E-book Gratis: Teknik Hitung Manual Analisis Regresi Linear Berganda Dua Variabel Bebas

Sekapur Sirih

Alhamdulillahirobbil alamiin… segala puji dan syukur ke hadirat Allah SWT, e-book ini dapat saya tulis dan pada akhirnya sampai ke tangan anda semua. Pada e-book ini saya menulis secara singkat mengenai teknik hitung manual analisis regresi linear berganda (2 variabel bebas). Motivasi saya menulis e-book ini adalah dalam upaya belajar dan berbagi dan sebagai ikhtiar saya agar sedikit ilmu yang dimiliki dapat bermanfaat bagi orang lain. Selain itu, e-book ini juga sebagai koreksi kesalahan teknis cetak yang terdapat pada buku saya yang pertama.  

  

Analisis regresi linear berganda yang dilakukan secara manual sebagaimana dijelaskan pada e-book ini oleh sebagian orang dianggap sulit. Hal ini tidaklah salah, mengingat diperlukan pemahaman perhitungan matematika yang baik, misalnya dalam menghitung nilai matriks determinan dan menyelesaikan persamaan normal dengan menggunakan metode eliminasi. Itulah mengapa pada aplikasinya kita membutuhkan bantuan software olahdata statistik, agar data statistik yang ada dapat diolah secara cepat dan tepat. Banyak tersedia software olahdata statistik, dari mulai yang berbayar hingga yang gratis (open source). Namun demikian pemahaman dasar tentang teknik analisis regresi linear berganda (yang dibahas pada e-book ini) secara manual akan sangat membantu kita dalam memahami output hasil analisis data dengan menggunakan software. 

Memperlakukan Missing Value dalam Analisis Data Statistik

Pendahuluan

Missing value (data yang hilang) merupakan informasi yang tidak tersedia pada sebuah objek atau kasus, yang terjadi disebabkan informasi untuk sesuatu tentang objek tidak diberikan, sulit dicari, atau memang informasi tersebut tidak ada.

Pada prinsipnya Missing value tidak terlalu bermasalah bagi keseluruhan data, ketika jumlahnya hanya sedikit, misal hanya 1 % dari seluruh data. Namun demikian apabila persentase data yang hilang tersebut cukup besar, maka selanjutnya perlu dilakukan pengujian apakah data statistik yang mengandung banyak missing value tersebut masih layak diproses lebih lanjut ataukah tidak. Pada penelitian sosial, missing value kerap terjadi dikarenakan responden tidak memberikan jawaban pada alternatif jawaban yang disediakan (tipe pertanyaan tertutup)

Memperlakukan missing value 

Cara memperlakukan adanya missing value dalam analisis data statistik, yaitu sebagai berikut:

1. Dengan memasukkan nilai mean dari masing-masing variabel tersebut pada cell yang mengandung missing value. Jika anda menggunakan software SPSS, maka anda dapat memanfaatkan fasilitas "Transform > Replace Missing Value". Gunakan metode "Series Mean"
2. Menghilangkan/membuang kasus atau objek yang mengandung missing value. Jika anda menggunakan software SPSS, maka anda dapat menggunakan "System Missing" pada Transform > Recode Into Same Variables
3. Menghapus variabel (kolom) yang mengandung missing value

Contoh kasus:

Dengan menggunakan contoh kasus yang terdapat dalam Bab 3 dari buku saya yang InshaAllah terbit di awal tahun 2015, diketahui data pada tabel di bawah ini:

Permasalahannya adalah pada setiap layanan yang ditawarkan, ada responden yang benar-benar enggan untuk mengeluarkan uangnya (nilai minimum 0) turut dihitung. Sehingga saya memperlakukan nilai 0 (nol) tersebut sebagai missing values, Dengan menggunakan software SPSS dan prosedur "System Missing" diketahui hasilnya sebagaimana disajikan pada tabel di bawah ini:

Silahkan anda bandingkan hasil antara Tabel 3.1 dengan Tabel 3.2. Perhatikan bahwa dengan membuang/mengeluarkan missing value, terjadi peningkatan nilai rata-rata dan penurunan nilai simpangan baku pada setiap jenis layanan.

Demikian, semoga bermanfaat.

Salam

Budi Setiawan

Skala Data Nominal

Skala Data Nominal

Setiawan, Budi (2013) menjelaskan definisi tentang skala nominal, yakni sebagai skala yang memberikan arti pada angka maupun nomor hanya sebagai label atau tanda untuk mengidentifikasi dan mengklasifikasikan objek. Dengan demikian dapat secara mudah kita pahami bahwa dalam skala Nominal, angka hanya berfungsi untuk membedakan dan sebagai simbol saja. Angka atau nomor yang lebih besar tidak mempunyai arti lebih tinggi atau lebih baik dari angka yang lebih kecil.

Definisi tersebut di atas dapat kita beri perhatian khusus pada:

1. Label/simbol, bukan angka sebenarnya
2. Membedakan
3. Tidak memiliki urutan 

Dalam melakukan analisis data statistik, kita memerlukan data berupa Angka. Sehingga dengan demikian, pada skala data Nominal pun objek variabel kita berikan kode berupa angka pada setiap opsi kategorinya.

Berikut ini saya berikan contoh yang sangat sederhana, misalnya variabel Jenis Kelamin (Gender). Pada variabel Gender memiliki dua opsi pilihan yakni: Pria dan Wanita. 

Misalkan saya beri kode: