MINGGU 1 Pengenalan Metode Kuantitatif & satu variable sehingga mckp perpektis yg lbh 1.
Menentukan tujuan analisis faktor
Kualitatif luas. mengelompokkan responden/kasus MINGGU 2 ANALISIS SKALOGRAM atau variabel MAP dalam proses perencanaan terletak pada meringkas atau mengurangi data tahap pengumpulan dan interpretasi data. Metode skalogram menggunakan urutan menentukan variabel 1.Analisis Kuantitatif digunakan untuk pertanyaan yang berhierarki. Jaawaban dari Keterangan: 2. Merancang analisis faktor mengolah, menganalisis, dan pertanyaan-pertanyaan ini menunjukkan nE = jumlah galat yang terjadi menginterpretasikan data berbentuk angka. ni = jumlah item pertanyaan (kolom) korelasi antar kasus atau antar tingkatan penilaian seseorang thdp objek yang no = jumlah observasi yang dikumpulkan variabel Teknik pengumpulan datanya berupa tabulais sedang diteliti. Pertanyaan diurtkan mulai dari data sekunder dan survey. yg paling sederhana hingga yang paling tinggi, (baris) tingkat pengukuran variabel 2.Analisis Kualitatif, terkait dgn penyelidikan sehingga dapat diukur seberapa jauh LANGKAH-LANGKAH ANALISIS SKALOGRAM ukuran sampel yang menghasilkan data yang tidak dapat pandangan responden tsb. 1.Pola Variabel, berfunhsi utk penentuan 3. Menelaah asumsi-asumsi dalam diperoleh lewat prosedur statistic. Teknik Tujuan analisis ini adlah menguji apakah variabbel yg dpt mereprentasikan prinsip analisis faktor pengumpulan datanya berupa wwc, analisis sekumpulan variabel undimensional terdapat hirarki. isu konseptual dokumen dan observasi. dlm suatu poulasi sehingga populasi tsb dpt 2.Pola skalogram dan galat, utk mengurutkan isu statistikal Analisis statistic adalah prosedur yang jelas membentuk pola hirarkis. Pola hirarkis yang objek berdasarkan nilai sesuai bobot yg ada 4. Mengekstrak faktor dan uji dalam mengumpulkan, mengatur, dan dimaksud direpresentasikan oleh tabel yg pd tiap variabel serta kesalahan penilaiannya. kesesuaian keseluruhan menafsirkan (menginterpretasikan) data. dikenal dgn istilah skalogram. 3.Koefisien reprodusibilitas, utk mengetahui metode ekstraksi faktor: component Analisis stastistik multivariat: bentuk jenis Penjelasan metode: kualitas hasil analisis skalogram. analysis & common factor analisis statistic yang melibatkan beragam -Apabila responden menjawab ya pd suatu jumlah faktor yang diekstrak ukuran secara serentak. pertanyaan, dpt diprediksi responden tsb PENERAPAN SKALOGRAM DLM KASUS PWK 5. Menginterpretasi faktor Analisis s. univariat: 1 variabel menjawab ya jg utk pertanyaan2 sebelumnya. metode skalogram Guttman diidentifikasi Mengelompokkan variabel dengan Analisis s.bivariat: 2 variabel - Apabila jawaban berupa tingkatan ordinal, sebagai model analisis yang sangat baik untuk matriks faktor Analisis s. multivariat: lebih dari >2 variabel tiap tingkat dpt diberi nilai berbeda dan penelitian struktur perkotaan, menawarkan potensi untuk penyelidikan lebih lanjut merotasi hasil analisis Jenis-jenis analisis multivariat berdasarkan dijlhkan totalnya utk menghasilkan skor. klasifikasi pertanyaan berikut: mengenai teknik dan hubungan untuk Mengambil kesimpulan dari -Misalnya orang 2 menjawab tidak (0) utk -Apakah hubungan yg terjadi antarvariabel menguraikan teori kontemporer dalam ekologi komponen dan faktor pertanyaan 3 dan ya (1) untuk 4,2,1. Ini tidak berupa dependensi atau interdependensi? perkotaan dalam kerangka sistem struktur- 6. Memvalidasi hasil analisis sesuai dgn logika skalogram, sehingga hal ini Apakah terdapat variable dependen dan fungsi yang lebih komprehensif. 