REGRESSI LINIER SEDERHANA
REGRESSI LINIER SEDERHANA
Oleh
Prof. Dr.dr.Buraerah H abd Hakim, MSc
Program Magister Kesehatan Masyarakat
Program Pasca sarjana FKM Universitas Hasanuddin
Oleh
Prof. Dr.dr.Buraerah H abd Hakim, MSc
Program Magister Kesehatan Masyarakat
PENDAHULUAN
REG. LINIER SEDERHANA
REG. LINIER BERGANDA
REG. LINIER BERGANDA
LOGISTIK
KORELASI
PENDAHULUAN
REG. LINIER SEDERHANA
REG. LINIER BERGANDA
REG. LINIER BERGANDA
LOGISTIK
KORELASI
MATERI PERKULIAHAN
Adalah prosedur yang digunakan untuk menilai hubungan antara var. indpenden dengan variabel dependennya melalui persamaan garis lurus.
Persayaratan yang senantiasa dituntut dalam suatu analisis dengan menggunakan uji statistik (terutama Regressi linier) ialah Distribusinya harus normal.
Alasan tersebut disebabkan karena, sebuah sampel yang diambil dari populasi tidak normal, distribusi mean sampelnya bisa mendekati normal asalkan ukuran sampelnya cukup besar.
Adalah prosedur yang digunakan untuk menilai hubungan antara var. indpenden dengan variabel dependennya melalui persamaan garis lurus.
Persayaratan yang senantiasa dituntut dalam suatu analisis dengan menggunakan uji statistik (terutama Regressi linier) ialah Distribusinya harus normal.
Alasan tersebut disebabkan karena, sebuah sampel yang diambil dari populasi tidak normal, distribusi mean sampelnya bisa mendekati normal asalkan ukuran sampelnya cukup besar.
REGRESSI LINIER
TUJUAN
Menguji hubungan antara variabel Independen dengan dependennya.
Hubungan linier satu var. independen dengan satu var. dependen “Regressi Linier Sederhana “
Hubungan linier lebih dari satu variabel independen dengan satu var. dependen “ Regressi Linier berganda “
TUJUAN
Menguji hubungan antara variabel Independen dengan dependennya.
Hubungan linier satu var. independen dengan satu var. dependen “Regressi Linier Sederhana “
Hubungan linier lebih dari satu variabel independen dengan satu var. dependen “ Regressi Linier berganda “
REGRESSI LINIER
Hubungan linier lebih dari satu var.
independen dengan satu var. dependen
dengan
menggunakan
prinsip
logarithma
“Regressi
Linier
berganda logistik.“
Hubungan non linier lebih dari satu
variabel independen dengan satu var.
dependen
“Regressi non Linier
berganda “
Hubungan linier lebih dari satu var.
independen dengan satu var. dependen
dengan
menggunakan
prinsip
logarithma
“Regressi
Linier
berganda logistik.“
Hubungan non linier lebih dari satu
variabel independen dengan satu var.
dependen
“Regressi non Linier
berganda “
REGRESSI LINIER
Data yang digunakan diukur menurut
skala Ratio
Minimal diukur dalam skala Interval.
Interval dengan skala sama ( dari
data kontinu)
Interval dengan skala tidak sama
(dari data Diskret)
Skala 1, 0 untuk Regresi logistik.
Data yang digunakan diukur menurut
skala Ratio
Minimal diukur dalam skala Interval.
Interval dengan skala sama ( dari
data kontinu)
Interval dengan skala tidak sama
(dari data Diskret)
Skala 1, 0 untuk Regresi logistik.
PERSYARATAN
REGRESSI LINIER SEDERHANA
REGRESSI LINIER SEDERHANA
MODEL DAN RUMUS UMUM
MEMILIH GARIS REGRESSI
ANALISIS KORELASI
GENERALISASI POPULASI
MODEL DAN RUMUS UMUM
MEMILIH GARIS REGRESSI
ANALISIS KORELASI
REGRESSI LINIER SEDERHANA
REGRESSI LINIER SEDERHANA
Y = a + bx
Y = a + bx
Keterangan :
Y = Variabel Dependen X = Variabel Independen a = Intercepts
b = Slope atau Koefisien arah
Keterangan :
Y = Variabel Dependen X = Variabel Independen a = Intercepts
b = Slope atau Koefisien arah
RUMUS UMUM
MODEL PERSMAAN REGRESSI
LINIER SEDERHANA (SAMPEL)
MODEL PERSMAAN REGRESSI
LINIER SEDERHANA (SAMPEL)
Y =
a +
bx
Y =
a +
bx
Var.Y
Var.Y
Var.X
Var.X
Intercept
Intercept
Slope
Slope
a
a
b
b
0
RUMUS UMUM UNTUK POPULASI
RUMUS UMUM UNTUK POPULASI
Ỹ = β
o+ β
1x
1+ e
Ỹ = β
o+ β
1x
1+ e
Keterangan :
Ỹ = Variabel Dependen βo = Interceps
β1 = Slope
MODEL PERSMAAN REGRESSI LINIER
SEDERHANA (POPULASI)
MODEL PERSMAAN REGRESSI LINIER
SEDERHANA (POPULASI)
Var.Y
Var.Y
Var.X
Var.X
Intercept
Intercept
Slope
Slope
0
0
Ỹ = β
o+ β
1
x
1+ e
Ỹ = β
o+ β
1
x
1+ e
β0
β0
β1
SCATTER DIAGRAM
SCATTER DIAGRAM
Kualitas pelayanan aspek responsiveness
Kualitas pelayanan aspek responsiveness
K
ep
u
as
an
P
as
ie
n
K
ep
u
as
an
P
as
ie
MEMILIH GARIS REGRESSI
MEMILIH GARIS REGRESSI
Dalam kenyataan hasil perpotongan antara variabel independen (Y) dengan variabel dependen (X) berdasarkan data hasil observasi tidak semuanya tepat jatuh pada garis regresi tetapi hanya sebagian saja.
Konsokuensinya adalah “terjadinya
penyimpangan’ hasil observasi dari persamaan regressi yang diduga , yang dikenal dengan
“Random Error disekitar Garis Regressi”.
Dalam kenyataan hasil perpotongan antara variabel independen (Y) dengan variabel dependen (X) berdasarkan data hasil observasi tidak semuanya tepat jatuh pada garis regresi tetapi hanya sebagian saja.
