Turorial Microsoft Excel tentang analisis regresi linear sederhana Note: Ada kesalahan pada menit 3:45 seharusnya pengambilan nilai koefisien determinasi menggunakan R square untuk regresi linier sederhana.
Di excel jika ada hasil E-08 maka artinya 6.5758 x 10^-8. Terdapat 0 sebanyak 8 angka sebelum angka 6. Hasilnya adalah 0.000000065758. Angka tersebut kurang dari alpha 0.05. Yang berarti var x berpengaruh signifikan terhadap y
assalamualaikum 🙏🙏🙏hadir nyimak salam kenal dari q vlog Bambu Bertuah semoga channel nya makim sukses dan jaya 👍👍👍tetap semangat terus berkarya biar makin sukses 🙏🙏🙏 dan bahagia bersama keluarga tercinta 🤲🤲🤲
Kak izin bertanya, saya melakukan uji regresi linier sederhana dan mendapatkan hasil. P value nya 2,84E-13 dan nilai R Square nya 0,901. Itu bagaimana ya pak membuat kesimpulan nya, dikarenakan nilai r square nya tinggi namun P value nya >0,05. Semoga di jawab ya🙏
Dalam kasus Anda, P-value sangat rendah (2,84E-13 atau 0,000000000000284), yang umumnya dianggap sangat signifikan. Hal ini menunjukkan bahwa ada cukup bukti statistik untuk menolak hipotesis nol bahwa koefisien regresi untuk variabel independen adalah nol, atau dengan kata lain, bahwa variabel independen memang berkontribusi secara signifikan terhadap variabilitas dalam variabel dependen. R Square yang tinggi (0,901 atau 90,1%) menunjukkan bahwa model regresi Anda cukup baik dalam menjelaskan variabilitas dalam data. Lebih dari 90% variabilitas dalam variabel dependen dapat dijelaskan oleh variabel independen dalam model Anda. Kesimpulannya dapat menjadi sebagai berikut: Variabel independen memiliki pengaruh signifikan: P-value yang sangat rendah menunjukkan bahwa variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen. Model regresi baik dalam menjelaskan variabilitas: Nilai R Square yang tinggi menunjukkan bahwa model regresi Anda cukup baik dalam menjelaskan variabilitas dalam data.
@@feminovieta Tapi kak saya kan penelitian komparatif membandingkan perbedaan Hasil Belajar Siswa reguler dan boarding school. Waktu dilakukan uji hipotesis dengan uji t di dapat hasil bahwa tidak ada perbedaan Hasil Belajar jadi antara siswa reguler dan boarding hasil belajar nya sama. Tapi kenapa waktu di uji linier sederhana 90% variabel X mempengaruhi variabel Y
@@FitriHandayani08 Ada beberapa kemungkinan mengapa hasil uji hipotesis dengan uji t menunjukkan bahwa tidak ada perbedaan signifikan dalam hasil belajar antara siswa reguler dan boarding school, tetapi hasil uji linier sederhana menunjukkan bahwa 90% variabel X mempengaruhi variabel Y. Berikut beberapa kemungkinan penjelasan: Interaksi antar variabel: Mungkin ada interaksi kompleks antara variabel yang tidak terdeteksi oleh uji t. Ini berarti bahwa saat mempertimbangkan kedua kelompok siswa secara bersamaan (reguler dan boarding), tidak ada perbedaan yang signifikan, tetapi jika melihat satu variabel pada satu waktu (dalam uji linier sederhana), perbedaan muncul. Variabel lain yang tidak diukur: Ada kemungkinan ada faktor lain yang tidak diukur atau tidak dipertimbangkan dalam penelitian Anda yang mempengaruhi hubungan antara variabel X dan Y. Variabel-variabel tambahan yang tidak diidentifikasi dapat memberikan kontribusi signifikan. Metode pengukuran yang berbeda: Metode pengukuran variabel X dan Y mungkin berbeda antara uji hipotesis dengan uji t dan uji linier sederhana. Metode yang berbeda dapat menghasilkan temuan yang berbeda. Ukuran sampel yang berbeda: Jika ukuran sampel antara kelompok siswa reguler dan boarding school berbeda, ini dapat memengaruhi kekuatan statistik dan kemampuan untuk mendeteksi perbedaan yang sebenarnya. Keberagaman individu dalam kelompok: Meskipun tidak ada perbedaan rata-rata yang signifikan antara kelompok, mungkin ada variasi individual yang signifikan dalam kelompok siswa reguler atau boarding school yang hanya terlihat ketika dianalisis dengan uji linier sederhana
Dalam regresi linear, terdapat dua parameter utama: koefisien (slope) dan intercept (intersepsi). Nilai 0.5 bisa merujuk pada koefisien (slope) dari model regresi linear, yang menggambarkan sejauh mana variabel independen mempengaruhi variabel dependen. Jika nilai slope adalah 0.5, itu berarti bahwa setiap peningkatan satu unit dalam variabel independen akan menghasilkan peningkatan 0.5 unit dalam variabel dependen. Nilai ini dapat berbeda tergantung pada data yang sebenarnya dan model regresi yang digunakan. Jika nilai signifikansi (p-value) dalam analisis statistik lebih besar dari tingkat signifikansi alpha yang telah ditentukan sebelumnya, biasanya Anda tidak memiliki cukup bukti untuk menolak hipotesis nol. Dalam konteks uji hipotesis, hipotesis nol adalah pernyataan bahwa tidak ada efek atau perbedaan yang signifikan antara dua kelompok atau variabel. Dengan kata lain, jika p-value lebih besar dari alpha (biasanya alpha ditetapkan pada tingkat signifikansi tertentu, misalnya 0.05), maka Anda tidak memiliki cukup bukti statistik untuk menyimpulkan bahwa ada perbedaan atau efek yang signifikan dalam data Anda. Oleh karena itu, Anda akan mempertahankan hipotesis nol. Hal ini menunjukkan bahwa data Anda tidak mendukung hipotesis bahwa ada efek atau perbedaan yang signifikan, tetapi ini tidak membuktikan bahwa tidak ada efek sama sekali. Penting untuk selalu memahami batasan analisis statistik dan konteksnya serta berhati-hati dalam menafsirkan hasil uji hipotesis.
Pada dasarnya, regresi linear memiliki beberapa asumsi prasyarat, dan uji normalitas tidak selalu diperlukan. Asumsi utama melibatkan linearitas, independensi, homoskedastisitas (varians konstan), dan normalitas residu. Meskipun uji normalitas dapat memberikan wawasan tambahan, namun tidak selalu menjadi keharusan. Penting untuk mempertimbangkan asumsi-asumsi lainnya dan menggunakan uji yang relevan sesuai dengan konteks dan data yang Anda miliki.
@@feminovieta jadi kalau saya menghitung pengaruh jumlah penduduk kepada tingkat kemiskinan bisa langsung menggunakan langkah-langkah excel seperti divideo itu ya kak tanpa menghitung normalitas terlebih dahulu?🙏 Terima kasih.
Maaf mau tanya Mbak Mitty: Walaupun sdh di AddIns melalui OPTION, "Data Analysis ToolPack" di excel gak bisa muncul di "kanan atas". Mohon pencerahannya ya Mbak Mitty. Trims.
Pilih Add-Ins Pada list, Pilih Inactive Applications Add-Ins Pilih Analysis ToolPak Di bawah ada pilihan dropdown, pilih Excel Add-Ins. Klik “Go” Tunggu sampai selesai, setelah selesai pilih "data" 🙏 Kemudian anda klik OK.
