KELOMPOK A
Disusun Oleh :
NIM :181061007
Jurusan : Statistika
JURUSAN STATISTIKA
YOGYAKARTA
2019
i
KATA PENGANTAR
Puji syukur saya panjatkan kehadirat Tuhan Yang Maha Esa, karena hanya dengan
rahmat-Nyalah saya akhirnya bisa menyelesaikan Laporan Akhir Praktikum Komputasi
Statistika ini dengan baik tepat pada waktunya.
Tidak lupa saya menyampaikan rasa terima kasih kepada pihak yang telah
memberikan banyak masukan yang bermanfaat dalam proses penyusunan laporan ini. Rasa
terima kasih juga hendak saya ucapkan kepada rekan-rekan mahasiswa yang telah
memberikan kontribusinya baik secara langsung maupun tidak langsung sehingga laporan ini
bisa selesai pada waktu yang telah ditentukan oleh asisten laburatorium.
ii
DAFTAR ISI
KOVER ....................................................................................................................................... i
iii
Lampiran ..................................................................................................................................... 36
iv
BAB I PENDAHULUAN
1
Ada beberapa macam tipe dari analisis regresi. Tipe yang pertama adalah analisis
regresi linier sederhana yang berfungsi untuk mengetahui hubungan linier antara dua
variabel, satu variabel dependen dan satu variabel independen. Tipe kedua adalah analisis
regresi linier berganda yang merupakan model regresi linier dengan satu variable dependen
dan lebih dari satu variabel independen. Pemodelan dengan regresi telah banyak digunakan
mulai dari bidang sosial, ekonomi,kimia, kesehatan, dan sebagainya. Dengan model regresi
yang dihasilkan, dapat diketahuivariabel – variabel yang secara signifikan mempengaruhi
variabel yang lain. Karena, Analisis regresi adalah salah satu analisis yang paling populer
dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan prediksi dan
ramalan. Analisi ini juga digunakan untuk memahami variabel bebas mana saja yang
berhubungan dengan variabel terikat, dan untuk mengetahui hubungan-hubungan tersebut.
Berdasarkan latar belakang di atas dapat kita ditarik sebuah rumusan masalah sebagai
berikut :
2
4. Bagaimana menyelesaikan atau menganalisis dan pengujian hipotesis untuk contoh
kasus Uji Statistik Deskriptif dan Analisis Faktor dengan menggunakan software R?
1.4 Tujuan
Tujuan dari penulisan Laporan Tugas Akhir Praktikum ini adalah sebagai berikut:
1. Untuk menyelesaikan tugas akhir yang diberikan oleh para Asisten Laboratorium
Jurusan Statistika Fakultas Sains Terapan IST AKPRIND Yogyakarta.
2. Dapat mengetahui, menyelesaikan atau menganalisis dan pengujian hipotesis untuk
contoh kasus Uji pairet test dengan menggunakan software R.
3. Dapat mengetahui, menyelesaikan atau menganalisis dan pengujian hipotesis untuk
contoh kasus uji regresi linear berganda dengan menggunakan software R.
4. Dapat mengetahui, menyelesaikan atau menganalisis dan pengujian hipotesis untuk
contoh kasus Uji Analisis Regresi Linear Logistik dengan menggunakan software R
5. Dapat mengetahui, menyelesaikan atau menganalisis dan pengujian hipotesis untuk
contoh kasus Uji Statistik Deskriptif dan Analisis dengan menggunakan software R
1.5 Manfaat
Adapun beberapa manfaat yang dibahas dalam Laporan Tugas Akhir Praktikum ini
adalah sebagai berikut :
1. Memberikan teknik-teknik sederhana dalam mengklasifikasikan data dan menyajikan
data secara lebih mudah sehingga bisa dimengerti secara lebih mudah
2. Alat untuk mengetahui kausalitas (sebab akibat) antara dua atau lebih variable,
sehingga dapat diketahui apakah suatu hubungan benar-benar terkait dalam kasualitas
atau tidak
3. Membantu peneliti dalam menyimpulkan suatu perbedaan yang diperoleh apakah
benar-benar berbeda secara signifikansi
4. Secara teknik dapat digunakan untuk menguji hipotesis sehingga bisa menolong
peneliti dalam mengambil keputusan apakah menerima atau menolak hipotesis
3
BAB II LANDASAN TEORI
4
(independent) dan uji-t untuk sampel berpasangan (paired). Dalam lingkup uji-t untuk
pengujian hipotesis 2-sampel bebas, maka ada 1 hal yang perlu mendapat perhatian,
yaitu apakah ragam populasi (ingat: ragam populasi, bukan ragam sampel) diasumsikan
homogen (sama) atau tidak. Bila ragam populasi diasumsikan sama, maka uji-t yang
digunakan adalah uji-t dengan asumsi ragam homogen, sedangkan bila ragam populasi
dari 2-sampel tersebut tidak diasumsikan homogen, maka yang lebih tepat adalah
menggunakan uji-t dengan asumsi ragam tidak homogen. Uji-t dengan ragam homogen
dan tidak homogen memiliki rumus hitung yang berbeda.
Oleh karena itulah, apabila uji-t hendak digunakan untuk melakukan pengujian
hipotesis terhadap 2-sampel, maka harus dilakukan pengujian mengenai asumsi
kehomogenan ragam populasi terlebih dahulu dengan menggunakan uji-F.
2.1.2 Paired Sample digunakan
Dalam melakukan pemilihan uji, seorang peneliti harus memeperhatikan
beberapa aspek yang menjadi syarat sebuah uji itu digunakan. Peneliti tidak boleh
sembarangan dalam meilih uji, sehingga sesuai dengan tujuan penelitian yang
diinginkan. Ada beberapa syarat yang harus dipenuhi untuk menggunakan Uji-t
Berpasangan. Dalam hal ini untuk Uji Komparasi antar dua nilai pengamatan
berpasangan, (paired) misalnya sebelum dan sesudah (Pretest & postest) di gunakan
pada :
1. satu sampel (setiap elemen ada 2 pengamatan)
2. Data kuantitatif (interval – rasio)
3. Berasal dari populasi yang berdistribusi normal (di populasi terdapat distribusi
deference = d yang berdistribusi normal dengan mean md = 0 dan variance sd2 =
1).