Konsokuensinya adalah “terjadinya
penyimpangan’ hasil observasi dari persamaan regressi yang diduga , yang dikenal dengan
10000 50000
30000 40000
20000 60000
0
30000
20000 40000
10000
RANDOM ERROR SEKITAR GARIS REGRESSI
Untuk menghilangkan error tersebut digunakan “metode kuadrat terkecil” (Least Square)
(Least-Square) ialah suatu persamaan garis dimana jumlah kuadrat dari jarak vertikal tiap-tiap titik pengamatan terhadap garis tersebut minimum. (dianggap = 0)
Untuk menghilangkan error tersebut digunakan “metode kuadrat terkecil”
(Least Square)
(Least-Square) ialah suatu persamaan garis dimana jumlah kuadrat dari jarak vertikal tiap-tiap titik pengamatan terhadap garis tersebut minimum. (dianggap = 0)
MENGHILANGKAN RANDOM ERROR
INTERCEP DAN SLOPE
INTERCEP DAN SLOPE
Perhitungan parameter intercepts dan slope dilakukan sebagai berikut:
(∑Yi)(∑ Xi2) - (∑X
i)( ∑XiYi)
a = n∑Xi - (∑ Xi2)
n ∑XiYi - (∑Xi) (∑Yi) b = ∑ Xi2 - (∑ X
i)2
a = Y - bX
Perhitungan parameter intercepts dan slope dilakukan sebagai berikut:
(∑Yi)(∑ Xi2) - (∑X
i)( ∑XiYi)
a = n∑Xi - (∑ Xi2)
n ∑XiYi - (∑Xi) (∑Yi) b = ∑ Xi2 - (∑ X
i)2
INTERCEP DAN SLOPE
INTERCEP DAN SLOPE
Perhitungan parameter intercepts dan slope dilakukan sebagai berikut:
(∑Yi)(∑ Xi2) - (∑X
i)( ∑XiYi)
c = n∑Yi2 - (∑ Y
i)2
n ∑XiYi - (∑Xi) (∑Yi) d = ∑ Xi2 - (∑ Y
i)2
Perhitungan parameter intercepts dan slope dilakukan sebagai berikut:
(∑Yi)(∑ Xi2) - (∑X
i)( ∑XiYi)
c = n∑Yi2 - (∑ Y
i)2
n ∑XiYi - (∑Xi) (∑Yi) d = ∑ Xi2 - (∑ Y
BENTUK PESAMAAN GARIS REGRESSI
BENTUK PESAMAAN GARIS REGRESSI
1. Regressi Linier Y = a + bx
2. Regressi Kuadratik Ỹ = a + bx + cx2
3. Parabola kubik Ỹ = a + bx + cx2 + dx3
4. Eksponen Ỹ = a + bx* 5. Geometrik Ỹ = ax
6. Gompertz Ỹ = pq 1
7. Logistik Ỹ = --- ab* + c
1
8. Hiperbola Ỹ = a + b
1. Regressi Linier Y = a + bx
2. Regressi Kuadratik Ỹ = a + bx + cx2
3. Parabola kubik Ỹ = a + bx + cx2 + dx3
4. Eksponen Ỹ = a + bx* 5. Geometrik Ỹ = ax
6. Gompertz Ỹ = pq 1
7. Logistik Ỹ = --- ab* + c
1
Contoh Hasil analisis Regressi dan Korelasi
Contoh Hasil analisis Regressi dan Korelasi
R = r (Korelasi) = 0,626
R2 = R-square = Koefisien Determinasi = 0,392
Adjusted Rsquare = 0,331
Std.Error of the Estimate = 5,322055
R = r (Korelasi) = 0,626
R2 = R-square = Koefisien Determinasi = 0,392
Adjusted Rsquare = 0,331
Std.Error of the Estimate = 5,322055
Model Summaryb
.626a .392 .331 5.322055 Model
1
R R Square
Adjusted R Square
Std. Error of the Estimate
Predictors: (Constant), VAR X a.
ANALISIS KORELASI
ANALISIS KORELASI
Garis regressi dianggap parameter terbaik untuk sekumpulan data berbentuk linier.
Besarnya derajat hubungan antara variabel
independen dengang dependennya
(variabel x dan Y), dinyatakan “r“ yang dikenal dengan Koefisien korelasi , yang diberi simbol dengan “ R “.
Garis regressi dianggap parameter terbaik untuk sekumpulan data berbentuk linier.
Besarnya derajat hubungan antara variabel
independen dengang dependennya
RUMUS KOEFISIEN DETERMINASI
R
2RUMUS KOEFISIEN DETERMINASI
R
2Keterangan :
R
2= Koefisien Determinasi (Koefisien
penentu)
= R Square
(R
2)
Keterangan :
R
2= Koefisien Determinasi (Koefisien
penentu)
= R Square
(R
2)
RUMUS KORELASI ‘r’ atau R
RUMUS KORELASI ‘r’ atau R
Keterangan :
r atau R2 = Koefisien Korelasi
Rumus Bentuk lain : Keterangan :
r atau R2 = Koefisien Korelasi
• Hasil Print Out Analisis Regressi
---Variabel in Equation
---Variabel B SE B Beta T Sig.T
S A L B E G 1 . 9 0 9 4 5 0 0 . 0 4 7 4 1 0 0 . 8 8 0 1 1 7 4 0 . 2 7 6 0 . 0 0 0 0 ( C o n s t a n t ) 7 7 1 . 2 8 2 3 0 3 9 5 5 . 4 7 1 9 4 1 2 . 1 7 0 0 . 0 3 0 5
--
---• Hasil Print Out Analisis Regressi
---Variabel in Equation
---Variabel B SE B Beta T Sig.T
S A L B E G 1 . 9 0 9 4 5 0 0 . 0 4 7 4 1 0 0 . 8 8 0 1 1 7 4 0 . 2 7 6 0 . 0 0 0 0 ( C o n s t a n t ) 7 7 1 . 2 8 2 3 0 3 9 5 5 . 4 7 1 9 4 1 2 . 1 7 0 0 . 0 3 0 5
---
-Kofisien [B]
→
(Constant) “ a “ = Intercept
B = slope “b” (salbeg) dari hasil analisis regressi.
Kofisien [B]
→
(Constant) “ a “ = Intercept
B = slope “b” (salbeg) dari hasil
analisis regressi.