Kalau langkah umum biasanya isi Input Y Range, diketik juga bisa dengan cara membloknya. Kemudian isikan Input X Range. Semua variabel bebas diblok sekaligus. Nah kalau terbalik, apa berpengaruh ? Sepertinya anda tahu jawabannya.🙏
Permisi kak, Mo bertanya, kok ketika saya analysis data regression tidak keluar kak? ada tulisan regression - LINEST() function return error. Please check input ranges again. Mohon jawabannya kak, terima kasih
Penyebab Output yang dikembalikan dari LINEST mungkin salah jika satu atau beberapa kondisi berikut ini benar: Rentang nilai x tumpang tindih dengan rentang nilai y. Jumlah baris dalam rentang input kurang dari jumlah kolom dalam rentang total (nilai x Plus nilai y). Anda menentukan konstanta nol (mengatur argumen ketiga dari fungsi LINEST ke true). Penyelesaian Masalah Kasus 1: nilai x-dan rentang nilai y tumpang tindih Jika nilai x dan nilai y berkisar tumpang tindih, fungsi lembar kerja LINEST menghasilkan nilai yang tidak benar di semua sel hasil. Probabilitas statistik normal tidak memperbolehkan nilai dalam rentang x dan y untuk tumpang tindih (saling duplikat). Jangan tumpang tindih dengan rentang nilai x dan y saat mereferensikan sel dalam rumus.Catatan Alat regresi akan memberi tahu Anda tentang masalah ini dan tidak melanjutkan. Anda bisa menggunakan alat regresi dan bukan fungsi lembar kerja LINEST. Di Microsoft Office Excel 2007, Anda bisa menemukan alat regresi dengan mengklik analisis data dalam grup analisis pada tab data . Di Microsoft Office Excel 2003 dan di versi Excel yang lebih lama, Anda dapat menemukan alat regresi dengan mengklik analisis data pada menu alat . Kasus 2: jumlah baris kurang dari jumlah kolom x Statistik tidak valid untuk jumlah baris yang lebih kecil dari jumlah kolom x (variabel). Jumlah baris data harus lebih besar dari jumlah kolom data (kolom x Plus kolom y). Kasus 3: Anda menentukan konstanta nol Jangan menentukan konstanta nol (b = 0) dalam fungsi. Sumber: support Microsoft.com
Permisi ibu ijin bertanya, untuk kategore korelasi itu apakah memang sudah ditentukan dari soal masing2, atau hal tsb merupakan ketentuan mutlak bu? terimakasih banyak sebelumnya
Korelasi merupakan hubungan timbal balik atau sebab akibat. Pada konteks teknik analisis, korelasi biasa digunakan untuk mencari hubungan di antara dua variabel yang memiliki sifat kuantitatif. Dua variabel bisa disebut berkorelasi, bila perubahan pada variabel yang lain ke arah yang sama (korelasi positif) atau berlawanan (korelasi negatif) secara teratur. Besarnya nilai koefesien korelasi berada di antara antara -1 sampai 1. Koefisien korelasi bernilai nol, artinya tidak terdapat korelasi antara kedua variabel. Nilai absolut/ mutlak koefisien korelasi diantara nol sampai 0.5, artinya terdapat korelasi yang lemah antara kedua variabel Koefisien korelasi diantara 0.5 sampai 0.7, artinya terdapat korelasi yang moderat/ cukup kuat antara kedua variabel Koefisien korelasi diantara 0.7 sampai 0.99, artinya terdapat korelasi yang kuat antara kedua variabel
Analisis keofisien x yang negatif menunjukkan bahwa ada hubungan yang tidak efisien antara input dan output dalam suatu sistem. Hal ini bisa menandakan pemborosan atau inefisiensi dalam penggunaan sumber daya, dan perlu dieksplorasi lebih lanjut untuk mengidentifikasi penyebabnya dan mencari solusi untuk meningkatkan efisiensi.
Persamaan regresi sederhana: Y = a + bX Keterangan: Y = variabel kriterium X = variabel prediktor a = variabel konstan b = koefisien arah regresi linier.
Kak mau tanya,, saya kan suruh meneliti dan membuat studi kasus seperti tersebut,, untuk memperoleh datanya atau mengumpulkan datanya. Contohnya kek punya kakak data ketaatan terhadap tugas dan kinerja mahasiswa itu di dapat dari mana ya,, mohon bantuannya kak🙏
Untuk memasukkan lebih dari satu variabel independen (x) pada regresi linear, Anda dapat menggunakan regresi linear berganda. Dalam regresi linear berganda, Anda memiliki lebih dari satu variabel independen yang mempengaruhi variabel dependen.
Jika anda mau merubah Variabel Dependen: Misalkan model awal yang hasilnya positif adalah: 𝑌=𝛽0+𝛽1𝑋1+𝛽2𝑋2+𝜖 Maka untuk mengubah menjadi negatif rumusnya menjadi: −𝑌=−𝛽0−𝛽1𝑋1−𝛽2𝑋2-€
Nilai signifikansi 0,05 menunjukkan ambang batas di mana suatu hasil dianggap signifikan secara statistik. Jika nilai p-value (nilai probabilitas) dari suatu uji statistik lebih kecil dari 0,05, maka kita dapat menolak hipotesis nol dan menganggap hasil tersebut signifikan secara statistik.
Dalam regresi linear, jika Anda memiliki tiga ulangan (replikasi) untuk setiap nilai variabel independen, Anda dapat memutuskan untuk mengolah data dengan beberapa cara. Beberapa pilihan yang umum dilakukan adalah: 1. Menggunakan Nilai Rata-rata: Anda dapat menghitung nilai rata-rata dari setiap ulangan untuk setiap variabel independen. Dengan cara ini, Anda akan mendapatkan satu nilai rata-rata untuk setiap variabel pada setiap ulangan. Lakukan hal yang sama untuk variabel independen lainnya. 2. Menggunakan Semua Nilai: Alternatifnya, Anda dapat menggunakan semua nilai dari setiap ulangan sebagai data input. Ini akan memberikan keragaman lebih besar dalam data dan mungkin memberikan gambaran yang lebih lengkap tentang hubungan antara variabel dependen dan independen. . 3. Analisis Statistik Lanjutan: Anda juga dapat melakukan analisis statistik lanjutan untuk memeriksa distribusi dan variasi data dari setiap ulangan. Mungkin juga berguna untuk memeriksa apakah ada perbedaan signifikan antara ulangan menggunakan uji statistik.
Anda mungkin perlu melakukan analisis lebih lanjut untuk memahami mengapa intercept tersebut negatif. Ini bisa termasuk melihat data lebih detail, mengevaluasi model regresi Anda, atau mempertimbangkan faktor-faktor eksternal lainnya yang mungkin mempengaruhi variabel dependen. Periksa apakah model regresi linier ini relevan dan memadai untuk data Anda. Terkadang, intercept negatif dapat menunjukkan bahwa model yang dipilih tidak sepenuhnya cocok untuk data yang dianalisis, dan mungkin diperlukan model yang lebih kompleks atau transformasi data tambahan. intercept negatif bukanlah hal yang aneh dalam regresi linier, namun selalu penting untuk mengaitkan hasil statistik dengan pemahaman kontekstual dari data yang Anda analisis
Intercept yang negatif dalam model regresi, seperti dalam persamaan y=−15,12+2,900x, tidak selalu menunjukkan ada masalah dengan data atau bahwa data responden harus diganti. Sebaliknya, interpretasi intercept tergantung pada konteks data dan model yang digunakan.
dri contoh gogel banyak tuh coba cri aja dulu r tabel nya rp nya smpai. berpa disuruhkan wktu dihitung kalau sya smpai 30 nah cri deh urutan dri 0,05 dan cari aja namanya r tabel ada tuh tinggl nyalin aja kalau sudah dihitung
Ketika Anda menggunakan regresi linear untuk menganalisis data, variabel independen (prediktor) bisa berupa variabel numerik atau non-numerik. Tidak masalah jika data Anda berupa non-numerik asalkan Anda dapat mewakili data tersebut dalam bentuk yang dapat digunakan dalam model regresi linear, misalnya dengan menggunakan teknik pengkodean yang sesuai.
itu Nilai X,Y dapat dri mana kak? dpt dri nilais penjumlahan yang mulai dri 1 butir soal yah kak wktu di rumus kan pake sum? lalu kemudian discroll bawah dpt hasilnya sudah itu yang ifu diambil yah kak nilai X nya? terus untuk Y ny dpt dimana kk? mohon dijawab kk🙏
Kak saya mau tanya, kalau penaksiran parameter regresi menggunakan metode OLS itu di excel pakai apa ya? Apakah analisis regresi yang ada di excel ini merupakan regresi pakai OLS? Makasih kak
Di Excel 2013. Untuk perimeternya saya masih sedang mempelajari, saya coba menggunakan "RANDO". dan mohon maaf saya belum bisa menjelaskan secara detail. Selanjutnya untuk menggunakan analisis Regresi di Excel, anda harus melakukan aktivasi Add-Ins Analysis ToolPak. Analisis Regresi di dalam MS Excel dapat dilakukan dengan mudah tanpa perlu menggunakan software tambahan seperti SPSS.
