teori analisis deskriptif
DESCRIPTION
eoitufwirtviyroutwbbrtyweobrtfybowieyrtboweotyvweyrtbovyweorbtwcueyrtvywieurtviuweritviweyrtycwpeTRANSCRIPT
Teori Analisis Deskriptifnasrul setiawan Analisis deskriptif 5 comments
Analisis Deskriptif?mungkin dari kita semua, sebenarnya buat apa sih itu analisis deskriptif?
yang penting kan analisis inferensia. yang sangat ribet akan rumus-rumus dan asumsi2
yang sangat ribet.
kali ini saya akan membahas sedikit analisis deskriptif itu bagaimana?
Sebelum masuk lebih jauh kita lihat dulu luarnya..
Menurut jenjang keilmuannya statistika dibedakan menjadi dua,
yaitu statistika deskriptif danstatistika inferensia. Statistika deskriptif
sering disebut sebagai statistika deduktif yang membahas tentang bagaimana
merangkum sekumpulan data dalam bentuk yang mudah dibaca dan cepat
memberikan informasi, yang disajikan dalam bentuk tabel, grafik, nilai
pemusatan dan nilai penyebaran.
kata para ahli, begini nih:
Iqbal Hasan (2001:7) menjelaskan bahwa statistik deskriptif adalah bagian dari
statistika yang mempelajari cara pengumpulan data dan penyajian data
sehingga mudah dipahami. Statistika deskriptif hanya berhubungan dengan hal
menguraikan atau memberikan keterangan-keterangan mengenai suatu data
atau keadaan. Dengan kata statistika deskriptif berfungsi menerangkan
keadaan, gejala, atau persoalan. Penarikan kesimpulan pada statistika
deskriptif (jika ada) hanya ditujukan pada kumpulan data yang ada.
Bambang Suryoatmono (2004:18) menyatakan Statistika deskriptif adalah
statistika yang menggunakan data pada suatu kelompok untuk menjelaskan
atau menarik kesimpulan mengenai kelompok itu saja
Menurut Sugiyono (2004:169) Analisis deskriptif adalah statistik yang digunakan
untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan
data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat
kesimpulan yang berlaku untuk umum atau generalisasi.
jadi, menurut hemat penulis. analisis deskriptif adalah bagian dari statistik yang digunakan
untuk manggambarkan atau mendeskripsikan data tanpa bermaksud mengenaralisir atau
membuat kesimpulan tapi hanya menjelaskan kelompok data itu saja
Macam-macam Statistika Deskriptif:
Ukuran Numerik
Ukuran numerik dibagi menjadi dua, yaitu ukuran pemusatan data, meliputi mean, median,
modus, serta ukuran penyebaran data, meliputi rentang, variansi, dan simpangan baku.
a) Ukuran Pemusatan
Ukuran pemusatan atau ukuran lokasi adalah beberapa ukuran yang menyatakan dimana
distribusi data tersebut terpusat. (Howell, 1982). Ukuran pemusatan berupa nilai tunggal
yang bisa mewakili suatu kumpulan data dan karakteristiknya (menunjukkan pusat dari nilai
data).
Jenis-Jenis Ukuran Pemusatan antara lain:
1. Rata-rata (Mean)
Rata-rata merupakan ukuran pemusatan yang sangat sering digunakan. Keuntungan dari
menghitung rata-rata adalah angka tersebut dapat digunakan sebagai gambaran atau wakil
dari data yang diamati. Rata-rata peka dengan adanya nilai ekstrim atau pencilan.
2. Median atau Nilai Tengah
Median merupakan suatu nilai ukuran pemusatan yang menempati posisi tengah setelah
data diurutkan
3. Modus
Modus adalah nilai yang paling sering muncul dari serangkaian data. Modus tidak dapat
digunakan sebagai gambaran mengenai data (Howell, 1982)
b) Ukuran Penyebaran Data/Dispersi (Dispersion)
Ukuran penyebaran adalah suatu ukuran baik parameter atau statistika untuk mengetahui
seberapa besar penyimpangan data. Melalui ukuran penyebaran dapat diketahui seberapa
jauh data-data menyebar dari titik pemusatannya.
Jenis-Jenis Ukuran Penyebaran antara lain:
1. Rentang (Range) (=R)
Rentang (Range) dinotasikan sebagai R, menyatakan ukuran yang menunjukkan selisih
nilai antara maksimum dan minimum. Rentang cukup baik digunakan untuk mengukur
penyebaran data yang simetrik dan nilai datanya menyebar merata. Ukuran ini menjadi
tidak relevan jika nilai data maksimum dan minimumnya merupakan nilai ekstrim
2. Variansi (Variance) (=S2 atau σ2)
Variansi (variance) dinotasikan sebagai S2 atau σ2 adalah ukuran penyebaran data yang
mengukur rata-rata kuadrat jarak seluruh titik pengamatan dari nilai tengah (meannya).
3. Simpangan Baku (=s atau )
Simpangan baku (standar deviation) dinotasikan sebagi s atau σ, menunjukkan rata-rata
penyimpangan data dari harga rata-ratanya. Simpangan baku merupan akar pangkat dua
dari variansi.