INTERPRTASI HASIL PRINT OUT
KOMPUTER
[BETA]
Koefisien Regressi Terstandarisasi.ialah koefisien regressi β1 apabila variabel x dan y diekspresikan sebagai “skor standar” (Z – score)
Diperoleh dengan menggunakan rumus :
Sx Beta = β1 Sy
Ket :
• Sx : ialah standar deviasi dari variabel X
• Sy : ialah standar deviasi dari variabel Y
[SE B]
Estimasi standar Errorialah estimasi standar error dari “β1β0” untuk populasi
[BETA]
Koefisien Regressi Terstandarisasi.ialah koefisien regressi β1 apabila variabel x dan y diekspresikan sebagai “skor standar” (Z – score)
Diperoleh dengan menggunakan rumus :
Sx Beta = β1 Sy
Ket :
• Sx : ialah standar deviasi dari variabel X
• Sy : ialah standar deviasi dari variabel Y
[SE B]
Estimasi standar Error[T dan Sig.T]
Uji Hipotesi
ialah uji hipotesis mengenai ada
atau tidaknya hubungan linier
antara variabel X dan variabel Y.
atau “slope dari regressi populasi
(β
1) = 0
Rumus yang digunakan :
β
1
t
=S
β1[T dan Sig.T]
Uji Hipotesi
ialah uji hipotesis mengenai ada
atau tidaknya hubungan linier
antara variabel X dan variabel Y.
atau “slope dari regressi populasi
(β
1) = 0
Rumus yang digunakan :
β
1Apabila tidak ada hubungan linier antara variabel X dan varibel Y maka data dari sampel akan berdistribusi “student’s t”, dengan derajat kebebasan N – 2 .
Uji statistik yang digunakan untuk menguji bahwa intercept (β0) = 0 ialah :
β0
t = Sβ0
Apabila tidak ada hubungan linier antara variabel X dan varibel Y maka data dari sampel akan berdistribusi “student’s t”, dengan derajat kebebasan N – 2 .
Uji statistik yang digunakan untuk menguji bahwa intercept (β0) = 0 ialah :
β0
GENERAISASI SAMPEL THDP POPULASI
GENERAISASI SAMPEL THDP POPULASI
Untuk melakukan penarikan
kesimpulan umum berdasarkan
hasil analisis data sampel
terhadap parameter populasi, maka hasil analisis yang telah
dilakukan harus memenuhi
Asumsi “ LINE ”. Yakni :
Linearity,
Independency, Normality,
Equality variance.
Untuk melakukan penarikan
kesimpulan umum berdasarkan
hasil analisis data sampel
terhadap parameter populasi,
maka hasil analisis yang telah
dilakukan harus memenuhi
Asumsi “ LINE ”. Yakni :
Linearity,
Independency, Normality,
LINEARITY
ialah nilai-nilai mean seluruhnya terletak pada garis lurus yang merupakan garis regressi populasi
Yi = β0 + β1Xi + ei → dimana ei diasumsikan berdistribusi normal independen dengan mean = 0 dan varians = σ²
Penilaian dilakukan melalui hasil uji regressi yakni : (T dan Sig. T)
T ≥ 1,645
Signif. (p < 0,05)
LINEARITY
ialah nilai-nilai mean seluruhnya terletak pada garis lurus yang merupakan garis regressi populasi
Yi = β0 + β1Xi + ei → dimana ei diasumsikan
berdistribusi normal independen dengan mean = 0 dan varians = σ²
Penilaian dilakukan melalui hasil uji regressi yakni : (T dan Sig. T)
T ≥ 1,645
INDEPENDENCY
secara statistik maka variabel Y harus independen antara satu dengan lainnya.
Terjadinya Independency data dalam sampeldinilai melaluiuji “ Durbin-Watson” ‘ D ‘. dimana :
Harga D berkisar antara 0 – 4
Jika residual berkorelasi D mendekati 2 Jika Residual berkorelasi positif D < 2 Jika Residual berkorelasi negatif D > 2
INDEPENDENCY
secara statistik maka variabel Y harus independen antara satu dengan lainnya.
Terjadinya Independency data dalam sampeldinilai melaluiuji “ Durbin-Watson” ‘ D ‘. dimana :
Harga D berkisar antara 0 – 4
NORMALITY.
ialah untuk setiap nilai variabel independen X maka variabel dependen Y akan berdistribusi normal dengan mean
→
= μy/x dan variance konstan = σ²
Penilaian dilakukan melalui uji :
KS
PP plot
Bentuk Kurva normal
NORMALITY.
ialah untuk setiap nilai variabel independen X maka variabel dependen Y akan berdistribusi normal dengan mean
→
= μy/x dan variance konstan = σ²
Penilaian dilakukan melalui uji :
KS
PP plot
EQUALITY VARIANCE
ialah untuk setiap nilai variabel independen X
maka variabel dependen Y akan berdistribusi →
normal dengan mean = μy/x dan variance konstan = σ²
Penilaian dilakukan melalui :
Uji Levene Uji F Ratio
EQUALITY VARIANCE
ialah untuk setiap nilai variabel independen X maka variabel dependen Y akan berdistribusi →
normal dengan mean = μy/x dan variance konstan = σ²
Penilaian dilakukan melalui :
PENETAPAN BAIK TIDAKNYA
MODEL
PENETAPAN BAIK TIDAKNYA
MODEL
Baik tidaknya model Garis regressi yang diperoleh dari hasil analisis data dinilai melalui : “GOODNESS OF FIT“, Ialah salah satu prosedur statistik yang digunakan untuk menentukan/menetapkan seberapa baik suatu model yang dipilih berdasarkan data sampel dan memang sesuai dengan keadaan nyata pada populasi.
Komponen penting yang menjadi penilaian goodness of fit ialah :
[R Square = R² ] Koefisien Determinasi.
Ialah ukuran goodness of fit yang digunakan untuk menentukan model linier untuk satu persamaan garis lurus.
Niali dari R² ini berada diantara 0 sampai dengan 1.
0 = berarti nilai observasi tidak ada / sebagian kecil saja jatuh pada garis regressi.
1 = berarti seluruh nilai observasi terletak pada garis regressi.
Komponen penting yang menjadi penilaian goodness of fit ialah :
[R Square = R² ] Koefisien Determinasi.
Ialah ukuran goodness of fit yang digunakan untuk menentukan model linier untuk satu persamaan garis lurus.
Niali dari R² ini berada diantara 0 sampai dengan 1.
0 = berarti nilai observasi tidak ada / sebagian kecil saja jatuh pada garis regressi.
Multiple R
Ialah banyaknya persentase (%)
variabilitas variabel dependen Y yang
dapat diterangkan oleh variabel
independen X.
Adjusted R Square.
ialah koreksi dari R² sehingga
gambarannya lebih mendekati model
dalam populasi.