7. Menggunaan lanjutan hasil analisis disebiut sebagai galat. independent? Kualitas hasil skalogram dilihat dari koefisien -Berapa jlh variable dependennya? Mengelompokkan responden/kasus atau reprodusibilitas (CR) dan coefficient of -Apa Tingkat pengukuran variable MINGGU 3 Analisis Ekploratory variabel scalability (CS) independent dan dependennya? Untuk mengelompokkan variabel, digunakan -CR adalah ukuran seberapa sering hasil Analisis Faktor exploratory menghasilkan R-type Factor analysis Untuk mengelompok Mengapa perlu dilakukan analisis stastitik analisis (model yang dihasilkan) dengan pola faktor berdasarkan apa yang ada dalam data kan respondn, digunakan Q-type Factor multivariat? Skala Guttman sempurna, sedangkan CS yang dimiliki Peneliti tidak memiliki anggapan analysis atau Analisis Klaster Karena perlu diperhatikan tingkat validitas dan adalah ukuran seberapa sesuai data yang sebelumnya tentang faktor-faktor tersebut realibilitas. dimiliki merepresentasikan model yang apalagi variabel-variabel yang mendasarinya Meringkas atau mengurangi data Validitas adalah ukuran seberapa tepat hasil dihasilkan Faktor-faktor dihasilkan dari perhitungan Meringkas data (data summarization) berarti sebenarnya pengukuran variabel (jawaban -CR diukur dengan mengurangkan korelasi yang terbentuk pada data yang hanya sebatas mengidentifikasi faktor pertanyaan) bisa didapatkan. perbandingan jumlah galat yang terjadi dikumpulkan /dimensi dari variabel-variabel yang diteliti Realibilitas adalah seberapa konsisten dengan jumlah galat yang mungkin terjadi Analisis Faktor confirmatory mengonfirmasi Variabel-variabel yang terdapat dalam satu pertanyaan dpt dijawab di kondisi apapun ia -Nilai CR yang dikehendaki adalah ≥0,90 faktor-faktor dari hasil telaah literatur dengan faktor/dimensi berarti adalah variabel- diajukan. Atau seberapa tepat hasil sementara CS ≥0,60 data yang dikumpulkan Peneliti memiliki variabel yang berdekatan secara hubungan pengukuran yg didapatkan. pengetahuan sebelumnya terkait faktor- /berkorelasi tinggi satu sama lain Contohnya Penelitian dn analisis multivariat dpt faktor yang akan terbentuk juga variabel- adalah biaya parkir, uang bensin, dan biaya tol memungkinkan peneliti dapat kesimpulan variabel yang mendasarinya Data digunakan bisa dikelompokkan menjadi faktor/dimensi yang lebih valid dan memperkecil galat (error) untuk membuktikan secara empiris hasil “biaya perjalanan.” karena analisis ini menggunakan lebih dari telaah literatur tersebut. Langkah – Langkah Mengurangi data (data reduction) berarti Variabel nonmetrik dapat digunakan setelah matriks yang berisi nilai negatif dari korelasi ekstraksi faktor dilakukan dengan mengurangi jumlah variabel untuk dianalisis dikonversi menjadi variabel dummy (variabel parsial pasangan variabel Korelasi parsial memperhatikan jumlah variansi yang yang dapat dilakukan dengan dua hal berikut: yang berisi hanya 0 dan 1). Namun, pada adalah korelasi yang tidak bisa dijelaskan oleh dijelaskan oleh faktor yang terbentuk (ingat - Memilih satu variabel sebagai perwakilan umumnya variabel jenis ini dihindari dalam pasangan variabelnya atau variabel lain yang kembali pengertian “variansi”/variance, yakni dari sekumpulan variabel yang berada dalam analisis faktor terlibat Jika nilai korelasi parsial tinggi, artinya ukuran penyebaran standar data sebuah satu dimensi- Membentuk variabel baru yang terdapat korelasi yang tidak dapat dijelaskan variabel) nilainya terdiri atas variabel-variabel yang Isu Konesptual oleh variabel pasangannya atau variabel