[Tutorial] Analisis deskriptif beserta interpretasi menggunakan SPSSnasrul setiawan Analisis deskriptif , SPSS 3 comments
Post kali merupakan seri lanjutan dari teori analisis deskriptif. Untuk kali ini merupakan
tutorial analisis deksriptif khususnya menggunakan SPSS. Kedepannya ddiharapkan dapat
membuat tutorial menggunakan aplikasi lain sepertieviews, stata, sas, R, dan sebagainya.
Disini menggunakan SPSS versi 20. Dalam tutorial ini mengenai deskripsi dari produksi
jagung nasional. Data diperoleh dari Badan Pusat Statistik (BPS) dari tahun 1961 hingga
tahun 2010. Datanya bisa diperoleh di akhir pastingan ini.
Langkah-langkah yang perlu dilakukan dalam analisis deskriptif menggunakan SPSS
1. Masukkan/input data kedalam SPSS, seperti berikut:
2. Klik Analyze, terus pilih Descriptive statistics dan pilih Explore. Seperti gambar di
bawah ini. Sebenarnya pilihdescriptive juga bisa. Tapi hasilnya akan sama
dengan explore. Dan pada explore itu hasilnya lebih banyak. Setelah diklik maka
akan muncul jendela sebagai berikut
3. Langkah selanjutnya pilih variabel yang digunakan, boleh lebih dari satu tinggal
diblok semaunya terus klik tanda panah yang paling atas. Maka variabel yang terpilih
akan masuk di Dependent list.
4. Setelah itu tinggal pengaturan. Klik statistic yang ada sebelah kanan. Maka akan
muncul jendela seperti ini.
o Descriptive : menampilkan deskriptif variabel, ini tujuan utama kita
o Outliers : menampilkan data yang outlier atau yang paling besar atau kecil
o Percentiles : menampilkan persentile dari data, disini juga sudah termasuk
kuartil
5. Setelah itu klik plot untuk mevisualkan data. Hasilnya seperti berikut.
o Pada boxplot, pilih yang mau di munculkan boxplot factor level, variabel
dependen atau tidak ada
o Pada bagian descriptive, pilih grafik yang mau dipilih Histogram atau Stem
and leaf
o Untuk uji normalitas pilih Normality plot with tests
6. Pada bagian Display, pilih yang akan ditampilkan statistic, plot atau keduanya.
Kemudian ok.
7. Selajutnya Setelah proses itu selesai, selajutnya ke bagian interpretasi.
Interpretasi Output
Case processing summary
Hasil tersebut menjelaskan data yang terbaca, data yang hilang dan jumlah data. Pada
hasil tersenut ,menjelaskan terdapat sepuluh data dan tidak ada data yang hilang. Artinya
data ini sudah valid dan bisa dilanjutkan ke proses selanjutnya.
Descriptive
Disini terdapat banyak informasi deskripsi dari veriabel yang digunakan:
Mean : Rata-rata
95% confidence interval : Selang kepercayaan dengan tingkat kepercayaan
95%. Lower Bound adalah batas bawah dan upper bound adalah batas atas
Median : Nilai tengah dari data
Variance : varians
Std. Deviation :Simpangan Baku
Minimum : nilai terendah dari data
Maximum : nilai tertinggi dari data
Range : jangkauan, selisih antara maximum dan minimum
Skewness : kemencengan
Kurtosis : keruncingan
Percentiles
Pada jendela tersebut menjelaskan percentile dari data tapi hanya percentile tertentu
seperti pada gambar. Selain itu disini bisa melihat kuartil.
Extreme values
Menunjukkan data-data yang paling tertinggi dan paling terendah.
Test of Normality
Uji normalitas ini untuk melihat kenormalan data. Tes ini menggunakan uji kolmogorov-
Smirnov dan Shapiro-Wilk. Yang perlu dilihat pada kolom sig yang akan menunjukkan
apakah data normal atau tidak. Jika nilai lebih kecil dari 0,05 maka keputusan datanya tidak
normal. Sebaliknya lebih besar sama dengan 0,05 maka data normal. Seperti pada contoh
ini nilai sig lebih kecil dari 0,05 maka data tidak normal.
Histogram
Grafik ini menggambarkan distribusi data. Dari contoh di atas dapat disimpulkan bahwa
produksi jagung masih sekitar 5 juta ton.
7.Stem and leaf plot
Biasa disebut grafik batang dan daun. Grafik ini sama kegunaanya dengan histogram.
Normal Q-Q plot
Grafik ini merupakan salah satu cara untuk melihat distribusi apakah normal atau tidak,
dimana jika titiknya mendekati atau mengikut garis maka datanya normal sedangkan jika
tidak mengikuti garis atau berbeda pola maka tidak normal. Sehingga contoh diatas
menunjukkan data tidak normal sesuai dengan tes normalitas yang diatas. Namun, cara ini
masih merupakan subjektifitas peneliti.
