Tugas

Topik Khusus Bidang Manajemen Rekayasa

Transportasi

Oleh

Kamalia
2204201010038

PROGRAM STUDI MAGISTER TEKNIK SIPIL

JURUSAN TEKNIK SIPIL - FAKULTAS TEKNIK
UNIVERSITAS SYIAH KUALA
2022
1. PRINCIPAL COMPONENT ANALYSIS (PCA)

Principal component analysis (PCA) adalah suatu teknik analisis statistik

multivariat. Bisa dibilang, inilah teknik analisis statistik yang paling populer
sekarang. Biasanya, PCA digunakan dalam bidang pengenalan pola serta
pemrosesan sinyal. PCA pada dasarnya merupakan dasar dari analisis data
multivariat yang menerapkan metode proyeksi. Teknik analisis ini biasanya
digunakan untuk meringkas tabel data multivariat dalam skala besar hingga bisa
dijadikan kumpulan variabel yang lebih kecil atau indeks ringkasan. Dari situ,
kemudian variabel dianalisis untuk mengetahui tren tertentu, klaster variabel,
hingga outlier. Principal Component Analysis (PCA) tentunya punya banyak
manfaat dalam proses analisis data, misal:

 Mengatasi multikolinieritas yang pada metode parametrik tertentu merupakan

asumsi yang harus dipenuhi;
 Mereduksi jumlah variabel yang akan dimasukkan ke model;
 Jumlah variabel yang lebih sedikit tentu akan menyederhanakan model;

Principal Component Analysis (PCA) adalah metode reduksi yang populer.

Sehingga telah banyak diimplementasikan ke bahasa pemrograman maupun
perangkat lunak pengolah data. Salah satunya adalah bahasa R. Tujuan dari PCA
untuk menjelaskan variasi dalam kumpulan variabel yang diamati berdasarkan
beberap dimensi. Secara sederhana analisis komponen utama atau principal
component analysis menyederhakan banyak variabel menjadi lebih sedikit
variabel. Tujuan secara khusus analisis PCA yaitu,

1) meringkas korelasi antar variabel yang di observasi,

2) menyederhanakan variabel dengan jumlah besar menjadi beberapa faktor

3) memberikan sebuah definisi operasional dimesnsi pokok penggunaan variabel

yang akan di observasi dan
4) menguji teori yag mendasari penelitian tersebut (Umar,2009). Husna (2016)
menjelaskan beberapa langkah dalam Analisis Komponen Utama atau Principal
Component Analysis, sebagai berikut:

1. Seleksi dan pengukuran variabel

2. Penentuan Jumlah Faktor

3. Rotasi Faktor

4. Intepretasi hasil

Untuk menentukan kriteria dalam principal component analysis sebenarnya

tidak rumit. Pada kebanyakan kasus, yang dipilih adalah ‘k’ buah komponen
utama dari ‘p’ buah komponen utama. Dengan catatan, ‘k’ buah komponen utama
tersebut dapat mewakili keragaman data dengan nilai yang cukup besar. Misalnya,
85% hingga 95% dari data memiliki kriteria k < p. Jika ‘p’ memiliki nilai yang
besar dan diketahui bahwa 85-95% dari keragaman total dapat dijelaskan oleh satu
atau dua komponen utama, maka komponen tersebut bisa dianggap telah mewakili
‘p’ buah variabel. Meski ringkas, jumlah informasi yang diambil tidak akan
banyak berkurang. Lalu, bagaimana cara kerja  principal component
analysis dalam menyusun komponen utama? Ada beberapa cara yang bisa
dilakukan untuk menyusun komponen utama dalam PCA, di antaranya:
 KRITERIA APRIORI
Dalam kriteria ini, analis data harus sudah mengetahui berapa banyak
komponen utama yang akan disusun.
 KRITERIA NILAI EIGEN
Ditentukan dengan melihat besaran nilai eigen. Jika komponen lebih kecil
atau kurang dari satu, maka akan langsung dikeluarkan.
 KRITERIA PERSENTASE VARIAN 
Ditentukan dengan melihat persentase kumulatif varian atau pembahasan
sebelumnya. Komponen yang lebih besar persentase variannya akan
diambil.
 Secara sederhana, cara kerja principal component analysis adalah dengan
melalui lima tahapan besar. Tahap pertama adalah standarisasi. Pada tahap ini,
seluruh variabel disamakan standarnya. Jadi, tiap variabel bisa memiliki
kontribusi yang sama dalam analisis.

