
maka akan semakin besar penyebarannya.
Untuk menghitung statistik regresi dari dua contoh itu, maka kita harus
menghitung deviasi jumlah kuadrat dan perkalian silang. Hal tersebut telah
dikerjakan pada tabel 6.2 di bawah. Rumus untuk slope itu, atau koefisien regresi
(b) adalah :
xy
b
(2.10)
x 2
nilai kedua b adalah 0,90 dan 0,00. pada gambar 2.3 contoh A, nilai b telah
dihitung sebagai tangen dari sudut itu; sisi yang berlawanan di atas sisi yang
berdekatan, seperti yang dijelaskan sebelumnya. Konstan yang berpotongan (a)
dihitung dengan rumus :
a = Y bX
(2.11)
nilai a untuk kedua contoh itu adalah 0,60 dan 3, misalnya untuk contoh A : a =
3 (0,90) (4) = - 0,60. konstan yang berpotongan merupakan titik dimana garis
regresi memotong sumbu Y. untuk menggambarkan garis regresi, letakkan
penggaris di antara konstan yang berpotongan pada sumbu Y dan titik dimana
rata-rata Y dan rata-rata X berpotongan (dalam gambar 6.2), titik ini ditunjukkan
dengan lingkaran kecil.
Langkah terakhir dalam proses ini, sekurang-kurangnya sejauh yang akan
ditunjukkan disini, adalah menuliskan persamaan regresi dan kemudian dengan
menggunakan persamaan tersebut menghitung nilai prediksi dari Y atau Y yang
diberikan oleh nilai X. kedua persamaan itu diberikan dalam baris terakhir dari
tabel 6.4. pertama-tama lihat persamaan regresi untuk r = 0,00 : Y 3 + (0)X. hal
ini maksudnya tentu saja bahwa semua Y prediksi adalah 3, rata-rata Y. bila r =
0 maka prediksi yang terbaik adalah nilai rata-rata tersebut sebagai indikasi awal.
Bila r = 1,00 pada perbedaan yang lain, maka pembaca dapat melihat bahwa
seorang dapat memprediksi dengan persis : Seseorang secara sederhana
memprediksi bahwa skor Y sesuai dengan skor X. Bila r = 0,90, maka prediksi
kurang dari sempurna dan seseorang memprediksi nilai Y dihitung dengan
persamaan regresi. Sebagai contoh untuk memprediksi skor Y yang pertama kita
menghitung :
Y = -0,60 + (0,90) (2) = 1,20
Skor yang diramal dari gugus A dan B sudah diberikan dalam Tabel 6.4. (Lihat
kolom label Y). catat sebagai satu hal yang penting : Sebagai contoh bila kita
menggambarkan X dan Y prediksi (Y), maka titik-titik yang digambarkan
semuanya terletak pada garis regresi. Yaitu garis regresi dari gambar yang
mewakili gugus nilai Y, diberikan nilai X dan korelasi diantara X dan nilai Y
observasi.
Korelasi yang lebih tinggi, akan berakibat prediksi yang lebih tepat.
Ketepatan prediksi dari dua gugus dapat dengan jelas ditunjukkan dengan
menghitung perbedaan diantara nilai Y asli dan Y prediksi, atau Y-Y = d; dan
kemudian menghitung jumlah kuadrat dari perbedaan-perbedaan tersebut.
Perbedaan-perbedaan ini disebut residu. Dalam tabel 6.2., kedua gugus residu dan
jumlah kuadratnya telah dihitung (lihat label kolom d). kedua nilai d2, 1,90 bagi
A dan 10.00 untuk B, agak berbeda hanya karena kedua alur itu dalam Gambar
2.3 agak berbeda. Pada B, atau r=0,00 gugus lebih besar daripada gugus A, atau r
= 0,90; sehingga korelasi yang lebih tinggi akan mengakibatkan deviasi dari
prediksi lebih kecil, jadi prediksinya lebih tepat.
Regresi Sederhana, Analisa Varian dan Tes Signifikansi
Tes signifikansi untuk regresi sederhana dan ganda mirip dengan tes-tes
signifikansi analisis varian. Oleh karena itu dalam tambahan
untuk
menggambarkan tes seperti itu kita menggunakan tersebut bagi meletakkan satu
dasar untuk perkembangan-perkembangan kemudian. Pada bagian kedua dari
buku ini, kami akan menunjukkan relasi yang erat diantaranya regresi ganda dan
analisis varian. Namun demikian sebagian dari konsep-konsep dasar dan statistik
dapat diperkenalkan sekarang, dikembangkan dengan baik pada Bagian ini.
Dalam analisis varian, keseluruhan varian dari gugus ukuran-ukuran
variabel tergantung dapat dipecahkan menjadi varian sistematis dan varian
kesalahan. Bentuk yang paling sederhana dari pemecahan yang seperti itu
adalah: Varian diantara kelompok-kelompok (varian kesalahan), yang merupakan
bagian-bagian dari keseluruhan varian. Sesungguhnya para ahli statistik bekerja
dengan jumlah kuadrat karena mereka merupakan bahan tambahan. Dalam
analisis regresi, kita sebenarnya mengerjakan hal yang sama. Perbedaan pokok
adalah bahwa pendekatan regresi lebih bersifat umum. Hal tersebut cocok dan
dapat dipakai pada hampir semua masalah-masalah penelitian dengan satu
variabel tergantung.
Persamaan pokok analisis varian adalah :
sst = ssb + ssw
dimana sst = total jumlah kuadrat; ssb = antara kelompok jumlah kuadrat dan ss w
= dalam kelompok jumlah kuadrat. Transisi terhadap analisis regresi adalah
langsung. Yang kita tulis :
12,80
1,90 / 3 0,633
yang signifikan pada tingkat 0,05 (lihat lampiran D untuk tabel distribusi F);
jadi, kita dapat mengatakan bahwa dalam contoh A regresi Y terhadap X adalah
siginifikan secara statistik.
Tes signifikan dapat dilakukan dengan dua atau tiga cara. Pertama :
Korelasi 0,90 dapat diperiksa untuk signifinaksi dalam tabel signifikan pada lebel
0,05. tapi pendekatan ini tidak berguna bila kita ingin melakukan tes yang mirip
dengan lebih dari satu variabel bebas. Cara yang kedua adalah menggunakan t tes
(Snedecor & Cochran, 1967, hal. 184-185). Tes yang seperti itu dapat dilakukan
dengan dua cara : Dengan menguji signifikansi dari koefisien regresi atau dengan
menguji signifinaksi r secara langsung. Sesungguhnya kedua tes itu merupakan
hal yang sama.
Dalam menggunakan F tes di atas, jumlah kuadrat yang dihitung dari
nilai-nilai pada Tabel 2.2. Cara lain, satu cara yang lebih berguna seperti yang
akan dibahas berikut ini, adalah dengan menghitung total jumlah kuadrat Y dari
nilai Y observasi dan kemudian menghitung regresi jumlah kuadarat dengan
rumus sebagai berikut :
(xy) 2
(2.14)
x 2
Rumus tersebut membutuhkan perkalian silang dari skor deviasi x = x- x .
Perkalian silang dari skor X dan Y diberikan dalam Tabel 2.2 Jumlahnya untuk
data A adalah 69. jadi xy = xy (x) (y)/N = 69 (15) (20/5) = 9, sehingga :
92
81
ss reg
10 10 8,10
Residu jumlah kuadrat didapat melalui pengurangan :
Ssreg = sst ssreg
= 10 8,10 = 1,90
Nilai-nilai ini tentu saja sesuai dengan yang dihitung sebelumnya. Masih ada
metode lain yang dapat digunakan dengan tepat, yang akan dipelajari berikutnya.
ss reg
(2.15)
sx
sx
dimana zx = skor standar ; X = skor kasar, X = rata-rata skor X, sx = standar
deviasi dari gugus skor X ; dan x = X - X (skor deviasi). Skor standar seperti
yang didevinisikan dalam rumus (2.15) mempunyai satu rata-rata nol dan standar
deviasi.10
Adalah mungkin dan memuaskan secara statistik untuk menggunakan skor
standar dalam mengembangkan analisis regresi. Hays (1963 bab 15), juga
melakukan hampir secara sendiri. Snedecor dan Cochrankan (1967, bab 6 dan 13)
tidak demikian. Dalam buku ini, kita menggunakan skor kasar dan skor deviasi
hampir untuk seluruh bagian sebab semua penelitian yang menggunakan regresi
ganda melakukan hal yang demikian. Para peneliti harus menggunakan keduanya.
Tujuan utama dari bagian ini adalah secara sederhana memperkenalkan skor
standart sehingga bahasan kita berikutnya (bobot regresi) dapat dijelaskan.
Selanjutnya dalam buku ini perbedaan antara dua macam skor itu akan dijelaskan
lebih jauh.