Banyak rumus untuk mencari keofisien korelasi ( nilai r) , salah satunya adalah metode korelasi Pearson. Mungkin saya tidak bisa menjelaskan sampai detail, silahkan gunakan rumus mencari nilai r tersebut dari variabel yang telah dibuat.🙏
Jika nilai signifikansinya lebih besar dari alpha ( 0,05 ), maka Ho diterima dan Ha ditolak. Artinya, tidak ada pengaruh antara variabel independen terhadap variabel dependen. Namun jika signifikansinya oebih kecil, maka Ho ditolak dan Ha diterima. 🙏
Aktifkan tool pack pada Excell. Pada pilihan Residual, terdapat 4 pilihan, bisa menconteng sesuai dengan keinginan. Ada empat tabel hasil yang ditampilkan yaitu Summary output, Anova, Residual Output, dan Probability Ooutput. Di bagian Sumary output ditampilkan nilai multiple R, R square, adjusted R square, standard error dan jumlah observasi. Pada ANOVA ditampilkan analisis variance dan nilai F serta pengujiannya, yaitu membandingkan F Hitung dengan Tabel F: F Tabel dalam Excel. Mohon maaf jika salah memahami pertanyaan.🙏
Mungkin saya harus banyak belajar lagi, mohon maaf atas jawabannya. Barangkali ada rekan yang bantu menjawab pertanyaan di atas, saya sangat berterima kasi.🙏
Beberapa faktor lain yang berpengaruh pada regresi adalah: Variabel Kontrol: Ini adalah variabel tambahan yang dapat dimasukkan ke dalam model regresi untuk mengontrol pengaruhnya terhadap variabel dependen. Variabel-variabel kontrol ini membantu menghilangkan efek confounding atau perbedaan yang mungkin ada di antara kelompok data. Interaksi antar Variabel: Dalam beberapa kasus, interaksi antara dua atau lebih variabel dapat mempengaruhi variabel dependen dengan cara yang berbeda daripada pengaruh individu mereka. Oleh karena itu, interaksi ini perlu dipertimbangkan dalam analisis regresi. Efek Waktu: Dalam analisis data berbasis waktu, faktor waktu dapat sangat mempengaruhi variabel dependen. Perubahan tren seiring waktu atau musim bisa menjadi faktor penting dalam regresi waktu. Efek Multikolinearitas: Ini terjadi ketika dua atau lebih variabel independen dalam model regresi berkorelasi tinggi satu sama lain, yang dapat memengaruhi interpretasi koefisien regresi. Data Pencilan (Outliers): Data pencilan atau anomali dalam dataset dapat memiliki pengaruh signifikan pada hasil analisis regresi. Pengelolaan data pencilan penting untuk meminimalkan efeknya. Variabilitas Residual: Variabilitas yang tidak dapat dijelaskan oleh model regresi disebut variabilitas residual. Faktor-faktor lain yang tidak dimasukkan dalam model dapat berkontribusi pada variabilitas ini. Kesalahan Pengukuran: Kesalahan pengukuran dalam variabel-variabel yang digunakan dalam analisis regresi dapat mempengaruhi hasilnya. Heteroskedastisitas: Variabilitas yang tidak konstan dalam data residual juga dapat mempengaruhi hasil regresi. Ini terkait dengan ketidaksesuaian varians dalam data. Efek Pengamatan Tertinggal: Informasi yang hilang atau pengamatan yang tertinggal dalam dataset dapat memengaruhi hasil analisis regresi. Spesifikasi Model: Cara model regresi dibangun, termasuk pemilihan variabel yang dimasukkan atau dikecualikan, dapat sangat mempengaruhi hasil analisis.
Nilai alpha adalah batas maksimal kesalahan yang dijadikan patokan oleh si peneliti, misal alpha = 5% berarti tingkat kepercayaannya mencapai 95%. Nilai ini ditentukan sebelum melakukan penelitian.
Analisis regresi linier sederhana memiliki hubungan secara linear antara variabel independen (X) dengan variabel dependen (Y). Misalnya kita tentukan indikator X nya: X1 = ...... X2 = ..... X3 = ....... Dengan indikator tersebut, kita dapat mengetahui indikator X mana yang paling berpengaruh terhadap Y. Dengan analisis regresi sederhana dapat mengetahui arah dari hubungan antara variabel X dengan variabel Y, ada hubungan positif atau negatif. Selain itu untuk memprediksi nilai dari variabel Y apabila nilai variabel X nya mengalami kenaikan ataupun penurunan. Rumus regresi linear sederhana sebagai berikut: Y = a + bX
Terima kasih atas penjelasan yang sangat jelas kak🙏 saya ingin bertanya kak nilai dari R square saya adalah 0,360 artinya gimana yah kak? Kemudian nilai dari Adjusted R square saya 0,323 maksudnya gimana yaah kak? Kemudian nilai Tabel coefficients saya kak itu Intercept = 49,00 X= 0,953 Mohon penjelasannya kak gimana maksudnya?😭🙏🙏🙏
@sulumia2255 Dalam hal nilai R-square sebesar 0,360, ini berarti bahwa variabel independen dalam model regresi tersebut hanya mampu menjelaskan sekitar 36% variasi dalam variabel dependen. Dengan kata lain, sekitar 64% variasi dalam variabel dependen tidak dapat dijelaskan oleh variabel independen yang ada dalam model.
intersepsi adalah 0,49, yang berarti jika nilai x adalah 0, maka nilai y akan menjadi 0,49. Jika Anda ingin mengetahui nilai y saat x adalah 0,950, Anda perlu menggunakan persamaan regresi linier yang sesuai dengan tabel koefisien ini. Persamaan regresi linier umumnya dinyatakan sebagai: y = a + bx Di mana: y adalah variabel dependen (output yang ingin diprediksi) x adalah variabel independen (input) a adalah intercept b adalah koefisien regresi Namun, karena Anda tidak memberikan nilai koefisien regresi, tidak mungkin memberikan perkiraan yang akurat mengenai nilai y saat x = 0,950. Anda perlu memberikan nilai koefisien regresi (b) untuk mendapatkan hasil yang tepat. Jika Anda memiliki nilai koefisien regresi (b), Anda dapat menggantikannya ke dalam persamaan regresi linier dan menghitung nilai y saat x = 0,950.
Banyak faktor data analisis tidak muncul, namun salah satunya adalah dengan memastikan variabel independen (predictor) dan variabel dependen (response) sudah diidentifikasi dengan benar. Selain itu, pastikan bahwa data terstruktur dengan benar dalam format yang diperlukan oleh fungsi regresi.
Barangkali ada kesalahan pada saat input data, agar diperiksa kode atau script yang digunakan untuk memastikan tidak ada kesalahan sintaks atau logika. Gunakan print statements atau debugger untuk melacak variabel dan keluaran sementara.