Tahap selanjutnya adalah menghitung matrik kovarians. Dengan melakukan

tahapan ini, maka Anda bisa mengetahui hubungan antarvariabel dari
kumpulan input. Selanjutnya adalah menghitung nilai dan vektor eigen matriks
kovarians. Tujuannya adalah agar peneliti bisa mengidentifikasi komponen utama.

Analisis dilanjutkan dengan vektor fitur. Dari komputasi nilai dan vektor
eigen, Anda bisa mengetahui mana komponen yang kurang signifikan dan bisa
dibuang (komponen dengan nilai eigen rendah). Matriks vektor yang tersisa
kemudian disebut vektor fitur. Analisis kemudian ditutup dengan perombakan di
sepanjang sumbu komponen utama.

Principal component analysis adalah teknik yang harus digunakan saat

Anda harus mengurangi jumlah variabel, tapi tidak tahu mana yang harus dibuang.
Analisis ini juga bisa digunakan saat Anda ingin menguji apakah variabel yang
sedang diteliti saling bergantung atau justru tidak terkait sama sekali. Namun,
teknik analisis statistik ini sebaiknya dihindari jika Anda memerlukan penafsiran
variabel independen yang jelas dan mudah dipahami. Sebab, variabel independen
PCA memiliki kecenderungan untuk kurang bisa ditafsirkan.
2. STRUCTURAL EQUATION MODELLING (SEM)
SEM merupakan suatu metode analisis statistik multivariat. Melakukan olah data
SEM berbeda dengan melakukan olah data regresi atau analisis jalur. Olah data SEM
lebih rumit, karena SEM dibangun oleh model pengukuran dan model struktural. Di
dalam SEM terdapat 3 kegiatan secara bersamaan, yaitu pemeriksaan validitas dan
reliabilitas instrumen (confirmatory factor analysis), pengujian model hubungan
antara variabel (path analysis), dan mendapatkan model yang cocok untuk predeksi
(analisis model struktural dan analisis regresi). Sebuah pemodelan lengkap pada
dasamya terdiri dari model pengukuran (measurement model) dan structural model
atau causal model. Model pengukuran dilakukan untuk menghasilkan penilaian
mengenai validitas dan validitas diskriminan, sedangkan model struktural, yaitu
pemodelan yang menggambarkan hubungan-hubungan yang dihipotesakan. Untuk
melakukan olah data SEM dengan lebih mudah dapat menggunakan bantuan
software statistik. Saat ini sudah tersedia berbagai macam software untuk olah data
SEM diantaranya adalah Lisrel, AMOS dan Smart PLS.

Sedikit berbeda dengan definisi-definisi sebelumnya, disebutkan SEM

berkembang dan mempunyai fungsi mirip dengan regresi berganda, tetapi
nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena
mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas
yang berkorelasi (correlated independents), kesalahan pengukuran, gangguan
kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel
bebas laten (multiple latent independents) dimana masingmasing diukur dengan
menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang
juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut
definisi ini, SEM dapat digunakan sebagai alternatif lain yang lebih kuat
dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor,
analisis time series, dan analisis kovarian

Fungsi:
Beberapa fungsi SEM, diantaranya ialah:
• Memungkinkan adanya asumsi-asumsi yang lebih fleksibel; Pertama,
• Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk
mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu
variabel laten;
• Daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca
keluaran hasil Ketiga, analisis;
• Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada
koefesien-koefesien secara sendiri-sendiri;
• Kelima, kemampuan untuk menguji model – model dengan menggunakan beberapa
variabel tergantung;
• kemampuan untuk membuat model terhadap variabel-variabel perantara;
• kemampuan untuk membuat model gangguan kesalahan (error term);
• kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok
subyek;
• Kesembilan, kemampuan untuk mengatasi data yang sulit, seperti data time series
dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.

Aplikasi Utama SEM

Aplikasi utama Structural Equation Modeling meliputi:
1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path
analysis), yang menyusun hipotesa hubungan-hubungan sebab akibat (causal
relationships) diantara variabel - variabel dan menguji model-model sebab akibat
(causal models) dengan menggunakan sistem persamaan linier. Model-model sebab
akibat dapat mencakup variabel-variabel manifest (indikator), variabel-variabel laten
atau keduanya;
2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik
kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis
struktur factor loadings dan interkorelasinya;
3. Analisis faktor urutan kedua (second order factor analysis), suatu variasi
dari teknik analisis faktor, dimana matriks korelasi dari faktor-faktor tertentu
(common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-
faktor urutan kedua;
4. Model-model regresi (regression models), suatu teknik lanjutan dari
analisis regresi linear, dimana bobot regresi dibatasi agar menjadi sama satu dengan
lainnya, atau dilakukan spesifikasi pada nilai - nilai numeriknya;
5. Model-model struktur covariance (covariance structure models), yang
mana model tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk
tertentu. Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel
yang mempunyai varian yang sama dengan menggunakan prosedur yang sama; 6.
Model struktur korelasi (correlation structure models), yang mana model tersebut
menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik
adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur
circumplex.