2.2 Regresi linear Berganda
Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan antara
peubah respon (variabel dependen) dengan faktor-faktor yang mempengaruhi lebih dari
satu prediktor (variabel independen). Regresi linier berganda hampir sama dengan regresi
linier sederhana, hanya saja pada regresi linier berganda variabel bebasnya lebih dari satu
variabel penduga. Tujuan analisis regresi linier berganda adalah untuk mengukur intensitas
hubungan antara dua variabel atau lebih dan membuat prediksi perkiraan nilai Y atas X.
Rumus Regresi Linier Berganda
5
Persamaann / rumus regresi linier berganda adalah sebagai berikut :
dengan i = 1, 2,…n
dimana :
Y = variabel terikat Y
X = Variabel bebas
b0 = Konstanta
bi = Koefisien Penduga
untuk menghitung b0, b1, b2 … bk dan seterusnya kita menggunakan Metode Kuadrat
Terkecil (Least Square Method) yang menghasilkan persamaan model sebagai berikut
Dalam analisis regresi linear berganda terdapat asumsi klasik yang harus di terpenuhi.
Asumsi klasik adalah syarat-syarat yang harus dipenuhi pada model regresi linear agar
model tersebut menjadi valid sebagai alat penduga. Dalam analisis regresi linear sederhana
terdapat 4 ansumsi klasik yang harus dipenuhi yaitu sebagai berikut
• Uji normalitas
Uji normalitas untuk mengetahui apakah error dalam model regresi memiliki distribusi
normal
• Uji autokorelasi
Uji autokorelasi bertujuan menguji apakah apakah model memiliki korelasi antara error
pada periode t dengan error periode t-1 (sebelumnya). Model yang baik yaitu tidak
terjadi autokorelasi
• Uji heteroskedastisitas
Uji heteroskedastisitas untuk mengetahui apakah dalam model regresi terjadi
ketidaksamaan varian eror satu pengamatan ke pengamatan yang lain. Model yang baik
harus heteroskedastisitas
• Uji multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antara variabel bebas. Model yang baik seharusnya tidak terjadi
multikolinearitas antara variabel independent yang memiliki nilai VIF ≤ 10
Koefisien determinasi
➢ Uji F dan uji t
6
Uji F dikenal dengan uji serentak atau uji simultan yaitu suatu uji untukmelihat
bagaimanakah pengaruh semua variabel bebasnya secara Bersama-sama terdapat
variabel terikatnya atau menguji apakah model regresi yang kita buat signifikan atau
tidak signifikan. Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana
pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel
berikutnya
➢ Kofisien Determinasi (R2)
R2 adalah perbandingan antara variabel Y yang dijelaskan oleh x1 dan x2 secara
Bersama-sama disbanding dengan variasi total Y. Jika R2 semakin besar (>50%) atau
mendekati 1, maka model makin tepat. Sebaliknya jika R2 semakin mendekati 0 maka
model cenderung kurang tepat
2.3 Regresi Logistik
Regresi logistik ( kadang disebut model logistik atau model logit ), dalam statistika
digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data
pada fungsi logit kurva logistik. Metode ini merupakan model linier umum yang digunakan
untuk regresi binomial. Seperti analisis regresi pada umumnya, metode ini menggunakan
beberapa variabel prediktor, baik numerik maupun kategori. Misalnya, probabilitas bahwa
orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi
usia, jenis kelamin, dan indeks massa tubuh. Regresi logistik juga digunakan secara luas
pada bidang kedokteran dan ilmu sosial, maupun pemasaran seperti prediksi
kecenderungan pelanggan untuk membeli suatu produk atau berhenti berlangganan.
Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi seperti
halnya regresi linear atau yang biasa disebut dengan istilah Ordinary Least Squares (OLS)
regression. Perbedaannya adalah pada regresi logistik, peneliti memprediksi variabel
terikat yang berskala dikotomi. Skala dikotomi yang dimaksud adalah skala data nominal
dengan dua kategori, misalnya: Ya dan Tidak, Baik dan Buruk atau Tinggi dan Rendah.
Apabila pada OLS mewajibkan syarat atau asumsi bahwa error varians (residual)
terdistribusi secara normal. Sebaliknya, pada regresi ini tidak dibutuhkan asumsi tersebut
sebab pada regresi jenis logistik ini mengikuti distribusi logistik.
Asumsi Regresi Logistik
Asumsi Regresi Logistik antara lain:
1. Regresi logistik tidak membutuhkan hubungan linier antara variabel independen
dengan variabel dependen.
2. Variabel independen tidak memerlukan asumsi multivariate normality.
7
3. Asumsi homokedastisitas tidak diperlukan
4. Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval atau skala ratio).
5. Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah atau
baik dan buruk)
6. Variabel independen tidak harus memiliki keragaman yang sama antar kelompok
variabel
7. Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat
eksklusif
8. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50
sampel data untuk sebuah variabel prediktor (independen).
Model persamaan aljabar layaknya OLS yang biasa kita gunakan adalah berikut: Y = B0 +
B1X + e. Dimana e adalah error varians atau residual. Dengan model regresi ini, tidak
menggunakan interpretasi yang sama seperti halnya persamaan regresi OLS. Model
Persamaan yang terbentuk berbeda dengan persamaan OLS.
Berikut persamaannya:
Sedangkan P Aksen adalah probabilitas logistik yang didapat rumus sebagai berikut:
8
Probabilitas Regresi Logistik
Di mana:
(Perlu diingat bahwa exponen merupakan kebalikan dari logaritma natural. Sedangkan
logaritma natural adalah bentuk logaritma namun dengan nilai
konstanta 2,71828182845904 atau biasa dibulatkan menjadi 2,72).
Misalnya nilai Exp (B) pengaruh rokok terhadap terhadap kanker paru adalah sebesar
2,23, maka disimpulkan bahwa orang yang merokok lebih beresiko untuk mengalami
kanker paru dibadningkan dengan orang yang tidak merokok. Interprestasi ini diartikan
apabila pengkodean kategori pada tiap variabel sebagai berikut:
1. Variabel bebas adalah Rokok: Kode 0 untuk tidak merokok, kode 1 untuk merokok.
2. Variabel terikat adalah kanker Paru: Kode 0 untuk tidak mengalami kanker paru, kode
1 untuk mengalami kanker paru.