Ketika variabel X berkorelasi dengan variabel berada dalam satu dimensi sehingga jumlah Asumsi dasar yang terkait isu konseptual pasangannya, sehingga tidak ada faktor atau Y, dikatakan bahwa ada sejumlah variansi variabel keseluruhan menjadi sedikit, namun dalam analisis faktor adalah “tidak ada struktur yang mendasari variabel-variabel variabel X yang juga terdapat dalam variabel Y informasi yang terkumpul tidak berkurang struktur yang mendasari variabel-variabel” tersebutNilai korelasi parsial yang ditoleransi Oleh karena itu, nilai keseluruhan variansi yang dianalisis Keberadaan korelasi terkadang adalah <0,7 (atau >-0,7 untuk kasus anti- suatu variabel, total variance, dapat dilihat Menentukan variabel yang dianalisis tidak serta-merta dapat diartikan sebagai image correlation matrix). Apabila terdapat sebagai gabungan dari common variance dan adanya struktur dalam variabel Contohnya nilai di atas 0,7 dalam matriks korelasi parsial unique variance (bisa terdapat juga error adalah mencampurkan dua variabel ini, analisis faktor mungkin tidak cocok variance) Variabel-variabel yang dianalisis dengan independen dan dependen dan digunakan Ukuran ketiga adalah Bartlett test Common variance/communality adalah analisis faktor sangat bergantung pada melaporkannya sebagai satu faktor. Meskipun of sphericity, uji hipotesis yang hipotesis jumlah variansi yang terbagi dengan variabel pemahaman peneliti terkait dengan objek pasti terdapat korelasi antara variabel- nolnya adalah “secara statistik, matriks lain penelitian dan juga konsep yang digunakan variabel tersebut, analisis faktor menjadi tidak korelasi data yang diujikan adalah matriks Unique variance adalah variansi yang hanya sebagai landasannya. Peneliti setidaknya tepat penggunaannya pada kasus tersebut. identitas” terkait dengan variabel tersebut tanpa terkait harus memperhatikan karakteristik satu sama Contoh lain adalah mencampurkan variabel- Matriks identitas adalah matriks bujur sangkar dengan variabel lain lain antarvariabel sehingga dapat dipastikan variabel yang terkait khusus untuk laki-laki dengan nilai 0 pada sel-selnya dan 1 pada Error variance adalah variansi karena galat bahwa ada kemungkinan variabel-variabel saja dan variabel-variabel yang terkait khusus diagonal utamanyaJika ini terbukti, artinya pengukuran atau kesalahan dalam tersebut dapat dikelompokkan. Dengan untuk perempuan saja, kemudian nilai korelasi variabel-variabel sama dengan pengumpulan data demikian, analisis faktor dapat menjadi menganalisis variabel-variabel tersebut secara nol yang berarti juga tidak ada korelasi analisis yang garbage-in-garbage-out; apabila kesatuan untuk sampel laki-laki dan antarvariabel yang diperhitungkan Mengambil kesimpulan dari komponen dan data yang masuk tidak ada artinya, informasi perempuan Faktor-faktor yang terbentuk Nilai signifikansi yang rendah menunjukkan faktor yang dihasilkan tetap tidak ada artinya. dapat dipastikan adalah variabel-variabel yang berapa peluang kita dapat menerima Khusus untuk component analysis, komponen Apabila variabel-variabel yang kita masukkan terkait khusus untuk masing-masing gender hipotesis nol tersebut. Ukuran keempat baru tersebut ditulis sebagai persamaan linear sebenarnya tidak secara konseptual dapat saja, dan hal tersebut tidak patut secara adalah Kaiser-Meyer-Olkin Measure of dengan pola seperti berikut, dengan “variate dikelompokkan, kelompok yang dihasilkan konsep Sampling Adequacy (MSA). value” berarti nilai komponen tersebut, X1 tidak akan jadi masuk akal juga, sehingga sia- Nilai