DIAGRAM JALUR SEM

Diagram jalur SEM berfungsi untuk menunjukkan pola hubungan antar
variabel yang kita teliti. Dalam SEM pola hubungan antar varaibel akan diisi dengan
variabel yang diobservasi, varaibel laten dan indikator. Di bawah ini diberikan
contoh diagaram jalur SEM
Diagram jalur di atas dapat diterangkan sebagai berikut:

• Ada 2 variabel laten, yaitu prestasi pegawai dan kinerja pegawai.

• Variabel laten prestasi pegawai mempunyai 3 indikator / variabel yang dapat

diobservasi secara langsung, yaitu: motivasi, kedisiplinan dan kreativitas. Sedang
variabel laten kinerja pegawai mempunyai 5 indikator, yaitu gaji, jenjang karier,
jumlah jam kerja, insentif dan gaya kepemimpinan.

• Ada 8 kesalahan pengukuran, yaitu err1 sampai dengan err8

• Ada 1 kesalahan residual, yaitu res1

• Diasumsikan variabel prestasi mempengaruhi variabel kinerja.

• Model hubungan ini disebut recursive atau searah.

KEUNGGULAN – KEUNGGULAN SEM

1. Pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
2. Penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk
mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu
variabel laten;
3. Daya tarik interface pemodelan grafis untuk memudahkan pengguna
membaca keluaran hasil analisis;
4. Kemungkinan adanya pengujian model secara keseluruhan dari pada
koefesien-koefesien secara sendiri-sendiri;
5. Kemampuan untuk menguji model – model dengan menggunakan beberapa
variabel tergantung;
6. Kemampuan untuk membuat model terhadap variabel-variabel perantara;
7. Kemampuan untuk membuat model gangguan kesalahan (error term);
8. Kemampuan untuk menguji koefesien-koefesien di luar antara beberapa
kelompok subyek;
 9. Kemampuan untuk mengatasi data yang sulit, seperti data time series dengan
kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap

LANGKAH – LANGKAH ANALISIS DALAM SEM

Untuk melakukan analisis SEM diperlukan langkah-langkah sebagai berikut:
• Pertama, kita membuat spesifikasi model yang didasarkan pada teori, kemudian
menentukan bagaimana mengukur konstruk-konstruk, mengumpulkan data, dan
kemudian masukkan data ke Amos.

• Kedua, Amos akan mencocokkan data kedalam model yang sudah dispesifikasi,
kemudian memberikan hasil yang mencakup semua angka-angka statistik kecocokan
model dan estimasi-estimasi parameter.

• Ketiga, masukkan data yang biasanya dalam bentuk matriks kovarian dari variable-
variabel yang sedang diukur, misalnya nilai butir-butir pertanyaan yang digunakan,.
Bentuk masukan lainnya dapat berupa matriks korelasi dan rata-rata (mean). Data
dapat berupa data mentah kemudian diubah menjadi kovarian dan rata-rata.

• Keempat, membuat estimasi sesuai keperluan riset.

• Kelima, mencocokkan data dengan model yang sudah dibuat.

3. ANALYTIC HIERARCHY PROCESS (AHP)
Metode Analytic Hierarchy Process (AHP) merupakan salah satu dari beberapa
metode yang digunakan untuk menyelesaikan masalah MADM. Sedangkan multi
attribute decision making (MADM) adalah mengevaluasi m alternatif Ai (i=1, 2, ...,
m) terhadap sekumpulan atribut atau kriteria Cj (j=1, 2, ..., n). Dimana setiap atribut
saling tidak bergantung satu dengan yang lainnya. Analytic Hierarchy Process (AHP)
adalah hierarki fungsional dengan input utamanya dari persepsi manusia. Analytic
Hierarchy Process (AHP) memiliki banyak keunggulan dalam menjelaskan proses
pengambilan keputusan. Salah satunya adalah dapat digambarkan secara grafis
sehingga mudah dipahami oleh semua pihak yang terlibat dalam pengambilan
keputusan.
Menurut Subakti (2002), metode AHP merupakan salah satu metode yang
dapat digunakan dalam penentuan prioritas sejumlah kriteria dan alternatif moda
yang ada, dengan melibatkan sejumlah preferensi dan responden dalam satu skala
penilaian tertentu, yang disusun dalam suatu kuesioner sehingga hasil dari evaluasi
dengan metode AHP ini dapat memberikan gambaran bagaimana prioritas dari setiap
alternatif moda yang ada dari Jakarta menuju Yogyakarta ditinjau dari sejumlah
kriteria/aspek tertentu. Pada dasarnya AHP adalah suatu teori umum tentang
pengukuran yang digunakan untuk menemukan skala rasio baik dari perbandingan
berpasangan yang diskrit maupun kontinu. Perbandingan-perbandingan ini dapat
diambil dari ukuran aktual atau dari suatu skala dasar yang mencerminkan kekuatan
perasaan dan preferensi relatif. AHP memiliki perhatian khusus tentang
penyimpangan dari konsistensi, pengukuran dan pada ketergantungan di dalam dan
diantara kelompok elemen strukturnya (Sri Mulyono, 1996).

