About

Selasa, 14 April 2020

PENDAHULUAN ANALISIS CLUSTER

Tujuan analisis ini adalah untuk mengelompokkan objek ke dalam kelompok yang sama berdasarkan sifat kemiripan atau ketidakmiripan antar objek. Lain halnya dengan analisis faktor yaitu mengelompokkan variabel yang saling berkorelasi. Ketidakmiripan objek diukur berdasarkan jarak misalnya menggunakan jarak  Euclid, dll.
Variabel yang digunakan didasarkan pada hasil penelitian sebelumnya, teori, hipotesis yang sudah diuji atau pertimbangan dari peneliti yang senior (berpengalaman).

Metode analisa kluster terdiri dari :
1. Metode grafik
Metode grafik adalah metode yang sederhana dalam mengelompokkan responden. Didasarkan kemiripan arah grafik yang sama. Metode grafik ini efektif untuk data yang sedikit.

2. Metode berhirarki
Metode ini digunakan bila banyaknya kelompok yang akan dibentuk belum diketahui sebelumnya dan jumlah objek amat relatif kecil. Pembentukan kluster didasarkan pada kuat tidaknya hubungan antar objek.

3. Metode tak berhirarki
Metode ini disebut juga K-Meana Cluster. Metode ini lebih cepat dibandingkan metodr hirarki dan lebih menguntungkan jika jumlah objek/kasus atau observasi besar sekali (sampel besar)

Namun metode hirarki dan non hirarki disarankan dipergunakan secara berdampingan.


Minggu, 12 April 2020

PERBEDAAN ANALISIS REGRESI DAN ANALISIS KORELASI

Analisis regesi dan analisis korelasi adalah dua analisis yang mirip tapi berbeda. Analisis yang paling sering digunakan oleh mahasiswa dalam penyelesaian skripsi secara kuantitatif jika ingin mengukur hubungan atau pengaruh dua variabel atau lebih. Adapun perbedaannya dapat dijelaskan sebagai berikut :

Analisis regresi tujuannya adalah untuk megetahui pengaruh variabel bebas terhadap variabel terikat. Sedangkan analisis korelasi adalah untuk mengetahui arah dan kekuatan hubungan dua variabel secara kuantitatif, apakah hubungannya kuat, lemah atau moderate atau apakah arahnya positif atau negatif. 
Analisis regresi memiliki persamaan/formula/rumus yang menghubungkan antara variabel bebas dan variabel terikat yang dikenal dengan model regresi. Sedangkan analisis korelasi tidak demikian. 

Hubungan yang terjadi pada analisis regresi adalah hubungan kausalitas artinya ada hubungan sebab dan akibat antara dua variabel. Variabel independen menyebabkan pengaruh pada variabel dependen dengan kata lain mempengaruhi dan variabel dependen disebabkan pengaruh oleh variabel independen dengan kata lain dipengaruhi. Namun analisis korelasi adalah hubungan asosiatif artinya hanya sebatas hubungan dan tidak ada hubungan sebab dan akibat antara dua variabel tersebut. 

Analisis regresi dapat memprediksi nilai variabel dependen jika diketahui nilai variabel independen atau sebaliknya yaitu dengan menggunakan model regresi. Sedangkan analisis korelasi tidak demikian. 

Dalam penulisan hipotesis, analisis regesi biasanya berbunyi "Diduga ada pengaruh antara variabel X terhadap variabel Y"sedangkan analisis korelasi biasanya berbunyi "Diduga ada hubungan antara variabel X dan variabel Y". Atau menyesuaikan dengan rumusan masalah dalam penelitian.

by MEYF

Sabtu, 12 Januari 2019

ECO_MATH ~"TURUNAN FUNGSI"

~ECO-MATH~ "INTEGRAL"

Kamis, 06 Oktober 2016

~"DERAJAT KEBEBASAN"~

Dalam statistik, tentu tidak asing mendengar kata derajat bebas atau degree of freedom (df). Namun masih banyak yang keliru dalam penetapan derajat kebebasan tersebut. 

Derajat kebebasan berkaitan dengan pada jumlah informasi yang bebas yang ada digunakan untuk membuat estimasi terhadap informasi yang lain. Perhitungan derajat kebebasan dimulai dari ukuran sampel. 

Sebagai contoh jika sampel diambil 5 orang untuk mengukur rata-rata tinggi badan kelima orang tersebut. Dalam hal ini terdapat lima sampel (n=5), jika diharapkan sampel orang yang dikumpul memiliki rata-rata tinggi badan sebesar 165 cm. Maka dari kelima orang tersebut hanya empat orang yang dapat ditentukan secara bebas tinggi badannya. 

Misalnya 159, 165, 164, 167 sedang seorang lagi tidak dapat ditentukan secara bebas agar memperoleh rata-rata tinggi badan kelima orang tersebut adalah 165 cm. 

Berikut dapat dilihat cara perhitungannya :
Jika x adalah tinggi badan orang kelima
Rata-rata = 165 cm = (159 + 165 + 164 + 167 + x ) / 5
maka x harus memiliki tinggi badan 170 cm.

Jadi derajat bebas adalah berkaitan dengan ukuran sampel. Jika parameter yang ditaksir hanya satu (artinya terdapat satu variabel) seperti contoh di atas (yaitu rata-rata tinggi badan) maka derajat kebebasan adalah n-1 = 5-1 = 4
Jika ada tiga variabel yang diukur maka derajat bebas adalah n-3 = 5-3 = 2.