ini berkisar antara 0 hingga 1 dengan 1 sampai Xn berarti variabel-variabel yang sia Isu statikal berarti tiap variabel dapat diprediksi tanpa tercakup, dan w1 sampai wn berarti factor Korelasi antarkasus atau antarvariabel Jika variabel-variabel yang dianalisis secara kesalahan oleh variabel-variabel lain score-nya. Baik analisis faktor antarkasus maupun konsep sudah terpenuhi, asumsi yang perlu Kaiser memberi batas nilai MSA sebesar 0,5 antarvariabel menggunakan tabel korelasi dipenuhi secara statistik adalah keberadaan ke atas. Di atas 0,6 Kaiser menyebut untuk memprosesnya menjadi sekumpulan hubungan antarvariabel. Terdapat empat kualitasnya mediocre (menengah), di atas 0,7 faktor Tabel korelasi adalah tabel/matriks ukuran yang bisa digunakan untuk menilai middling (lumayan), dan 0,8 ke atas bujur sangkar (n x n) yang berisi korelasi Jumlah faktor yang diekstrak keterpenuhan asumsi-asumsi secara statistik meritorious (terpuji) Pada SPSS, nilai MSA antarobjek yang terlibat. Objek di sini dalam analisis faktor Ukuran pertama yang juga ditempatkan pada diagonal matriks Anti- maksudnya dapat berupa kasus atau variabel Analisis faktor mengekstrak n faktor dari n bisa digunakan adalah matriks korelasi (r- Image Correlation Matrix. Nilai ini berlaku Tabel ini memiliki diagonal utama yang variabel Pearson correlation). Periksa secara visual, untuk tiap-tiap variabel. Apabila nilai MSA bernilai 1, karena objek dengan objek itu Jumlah paling sedikit faktor yang diekstrak jika jumlah variabel masih memungkinkan, pada variabel tersebut berada di bawah batas sendiri pasti sangat berkorelasi adalah 1 faktor, yakni masing-masing terdiri apakah terdapat jumlah pasangan variabel 0,5 maka variabel tersebut sebaiknya yang memiliki korelasi >0,3 Jika tidak terdapat dikeluarkan dari analisis. atas n variabel, hingga jumlah paling banyak pasangan variabel yang memiliki koefisien adalah n faktor, yang masing-masing terdiri Tingkat pengukuran variabel atas 1 variabel. Setiap faktor/komponen yang korelasi >0,3; maka analisis faktor tidak bisa Metode ekstraksi faktor: component analysis Variabel-variabel yang digunakan dalam mengandung sejumlah variansi dari n variansi dijustifikasi penggunaannya Ukuran kedua & common factor analisis faktor hendaknya adalah variabel total. Jumlah variansi yang dikandung setiap adalah anti-image correlation matrix, yakni metrik atau interval/rasio faktor ini disebut eigenvalue atau latent roots Jumlah faktor yang diekstrak adalah jumlah Keberadaan pencilan dapat berarti salah satu hasil Euclidean distance yang tidak ditarik akar dengan jumlah klaster yang diinginkan dan yang memiliki eigenvalue di atas 1 dari tiga berikut:Kejadian/kasus yang sangat kuadratnya mengelompokkan secara serentak objek-objek Hal ini disebabkan faktor yang terbentuk langka dalam suatu populasi,Suatu kelompok Yang ketiga adalah City-block atau Manhattan dengan membandingkannya dengan seed- harus menjelaskan variansi setidaknya untuk 1 yang sudah direpresentasikan dengan baik distance measure. Ia menjumlahkah jarak sisi seed tersebut variabel (dengan demikian batasnya adalah 1 oleh sampel namun jumlahnya memang tegak dan datar dua titik saja Contoh dari metode ini adalah K-Means sedikit, atau Sampel yang kurang representatif Dengan ilustrasi di samping, maka jarak City- clustering Cara lain mengekstraksi faktor adalah dengan terhadap suatu kelompok di populasi block Object 1 dan Objek 2 di samping adalah memperhatikan scree plot |X2—X1| + |Y2—Y1| Jarak ini adalah yang Jumlah klaster terbentuk Scree