10
Skor Standar bukan skor yang normal. Bahwa Rumus (2.15) di atas tidaklah merubah bentuk
dari distribusi skor. Skor yang normal yang distribusinya dibuat normal dengan suatu operasi
khusus. Skor-skor merupakan transformasi yang sederhana dari skor kasar.
sy
(2.19)
sx
Jadi = rxy (bila hanya x dan y yang dilibatkan). Tetapi bukanlah merupakan
kebenaran yang umum bahwa b sama dengan r. pada kasus dari data Tabel 2.2. b
sama dengan r (0,90) hanya karena sy = sx .
Rumus-rumus (2.17). (2.18) dan (2.19) mengatakan kepada kita sesuatu
yang lebih mengenai relasi diantara b dan . merupakan bobot regresi dalam
bentuk skor standar. Bahwa, bila kita pertama-tama menghitung skor-skor standar
dan kemudian menggunakan rumus (2.10), dengan merubah simbol-simbol yang
sesuai ditunjukkan lebih baik dengan menggunakan satu contoh sederhana.
Dalam tabel 6.3 kita telah menggunakan data A dari Tabel 2.2 dengan merubah
sedikit skor-skor x (direndahkan skor pertama dengan 1 dan dinaikkan skor
kelima dengan 1) sehingga standar deviasi dari X dan Y berbeda. Perhitungan
untuk korelasi dan statistik regresi dimasukkan dalam tabel. Skor-skor tersebut
dihitung dengan rumus (2.15) juga diberikan jumlah-jumlah, rata-rata jumlah
kuadrat, dan standar deviasi segera diberikan di bawah skor kasar, deviasi dan z
skor. Jumlah perkalian silang dan x, y dan zx serta Zy, zx , zy juga diberikan.
X=
X=
Y2 = 55
X2= 100
y2 = 10
x2= 20
13
a). rxy =
xy
20
4
XY = 73
(15)( 20)
13
5
zxzy = 4,5962
xy = 73 -
=
= 0,9192
(20)(10)
x 2 y 2
z x z y 4,5962
b). rz x z x
=
= 0,9192
N
5
xy 13
c). b =
0,65
x 2 20
s
2,4962
d). = b x (0,65)(
) 0,9192
sy
1,5811
z x z y
4,5962
1,9192
5,0000
z x
perhitungan penting untuk menunjukkan hubungan (relasi) dari r, b dan
diberikan pada tabel di bawah. Dalam garis (a), r xy dihitung = 0,9192; r juga
dihitung dengan rumus skor standard yaitu :
z x z y
(2.20)
rxy
N
dengan menggantikan zxzy = 4,5962 dan N = 5 dalam rumus ini tentu saja
menghasilkan 0,9192. Koefisien regresi (b) dihitung dalam garis c dengan rumus
(2.10), b = 0,65. dalam garis (d), dihitung dengan rumus (2.17) adalah 0,9192.
jadi kita melihat bahwa rxy = . Akhirnya dalam garis (e) dihitung dengan z
skor ; dengan menggunakan rumus yang sepadan dengan rumus (2.10).
z x z y
(2.21)
z x
contoh yang sederhana ini menunjukkan relasi antara r, b dan agak lebih jelas.
Pertama : Dengan satu variabel bebas rxy = . Kedua : adalah koefisien regresi
yang digunakan dengan skor standard. Dengan perkataan lain, hal tersebut dalam
bentuk skor standar. Persamaan regresi dalam bentuk skor standard adalah :
zy = zx
(2.22)
e). =
Dalam seluruh teks ini kami menggunakan huruf besar untuk menandai variabel-variabel dalam bentuk skor kasar,
sebagai contoh adalah X dan Y. Skor-skor dalam bentuk deviasi atau X-X, dimana X = rata-rata dari satu gugus
skor, akan ditandai dengan huruf-huruf kecil (x dan y) Jika skor-skor standard yang dimaksud, kita akan
menggunakan z dengan subskrip yang tepat. Cara menulis subskrip akan dijelaskan bila kita menyetujui.
Dalam Bab 4 metode alternatif dan yang lebih efisien tentang perhitungan daripada yang digunakan dalam Bab
ini, akan digambarkan dan diilustrasikan. Perhitungan tersebut dipergunakan dalam Bab ini agak janggal. Tetapi
mereka mempunyai beberapa kebaikan yang membantu untuk membuat ide-ide pokok regresi ganda menjadi lebih
jelas.
membantu dalam meramal prestasi sekolah. Kami memutuskan untuk menggunakan baik
ukuran bakat verbal maupun motivasi berprestasi.
Perhitungan Statistik Dasar
Misalkan, ukuran yang didapat untuk 20 siswa diberikan dalam Tabel 6.4.19 Untuk
mengerjakan suatu analisis regresi dengan sempurna, maka bilangan-bilangan statistik harus
dihitung. Jumlah, rata-rata, dan jumlah kuadrat dari skor kasar pada tiga gugus skor diberikan
dalam tiga garis di bawah tabel. Tetapi dalam tambahan kita akan memerlukan statistik
lainnya : Deviasi jumlah kuadrat dari tiga variabel, deviasi perkalian silangnya, dan standard
deviasinya. Hal-hal tersebut dihitung seperti di bawah ini :
y2 =
y2 - ( y )2
(-110 )2
=
770
=
N
20
650
700
165,00
19
Kita berusaha mempunyai skor fiktif ini dan lainnya dalam Bab ini menjadi berguna seperti yang kita inginkan.
Kita dapat dengan mudah menggunakan koefisien korelasi, suatu alternatif yang lebih mudah. Akan tetapi,
mengerjakan hal yang demikian, akan menghilangkan kesempatan tertentu yang menguntungkan buat kita sebagai
pelajaran. Walaupun kita telah mencoba untuk membuat contoh-contoh tersebut serealistik mungkin yaitu secara
empirik dan masuk akal, secara kokoh serta berkaitan dengan hasil yang didapat dalam penelitian yang aktual kita
tidak akan selalu berhasil dengan sempurna. Selain itu, seperti yang kita tunjukkan sebelumnya, kita hanya ingin
menggunakan bilangan-bilangan yang sederhana dan sangat sedikit dari perhitungan tersebut. Penekanan seperti itu
kadang-kadang membuat hal tersebut menjadi sulit untuk menghasilkan yang benar.
y21 =
y22 =
y12 - ( X1 )2
=
625
N
x22 - ( X2 )2
=
N
625
600
( 99 )2
=
20
490,05
( 104 )2
=
20
540,80
y1 y =
x2 y =
X-1Y
600
( X1) ( X)
X-2Y
N
( X2) ( X)
x1x2 = X1X2-
( X1) ( X2)
sy
N 1
645
645
611
611
=
530
538
N
2
134,95
59,20
(99) (110)
544,5020 = 100,50
(104) (110)
=
572 20 =
(99) (104)
514,80 20 =
39,00
=
23,20
165
8,6842 = 2,9469
20 1
X1
134,95
7,1026 = 2,6651
N 1
20 1
sx1 =
X2
59, 20
sx2 =
3,1158 = 1,7652
N 1
20 1
Statistik ini merupakan materi pokok dari analisis multivarian dan hampir selalu dihitung dengan
program komputer. Kita memisahkan hasil-hasil perhitungan secara bersama-sama untuk
meyakinkan secara visual dalam Tabel 3.2. Karena korelasi diantara variabel-variabel tersebut
akan diperlukan kemudian. Kami telah memisahkannya di bawah diagonal utama dari matriks
(0,6735; 0,3946; dan 0,2596).
Ada lebih dari satu cara untuk menghitung statistik pokok dari analisis regresi ganda. Pada
akhirnya kami akan mencakup hampir semuanya. Akan tetapi saat ini kami hanya
memusatkan pada perhitungan yang menggunakan jumlah kuadrat.
Jumlah kuadrat mempunyai keuntungan-keuntungan menjadi materi tambahan yang intuitif
dan dapat dipahami; lagipula mereka bersumber langsung dari data. Kegunaan hal-hal tersebut
juga untuk memudahkan kita menjaga pembahasan kita berkaitan erat dengan perhitungan dan
prosedur analisis varian.