Jadi derajat bebas atau degree of freedom (df) adalah 

 df = n - k

dimana
n  = jumlah sampel
k  = jumlah variabel

by MEYF

~"SKALA PENGUKURAN"~

Dalam statistika inferensia, salah satu yang harus dipahami adalah mengenai skala pengukuran dari data yang diperoleh. Adapun skala pengukuran data terbagi atas 4 :

1. Skala Nominal
Merupakan skala terendah yang hanya memiliki ciri-ciri membedakan skala ukur yang satu dengan skala ukur lainnya. Dengan kata lain hanya mengelompokkan data. Misalnya gender yang hanya terdiri dari kelompok laki-laki dan kelompok perempuan.

2. Skala Ordinal
Merupakan skala yang selain memiliki ciri-ciri membedakan juga memiliki ciri-ciri mengurutkan pada rentangan tertentu. Misalnya jabatan suatu pekerjaan yaitu operator, staff, supervisor, manager. Jabatan staff memiliki posisi lebih tinggi dibandingkan operator, jabatan supervisor memiliki posisi lebih tinggi daripada staff namun tidak dapat dikatakan bahwa jabatan supervisor dua kali lebih tinggi dibandingkan jabatan operator.

3. Skala Interval
Merupakan skala yang memiliki ciri-ciri membedakan, mengurutkan dan juga memiliki jarak yang sama. Misalnya suhu udara yaitu derajat Celcius, Fahrenheit, Reamur dan Kelvin. Suhu dikota A, B dan C adalah 25, 31, 35 derajat Celcius. Kita hanya dapat membedakan dan mengurutkan data tersebut menjadi suhu kota B lebih panas daripada kota A. Hal lain yang perlu diperhatikan adalah suhu 0 derajat Celcius bukan berarti tidak ada suhu udara, namun suhu tersebut dapat dikatakan lebih dingin.

4. Skala Rasio
Merupakan skala tertinggi yang memiliki ciri-ciri membedakan, mengurutkan, memiliki jarak yang sama dan memiliki nilai nol mutla. Contohnya ukuran panjang, berat, jumlah suatu barang. Misalkan uang saya adalah nol rupiah, artinya saya tidak punya uang.


Selasa, 05 April 2016

~"JIKA NILAI INTERCEPT PADA REGRESI LINEAR BERNILAI NEGATIF"~

Sedikit membahas mengenai regresi linear yang digunakan untuk mengetahui apakah terdapat pengaruh antara variabel bebas terhadap variabel terikat. Persamaan regresi linear atau disebut juga model regresi linear yang kita ketahui secara umum adalah berbentuk :

Y = a + b1X1 + ....+ bnXn

Selanjutnya adalah menginterpretasikan hasil dari model linear tersebut. Sebagaimana yang kita ketahui untuk menguji apakah ada pengaruh variabel X1, ..., Xn maka dilakukanlah pengujian terhadap nilai koefisien regresi yang kita sebut dengan slope. Ada beberapa tahap pengujian yaitu uji parsial dengan uji t dan uji simultan dengan uji F selanjutnya adalah menentukan besarnya koefisien determinasi. 

Misalkan kita akan melihat pengaruh jumlah promosi (X) terhadap penjualan (Y), diperoleh model yang signifikan berpengaruh yaitu:

Y = 0,125 + 0,452 X + error

Interpretasi model tersebut adalah 

  1. Nilai 0,125 adalah intercept yang berarti jika tidak ada promosi, maka penjualan sekitar 0,125 atau 12,5%.
  2. Nilai 0,452 adalah slope yang berarti jika jumlah promosi naik satu satuan maka penjualan akan naik sebesar 0,452 atau 45,2%.
Bagaimana jika model regresinya seperti berikut ini?

Y = -0,125 + 0,452 X + error

Tentu ada yang aneh pada nilai intercept yang negatif. Dimana artinya adalah jika tidak ada promosi maka penjualan adalah negatif 0,125. Dalam dunia nyata tidak ada penjualan yang negatif. 

Pertanyaannya : Kenapa hal ini terjadi?
Jika asumsi klasik atau asumsi dasar sudah terpenuhi dengan baik, hasil analisis regresi ini tidak ada yang salah. Dalam hal ini jangkauan nilai variabel bebas seringkali tidak memasukkan nol sebagai nilai yang diamati. 

Contohnya pada skala Likert yang mulai dari skor 1. Sehingga dalam hal ini interpretasi nilai intercept tidaklah digunakan. Namun jika dalam data sampel terdapat nilai x = 0 maka nilai intercept akan bermakna jika diinterpretasikan. Jadi jika dalam olah data diperoleh nilai intercept negatif, jangan putus asa  dan bukan berarti hasil yang diperoleh adalah salah. Asalkan asumsi-asumsi regresi terpenuhi dengan baik.

Hal ini didasarkan menurut Mendenhall dkk, dalam A Second Course In Statistics - Regression Analysis 5th Edition, bahwa "..........The reason is that we are attempting to use the least squares model to predict y for a value of x (x = 0) that is outside the range of the sampel data and therefore impractical. (We have more to say about predicting outside the range of the sample data - called extrapolation). Consequently, intercept will not always have a practical interpretation. Only when x=0 is within the range of the x values in the sampel and is a practical value will have a meaningful interpretation.

Semoga Bermanfaat 
^_^
MEYF