Pseudo R Square
Perbedaan lainnya yaitu pada regresi ini tidak ada nilai “R Square” untuk mengukur
besarnya pengaruh simultan beberapa variabel bebas terhadap variabel terikat. Dalam
regresi logistik dikenal istilah Pseudo R Square, yaitu nilai R Square Semu yang
maksudnya sama atau identik dengan R Square pada OLS.
Jika pada OLS menggunakan uji F Anova untuk mengukur tingkat signifikansi dan
seberapa baik model persamaan yang terbentuk, maka pada regresi ini menggunakan Nilai
Chi-Square. Perhitungan nilai Chi-Square ini berdasarkan perhitungan Maximum
Likelihood.
9
Statistika deskriptif adalah bagian dari statistika yang mempelajari alat, teknik,
atau prosedur yang digunakan untuk menggambarkan atau mendeskripsikan kumpulan
data atau hasil pengamatan yang telah dilakukan. Kegiatan – kegiatan tersebut antara
lain adalah kegiatan pengumpulan data, pengelompokkan data, penentuan nilai dan
fungsi statistik, serta pembuatan grafik, diagram dan gambar. Statistika deskriptif ini
merupakan metode-metode yang berkaitan dengan pengumpulan, peringkasan, dan
penyajian suatu data sehingga memberikan informasi yang berguna dan juga
menatanya ke dalam bentuk yang siap untuk dianalisis. Dengan kata lain, statistika
deskriptif ini merupakan fase yang membicarakan mengenai penjabaran dan
penggambaran termasuk penyajian data. Dalam fase ini dibahas mengenai ukuran-
ukuran statistik seperti ukuran pusat, ukuran sebaran, dan ukuran lokasi dari persebaran
/ distribusi data.
Adapun analisis statistika deskriptif ini memiliki tujuan untuk memberikan
gambaran (deskripsi) mengenai suatu data agar data yang tersaji menjadi mudah
dipahami dan informatif bagiorang yang membacanya. Statistika deskriptif
menjelaskan berbagai karakteristik data seperti rata-rata (mean), jumlah (sum)
simpangan baku (standard deviation), varians (variance), rentang (range), nilai
minimum dan maximum dan sebagainya. Analisis deskriptif ini terdiri dari
Frequencies, Descriptive, Explore, Crosstabs dan Ratio. Analisis – analisis tersebut
sudah ada pada opsion menu – menu dalam software pengolahan data statistik yang
sering digunakan. Salah satu program olah data yang sering digunakan adalah SPSS
(Statistical Package for the Social Sciences). SPSS merupakan program aplikasi
computer untuk menganalisis data yang digunakan pada berbagai disiplin ilmu,
terutama untuk analisis statistika. SPSS untuk menganalisis serta menampilkan angka-
angka hasil perhitungan statistik, grafik, tabel dengan berbagai model, baik variabel
tunggal atau hubungan antara satu variabel dengan variabel lain.
Perlu juga diketahui, bahwa menurut skala data, dapat dibagi menjadi empat yaitu :
1. Data Nominal
Adalah data yang hanya bentuk pengkodean, maksudnya adalah angka yang ada hanyalah
sebagai symbol saja. Tidak memiliki tingkatan atau hierarki. Jadi nilai 1, 2 dan seterusnya
memiliki nilai yang sama dan setara. Data nominal tidak bisa dioperasikan secara
matematik.
2. Data Ordinal
10
Adalah data yang hampir sama dengan data nominal, namun bedanya adalah angka – angka
pada data memiliki hierarki atau tingkatan – tingkatan.
3. Data Interval
Adalah data yang memiliki range atau jarak dalam kelompok nilai dalam interval tertentu.
Nol tidak memiliki nilai yang mutlak, atau nol yang tertera bukan merupakan nol yang
sesungguhnya.
4. Data Ratio
Adalah data yang memiliki nilai yang sesungguhnya. Dapat dioperasikan secara matematik
dan memiliki nilai nol yang sesungguhnya.
Dari empat data tersebut, dikelompokkan lagi menjadi dua, yaitu data kualitatif yang
meiputi data interval dan ratio. Serta data kuantitatif yang meliputi data nominal dan data
ordinal.
2.4.2 Analisis Faktor
Analisis faktor adalah salah satu teknik statistika yang dapat digunakan untuk
memberiikan deskripsi yang relatif sederhana melalui reduksi jumlah peubah yang
disebut faktor. Analisis faktor adalah prosedur untuk mengidentifikasi item atau
variabel berdasarkan kemiripannya. Kemiripan tersebut ditunjukkan dengan nilai
korelasi yang tinggi. Item-item yang memiliki korelasi yang tinggi akan membentuk
satu kerumunan faktor.Prinsip dasar dalam analisis faktor adalah menyederhanakan
deskripsi tentang data dengan mengurangi jumlah variabel/ dimensi.
Analisis faktor memungkinkan peneliti untuk:
1. Menguji ketepatan model (goodness of fit test) faktor yang terbentuk dari item-item
alat ukur.
2. Menguji kesetaraan unit pengukuran antar item,
3. Menguji reliabilitas item-item pada tiap faktor yang diukur,
4. Menguji adanya invarian item pada populasi.
2.4.2.1 Jenis-Jenis Analisis Faktor
a. Analisis Faktor Eksploratori (Exploratory Factor Analysis)
Seorang peneliti membuat seperangkat item yang mengukur kualitas
pelayanan bank. Item tersebut merupakan operasionalisasi dari teori dan
indikator mengenai kualitas layanan. Peneliti hendak mengidentifikasi berapa
faktor yang ada di dalam seperangkat item tersebut. Dari analisis faktor
kemudian didapatkan ada 4 faktor yang menggambarkan kualitas layanan bank,
antara lain faktor fitur layanan, fasilitas gedung, keramahan karyawan, serta
jaminan keamanan.
11
b. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis).
Seorang peneliti merancang sebuah alat ukur mengenai dukungan sosial.
Alat ukur tersebut berisi seperangkat aitem yang diturunkan dari lima dimensi
dukungan sosial. Peneliti berusaha memastikan apakah alat ukur yang
dibuatnya benar-benar menjelaskan kelima dimensi tersebut.
Ia kemudian melakukan analisis faktor konfirmatori. Hasil dari analisis faktor
menunjukkan bahwa pembagian kelima faktor akhirnya dibuktikan.