TABEL 6.4 : CONTOH FIKTIF : SKOR-SKOR PRESTASI MEMBACA (Y), BAKAT
VERBAL (X1) & SKOR MOTIVASI BERPRESTASI (X2)
Y
2
1
1
1
X1
2
2
1
1
X2
4
4
4
3
Y
3,0305
3,0305
2,3534
1,9600
Y Y = d
- 1,0305
- 2,0305
- 1,3534
- 0,9600
5
4
7
6
7
8
3
3
6
6
10
9
6
6
9
10
:
M:
:
3
4
5
5
2
6
4
3
6
6
8
9
10
9
4
4
110
5.50
770
TABEL 6.5
6
6
3
4
4
3
5
5
9
8
6
7
5
5
7
7
99
4.95
625
4,4944
5,1715
4,6684
5,0618
3,0305
5,3455
4,7781
4,1010
7,7059
7,3125
7,8799
8,9504
8,8407
8,1636
5,5649
5,5649
104
5,20
600
0,5056
- 1,1715
2,3316
0,9382
- 1,0305
2,6545
- 1,7781
- 1,1010
- 1,7059
- 1,3125
2,1201
0,0496
- 2,4807
- 2,1636
- 3,4351
4,4351
S2 = 81,6091
Y
x1
x2
s
Y
165,00
0,6736
0,3946
2.9469
x1
100,50
134,95
0,2596
2,6651
x2
39,00
23,20
59,20
1,7652
Alasan-alasan Perhitungan
Sebelum meneruskan dengan perhitungan-perhitungan tersebut kami perlu memberikan
tinjauan mengapa kita mengerjakan semua ini. Pertama : Kami ingin mengisi konstan
persamaan prediksi, Y = a + b1 X1 + b2 X2, dimana kami harus menghitung a, b1, dan b2
sehingga kami dapat, jika kita ingin menggunakan nilai X individual dan Y prediksi. Hal ini
maksudnya, dalam contoh kita, yang apabila kita mempunyai skor individual tentang bakat
lisan dan motivasi berprestasi, maka kita dapat dengan mudah memasukkannya ke dalam
persamaan dan mendapatkan nilai Y prediksi, dan skor bakat verbal prediksi.
Kedua : Kita ingin mengetahui proporsi varian yang menyebabkan persamaan regresi. Oleh
karena itulah, kita ingin mengetahui bagaimana besar total varian Y (prestasi membaca),
disebabkan oleh regresi Y pada variabel X (bakat lisan/motivasi berprestasi) atau hubungan
diantara satu kombinasi linear dari bebas dan variabel tergantung. Dalam Bab 2, kita melihat
bahwa jumlah kuadrat yang disebabkan regresi (dan melibatkan kuadrat rata-rata atau varian)
menggambarkan hubungan ini. Koefisien korelasi ganda kuadrat (R2), akan dijelaskan dengan
singkat, juga penggambarannya.
Ketiga : Kita perlu mengetahui kepentingan yang nisbi tentang nilai X yang berbeda dalam
melakukan prediksi terhadap Y. Kita perlu mengetahui, dalam hal ini, kepentingan yang nisbi
dari X1 dan X2 (bakat verbal dan motivasi berprestasi) dalam persamaan prediksi. Bobot
regresi (b1 dan b2) akan menjawab persamaan sebagian, meskipun kita akan melihat kemudian
bahwa ada ukuran-ukuran lain yang lebih tepat dan dapat diinterprestasikan dengan mudah
untuk tujuan ini. Jawaban tersebut juga akan dijawab dengan perhitungan tertentu dan jumlah
kuadrat dan nilai R2.
Akhirnya kita ingin agar dapat menyebut apakah regresi Y pada nilai X, hubungan diantara Y
dan kombinasi linear yang terbaik dari nilai X adalah bermakna secara statistik.
Perhitungan Statistik Regresi
Regresi nilai b dari persamaan regresi dikerjakan lebih mekanis dengan rumus untuk dua
variabel X. Yaitu :
2
(x 2 )(x 1 y) (x 1 x 2 )(x 1 x 2 y)
b1
2
2
(x 1 )(x 2 ) (x 1 x 2 ) 2
2
b2
(x 2 )(x 2 y) (x 1 x 2 )(x 1 y)
2
(x 1 )(x 2 ) (x 1 x 2 ) 2
(3.5)
Dengan menggunakan nilai-nilai yang tepat dari Tabel 3.1 dan menggantikan mereka dalam
rumus, kita menghitung b :
5949,60 904,80
(59,20)(100,50) (23,20)(39,00)
b1
2
7989,04 538,24
(134,95)(59,20) (23,20)
5263,05 2331,60
(134,95)(39) (23,20)(100,50)
=
2
7989,04 538,24
(134,95)(59,20) (23,20)
293,45
0,3934
7450,80
Sekarang hitung nilai a. Rumus untuk dua variabel bebas satu kasus yang khusus dari rumus
(3.4) adalah :
a = Y b1 X 1 b 2 X 1
Dengan menggantikan nilai-nilai yang tepat, didapat :
a = 5,50 (0,6771)(4,95)-(0,3934)(5,20) = 0,1027
Keseluruhan persamaan regresi ini dapat ditulis dengan menghitung nilai-nilai a dan b :
Y = 0,1027 + 0,6771 X1+0,3934 X2
Seperti contoh-contoh dari kegunaan persamaan dalam prediksi, hitung nilai Y prediksi untuk
kelima dan kelima dan kedua puluh subjek dari Tabel 3.1. :
Y5
= 0,1027 + (0,6771)(9) + (0,3934) (7)
= 8,9804
Y20 = 0,1027 + (0,6771)(4) + (0,3934) (7)
= 5,5649
Nilai Y yang didapat adalah : Y5 = 5 dan Y20 = 10. Deviasi skor prediksi dari skor-skor yang
didapat, atau d = Y Y, adalah :
d5 = 9 8,9504 = 0,0496
d10 = 10 5,5649 = 4,4351
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
Satu deviasi agak kecil, sedangkan yang lainnya agak lebih besar. Pada kenyataannya, hal
tersebut merupakan deviasi-deviasi yang terkecil dan yang terbesar dalam gugus 20 deviasi.
Nilai Y prediksi dan deviasi atau residu (d), diberikan dua kolom yang terakhir dari Tabel 6.4.
Hampir setengah skor d adalah positif dan setengahnya lagi bernilai negatif, serta hampir
semuanya adalah relatif kecil. Tentu saja hal ini seperti yang seharusnya. Nilai a dan b dari
persamaan regresi, diulang, dihitung untuk memenuhi prinsip kuadrat terkecil, yaitu untuk
meminimalkan kuadrat kesalahan prediksi. Jika kita mengkuadratkan masing-masing residu
atau nilai d dan menambahkannya seperti yang kita kerjakan dalam Bab ini, maka kita
mendapatkan :
d2 = 81,6091 (Catat bahwa d = 0). Hal ini dapat disimbolkan sebagai y2res atau ssres
seperti yang telah kami tunjukkan terdahulu. Ringkasnya deviasi atau residu jumlah kuadrat
menggambarkan bahwa porsi dari total Y jumlah kuadrat ( yt2), hal tersebut disebabkan
regresi. Sesungguhnya, seperti yang akan segera kita lihat, tidaklah perlu dengan perhitunganperhitungan yang dilibatkan ini. Deviasi atau residu jumlah kuadrat dapat dihitung dengan
jauh lebih mudah. Kita menggunakan perhitungan yang panjang untuk menunjukkan dengan
jelas apa jumlah kuadrat tersebut.
Regresi jumlah kuadrat dihitung dengan rumus umum berikut :
ssreg = b1 x1 y +.
(3.6)
dimana k = bilangan X atau variabel bebas. Dalam kasus dua variabel X = k = 2, rumus
tersebut menjadi20 :
ssreg = b1 x1 y + b2 x2 y
(3.7)
Dengan menggunakan nilai b yang dihitung sebelumnya dan mendapatkan deviasi jumlah
perkalian kuadrat dari Tabel 6.5. kita menggantikan dalam rumus (3.7) :
ssreg = (0,6771)(100,50) + (0,3934)(39,00) = 83,3912
Ini adalah porsi dan total jumlah kuadrat Y, atau y2 t, yaitu disebabkan regresi Y pada dua
variabel X. Catat bahwa total jumlah kuadrat Y adalah 165,00 (dari Tabel 6.5). Apabila
regresi jumlah kuadrat ditambahkan pada residu jumlah kuadrat, jumlah persamaan total
jumlah kuadrat Y seperti persamaan (212) dari Bab 2 yang ditunjukkan. Kita menuliskan
persamaan ini lagi dengan satu bilangan baru dan kemudian menggantikan nilai yang kita
hitung :
sst = ssreg + ssres
(3.8)
sst = 83,3912 + 81,6091 = 165.0003
Tentu saja hal tersebut nilainya sama dengan yang diberikan pada Tabel 3.2, dengan
kesalahan pembuatan.
Koefisien Korelasi Ganda dan Kuadratnya
Satu statistik yang paling bernilai dari regresi ganda adalah koefisien korelasi ganda R.
Kuadrat dari koefisien tersebut (R2), bahkan lebih berharga buat alasan-alasan yang diberikan
saat ini. Perhitungan R2 adalah sederhana.