Teori Analisis regresi linear sederhananasrul setiawan Analisis regresi 2 comments
Assalamu alaikum Wr. Wb.
Sebenarnya dalam waktu dekat ini saya gak mau buat postingan. dilihat dari jam kerja saya
yang banyak bener. dalam waktu sehari itu paling tidur jam 12-an lah(rapat??? tugas???).
sebenarnya sih bukan juga, yang bikin lama itu sebenarnya mikirnya, krna tugas yang
banyak itu , contoh nih, misal sekarang lagi mau kerjakan yang satu, eh ada panggilan buat
tugas. nah jadi yang tadi ditinggalkan kembali menjadi nol lagi. itu berlanjut terus. jadi kalau
semakin banyak tugas saya maka postingan saya makin banyak gitu(by statistician galau).
emang ada hubungannya??
Sebagai statistician kita harus menguji kegalauan tersebut. sehingga kita gak galau lagi.
nah karena saya mumpung semester ini dapat mata kuliag mengenai ini.. yaitu ANALISIS
REGRESI bahasa gaoolnya ANAREG. Sekalian kita menjawab pertanyaan saya itu..
Sebenarnya ANAREG itu apa ya?? dari berbagai sumber yang saya dapatkan.
Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap
hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the
explained variabel) dengan satu atau dua variabel yang menerangkan (the
explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan
variabel kedua disebut juga sebagai variabel bebas.
Analisis regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang
lain(menurut om WIKI).
dari sana kita tahulah, bahwa analisis regresi itu adalah salah satu metode untuk
menentukan seberapa hubungan antara variabel terikat dengan varibel bebas..
Mungkin ada yang bertanya, terus apa bedanya antara regresi dengan korelasi?? kan
korelasi itu mengukur hubungan juga??? nah disini kita perlu tahu nih perbedaan antara
regresi dan korelasi.
nnti kita bilang saya pakai analis korelasi aja, karena sama-sama mencari hubungan..
ini perbedaan regresi dan korelasi:
REGRESI
Mempelajari bentuk hubungan antar variabel melalui suatu persamaan (RLS, RLB,
Regresi non Linier). Hubungan bisa berupa hubungan sebab akibat
Dapat mengukur seberapa besar suatu variabel mempengaruhi variabel lain
Dapat digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan
variabel lain
KORELASI
Mempelajari keeratan hubungan antar 2 variabel kuantitatif yang bisa dilihat dari
besarnya angka, bukan tandanya
Dapat mengetahui arah hubungan yang terjadi (berbanding lurus jika tandanya
positif, dan berbanding terbalik jika tandanya negatif)
Nilainya berkisar -1 sampai dengan 1
Tidak bisa menyatakan hubungan sebab akibat
mungkin ada yang masih bingung, saya kasih contoh aja ya. seperti dalam kasus saya,
hubungan antara banyaknya tugas dengan banyaknya postingan. mungkin kalau bagi saya
itu, saya memiliki korelasi yang sangat kuat, namun banyak tugas itu tidak bisa
menjelaskan hubungannya ke variabel banyak postingan. nah jadi saya simpulkan
saja:”Korelasi yang tinggi tidak selalu berarti bahwa suatu variabel
menyebabkan/mempengaruhi variabel yang lain”
kapan sebenarnya analisis regresi linear digunakan??
menurut hemat saya analisis regresi digunakan untuk mengetahui Hubungan antara
variabel y (data kuantitatif) dan variabel x (data kuantitatif/variabel dummy).
Asumsi-asumsi yang harus dipenuhi dalam analisis regresi.
Model regresi harus linier dalam parameter
Variabel bebas tidak berkorelasi dengan disturbance term (Error) .
Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0
Varian untuk masing-masing error term (kesalahan) konstan
Tidak terjadi otokorelasi
Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam
model yang digunakan dalam analisis empiris.
Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak
ada hubungan linier yang nyata
Tahapan-tahapan dalam analisis regresi:
1. Identifikasi dan pembentukan model
Menggunakan scatter plot/diagram pencar :
Berguna untuk mengidentifikasi model hubungan antara variabel X dan Y. Bila
pencaran titik-titik pada plot ini menunjukkan adanya suatu kecenderungan (trend)
yang linier maka model regresi linier layak digunakan. Bila bentuk pencarannya
parabola maka regresi kuadratik yang layak digunakan, dan sebagainya.
2. Pendugaan parameter model
3. Pengujian keberartian parameter
4. Penilaian ketepatan model (goodness of fit) dan pemeriksaan asumsi
Konsep Regresi Logistik Biner/Dikotominasrul setiawan Analisis regresi , Regresi Logistik 20 comments
Analisis regresi logistik merupakan metode analisis yang biasanya digunakan oleh
mahasiswa dalam menyelesaikan skripsi berkaitan dengan skripsi tentang persepsi. bahasa
gaul metode ini biasa disebut reglog. Untuk pembahasan kali akan dibahas materi reglog
dulu. dan akan dilakukan untuk contoh kasusnya dengan software SPSS. Mudah-mudahan
bisa membantu para cendikiawan muda termasuk penulis sendiri.hehehhe
Analisis regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon
yang berupa data dikotomik/biner dengan variabel bebas yang berupa data berskala
interval dan atau kategorik (Hosmer dan Lemeshow, 1989). Variabel
yang dikotomik/biner adalah variabel yang hanya mempunyai dua kategori saja, yaitu
kategori yang menyatakan kejadian sukses (Y=1) dan kategori yang menyatakan kejadian
gagal (Y=0). pada model model linear umum komponen acak tidak harus mengikuti
sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial. Sebaran
bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respon
Y ini, diasumsikan mengikuti distribusi Bernoulli.