Pada hakekatnya AHP merupakan 12 suatu model pengmbil keputusan yang

komprehensif dengan memperhitungkan hal – hal yang bersifat kualitatif dan
kuantitatif. Dalam model pengambilan keputusan dengan AHP pada dasarnya
menutupi semua kekurangan dari model – model sebelumnya. AHP juga
memungkinkan ke struktur suatu system dan lingkungan kedalam komponen untuk
saling berinteraksi dan kemudian menyatukan mereka dengan mengukur dan
mengatur dampak dari kesalahan komponen system

AHP merupakan suatu model pendukung keputusan yang dikembangkan oleh

Thomas L. Saaty. Model pendukung keputusan ini akan menguraikan masalah multi
faktor atau multi kriteria yang kompleks menjadi suatu hirarki, hirarki didefinisikan
sebagai suatu representasi dari sebuah permasalahan yang kompleks dalam suatu
struktur multi level dimana level pertama adalah tujuan, yang diikuti level faktor,
kriteria, sub kriteria, dan seterusnya ke bawah hingga level terakhir dari alternatif.
Dengan hirarki, suatu masalah yang kompleks dapat diuraikan ke dalam kelompok-
kelompoknya yang kemudian diatur menjadi suatu bentuk hirarki sehingga
permasalahan akan tampak lebih terstruktur dan sistematis. AHP sering digunakan
sebagai metode pemecahan masalah dibanding dengan metode yang lain karena
alasan-alasan sebagai berikut:

1. Struktur yang berhirarki, sebagai konsekuesi dari kriteria yang dipilih, sampai
pada subkriteria yang paling dalam.

2. Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai

kriteria dan alternatif yang dipilih oleh pengambil keputusan.

3. Memperhitungkan daya tahan output analisis sensitivitas pengambilan keputusan.

[3]

Konsep Analytical Hierarchy Process (AHP) Pada dasarnya, proses pengambilan

keputusan adalah memilih suatu alternatif. Peralatan utama AHP adalah sebuah
hierarki fungsional dengan input utamanya persepsi manusia. Keberadaan hierarki
memungkinkan dipecahnya masalah kompleks atau tidak terstruktur dalam sub-sub
masalah, lalu menyusunnya menjadi suatu bentuk hierarki. AHP memiliki banyak
keunggulan dalam menjelaskan proses pengambilan keputusan. Salah satunya adalah
dapat digambarkan secara grafis sehingga mudah di pahami oleh semua pihak yang
terlibat dalam pengambilan keputusan. Prinsip Dasar AHP dalam menyelesaikan
permasalahan dengan AHP ada beberapa prinsip yang harus di pahami, di antaranya
adalah:

1. Membuat hierarki Sistem yang kompleks bisa di pahami dengan memecahnya

menjadi elemenelemen pendukung, menyusun elemen secara hierarki, dan
menggabungkannya atau mensintesisnya.

2. Penilain kriteria dan alternatif Kriteria dan alternatif dilakukan dengan

perbandingan berpasangan. Untuk berbagai persoalan, skala 1 sampai 9 adalah skala
terbaik untuk mengekspresikan pendapat. Nilai dan definisi pendapat kualitatif dari
skala perbandingan Saat bisa diukur menggunakan tabel

3. Synthesis of priority (menentukan prioritas) Untuk setiap kriteria dan alternatif,

perlu dilakaukan perbandngan berpasangan (pairwise comparison). Nilai-nilai
perbandinngan relatif dari seluruh alternatif kriteri bisa disesuaikan dengan
judgement yang telah ditentukan untuk menghasilan bobot dan prioritas. Bobot
danprioritas dihitung dengan memanipulasi matriks atau melalui penyelesaian
persamaan matematika.

