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).