Multiple R
Ialah banyaknya persentase (%)
variabilitas variabel dependen Y yang
dapat diterangkan oleh variabel
independen X.
Adjusted R Square.
Penilaian Goodness of Fit
---
---Multiple R 0.88012
R Square 0.77461
Adjusted R Square 0.77413
Standar error 3246.14226
---
---Penilaian Goodness of Fit
---
---Multiple R 0.88012
R Square 0.77461
Adjusted R Square 0.77413
Standar error 3246.14226
---REGRESSI LINIER
BERGANDA
REGRESSI LINIER
BERGANDA
Adalah model hubungan antara beberapa variabel independen dengan variabel independen melalui pendekatan garis lurus. Garis regressi dianggap parameter terbaik untuk sekumpulan data berbentuk linier.
Besarnya derajat hubungan antara variabel
independen dengang dependennya
(variabel x dan Y), dinyatakan “r“ yang dikenal dengan Koefisien korelasi , yang diberi simbol dengan “ R “.
Adalah model hubungan antara beberapa variabel independen dengan variabel independen melalui pendekatan garis lurus. Garis regressi dianggap parameter terbaik untuk sekumpulan data berbentuk linier.
Besarnya derajat hubungan antara variabel
independen dengang dependennya
Ỹ = β
o+ β
1+ β
2+ β
3+ ... β
n+ e
Ỹ = β
o+ β
1+ β
2+ β
3+ ... β
n+ e
MODEL PERSMAAN REGRESSI
LINIER BERGANDA
MODEL PERSMAAN REGRESSI
LINIER BERGANDA
Keterangan :
Ỹ = Variabel Dependen
β
o= Interceps
MODEL KURVA PERSMAAN
REGRESSI LINIER BERGANDA
MODEL KURVA PERSMAAN
REGRESSI LINIER BERGANDA
Var. X2 Var. X3 Var. X4 Var. Y
Yi ei
βo + β1
x
βo + β1 x
Bagian terpenting dari prosedur statistik ialah menilai ‘seberapa baik model asumsi teoritis’ berkesesuaian dengan model statistik yang ditetapkan melalui persamaan regressi linier (sederhana / berganda) yang dikenal dengan ‘’Goodness of Fit “
Untuk menetapkan “Fit atau tidaknya variabel independen terhadap dependen dalam model asumsi”, dapat dinilai melalui persamaan Regressi linier sederhana maupun berganda.
Bagian terpenting dari prosedur statistik ialah menilai ‘seberapa baik model asumsi teoritis’
berkesesuaian dengan model statistik yang ditetapkan melalui persamaan regressi linier (sederhana / berganda) yang dikenal dengan
‘’Goodness of Fit “
Untuk menetapkan “Fit atau tidaknya variabel independen terhadap dependen dalam model asumsi”, dapat dinilai melalui persamaan Regressi linier sederhana maupun berganda.
PRINSIP PENERAPAN
Data Sampel yang dianalisis harus diperoleh dari populasi menurut prinsip random.
Hasil uji regressi linier yang diperoleh dimaksudkan untuk melakukan generalisasi terhadap :
Sampel dan Populasi
Data Sampel yang dianalisis harus diperoleh dari populasi menurut prinsip random.
Hasil uji regressi linier yang diperoleh dimaksudkan untuk melakukan generalisasi terhadap :
Sampel dan Populasi
PRINSIP PENERAPAN
Hanya berlaku untuk sampel dan tidak dapat
digunakan untuk menarik kesimpulan
populasi.
Kesimpulan yang ditarik hanya dimaksudkan
untuk menarik kesimpulan terhadap
kebenaran model asumsi /desain.
Jumlah sampel yang dibutuhkan harus memenuhi persyaratan distribusi normal (± 30 sampel).
Hanya berlaku untuk sampel dan tidak dapat digunakan untuk menarik kesimpulan populasi.
Kesimpulan yang ditarik hanya dimaksudkan untuk menarik kesimpulan terhadap kebenaran model asumsi /desain.
Jumlah sampel yang dibutuhkan harus memenuhi persyaratan distribusi normal (± 30 sampel).
Generalisasi Sampel
Diperoleh melalui data sampel, yang
ditarik secara random
Didasarkan pada 4 asumsi utama yang
dikenal dengan prinsip “LINE“ Yakni :
Linearity
Independency
Normality
Equality variance
Diperoleh melalui data sampel, yang
ditarik secara random
Didasarkan pada 4 asumsi utama yang
dikenal dengan prinsip
“LINE“
Yakni :
L
inearity
I
ndependency
N
ormality
E
quality variance
Generalisasi Populasi
Nilai-nilai mean populasi (µY/x) semuanya terletak pada garis lurus.
Nilai rata-rata variabel dependen (Y) untuk setiap kombinasi tertentu variabel Indpenden (X1, X2, …Xn) merupakan sebuah “fungsi linier“ dari (X1, X2, … Xn,)
Akibatnya setiapkali memasukkan sebuah variabel independen ke dalam model asumsi, maka modelnya harus dapat dijelaskan dengan model persamaan :
Y = βo + β1X1 + e1
Nilai-nilai mean populasi (µY/x) semuanya terletak pada garis lurus.
Nilai rata-rata variabel dependen (Y) untuk setiap kombinasi tertentu variabel Indpenden (X1, X2, …Xn) merupakan sebuah “fungsi linier“
dari (X1, X2, … Xn,)
Akibatnya setiapkali memasukkan sebuah variabel independen ke dalam model asumsi, maka modelnya harus dapat dijelaskan dengan model persamaan :
Y = βo + β1X1 + e1
Linearity
Nilai R square (R2) = Koeficien Determinasi dimana :
R2 = 0, berarti tidak ada hubungan linier .
R2 = 1 berarti terdapat hubungan linier sempurna
Koefisien korelasi “b” (slope)
Dinilai melalui Uji F (F > 4,74; dengan Sign. p < 0.005
Nilai hasil uji student ‘t’ test.
Dinilai melalui nilai t ≥ 2,576 dengan tingkat signifikansi (p < 0,005)
Nilai Scatter plot
Berupa garis lurus antara variabel dependen (Y) dengan variabel Independen (X1, X2, …Xn).
Nilai R square (R2) = Koeficien Determinasi
dimana :
R2 = 0, berarti tidak ada hubungan linier .
R2 = 1 berarti terdapat hubungan linier sempurna
Koefisien korelasi “b” (slope)
Dinilai melalui Uji F (F > 4,74; dengan Sign. p < 0.005
Nilai hasil uji student ‘t’ test.