2.4.2.2 Fungsi Analisis Faktor
Analisis faktor memiliki fungsi penting dalam pengembangan alat ukur. Beberapa
fungsi tersebut antara lain sebagai berikut.
a. Pengujian Dimensionalitas Pengukuran
Dimensionalitas pengukuran adalah banyaknya atribut yang diukur oleh sebuah
alat ukur. Alat ukur yang unidimensi mengukur satu atribut psikologis saja
sedangkan alat ukur yang multidimensi mengukur lebih dari satu atribut ukur.
Pengukuran dalam bidang psikologi didominasi oleh pengukuran unidimensi
karena alat ukur yang dikembangkan peneliti psikologi biasanya mengukur satu
target ukur saja. Misalnya Skala Kecemasan, skala ini diharapkan mengukur
atribut kecemasan saja dan tidak mengukur atribut yang lain. Untuk mengetahui
apakah alat ukur yang dikembangkan oleh peneliti mengukur satu atribut atau
banyak atribut diperlukan analisis faktor.
b. Pengujian Komponen atau Aspek dalam Alat Ukur
Penyusunan alat ukur psikologi biasanya diawali dari penurunan konsep
menjadi komponen atau aspek konsep sebelum diturunkan menjadi aitem
berupa pernyataan skala. Untuk mengidentifikasi apakah item-item yang
diturunkan dari komponen alat ukur mewakili komponen tersebut maka
diperlukan analisis faktor. Analisis faktor juga dapat menunjukkan apakah antar
komponen memiliki keterkaitan ataukah tidak (independen).
2.4.2.3 Langkah-Langkah Melakukan Analisis Faktor
a) Melakukan uji korelasi antar variabel asal dengan tujuan agar penyusutan
variabel analisis faktor menjadi lebih sederhana dan bermanfaat, tanpa
kehilangan banyak informasi sebelumnya.
b) Uji kelayakan data (menggunakan basis faktor) apakah cocok dilakukan
analisis faktor.
c) Mencari akar ciri dan matriks Σ atau R.
12
d) Mengurutkan akar ciiri yang terbentuk dari terbesar sampai terkecil.
e) Mencari proporsi keragaman atau berguna untuk mengetahui berapa faktor
yang akan terbentuk.
f) Mengalokasikan setiap variabel asal kedalam faktor sesuai dengan nilai
loading.
g) Apabila terdapat nilai loading yang identik atau hampir sama maka lakukan
rotasi baik dengan cara orthogonal ataupun non orthogonal.
h) Setelah yakin dengan faktor yang terbentuk , maka berikan penamaan pada
faktor tersebut dengan cara melihat variabel-variabel apa saja yang menyusun
faktor tersebut.
13
BAB III METODE PENELITIAN
3.1.2 Sebuah penelitian dilakukan untuk mengetahui pengaruh rasio industri, persentase
rumah sehat, persentase kepemilikan jamban sehat, kepadatan penduduk, rata-rata jiwa
per rumah tangga dan rasio usaha peternakan terhadap persentase penderita ISPA
(infeksi saluran pernapasan akut) di kabupaten Mojokerto. Data yang digunakan
disajikan pada tabel berikut:
14
Keterangan :
PPISPA : Persentase Penderita ISPA
RI : Rasio Industri
PRS : Persentase rumah sehat
PKJS : Persentase kepemilikan jamban sehat
KP : Kepadatan penduduk
RRT : Rata-rata jiwa per rumah tangga
RUP : Rasio usaha peternakan
Ujilah dengan tingkat kepercayaan 90% , variabel apa saja yang berpengaruh
pada Kasus penderita ISPA di Kabupaten Mojokerto ? Gunakan Rcmdr.
3.1.3 Suatu penelitian dilakukan untuk mengetahui pengaruh status merokok dan usia
seseorang pasien terhadap risiko terkena penyakit jantung. Diambil 75 sampel dan
diperoleh data sebagai berikut ;
15
Pasien JANTUNG MEROKOK USIA Pasien JANTUNG MEROKOK USIA Pasien JANTUNG MEROKOK USIA
1 1 0 45 26 0 0 29 51 1 1 49
2 0 0 18 27 1 0 52 52 1 1 62
3 0 0 18 28 0 0 29 53 1 1 41
4 0 0 18 29 1 0 48 54 1 1 58
5 0 0 18 30 1 0 45 55 1 1 55
6 1 0 47 31 0 0 30 56 1 1 43
7 0 0 19 32 0 0 31 57 1 1 44
8 0 0 19 33 0 0 31 58 1 1 58
9 0 0 20 34 1 0 60 59 1 1 59
10 0 0 20 35 1 0 39 60 0 1 45
11 1 0 35 36 1 0 56 61 1 1 60
12 0 0 21 37 1 0 43 62 1 1 46
13 0 0 22 38 1 0 48 63 0 1 46
14 1 0 39 39 1 0 46 64 0 1 46
15 0 0 23 40 1 0 56 65 1 1 52
16 1 0 54 41 1 0 47 66 1 1 48
17 0 0 23 42 0 0 21 67 0 1 48
18 0 0 24 43 0 0 36 68 0 1 48
19 1 0 36 44 1 0 36 69 1 1 48
20 1 0 39 45 1 1 61 70 0 1 42
21 0 0 25 46 0 1 38 71 0 1 41
22 0 0 27 47 1 1 49 72 1 1 50
23 0 0 28 48 0 1 40 73 1 1 50
24 0 0 28 49 0 1 40 74 1 1 51
25 0 0 28 50 0 1 40 75 1 1 51
Keterangan:
1. Jantung
0: tidak terkena penyakit jantung
1: terkena penyakit jantung
2. Merokok
0 : tidak merokok
: Merokok
Apakah risiko terkena penyakit jantung dipengaruhi oleh status merokok dan
usia seorang pasien? Ujilah dengan tingkat kepercayaan 95% dan gunakan Rcmdr
dan Minitab.
3.1.4 Tabel dibawah terdapat 5 variabel yang mempengaruhi jumlah kasus ISPA di
kabupaten Mojokerto. Lakukan analisis statistik deskriptif dan analisis faktor pada
variabel tersebut. Gunakan Rcmdr.