P-value yang bernilai "#NUM" pada umumnya menunjukkan bahwa terjadi kesalahan atau kegagalan dalam perhitungan statistik. Beberapa kemungkinan penyebab P-value bernilai "#NUM" antara lain: Data yang tidak valid Kesalahan perhitungan: Hal ini bisa terjadi jika terdapat kesalahan dalam rumus atau metode yang digunakan untuk menghitung statistik Juga dapat terjadi jika ukuran sampel yang digunakan terlalu kecil. Adanya outlier yang ekstrem: Outlier yang ekstrem dalam data dapat mempengaruhi perhitungan statistik dan menyebabkan P-value yang tidak dapat dihitung secara valid. Jika Anda menghadapi situasi di mana P-value bernilai "#NUM", penting untuk memeriksa ulang data dan metode perhitungan yang digunakan untuk memastikan bahwa tidak ada kesalahan yang terjadi.
@@feminovieta kak pada data saya ada 302 data tapi itu rentangnya dari 3 tahun terakhir, jdi pada tabel saya, saya jumlahkan menurut tahun sehingga hanya ada 3 tabel dengan isi data tidak bekerja, bekerja, dan jurusan. disini saya ingin melakukan prediksi untuk data "bekerja" sebagai y dan "jurusan" sebagai x. pada tabel jurusan sendiri terdapat 2 data yaitu jurusan multimedia dan otomotif mohon bantuannya kak karena dari data tersebut saya mendapatkan hasil negatif atau #NUM
Dalam regresi linear, Ketika nilai x sama dengan 0, dampaknya akan bergantung pada apakah kita memiliki variabel independen yang berinteraksi dengan x atau tidak. Jika tidak ada interaksi atau pengali (slope) yang terkait langsung dengan x, maka dampaknya adalah bahwa variabel independen yang lainnya akan mempengaruhi nilai y pada titik tersebut. Dalam hal ini, ketika x = 0, regresi linear akan memberikan prediksi nilai y yang ditentukan oleh pengali (slope) dan intercept (perpotongan garis) regresi. Jika ada interaksi atau pengali yang terkait langsung dengan x, maka dampaknya bisa lebih kompleks. Nilai x = 0 mungkin menunjukkan titik potong atau pusat interaksi, di mana hubungan antara x dan y akan bergantung pada nilai variabel independen lainnya. Jadi, dampak nilai x = 0 pada regresi akan tergantung pada jenis regresi yang digunakan, variabel independen yang terlibat, serta interaksi dan pengaruhnya terhadap variabel dependen.
Note: Ada kesalahan pada menit 3:45 seharusnya pengambilan nilai koefisien determinasi menggunakan R square untuk regresi linier sederhana.
Kak, Kalu misal hasilnya > dari %5. Cara pengerjaan nya seperti apa? Sama kah atau berbeda?
Kak kalo significan hasilnya 6.5758E-08 maksudnya gimana ya @SIMITYTATADURAHIM
Ayoooo kaa ditunggu
Di excel jika ada hasil E-08 maka artinya 6.5758 x 10^-8. Terdapat 0 sebanyak 8 angka sebelum angka 6.
Hasilnya adalah 0.000000065758. Angka tersebut kurang dari alpha 0.05. Yang berarti var x berpengaruh signifikan terhadap y
Makasih kaaa ... Alhamdulillah ngerti deh aku ...tadi udah panik
TERIMA KASIHHH UDAH NGAJARINNNN HUWAAAA, UDAH MENYELAMATKAN AKU DARI UJIAN SEMESTER INI
Makasi banyak min, tutorial dan pejelasan akan materinya sangat rinci sehingga mudah untuk dipahami.
assalamualaikum 🙏🙏🙏hadir nyimak salam kenal dari q vlog Bambu Bertuah semoga channel nya makim sukses dan jaya 👍👍👍tetap semangat terus berkarya biar makin sukses 🙏🙏🙏 dan bahagia bersama keluarga tercinta 🤲🤲🤲
Terima kasih.
Keren kakak nya langsung to the point tanpa bertele2. Terimakasih kak ilmunya sangat membantu🥰🥰
Tencuuuuuu bgt kakkkkk udh dijelasin dengan perlahan² 🙏
Terima kasih.🙏
Terima kasih. sangaaat membantu.......thank you...thank you....
penjelasannya sangat rinci dan mudah dipahami. mantap
terima kasih banyak bu sangat membantu sekali.
Thank you berkat kamu tugasku jadi
Hadiir malam bosku....sukses selalu buat channelnya 😊👌.
Malam juga. Terima kasih dan salam sukses pula buat anda.
Aslmualikum wr wb ikut Belajar videonya suwunn
Silahkan, semoga bermanfaat. Terima kasih🙏
terima kasih , penjelasan nya mudah dipahami
sangat membantu sekali terimakasih kak caranya cepet dan sederhana bangetttt
Amazing share my dear friend.
tutorial yang bermanfaat. trims mbak
Terima kasih kembali.🙏
terimakasih, izin pake datanya untuk tugas yaa🙏🏼
Silahkan, jika ada kesalahan, silahkan diperbaiki.🙏
terimakasih ibu sangat membantu👍
Terimakasih Bu... tutorialnya sangat bermanfaat 🙏🙏🙏
Hadir ikut menimba ilmu, salam kenal kawan
Terimakasih kak, saya membutuhkannya....
SANGAT BERMANFAAT. TERIMA KASIH
Terima kasih banyak kak ilmunya sangat bermanfaat ✨
Kak izin bertanya, saya melakukan uji regresi linier sederhana dan mendapatkan hasil. P value nya 2,84E-13 dan nilai R Square nya 0,901.
Itu bagaimana ya pak membuat kesimpulan nya, dikarenakan nilai r square nya tinggi namun P value nya >0,05.
Semoga di jawab ya🙏
Dalam kasus Anda, P-value sangat rendah (2,84E-13 atau 0,000000000000284), yang umumnya dianggap sangat signifikan. Hal ini menunjukkan bahwa ada cukup bukti statistik untuk menolak hipotesis nol bahwa koefisien regresi untuk variabel independen adalah nol, atau dengan kata lain, bahwa variabel independen memang berkontribusi secara signifikan terhadap variabilitas dalam variabel dependen.
R Square yang tinggi (0,901 atau 90,1%) menunjukkan bahwa model regresi Anda cukup baik dalam menjelaskan variabilitas dalam data. Lebih dari 90% variabilitas dalam variabel dependen dapat dijelaskan oleh variabel independen dalam model Anda.
Kesimpulannya dapat menjadi sebagai berikut:
Variabel independen memiliki pengaruh signifikan: P-value yang sangat rendah menunjukkan bahwa variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen.
Model regresi baik dalam menjelaskan variabilitas: Nilai R Square yang tinggi menunjukkan bahwa model regresi Anda cukup baik dalam menjelaskan variabilitas dalam data.
@@feminovieta Tapi kak saya kan penelitian komparatif membandingkan perbedaan Hasil Belajar Siswa reguler dan boarding school. Waktu dilakukan uji hipotesis dengan uji t di dapat hasil bahwa tidak ada perbedaan Hasil Belajar jadi antara siswa reguler dan boarding hasil belajar nya sama. Tapi kenapa waktu di uji linier sederhana 90% variabel X mempengaruhi variabel Y
@@FitriHandayani08
Ada beberapa kemungkinan mengapa hasil uji hipotesis dengan uji t menunjukkan bahwa tidak ada perbedaan signifikan dalam hasil belajar antara siswa reguler dan boarding school, tetapi hasil uji linier sederhana menunjukkan bahwa 90% variabel X mempengaruhi variabel Y. Berikut beberapa kemungkinan penjelasan:
Interaksi antar variabel: Mungkin ada interaksi kompleks antara variabel yang tidak terdeteksi oleh uji t. Ini berarti bahwa saat mempertimbangkan kedua kelompok siswa secara bersamaan (reguler dan boarding), tidak ada perbedaan yang signifikan, tetapi jika melihat satu variabel pada satu waktu (dalam uji linier sederhana), perbedaan muncul.
Variabel lain yang tidak diukur: Ada kemungkinan ada faktor lain yang tidak diukur atau tidak dipertimbangkan dalam penelitian Anda yang mempengaruhi hubungan antara variabel X dan Y. Variabel-variabel tambahan yang tidak diidentifikasi dapat memberikan kontribusi signifikan.