plot adalah grafik yang memetakan nilai Prinsip utama pengelompokan dalam analisis paling sederhana, tetapi dapat menghasilkan sebenarnya tidak ada cara saklek dalam eigenvalue dengan jumlah komponen/faktor klaster adalah ukuran kesamaan antarkasus klaster yang tidak valid apabila variabel- menentukan jumlah klaster yang harus yang diekstrak Jumlah komponen/faktor yang pada variabel-variabel yang menjadi dasar variabelnya berkorelasi tinggi terbentukMetode penentuan jumlah klaster diekstrak adalah jumlah yang ditandai dengan pembentukan klaster. Ukuran kesamaan ini Yang keempat adalah Mahalanobis distance yang dihasilkan (cluster solution) disebut titik yang setelahnya garis yang melandai dapat dirinci menjadi 3 jenis: (1) keterkaitan (D2), yakni versi standardisasi jarak Euclidean dengan aturan pemberhentian (stopping rule) atau korelasi, (2) kemiripan atau similarity, yang dapat digunakan pada variabel-variabel Aturan pemberhentian ini tidak memiliki MINGGU KE 4 ANALISIS KLASTER dan (3) ukuran asosiasi yang berkorelasi jika variabel-variabel tersebut ukuran pasti seperti halnya metode statistik Jenis ukuran pertama melihat kemiripan kasus digunakan sebagai dasar pengelompokan lain 1. Menentukan tujuan analisis klaster dari pola nilai tiap-tiap variabelnya objek Aturan ini dapat dikembangkan sendiri oleh menentukan variabel pengklaster Teknik ini dapat dikatakan mirip dengan apa peneliti dan biasanya melibatkan 2. Merancang analisis klaster yang diterapkan pada analisis faktor, oleh Multikolinearitas variabel-variabel pertimbangan yang kompleks endekatan yang ukuran sampel karena itu, ini dipakai dalam Q-type factor Multikolinearitas adalah keadaan dapat digunakan dan berbasis hitungan keberadaan pencilan analysis. Jenis ukuran kedua melihat jarak berkorelasinya dua atau lebih variabel- adalah memperhatikan perubahan koefisien standardisasi nilai atau kedekatan (proximity) nilai variabel yang variabel yang menjadi dasar pengelompokan heterogenitas yang terbesar ukuran kesamaan kasus menjadi dasar pengelompokan pada variabel- Multikolinearitas akan berpengaruh terhadap Koefisien ini ditunjukkan oleh kolom 3.Menelaah asumsi-asumsi dalam analisis variabel. Ukuran inilah yang paling lazim bias dari analisis klaster, yakni mengurangi Coefficient yang ada di tabel Agglomeration klaster digunakan dalam analisis klaster kontribusi dua atau lebih variabel-variabel schedule keluaran SPSS. representativitas sampel Jenis ukuran ketiga digunakan pada variabel tersebut untuk memengaruhi kesamaan multikolinearitas variabel-variabel yang bertingkat pengukuran nominal atau objek-objekOleh karena itu, multikolinearitas 4. Membentuk klaster dan uji kesesuaian ordinal ini perlu dihindari dengan mengganti salah keseluruhan satu variabel, menggabungkan variabel- Analisis faktor menstandarkan terlebih Prosedur pembentukan klaster: hierarkis/non- variabel tersebut ke dalam satu faktor dahulu nilai data sebelum diolah (ingat hierarkis Yang pertama ada Euclidean distance (komponen), atau menggunakan ukuran jarak kembali nilai Z). Seluruh n variabel tersebut jumlah klaster yang dibentuk measure. Ini adalah ukuran jarak garis lurus yang dapat mengakomodasi adanya korelasi memiliki total variansi sejumlah n, karena nilai 5.menginterpretasi klaster antara dua titik.Pengukurannya dilakukan antarvariabel variansi setiap variabel adalah 1 (variansi Memeriksa karakteristik tiap klaster dengan dasar perhitungan rumus Pythagoras untuk data dengan nilai standar pasti 1) Memberi nama klaster Caranya diilustrasikan pada gambar