16
Keterangan :
PRS : Persentase rumah sehat
PKJS : Persentase kepemilikan jamban sehat
KP : Kepadatan penduduk
RRT : Rata-rata jiwa per rumah tangga
RUP : Rasio usaha peternakan
3.2 Variabel Penelitian
3.2.1 Pairet Test
Tidak menggunakan variabel
3.2.2 Regresi linear berganda
PPISPA : Persentase Penderita ISPA
RI : Rasio Industri
PRS : Persentase rumah sehat
PKJS : Persentase kepemilikan jamban sehat
KP : Kepadatan penduduk
RRT : Rata-rata jiwa per rumah tangga
RUP : Rasio usaha peternakan
3.2.3 Regresi logistic
• Jantung
0: tidak terkena penyakit jantung
1: terkena penyakit jantung
• Merokok
17
0 : tidak merokok
: Merokok
3.2.4 Statistik Deskriptif Dan Analisis Faktor
PRS : Persentase rumah sehat
PKJS : Persentase kepemilikan jamban sehat
KP : Kepadatan penduduk
RRT : Rata-rata jiwa per rumah tangga
RUP : Rasio usaha peternakan
3.3 Metode Analisis Data
3.3.1 Uji pairet T-test
Uji paired t-test adalah salah satu metode pengujian hipotesis dimana data yang
digunakan tidaklah bebas. Ciri-siri yang paling sering ditemui pada kasus yang
berpasangan adalah satu individu (objek penelitian) dikenai dua buah perlakuan yang
berbeda. Walaupun menggunakan individu yang sama, peneliti tetap memperoleh 2
macam data sampel, yaitu data dari perlakuan pertama, dan data dari perlakuan
kedua. Perlakuan pertama mungkin saja berupa kontrol, yaitu tidak memberikan
perlakuan sama sekali terhadap objek penelitian.Uji t dua sampel dilakukan dalam dua
tahapan; tahapan pertama adalah menguji apakah varians dari dua populasi bisa
dianggap sama? Setelah itu, baru dilakukan pengujian untuk melihat ada tidaknya
perbedaan rata-rata populasi. Pada dasarnya, uji t mensyaratkan adanya kesamaan
varians dari dua populasi yang diuji, jika asumsi tersebut tidak terpenuhi, R akan
menyediakan alternative jawaban uji t yang lain. Ya maksdunya penetapan subjek
masuk ke dalam salah satu dari kedua sampel juga dikaitkan dengan variabel lain.
Misalnya dalam penelitian mengenai modul pengajaran terbaru, peneliti ingin
mengendalikan variabel inteligensi dalam penelitiannya.
3.3.2 Regresi linear Berganda
Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan
antara peubah respon (variabel dependen) dengan faktor-faktor yang mempengaruhi
lebih dari satu prediktor (variabel independen). Regresi linier berganda hampir sama
dengan regresi linier sederhana, hanya saja pada regresi linier berganda variabel
bebasnya lebih dari satu variabel penduga. Tujuan analisis regresi linier berganda
adalah untuk mengukur intensitas hubungan antara dua variabel atau lebih dan
membuat prediksi perkiraan nilai Y atas X.
3.3.3 Regresi logistic
18
Regresi logistik ( kadang disebut model logistik atau model logit ), dalam
statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan
mencocokkan data pada fungsi logit kurva logistik. Metode ini merupakan model linier
umum yang digunakan untuk regresi binomial. Seperti analisis regresi pada umumnya,
metode ini menggunakan beberapa variabel prediktor, baik numerik maupun kategori.
Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu
tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh.
Regresi logistik juga digunakan secara luas pada bidang kedokteran dan ilmu sosial,
maupun pemasaran seperti prediksi kecenderungan pelanggan untuk membeli suatu
produk atau berhenti berlangganan.
3.3.4 Statistik Deskriptif Dan Analisis Faktor
a. Statistik Deskriptif
Statistika deskriptif adalah bagian dari statistika yang mempelajari alat, teknik,
atau prosedur yang digunakan untuk menggambarkan atau mendeskripsikan
kumpulan data atau hasil pengamatan yang telah dilakukan. Kegiatan– kegiatan
tersebut antara lain adalah kegiatan pengumpulan data, pengelompokkan data,
penentuan nilai dan fungsi statistik, serta pembuatan grafik, diagram dan
gambar. Statistika deskriptif ini merupakan metode-metode yang berkaitan
dengan pengumpulan, peringkasan, dan penyajian suatu data sehingga
memberikan informasi yang berguna dan juga menatanya ke dalam bentuk yang
siap untuk dianalisis. Dengan kata lain, statistika deskriptif ini merupakan fase
yang membicarakan mengenai penjabaran dan penggambaran termasuk
penyajian data. Dalam fase ini dibahas mengenai ukuran-ukuran statistik seperti
ukuran pusat, ukuran sebaran, dan ukuran lokasi dari persebaran / distribusi
data.
b. Analisis Faktor
Analisis faktor adalah salah satu teknik statistika yang dapat digunakan untuk
memberiikan deskripsi yang relatif sederhana melalui reduksi jumlah peubah
yang disebut faktor. Analisis faktor adalah prosedur untuk mengidentifikasi
item atau variabel berdasarkan kemiripannya. Kemiripan tersebut ditunjukkan
dengan nilai korelasi yang tinggi. Item-item yang memiliki korelasi yang tinggi
akan membentuk satu kerumunan faktor.Prinsip dasar dalam analisis faktor
adalah menyederhanakan deskripsi tentang data dengan mengurangi jumlah
variabel/ dimensi.
