Bagaimana kita membuat model yang benar dalam riset kita? Prosedur apa yang paling tepat untuk
membuat pemodelan? Pertanyaan-pertanyaan tersebut sering diajukan oleh para mahasiswa yang
Jurus Ampuh
sedang melakukan riset untuk skripsi, tesis maupun disertasi mereka.
Selama ini orang mengenal pemodelan hanya dengan menggunakan Structural Equation Modeling (SEM)
yang dirasakan masih sangat rumit bagi mahasiswa terutama tingkat S1.
Buku ini memberikan alternatif lain dalam membangun model dalam riset dengan menggunakan
prosedur-prosedur yang lebih mudah tetapi mempunyai kegunaan dan akurasi yang sangat tinggi.
Prosedur-prosedur tersebut di antaranya merupakan prosedur baru yang berhasil dikembangkan oleh
IBM SPSS.
Jurus
• Membangun model penjualan dengan menggunakan regresi linier berganda dan mengatasi
masalah multikolinieritas.
• Membangun model promosi dengan menggunakan prosedur ‘curve estimation’.
• Membangun model hubungan antara karekteristik produk dengan penjualan menggunakan
prosedur ‘partial least square’.
• Membangun model untuk memprediksi risiko kebijakan pemberian pinjaman pada nasabah bank Ampuh
SPSS
menggunakan regresi logistik biner.
• Membangun model strategi pemasaran produk menggunakan regresi logistik multinomial.
• Membangun model untuk memprediksi risiko kebijakan pemberian kredit menggunakan
regresi ordinal.
• Membangun model hubungan antara promosi dengan nilai penjualan produk pada beberapa
segmen pasar yang berbeda menggunakan regresi probit.
• Mengoreksi model yang menghasilkan hubungan yang tidak searah dengan regresi non-linier.
• Membuat model untuk memprediksi biaya pembangunan mall menggunakan prosedur
‘weight estimation’.
• Membuat pemodelan dua arah (non-recursive) dengan prosedur ‘two stage least square’.
untuk Riset Skripsi
• Cara menghitung variabel-variabel dengan satuan yang berbeda-beda dengan menggunakan
Kupas Tuntas Prosedur-Prosedur Regresi
prosedur ‘optimal scaling’.
• Cara memprediksi peluang risiko suatu kebijakan menggunakan ‘decision trees’.
dan ‘Decision Trees’ dalam IBM SPSS
Jonathan Sarwono
Kelompok
ISBN 978-602-02-1326-2
Apl. Perkantoran
Keterampilan
Tingkat Pemula
Tingkat Menengah
PT ELEX MEDIA KOMPUTINDO Tingkat Mahir
Kompas Gramedia Building
Jenis Buku
Jl. Palmerah Barat 29-37, Jakarta 10270
Telp. (021) 53650110-53650111, Ext 3214
Webpage: http://www.elexmedia.co.id
Referensi
Tutorial 121131033
Jonathan Sarwono
Latihan
Versi Pdf Lengkapnya di ipusnas.com
1. Barang siapa dengan sengaja m elanggar dan tanpa hak m elakukan per-
buatan sebagaim ana dimaksud dalam P asal 2 A yat (1) atau Pasal 49 A yat
(1) dan A yat (2) dipidana dengan pidana penjara m asing-masing paling
sing kat 1 ( sat u) bulan dan / atau d end a paling sedi kit Rp 1. 0 0 0. 0 0 0, 0 0
(sat u juta rupiah), atau pidan a penjara paling lama 7 (tujuh) tah un
dan / atau dend a paling ban yak Rp 5. 0 0 0. 0 0 0. 0 0 0, 0 0 (lima milyar rupi ah).
2. Barang siapa d engan sengaja m en yiarkan, mem am erkan, m eng edarkan,
atau m enjual kep ada um um suat u ciptaan atau barang hasil pelanggaran
hak ci pta atau hak terkait sebagai di m aksud pad a A yat (1) dipidan a
deng an pidana penjara paling lama 5 (lim a) tah un dan /at au denda paling
ban yak Rp 50 0. 0 0 0. 0 0 0, 0 0 (lim a ratus juta rupi ah).
Jonathan Sarwono
121131 03 3
ISB N: 978-602-02-1326-2
EISBN: 978-602-04-0384-7
Dilarang keras m en erjem ah kan, mem fot okopi, atau m em perban yak sebagian atau
seluruh isi buku ini tanpa izin tert ulis dari pen erbit.
PUBLISH OR PERISH
Puji Tuhan karena kekuatan dan hikmah dari Tuhan akhirnya penulis
dapat menyelesaikan buku yang ke 33 dengan judul: “12 Jurus Am-
puh SPSS untuk Riset Skripsi: Kupas Tuntas Prosedur-Prosedur
Regresi dan ‘Decision Trees’ dalam IBM SPSS’.
Buku ini lahir karena penulis memikirkan bagaimana membuat
pemodelan yang mudah dan cepat tetapi mengandung ketepatan yang
tinggi.
Hal ini dikarenakan banyaknya riset skripsi, tesis ataupun disertasi
yang arahnya pada pemodelan. Selama ini pemodelan hanya diiden-
tikkan dengan Structural Equation Modeling (SEM) yang dikenal
sangat rumit khususnya untuk para mahasiswa S1.