di 6.Memvalidasi hasil klaster samping:Objek 1 dan Objek 2 adalah titik yang prosedur hierarkis menggabungkan objek- dibentuk dari nilai variabelY dan X, dengan objek secara berjenjang/berurutan (ber- MINGGU KE 5 ANALISIS PERAMALAN DERET menentukan variabel pengklaster nilai Objek 1 adalah (X1, X2) dan Objek 2 algoritma) berdasarkan kesamaan (atau BERKALA penentuan variabel yang menjadi dasar (Y1,Y2)Sisi tegak adalah selisih nilai Y2 dengan ketidaksamaan) antar objek-objek tersebut. pengelompokan harus dilandaskan pada Y1 atau (Y2—Y1), sedangkan sisi datar adalah Algoritma yang banyak dipakai di antaranya: 1. Pemulusan rata-rata bergerak tunggal konsep teoritis, karena analisis klaster pasti selisih X2 dengan X1 (X2—X1)Sisi miring, yakni Single-linkage akan menghasilkan klaster juga, tidak peduli jaraknya, dihitung dengan rumus Pythagoras Complete-linkage apapun variabel yang digunakan (garbage in, biasaKonsep ini dapat diperluas menjadi >2 Average-linkage garbage out) variabel, yakni dengan menambah Centroid linkage, dan pengurangan sesuai dengan jumlah variabel Ward’s linkage keberadaan pencilan yang terlibat Prosedur non-hierarkis tidak melakukan pencilan adalah objek/kasus yang memiliki Yang kedua adalah squared Euclidean penggabungan secara berurutan tetapi nilai terpencil dari kebanyakan nilai yang ada distance measure. Ini pada dasarnya adalah memilih sejumlah seed (nilai-nilai awal) sesuai Terdapat berbagai macam statistik deskriptif yang sering digunakan untuk 2. Pemulusan rata-rata bergerak ganda membandingkan galat Rumus-rumus berikut adalah bahasa Tujuan analisis regresi linear berganda: utk matematika dari perhitungan pada kolom- ME, mean error, rata-rata dari galat masing- memprediksi nilai dari variabel dependen kolom yang terdapat pada tabel Excel seperti masing data berdasarkan variabel independen yang yang dimaksud pada nomor 5 dan 6. T sendiri Seperti halnya pada perataan ganda, hitung galat dari selisih nilai sebenarnya ditentukan oleh peneliti. adalah jumlah periode yang dilakukan perata- perhitungan proyeksi nilai di masa t+m, dengan hasil peramalan (Xt-Ft) masing-masing rataan bergeraknya digunakan persamaan berikut dan mengganti periode, rata-ratakan m dengan selisih periodenya, dan at dan bt MPE, mean percentage error, rata-rata dari adalah nilai a dan b terakhir yang didapatkan persentase galat ((nilai sebenarnya–nilai Untuk menghitung proyeksi nilai di masa t+m, peramalan)/nilai sebenarnya) masing-masing digunakan persamaan berikut dan mengganti data m dengan selisih periodenya, dan at dan bt hitung persentase galat masing-masing adalah nilai a dan b terakhir yang didapatkan periode, rata-ratakan 5. pemulusan eksponensial tripel dari Winter MAE, mean absolute error, rata-rata dari galat masing-masing data yang diabsolutkan Secara matematis, menghitung peramalan hitung galat masing-masing periode, dengan metode Winter ini tersebut absolutkan nilainya, rata-ratakan Prosedur yang dapat dilakukan: dinyatakan sebagai berikut Metode Enter → Seluruh variabel dimasukkan 3. Pemulusan eksponensial tunggal ke dalam model sekaligus MAPE, mean absolute percentage error, rata- rata dari persentase galat ((nilai sebenarnya– Metode Forward → Satu per satu variabel Untuk periode pertama setelah nilai dasar, yang berpengaruh dimasukkan ke dalam nilai peramalan)/nilai sebenarnya) yang hasil peramalan sebelumnya tidak tersedia model diabsolutkan oleh karena itu, digunakan nilai dasar tersebut Metode Backward → Seluruh variabel hitung persentase galat masing-masing (Xt) sebagai pengganti