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