Cari Di Statistikus

Showing posts with label Desain Eksperimen. Show all posts
Showing posts with label Desain Eksperimen. Show all posts

Thursday, 28 June 2018

Analisis Regresi Berganda dengan SPSS

Dalam Postingan ini akan dijelaskan langkah-langkah penggunaan SPSS untuk analisis regresi beserta dengan uji Asumsinya. langkah pertama yang dilakukan adalah buka program spssnya kemudian deskripsikan variabel pada variabel view. untuk contoh kali ini data yang digunakan adalah data keputusan mahasiswa sebagai variabel dependen dan sebagai variabel independenya adalah biaya (X1) dan Motivasi (X2).

adapun data yang akan kita gunakan adalah sebagai berikut :

Keputusan  motivasi    Biaya
25 28 14
31 32 25
28 33 17
25 34 17
26 28 22
27 32 19
26 29 20
26 26 18
19 23 16
24 28 21
25 27 17
29 29 19
28 35 25
29 33 25
24 31 20
27 30 19
28 28 18
26 33 21
26 31 18
31 32 20
29 34 19
28 31 18
25 31 21
26 32 24
27 34 17
28 32 21
29 30 23
26 31 21
30 33 19
22 31 18
24 29 16
24 26 20
28 28 18
26 29 18
26 28 19
29 35 22
25 29 18
24 28 20
27 30 17
25 29 21
21 26 18
19 26 15
25 29 21
24 28 19
20 26 19
28 34 26
21 27 17
25 28 21
25 32 19
18 28 15
22 24 19
27 31 17
30 34 20
29 32 18
26 31 17
24 24 23
32 34 26
27 30 20
24 31 15
26 34 18
30 29 18
27 32 16
18 26 19
29 28 21
23 27 19
24 30 21
26 28 20
29 34 21
26 30 19
24 29 18
23 27 16
27 31 19
25 30 19
26 31 16
23 26 17
27 32 24
24 29 21
27 34 20
20 25 14
24 29 17
23 29 20
18 28 15
22 26 19
25 29 16
20 26 19
30 31 20
27 29 19
29 29 21
31 34 15
24 29 20
30 32 18
31 32 23
23 31 19
24 28 18
30 34 15
28 33 17
27 36 25
26 29 17
31 34 23
29 36 20

kemudian atur variabel view di program spss sebagai berikut :




kemudian pada tab data view copykan data yang akan kita gunakan sebagai berikut :



Lalu untuk melakukan analisis regresi lakukan langkah berikut :

1. Klick Analyze --> Regresion --> linier regresion 
2. masukan keputusan ke dependent dan biaya serta motivasi ke independen seperti gambar berikut :



3. lalu klick statistics pastikan centang seperti gambar dibawah ini , lalu klick Continue:


4 kemudian pilih tab PLOT kemudian masukan Zpred ke X dan Sresid ke Y lalu continue

5. pilih save kemudian centang unstandarized residual lalu continue :

6. klick OK, maka jendela output akan terbuka dengan isi konten sebagai berikut :





kemudian ketika kita kembali ke data view maka ada tambahan variabel baru. variabel ini akan digunakan untuk uji asumsi klasik normalitas adapun caranya adalah sebagai berikut :

1. klick analyze --> decriptive statistics --> explore
2. pada jendela explore masukan unstadarized residual kedependent list seperti berikut :


lalu klick plots dan centang normal probability plot with test

lalu klick continue dan OK. maka akan muncul output sebagai berikut :