Metode pengukuran yang berbeda: Metode pengukuran variabel X dan Y mungkin berbeda antara uji hipotesis dengan uji t dan uji linier sederhana. Metode yang berbeda dapat menghasilkan temuan yang berbeda.
Ukuran sampel yang berbeda: Jika ukuran sampel antara kelompok siswa reguler dan boarding school berbeda, ini dapat memengaruhi kekuatan statistik dan kemampuan untuk mendeteksi perbedaan yang sebenarnya.
Keberagaman individu dalam kelompok: Meskipun tidak ada perbedaan rata-rata yang signifikan antara kelompok, mungkin ada variasi individual yang signifikan dalam kelompok siswa reguler atau boarding school yang hanya terlihat ketika dianalisis dengan uji linier sederhana
@@feminovieta Terimakasih banyak ya ka
terimakasih ibuu saya juga ada E nya hehe
mantap kak, penjelasannya mudah dipahamii
Terima kasih.🙏
kak makasi banyakkk, ini membantu bangett😭👍
Thanks kak, bermanfaat sekaliii tutorialnya 🙏🙏🙏
Terima kasih.👍
Makasih Kaka ilmunya 🙏
Terima kasih.🙏
Terima kasih, sangat bermanfaat
Hai kak, aku mau nanya yang angka alfa 0.05 itu didapat dari mana yah?, klo nilai signifikasi > alfa bagaimana kak?
Dalam regresi linear, terdapat dua parameter utama: koefisien (slope) dan intercept (intersepsi). Nilai 0.5 bisa merujuk pada koefisien (slope) dari model regresi linear, yang menggambarkan sejauh mana variabel independen mempengaruhi variabel dependen. Jika nilai slope adalah 0.5, itu berarti bahwa setiap peningkatan satu unit dalam variabel independen akan menghasilkan peningkatan 0.5 unit dalam variabel dependen. Nilai ini dapat berbeda tergantung pada data yang sebenarnya dan model regresi yang digunakan.
Jika nilai signifikansi (p-value) dalam analisis statistik lebih besar dari tingkat signifikansi alpha yang telah ditentukan sebelumnya, biasanya Anda tidak memiliki cukup bukti untuk menolak hipotesis nol. Dalam konteks uji hipotesis, hipotesis nol adalah pernyataan bahwa tidak ada efek atau perbedaan yang signifikan antara dua kelompok atau variabel.
Dengan kata lain, jika p-value lebih besar dari alpha (biasanya alpha ditetapkan pada tingkat signifikansi tertentu, misalnya 0.05), maka Anda tidak memiliki cukup bukti statistik untuk menyimpulkan bahwa ada perbedaan atau efek yang signifikan dalam data Anda. Oleh karena itu, Anda akan mempertahankan hipotesis nol.
Hal ini menunjukkan bahwa data Anda tidak mendukung hipotesis bahwa ada efek atau perbedaan yang signifikan, tetapi ini tidak membuktikan bahwa tidak ada efek sama sekali. Penting untuk selalu memahami batasan analisis statistik dan konteksnya serta berhati-hati dalam menafsirkan hasil uji hipotesis.
@@feminovieta terima kasih banyak atas penjelasannya kak, sangat lengkap dan mudah di mengerti
Terimakasih Bang tutorialnya 🙏
Keren kak, mksh 🎉😊
Terima kasih atas edukasinya
makasi kak sangat bermanfaat videonya
ka suaranya enak bgt didenger
Terima kasih.🙏
makasih ilmunya kak
Terimakasih kak sangat membantu
Assalamualaikum kak,izin bertanya apakah tidak perlu dilakukan uji prasyarat regresi linier terlebih dahulu seperti uji normalitas,uji homogenitas,dan uji linearitas? Terima kasih.
Pada dasarnya, regresi linear memiliki beberapa asumsi prasyarat, dan uji normalitas tidak selalu diperlukan. Asumsi utama melibatkan linearitas, independensi, homoskedastisitas (varians konstan), dan normalitas residu. Meskipun uji normalitas dapat memberikan wawasan tambahan, namun tidak selalu menjadi keharusan. Penting untuk mempertimbangkan asumsi-asumsi lainnya dan menggunakan uji yang relevan sesuai dengan konteks dan data yang Anda miliki.
@@feminovieta jadi kalau saya menghitung pengaruh jumlah penduduk kepada tingkat kemiskinan bisa langsung menggunakan langkah-langkah excel seperti divideo itu ya kak tanpa menghitung normalitas terlebih dahulu?🙏 Terima kasih.
Bukan mutlak tanpa uji prasyarat normalitas, namun tidak selalu harus menggunakan itu.
@@feminovieta baik kak, terima kasih 🙏
halo kak mau tanya, jadi kalo nilai X nya naik 1 misalnya dapat "1,4949248", berarti interceptnya tambah 0,59?
terima kasih kak
makasih kak,sangat membantu
kak kalo X variable nya ada dua berati jadi nya intercept + x variable 1 + x variable 2 ?
Terima kasih kak!☺️
Terimakasih kak videonya sangat bermanfaat 🔥🔥🙏
Terima kasih kembali.💗👍
Maaf mau tanya Mbak Mitty: Walaupun sdh di AddIns melalui OPTION, "Data Analysis ToolPack" di excel gak bisa muncul di "kanan atas". Mohon pencerahannya ya Mbak Mitty. Trims.
Barangkali dicoba diupdate aja.🙏
Pilih Add-Ins
Pada list, Pilih Inactive Applications Add-Ins
Pilih Analysis ToolPak
Di bawah ada pilihan dropdown, pilih Excel Add-Ins.
Klik “Go”
Tunggu sampai selesai, setelah selesai pilih "data"
🙏
Kemudian anda klik OK.
thank you so much kakaaa
Terima kasih kembali🙏
Kak kalo koefisien korelasi nya lebih dari 1.xyx itu bgaimna kak?
Kak kenapa pas awal bloknya Y duluan baru X. Apakah berpengaruh ke hasil kak semisal yg di blok X dulu baru Y?semoga di jawab ya kak, terima kasih🙏🏼
Kalau langkah umum biasanya isi Input Y Range, diketik juga bisa dengan cara membloknya. Kemudian isikan Input X Range. Semua variabel bebas diblok sekaligus.
Nah kalau terbalik, apa berpengaruh ? Sepertinya anda tahu jawabannya.🙏
@@feminovieta baik kak terima kasih banyak kak 🙏🏼
Permisi kak,
Mo bertanya, kok ketika saya analysis data regression tidak keluar kak? ada tulisan regression - LINEST() function return error. Please check input ranges again.
Mohon jawabannya kak, terima kasih
Penyebab
Output yang dikembalikan dari LINEST mungkin salah jika satu atau beberapa kondisi berikut ini benar:
Rentang nilai x tumpang tindih dengan rentang nilai y.
Jumlah baris dalam rentang input kurang dari jumlah kolom dalam rentang total (nilai x Plus nilai y).
Anda menentukan konstanta nol (mengatur argumen ketiga dari fungsi LINEST ke true).
Penyelesaian Masalah
Kasus 1: nilai x-dan rentang nilai y tumpang tindih
Jika nilai x dan nilai y berkisar tumpang tindih, fungsi lembar kerja LINEST menghasilkan nilai yang tidak benar di semua sel hasil. Probabilitas statistik normal tidak memperbolehkan nilai dalam rentang x dan y untuk tumpang tindih (saling duplikat). Jangan tumpang tindih dengan rentang nilai x dan y saat mereferensikan sel dalam rumus.Catatan Alat regresi akan memberi tahu Anda tentang masalah ini dan tidak melanjutkan. Anda bisa menggunakan alat regresi dan bukan fungsi lembar kerja LINEST.
