APAKAH ANDA??..................

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Apakah Anda merasa kesulitan dalam membuat Skripsi, Tesis, Disertasi, PTK, atau Karya Tulis Ilmiah. Sudah berapa banyak biaya dan waktu yang dikeluarkan?
Qasada Research Solution, menawarkan cara agar lebih mudah, lebih murah, lebih cepat, dan lebih baik. Bagi Anda yang akan melakukan penelitian sendiri, kami menawarkan referensi jurnal ilmiah. Dengan modal Rp. 100.000,- Anda dapat memesan 10 referensi yang dikehendaki; suatu jumlah referensi yang memadai dalam suatu penelitian. Bagi Anda yang tidak sempat mengerjakan sendiri, kami siap membantunya khusus untuk penelitian bidang pendidikan, manajemen, dan kebijakan. serta KTI Kebidanan

Wassalam
matsahudi@yahoo.com
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Analysis Regresi : Memprediksi Permintaan Ayam

ANALISIS KORELASI DAN REGRESI:
CONTOH PREDIKSI PERMINTAAN AYAM
I.         DATA PERMINTAAN AYAM
Data Permintaan Ayam di Amerika Serikat
Tahun
X2
X3
X4
X5
Y
1960
397.5
42.2
50.7
78.3
27.8
1961
413.3
38.1
52
79.2
29.9
1962
439.2
40.3
54
79.2
29.8
1963
459.7
39.5
55.3
79.2
30.8
1964
492.9
37.3
54.7
77.4
31.2
1965
528.6
38.1
63.7
80.2
33.3
1966
560.3
39.3
69.8
80.4
35.6
1967
624.6
37.8
65.9
83.9
36.4
1968
666.4
38.4
64.5
85.5
36.7
1969
717.8
40.1
70
93.7
38.4
1970
768.2
38.6
73.2
106.1
40.4
1971
843.3
39.8
67.8
104.8
40.3
1972
911.6
39.7
79.1
114
41.8
1973
931.1
52.1
95.4
124.1
40.4
1974
1021.5
48.9
94.2
127.6
40.7
1975
1165.9
58.3
123.5
142.9
40.1
1976
1349.6
57.9
129.9
143.6
42.7
1977
1449.4
56.5
117.6
139.2
44.1
1978
1575.5
63.7
130.9
165.5
46.7
1979
1759.1
61.6
129.8
203.3
50.6
1980
1994.2
58.9
128
219.6
50.1
1981
2258.1
66.4
141
221.6
51.7
1982
2478.7
70.4
168.2
232.6
52.9
 Keterangan
X 2  =  Pendapatan riil per kapita
X 3  =  Harga eceran ayam  riil per kapita
X 4  =  Harga eceran babi  riil per kapita
X 5  =  Harga eceran sapi  riil per kapita
Y    =   Konsumsi ayam per kapita

Sumber :  Gujarati (1995, 228)
II.      ANALISIS   

A.          Regresi Linier

           1.            Deskripsi Data

Descriptive Statistics

Mean
Std. Deviation
N
Y
39.670
7.3730
23
X2
1035.065
617.8470
23
X3
47.996
11.1172
23
X4
90.400
35.2237
23
X5
124.430
51.4997
23

·         Nilai rata-rata hitung dan Std Deviasi variable dependen Y dan varibael independen X2, X3, X4, dan X5 dapat dilihat padat tabel Descriptive Statistics di atas.

           2.            Korelasi

Correlations


Y
X2
X3
X4
X5
Pearson Correlation
Y
1.000
.947
.840
.912
.935
X2
.947
1.000
.932
.957
.986
X3
.840
.932
1.000
.970
.928
X4
.912
.957
.970
1.000
.941
X5
.935
.986
.928
.941
1.000
Sig. (1-tailed)
Y
.
.000
.000
.000
.000
X2
.000
.
.000
.000
.000
X3
.000
.000
.
.000
.000
X4
.000
.000
.000
.
.000
X5
.000
.000
.000
.000
.
N
Y
23
23
23
23
23
X2
23
23
23
23
23
X3
23
23
23
23
23
X4
23
23
23
23
23
X5
23
23
23
23
23

·         Antara variable Y dan variable-variabel X2, X3, X4, X5 mempunyai korelasi positif yang kuat (> 0,5).
·         Korelasi tertinggi terjadi antara  Y dengan X2 (0.947), sementara korelasi terendah terjadi antara Y dengan X3 (0,840)
·         Tingkat signifikansi koefisien korelasi satu sisi (Sig. (1-tailed) dari  output (diukur dari probabilitas) semuanya menghasilkan 0,000.  Oleh karena probabilitas jauh di bawah 0,01 dan 0,05, maka korelasi di antara variable dependen Y dengan variable-variabel independen X2, X3, X4, dan X5 sangat nyata.