untuk penjelasan output akan dijelaskan pada postingan selanjutnya

untuk penjelasan teori regresi : analisis regresi

Monday, 25 June 2018

Analisis Regresi


Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X) dalam modul ini selanjutnya akan disebut dengan variabel independen. Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y dalam modul ini selanjutnya akan disebut variabel dependen. Kedua variabel ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan prediksi dan ramalan, dengan penggunaan yang saling melengkapi dengan bidang pembelajaran mesin. Analisis ini juga digunakan untuk memahami variabel bebas mana saja yang berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut.
Analisis regresi dapat digunakan untuk dua hal pokok yaitu a) untuk memperoleh suatu persamaan dan garis yang menunjukan persamaan hubungan antara dua variabel. Persamaan dan garis yang didapat disebut dengan persamaan regresi, yang dapat berbentuk linier maupun nonlinier, b). Untuk menaksir satu variabel yang disebut dependen variabel, dengan variabel lain yang disebut independent variabel, berdasarkan hubungan yang ditunjukan persamaan regresi
Salah satu tujuan analisis regresi adalah untuk memperkirakan / memperhitungkan besarnya efek atau pengaruh kuantitaif dari perubahan suatu kejadian terhadap kejadian-kejadian lainya. Untuk keperluan evaluasi / penilaian suatu kebijakan mungkin ingin diketahui besarnya efek kuantitatif dari perubahan suatu kejadian terhadap kejadian lainya. Kejadian-kejadian tersebut, untuk keperluan analisis, bisa dinyatakan di dalam perubahan nilai variabel. Untuk analisis dua kejadian(events) kita gunakan dua variabel X dan Y. Apabila variabel X dan Y mempunyai hubungan (korelasi), maka perubahan nilai variabel yang satu akan mempengaruhi nilai variabel lainya. Hubungan variabel dapat dinyatakan dalam bentuk fungsi, misalnya Y= f(X) à Y= 2 + 1,5X. Apabila bentuk fungsinya sudah diketahui, maka dengan mengetahui nilai dari dari satu variabel (X), maka nilai variabel lainya (Y) dapat diperkirakan atau diramalkan. Data hasil ramalan yang dapat menggambarkan kemampuan untuk waktu yang akan datang, sangat berguna bagi dasar perencanaan.
Variabel yang akan diramalkan harus diletakan pada ruas kiri persamaan dan disebut variabel tidak bebas (dependent) , sedangkan variabel yang nilainya dipergunakan untuk meramalkan disebut variabel bebas (independent).

1.     Model Regresi Sederhana

Jika analisis regresi dilakukan untuk satu variabel dependen dan satu variabel independent maka regresi ini dinamakan regresi sederhana. Analisis regresi linear diperoleh dari suatu motivasi bahwa plot data variabel X (pengaruh) dan Y (respons) cenderung linear.
Model regresi adalah cara yang digunakan untuk menyatakan dua hal :
a.         Kecenderungan berubah-ubahnya variabel dependen terhadap variabel independent dalam bentuk yang sistematis (teratur).
b.         Berpencarnya observasi di sekitar kurve yang menyatakan hubungan statistik.
Kedua karakteristik itu ada dalam model regresi dengan mempostulasikan bahwa :
a.          Dalam populasi observasi di mana sample diambil, terdapat distribusi probabilitas dari Y untuk setiap level dari X.
b.         Harga – harga mean distribusi probabilitas ini berbeda-beda dalam cara yang sistematik dengan X.

Model regresi linear sederhana :

Yi = β0 + β1Xi + εi,    i = 1, 2,...,n

Keterangan:
·         Yi harga variabel respons pada trial ke i.
·         Xi konstan yang diketahui , yaitu harga variabel independent pada trial ke i.
·         β01 adalah parameter yang tidak diketahui nilainya dan akan diestimasi denganstatistik b0,b1.
·         εi= N(0;σ2) adalah suku sesatan random yang independent

Model di atas dapat dipahami sebagai model linear dengan melihat Yi = β0 + β1 Xi ditambah dengan adanya unsur εi = N( 0;σ2) yang membuat data naik turun dari garis linear.

2.     Model Regresi Berganda

                 Regresi Berganda sebenarnya tidak jauh berbeda dengan regresi sederhana yang membedakan hanya pada jumlah variabel independenya saja. jika pada regresi sederhana terdapat 1 variabel independen maka pada regresi berganda terdapat lebih dari 1 variabel independen (X) yang biasa dinotasikan dengan X1, X2, X3, .... 



untuk contoh penggunaan dengan SPSS dan aplikasi lainya akan dijelaskan dipostingan selanjutnya.