Satu rumus yang berguna secara khusus dan dapat diinterprestasikan dengan mudah adalah :
ss reg
(3.9)
R2
ss t
20
Deviasi persamaanini ditunjukkan dalam Snedecor dan Cochran (1967, hal. 388-389)
Tentu saja akar kuadrat R2 menghasilkan R. Dengan menggantikan jumlah kuadrat yang
dihitung di atas, kita mendapat :
83,3912
R2
0,5054
165,0000
R = 0,5054 0,7109
R merupakan korelasi product moment Y prediksi (Y1), yang tentu saja adalah kombinasi
linear dari nilai X, dan nilai Y yang didapat (observasi). Hal tersebut ditunjukkan dengan
menggunakan satu rumus dari Snedecor dan Cochran (1967, hal. 402) :
(yy' ) 2
(3.10)
R2
y 2 y 2
yy
R
(3.11)
y 2 y 2
Harga persamaan (3.10) dapat dihitung dari kolom Y dan Y Tabel 3.1. Kita telah mempunyai
y2 = 165. Nilai Y2 yang dapat dibandingkan dihitung :
(y) 2
(110) 2
2
2
y y
688,3969
83,3969
N
20
Jumlah perkalian silang deviasi adalah :
(y)(y)'
(110)(110)
yy ' y '
688,3969
83,3969
N
20
(Perbedaan 0,003 pada kedua jumlah kuadrat disebabkan kesalahan pembulatan.
Sesungguhnya y2 harus sama dengan yy. Kita akan menggunakan harga yang dihitung
seperti apa adanya. Namun demikian karena hal tersebut membuat tidak ada perbedaan dalam
perhitungan R2). Dengan memasukkan dalam persamaan (3.10), maka R2 yang didapat :
(83,3939) 2
(6954,5426) 2
R2
0,5054
(83,3969)(165) (13760,4885)
dan :
R 0,5054 0,7109
Akhirnya, kita menghitung F rasio, pertama-tama dengan mengulang rumus yang diberikan
pada Bab 2 :
R2 / k
(3.12)
F
(1 R 2 ) /( N k 1)
dimana k = jumlah variabel bebas, maka :
0,5054 / 2
0,2527
F
8,684
(1 5054) /(20 2 1) 0,0291
Tentu saja kita dapat menghitung F dengan menggunakan jumlah kuadrat yang tepat. Rumus
tersebut adalah :
ss reg / df reg
F
ss res / df res
Derajat kebebasan dihubungkan dengan ssreg adalah k = 2, jumlah variabel bebas, Derajat
kebebasan dihubungkan dengan ssreg adalah N K 1 = 17. Oleh karena itu :
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
83,3912 / 2 41,6956
8,686
81,6091 / 19 4,8005
Hal tersebut sesuai dengan F yang dihitung dengan menggunakan R2 (dalam kesalahan
pembulatan) signifikan pada level 0,0121.
F
8
6
7
5
4
3
2
9 10
Gambar 6.5
Ry.12 = 0,71; suatu korelasi yang cukup besar. Kita berharap bahwa titik X dan Y yang diplot
terletak cukup dekat dengan garis regresi. Ry.12 = 0,71 menggambarkan secara simbolik dan
kuantitas apa-apa yang ditunjukkan oleh plot secara grafis. Untuk menjelaskan bahwa titiktitik tersebut terletak dekat dengan garis regresi (digambarkan dengan membuat satu garis
lurus yang melalui a, konstan intersep diplot pada sumbu Y, dan titik dimana kedua rata-rata
itu,
Y = 5,50 dan Y = 5,50, bertemu), besaran R adalah tinggi. Jika semua titik yang
diplot ada pada garis resgresi, maka R = 1,00. Bila titik-titik tersebut disebar pada grafik
secara acak, maka R akan mendekati nol. Dengan perkataan lain, kita dapat banyak
menginterpretasikan grafik Y dan Y, seperti kita menginterpresikan satu grafik biasa.
Interpretasi Analisis
Sebagai besar kesempatan telah digunakan dan perhitungan yang teliti telah mencoba untuk
menjelaskan problema dasar dari analisis regresi ganda. Bahkan juga, tidak hanya bersifat
mungkin tapi diperlukan sekali, terutama bila kita menjadi bisa untuk menginterpretasikan
21
Mahasiswa yang jeli mungkin heran apakah cukup prosedur kuadarat terkecil elaborasi benar-benar perlu.
Mengapa bukan penambahan sederhana X1 dan X2 dan menggunakan kombinasi tersebut ? Apabila kita
mengerjakan hal yang seperti itu, maka dalam hal ini kita dapatkan r = 0,70, suatu harga yang hampir sama dengan
R. jawabnya, bahwa R yang dihitung dengan prosedur kuadarat terkecil, seperti yang terdahulu, R maksimum
mungkin diberikan oleh data. Dalam beberapa hal kuadarat terkecil dapat lebih tinggi sekali daripada R yang
dihitung dengan cara-cara lainnya. (Masalah lain tentu saja adalah bila variabel bebas yang berbeda mempunyai
matriks yang berbeda).
kajian-kajian tertentu dengan signifikansi tinggi, yang dipublikasikan akhir-akhir ini. Namun
demikian kita harus berhenti sebentar untuk menginterpretasikan apa yang telah kita kerjakan.
F rasio mengatakan kepada kita bahwa regresi Y terhadap X1 dan X2 adalah signifikan secara
statitik. Kemungkinan F rasio yang besar ini terjadi dengan peluang lebih kecil dari 0,01
(kira-kira 0,003). Hal ini bermakna bahwa korelasi diantara Y dan satu kombinasi linear
kuadrat terkecil dari X1 dan X2 mungkin dapat tidak disebabkan oleh peluang. Ia mengatakan
kepada kita sedikit atau tidak ada sama sekali mengenai besarnya hubungan. Jadi jika F rasio
tidak signifikan secara statistik, pada sisi lain, kita tidak harus bertanya mengenai besarnya
hubungan tersebut.
Ukuran-ukuran R dan R2, terutama yang terakhir, mengatakan kepada kita secara eksplisit
tentang besarnya hubungan. Dalam hal ini R2 = 0,51 bermakna bahwa kira-kira 51 persen
varian Y disebabkan oleh X1 dan X2 secara bersama (Ingat lagi bahwa R2 disebut koefisien
determinasi). R = 0,71 dapat banyak diinterpretasikan seperti suatu koefisien korelasi biasa,
kecuali bahwa jarak nilai R adalah antara 0 sampai 1,00 tidak menyerupai r, yang jarak
nilainya adalah dari
1,00 lewat 0 sampai + 1,00. Kita kebanyakan akan bekerja dengan
R2 dalam buku ini karena interprestasinya sudah jelas22.
Kembali kepada hakekat dari suatu masalah penelitian yang asli, ingat kembali bahwa Y =
prestasi membaca; X1 = bakat verbal dan X2 = motivasi berprestasi. R2 = 0,51; dan F = 8,686;
yang menyatakan bahwa total varian prestasi membaca dari 20 anak yang dijadikan sampel,
51 persen disebabkan oleh satu kombinasi linear bakar lisan dan motivasi berprestasi. Dengan
perkataan lain, sebagian prestasi membaca anak dijelaskan oleh bakat verbal dan motivasi
berprestasi.
Sebegitu jauh terdapat sedikit kesukaran. Sekarang kita masuk pada satu masalah yang sedikit
lebih sulit : Apa kontribusi relatif dari X1 dan X2 (bakat verbal dan motivasi berprestasi)
terhadap Y (prestasi membaca) ? Pertanyaan ini dapat dijawab dalam dua atau tiga cara. Pada
akhirnya kita akan membahas keseluruhannya. Namun sekarang kita hanya mempelajari b 1
dan b2 (koefisien regresi). Sayangnya tidak gampang untuk menginterpretasikan koefisien b
dalam analisis regresi ganda. Untuk kita membelokkan pembaca dari tujuan utama
pembahasan kami, kami hanya akan menginterpretasikan nilai b secara agak kasar. Kemudian,
kami akan memberikan analisis dan interpretasi yang lebih tepat dan teliti.
Dalam Bab ini, dikatakan bahwa suatu koefisien tunggal b dalam persamaan Y = a + bX
menunjukkan bahwa bila X berubah satu unit, maka Y berubah
b unit. Koefisien regresi
b disebut slope. Kita menyebut bahwa slope dari
garis regresi adalah pada tingkat b unit
Y untuk satu unit X. Jika persamaan regresi : Y : 4 + 0,50 X, maka b = 0,50; dan hal ini akan
bermakna X berubah satu unit, maka Y berubah setengah unit. Dalam regresi ganda, pada sisi
lain, interpretasi plot menjadi rumit karena kita mempunyai lebih dari satu b. Pada umumnya,
bila misalnya skala X1 dan X2 sama atau kira-kira sama, semua 20 nilai dalam tiap kasus
berjarak 1 sampai 10, seperti garapan kita, maka nilai b merupakan bobot yang menunjukkan
secara kasar kepentingan relatif dari variabel-variabel yang berbeda dalam memprediksi Y. Ini
terlihat lewat kajian persamaan regresi semata dengan nilai b yang dihitung terdahulu :
X1 =
bakat verbal, berbobot lebih besar daripada X2 (motivasi berprestasi). Tetapi
situasi tersebut lebih rumit daripada yang terlihat. Kami hanya memberikan penjelasan
22
Nilai-nilai R dan R2 dapat sering melambung. Masalah ini akan dibahas dalam Bab 11
tersebut untuk tujuan-tujuan pendidikan saat ini. Pernyataan itu tidak benar untuk semua
kasus23.