Dinilai melalui nilai t ≥ 2,576 dengan tingkat signifikansi (p < 0,005)
Nilai Scatter plot
Berupa garis lurus antara variabel dependen (Y) dengan variabel Independen (X1, X2, …Xn).
Nilai R square (R
2) dan Slope (b)
Nilai R square (R
2) dan Slope (b)
Model Variabel Multipl e R
K-Responsivenees 0,809 0,654 0,652 0,654 349,3
16 0,000
K-Responsiveness + K –
Emphaty 0,873 0,761 0,759 0,108 82,860 0,000
K-Responsiveness + K –
Emphaty + K-Tanggibel 0,891 0,794 0,791 0,033 29,139 0,000
K-Responsiveness + K – Emphaty + K-Tanggibel + K-Reliability
0,902 0,814 0,810 0,020 19,94
5 0,000
K-Responsiveness + K – Emphaty + K-Tanggibel + Reliability +
K-Assurance
0,908 0,825 0,820 0,010 10,72
Nilai Student ‘t’ test dan signif.
Nilai Student ‘t’ test dan signif.
Model Variabel Unstandardized Coefcient Standardized
Coefcient t Signif
B Std.
Error Beta
(Constant)
K-Responsivenees 28.1033.369 2.7540.180 0.809 10.20518.690 0.0000.000
Penilaian linier tidaknya data yang
diperoleh melaluis sampel dapat juga
dinilai melalui “ Plot Probabilty Normal “.
Dalam plot ini masing-masing nilai
harapan dari variabel (kepuasan pasien)
diplot
dengan
nilai
observasi
(standardized
observe
value)
dari
distribusi normal.
Hasilnya pada kurva berikut :
Penilaian linier tidaknya data yang
diperoleh melaluis sampel dapat juga
dinilai melalui
“ Plot Probabilty Normal “.
Dalam plot ini masing-masing nilai
harapan dari variabel
(kepuasan pasien)
diplot
dengan
nilai
observasi
(standardized
observe
value)
dari
distribusi normal.
Hasilnya pada kurva berikut :
Scatter Plot
Scatter Plot
Penilaian kenormalan data melalui “ Plot
Probabilty Normal “. Memberikan hasil
yang nyata, tetapi masih diperlukan uji
hipotesis untuk membuktikannya.
Ada dua jenis uji hipotesis yang cukup
terkenal ialah:
Uji Shapiro-Wilks
Uji Liliefors.
Penilaian kenormalan data melalui
“ Plot
Probabilty Normal “.
Memberikan hasil
yang nyata, tetapi masih diperlukan uji
hipotesis untuk membuktikannya.
Ada dua jenis uji hipotesis yang cukup
terkenal ialah:
Uji Shapiro-Wilks
Uji Liliefors.
Scatter Plot
Uji Liliefors
digunakan bilamana mean dan varians tidak diketahui tetapi harus diestimasi dari data.
Uji Shafiro-Wilks
memberikan hasil yang lebih baik dalam banyak situasi dibandingkan dengan uji normalitas lainnya.
Penolakan hipotesis yang mengatakan sampel berasal dari populasi normal, didasarkan pada tingkat signifikansi yang lebih kecil ( p < 0,05)
Uji linearitas lainnya yang sering digunakan ialah “Normal P-P plot of Regression standardized Residual”.
Uji Liliefors
digunakan bilamana mean dan varians tidak diketahui tetapi harus diestimasi dari data.
Uji Shafiro-Wilks
memberikan hasil yang lebih baik dalam banyak situasi dibandingkan dengan uji normalitas lainnya.
Penolakan hipotesis yang mengatakan sampel
berasal dari populasi normal, didasarkan pada tingkat signifikansi yang lebih kecil ( p < 0,05)
Uji linearitas lainnya yang sering digunakan ialah
“Normal P-P plot of Regression standardized Residual”.
Scatter Plot
Scatter Plot
Scatter Plot
Scatter Plot
Scatter Plot
Pengamatan - pengamatan terhadap variabel dependen (Y) tidak tergantung antara satu dengan lainnya.
Penilian terhadap indpendency ini dilakukan melalui :
Plot-plot yang terstandarisasi. Apabila terjadi independency maka plot dengan pola tertentu tidak akan didapatkan.
Pengamatan - pengamatan terhadap variabel dependen (Y) tidak tergantung antara satu dengan lainnya.
Penilian terhadap indpendency ini dilakukan melalui :
Plot-plot yang terstandarisasi. Apabila terjadi independency maka plot dengan pola tertentu tidak akan didapatkan.
INDEPENDENCY
Menggunakan statistik “Durbin-Watson”. (adalah statistik untuk uji korelasi serial dari hubunga error yang berdekatan).
Interpretasi hasil uji Dubin Watson:
Nilai “d” berkisar antara 0 – 4
Apabila residual-residual tidak berkorelasi antara satu dengan lainnya maka nilai “d” mendekati 2
Apabila berkorelasi positif maka nilai “d“ lebih kecil dari 2 (asumsi Independency dilangar)
Apabila berkorelasi negatif maka nilai “d” lebih besar dari 2. (Asumsi Indepndency tidak dilanggar)
Menggunakan statistik “Durbin-Watson”.
(adalah statistik untuk uji korelasi serial dari hubunga error yang berdekatan).
Interpretasi hasil uji Dubin Watson: Nilai “d” berkisar antara 0 – 4
Apabila residual-residual tidak berkorelasi antara satu dengan lainnya maka nilai “d” mendekati 2
Apabila berkorelasi positif maka nilai “d“ lebih kecil dari 2 (asumsi Independency dilangar)
Apabila berkorelasi negatif maka nilai “d” lebih besar dari 2. (Asumsi Indepndency tidak dilanggar)
INDEPENDENCY
Scatter Plot Standardized Predictive Value (Independency)
Statistik Dubin-Watson
Statistik Dubin-Watson
Model Variabel Multipl e R
Perubahan Nilai
Statistik Statistik
K-Responsivenees 0,809 0,654 0,652 0,654 349,31
6 0,000 K-Responsiveness
+ K –Emphaty
0,873 0,761 0,759 0,108 82,860 0,000
K-Responsiveness + K –Emphaty + K-Tanggibel
0,891 0,794 0,791 0,033 29,139 0,000
K-Responsiveness + K –Emphaty + Tanggibel + K-Reliability
0,902 0,814 0,810 0,020 19,945 0,000
K-Responsiveness + K –Emphaty + Tanggibel + Reliability + K-Assurance
0,908 0,825 0,820 0,010 10,722 0,001 2,048
Nilai Stat. Dubin-Watson ‘d’ > 2 (korelasi negatif ) berarti tidak berkorelasi (Independency)
Nilai Stat. Dubin-Watson ‘d’ > 2 (korelasi negatif )
Dengan normalitas,dimaksudkan bahwa setiap kombinasi pasangan variabel independen (X1, X2,… Xk) dengan variabel dependennya (Y) akan selalu membentuk distribusi normal.