Monday, 24 April 2017

Rancangan Percobaan Faktorial 2k



1.1.Rancangan Percobaan (Desain Eksperimen)
Menurut Sudjana (2012), rancangan percobaan merupakan langkah-langkah lengkap yang perlu diambil jauh sebelum percobaan dilakukan supaya diperoleh data yang semestinya diperlukan dan kesimpulannya berlaku untuk masalah yang dibahas.
Menurut Widasari (1988), prinsip-prinsip dasar yang digunakan dalam rancangan percobaan ada tiga antara lain
1. ulangan
2. pengacakan
3. pemblokan.
Menurut Steel dan Torrie (1995), unit percobaan adalah satuan bahan tempat diterapkannya perlakuan. Menurut Sudjana, perlakuan adalah sekumpulan kondisi percobaan yang akan digunakan terhadap unit percobaan dalam ruang lingkup rancangan yang dipilih. Dalam pemilihan perlakuan penting untuk mendefinisikan dengan jelas masing-masing perlakuan dan memahami peranannya yang akan menentukan tercapainya percobaan yang objektif.
1.2.Rancangan Faktorial 2k
Dalam banyak penelitian, para peneliti sering terlibat dengan lebih dari satu macam variabel bebas yang memberikan pengaruh atau akibat pada variabel tak bebas atau variabel respon yang nilainya berubah-ubah dikarenakan efek variabel bebas dengan nilai yang berubah-ubah pula. Untuk keperluan rancangan percobaan, variabel bebas disebut dengan faktor dan nilai-nilai atau klasifikasi-klasifikasi dari sebuah faktor dinamakan taraf faktor. Sedangkan efek utama dari sebuah faktor adalah ukuran perubahan variabel respon terhadap perubahan dalam taraf dari rata-rata faktor pada semua taraf dari semua faktor yang lain (Sugiarto & Sugandi, 1993). Adapun peristiwa paling sedikit satu taraf dari suatu faktor pengaruhnya tidak konsisten pada berbagai taraf dan faktor lain dinamakan interaksi.
Menurut Sudjana (2012), rancangan faktorial 2k adalah rancangan percobaan faktorial yang menyangkut k faktor dengan tiap faktor hanya terdiri atas dua buah taraf. Banyak taraf, yaitu 2, ditulis sebagai bilangan pokok, sedangkan banyak faktor, yaitu k, ditulis sebagai pangkat. Jika untuk k = 2 maka akan mendapatkan 4 kombinasi perlakuan. Jika 2 faktor tersebut adalah faktor A dan faktor B dimana taraf-tarafnya diwakilkan oleh huruf kecil dan diberi pangkat 0 untuk taraf rendah serta diberi pangkat 1 untuk taraf tinggi dari faktor-faktor tersebut maka kombinasi perlakuan yang terjadi adalah :
1.        Taraf rendah faktor A dan taraf rendah faktor B = a0b0 = 1
2.        Taraf tinggi faktor A dan taraf rendah faktor B = a1b0 = a
3.        Taraf rendah faktor A dan taraf tinggi faktor B = a0b1 = b
4.        Taraf tinggi faktor A dan taraf tinggi faktor B = a1b1 = ab
Atau secara visual diilustrasikan sebagai berikut :
Gambar 1. Kombinasi 2 faktor