Di Microsoft Office Excel 2007, Anda bisa menemukan alat regresi dengan mengklik analisis data dalam grup analisis pada tab data . Di Microsoft Office Excel 2003 dan di versi Excel yang lebih lama, Anda dapat menemukan alat regresi dengan mengklik analisis data pada menu alat .
Kasus 2: jumlah baris kurang dari jumlah kolom x
Statistik tidak valid untuk jumlah baris yang lebih kecil dari jumlah kolom x (variabel). Jumlah baris data harus lebih besar dari jumlah kolom data (kolom x Plus kolom y).
Kasus 3: Anda menentukan konstanta nol
Jangan menentukan konstanta nol (b = 0) dalam fungsi.
Sumber: support Microsoft.com
Aku punya tugas hampir mirip seperti ini, pusing banget liatnya kak:(
Kak kuliahnya jurusan apa kalau boleh tau?
S1, Pendidikan Ekonomi Unsoed.🙏
Sama
Salam
Permisi ibu ijin bertanya, untuk kategore korelasi itu apakah memang sudah ditentukan dari soal masing2, atau hal tsb merupakan ketentuan mutlak bu? terimakasih banyak sebelumnya
Korelasi merupakan hubungan timbal balik atau sebab akibat. Pada konteks teknik analisis, korelasi biasa digunakan untuk mencari hubungan di antara dua variabel yang memiliki sifat kuantitatif. Dua variabel bisa disebut berkorelasi, bila perubahan pada variabel yang lain ke arah yang sama (korelasi positif) atau berlawanan (korelasi negatif) secara teratur.
Besarnya nilai koefesien korelasi berada di antara antara -1 sampai 1. Koefisien korelasi bernilai nol, artinya tidak terdapat korelasi antara kedua variabel. Nilai absolut/ mutlak koefisien korelasi diantara nol sampai 0.5, artinya terdapat korelasi yang lemah antara kedua variabel
Koefisien korelasi diantara 0.5 sampai 0.7, artinya terdapat korelasi yang moderat/ cukup kuat antara kedua variabel
Koefisien korelasi diantara 0.7 sampai 0.99, artinya terdapat korelasi yang kuat antara kedua variabel
Kak mau tanya di tabel coeficiennya nilai var.X nya minus, jadi analisisnya bagaimana?
Terima kasih mohon jawabannya 🙏
Analisis keofisien x yang negatif menunjukkan bahwa ada hubungan yang tidak efisien antara input dan output dalam suatu sistem. Hal ini bisa menandakan pemborosan atau inefisiensi dalam penggunaan sumber daya, dan perlu dieksplorasi lebih lanjut untuk mengidentifikasi penyebabnya dan mencari solusi untuk meningkatkan efisiensi.
@@feminovieta terima kasih banyakk kak sangatt membantu 🥰😭
Trimakasih kk🙏
mbak mau tanya..
semisal koefisiennya itu yang
intercept = -1,305
X = 0,306
berarti penulisan Y nya
Y = -1,305 + 0,306X
apa bener seperti itu mbak?
Persamaan regresi sederhana: Y = a + bX
Keterangan:
Y = variabel kriterium
X = variabel prediktor
a = variabel konstan
b = koefisien arah regresi linier.
@@feminovieta siap mbak, matursuwun
Kak saya ditanya uji t nya dilihatnya dari mana ya
terimakasih
terima kasih
terimakasih kak
Kak mau tanya,, saya kan suruh meneliti dan membuat studi kasus seperti tersebut,, untuk memperoleh datanya atau mengumpulkan datanya. Contohnya kek punya kakak data ketaatan terhadap tugas dan kinerja mahasiswa itu di dapat dari mana ya,, mohon bantuannya kak🙏
Untuk mendapat data tentang ketaatan dannkinerja dapat menggunakan: kuisioner, observasi, dokumen hasil belajar yang menunjukkan capaian kinerja.
makasih mbaa
Kak, misalnya Xnya lebih dri satu, di input x rangenya gimna caranya biar masuk semua sekaligus?
Untuk memasukkan lebih dari satu variabel independen (x) pada regresi linear, Anda dapat menggunakan regresi linear berganda. Dalam regresi linear berganda, Anda memiliki lebih dari satu variabel independen yang mempengaruhi variabel dependen.
thank you kakaa
Sama-sama.🙏
Terima kasih mbak 😚🙏🏾
Kak multiple r rumusnya apa? Terus kalo hasilnya positif mau diubah negatif gimana caranya?
Yang dimaksud rumus multiple r koefisien korelasi berganda adalah akar dari R2. R=√R2
Jika anda mau merubah Variabel Dependen:
Misalkan model awal yang hasilnya positif adalah:
𝑌=𝛽0+𝛽1𝑋1+𝛽2𝑋2+𝜖
Maka untuk mengubah menjadi negatif rumusnya menjadi:
−𝑌=−𝛽0−𝛽1𝑋1−𝛽2𝑋2-€
Kak intercept aku 3601,016, X nya -100, 173 itu gimana kak.
Makasih kkak
Mau tanya kak, ini ndak perlu ngitung Koefisien determinasi sama uji F yah? Udah ada hasil nya di output kan kak?
Love = Iya ya kak???
Kalau mau belajar langsung, menghubungi siapa atau caranya gimana
Saya tidak membuka kursus, Pak. Saya sekarang bekerja jadi admin di sebuah perusahaan. Itu video dibuat, saat kuliah di Unsoed fak. Ekonomi🙏
Kalau nilai signifikansi > alpha = 0,05
Jadi kesimpulannya apa kak?
Nilai signifikansi 0,05 menunjukkan ambang batas di mana suatu hasil dianggap signifikan secara statistik. Jika nilai p-value (nilai probabilitas) dari suatu uji statistik lebih kecil dari 0,05, maka kita dapat menolak hipotesis nol dan menganggap hasil tersebut signifikan secara statistik.
Izin bertanya, kalau penelitianya ada 3 ulangan cara input datanya bagaimana kak? Apakah nilainya dirata ratakan?
Dalam regresi linear, jika Anda memiliki tiga ulangan (replikasi) untuk setiap nilai variabel independen, Anda dapat memutuskan untuk mengolah data dengan beberapa cara. Beberapa pilihan yang umum dilakukan adalah:
1. Menggunakan Nilai Rata-rata:
Anda dapat menghitung nilai rata-rata dari setiap ulangan untuk setiap variabel independen. Dengan cara ini, Anda akan mendapatkan satu nilai rata-rata untuk setiap variabel pada setiap ulangan.
Lakukan hal yang sama untuk variabel independen lainnya.
2. Menggunakan Semua Nilai:
Alternatifnya, Anda dapat menggunakan semua nilai dari setiap ulangan sebagai data input. Ini akan memberikan keragaman lebih besar dalam data dan mungkin memberikan gambaran yang lebih lengkap tentang hubungan antara variabel dependen dan independen. .
3. Analisis Statistik Lanjutan:
Anda juga dapat melakukan analisis statistik lanjutan untuk memeriksa distribusi dan variasi data dari setiap ulangan.
Mungkin juga berguna untuk memeriksa apakah ada perbedaan signifikan antara ulangan menggunakan uji statistik.
Ka kalau interceptnya negatif. Jadi Y = -15,12+2,900x cara analisisnya gmn?
Anda mungkin perlu melakukan analisis lebih lanjut untuk memahami mengapa intercept tersebut negatif. Ini bisa termasuk melihat data lebih detail, mengevaluasi model regresi Anda, atau mempertimbangkan faktor-faktor eksternal lainnya yang mungkin mempengaruhi variabel dependen.
Periksa apakah model regresi linier ini relevan dan memadai untuk data Anda. Terkadang, intercept negatif dapat menunjukkan bahwa model yang dipilih tidak sepenuhnya cocok untuk data yang dianalisis, dan mungkin diperlukan model yang lebih kompleks atau transformasi data tambahan. intercept negatif bukanlah hal yang aneh dalam regresi linier, namun selalu penting untuk mengaitkan hasil statistik dengan pemahaman kontekstual dari data yang Anda analisis
@@feminovieta mksdnya data hasil responden saya perlu diubah ya ka? Apakah hasil Y=-15,12+2,900X akan bermasalah ka?
