Postingan

Macam-macam Missing Value

Gambar
Missing Value adalah hilangnya beberapa data yang telah diperoleh. salah satu alasan terjadinya missing value adalah tidak terkumpulnya beberapa informasi. Misalnya : beberapa orang menolak untuk mengisi data berat badan, pendapatan bulanan, keterangan usia, dll. Cara-cara untuk mengatasi missing value antara lain menghilangkan beberapa data, membuat perkiraan data yang hilang menggunakan nilai mean (data yang normal) atau nilai median (data yang tidak normal), mengabaikan data yang missing , dll. Ada tiga jenis missing value yaitu Missing Completely at Random (MCAR), Missing at Random (MAR), dan Not Missing at Rnadom (NMAR)  MCAR adalah jenis missing value dimana distribusi data yang hilang tidak tergantung pada data pengamatan atau data missing value . Metode yang digunakan untuk mengatasi missing value antara lain Listwise, Pairwise, dan Estimasi Regresi. Contoh : Data yang diambil dari partisipan yang menggunakan koin uang untuk mengisi survey yang berisikan jawaban ya atau

Apa itu Analisis Data Eksploratif ?

Gambar
EDA atau Analisis Ekspolasi Data adalah suatu pendekatan yang digunakan untuk menganalisis data menggunakan berbagai teknik khususnya secara grafis. Tujuannya adalah memaksimalkan wawasan dari sekumpulan data yang ada, mendeteksi outlier dan anomali data, untuk mengenali struktur dasar data, mengekstrak variabel yang dianggap penting, menguji asumsi dasar dari data, dan dapat mengembangkan parsimonious dari model. Terdapat perbedaan langkah dalam melakukan analisis data secara klasik, eksplorasi, maupun secara bayesian.  Klasik : masalah -> data -> model -> analisis -> kesimpulan Eksplorasi : masalah -> analisis -> model -> kesimpulan  Bayesian : masalah -> data -> model ->prior distribusi -> analisis -> kesimpulan  Dalam EDA ada beberapa hal yang harus diketahui pada data yang sudah terkumpul antara lain distribusi datanya apakah simetris, normal, atau skewness, masalah pada kualitas data, apakah ada outlier, dan masalah korelasi dan inter

Kasus Regresi Linier Berganda 2 Variabel-SPSS (Data Sama)

Gambar
Setelah kurang lebih 1 Minggu absen dalam tulis menulis, kali ini saya akan melanjutkan mengenai tutorial pengolahan regresi linier berganda menggunakan SPSS. Data yang digunakan sama dengan sebelumnya yaitu EXH_REGR.MTW SPSS yang digunakan adalah SPSS 20.  berikut tampilan utama dari software ini Langkah-langkah analisis pada SPSS sama dengan Minitab sehingga pada postingan ini hanya berisi cara pengolahan dengan software SPSS. Lebih detailnya dapat dilihat pada link berikut. Langkah 1 : Menginput data di SPSS Data Heatflux , east, south, dan north yang ada di Minitab di copy kemudian di paste pada kotak SPSS à klik Variable view à Mengganti nama pada kotak Name yang sebelumnya adalah var0001 hingga var0004 menjadi Heatflux, east, south, dan North Langkah 2 : Membuat Scatter Plot panas wilayah East, South, dan Noth terhadap HeatFlux . Klik Analyze à Regression à Curve Estimation à kotak dialog Curve Estimation à Isi Dependent(s) dengan variabel He

Kasus Regresi Linier Berganda 2 Variabel-Minitab

Gambar
Hai guys..., setelah kemarin saya memposting materi mengenai regresi linier berganda, sekarang saya akan memposting cara pengelohan regresi linier berganda melalui software minitab dan SPSS. Kali ini melalui software minitab dulu yaa.... Data kali ini diambil dari database minitab yang bernama EXH_REGR.MTW Berikut adalah menu utama pada minitab  Cara mengambil datanya adalah pertama kali buka software minitab dulu Kemudian klik File à open worksheet à klik Look in minitab sample data folder à search file bernama EXH_REGR.MTW à OK  Data yang dipakai : Variabel respon ( y ) adalah HeatFlux Variabel prediktor ( x ) adalah East, North, dan South Disini akan memodelkan pengaruh panas di 3 titik wilayah yaitu East, South , dan North terhadap HeatFlux atau perubahan panas secara keseluruhan. Datanya adalah sebagai berikut  Langkah 1 : Membuat Scatter Plot panas wilayah East, South, dan Noth terhadap HeatFlux yang

Uji Asumsi Residual

Gambar
Uji asumsi klasik atau uji asumsi residual merupakan salah satu syarat yang harus dipenuhi pada analisis regresi linier. Apabila syarat-syarat terpenuhi maka estimasi parameternya tidak bias sehingga hasil dari pemodelannya dapat dipertanggungjawabkan .  Asumsi yang harus dipenuhi pada analisis antara lain residual harus i dentik, residual harus independen, dan residual berdistribusi normal.

Uji Signifikansi Parameter

Gambar
Uji signifikansi parameter digunakan untuk mengetahui ada tidaknya hubungan parameter didalam model regresi. Uji signifikansi parameter dilakukan secara serentak (simultan) maupun parsial.

Regresi Linier Berganda

Gambar
Regresi linier berganda adalah suatu analisis statistika yang bertujuan untuk mengukur pengaruh antara lebih dari satu variabel prediktor dan satu variabel respon.  Analisis ini dapat digunakan apabila antara variabel prediktor dan variabel respon berhubungan secara linier.  Hubungan kelinieran ini dapat dilihat melalui scatter plot.  Selain hubungan antar variabel yang linier salah satu syarat lain adalah tidak terjadi korelasi antar variabel prediktor (multikolinieritas).