Gambar diatas memperlihatkan bahwa efek sebuah faktor didefinisi sebagai perubahan variabel respon yang disebabkan oleh perubahan taraf faktor itu. Dengan definisi ini, maka pada taraf rendah faktor A efek faktor B besarnya b – 1. Pada taraf tinggi faktor A, efek faktor B besarnya ab – a. Efek rata-rata faktor B dapat dituliskan sebagai berikut :
B =  [ b – 1 + ab – a ] atau
2B = - 1 – a + b + ab
Dengan cara yang sama maka didapat efek rata-rata faktor A sebagai berikut: 2A = - 1 + a – b + ab
Kemudian untuk menghitung efek interaksi antara faktor A dan faktor B ditentukan sebagai berikut. Pada taraf tinggi faktor A, efek-efek faktor B adalah ab – a ; dan pada taraf rendah faktor A, efek faktor B adalah b – 1. Antara faktor A dan faktor B akan ada interaksi apabila kedua efek ini berbeda. Interaksi antara faktor A dan faktor B didapat dengan jalan mengambil rata-rata dari kedua efek ini atau dapat dituliskan sebagai : 2AB = 1 – a – b + ab
Koefisien-koefisien ketiga efek diatas ternyata membentuk sistem kontras ortogonal, yaitu sistem dimana perkalian jumlah koefisien dari tiap pasangan menghasilkan nilai 0. Akan lebih mudah menentukan kontras, termasuk tanda, dari berbagai efek bisa didapat dengan jalan mengubah persamaan diatas menjadi perkalian bentuk binom maka persamaan diatas menjadi seperti berikut :
2 A = ( a – 1 ) ( b + 1 )
2 B = ( a + 1 ) ( b – 1 )
2 AB = ( a – 1 ) ( b – 1 )
jika k = 3 maka akan mendapatkan  8 kombinasi perlakuan, untuk k = 4 didapat 16 kombinasi perlakuan, untuk k = 5 didapat 32 kombinasi dan begitu seterusnya, makin besar harga k makin banyak terjadinya kombinasi perlakuan. Ini menyebabkan makin panjang pula analisisnya sehingga makin panjang pula susunan kontras yang menyatakan hubungan antara efek-efek dan kombinasi perlakuan. Apabila dalam tiap sel kombinasi perlakuan yang terdiri dari faktor A, faktor B, faktor C, ... dan terjadi sebanyak r replikasi maka secara umum hubungan ini dapat ditentukan dari :
r.2k-1A              =  (a - 1) (b + 1) (c + 1) (d + 1) (e + 1) . . .
r.2k-1B              =  (a + 1) (b - 1) (c + 1) (d + 1) (e + 1) . . .
r.2k-1C              =  (a + 1) (b + 1) (c - 1) (d + 1) (e + 1) . . .
.
.
.
r.2k-1 AB          =  (a – 1) (b – 1) (c + 1) (d + 1) (e + 1) . . .
r.2k-1 AC          =  (a – 1) (b + 1) (c – 1) (d + 1) (e + 1) . . .
.
.
.
r.2k-1 ABC       =  (a - 1) (b - 1) (c - 1) (d + 1) (e + 1) . . .
r.2k-1 ABD       =  (a - 1) (b - 1) (c + 1) (d – 1) (e + 1) . . .
.
.
.
r.2k-1ABCD     =  (a - 1) (b - 1) (c - 1) (d – 1) (e + 1) . . .
.
.
.
dan seterusnya
Dengan singkat hubungan diatas dapat ditulis sebagai :
Kontras = r.2k-1 . (efek) ...............................................(1)
Pada sistem kontras diatas tampak bahwa jika pada ruas kanan terdapat faktor-faktor binom berbentuk ( a - 1 ) maka pada ruas kiri terdapat faktor A dan ( a + 1 ) pada ruas kanan apabila tidak terdapat faktor A di ruas kiri.
Untuk ANAVA tentulah perlu dihitung jumlah kuadrat-jumlah kuadrat semua nilai pengamatan, sedangkan jumlah kuadarat–jumlah kuadrat tiap efek (A,B,C,..., AB, AC, ..., ABC,...) atau kombinasi perlakuan dapat dihitung dengan
JK (efek) =  ..................................................(2)
Jumlah kuadrat kekeliruan dapat dihitung dengan melakukan pengurangan Jumlah Kuadrat semua nilai pengamatan oleh JK semua sumber variansi lainya.
1.3. ANAVA Rancangan Faktorial 2k
Dalam Rancangan faktorial 2k terdapat 2 klasifikasi jenis faktor. Jenis faktor yang dimaksud diklasifikan berdasarkan bagaimana kondisi tarafnya menjadi faktor tetap dan acak. Faktor tetap adalah sebuah faktor dimana seluruh tarafnya diujikan, sedangkan yang dimaksud faktor acak adalah faktor dimana hanya sebagian tarafnya diambil secara acak sebagai sampel untuk diujikan (Sudjana, 2012).
Adapun tabel ANAVA untuk rancangan faktorial 2k adalah sebagai berikut :
Tabel 3. Daftar ANAVA Desain Faktorial 2k
 