Intercept yang negatif dalam model regresi, seperti dalam persamaan y=−15,12+2,900x, tidak selalu menunjukkan ada masalah dengan data atau bahwa data responden harus diganti. Sebaliknya, interpretasi intercept tergantung pada konteks data dan model yang digunakan.
@@feminovieta jadi tergantung pada data x saya ya ka? Kalau hasilnya tidak ada yang negatif maka aman kah?
Kak, kalau yg alpha 0,05 itu di dapat dari mana ya?
dri contoh gogel banyak tuh coba cri aja dulu r tabel nya rp nya smpai. berpa disuruhkan wktu dihitung kalau sya smpai 30 nah cri deh urutan dri 0,05 dan cari aja namanya r tabel ada tuh tinggl nyalin aja kalau sudah dihitung
Makacii
Beuh gile klo gk ada ini gk bs nugas ge
Izin bu kenapa saya tulisannya non numerik data ya bu?
Ketika Anda menggunakan regresi linear untuk menganalisis data, variabel independen (prediktor) bisa berupa variabel numerik atau non-numerik. Tidak masalah jika data Anda berupa non-numerik asalkan Anda dapat mewakili data tersebut dalam bentuk yang dapat digunakan dalam model regresi linear, misalnya dengan menggunakan teknik pengkodean yang sesuai.
Ka maaf itu cara untuk regresi linear sederhana atau berganda? Di awal video kalo kk bilangnya buat berganda tapi pas di akhir bilangnya sederhana 🙏
Oh iya kak. Baru sadar di bagian awal ada kesalahan penyebutan. Yang betul sederhana ya kak 🙏
Untuk pembahasan yang berganda ada di video lainnya ya kak. Silahkan lihat di channel ini
Terima kasih atas koreksinya.🙏
Oh iya ka,, terimakasih juga konten yg bermanfaatnya🥰
Trima kasi kaka
Sama-sama.🙏
Cara cari MULTIPLE R secara manual karena X dan Y pake REALTIME DATA
Kalau pakai R Square berarti Nilai Koefisien determinasi jadi 45,7% kak?
Iya betul kak. Harusnya pakai R Square. Hasilnya 45.7%.
Yang divideo ada keliru sedikit. Adjusted r square digunakan untuk regresi berganda 🙏
semoga dijawab ya kak. saya sama sekali tdk mengerti angka sebanyak itu dari tabel X dan Y di dapat dari mana? terimakasih
Bantu jawab ya ka ....kalau nilai x itu dr hasil sebaran angket... Nilai Y itu dr nilai yg terikat atau sudah ditentukan contoh nilai ulangan siswa
Seperti itulah, jadi seberapa besar pengaruh belajar.......pada hasil belajar siswa.🙏
itu Nilai X,Y dapat dri mana kak? dpt dri nilais penjumlahan yang mulai dri 1 butir soal yah kak wktu di rumus kan pake sum? lalu kemudian discroll bawah dpt hasilnya sudah itu yang ifu diambil yah kak nilai X nya? terus untuk Y ny dpt dimana kk? mohon dijawab kk🙏
kak ingin bertanya jika significancenya F nya lebih dari alpha disimpulkan seperti apa nggih? terimakasih
Kesmipulannya, H1 ditolak, H0 diterima
Asalamualikum kawanku
Waalaikum salam...🙏
Kak saya mau tanya, kalau penaksiran parameter regresi menggunakan metode OLS itu di excel pakai apa ya? Apakah analisis regresi yang ada di excel ini merupakan regresi pakai OLS? Makasih kak
Di Excel 2013. Untuk perimeternya saya masih sedang mempelajari, saya coba menggunakan "RANDO". dan mohon maaf saya belum bisa menjelaskan secara detail.
Selanjutnya untuk menggunakan analisis Regresi di Excel, anda harus melakukan aktivasi Add-Ins Analysis ToolPak. Analisis Regresi di dalam MS Excel dapat dilakukan dengan mudah tanpa perlu menggunakan software tambahan seperti SPSS.
@@feminovieta halo kak saya mau bertanya untuk melihat kesalahan residual itu dari mana yah ?
Dengan menggunakan kesalahan standar residual untuk mengukur dari residual €, dimana € merupakan suku kesalahan yang tidak bergantung pada X.
Kenapa sya nda bisa terbuka analisinya
Kak ini soalnya sama kaya nyari persamaan garis regresi apa ngga ya?
Kak tolong buatkan tutorial yg uji normalitas dan linier untuk regresi ini kak
Akan saya usahakan. 🙏
bukannya kl nilai signifikansi
kak kalau mau mencari nilai koefisien korelasi gimana kak dari tabel itu?
Banyak rumus untuk mencari keofisien korelasi ( nilai r) , salah satunya adalah metode korelasi Pearson. Mungkin saya tidak bisa menjelaskan sampai detail, silahkan gunakan rumus mencari nilai r tersebut dari variabel yang telah dibuat.🙏
kak, bukannya yang dibandingkan dengan alpha itu p-value ya?
Sig F untuk mencari uji F.
P value untuk uji T.
Kalau untuk regresi linear sederhana mau pake sig F atau P value sama saja.
@@feminovieta kak kalau nilai signifikansinya lebih dari alpa, maka hasilnya gimana ya?
Jika nilai signifikansinya lebih besar dari alpha ( 0,05 ), maka Ho diterima dan Ha ditolak. Artinya, tidak ada pengaruh antara variabel independen terhadap variabel dependen. Namun jika signifikansinya oebih kecil, maka Ho ditolak dan Ha diterima.
🙏
Kak kenapa ada tulisan input range must be a single row or columnn ketika di klik ok? Padaha sudah sesuai ?
Untuk regresi linier, Excel akan menerima beberapa nilai X independen namun hasilnya harus berupa nilai Y tunggal. Mungkin terbalik pengisiannya.🙏
Gimana cari multiple R tapi secara manual menggunakan formula Excel.
Aktifkan tool pack pada Excell. Pada pilihan Residual, terdapat 4 pilihan, bisa menconteng sesuai dengan keinginan. Ada empat tabel hasil yang ditampilkan yaitu Summary output, Anova, Residual Output, dan Probability Ooutput. Di bagian Sumary output ditampilkan nilai multiple R, R square, adjusted R square, standard error dan jumlah observasi. Pada ANOVA ditampilkan analisis variance dan nilai F serta pengujiannya, yaitu membandingkan F Hitung dengan Tabel F: F Tabel dalam Excel.
Mohon maaf jika salah memahami pertanyaan.🙏
Maksud saya...TDK pake formula Excel. Apakah bisa di cari Multiple R
Mungkin saya harus banyak belajar lagi, mohon maaf atas jawabannya.
Barangkali ada rekan yang bantu menjawab pertanyaan di atas, saya sangat berterima kasi.🙏
Sisanya di pengaruhi faktor lain itu faktor lain apa ya?
Beberapa faktor lain yang berpengaruh pada regresi adalah:
Variabel Kontrol: Ini adalah variabel tambahan yang dapat dimasukkan ke dalam model regresi untuk mengontrol pengaruhnya terhadap variabel dependen. Variabel-variabel kontrol ini membantu menghilangkan efek confounding atau perbedaan yang mungkin ada di antara kelompok data.
Interaksi antar Variabel: Dalam beberapa kasus, interaksi antara dua atau lebih variabel dapat mempengaruhi variabel dependen dengan cara yang berbeda daripada pengaruh individu mereka. Oleh karena itu, interaksi ini perlu dipertimbangkan dalam analisis regresi.
Efek Waktu: Dalam analisis data berbasis waktu, faktor waktu dapat sangat mempengaruhi variabel dependen. Perubahan tren seiring waktu atau musim bisa menjadi faktor penting dalam regresi waktu.