19
BAB IV ANALISIS DAN PEMBAHASAN
Intrepretasi
Dari hasil output R commander Pada uji t t hitung yaitu 3,0945, pvalue = 0,004552 degree
of freedom (df) 27 yang diperoleh dari jumlah sampel (n) - 1 yaitu 28-1 dengan tingkat
kepercayaan 99%
a. Hipotesis
H0: µ2 = µ4 (rata-rata selisisi jumlah kolestrol hari ke 2 dan hari ke 4 sama dengan =
0 atau tidak ada perubahan)
H1: µ2 ≠ µ4 (rata-rata selisisi jumlah kolestrol hari ke 2 dan hari ke 4 tidak sama dengan
= 0 atau ada perubahan)
b. Taraf Signifikansi
α = 1% = 0,01
c. Statistik Uji
t = 3,0945
d. Daerah Kritis
H0 ditolak jika thitung > t α/2;df = -t0,005;27 = 2,77068
H0 ditolak jika Pvalue < α
e. Kesimpulan
Diketahui bahwa nilai dari thitung = 3,0945 > t0,025;10 = 2,77068 dan Pvalue= 0,004552 <
α = 0,01 maka H0 ditolak yang artinya rata-rata selisisi jumlah kolestrol hari ke 2 dan
hari ke 4 tidak sama dengan = 0 atau ada perubahan , dengan tingkat kepercayaan 99%
4.2 Regresi Linear Berganda
20
Interpretasi:
Apabila variabel RI, PRS, PKJS, KP, RRT Dan RUP, PK dan JPM konstan, maka jumlah
PPISPA akan bernilai kostan sebesar= 0,56224945
Koefisiean Determinan
Makna R2 = 0,5278 artinya sebesar 52,78% variabel PPISPA dapat di jelaskan oleh variabel
RI, PRS, PKJS, KP, RRT Dan RUP, PK dan JPM, sisanya yaitu 47,22 % dijelasan oleh
variabel lain diluar model regresi yang tidak diteliti.
21
a. Hipotesis
H0= Resudal Berdistribusi Normal
H1= Resudal tidak Berdistribusi Normal
b. Taraf signifikansi
α= 10% = 0.1
c. Statistik Uji
P-Value= 0.2768
d. Daerah Kritis
H0 Ditolak Apabila P-value < α
e. Kesimpulan
Dari hasil output perhitungan menggunakan R diperoleh P-value = 0,2768> α = 0.1.
Maka H0 Tidak ditolak yang artinya Resudal berdistribusi normal dengan tingkat
kepercayaan 90%
22
RUP= 3,649036
d. Daerah Kritis
H0 Ditolak Apabila vif > 10
e. Kesimpulan
Karena nilai vif untuk variabel RI = 1,956780 < 10, PRS = 1,447901< 10, PKJS =
1,447901<10, KP=3,295015<10, RRT= 1,480362<10 dan RUP= 3,649036 < 10
maka H0 tidak ditolak yang artinya terdapat gejala Multikolinearitas variabel RI,
dengan tingkat keprcayaan 90%
3. Uji autokorelasi
a. Hipotesis
H0= Tidak terjadi autokorelasi
H1= Terjadi autokorelasi
b. Taraf signifikansi
α= 10% = 0.1
c. Statistik Uji
P-value = 0,1126
d. Daerah Kritis
H0 Ditolak Apabila P-value < α
e. Kesimpulan
Diperoleh p-value = 0,1126 > α =10% =0,1 sehingga H0 tidak ditolak artinya Tidak
terjadi autokorelasi dengan tingkat kepercayaan 90%
4. Uji heteroskedastisitas
23
a. Hipotesis
H0= Resudal identic atau tidak terjadi heteroskedastisitas
H1= Resudal identic atau terjadi heteroskedastisitas
b. Taraf signifikansi
α= 10% = 0.1
c. Statistik Uji
P-value = 0,7686
d. Daerah Kritis
H0 Ditolak Apabila P-value < α
e. Kesimpulan
Diperoleh p-value = 0,7686 > α =10%=0,1 sehingga H0 tidak ditolak artinya
Resudal identic atau tidak terjadi heteroskedastisitas, dengan tingkat kepercayaan
90%
5. Uji Signifikansi
a. Hipotesis
H0= Semua Variabel RI, PRS, PKJS, KP, RRT Dan RUP, PK tidak berpengaruh
terhadap PPISPA
H1= Minimal ada satu Variabel RI, PRS, PKJS, KP, RRT Dan RUP, yang
berpengaruh terhadap PPISPA
b. Taraf signifikansi
α= 10% = 0.1
c. Statistik Uji
P-Value= 0,1433
d. Daerah Kritis
H0 Ditolak Apabila P-value < α
e. Kesimpulan
24
Dari hasil output perhitungan menggunakan R diperoleh P-value = 0,1433 > α =
0.1. Maka H0 tidak ditolak yang artinya Semua Variabel RI, PRS, PKJS, KP, RRT
Dan RUP, PK berpengaruh terhadap PPISPA, dengan tingkat kepercayaan 90%
6.1 Uji partial untuk pengaruh RI
1) Hipotesis
H0: RI tidak berpengaruh terhadap PPISPA
H1: RI berpengaruh terhadap PPISPA
2) Taraf signifikansi
α = 10% = 0,1
3) Statistika Uji
p-value < 0,1708
4) Daerah kritis
H0 ditolak jika p-value < α
5) Kesimpulan
Berdasarkan hasil output diketahui bahwa p-value =0,1708 > α = 0,1 maka H0 tidak
ditolak yang artinya RI tidak berpengaruh terhadap PPISPA, dengan tingkat
kepercayaan 90%
6.2 Uji partial untuk pengaruh PRS
a. Hipotesis
H0: PRS tidak berpengaruh terhadap PPISPA
H1: PRS berpengaruh terhadap PPISPA
b. Taraf signifikansi
α = 10% = 0,1
c. Statistika Uji
p-value < 0,0925
d. Daerah kritis
H0 ditolak jika p-value < α
e. Kesimpulan
Berdasarkan hasil output diketahui bahwa p-value= 0,0925 < α = 0,1 maka H0
ditolak yang artinya PRS berpengaruh terhadap PPISPA, dengan tingkat
kepercayaan 90%
6.3 Uji partial untuk pengaruh PKJS
a. Hipotesis
H0: PKJS tidak berpengaruh terhadap PPISPA