Timbul pertanyaan:Perbedaan antara regresi logistik dengan analisis regresi
biasa? kenapa tidak pakai analisis regresi biasa aja?
Sebenarnya untuk masalah diatas bisa digunakan analisis regresi OLS. Tapi harus
memenuhi asumsi bahwa 0 <= E(Yi ÷ Xi) <= 1. Namun persyaratan tersebut sulit untuk
terpenuhi. sehingga metode regresi OLS kurang cocok untuk data kuantitatif dan lebih
baik menggunakan metode regresi logistik.
contoh Kasus dalam regresi logsitik biner:
1. Pengaruh Tingkat Pendidikan, Lapangan Kerja yg dimasuki, Pendapatan,
Pengeluaran, Jumlah ART terhadap status kemiskinan (Miskin/TIdak Miskin).
2. Pengaruh Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia
Kepala Keluarga terhadap Kepemilikan rumah (Punya rumah/tidak)
Berdasarkan dua contoh tersebut mungjkin sudah membuka pikiran untuk kasus seperti
apa regresi logistik digunakan. intinya variabel dependentnya dikotomi artinya memiliki dua
kategori seperti pada kasus diatas yang ditebal.
Kenapa cuma dua kategori aja? tidak bisa lebih dari tiga kategori?
Untuk metode ini tidak bisa karena hanya bisa dua sesuai dengan namanya. untuk masalah
diatas ada metode lain yang bisa digunakan yaitu regresi logistik ordinal.
Bagaimana langkah-langkah atau prosedur statistiknya? sebagai
referensi buat skripsi.hehehe
Bentuk umum model peluang regresi logistik dengan p variabel penjelas, diformulasikan
sebagai berikut:
dengan π(x) adalah peluang kejadian sukses dengan nilai probabilita 0≤π(x)≤1 dan βj
adalah nilai parameter dengan j = 1,2,......,p. π(x) merupakan fungsi yang non linier,
sehingga perlu dilakukan transformasi ke dalam bentuk logit untuk memperoleh fungsi yang
linier agar dapat dilihat hubungan antara variabel bebas dan variabel tidak bebas. Dengan
melakukan transformasi dari logit π(x), maka didapat persamaan yang lebih sederhana,
yaitu:
Jika dari beberapa variabel bebas ada yang berskala nominal atau ordinal, maka variabel
tersebut tidak akan tepat jika dimasukkan dalam model logit karena angka-angka yang
digunakan untuk menyatakan tingkatan tersebut hanya sebagai identifikasi dan tidak
mempunyai nilai numerik dalam situasi seperti ini diperlukan variabel dummy. Untuk
variabel bebas dengan skala ordinal maupun nominal dengan k kategori, akan diperlukan
sebanyak k-1 variabel dummy.
Asumsi-asumsi dalam regresi logistik:
Tidak mengasumsikan hubungan linier antar variabel dependen dan independent
Variabel dependen harus bersifat dikotomi (2 variabel)
Variabel independent tidak harus memiliki keragaman yang sama antar kelompok
variabel
Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat
eksklusif
Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50
sampel data untuk sebuah variabel prediktor (bebas).
Pendugaan Parameter
Metode untuk mengestimasi parameter-parameter yang tidak diketahui dalam model regresi
logistik ada 3 yaitu:
1. Metode kemungkinan maksimum (Maximum Likelihood Method)
2. Metode kuadrat terkecil tertimbang noniterasi (Noniterative Weight Least Square
Method)
3. Analisis fungsi diskriminan (Discriminant Fuction Analysis)
Pada dasarnya metode maksimum Likelihood merupakan metode kuadrat terkecil
tertimbang dengan beberapa proses iterasi, sedangkan metode noniterative weight least
square method hanya menggunakan satu kali iterasi. kedua metode ini asymptoticaly
equivalent, artinya jika ukuran sampel besar keduanya akan menghasilkan estimator yang
identik. Penggunaan fungsi diskriminan mensyaratkan variabel penjelas yang kuantitatif
berdistribusi normal. Oleh karena itu, penduga dari fungsi diskriminan akan over
estimate bila variabel penjelas tidak berdistribusi normal.
Dari Ketiga metodei di atas, metode yang banyak digunakan adalah metode maksimum
likelihood dengan alasan lebih praktis (Nachrowi dan Usman, 2002). Metode maksimu
likelihoood ini menduga parameter dengan nilai yang memaksimumkan fungsi likelihood
(likelihood function).