Efek Multikolinearitas: Ini terjadi ketika dua atau lebih variabel independen dalam model regresi berkorelasi tinggi satu sama lain, yang dapat memengaruhi interpretasi koefisien regresi.
Data Pencilan (Outliers): Data pencilan atau anomali dalam dataset dapat memiliki pengaruh signifikan pada hasil analisis regresi. Pengelolaan data pencilan penting untuk meminimalkan efeknya.
Variabilitas Residual: Variabilitas yang tidak dapat dijelaskan oleh model regresi disebut variabilitas residual. Faktor-faktor lain yang tidak dimasukkan dalam model dapat berkontribusi pada variabilitas ini.
Kesalahan Pengukuran: Kesalahan pengukuran dalam variabel-variabel yang digunakan dalam analisis regresi dapat mempengaruhi hasilnya.
Heteroskedastisitas: Variabilitas yang tidak konstan dalam data residual juga dapat mempengaruhi hasil regresi. Ini terkait dengan ketidaksesuaian varians dalam data.
Efek Pengamatan Tertinggal: Informasi yang hilang atau pengamatan yang tertinggal dalam dataset dapat memengaruhi hasil analisis regresi.
Spesifikasi Model: Cara model regresi dibangun, termasuk pemilihan variabel yang dimasukkan atau dikecualikan, dapat sangat mempengaruhi hasil analisis.
izin bertanya kak,jika data bukan hanya x dan y saja bagaimana ya ka?
Kalau variabel X nya ada 2 bisa pakai yang berganda ya
Back ground statistic kah?
Lulusan Fak. Ekonomi UNY 2021.
mbak saya mau nanya, nilai alpha itu di dapat dari mana ?
Nilai alpha adalah batas maksimal kesalahan yang dijadikan patokan oleh si peneliti, misal alpha = 5% berarti tingkat kepercayaannya mencapai 95%. Nilai ini ditentukan sebelum melakukan penelitian.
terimaksih
Kak kalau cara menghitung untuk mengetahui indikator variabel x yang paling berpengaruh pada indikator variabel y bagaimana ya dengan metode regresi?
Analisis regresi linier sederhana memiliki hubungan secara linear antara variabel independen (X) dengan variabel dependen (Y). Misalnya
kita tentukan indikator X nya:
X1 = ......
X2 = .....
X3 = .......
Dengan indikator tersebut, kita dapat mengetahui indikator X mana yang paling berpengaruh terhadap Y.
Dengan analisis regresi sederhana dapat mengetahui arah dari hubungan antara variabel X dengan variabel Y, ada hubungan positif atau negatif. Selain itu untuk memprediksi nilai dari variabel Y apabila nilai variabel X nya mengalami kenaikan ataupun penurunan.
Rumus regresi linear sederhana sebagai berikut: Y = a + bX
@@feminovieta terima kasih kak atas jawabannya
Terima kasih atas penjelasan yang sangat jelas kak🙏
saya ingin bertanya kak nilai dari R square saya adalah 0,360 artinya gimana yah kak? Kemudian nilai dari Adjusted R square saya 0,323 maksudnya gimana yaah kak?
Kemudian nilai Tabel coefficients saya kak itu
Intercept = 49,00
X= 0,953
Mohon penjelasannya kak gimana maksudnya?😭🙏🙏🙏
@sulumia2255
Dalam hal nilai R-square sebesar 0,360, ini berarti bahwa variabel independen dalam model regresi tersebut hanya mampu menjelaskan sekitar 36% variasi dalam variabel dependen. Dengan kata lain, sekitar 64% variasi dalam variabel dependen tidak dapat dijelaskan oleh variabel independen yang ada dalam model.
intersepsi adalah 0,49, yang berarti jika nilai x adalah 0, maka nilai y akan menjadi 0,49.
Jika Anda ingin mengetahui nilai y saat x adalah 0,950, Anda perlu menggunakan persamaan regresi linier yang sesuai dengan tabel koefisien ini. Persamaan regresi linier umumnya dinyatakan sebagai:
y = a + bx
Di mana: y adalah variabel dependen (output yang ingin diprediksi)
x adalah variabel independen (input)
a adalah intercept
b adalah koefisien regresi
Namun, karena Anda tidak memberikan nilai koefisien regresi, tidak mungkin memberikan perkiraan yang akurat mengenai nilai y saat x = 0,950. Anda perlu memberikan nilai koefisien regresi (b) untuk mendapatkan hasil yang tepat.
Jika Anda memiliki nilai koefisien regresi (b), Anda dapat menggantikannya ke dalam persamaan regresi linier dan menghitung nilai y saat x = 0,950.
Kok judulnya ga bisa ke select??
Gimana klo data analisis nya msih tetap gk ada kak
Banyak faktor data analisis tidak muncul, namun salah satunya adalah dengan memastikan variabel independen (predictor) dan variabel dependen (response) sudah diidentifikasi dengan benar.
Selain itu, pastikan bahwa data terstruktur dengan benar dalam format yang diperlukan oleh fungsi regresi.
Barangkali ada kesalahan pada saat input data, agar diperiksa kode atau script yang digunakan untuk memastikan tidak ada kesalahan sintaks atau logika. Gunakan print statements atau debugger untuk melacak variabel dan keluaran sementara.
Halo kak izin bertanya, kalau nilai P-valuenya #NUM!
Itu kenapa dan bagaimana memgatasinya ?
Mohon bantuannya kak
Terimakasih
P-value yang bernilai "#NUM" pada umumnya menunjukkan bahwa terjadi kesalahan atau kegagalan dalam perhitungan statistik. Beberapa kemungkinan penyebab P-value bernilai "#NUM" antara lain:
Data yang tidak valid
Kesalahan perhitungan: Hal ini bisa terjadi jika terdapat kesalahan dalam rumus atau metode yang digunakan untuk menghitung statistik Juga dapat terjadi jika ukuran sampel yang digunakan terlalu kecil.
Adanya outlier yang ekstrem: Outlier yang ekstrem dalam data dapat mempengaruhi perhitungan statistik dan menyebabkan P-value yang tidak dapat dihitung secara valid.
Jika Anda menghadapi situasi di mana P-value bernilai "#NUM", penting untuk memeriksa ulang data dan metode perhitungan yang digunakan untuk memastikan bahwa tidak ada kesalahan yang terjadi.
@@feminovieta kak pada data saya ada 302 data tapi itu rentangnya dari 3 tahun terakhir, jdi pada tabel saya, saya jumlahkan menurut tahun sehingga hanya ada 3 tabel dengan isi data tidak bekerja, bekerja, dan jurusan.
disini saya ingin melakukan prediksi untuk data "bekerja" sebagai y dan "jurusan" sebagai x.
pada tabel jurusan sendiri terdapat 2 data yaitu jurusan multimedia dan otomotif
mohon bantuannya kak karena dari data tersebut saya mendapatkan hasil negatif atau #NUM
@@feminovieta kak semisal hasil variabel x nya 0 itu gpp ?
Dalam regresi linear, Ketika nilai x sama dengan 0, dampaknya akan bergantung pada apakah kita memiliki variabel independen yang berinteraksi dengan x atau tidak. Jika tidak ada interaksi atau pengali (slope) yang terkait langsung dengan x, maka dampaknya adalah bahwa variabel independen yang lainnya akan mempengaruhi nilai y pada titik tersebut. Dalam hal ini, ketika x = 0, regresi linear akan memberikan prediksi nilai y yang ditentukan oleh pengali (slope) dan intercept (perpotongan garis) regresi.
Jika ada interaksi atau pengali yang terkait langsung dengan x, maka dampaknya bisa lebih kompleks. Nilai x = 0 mungkin menunjukkan titik potong atau pusat interaksi, di mana hubungan antara x dan y akan bergantung pada nilai variabel independen lainnya.
Jadi, dampak nilai x = 0 pada regresi akan tergantung pada jenis regresi yang digunakan, variabel independen yang terlibat, serta interaksi dan pengaruhnya terhadap variabel dependen.