IBM SPSS versi 19, 20, 21 dan seterusnya mempunyai kemampuan
dalam membuat pemodelan dengan akurasi yang tinggi tetapi dapat
dijalankan dengan mudah.
Untuk itu buku ini merupakan jawaban bagi para mahasiswa yang
memerlukan pengetahuan dalam membuat model dalam riset mereka.
Semua prosedur dalam buku ini hanya dapat dijalankan dengan
menggunakan setidak-tidaknya IBM SPSS versi 19 karena beberapa
prosedur ini dibuat oleh IBM SPSS pada versi 19, 20 dan 21. Dengan
demikian prosedur-prosedur ini akan terus dapat dijalankan pada
prosedur-prosedur IBM SPSS pada versi-versi yang akan datang.
Penulis mengucapkan terima kasih pada kolega di Penjaminan Mutu
UKRIDA, yaitu dr. Wani S. Gunardi, SpMk dan Amelia, S.Psi; juga
rektor UKRIDA Dr. Aristarchus Sukarto, M.Th. Juga untuk teman-
teman penulis di Fakultas Ekonomi Universitas Tarumangara Jakarta,
khususnya di Laboratorium Kuantitatif.
Juga untuk teman-teman penulis di Universitas Komputer Indonesia
Bandung, khususnya Dr. Ir. Eddy Suryanto Soegoto, M.Sc. dan Prof.
Dr. Hj. Umi Narimawati, S.E, M.Si. Tak Lupa untuk teman-teman di
Pemesanan Buku
Untuk melakukan pemesanan buku, hubungi
Layanan Langsung PT Elex Media Komputindo:
Gramedia Direct
Jl. Palmerah Barat No. 33, Jakarta 10270
Telemarketing/CS: 021-53650110/111 ext:
3901/3902
Email: cs@gramediapublishers.com
Layanan online: http://grazera.com
viii
xi
xii
1.1 Pengertian
Apa yang dimaksud dengan regresi linier?
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton dimana yang bersangkutan melakukan kajian yang
menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para
orang tua yang tinggi cenderung bergerak (regress) kearah ketinggian
rata-rata populasi secara keseluruhan.
Galton memperkenalkan kata regresi (regression) sebagai nama
proses umum untuk memprediksi satu variabel, yaitu tinggi badan
anak dengan menggunakan variabel lain, yaitu tinggi badan orang tua.
Pada perkembangan berikutnya hukum Galton mengenai regresi ini
ditegaskan lagi oleh Karl Pearson dengan menggunakan data lebih
dari seribu.
Pada perkembangan berikutnya, para ahli statistik menambahkan
istilah regresi berganda (multiple regression) untuk menggambarkan
proses dimana beberapa variabel digunakan untuk memprediksi satu
variabel lainnya.
Regresi dalam pengertian moderen menurut Gujarati (2009) ialah se-
bagai kajian terhadap ketergantungan satu variabel, yaitu variabel ter-
gantung terhadap satu atau lebih variabel lainnya atau yang disebut
sebagai variabel-variabel eksplanatori dengan tujuan untuk membuat
estimasi dan / atau memprediksi rata-rata populasi atau nilai rata-rata
variabel tergantung dalam kaitannya dengan nilai-nilai yang sudah
diketahui dari variabel ekslanatorinya.
1.2 Tujuan
Tujuan menggunakan analisis regresi ialah
1) Membuat estimasi rata-rata dan nilai variabel tergantung
dengan didasarkan pada nilai variabel bebas.
2) Menguji hipotesis karakteristik dependensi.
3) Untuk meramalkan nilai rata-rata variabel bebas dengan
didasarkan pada nilai variabel bebas diluar jangkauan sampel.
1.4 Syarat-Syarat
Model kelayakan regresi linear dalam IBM SPSS didasarkan pada hal-
hal sebagai berikut:
1) Model regresi dikatakan layak jika angka signifikansi pada
ANOVA sebesar < 0.05
2) Predictor yang digunakan sebagai variabel bebas harus layak.
Kelayakan ini diketahui jika angka Standard Error of Esti-
mate < Standard Deviation
Koefisien regresi harus signifikan. Pengujian dilakukan dengan uji t.
Koefisien regresi signifikan jika t hitung > t table (nilai kritis). dalam
IBM SPSS dapat diganti dengan menggunakan nilai signifikansi (sig)
dengan ketentuan sebagai berikut:
- Jika sig < 0,05; koefisien regresi signifikan
- Jika sig > 0,05; koefisien regresi tidak signifikan
Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi ko-
relasi antar variabel bebas yang sangat tinggi atau terlalu rendah.
Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel
bebas lebih dari satu. Terjadi multikolinieritas jika koefisien korelasi
antara variable bebas > 0,7 atau < - 7
Tidak terjadi otokorelasi jika:
1) - 2 ≤ DW ≤ 2
2) Keselarasan model regresi dapat diterangkan dengan
menggunakan nilai r2 semakin besar nilai tersebut maka model
semakin baik. Jika nilai mendekati 1 maka model regresi se-
makin baik.
9
10
11