Uji Signifikansi Model
Untuk mengetahui pengaruh variabel bebas terhadap variabel tidak bebas secara bersama-
sama (overall) di dalam model, dapat menggunakan Uji Likelihood Ratio. Hipotesisnya
adalah sebagai berikut:
Ho: β1 = β2 =....= βp = 0 (tidak ada pengaruh veriabel bebas secara simultan terhadap
variabel tak bebas)
H1: minimal ada satu βj ≠ 0 (ada pengaruh paling sedikit satu veriabel bebas terhadap
variabel tak bebas)
Untuk j = 1,2,...,p
Statistik uji yang digunakan adalah:
Dengan :
Lo = Maksimum Lieklihood dari model reduksi (Reduced Model) atau model yang terdiri dari
konstanta saja
Lp = Maksimum Likelihood dari model penuh (Full Model) atau dengan semua variabel
bebas.
Statistik G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p sehingga hipotesis
ditolak jika p-value < α, yang berarti variabel bebas X secara bersama-sama mempengaruhi
variabel tak bebas Y.
Uji Parsial dan Pembentukan Model
Pada umumnya, tujuan analsis statistik adalah untuk mencari model yang cocok dan
keterpautan yang kuat antara model dengan data yang ada. Pengujian keberartian
parameter (koefisien β) secara parsial dapat dilakukan melalui Uji Wald dengan
hipotesisnya sebagai berikut:
Ho: βj = 0 (variabel bebas ke j tidak mempunyai pengaruh secara signifikan terhadap
variabel tidak bebas)
H1: βj ≠ 0 (variabel bebas ke j mempunyai pengaruh secara signifikan terhadap variabel
tidak bebas)
Untuk j = 1,2,....,p
Dengan statistik uji sebagai berikut:
Hipotesis akan ditolak jika p-value < α yang berarti variabel bebas Xj secara partial
mempengaruhi variabel tidak bebas Y.
Odds Ratio
Odds ratio merupakan ukuran risiko atau kecenderungan untuk mengalami kejadian
‘sukses ‘ antara satu kategori dengan kategori lainnya, didefinisikan sebagai ratio dari odds
untuk xj = 1 terhadap xj = 0. Odds ratio ini menyatakan risiko atau kecenderungan
pengaruh observasi dengan xj = 1 adalah berapa kali lipat jika dibandingkan dengan
observasi dengan xj = 0. Untuk variabel bebas yang berskala kontinyu maka interpretasi
dari koefisien βj pada model regresi logistik adalah setiap kenaikan c unit pada variabel
bebas akan menyebabkan risiko terjadinya Y = 1, adalah exp(c.βj) kali lebih besar.
Odds ratio dilambangkan dengan θ, didefinisikan sebagai perbandingan dua nilai odds xj =
1 dan xj = 0, sehingga:
[Tutorial] Contoh Analisis Regresi Logistik biner/dikotomi dengan SPSSnasrul setiawan Analisis regresi , Regresi Logistik , SPSS 1 comment
Pada hari sebelumnya telah dibahas tentang konsep dari regresi logistik biner. Sesuai
dengan janji penulis akan dibahas tutorial regresi logistik biner dengan SPSS. (kayak
pemilu aja ya.:p). Untuk contoh kasus kali ini, terinspirasi dari tugas kelompok perkuliahan
yang diambil dari tugas kakak tingkat. bisa dibilang copas lah ya. tapi, jangan dilihat dari
copasnya. tapi lihat dari niatnya dan keinginan untuk saling berbagi semoga dapat
membantu mengerjakan tugas, skripsi, tesis atau bahkan disertasi.
Contoh Kasus Analisis Regresi Logistik biner:
Dilakukan simulasi untuk melihat pengaruh antara variabel profitabilitas,
kompleksitas perusahaan, opini auditor, likuiditas dan ukuran perusahaan
terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan.
Profitabilitas diukur dengan ROA; variabel kompleksitas terdiri atas 2 kategorik
yaitu diberi angka 2 jika mempunyai anak perusahaan dan 1 jika perusahaan
tidak mempunyai anak perusahaan; opini auditor diukur dengan 2 jika
mendapatkan opini wajar tanpa pengecualian dan 1 untuk opini yang lain;
likuiditas diukur dengan Current Ratio; dan ukuran perusahaan diukur dengan
logaritma natural market value. Variabel terikatnya adalah ketepatan
penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat
waktu dan 0 untuk perusahaan yang terlambat.
Data yang digunakan dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin
mencoba juga bisa didownload dibagian bawah nanti ya. dalam tutorial ini
menggunakan SPSS 20.Langsung saja ya dengan langkah-langkahnya.
Langkah-langkah dalam pengujian analisis regresi logistik
1. Pada posisi file telah terbuka, maka akan terlihat pada layar data tentang ketepatan
penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya.
Untuk menganalisis, langkah awalnya adalah pilih menu Analyze, kemudian
pilih Regression dan Binary Logistic. Maka akan muncul tampilan seperti di bawah
ini.