Interpretasi, Analisis dan Perhitungan Alternatif
Untuk memantapkan pengertian kita tentang regresi ganda, maka kita perlu memperhatikan
agak teliti pada berbagai jumlah kuadrat. Dengan mengerjakan hal yang demikian, kita dapat
melihat agak jelas secara terpisah dan secara terpisah dan secara bersama-sama apakah X1 dan
X2 menambah pada regresi. Satu pertanyaan penting yang harus kita tanyakan adalah :
Apakah penambahan X2 pada persamaan regresi menambah signifikan pada Y prediksi kita ?
Dalam contoh yang kami berikan, bagaimana efektifnya X2 (motivasi berprestasi) dalam
menambah ketepatan prediksi ? Tujuan pokok dari penambahan variabel bebas tentunya
adalah untuk menambah tepatnya prediksi. Dalam hal ini, apakah penambahan X2 terhadap X1
secara material mengurangi sisa jumlah kuadrat ?
Mengingat bahwa total jumlah kuadrat; kita harus bekerja sama dengan jumlah kuadrat skor
Y, atau yt2 = 165,00 (Lihat perhitungan terdahulu yang dikerjakan ketika pertama kali
memperkenalkan masalah tersebut). Tidaklah menjadi masalah berapa banyak atau sedikit
variabel X yang kita punyai, yt2 selalu sama (165,00). Dan mengingat bahwa regresi jumlah
kuadrat dan residu jumlah kuadrat selalu berarti pada jumlah kuadrat.
Kita sekarang mengerjakan regresi sederhana Y pada X secara sendiri dengan menggunakan
nilai-nilai dari Tabel 6.4. dan dengan menghitung b, ssreg dan ssres :
x y 100,50
b = 12
0,7447
134,95
x 1
ssreg =
(x 1 y ) 2
x 1
(100,50) 2
74,8444
134,95
0,4536
ss t
165,00000
R 2 y.1 / k
0,4536 / 1
0,4536
2
(1 R y.1 ) /( N k 1) (1 0, 4536) /(20 1 1) 0,0304
Atau dengan rumus (3.13) dan dfreg = k = 1 dan dfres = N-k-1 = 20-1-1 = 1824
23
Kepentingan relatif X1 dan X2 sesungguhnya berbeda dengan indikasi bobot b di atas. Bila X1 dan X2 diberikan
secara teratur, maka kontribusi mereka terhadap R2 adalah kira=kira 0,45 dan 0,05. namun demikian bila variabel
bebas dibalik maka kontribusinya kira-kira 0,16 untuk X2 dan 0,3 untuk X1 dalam hal ini juga terbukti bahwa
Kontribusi X1 lebih dari X2 . Kemudian kontribusi relatif dari variabel bebas akan dipelajari dengan teliti.
24
Kesenjangan diantra F rasio yang dihitung dengan dua metode adalah disebabkan oleh kesalahan pembulatan.
Nilai F rasio seperti yang dihitung dengan komputer besar adalah 14,94325; kedua dari dua nilai di atas. Secara
tetap kita akan dihadapkan dengan kesenjangan kecil seperti itu. Pembaca tidak seharusnya terganggu oleh hal-hal
tersebut. Konsentrasi yang penuh diarahkan kepada pemahaman tentang konsep dasar regresi. Tentu saja dalam
penggunaan yang sebenarnya perhitungan akan dikerjakan dengan komputer dan hampir semua nilai akan
ss reg / df reg
ss reg / df res
74,8444
74,8444
14,9432
90,1556 / 18 5,0086
F rasio signifikan pada level 0,01. Oleh karena itu, regresi Y terhadap X1 sendiri adalah
signifikan secara statistik. Karena R2 = 0,45; kita dapat mengatakan bahwa 54 persen varian Y
(prestasi membawa) disebabkan oleh X1 (bakat verbal). Dengan catatan bahwa hal tersebut
merupakan model regresi ganda yang membahas tentang korelasi biasa. Korelasi diantara X1
dan Y, atau rxy = 0,67; oleh karenanya r2x1 y = 0,45. Dengan perkataan lain bahwa kita dapat
menyebut korelasi dua variabel biasa dan regresi sebagai kasus khusus dari korelasi ganda
regresi ganda.
Regresi hitunglah regresi Y terhadap X2 sendiri dan R2, R dan F rasio :
x y 39
b = 22
0,6588
59
x 2
ssreg =
(x 2 y ) 2
x 2
(39) 2
25,6926
59, 20
ss reg
ss t
25,6926
0,1557
165,00000
ss reg / df reg
ss res / df res
25,6926 / 1
3,320(n.s)
139,3074 / 20 1 1
Sementara R2y.2 = 0,16 dan Ry.2 = 0,39, kedua-keduanya cukup besar jumlahnya, F rasio dari
3,32 tidak signifikan pada level 0,05. Karena kemungkinan itu sebenarnya adalah 0,08 (soal
yang tidak tentu), kita
dapat meneruskan masalah tersebut lebih jauh. 25 Namun
demikian jelaslah bahwa X1 merupakan prediktor Y yang lebih baik daripada X2, dengan
mempertimbangkannya secara terpisah. Jika kita harus memilih, katakanlah, diantara X1 dan
X2, tidak akan ada pertanyaan yang akan kita pilih asal saja keinginan kita adalah hal
tersebut dalam prediksi.
Kita tidak cukup siap untuk menjawab satu pertanyaan yang lebih menarik, meskipun kita
dapat menggerumis pada pinggiran-pinggirannya: Apakah X2 dapat menambah signifikan
pada prediksi bila ditambahkan pada X1 ? Jawabannya ialah hal tersebut menambah kepada
prediksi : R2 y.1 = 0,45; seperti yang baru kita lihat; dan R2y.12 = 0,51 seperti yang kita lihat
terdahulu. Tambahan kepada R2 adalah 0,50 (Gambar sebenarnya adalah : 0,5054 0,4536 =
0,0518). Hal ini merupakan kontribusi tambahan kepada regresi, akan tetapi tidak signifikan
secara statistik. Sekarang catat satu hal penting; yaitu bila kita menghitung R2 dari regresi Y
menjadi cukup tepat. Untuk pembahasan tentang kesalahan pembulatan, lihat Draper & Smith (1966, hal, 52-53
dan hal 143-144.
25
Seharusnya ditegaskan bahwa biasanya regresi secara terpisah Y terhadap X2 tidak akan dihitung. Hal tersebut
dikerjakan di sini, untuk membuat satu poin X1 dan untuk meletakkan dasar bagi suatu bentuk yang mirip tetapi
lebih tepat dari analisis berikut dalam buku ini.
terhadap X2 sendiri, maka kita mendapat nilai 0,16. Namun, bila kita menghitung kontribusi
tambahan X2 sesudah X1, maka kita mendapatkan 0,05. Kita mengulang karakteristik dan
dasar dan yang penting dari regresi ini pada akhir Bab.
termasuk analisis regresi ganda. Para mahasiswa bidang ilmu pendidikan dan ilmu-ilmu
perilaku yang non eksakta sering bingung
bila dihadapkan dengan persamaanpersamaan regresi, bobot regresi, nilai R2 dan F rasio. Kami sedang mencoba menjelaskan
sekurang-kurangnya beberapa dari bermacam-macam kebingungan tersebut dengan
menghitung banyak dari jumlah tertentu dari analisis regresi ganda secara agak langsung.
Kami tidak akan menggunakan metoda-metoda tersebut dalam praktek yang sesungguhnya.
Metoda-metoda tersebut terlalu tidak praktis, tetapi mereka baik untuk tujuan-tujuan
pedagogis karena mereka mendekati regresi ganda secara langsung dengan kerja sebanyaknya
mungkin, dengan data yang asli dan jumlah kuadrat dihasilkan dari daya yang asli. Dengan
penuh pengharapan, seseorang dapat melihat dimana jumlah yang bermacam-macam itu
berasal.
Karena sebagian dari perhitungan Tabel 6.6. dijelaskan terdahulu dalam kaitannya dengan
Tabel sebelumnya., kita hanya memerlukan sentuhan di atas mereka. Poin utama kita, yaitu
penambahan X2 terhadap regresi dikurangi residu atau deviasi jumlah kuadrat dari 90,1556 ke
81,609 dan menambah regresi jumlah kuadrat 74,8326 ke 83,3969 (dua gambar terakhir ini,
diambil dari garis bawah Tabel 3.3., yang agak berbeda dikarenakan kesalahan pembulatan.