25
H1: PKJS berpengaruh terhadap PPISPA
b. Taraf signifikansi
α = 10% = 0,1
c. Statistika Uji
p-value < 0,0539
d. Daerah kritis
H0 ditolak jika p-value < α
e. Kesimpulan
Berdasarkan hasil output diketahui bahwa p-value= 0,0539 < α = 0,1 maka H0
ditolak yang artinya PKJS berpengaruh terhadap PPISPA, dengan tingkat
kepercayaan 90%
6.4 Uji partial untuk pengaruh KP
a. Hipotesis
H0: KP tidak berpengaruh terhadap PPISPA
H1: KP berpengaruh terhadap PPISPA
b. Taraf signifikansi
α = 10% = 0,1
c. Statistika Uji
p-value < 0,7609
d. Daerah kritis
H0 ditolak jika p-value < α
e. Kesimpulan
Berdasarkan hasil output diketahui bahwa p-value= 0,7609 > α = 0,1 maka H0 tidak
ditolak yang artinya KP tidak berpengaruh terhadap PPISPA, dengan tingkat
kepercayaan 90%
6.5 Uji partial untuk pengaruh RRT
a. Hipotesis
H0: RRT tidak berpengaruh terhadap PPISPA
H1: RRT berpengaruh terhadap PPISPA
b. Taraf signifikansi
α = 10% = 0,1
c. Statistika Uji
p-value < 0,6929
d. Daerah kritis
26
H0 ditolak jika p-value < α
e. Kesimpulan
Berdasarkan hasil output diketahui bahwa p-value= 0,6929 > α = 0,1 maka H0 tidak
ditolak yang artinya RRT tidak berpengaruh terhadap PPISPA, dengan tingkat
kepercayaan 90%
6.6 Uji partial untuk pengaruh RUP
a. Hipotesis
H0: RUP tidak berpengaruh terhadap PPISPA
H1: RUP berpengaruh terhadap PPISPA
b. Taraf signifikansi
α = 10% = 0,1
c. Statistika Uji
p-value < 0,1421
d. Daerah kritis
H0 ditolak jika p-value < α
e. Kesimpulan
Berdasarkan hasil output diketahui bahwa p-value= 0,1421 > α = 0,1 maka H0 tidak
ditolak yang artinya RUP tidak berpengaruh terhadap PPISPA, dengan tingkat
kepercayaan 90%
4.3 Regresi linear logistic dengan menggunakan R dan Minitap
4.3.1 Dengan menggunakan R
27
Persamaan regresi logistik
1
𝜋̂
(×)= P(Y=1 X=x) =
1+exp(−17,3195−5,4492 𝑚𝑒𝑟𝑜𝑘𝑜𝑘+0,5020𝑢𝑠𝑖𝑎)
X21;0.05 = 3.841
d. daerah kritis
Ho ditolak jika |w| > X21;0.05
e. kesimpulan
Dari hasil output diatas dapat kita lihat bahwa w = -1,6927818 < X21;0.05 = 3.841, maka
Ho ditolak yang artinya penelitian melalui variabel merokok tidak berpenggaruh
terhadap risiko terkena penyakit jantung, dengan tingkat kepercayaan 95%
28
2. Uji singnifikansi variabel Usia
a. Hipotesi
Ho : β= βi : penelitian melalui variabel usia tidak berpenggaruh terhadap risiko
terkena penyakit jantung
H1 : β≠ βi : penelitian melalui variabel usia berpenggaruh terhadap risiko terkena
penyakit jantung
b. taraf signifikansi
α =0.05
c. statistic uji
̂ −𝛽
𝛽 0 0,5028 −0
W= 𝑣𝑎𝑟(𝛽)
̂ = = 29,079956
0,01729026
X21;0.05 = 3.841
d. daerah kritis
Ho ditolak jika |w| > X21;0.05
e. kesimpulan
Dari hasil output diatas dapat kita lihat bahwa w = 29,079956 >X21;0.05 = 3.841, maka Ho
ditolak yang artinya penelitian melalui variabel usia berpenggaruh terhadap risiko
terkena penyakit jantung, dengan tingkat kepercayaan 95%
4.3.2 Regresi linear logistic dengan menggunakan Minitap
29
➢ Hipotesi
Ho : β= βi : penelitian melalui variabel merokok tidak berpenggaruh terhadap risiko
terkena penyakit jantung
H1 : β≠ βi : penelitian melalui variabel merokok berpenggaruh terhadap risiko
terkena penyakit jantung
➢ taraf signifikansi
α =0.05
➢ statistic uji
̂ −𝛽
𝛽 0 −5,4492 −0
W= 𝑣𝑎𝑟(𝛽)
̂ = =-1,6927818
3,2190800
X21;0.05 = 3.841
➢ daerah kritis
Ho ditolak jika |w| > X21;0.05
➢ kesimpulan
Dari hasil output diatas dapat kita lihat bahwa w = -1,6927818 < X21;0.05 = 3.841, maka
Ho ditolak yang artinya penelitian melalui variabel merokok tidak berpenggaruh
terhadap risiko terkena penyakit jantung, dengan tingkat kepercayaan 95%
3. Uji singnifikansi variabel Usia
➢ Hipotesi
Ho : β= βi : penelitian melalui variabel usia tidak berpenggaruh terhadap risiko
terkena penyakit jantung
30
H1 : β≠ βi : penelitian melalui variabel usia berpenggaruh terhadap risiko terkena
penyakit jantung
➢ taraf signifikansi
α =0.05
➢ statistic uji
̂ −𝛽
𝛽 0 0,5028 −0
W= 𝑣𝑎𝑟(𝛽)
̂ = = 29,079956
0,01729026
X21;0.05 = 3.841
➢ daerah kritis
Ho ditolak jika |w| > X21;0.05
➢ kesimpulan
Dari hasil output diatas dapat kita lihat bahwa w = 29,079956 >X21;0.05 = 3.841, maka Ho
ditolak yang artinya penelitian melalui variabel usia berpenggaruh terhadap risiko
terkena penyakit jantung, dengan tingkat kepercayaan 95%
Interpretasi
Dari hasil output table distribusi PRS diperoleh nilai minimum = 56,82, nilai
Q1 = 67,51, median atau nilai tengah = 72,22, mean atau rata-rata = 72,65, nilai Q3
= 78,60, dan nilai maksimum = 9471.