Asumsi ini memungkinkan penilaian
kemaknaan statistik antara variabel (X) dan (Y).
“Dalam analisis regressi asumsi normalitas ini sangat penting dijaga (tidak boleh dilanggar) agar kesimpulan yang ditarik dapat diandalkan dan akurat”.
Dengan normalitas,dimaksudkan bahwa setiap kombinasi pasangan variabel independen (X1, X2,… Xk) dengan variabel dependennya (Y) akan selalu membentuk distribusi normal.
Asumsi ini memungkinkan penilaian kemaknaan statistik antara variabel (X) dan (Y).
“Dalam analisis regressi asumsi normalitas ini sangat penting dijaga (tidak boleh dilanggar)
agar kesimpulan yang ditarik dapat diandalkan dan akurat”.
NORMALITY
Pelanggaran terhadap asumsi normalitas ini mengakibatkan kesimpulan yang ditarik menjadi tidak akurat.
Penilaian Normality didasarkan pada hasil uji : Nilai parameter
(Mean, Median, dan Modus) Bentuk Kurva
(Normal, Skewness, Kurtosis) Uji Normality
Normal P-P Plot. Normal Q-Q Plot
Uji Kolmogorov Smirnov
Pelanggaran terhadap asumsi normalitas ini mengakibatkan kesimpulan yang ditarik menjadi tidak akurat.
Penilaian Normality didasarkan pada hasil uji :
Nilai parameter
(Mean, Median, dan Modus)
Bentuk Kurva
(Normal, Skewness, Kurtosis)
Uji Normality
Normal P-P Plot. Normal Q-Q Plot
Uji Kolmogorov Smirnov
Penilaian Normality
Nilai Deskriptip variabel Dependen
Nilai Deskriptip variabel Dependen
NO PARAMETER STATISTIK NILAI PARAMETER
1 Jumlah Sampel 187
2 Mean 78.77
3 Median 80.00
4 Modus 88
5 Standar Deviasi 11.246 6 Variance 126.479 7 Skewness - 0,084 8 Kurtosis -0.480 9 Standard Error of
Skewness 0,178 10 Standard Error of
Skewness Coeficien Pearson (SKP)
0 = Dapat didekati dengan distribusi Normal < -3 Skewness negatif
> +3 Skewness positif
Koefisien Kurtosis Persentik ( K ) Dibaca (Kappa).
Penilaian : K ≥ 0,263 Dapat didekati dengan distribusi normal.
Skewness Coeficien Pearson (SKP)
0 = Dapat didekati dengan distribusi Normal < -3 Skewness negatif
> +3 Skewness positif
Koefisien Kurtosis Persentik ( K ) Dibaca
(Kappa).
Penilaian : K ≥ 0,263 Dapat didekati dengan distribusi normal.
Standar penilaian kurva normal
Kurva distrubsi data observasi
Kurva distrubsi data observasi
Mean = 78.77 Median = 80 Modus = 88
Skewness = - 0.084 < - 3 (Skew. to the left) Kurtosis = - 0.480 < 3 (Platy Kurtis)
Mean = 78.77 Median = 80 Modus = 88
Skewness = - 0.084 < - 3 (Skew. to the left)
Yang dipersyaratkan harus memenuhi
asumsi distribusi normal ialah variabel
dependennya. (Kepuasan pasien)
Kadang-kadang
distribusi
variabel
dependen
(faktor
regressi)
tidak
memenuhi syarat (tidak berdistribusi
normal) tetapi Residualnya (Bukan
faktor regressi) tetap berdistribusi
normal.
Yang dipersyaratkan harus memenuhi
asumsi distribusi normal ialah
variabel
dependennya.
(Kepuasan pasien)
Kadang-kadang
distribusi
variabel
dependen
(faktor
regressi)
tidak
memenuhi syarat (tidak berdistribusi
normal) tetapi
Residualnya (Bukan
faktor regressi)
tetap berdistribusi
normal.
Faktor Regressi dan Residual
Kurva distribusi nilai residual terstandarisasi Kurva distribusi nilai residual terstandarisasi
Hasil analisis residual yang terstandarisasi terlihat tidak normal oleh karena data terkumpul dititik tengah selanjutnya tersebar kearah kiiri kurva (Skewness negatif).
Normal P-P Plot of Kepuasan pasien Normal P-P Plot of Kepuasan pasien
Prinsip : Nilai observasi diplot dengan nilai harapan (expeted) dari distribusi normal.
Penilaian: Distribusi normal apabila nilai plot terkumpul disepanjang garis lurus.
Prinsip : Nilai observasi diplot dengan nilai harapan (expeted) dari distribusi normal.
Detrended Normal P-P Plot of Kepuasan pasien Detrended Normal P-P Plot of Kepuasan pasien
Prinsip : Nilai deviasi yang sebenarnya diplot disekitar garis lurus. (Destrended Normal P-P Plot).
Penilaian: Distribusi normal apabila nilai plot terkumpul disepanjang garis lurus melalui titik nol, dan tidak berpola
Prinsip : Nilai deviasi yang sebenarnya diplot disekitar garis lurus. (Destrended Normal P-P Plot).
Normal Q-Q Plot of Kepuasan pasien Normal Q-Q Plot of Kepuasan pasien
Prinsip : Nilai standardized observasi diplot dengan nilai harapan (expeted) dari distribusi normal.
Penilaian: Distribusi normal apabila nilai plot terkumpul disepanjang garis lurus.
Prinsip : Nilai standardized observasi diplot dengan nilai harapan (expeted) dari distribusi normal.
Detrended Normal Q-Q Plot of Kepuasan pasien Detrended Normal Q-Q Plot of Kepuasan pasien
Prinsip : Nilai deviasi yang sebenarnya diplot disekitar garis lurus. (Destrended Normal Q-Q Plot).
Penilaian: Distribusi normal apabila nilai plot terkumpul disepanjang garis lurus melalui titik nol, dan tidak berpola
Prinsip : Nilai deviasi yang sebenarnya diplot disekitar garis lurus. (Destrended Normal Q-Q Plot).