Nilai yang lebih tepat adalah 74,8444 dan 83,3909, seperti yang dihitung dengan komputer).
Kemudian baris terakhir dari tabel adalah satu hal yang penting. Hal itu memberikan jumlah
kuadrat untuk Y, Y1, d1, Y12. Kecuali untuk y12, jumlah kuadrat ini dihitung terdahulu.
Jumlah kuadrat dari Tabel 3.3. digunakan bersama-sama untuk kecocokan dalam Tabel 3.4.
Lagi pula, pengurangan dalam jumlah kuadrat dari residu, atau sebaliknya, penambahan
dalam regresi jumlah kuadrat, diberikan dalam Tabel (yaitu : 8,55). Pendeknya tabel
menunjukkan bahwa penambahan X2 pada regresi mengurangi deviasi dari regresi (residu)
dengan 8,55 atau penambahan X2 menambah regresi jumlah kuadrat 8,55. Seperti kita lihat
terdahulu, hal tersebut adalah pengurangan (atau penambahan) 5 persen : 8,55/165,00 = 0,05.
Tabel 3.4. dan gambarnya dapat menunjukkan secara agak pantas apa maksud koefisien
korelasi ganda tersebut dalam jumlah kuadrat. Pikirkan kasus yang istimewa ini. Apabila
kita mempunyai sejumlah variabel bebas (X1, X2, .Xk), dan mereka secara lengkap
menjelaskan varian Y (variabel tergantung), kemudian R2y.12 k = 1,00; dan jumlah kuadrat
(yakni 165) dan residu jumlah kuadrat akan menjadi nol. Tetapi kita belum mengetahui semua
variabel bebas tersebut, kita hanya mengerti dua dari variabel X1 sendiri adalah 74,84.
Proporsi varian variabel tergantung adalah : 74,84/165,00 = 0,45. Jumlah kuadrat regresi Y
terhadap X1 dan X2 adalah 83,39. Proporsi dari varian Y adalah : 83,39/165,00 = 0,51.
Jumlah-jumlah 0,5 dan 0,51 tentu saja merupakan nilai R2.
Dalam Tabel 3.5. analisis varian dari kedua regresi tersebut disingkat pada bagian atas tabel,
analisis varian dan regresi Y terhadap X1 dan X2 diberikan. Bagian yang lebih bawah dari
tabel memberikan analisis varian bagi regresi Y terhadap X1 secara sendiri. (Nilai-nilai
tersebut diberikan dalam Tabel 6.8. yang diambil dari hasil komputer. Beberapa diantaranya
agak sedikit berbeda dari nilai Tabel 6.6. dan 6.7, lagi-lagi disebabkan kesalahan pembuatan).
Terbukti dari analisis-analisis tersebut bahwa X2 tidak menambah banyak terhadap X1. Hal itu
menambah kekuatan prediksi kita dengan hanya 5 persen. Kembali kepada hakekat
permasalahan dan variabel-variabel kita, bakat verbal (X1) secara sendiri menyebabkan kirakira 45 persen dari varian prestasi membaca (Y). Apabila motivasi berprestasi (X2)
ditambahkan kepada persamaan regresi, jumlah dari varian prestasi membaca disebabkan oleh
bakat verbal dan motivasi berprestasi secara bersama-sama (X1 dan X2) kira-kira 51 persen,
satu penambahan kira-kira 5 sampai 6 persen.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
r y 1 .` 0,25
r y. 2 0, 25
r 2 y.1 0,25
X1
r 2 .12 0
(a)
X1
r 2 y. 2 0, 25
X1
12
0,25
X1
r 2(b)
12 0,25
Gambar 6.6
Bidang yang diarsir dari perpotongan, menggambarkan yang biasa pada pasangan variabelvariabel yang digambarkan. Satu dari dua bidang yang diarsir menunjukkan bahwa bagian Y
yang biasa pada variabel X1 dan X2. Atau hal itu adalah bagian dari r2y.1; bagian r2y.2; dan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
bagian dari r2. Oleh karena itu, untuk menentukan secara tepat bahwa sebagian dari Y
ditentukan oleh X1 dan X2, perlu untuk mengurangi dua bidang arsir yang saling melingkupi
sehingga tidak akan dihitung dua kali26.
Kajian yang cermat dari Gambar 6.6 dan relasi, hal-hal yang melukiskan tersebut seharusnya
membantu mahasiswa untuk memahami prinsip yang disebutkan terdahulu. Lihat sisi kanan
dari gambar tersebut. Bila kita ingin memprediksi Y lebih banyak, juga untuk mengatakan hal
tersebut, maka kita harus menemukan variabel lainnya yang lingkaran varianya akan
memotong lingkaran Y dan pada saat yang sama tidak saling memotong satu sama lain, atau
sekurang-kurangnya saling memotong secara minimal. Dalam praktek, tidak mudah untuk
melakukan hal tersebut. Kelihatannya bahwa banyak kenyataan yang dikorelasikan, terutama
kenyataan jenis-jenis variabel yang sedang kita bicarakan.
Sekali-kali menemukan satu atau dua variabel yang berkorelasi secara mendasar dengan
prestasi sekolah, sebutlah kemudian, hal tersebut menjadi bertambah sulit untuk mendapatkan
variabel lainnya yang berkorelasi
Asumsi-asumsi
Seperti semua teknik statistik, analisis regresi ganda mempunyai beberapa asumsi yang
melatarbelakanginya, yang harus dimengerti oleh para peneliti. Sayangnya masalah asumsi
nampaknya menakutkan mahasiswa, atau lebih jelek lagi membosankan mereka. Banyak
mahasiswa terlalu dibebani oleh para instruktur yang bersemangat dengan teguran-teguran
bila analisis varian (katakanlah) dapat atau tidak dapat digunakan, sampai pada kesimpulan
keliru yang dapat digunakan, sampai pada kesimpulan-kesimpulan keliru yang dapat
digunakan. Kami tidak senang melihat mahasiswa membelok dari analisis dan statisik
dengan teguran-teguran dan perintah yang membingungkan yang biasanya tidak banyak
berarti. Namun demikian mereka kadang-kadang berguna. Selain itu kegunaan intelegensia
dari metode analisis mengharuskan pengetahuan rasional, dan jadi asumsi-asumsi yang
melatarbelakangi metoda-metoda tersebut. Oleh karena itu kami melihat selintas pada
asumsi-asumsi tertentu yang melatarbelakangi analisis regresi27.
Pertama, dalam analisis regresi diasumsikan bahwa skor Y didistribusikan secara normal
pada setiap nilai X. (tidak ada asumsi normal tentang nilai X). Pembahasan tentang hal-hal
ini dan yang lainnya serta pembahasan tentang tes signifikansi statisik dibicarakan dalam
buku ini. Kebenaran satu F tes, misalnya, tergantung kepada asumsi yang skor variable
tergantungnya didistribusikan secara normal dalam populasi. Asumsi tersebut tidak
diperlukan untuk menghitung ukuran-ukuran korelasi dan regresi (Lihat McNemer, 1960).
Tidak ada perlunya untuk mengasumsikan sesuatu untuk menghitung nilai r, b dan
sebagainya (satu perkecualian ialah bila distribusi X dan Y, atau nilai X dan Y yang
dikombinasikan tidak mirip, maka susunan r tidak boleh dari -1 ke +1). Hal tersebut hanya
26
Teori Gugus membantu kita untuk menjelaskan keadaan seperti. Misalnya V(Y) = Varian Y, V (X) = Varian X
dan V (X2) = Varian X2 .X1y, X2 Y dan X1 X2 menunjukkan tiga bagian interseksi dari tiga variabel. X1 X2
menunjukkan interseksi dari tiga variabel secara keseluruhannya. Maka V (X1 Y) yang biasanya tiga variabel
semuanya. Sekarang kita dapat menuliskan persamaan berikut : Vy =V(X1 Y)+ V(X2 Y)- V(X1 X2 Y)
2
Pembaca akan menemukan pembahasan yang baik tentang asumsi dengan beberapa contoh sederhana dalam
Snedecor & Conhcarn (1967, hal. 141 -143)
bisa saja bila kita membuat kesimpulan dari satu sampel ke populasi yang harus kita
tinggalkan dan kemudian berfikir tentang asumsi.
Asumsi kedua ialah skor Y mempunyai varian yang sama pada masing-masing poin X.
Maka skor Y diasumsikan menjadi distribusi normal dan mempunyai varian yang sama pada
masing-masing poin X.
Catatlah persamaan berikut :
Y = a + b1X1 ++ bkXk
(3.16)
dimana e = kesalahan atau residu. Kesalahan-kesalahan tersebut diasumsikan menjadi
random dan didistribusikan secara normal dengan varian yang sama pada masing-masing
poin X. Poin yang kemudian dapat disebut : Distribusi deviasi dari regresi (residu) sama
pada semua poin X. Asumsi-asumsi tentang nilai e tersebut tentunya digunakan dalam
prosedur estimasi statistik.