           3.            Adjusted R Square

Model Summaryc
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1
.971a
.943
.930
1.9532

2
.969b
.939
.930
1.9557
1.252
a. Predictors: (Constant), X5, X3, X4, X2
b. Predictors: (Constant), X5, X3, X4
c. Dependent Variable: Y

·         Terdapat dua model regresi linier untuk memprediksi nilai Y dari variable-variabel independen X2, X3, X4, dan X5.
·         Model 1: Nilai Y diprediksi dari variable  X5, X3, X4, X2.  Sementera model 2, nilai Y diprediksi dari variable  X5, X3, X4.
·         Kedua model itu mempunyai nilai kemampuan memprediksi yang sama (Adjusted R Square), yaitu sebesar 0,930 dan standar error optimasi yang hampir sama.  Hal ini berarti bahwa  93% nilai Y, dapat diprediksi dari variable  X5, X3, X4, X2 ataupun hanya dari variable variable  X5, X3, X4.  Perbedaan kedua model prediksi hanya terletak pada Std. Error of the Estimate.

           4.            ANOVA  
ANOVAc
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
1127.259
4
281.815
73.871
.000a
Residual
68.670
18
3.815


Total
1195.929
22



2
Regression
1123.258
3
374.419
97.893
.000b
Residual
72.671
19
3.825


Total
1195.929
22



a. Predictors: (Constant), X5, X3, X4, X2
b. Predictors: (Constant), X5, X3, X4
c. Dependent Variable: Y

·         Dari uji ANOVA tampak bahwa kedua model regresi mempunyai nilai signifikansi 0,000.  Oleh karena probabiltasnya (0,000) jauh lebih kecil dari 0,05, maka kedua model regresi dapat dipakai untuk memprediksi nilai Y.

           5.            Koefisien Regresi

Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients

B
Std. Error
Beta
t
Sig.
1
(Constant)
37.232
3.718

10.015
.000
X2
.005
.005
.420
1.024
.319
X3
-.611
.163
-.922
-3.753
.001
X4
.198
.064
.948
3.114
.006
X5
.070
.051
.485
1.363
.190
2
(Constant)
35.681
3.399

10.496
.000
X3
-.654
.158
-.986
-4.151
.001
X4
.233
.054
1.111
4.275
.000
X5
.115
.024
.806
4.749
.000
a. Dependent Variable: Y

·         Meskipun kedua model regresi linier dapat digunakan, namun ternyata nilai-nilai koefisien dari variable independen mempunyai nilai yang berbeda.
·         Pada model 1, tampak bahwa nilai signifikansi koefisien dari variable X2 sebesar 0,319, varibael X4 sebesar 0,006, dan variable X5 sebesar 0, 190.  Hal ini menunjukkan bahwa nilai koefisien dari ketiga variable tersebut tidak signifikan, karena lebih besar dari 0,05.
·         Pada model 2, tampak bahwa semua nilai signifikansi koefisien dari variable X3, X4, X5 bernilai lebih kecil dari 0,05.  Hal ini menunjukkan bahwa nilai koefisien dari ketiga variable tersebut bersifat signifikan pada taraf kepercayaan 95%.


           6.            Persamaan Regresi Linier Berganda

Dari analisis-analisis di atas, dapat disimpulkan bahwa nilai Y (Konsumsi ayam per kapita ) di Amerika Serikat dapat diprediksi dari  nilai X 3   (Harga eceran ayam  riil per kapita), X ( Harga eceran babi  riil per kapita), dan X (Harga eceran sapi  riil per kapita), dengan persamaan sebagai berikut :

Y    = 35.681 – 0,654 X 3  +  0,233X 40,115X

Persamaan tersebut dapat menjelaskan variabilitas nilai Y sebesar 93%.  Hal ini menunjukkan bahwa konsumsi ayam per kapita  di Amerika Serikat  93% dapat dijelaskan dari harga eceran ayam  riil per kapita, harga eceran babi  riil per kapita, dan harga eceran sapi  riil per kapita. Sedangkan 7% konsumsi ayam per kapita  di Amerika Serikat dijelaskan oleh variable lain di luar ketiga variable itu.
B.      Regresi  Double Logaritma  
Regresi ini dilakukan dengan mentransformasi data ke dalam bentuk logaritma alami (ln).  Hasil analisis regresinya adalah sebagai berikut:

           1.            Korelasi
Correlations


ln y
ln x2
ln x3
ln x4
ln x5
Pearson Correlation
ln y
1.000
.973
.804
.924
.934
ln x2
.973
1.000
.907
.972
.979
ln x3
.804
.907
1.000
.947
.933
ln x4
.924
.972
.947
1.000
.954
ln x5
.934
.979
.933
.954
1.000
Sig. (1-tailed)
ln y
.
.000
.000
.000
.000
ln x2
.000
.
.000
.000
.000
ln x3
.000
.000
.
.000
.000
ln x4
.000
.000
.000
.
.000
ln x5
.000
.000
.000
.000
.
N
ln y
23
23
23
23
23
ln x2
23
23
23
23
23
ln x3
23
23
23
23
23
ln x4
23
23
23
23
23
ln x5
23
23
23
23
23

·         Antara variable ln Y dan variable-variabel  ln X2, ln X3, ln X4, dan ln X5 mempunyai korelasi positif yang kuat (> 0,5). Korelasi tertinggi terjadi antara  ln Y dengan ln X2 (0.973), sementara korelasi terendah terjadi antara ln Y dengan ln X3 (0,804)
·         Tingkat signifikansi koefisien korelasi satu sisi (Sig. (1-tailed) dari  output (diukur dari probabilitas) semuanya menghasilkan 0,000.  Oleh karena probabilitas jauh di bawah 0,01 dan 0,05, maka korelasi di antara variable dependen ln Y dengan variable-variabel independen ln ln X2, ln  X3, ln X4, dan ln X5 sangat nyata.