Uji Kolmogorov –Smirnov. (K-S)
Uji Kolmogorov –Smirnov. (K-S)
UJI NORMALITY ( One sample kolmogorov-Smirnov)
Variabel Kepuasan pasien
Parameter statitik
Hasil
Jumlah sampel 187 Normal Parameters Mean 78.77
Std. Deviation 11.246 Most Extreme
Diferences
Absolute .078
Positive .045 Negative -.078
Kolmogorov-Smirnov -Z
1.070
Asymp. Sig.
EQUALITY VARIANCE
EQUALITY VARIANCE
Penilaian terhadap kesamaan variance (equality variance) berangkat dari asumsi :
Masing-masing grup (kelompok) data
merupakan sampel random yang berasal dari populasi normal.
Didalam polulasi, varians dari grup-grup tersebut sama.
Penilaian terhadap kesamaan varians dalam grup dilakukan melalui :
Uji Levene Rasio F
Penilaian terhadap kesamaan variance (equality variance) berangkat dari asumsi :
Masing-masing grup (kelompok) data merupakan sampel random yang berasal dari populasi normal.
Didalam polulasi, varians dari grup-grup tersebut sama.
Penilaian terhadap kesamaan varians dalam grup dilakukan melalui :
Equality Variance
Equality Variance
Penilaian terhadap kesamaan variance (equality variance) berangkat dari asumsi :
Masing-masing grup (kelompok) data
merupakan sampel random yang berasal dari populasi normal.
Didalam polulasi, varians dari grup-grup tersebut sama.
Penilaian terhadap kesamaan varians dalam grup dilakukan melalui :
Uji Levene Rasio F
Penilaian terhadap kesamaan variance (equality variance) berangkat dari asumsi :
Masing-masing grup (kelompok) data merupakan sampel random yang berasal dari populasi normal.
Didalam polulasi, varians dari grup-grup tersebut sama.
Penilaian terhadap kesamaan varians dalam grup dilakukan melalui :
Hasil uji Levene
Hasil uji Levene
Variabel Independen
Test of Homogeneity of Variance Kepuasan pasien
Levene
Statistic DF1 DF2 Signif
Tanggible 1.458 10 175 0.159 Emphaty 1.709 11 174 0.075 Responsivenes
s 3.226 12 172 0.000 Reliability 1.709 11 174 0.075 Assurance 1.800 9 175 0.071
Terdapat satu Variabel yakni (Responsiveness) memberikan hasil signifikansi (p = 0.000 < 0.05)
berarti variansnya tidak homogen
Terdapat satu Variabel yakni (Responsiveness)
memberikan hasil signifikansi (p = 0.000 < 0.05)
Equality Variance
K-Responsiveness + K – Emphaty
K-Responsiveness + K – Emphaty + K-Tanggibel
K-Responsiveness + K – Emphaty + K-Tanggibel + K-Reliability
K-RESUME LINE
EQUALITY VARIANCE
RESIDUAL
Dalam analisis regressi, “Error” yang sebenarnya (ei) diasumsikan menjadi harga normal Independen dengan mean = 0 dan varians konstan (σ2).
Apabila model cocok dengan data, maka nilai (Ei) yang merupakan estimasi error yang sebenarnya dari (ei), seharusnya mempunyai karakteristik yang sama.
RESIDUAL
Dalam analisis regressi, “Error” yang sebenarnya (ei) diasumsikan menjadi harga normal Independen dengan mean = 0 dan varians konstan (σ2).
Apabila model cocok dengan data, maka nilai (Ei) yang merupakan estimasi error yang sebenarnya dari (ei), seharusnya mempunyai karakteristik yang sama.
MEMERIKSA PELANGGARAN ASUMSI
Memeriksa Pelanggaran Asumsi
Memeriksa Pelanggaran Asumsi
RESIDUAL
Beberapa terminologi residual yang terdapat didalam analisis regressi adalah :
*ZPRED = Harga-harga prediksi yang distandarisasi
*PRED = Harga-harga prediksi yang tidak distandarisasi
*SEPRED = Error standar dari harga prediksi mean
*ADJPRED = Harga Prediksiyang di - adjust
*ZRESID = Residual yang distandarisasi
*RESID = Residual yang tak distandarisasi
*DRESID = Redual Deleted
*SRESID = Redual Deleted
*SDRESID = Studentized Deleted residual
Residual adalah selisih antara harga observasi dengan harga yang diprediksi oleh model
Terdiri dari dua:
*ZRESID (Standardized Residual) = Residual yang distandarisasi Residual dibagi dengan standar deviasi sampel dari residual
*SRESID (Studentized Residual) Residual dibagi dengan estimasi standard deviasi.
Dianggap terbaik karena merefleksikan perbedaan-perbedaan yang lebih tepat mengenai varians-varians error yang sebenarnya dari titik ke titik.
Residual adalah selisih antara harga observasi dengan harga yang diprediksi oleh model
Terdiri dari dua:
*ZRESID (Standardized Residual) = Residual yang distandarisasi Residual dibagi dengan standar deviasi sampel dari residual
*SRESID (Studentized Residual) Residual dibagi dengan estimasi standard deviasi.
Dianggap terbaik karena merefleksikan perbedaan-perbedaan yang lebih tepat mengenai varians-varians error yang sebenarnya dari titik ke titik.
Memeriksa Pelanggaran Asumsi
Untuk menilai terjadinya pelanggaran asusmi LINE untuk LINEARITY dilakukan plot antara studentized Residual dengan Standardized
Predictive value.
Bila asumsi Linearitas dilanggar maka hasil observasi membentuk pola lain selain garis lurus,
Bila tidak terjadi pelanggaran asumsi maka nilai observasi terkumpul disepanjang garis lurus. seperti telihat pada gambar berikut :
Untuk menilai terjadinya pelanggaran asusmi
LINE untuk LINEARITY dilakukan plot antara studentized Residual dengan Standardized
Predictive value.
Bila asumsi Linearitas dilanggar maka hasil observasi membentuk pola lain selain garis lurus,
Bila tidak terjadi pelanggaran asumsi maka nilai observasi terkumpul disepanjang garis lurus. seperti telihat pada gambar berikut :
Linearitas
Hasil Plot stuntized dengan standardized Predictive value
Contoh : Pelanggaran asumsi linearitas
Hasil Plot stuntized dengan standardized Predictive value
Hasil Plot stuntized dengan standardized Predictive value
Contoh : Bukan pelanggaran asumsi linearitas
Hasil Plot stuntized dengan standardized Predictive value
Untuk menilai terjadinya pelanggaran asusmi LINE untuk INDEPENDENCY dilakukan
melalui Uji Statistik “DURBIN- WATSON”
Bila asumsi Independency dilanggar maka hasil uji yang diperoleh memberikan nilai “D“ lebih kecil dari 2
Bila asumsi independency tidak dilanggar maka nilai “D” lebih besar dari 2.