hasil peramalan dimasukkan ke dalam model lalu yang tidak Berikut adalah persamaan-persamaan periode, absolutkan masing-masingnya, rata- sebelumnya tersebut (Ft) berpengaruh dikeluarkan satu per satu matematis yang menyatakan rumus ratakan perhitungan indeks-indeks tersebut (overall = MSE, mean squared error, rata-rata dari Metode Stepwise → Satu per satu variabel stasioner, trend = tren, seasonal = musiman) kuadrat galat masing-masing data yang berpengaruh dimasukkan ke dalam hitung galat masing-masing periode, analisis namun variabel ini dapat dikeluarkan kuadratkan galat masing-masing periode kembali. tersebut, rata-ratakan Uji Asumsi Klasik RMSE, root mean squared error, akar kuadrat 1.Pengujian normalitas dilakukan dari MSE menggunakan p-p plot: tarik akar kuadrat dari MSE terdapat pola diagonal yang terbentuk Dengan demikian, untuk menghitung proyeksi Galat (error) sebagai dasar perbandingan sebaran data menyebar dan mengikuti garis nilai di masa t+m, kita hanya bisa Galat adalah nilai pengurangan data diagonal MINGGU 6 ANALISIS REGRESI LINEAR melakukannya pada m = 1 saja. sebenarnya dengan hasil peramalan pada 2.Ujiheteroskedastisitas dgn scatter plot: BERGANDA periode t; (Xt-Ft) -tidak ada pola yang jelas terbentuk Kualitas metode (model) dilihat dari -sebaran data menyebar di atas dan di bawah Konsep dasar perhitungan statistik deskriptif galat pada atau di sekitar nilai 0 Peramalamn kausalitas: memprediksi nilai masing-masing metode Apabila kriteria tersebut di atas terjadi, maka 4. Pemulusan eksponensial ganda suatu variabel dalam satu kesatuan kasus Kualitas yang paling baik adalah yang heteroskedastisitas tidak terjadi sebab-akibat. perhitungan statistik deskriptif galatnya paling 3.Uji multikolinearitas dilakukan Rumus-rumus berikut adalah bahasa Analisis regresi berganda adalah teknik kecil menggunakan koefisien VIF: matematika dari perhitungan pada kolom- analisis statistik yg dpt digunakan uutk menganalisis adanya hubungan (pengaruh) nilai VIF > 5, terjadi multikolinearitas kolom yang terdapat pada tabel Excel seperti Statistik Deskriptif Galat nilai VIF < 5, tidak terjadi multikolinearitas yang dimaksud pada nomor 13 dan 14. antara sebuah variabel dgn variabel lainnya. nilai tolerance > 0,1, tidak terjadi multikolinearitas 4. Uji autokorelasi dgn nilai Durbin Watson: DW = 2, error acak → tidak ada autokorelasi DW < 1, error sistematis → autokorelasi positif DW sekitar 3, error sistematis → autokorelasi Uji Signifikasni 1.Uji keakuratan model melalui koefisien determinasi R2 (Tabel M Summary) Nilai R2 pd rentang 0 sampai 1, menunjukkan persentase variansi variabel dependen (Y) yg dijelaskan olh nilai yg diprediksi. Apabila nilai R2 mendekati 1 maka model semkain kuat. Koefisien determinasi yg digunakan adlah adjusted R2 yg tlh dikoreksi. 2.Uji keberartian model secara keseluruhan melalui uji F(tabel ANOVA) Hipotesa: H0 = persamaan regresi tidak signifikan, F hitung < F tabel dan sig. > 0,05, model tidak dapat dijadikan alat memprediksi H1 = persamaan regresi signifikan, F hitung > F tabel dan sig < 0,05, model dapat dijadikan alat untuk memprediksi Nilai signifikansi < 0,05 maka variabel independen berpengaruh signifikan secara simultan 3.Uji keberartian model secara keseluruhan melalui uji t (Tabel Coefficients) Hipotesa: H0 = hubungan tidak nyata koefisien nol t hitung < t tabel dan sig. > 0,05 H1 = hubungan nyata koefisien tidak nol t hitung > t tabel dan sig. < 0,05 Nilai signifikansi < 0,05 maka variabel independen berpengaruh signifikan terhadap variabel dependen