Dari hasil output table distribusi PKJS diperoleh nilai minimum = 44,57, nilai
Q1 = 53,99, median atau nilai tengah = 6929, mean atau rata-rata = 66,83, nilai Q3
= 78,82, dan nilai maksimum = 89,09
31
Dari hasil output table distribusi KP diperoleh nilai minimum = 828,8, nilai Q1
= 1209,7, median atau nilai tengah = 1439,7, mean atau rata-rata = 1642,0, nilai
Q3 = 2013,9 dan nilai maksimum = 3001,0
Dari hasil output table distribusi RRT diperoleh nilai minimum = 1,851, nilai
Q1 = 2,672, median atau nilai tengah = 2,790, mean atau rata-rata = 2,859, nilai Q3
= 2,924, dan nilai maksimum = 4,790
Dari hasil output table distribusi RUP diperoleh nilai minimum = 0,005085,
nilai Q1 = 0,016801, median atau nilai tengah = 0,041827, mean atau rata-rata
=0,042441, nilai Q3 = 0,051317, dan nilai maksimum = 0,118573
4.4.2 Analisis Faktor
Hasil output diatas menunjukan bahwa empat faktor yang dihasilkan dapat menjelaskan
56,1% total variansi data. Variabel-variabel utama penyusun faktoe tersebut adalah
• Faktor 1 : RUP
• Faktor 2: KP,PKJS,PRS dan RRT
32
BAB V PENUTUP
5.1 Kesimpulan
5.1.1 Pada studi kasus uji pairet test Diketahui bahwa nilai dari thitung = 3,0945 > t0,025;10 =
2,77068 dan Pvalue= 0,004552 < α = 0,01 maka H0 ditolak yang artinya rata-rata
selisisi jumlah kolestrol hari ke 2 dan hari ke 4 tidak sama dengan = 0 atau ada
perubahan dengan tingkat kepercayaan 99%
5.1.2 Pada studi kasus uji analis regresi berganda dapat diperoleh kesimpulan bahwa :
a. Setelah dilakukan ke empat uji asumsi klasik ini dapat dilihat bahwa semua
asumsi terpenuhi artinya bias melanjutkan uji selanjutnya
b. Uji signifikan
Diperoleh Dari hasil output perhitungan menggunakan R diperoleh P-value =
0,1433 > α = 0.1. Maka H0 tidak ditolak yang artinya Semua Variabel RI, PRS,
PKJS, KP, RRT Dan RUP, tidak berpengaruh terhadap PPISPA, dengan tingkat
kepercayaan 90%
c. Uji T parsial
Di ketahui dari 6 variabel yang berpengaruh terhadap PPISPA yaitu variabel PRS
dan PKJS dengan tingkat kepercayaan 90%
5.1.3 Pada studi kasus uji analis regresi Logistik dapat diperoleh kesimpulan bahwa:
Dari hasil output diatas dapat kita lihat bahwa w = -1,6927818 < X21;0.05 = 3.841, maka Ho
ditolak yang artinya penelitian melalui variabel usia tidak berpenggaruh terhadap risiko
terkena penyakit jantung dan untuk variabel usia di dapatkan
Dari hasil output diatas dapat kita lihat bahwa w = 29,079956 >X21;0.05 = 3.841, maka Ho
ditolak yang artinya penelitian melalui variabel usia berpenggaruh terhadap risiko
terkena penyakit jantung, dengan tingkat kepercayaan 95% jadi kita bias melihat
bahwa yang mempengaruhi resiko terkena jantung dipengaruhi oleh variabel usia
5.1.4 Pada studi kasus statistic deskriptif dan analisis factor dapat diperoleh kesimpulan
bahwa:
a. statistic deskriptif
Dari hasil output table distribusi PRS diperoleh nilai minimum = 56,82, nilai
Q1 = 67,51, median atau nilai tengah = 72,22, mean atau rata-rata = 72,65, nilai
Q3 = 78,60, dan nilai maksimum = 9471.
33
Dari hasil output table distribusi PKJS diperoleh nilai minimum = 44,57, nilai
Q1 = 53,99, median atau nilai tengah = 6929, mean atau rata-rata = 66,83, nilai
Q3 = 78,82, dan nilai maksimum = 89,09
Dari hasil output table distribusi KP diperoleh nilai minimum = 828,8, nilai Q1
= 1209,7, median atau nilai tengah = 1439,7, mean atau rata-rata = 1642,0, nilai
Q3 = 2013,9 dan nilai maksimum = 3001,0
Dari hasil output table distribusi RRT diperoleh nilai minimum = 1,851, nilai
Q1 = 2,672, median atau nilai tengah = 2,790, mean atau rata-rata = 2,859, nilai
Q3 = 2,924, dan nilai maksimum = 4,790
Dari hasil output table distribusi RUP diperoleh nilai minimum = 0,005085,
nilai Q1 = 0,016801, median atau nilai tengah = 0,041827, mean atau rata-rata
=0,042441, nilai Q3 = 0,051317, dan nilai maksimum = 0,118573
b. analisis factor
Hasil output diatas menunjukan bahwa empat faktor yang dihasilkan dapat
menjelaskan 56,1% total variansi data. Variabel-variabel utama penyusun faktoe
tersebut adalah
➢ Faktor 1 : RUP
➢ Faktor 2: KP,PKJS,PRS dan RRT
5.2 Saran
1. Kepada pembaca agar dapat teliti dalam mengentry data karena salah satu faktor utama
dalam menggolah data adalah ketelitian dalam mengentry data, hal ini jika dibiarkan
maka akan mempengaruhi hasil output Penelitian.
2. Kepada pembaca agar betul-betul memahami program yang digunakan dalam
menggolah atau menganalis data.
3. Kepada Pembaca agar dapat menginplementasikan ilmu-ilmu dalam mengolah dan
menganalisis data menggunakan aplikasi R dalam kehidupan sehari-hari.
34
Daftar Pustaka
Sembiring, R.K. 2003. Analisis Regresi. Edisi Kedua. Bandung: Institut Teknologi Bandung.
http://www.konsultanstatistik.com/2009/03/uji-asumsi-klasik.html / diakses
pada tanggal 10 Desember 2018/jam 23:02 WIB
http://saputasingkil.blogspot.com/2011/06/laporan-statistik-paired-sample.html
35
Lampiran
36
2. Regresi Linear Berganda
➢ Impor data dengan Rcmdr
Lihat dapa pastikan data dengan benar
37
a. Uji asumsi klasik
38
b. Uji multikolinearitas variabel
c. Uji autokorelasi
39
d. Uji heteroskedastisitas
40
➢ Impor data dengan Rcmdr
Lihat dapa pastikan data dengan benar
41
Klik di Rcmdr Vcov(GLM.5)
Makan akan muncul seperti di bawa ini
42
43
4. judul metode pada soal 4
➢ Impor data dengan Rcmdr
Lihat dapa pastikan data dengan benar
44
45