Untuk menilai terjadinya pelanggaran asusmi
LINE untuk INDEPENDENCY dilakukan melalui Uji Statistik “DURBIN- WATSON”
Bila asumsi Independency dilanggar maka hasil uji yang diperoleh memberikan nilai “D“ lebih kecil dari 2
Bila asumsi independency tidak dilanggar
maka nilai “D” lebih besar dari 2.
Independency
Untuk menilai terjadinya pelanggaran asusmi LINE untuk “ NORMALITY “ dilakukan melalui beberapa Uji Statistik :
Bentuk kurva P-P Plot
Q-Q Plot Uji KS
Bila asumsi Normality dilanggar maka nilai Uji tersebut menyimpan dari nilai normal.
Uji yang paling baik Uji KS Signif bila nilai p ≤ 0.05
Untuk menilai terjadinya pelanggaran asusmi LINE untuk “ NORMALITY “ dilakukan melalui beberapa Uji Statistik :
Bentuk kurva P-P Plot
Q-Q Plot Uji KS
Bila asumsi Normality dilanggar maka nilai Uji tersebut menyimpan dari nilai normal.
Uji yang paling baik Uji KS Signif bila nilai p ≤ 0.05
Normality
Untuk menilai terjadinya pelanggaran asusmi LINE untuk “ EQUALITY VARIANCE “ dilakukan melalui beberapa Uji Statistik :
Rasio F.
Penilaian : F> 4,75 dengan signif. p≤0,05 P-P Plot
Q-Q Plot
terhadap residual Studentized terhadap harga Prediksi.
Untuk menilai terjadinya pelanggaran asusmi LINE untuk “ EQUALITY VARIANCE “ dilakukan melalui beberapa Uji Statistik :
Rasio F.
Penilaian : F> 4,75 dengan signif. p≤0,05 P-P Plot
Q-Q Plot
terhadap residual Studentized terhadap harga Prediksi.
Equalilty variance
MENEMPATKAN OUTLIER
MENEMPATKAN OUTLIER
Outlier
adalah
kasus-kasus
dengan
residual positif dan residual negatif yang
cukup besar dari harga absolut 3.
Untuk mengetahui adanya outlier dalam
data hasil penelitian, maka perlu
dilakukan plot residual.
Hasil plot residual dapat dilihat sebagai
berikut :
Outlier
adalah kasus-kasus
dengan
residual positif dan residual negatif yang
cukup besar dari harga absolut 3.
Untuk mengetahui adanya outlier dalam
data hasil penelitian, maka perlu
dilakukan plot residual.
Hasil Plot Residual
Hasil Plot Residual
Casewise plot of standardized
residual
8 9.578 92 46.29 45.710
11 -3.234 63 78.43
-153 3.721 81 63.24 17.759
Hasil Plot Residual
Hasil Plot Residual
Dari hasil plot Residual terlihat ada 6 kasus yang memiliki resdual terstandarisasi yang lebih besar dari nilai absolut 3.
4 Diantara kasus tersebut (kasus nomor, 11, 28, 58, dan 75) memiliki nilai yang lebih kecil dari yang diprediksi oleh model.
Sedangkan lainnya memiliki nilai yang lebih besar dari rata-rata sampel
Kesimpulan :
Terdapat sejumlah fakta bahwa model tidak menjajagi secara baik untuk kasus-kasus tertentu tersebut.
Dari hasil plot Residual terlihat ada 6 kasus yang memiliki resdual terstandarisasi yang lebih besar dari nilai absolut 3.
4 Diantara kasus tersebut (kasus nomor, 11, 28, 58, dan
75) memiliki nilai yang lebih kecil dari yang diprediksi oleh model.
Sedangkan lainnya memiliki nilai yang lebih besar dari rata-rata sampel
Kesimpulan :
Apabila ditemukan cukup bukti adanya pelanggaran asumsi, “LINE”, maka ada dua strategi yang dapat ditempuh :
Membuat formulasi model alternatif “ Weighted Least Square “ (WLS).
Mentransformasi nilai variabel-variabel sehingga model yang sudah ada menjadi lebih memadai, dengan cara: Menggunakan Logarithma natural
Akar Kuadrat, atau kebalikannya. Tujuannya:
Menstabilkan varians, mendapatkan normalitas, atau Hubungan linier.
Apabila ditemukan cukup bukti adanya pelanggaran asumsi, “LINE”, maka ada dua strategi yang dapat ditempuh :
Membuat formulasi model alternatif “ Weighted Least Square “ (WLS).
Mentransformasi nilai variabel-variabel sehingga model yang sudah ada menjadi lebih memadai, dengan cara:
Menggunakan Logarithma natural
Akar Kuadrat, atau kebalikannya.
Tujuannya:
Menstabilkan varians, mendapatkan normalitas, atau Hubungan linier.
PENANGANAN PELANGGARAN ASUMSI
Untuk mengarahkan hubungan Nonlinier
ke bentuk linier, maka kemungkinannya
adalah dilakukan transformasi sbb :
Transformasi pada variabel Independen
Transformasi pada variabel Dependen
Transformai pada kedua variabel
(Independen dan Dependen).
Untuk mengarahkan hubungan Nonlinier
ke bentuk linier, maka kemungkinannya
adalah dilakukan transformasi sbb :
Transformasi pada variabel Independen
Transformasi pada variabel Dependen
Transformai pada kedua variabel
(Independen dan Dependen).
Memilih variabel untuk
ditransformasi.
Transformasi pada variabel ini, maka linearitas bisa didapatkan tanpa adanya efek pada distribusi variabel dependen, sehingga apabila variabel dependen didistribusikan secara normal dengan variabel konstan untuk masing-masing variabel (Xi) maka variabel ini akan tetap berdistribusi normal.
Transformasi pada variabel ini, maka linearitas bisa didapatkan tanpa adanya efek pada distribusi variabel dependen, sehingga apabila variabel dependen didistribusikan secara normal dengan variabel konstan untuk masing-masing variabel (Xi) maka variabel ini akan tetap berdistribusi normal.