2. Masukan variabel yang berfungsi sebagai variabel tak bebas dari box variabel ke
kolom dependent, dan masukan semua varibel bebas pada kotak Covariate. Untuk
Method, pilih Enter. Sebenarnya bisa dipilih metode apa saja karena model yang
terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki
nilai-nilai yang sama). Akan tetapi, khusus metode Enter, harus dilakukan proses
dua kali. Pertama, data di run dengan semua variabel untuk mengetahui variabel
mana yang signifikan, setelah itu di run lagi dengan menggunakan variabel yang
signifikan itu. Model yang terbentuk akan sama dengan model yang diperoleh
dengan metode lain.
3. Klik Categorical, masukkan semua variabel bebas yang berbentuk kategori pada
kotak covariate ke dalam kotak categorical covariates, biarkan contras pada
default indicator. Untuk reference kategori pilih bagian kategori yang akan dipakai
sebagai referensi atau pembanding yang akan digunakan dalam interpretasi odds
ratio. Dapat menggunakan kategori akhir (last) atau kategori pertama (first). Dalam
penelitian ini digunakan kategori akhir (last). Kemudian klik Continue. Setelah itu
pilih menu option, centang iteration history untuk dapat mengetahui proses iterasi
yang telah berlangsung.
4. Selain itu, akan ditemukan "Classification cut off", yang pada kondisi default sudah
diisi dengan 0.5. Nilai ini disebut dengan the cut value atau prior probability, peluang
suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel
penjelasnya diketahui. Jika kita tidak mempunyai informasi tambahan tentang data
kita, maka kita bisa menggunakan default. Misalnya pada penelitian ini, sebelumnya
tidak pernah dilakukan penelitian apakah ukuran perusahaan condong pada satu
sisi. dengan alasan ini, dapat digunakan classification cutoff sebesar 0,5. Namun,
misalnya pada ada penelitian lain yang telah meneliti maka bisa
dinaikkan/diturunkan classification cutoff sesuai hasil penelitian. Dalam penelitian ini
semua variabel numerik dalam default 0,5. Abaikan bagain yang lain, klik continue.
5. Abaikan bagian yang lain, dan tekan OK maka akan keluar output dari Regresi
Logistik.
Intrepretasi Hasil analisis regresi logistik
Setelah keluar output dari hasil running data di SPSS maka diperoleh hasil analisis
sebagai berikut :
Identifikasi Data yang Hilang
Pada tabel di atas, dapat dilihat tidak ada data yang hilang (missing cases).
Pemberian kode variabel respon oleh SPSS
Menurut pengkodean SPSS, yang termasuk kategori sukses adalah penyampaian laporan
keuangan tahunan yang tepat.
Pemberian kode untuk variabel penjelas yang kategorik
Pengkodean variabel penjelas hanya dilakukan untuk variabel penjelas yang kategorik
karena akan dibentuk dummy variabel. Penelitian ini menggunakan dua variabel penjelas
yang kategorik yaitu variabel Opini dan variabel Kompleksitas. Untuk variabel opini,
nantinya yang akan digunakan sebagai reference code (kode pembanding) adalah Wajar
Tanpa Pengecualian (lihat pada tabel di atas bagian parameter codings yang berkode nol).
Sementara untuk variabel Kompleksitas, yang menjadi kode pembanding adalah Punya
anak perusahaan. Kode pembanding ini akan digunakan untuk interpretasi Odds Ratio.
Uji Signifikansi Model
Dari hasil SPSS dapat digunakan tabel “Omnibus Tests of Model Coefficients” untuk
melihat hasil pengujian secara simultan pengaruh variabel bebas ini.
Berdasarkan tabel di atas diperoleh nilai Sig.Model sebesar 0.000. Karena nilai ini lebih
kecil dari 5% maka kita menolak Ho pada tingkat signifikansi 5% sehingga disimpulkan
bahwa variabel bebas yang digunakan, secara bersama-sama berpengaruh terhadap
ketepatan penyampaian laporan keuangan suatu perusahaan. Atau minimal ada satu
variabel bebas yang berpengaruh.
Persentase Ketepatan Klasifikasi (Percentage Correct)
Persentase ketepatan model dalam mengkasifikasikan observasi adalah 78.6 persen.
Artinya dari 70 observasi, ada 55 observasi yang tepat pengklasifikasiannya oleh model
regresi logistik. Jumlah observasi yang tepat pengklasifikasiannya dapat dilihat pada
diagonal utama.
Uji Parsial dan Pembentukan ModelPada uji diharapkan Ho akan ditolak sehingga variabel yang sedang diuji masuk ke dalam
model. Dengan bantuan tabel “Variables in The Equation” dapat dilihat variabel mana saja
yang berpengaruh signifikan sehingga bisa dimasukkan ke model. Jika nilai sig.<a maka Ho
ditolak.
Berdasarkan hasil di atas diketahui bahwa terdapat 2 variabel bebas yang signifikan
berpengaruh terhadap ketepatan penyampaian laporan keuangan perusahaan karena
masing-masing variabel tersebut memiliki nilai signifikansi yang lebih kecil dari a=5%.