4. Logical consistency (konsistensi logis) Konsistensi memiliki dua makna. Pertama,

objek-objek yang serupa bisa dikelompokkan sesuai dengan keseragaman dan
relevansi. Kedua, menyangkut tingkat hubungan antar objek yang didasarkan pada
kriteria tertentu.

Prosedur Analytical Hierarchy Process (AHP) Pada dasarnya, prosedur atau

langkah-langkah dalam metode AHP meliputi:

1. Mendefinisikan masalah dan menentukan solusi yang diinginkan, lalu menyusun

hierarki dari permasalahan yang dihadapi. Menyusun hierarki adalah dengan
menetapkan tujuan yang merupakan sasaran sistem secara keseluruhan pada level
teratas.

2. Menentukan prioritas elemen - Langkah pertama dalam menentukan prioritas

elemen adalah mem buat perbandingan pasangan, yaitu membandingkan elemen
secara berpasangan sesuai kriteria yang diberikan. - Matriks perbandingn
 berpasangan diisi menggunakan bilangan untuk mempresentasikan kepentingan
relatif dari suatu elemen terhadap elemen yang lainnya.

3. Sintesis Pertimbangan-pertimbangan terhadap perbandingan berpasangan

disintesis untuk memperoleh keseluruhan prioritas. Hal-hal yang dilakukan dalam
langkah ini adalah:

- Menjumlahkan nilai-nilai dari setiap kolom pada matriks.

- Membagi setiap nilai dari kolom dengan total kolom yang bersangkutan untuk
memperoleh normalisasi matriks.

- Menumlahkan nilai-nilai dari setiap baris dan membaginya dengan jumlah elemen
untuk mendapatkan nilai rata-rata.

4. Mengukur konsistensi Dalam pembuatan keputusan, penting untuk mengetahui

sebeapa baik konsistensi yang ada karena kita tidak menginginkan keputusan
berdasarkan pertimbangan dengan konsistensi yang rendah. Hal-hal yang dilakukan
dalam langkah ini adalah: - kalikan setiap nilai pada kolom pertama dengan prioritas
relatif elemen pertama, nilai pada kolom kedua dengan prioritas relatif elemen kedua,
dan seterusnya. - Jumlahkan setiap baris. - Hasi dari pejumlahan baris dibagi dengan
elemen prioritas relatif yang bersangkutan. - Jumlahkan hasil bagi di atas dengan
banyaknya elemen yang ada, hasilnya disebut λ maks.

5. Hitung Consistency Index (CI) dengan rumus:

CI = (λ maks-n)/n

Dimana

n = banyaknya elemen

6. Hitung Rasio Konsistensi / Consistency Ratio (CR) dengan rumus:

CR=CI/IR 15

Dimana
CR=Consistency Ratio

CI=Consistency Index

IR=Indeks Random Consistency

7. Memeriksa konsistensi hierarki. Jika nilainya lebih dari 10%, maka penilaian data
judgment harus diperbaiki. Namun jika ratio konsistensi (CI/IR) kurang atau sama
denga 0,1. Maka hasil perhitungan bisa dinyatakan benar.
4. REGRESI LOGISTIK

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

Asumsi Regresi Logistik

 Regresi logistik tidak membutuhkan hubungan linier antara variabel independen
dengan variabel dependen.
 Variabel independen tidak memerlukan asumsi multivariate normality (asumsi
bersifat normal)
 Asumsi homokedastisitas tidak diperlukan
 Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah
atau baik dan buruk)
 Variabel independen tidak harus memiliki keragaman yang sama antar kelompok
variabel
 Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat
eksklusif
 Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan
hingga 50 sampel data untuk sebuah variabel prediktor (independen).
 Dapat menyeleksi hubungan karena menggunakan pendekatan non linier log
transformasi untuk mem prediksi odds ratio. Odd dalam regresi logistik sering
dinyatakan sebagai probabilitas
Model Persamaan Regresi Logistik

P Aksen adalah probabilitas logistic yang didapat rumus sebagai berikut:

Dimana:

Exp atau ditulis e adalah fungsi eksponen (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).