Sumber Variasi
DK
JK
KT
Rata-rata
1
( ∑ Y )2 / abr
Perlakuan



A
k-1
JK A
B
k-1
JK B
AB
(k-1)(k-1)
JK AB
Kekeliruan
k2 (r-1)
JK Kekeliruan
Jumlah
Abr
∑ Y 2



Dari tabel diatas dapat dilihat nilai-nilai yang akan muncul dalam daftar ANAVA adapun nilai-nilai yang ada pada tabel ANAVA adalah Derajat Kebebasan (DK) adalah sebuah nilai dimana menunjukan jumlah Informasi minimum yang diperlukan untuk menentukan satu atau lebih titik data. Jika kita memiliki n data, maka kita akan bebas menentukan sebanyak (n-1) data, sementara 1 data tidak bebas sebagai tanda bahwa kita menemukan satu atau lebih titik data (Nursiono, 2014). Jumlah Kuadrat (JK) yaitu penyebaran yang terdapat diantara nilai data dalam sebuah level faktor tertentu. Kuadrat Tengah (KT) adalah varian atau ragam dari semua data pengamatan. Selain nilai yang tertera pada kolom diatas masih diperlukan sebuah nilai yaitu nilai f yang merupakan perbandingan varian/ragam yang disebabkan oleh perbedaan perlakuan dengan pengaruh lain (galat) percobaannya. Dimana nilai f ini nantinya akan dibandingkan dengan nilai f pada daftar tabel distribusi f, dimana hasil dari perbandingan ini akan menentukan keputusan yang terambil. Nilai f pada rancangan faktorial bergantung pada model yang digunakan. Jika terdapat dua buah faktor maka model yang mungkin terbentuk adalah :
A.    Model Tetap atau Model 1
Apabila peneliti hanya mempunyai k buah taraf untuk kedua faktor dan semuanya digunakan dalam eksperimen yang dilakukan maka model yang diambil adalah model tetap. Ini berarti taraf untuk kedua faktor tetap banyaknya dan kesemuanya digunakan dalam eksperimen.
B.     Model Acak atau Model II atau Model Komponen Varians
Dalam hal ini terdapat sebuah populasi yang terdiri dari sejumlah taraf Faktor A dan B dimana diambil sejumlah k taraf secara acak sebagai sampel. Dengan demikian k taraf tersebut merupakan sampel acak yang ada didalam eksperimen.
C.     Model Campuran : A tetap, B acak (Model III)
Ditinjau dari didapatnya taraf kedua faktor, bisa terjadi :
1)      Seluruhnya hanya ada sebanyak k taraf faktor A, semuanya digunakan dalam eksperimen dan
2)      Eksperimen tersebut menggunakan sebuah sampel yang terdiri dari k buah taraf faktor B yang telah diambil secara acak dari sebuah populasi terdiri atas taraf-taraf faktor B.
D.    Model Campuran : A acak, B tetap ( Model III)
Model III yang kedua ini adalah kebalikan Model III diatas.

Dari keempat model diatas untuk mendapatkan harga statistik F maka dapat dilakukan dengan cara yang ditunjukan pada tabel berikut :



Tabel 4. Daftar Nilai F Untuk Setiap Model
 
Sumber Variasi
F Model I
F Model II
F Model III (1)
F Model III (2)
A
KTA/KTG
KTA/KTAB
KTA/KTAB
KTA/KTG
B
KTB/KTG
KTB/KTAB
KTB/KTG
KTB/KTAB
AB
KTAB/KTG
KTAB/KTG
KTAB/KTG
KTAB/KTG