Variabel-variabel tersebut adalah Profitabilitas (Sig.=0.004)dan Likuiditas (Sig.=0.000).
Model yang terbentuk adalah :
Dimana :
X_1i = Profitabilitas
X_2i= Likuiditas
i=1,2,…,n
7.Interpretasi Odds Ratio
Nilai Odds ratio ini juga disediakan oleh tabel “Variables in The Equation” pada kolom
Exp(B) :
Berdasarkan hasil di atas kita dapat menginterpretasikan Odds ratio sebagai berikut :
1. Jika jumlah profitabilitas perusahaan bertambah 1 unit maka kecendrungan
perusahaan tersebut untuk tepat waktu menyampaikan laporan keuangan menjadi
2.780 kali lipat.
2. Sebuah perusahaan yang tidak mempunyai anak perusahaan akan memiliki
kecenderungan untuk menyampaikan laporan keuangan secara tepat waktu sebesar
3.057 kali dibanding perusahaan yang memiliki anak perusahaan (merujuk pada
reference code).
3. Perusahaan dengan opini auditor adalah opini lain cenderung 0.848 kali (lebih
rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding
dengan perusahaan yang Wajar tanpa Pengecualian.
4. Jika Current ratio pada likuiditas bertambah 1 persen maka perusahaan akan
cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya.
5. Ketika ukuran perusahaan bertambah 1 unit maka perusahaan tersebut cenderung
1.123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya.
Teori Cobb Douglassnasrul setiawan Analisis regresi 10 comments
Beberapa fungsi produktivitas dalam suatu perusahaan sangatlah berperan
penting dalam pengembangan produktivitas. Terutama untuk menunjang proses
produksi sehingga dapat memberikan beberapa peluang yang diharapkan.
Dalam ilmu ekonomi yang disebut dengan fungsi produksi yaitu suatu fungsi
yang menunjukkan hubungan antara hasil fisik (output) dengan
faktor produksi (input), Daniel M (2002) .dalam bentuk matematika
sederhana, fungsi produksi dituliskan sebagai berikut:
Y = f ( x1, x2, x3, ...........xn)
Keterangan:
Y = hasil fisik;
x1...xn = faktor-faktor produksi.
Berbagai fungsi produksi telah banyak dibahas dalam literatur. Diantara fungsi
produksi yang umum dibahas dan dipakai oleh para peneliti adalah fungsi
produksi Cobb-Douglas.
Soekartawi (2002) mendefinisikan fungsi produksi Cobb-Douglas adalah suatu
fungsi atau persamaan yang melibatkan dua atau lebih variabel, dimana
variabel yang satu disebut dengan variabel dependen, yang dijelaskan (Y) dan
yang lain disebut variabel independent, yang menjelaskan (x).
Menurut Hadikoesworo (penerj.) (1986) dan Soekartawi (2002) menyatakan
bahwa fungsi Cobb-Douglas lebih banyak dipakai oleh para peneliti karena
mempunyai keunggulan yang menjadikan menarik yaitu:
Penyelesaian fungsi Cobb-Douglas relatif lebih
mudah dibandingkan dengan fungsi yang lain, karena fungsi Cobb-
Douglas dapat dengan mudah ditransfer ke bentuk linear dengan cara
melogaritmakan;
Hasil pendugaan melalui fungsi Cobb-Douglas akan
menghasilkan koefisien regresiyang sekaligus juga
menunjukkan besaran elastisitas;
Jumlah besaran elastisitas sekaligus menunjukkan tingkat
besaranskala usaha(return of scale)yang berguna untuk mengetahui
apakah kegiatan dari suatu usaha tersebut mengikuti kaidah skala usaha
menaik, skala usaha tetap ataukah skala usaha yang menurun.
Koefisien intersep dari fungsi Cobb Douglas merupakan indeks efisiensi
produksiyang secara langsung menggambarkan efisiensi penggunaan
input dalam menghasilkan output dari sistem produksi yang sedang dikaji
itu.
Koefisien-koefisien fungsi Cobb Douglas secara langsung
menggambarkanelastisitas produksi dari setiap input yang
dipergunakan dan dipertimbangkan untuk dikaji dalam fungsi produksi
Cobb Douglas itu.
Tetapi fungsi cobb douglas ini juga mempunyaikelemahan-kelemahan, antara lain :
Spesifikasi variabel yang keliru, hal ini menyebabkan nilai elastisitas
produksi yang diperoleh negatif atau nilainya terlalu besar atau kecil.
Spesifikasi ini akan menimbulkan terjadinya multikolinearitas pada
variabel bebas.
Kesalahan pengukuran variabel, hal ini terjadi bila data kurang valid
sehingga menyebabkan besaran elastisitas produksi yang terlalu besar
atau kecil.
Bias terhadap variabel manajemen. Faktor manajemen merupakan faktor
penting untuk meningkatkan produksi karena berhubungan langsung
dengan variabel terikat seperti manajemen penggunaan faktor produksi
yang akan mendorong besaran elastisitas tehnik dari fungsi produksi ke
arah atas. Manajemen ini berhubungan dengan pengambilan keputusan
dalam pengalokasian variabel input dan kadang sulit diukur dalam
pendugaan fungsi cob douglas.