           2.            Adjusted R Square 
Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
.991a
.982
.978
.02759
2
.991b
.982
.979
.02746
3
.990c
.980
.978
.02778
a. Predictors: (Constant), ln x5, ln x3, ln x4, ln x2
b. Predictors: (Constant), ln x3, ln x4, ln x2
c. Predictors: (Constant), ln x3, ln x2

·         Terdapat 3 model regresi ln linier untuk memprediksi nilai ln Y dari variable-variabel independen ln X2,  ln X3, ln X4, dan  ln X5.
·         Ketiga model itu mempunyai nilai kemampuan memprediksi yang hamper sama (Adjusted R Square), yaitu sebesar 0,978 dan standar error optimasi yang hampir sama.  Hal ini berarti bahwa  98% nilai ln Y, dapat diprediksi dari variable ln X5,  ln X3, ln X4, ln X2 .


           3.            ANOVA
ANOVAd
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
.761
4
.190
249.928
.000a
Residual
.014
18
.001


Total
.775
22



2
Regression
.760
3
.253
336.181
.000b
Residual
.014
19
.001


Total
.775
22



3
Regression
.759
2
.380
491.868
.000c
Residual
.015
20
.001


Total
.775
22



a. Predictors: (Constant), ln x5, ln x3, ln x4, ln x2
b. Predictors: (Constant), ln x3, ln x4, ln x2
c. Predictors: (Constant), ln x3, ln x2
d. Dependent Variable: ln y

·         Dari uji ANOVA tampak bahwa ketiga model regresi mempunyai nilai signifikansi 0,000.  Oleh karena probabiltasnya (0,000) jauh lebih kecil dari 0,05, maka ketiga model regresi ln linier dapat dipakai untuk memprediksi nilai ln Y.


           4.            Koefisien Regresi
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients

B
Std. Error
Beta
t
Sig.
1
(Constant)
2.190
.156

14.063
.000
ln x2
.343
.083
1.041
4.114
.001
ln x3
-.505
.111
-.596
-4.550
.000
ln x4
.149
.100
.301
1.490
.153
ln x5
.091
.101
.184
.905
.378
2
(Constant)
2.125
.138

15.415
.000
ln x2
.406
.045
1.233
9.063
.000
ln x3
-.439
.083
-.519
-5.266
.000
ln x4
.107
.088
.216
1.214
.240
3
(Constant)
2.033
.116

17.497
.000
ln x2
.452
.025
1.372
18.284
.000
ln x3
-.372
.063
-.440
-5.865
.000
a. Dependent Variable: ln y

·         Meskipun ketiga model regresi linier dapat digunakan, namun ternyata nilai-nilai koefisien dari variable independen mempunyai nilai signifikansi yang berbeda.
·         Dari tabel di atas tampak bahwa signifikansi nilai koefisien varibael independen yang keseluruhannya mempunyai nilai 0,00 (kurang dari 0,05) adalah model 3. Hal ini menunjukkan bahwa nilai koefisien dari ketiga variable dari model tersenut  bersifat signifikan pada taraf kepercayaan 95% dan 99%.

           5.            Persamaan Regresi Ln Linier Berganda

Dari analisis-analisis di atas, dapat disimpulkan bahwa nilai ln Y (Konsumsi ayam per kapita ) di Amerika Serikat dapat diprediksi dari  nilai  ln X 3   (Harga eceran ayam  riil per kapita), ln X ( pendapatan  riil per kapita).

Ln Y    = 2,033 + 0,452 ln X 2  -   0,372 ln X 3    

Persamaan tersebut dapat menjelaskan variabilitas nilai Y sebesar 98%.  Hal ini menunjukkan bahwa konsumsi ayam per kapita  di Amerika Serikat  98% dapat dijelaskan dari harga eceran ayam  riil per kapita dan pendapatan  riil per kapita. Sedangkan 2%  konsumsi ayam per kapita  di Amerika Serikat dijelaskan oleh variable lain di luar kedua variable itu.


III.        KESIMPULAN

Dari analisi di atas, dapat disimpulkan bahwa konsumsi ayam per kapita  di Amerika Serikat dijelaskan oleh dua model regresi berganda sebagai berikut.

Y    = 35.681 – 0,654 X 3  +  0,233X 40,115X 5    (Adjusted R2 = 0,93)

Ln Y    = 2,033 + 0,452 ln X 2  -   0,372 ln X 3              (Adjusted R2 = 0,98)

Di antara dua model tersebut, model double logaritma lebih baik dari pada model linier karena mempunyai  Adjusted R2  yang lebih tinggi.

 
Design by Free WordPress Themes | Bloggerized by Lasantha - Premium Blogger Themes | Macys Printable Coupons