Dengan model persamaan tersebut, tentunya akan sangat sulit untuk

menginterprestasikan koefisien regresinya. Oleh karena itu maka diperkenalkanlah
istilah Odds Ratio atau yang biasa disingkat Exp (B) atau OR. Exp (B) merupakan
exponen dari koefisien regresi. Jadi misalkan nilai slope dari regresi adalah sebesar
0,80 maka Exp(B) dapat diperkirakan sebagai berikut:

Nilai Odds Ratio

Besarnya nilai Exp (B) dapat diartikan sebagai berikut:nMisalnya 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 dibandingkan dengan orang yang tidak merokok. Interprestasi ini diartikan
apabila pengkodean kategori pada tiap variabel sebagai berikut:
- Variabel bebas adalah Rokok: Kode 0 untuk tidak merokok, kode 1 untuk merokok.
- 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 seber apa baik
model persamaan yang terbentuk, maka pada regresi ini menggunakan Nilai Chi-
Square. Perhitungan nilai Chi-Square ini berdasarkan perhitungan Maximum
Likelihood

Jenis Jenis Regeresi Logistik

 Regresi Logistik Binary

Regresi logistik binary adalah teknik statistik yang digunakan untuk

memprediksi hubungan antara variabel terikat dan variabel bebas. Di mana, variabel
terikatnya bersifat binary. Misalnya, outputnya bisa sukses/gagal, 0/1 benar/salah,
atau ya/tidak. Hubungan antara variabel target kategori dan satu atau lebih faktor
independen diukur dengan menggunakan regresi ini. Di mana, ini bermanfaat dalam
kasus di mana hanya ada dua kemungkinan hasil untuk variabel target (binary).
Untuk memprediksi kelas variabel target, klasifikasi jenis ini menggunakan satu atau
lebih variabel prediktor yang dapat berupa kontinu atau kategorikal. Akan tetapi,
tidak seperti regresi linier biasa, jenis ini tidak mengasumsikan hubungan antara
variabel independen dan dependen secara linier. Sehingga, regresi jenis ini
merupakan regresi non-linier.

 Regresi Logistik Multinomial

 Regresi logistik multinomial digunakan ketika  memiliki satu variabel dependen
kategoris dengan dua atau lebih level yang tidak berurutan). Jenis ini berguna ketika
kamu perlu mengkategorikan subjek berdasarkan nilai kumpulan variabel prediktor.
Mirip dengan regresi logistik binary, tetapi lebih luas karena variabel dependennya
tidak terbatas pada dua kategori. Bedanya adalah di sini kamu dapat memiliki lebih
dari dua kemungkinan hasil. Misalnya, ketika kamu ingin memprediksi jenis
transportasi apa yang paling banyak digunakan pada tahun 2050. Jenis transportasi
akan menjadi variabel dependen, dengan kemungkinan keluaran kereta api, bus, dan
sepeda. Model logistik multinomial mengasumsikan bahwa data bersifat spesifik
kasus. Setiap variabel independen memiliki nilai tunggal untuk setiap kasus. Ini juga
mengasumsikan bahwa variabel dependen tidak dapat diprediksi secara sempurna
dari variabel independen untuk kasus apapun.

 Regresi Logistik Ordinal

Regresi logistik ordinal adalah jenis regresi yang menggunakan satu atau lebih
variabel independen untuk memprediksi variabel dependen ordinal. Ini adalah salah
satu dari berbagai jenis analisis yang khusus digunakan jika variabel dependen adalah
data berskala kategorik bertingkat. Selain itu, regresi jenis ini dapat dianggap sebagai
generalisasi baik regresi linier berganda atau regresi logistik binomial. Seperti bentuk
regresi lainnya, regresi ordinal dapat memprediksi variabel dependen melalui
interaksi antara variabel independen. Di mana, ini mensyaratkan skala data variabel
terikat adalah ordinal dan skala data variabel bebas boleh kategorik ataupun
kuantitatif. Ordinal memiliki perbedaan derajat di tiap kategorik, di mana ada yang
lebih baik atau buruk dan tinggi atau rendah. Misalnya pada tingkat pengetahuan
seseorang, ada kategorik tingkat pengetahuan rendah, sedang, dan tinggi. Contoh lain
adalah pecandu alkohol berat, sedang, dan ringan.

5. REGRESI LINIER SEDERHANA

 Regresi linier sederhana adalah suatu metode statistik yang berupaya
memodelkan hubungan antara dua peubah acak dimana satu peubah acak
memengaruhi peubah acak yang lainnya (Soleh, 2005), yang dimaksud dengan linier
dalam RLS adalah bahwa variabel terikat (Y) memiliki hubungan yang linier berupa
garis lurus terhadap parameter regresinya (dalam hal ini a1 dan a2). Sedangkan
maksud sederhana dalam RLS menunjukkan bahwa dalam model regresi yang
terbentuk hanya melibatkan satu variabel bebas (X) dan satu variabel terikat (Y).