Telah ditunjukkan dengan meyakinkan bahwa F dan t tes merupakan statistik yang kuat dan
kokoh, yang bermakna bahwa mereka menolak pelanggaran asumsi (Anderson, 1961, Baker,
Hardyck & prosedur estimasi statistik..
Telah ditunjukkan dengan meyakinkan bahwa F dan t tes merupakan statisik yang kuat dan
kokoh, yang bermakna bahwa mereka menolak pelanggaran asumsi (Anderson, 1961;
Boneau, 1961; Games & Lucas, 1966; Lindquist, 1953, hal-hal 78-86). Pada umumnya
mudah untuk mengatakan bahwa kita biasanya dapat meneruskan dengan analisis varian dan
analisis regresi ganda tanpa khawatir terlalu banyak tentang asumsi. Namun demikian para
peneliti harus hati-hati bahwa pelanggaran yang serius dari asumsi dan terutama tentang
kombinasinya, dapat mengubah hasil. Kami menyarankan para mahasiswa untuk memeriksa
data terutama dengan memplot, dan bila asumsi tersebut muncul menjadi dilanggar, untuk
memperlakukan hasil yang didapat bahkan dengan perhatian yang luar dari biasanya.
Mahasiswa juga harus menahan dalam pemikiran kemungkinan mengubah data yang
melawan arus, dengan menggunakan satu arah atau lebih dari transformasi yang tesedia dan
yang Mungkin membuat data lebih dapat dipertanggungjawabkan untuk analisa dan
kesimpulan (LIhat : Kirk, 1968,hal. 63-67; Monsteller & Bush, 1954).
Ulasan Lebih Lanjut Tentang Regresi Ganda Dan Penelitian Ilmiah
Para pembaca seharusnya mengerti sekarang, sekurang-kurangnya kepada satu
pengembangan yang terbatas tentang kegunaan dari analisis regresi ganda dalam penelitian
ilmiah. Uraian dalam bagian ini ; telah cukup banyak subjek yang disajikan untuk
memungkinkan kita sekarang melihat isu lebih luas dan prosedur yang lebih kompleks.
Dengan perkataan lain, kita sekarang dapat menyamarkan regresi ganda kepada kasus k
variabel. Akan tetapi satu bahaya berat dalam mempelajari subjek seperti regresi ganda, yaitu
kita menjadi begitu keasyikan dengan rumus-rumus, bilangan-bilangan, dan bilangan
manipulasi, kita kehilangan tatapan dari tujuan yang lebih luas. Hal ini terutama benar untuk
prosedur analisis yang kompleks seperti analisis varian, analisis faktor dan analisis regresi
ganda. Kita menjadi dibingungkan, teknik dan manipulasi yang kita jadikan pembantu dari
metoda daripada sebagai tuan. Sementara itu kami dipaksa untuk membawa diri kami
sendiri dan para pembaca lewat sebagian besar bilangan dan symbol manipulasi, kita terus
khawatir kehilangan arah. Paragraf yang sedikit ini adalah untuk mengingatkan kita apa dan
mengapa yang sedang kita lakukan.
Dalam Bab I, kita mengembangkan tentang dua tujuan utama dari analisis regresi ganda,
prediksi dan eksplanasi, serta kita mengatakan bahwa prediksi sungguh-sungguh merupakan
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
kasus khusus dari eksplanasi. Mahasiswa sekarang harusnya mempunyai wawasan yang
agak lebih mendalam ke dalam pernyataan ini.
Untuk menggambar garis dengan jelas, juga dengan lebih sederhana, bila kita hanya tertarik
pada prediksi, kita Mungkin hanya puas dengan R2 dan signifikansi serta besaran statistik.
Keberhasilan di sekolah dilanjutkan seperti diprediksikan dengan tes-tes tertentu
merupakan kasus klasikal. Banyak penelitian tentang keberhasilan sekolah, perhatian hanya
prediksi dari kriteria. Seseorang tidak perlu menyelidiki terlalu mendalam kepada sebab
akibat dari keberhasilan di sekolah lanjutan; seseorang terutama ingin untuk dapat
memprediksi dengan tepat. Dan tentu ini saja tidak berarti prestasi menjadi agak diabaikan.
Namun demikian dalam banyak hal penelitian ilmiah prediksi berhasil atau tidak tentu tidak
cukup. Kita ingin mengetahui mengapa; kita ingin menjelaskan kriteria dari penampilan,
fenomena dibalik kajian. Hal ini merupakan tujuan utama dari ilmu. Dan lagi untuk
menjelaskan satu fenomena kita harus mengetahui hubungan diantara variabel bebas. Ini
tentu saja bermakna bahwa R2 dan besaran serta signifikasi statisik adalah tidak cukup; fokus
perhatian kita lebih mengarah pada keseluruhan persamaan regresi dan koefisien regresi.
GUnakan satu fenomena psikhologis dan pendidikan yang sulit dan penting, pemecahan
masalah. Para pendidik telah menyatakan bahwa banyak pengajar harus diarahkan pada
pemecahan masalah daripada hanya pada pengajaran yang sesungguhnya. (Bloom, 1969;
Dewey, 1916; terutama Bab XII, 1933; Gagne, 1970). Hal tersebut telah dipaparkan, tapi
dengan maksud untuk tidak diselesaikan, yang juga disebut instruksi penamuan mengarah
kepada kemampuan memecahkan masalah yang lebih baik. Disini ada satu bidang penelitian
yang sangat rumit dan yang tidak akan menghasilkan pendekatan-pendekatan yang terlalu
sederhana. Juga tidak menghasilkan suatu pendekatan prediksi yang tepat. Bahkan bila
peneliti dapat menemukan variabel bebas yang memprediksi dengan baik pada pemecahan
masalah yang berhasil, ia harus menjadi memungkinkan untuk menyatakan dengan layak
kehususan dan ketepatan apa variabel bebas mengarah pada apa jenis dari perilaku
pemecahan masalah. Tambahan lagi, interaksi dan interelasi dari variabel bebas seperti itu
dalam pengaruhnya pada pemecahan masalah mesti dimengeti (Lihat : Bab 10 & Berlinier
dan Cohen, 1973; Croncbach & Snow, 1969).
Disini, misalnya ada beberapa variabel yang Mungkin menolong untuk menjelaskan
perilaku pemecahan masalah : Prinsip-prinsip mengajar atau penemuannya (Kersh &
Wittrock, 1962), kecerdasan, berfikir konvergen dari divergen (Guilford, 1967, Bab 6 & 7),
keinginan (Sarason, ed., 1960), abstrak-konkrit (Harvy, Hut, & Schroder, 1961). Bahwa
variabel-variabel tersebut pengaruh-mempengaruhi dalam cara-cara yang rumit, jarang
disebut. Bahwa kajian dari pengaruh-pengaruh hal itu pada kemampuan dan perilaku
memecahkan masalah perlu untuk merefleksikan keruwetan tersebut perlu dikatakan.
Seharusnya jelas bahwa prediksi untuk pemecahan masalah yang berhasil tidaklah cukup.
Akanlah perlu mendorong ke arah penjelasan tentang pemecahan masalah dengan
menggunakan variabel-variabel ini dan variabel-variabel lainnya dalam kombinasi yang
berbeda.
Semua hal ini bemakna bahwa para peneliti harus mengarahkan pada penjelasan dari
prediksi, sekurang-kurangnya diarahkan pada fenomena yang rumit seperti pemecahan
masalah, prestasi, kreativitas, sifat otoriter, prasangka, perilaku, organisasi, dan sebagainya.