Multikolinearitas, dalam fungsi ini sulit dihindarkan meskipun telah
diusahakan agar besaran korelasi antara variabel indipenden tidak terlalu
tinggi seperti memperbaiki spesifikasi variabel yang dipakai.
Bentuk umum dari fungsi Cobb Douglas adalah sebagai berikut:
Q = δ L^α M^β
Bentuk transformasi:
Ln Qn = konstanta + L ln Ln + M ln Mn
Bentuk asli:
Qn = e^konstanta Ln^L Mn^M
Keterangan:
Q = output
L = input jam kerja efektif (tenaga kerja)
M = input jam kerja mesin efektif
δ = koefisien intersep (indeks efisiensi)
α = elastisitas output dari input L
β = elastisitas output dari input M
Karena penyelesaian fungsi Cobb Douglass harus diubah bentuk fungsinya
menjadi fungsi linier, maka ada persyaratan yang harus dipenuhi sebelum
menggunakan persamaan tersebut:
Tidak ada nilai pengamatan yang bernilai nol sebab logaritma dari nol
adalah suatu bilangan yang besarnya tidak diketahui.
Dalam fungsi produksi,perlu asumsi bahwa tidak ada perbedaan tehnologi
dalam setiap pengamatan, ini artinya kalau fungsi produksi yang dipakai
dalam pengamatan memerlukan lebih dari satu model, maka perbedaan
tersebut terletak pada intersep dan bukan pada kemiringan (slope) model
tersebut.
Tiap variabel x adalah perfect competition.
Perbedaan lokasi seperti iklim adalah tercakup pada faktor kesalahan u
(disturbance term).
analisa mengenai pendekatan cobb douglas :
1. Analisa Efisiensi Proses Produksi
Efisiensi merupakan penggunaan input yang sekecil-kecilnya untuk mendapatkan jumlah produksi sebesar-besarnya tanpa melupakan kualitas dari produk yang dihasilkan. Efisiensi proses produksi dapat dilihat dari koefisien intersep fungsi produksi Cobb-Douglas, yaitu:
Indeks efisiensi = ea
Keterangan: e = 2,71828
a = koefisien intersep persamaan regresi
Indeks efisiensi akan didapat dari perhitungan, dengan semakin tinggi indeks efisiensi produksi berarti proses transformasi input menjadioutput menjadi semakin efisien. Selain indeks efisiensi, rasio efisiensi juga akan didapat dari perhitungan. Rasio efisiensi menunjukkan perbandingan kemampuan menghasilkan output dengan memakai inputyang tersedia.
2. Return to Scale
Berdasarkan persamaan fungsi produksi Cobb-Douglas, terdapat tiga situasi yang mungkin
dalam tingkat pengembalian terhadap skala (Browning dan Browning, 1989).
1. Jika kenaikan yang proporsional dalam semua input sama dengan kenaikan yang proporsional dalam output (εp = 1), maka tingkat pengembalian terhadap skala konstan (constant returns to scale).
2. Jika kenaikan yang proporsional dalam output kemungkinan lebih besar daripada kenaikan dalam input (εp > 1), maka tingkat pengembalian terhadap skala meningkat (increasing returns to scale).
3. Jika kenaikan output lebih kecil dari proporsi kenaikan input (εp < 1), maka tingkat pengembalian terhadap skala menurun (decreasing returns to scale).
3. Elastisitas Produksi Parsial
Elastisitas produksi parsial berkenaan dengan input tertentu merupakan ukuran perubahan proporsional pada input-nya ketika inputlainnya konstan. Sebelum elastisitas produksi parsial dapat dihitung, terlebih dahulu dicari nilai Total Physical Product, Average Physical Product, dan Marginal Physical Product, yang dirumuskan:
Total Physical Product (TPP) dianggap sebagai hubungan teknis antara satu variabel faktor produksi (input) dan output dapat ditunjukkan oleh suatu fungsi produksi yang secara matematis dapat ditulis (Sudarman, 1989) :
Average Physical Product (APP) dari suatu fungsi produksi adalah total produksi dibagi dengan jumlah faktor produksi yang digunakan untuk menghasilkan produk tersebut. APP adalah perbandingan output faktor produksi untuk setiap tingkat output dan faktor produksi yang bersangkutan (Sudarman, 1989). Persamaan untuk mencari nilai APP adalah sebagai berikut:
Marginal Physical Productivity (MPP) dari suatu faktor produksi adalah bertambahnya total produksi yang disebabkan oleh bertambahnya satu unit faktor produksi variabel ke dalam proses produksi di mana faktor produksi yang lain tetap tidak berubah jumlahnya (Sudarman, 1989). Persamaannya adalah:
Elastisitas produksi parsial berkenaan dengan input tertentu merupakan ukuran perubahan proporsional output-nya disebabkan oleh perubahan proporsional pada input-nya ketika input-input yang lain konstan (Sudarman, 1989).