Model Regresi Linier Sederhana (RLS)

Dapat diasumsikan Y simbol yang akan digunakan untuk menyatakan peubah

terikat dan X untuk peubah bebas. Selanjutnya hal penting yang perlu diketahui
dalam menaksir model RLS adalah mempelajari asumsi-asumsi dari model regresi
sebagai berikut: a. Peubah bebas (X) mempengaruhi peubah terikat (Y) secara linier.
b. Peubah terikat (Y) atau disebut juga respons bernilai kuantitatif dimana peubah
tersebut memiliki distribusi normal. c. Peubah bebas (X) bernilai kuantitatif dan
tidak memiliki distribusi. d. Nilai error atau kesalahan pengukuran model regresi (ε)
memiliki distribusi normal. Nilai dari kedua variabel X dan Y diukur dalam skala
kuantitatif. Adapun rumusan model taksiran RLS adalah sebagai berikut : Y = a1 +
a2X (2.1) Dimana: • Y dan X berturut-turut menyatakan variabel terikat dan variabel
bebas. a1 dan a2 menyatakan koefisien regresi linier sederhana.

Koefisien Determinasi ( R2)

Koefisien determinasi (R2) adalah suatu besaran yang menyatakan kualitas dari
model regresi yang terbentuk, yang dimaksud dengan kualitas dalam konteks
koefisien determinasi adalah besarnya kontribusi dari peubah bebas dalam
menjelaskan peubah terikat.

Langkah – Langkah Analisis dan Uji Linier Sederhana

Adapun langkah-langkah yang perlu dilakukan untuk melakukan analisis dan uji
regresi linier sederhana adalah sebagai berikut :
 1. Menentukan tujuan dari Analisis Regresi Linear Sederhana

2. Mengidentifikasi variabel predictor dan variabel response

3. Melakukan pengumpulan data dalam bentuk tabel

4. Menghitung X², XY dan total dari masing-masingnya

5. Menghitung a dan b menggunakan rumus yang telah ditentukan

6. Membuat model Persamaan Garis Regresi

7. Melakukan prediksi terhadap variabel predictor atau response

8. Uji signifikansi menggunakan Uji-t dan menentukan Taraf Signifikan Untuk

memberikan pemahaman yang lebih jelas mengenai regresi linier sederhana, dalam
kegiatan belajar ini diberikan suatu contoh kasus, yaitu: Suatu data penelitian
tentang berat badan 10 mahasiswa yang diprediksi dipengaruhi oleh konsumsi
jumlah kalori/hari. Bagaimana menganalisis kasus ini? Untuk menganalisis kasus
ini, hal-hal dilakukan adalah:

1. Tujuan: apakah konsumsi jumlah kalori/hari mempengaruhi berat badan

mahasiswa.

2. Variabel: X (variable bebas/predictor) = jumlah kalori/hari Y (variable tak

bebas/response) = berat badan

6. REGRESI LINIER BERGANDA

Analisis regresi digunakan untuk mengukur seberapa besar pengaruh antara

variabel bebas dan variabel terikat. Apabila hanya terdapat satu variabel bebas dan
satu variabel terikat, maka regresi tersebut dinamakan regresi linear sederhana
(Juliandi, Irfan, & Manurung, 2014). Sebaliknya, apabila terdapat lebih dari satu
variabel bebas atau variabel terikat, maka disebut regresi linear berganda. Regresi
linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel
independen. Analisis regresi linear berganda dilakukan untuk mengetahui arah dan
seberapa besar pengaruh variabel independen terhadap variabel dependen (Ghozali,
2018).

Dalam contoh penelitian ini uji regresi linear berganda dilakukan untuk
mendapatkan gambaran bagaimana variabel independen yang meliputi CSR,
likuiditas, capital intensity, dan inventory intensity mempengaruhi variabel dependen
yaitu agresivitas pajak dengan tingkat signifikansi sebesar 0,05 (Ghozali, 2018).