Dalam satu kata, bahwa teori yang menyatakan baik penjelasan maupun prediksi, adalah
perlu bagi pengembangan ilmiah. Dan sementara itu regresi ganda serasi buat analisis
prediktif yang mempunyai orientasi yang lebih fundamental untuk analisis eksplanasi. Kami
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
LATIHAN-LATIHAN
1. Diketahui : Data primer dari sebuah penelitian disajikan sebagai berikut :
Frekuensi berkendaraan
Sering
Tidak
Kecelakaan
Jumlah
Wanita
Pria
Wanita
Pria
Banyak
70 fe1
120 fe3
40 fe5
30 fe7
260
Tidak
30 fe2
80 fe4
110 fe6
70 fe8
290
Jumlah
100
200
150
100
550
Angka Kai Kuadrat Tabel ( = 5% & df = 3 ) adalah 7,81
Ditanyakan : Buktikan Hi diterima Ho ditolak
Jawab :
260x100
260x150
fe1 =
= 47,27
fe5 =
= 70,91
550
550
290x100
290x150
fe2 =
= 52,73
fe6 =
= 79,.9
550
550
260x 200
260x100
fe3 =
= 94,55
fe7 =
= 47,27
550
100
290x 200
290x100
fe4 =
= 105,45
fe8 =
= 52,73
550
550
TABEL KERJA
2
fo
fe
fo - fe
(fo-fe)
70
30
120
80
40
110
30
70
47,27
52,73
94,55
105,45
70,91
79,09
47,27
52,73
22,73
-22,73
25,46
-25,46
30,91
-30,91
17,27
-17,27
516,62
516,62
647,70
647,70
955,43
955,43
298,25
298,25
( fo fe) 2
fe
10,9298
9,7980
6,8500
6,1422
13,4738
12,0803
6,3095
5,6562
71,2398
fe2 =
fe5 =
260x160
= 90,43
460
200x160
= 69,57
460
260x70
fe7 =
= 39,57
460
200x70
fe8 =
= 30,43
460
fe6 =
TABEL KERJA
fo
fe
fo - fe
(fo-fe)2
80
20
50
80
80
80
50
20
56,52
43,48
73,48
56,54
90,43
69,57
39,57
30,43
23,48
-23,48
-23,48
23,48
-10,43
10,43
10,43
-10,43
551,31
551,31
551,31
551,31
108,79
108,79
108,79
108,79
Rumus : x2 =
( fo fe) 2
fe
( fo fe) 2
fe
9,75
12,68
7,50
9,75
1,20
1,56
2,75
3,58
48,77
df = (k 1) (b-1)
k = kolom
b = baris
k = 4
b=2
df = (4-1)(2-1) = 3
Syarat : Hipotesa kerja (Hi) diterima adalah angka x2 perhitungan > angka x2 tabel
Angka x2 perhitungan = 48,77
Angka x2 tabel
= = 5% , df = 3 7,81
48,77 > 7,81
Hi diterima
( fo fe) 2
fe
fe5
fe6
fe7
fe8
330x180
620
290x180
=
620
330x120
=
620
290x120
=
620
= 95,81
= 84,19
= 63,87
= 56,13
TABEL KERJA
fo
fe
fo - fe
(fo-fe)2
100
50
60
110
90
90
80
40
79,84
70,16
90,48
79,52
95,81
84,19
63,87
56,13
20,16
-20,16
-30,48
30,48
-5,81
5,81
16,13
-16,13
406,43
406,43
929,03
929,03
33,76
33,76
260,18
260,18
( fo fe) 2
fe
5,09
5,79
10,27
11,68
0,35
0,40
4,07
4,64
42,29
y
(Kinerja Tahun I)
90
80
100
84
80
80
100
80
85
100
xy
2520
1760
3000
2016
1600
1600
3000
8
9
10
28
29
30
261
80
85
100
879
784
841
900
6.969
6400
7225
10000
77.981
x = 261
y = 879
x2 = 6.969
y2 = 77.981
xy =23.201
x = 26,1
y = 87.9
r xy = 0,772550096
= 0,8
N xy ( x)( y)
a. r xy =
N x 2 ( x) 2 N y 2 ( y ) 2
10(23.201) (261)(879)
=
10(6969) (261)2 10(77.981) (879) 2
(232.010) (229.419)
=
69690 68.121 (779.810) (772.641)
2591
=
15697169
2591
=
11.248.161
2591
=
= 0,772550096
3353,827813
= 0,8
b.
Uji Signifikasi :
0,64(8)
5,12
r 2 ( N 2)
(0,8) 2 (10 2)
F=
=
=
=
2
2
1 0,64
0,36
1 r
1 (0,8)
= 14,2
F tabel tarafuji 5%, perubah 1 x N = 10 adalah 4,96
F tes > F tabel (14,2 > 4,96) SIGNIFIKAN
N xy ( x )( y )
b=N X 2 ( x )2
10(23.201) (261)(879)
=10(6969) (261) 2
232.010 229.419
=69.690 68.121
2240
2465
3000
23.201
a = y bx
= 87,9 1,65(26,1)
= 87,9 43,065 = 44,835
= 44,88
Persamaan Regresi :
y = a + bx
y = 44,88 + 1,65x
5.
df = (k-1 )(b-1)
= (4-1)(2-1)
= 3
= 5%
x2 tabel = 7,815
x2 perhitungan > x2 tabel
12,924 >7,815 signifikan
6. Diketahui : Data primer dari sebuah penelitian sebagai berikut :
Frekuensi Berkendaraan
Sering
Tidak
Kecelakaan
Wanita
Pria
Wanita
Pria
Banyak
70 fe1
50 fe3
80 fe5
50 fe7
Tidak
40 fe2
80 fe4
60 fe6
30 fe8
Jumlah
110
130
140
80
Jumlah
250
210
460
Jawab :
( baris )( kolom)
fe =
N (total )
250x110
fe1 =
= 59,78
460
210x110
fe2 =
= 50,22
460
250x130
fe3 =
= 70,65
460
210x130
fe4 =
= 59,35
460
fe5
fe6
fe7
fe8
250x140
= 76,09
460
210x140
=
= 63,91
460
250x80
=
= 43,48
460
210x80
=
= 36,52
460
TABEL KERJA
2
fo
fe
fo - fe
(fo-fe)
70
40
50
80
80
60
50
30
59,78
50,22
70,65
59,35
76,09
63,91
43,48
36,52
10,22
-10,22
-20,65
20,65
3,91
-3,91
6,52
-6,52
104,45
104,45
426,42
426,42
15,29
15,29
42,51
42,51
( fo fe) 2
fe
1,747
2,080
6,036
7,185
0,201
0,239
0,978
1,164
19,63
df = (k-1 )(b-1)
= (4-1)(2-1)
= 3
= 5%
x2 tabel = 7,815
x2 perhitungan > x2 tabel
19,63 >7,81 signifikan
7. Diketahui : Data penelitian sebagai berikut :
x
Nomor Responden
(Hasil Tes)
1
8
2
7
3
10
4
7
5
6
6
8
7
10
8
9
9
8
10
10
y
(Kinerja Tahun I)
90
80
100
84
68
80
100
90
85
100
x
y
x2
y2
xy
= 83
= 877
= 707
= 77.905
= 7.406
xy
720
560
1000
588
408
640
1000
810
680
1000
7.406
x = 8,3
y = 87.3
r xy = 0,946988292 = 0,95
N xy ( x)( y)
a. r xy =
N x 2 ( x) 2 N y 2 ( y ) 2
10(7406) (83)(877)
=
10(707) (83) 2 10(77.905) (877)2
(74.060) (72.791)
=
7.070 6889 77.050 769.129
1269
=
1819.921
1269
=
1.795.701
1269
=
1340,037686
= 0,946988292
= 0,95
Uji Signifikasi :
0,9025(8)
7,22
r 2 ( N 2)
(0,95) 2 (10 2)
F=
=
=
=
2
1 0,9025
0,0975
1 r
1 (0,95) 2
= 74,05128205
= 74,05
F tabel tarafuji 5%, perubah 1 x N = 10 adalah 4,96
F tes > F tabel (74,05>4,96) SIGNIFIKAN
b.
N xy ( x )( y )
N X 2 ( x )2
10(7406) (83)(877)
=
10(707) (83)2
74.060 72.791
=
7.070 6.889
1269
=
= 7,0011049724 = 7,01
181
a = y bx
=87,7-(7,01)(8,3)
= 87,7 58,183
= 29,517
b=
Persamaan Regresi :
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran 2010
y = a + bx
y = 29,517+ 7,01 x
Jumlah
200
160
360
y
(Kinerja Tahun I)
80
70
70
100
60
70
90
80
80
90
Jawab :
No
1
2
3
4
5
6
7
8
9
10
x
7
6
6
10
6
7
9
8
8
9
76
y
80
70
70
100
60
70
90
80
80
90
790
x2
49
36
36
100
36
49
81
64
64
81
596
y2
6400
4900
4900
10000
3600
4900
8100
6400
6400
8100
63.700
x
y
x2
y2
xy
= 76
= 790
= 596
= 63.700
= 6.150
x = 7,6
y = 79
r xy = 0,947652488 = 0,95
xy
560
420
4220
1000
360
490
810
640
640
810
6.150
a. r xy
=
=
=
=
=
b.
xy
( x )
x )( y )
y
( y )2
10 ( 6250 ) ( 76 )( 790 )
1460
2 .373 .600
1460
= 0,947652488 = 0,95
1.540,649214
Uji Signifikasi :
0,9025(8)
7,22
r 2 ( N 2)
(0,95) 2 (10 2)
F=
=
=
=
2
2
1 0,9025
0,0975
1 r
1 (0,95)
= 74,05128205
= 74,05
N xy ( x )( y )
b =
N X 2 ( x )2
10(6150) (76)(790)
=
10(596) (76) 2
61.500 60.040
=
5.960 5.776
1460
=
= 7,934782609 = 7,935
184
a = yb x
= 79-(7,935)(7,6)
= 79-60,306
= 18,694
Persamaan Regresi :
y = a + bx
y = 18,694 + 7,935 (x)