Analisis Analisis Regresi Berganda

Sebelum kita melakukan analisis regresi berganda atau regresi linier berganda
untuk uji hipotesis penelitian, maka ada beberapa asumsi atau persyaratan yang harus
terpenuhi dalam model regresi. Persyaratan atau asumsi ini dibuktikan melalui
serangkaian uji asumsi klasik mencakup:
 Uji Normalitas, dimana asumsi yang harus terpenuhi adalah model regresi
berdistribusi
 Uji Linearitas, dimana hubungan yang terbentuk antara variabel independent
dengan variabel dependent secara parsial adalah linear
 Uji multikolinearitas, dimana model regresi yang baik adalah tidak terjadi
gejala multikolinearitas
 Uji Heteroskedastisitas, dalam model regresi tidak terjadi gejala
heteroskedastisitas
 Uji autokorelasi, persyaratan yang harus terpenuhi adalah tidak terjadi
autokorelasi

7. Importance Performance Analysis (IPA)

Metode Importance Performance Analysis (IPA) disebutkan oleh James
dalam Yola (2013), merupakan alat bantu dalam menganalisis atau yang
digunakan untuk membandingkan sampai sejauh mana antara kinerja/pelayanan
yang dapat dirasakan oleh pengguna jasa dibandingkan terhadap tingkat kepuasan
yang diinginkan. IPA telah diterima secara umum dan dipergunakan pada
berbagai bidang kajian karena kemudahan untuk diterapkan dan tampilan hasil
analis yang memudahkan usulan perbaikan kinerja. IPA bertujuan untuk
menampilkan informasi berkaitan dengan faktor-faktor pelayanan yang menurut
pelanggan sangat mempengaruhi loyalitas dan kepuasan mereka, dan faktor-

faktor pelayanan perlu ditingkatkan karena kondisi saat ini belum memuaskan
pelanggan. Untuk menguji Importance Performance Analysis penulis
mengunakan software Statistical Program of Social Science (SPSS) ver. 20 for
windows. Menurut Supranto dalam Hutama (2014:504), Grafik IPA dibagi
menjadi empat buah kuadran berdasarkan hasilpengukuran importance-
performance seperti yang terlihat pada gambar:

Keterangan:

a) Kuadran I: Prioritas Utama Menunjukkan faktor atau atribut yang dianggap

mempengaruhi kepuasan pelanggan, termasuk unsur-unsur jasa yang dianggap
sangat penting, namun manajemen belum melaksanakannya sesuai dengan
keinginan pelanggan sehingga mengecewakan atau tidak puas. 11
b) Kuadran II: Pertahankan Prestasi Menunjukan unsur jasa pokok yang telah
berhasil dilaksanakan untuk itu wajib dipertahankannya dianggap sangat penting
dan sangat memuaskan.

c) Kuadran III: Prioritas Rendah Menunjukkan beberapa faktor yang kurang

penting pengaruhnya bagi pelanggan. Pelaksanaannya oleh perusahaan biasa-
biasa saja. Dianggap kurang penting dan kurang memuaskan.

d) Kuadran IV: Berlebihan Menunjukkan faktor yang mempengaruhi pelanggan

kurang penting, akan tetapi pelaksanaannya berlebihan. Dianggap kurang penting
tetapi sangat memuaskan.

8. Customer Statisfacation Index (CSI)

CSI adalah suatu metode penilitian yang di gunakan untuk mengukur tingkat
kepuasan pelanggan terhadapat jasa dan pelayanan transportasi.Indeks Kepuasan
Konsumen atau Customer Satisfaction Index (CSI) sangat berguna untuk tujuan
internal perusahaan. Contohnya adalah memantau perbaikan pelayanan,
pemotivasian karyawan maupun pemberian bonus sebagai gambaran yang
mewakili tingkat kepuasan menyeluruh pelanggan. CSI digunakan untuk
mengetahui tingkat kepuasan pengunjung secara menyeluruh dengan melihat
tingkat kepentingan dari atribut-atribut produk/jasa. CSI merupakan indeks untuk
menentukan tingkat kepuasan pelanggan secara menyeluruh dengan pendekatan
yang mempertimbangkan tingkat kepentingan dari atribut-atribut yang diukur.
Indeks Kepuasan Konsumen (CSI) sangat berguna untuk tujuan internal
perusahaan. Contohnya adalah memantau perbaikan pelayanan, pemotivasian
karyawan maupun pemberian bonus sebagai gambaran yang mewakili tingkat
kepuasan menyeluruh pelanggan

Untuk mengetahui besarnya CSI, maka dapat dilakukan langkah-langkah

sebagai berikut (Aritonang, 2005):
1. Menentukan Mean Importance Score (MIS) tiap-tiap variable,

2. Membuat Weight Factors (WF) per variabel. Bobot ini merupakan persentase
nilai MIS per variabel terhadap total MIS seluruh variable,

3. Menentukan Mean Satisfaction Score (MSS) tiap atribut,

4. Membuat Weight Score (WSk) tiap variabel. Bobot ini merupakan perkalian
antara WFk dengan MSSk, dan 5. Menentukan Customer Satisfaction Index
(CSI). Nilai CSI diperoleh dengan menggunakan persamaan