h a l a m a n
| 83
Observed Value
16.6 16.4
16.2 16.0
15.8 15.6
E xp
ec te
d N
or m
al
1.5 1.0
0.5 0.0
-0.5 -1.0
-1.5
Normal Q-Q Plot of LNPDRB
DETEKSI OUTLIER Outlier adalah pengamatan yang memiliki simpangan yang cukup jauh dari rata-rata.
Cara untuk mendeteksi outlier sangat tergantung pada tingkatan analisis data, apakah tergolong analisis data univariate, bivariate, atau multivariate. Pada bab ini akan
dibahas deteksi outlier pada data univariate. Deteksi dari secara visual telah dibahas sebelumnya yaitu dengan menggunakan Box Plot. Cara lain adalah melalui nilai z-
score. Langkah-langkahnya adalah sebagai berikut:
1. Buka file yang berisi PDRB tersebut, Pilih Analyze Descriptive Statistics
Descriptives
Descriptives memunculkan nilai Zscore
2. Masukkan variabel PDRB pada kolom Variables, kemudian cek list Save standardized values as variables OK.
Output akan muncul berupa kolom
baru pada sheet Data View.
h a l a m a n
| 84
3. Z kredit adalah nilai z-score dari masing-masing pengamatan. Kriteria penentuan outlier dipengaruhi oleh banyaknya sampel, yaitu :
- Jika banyaknya sampel ≤ 80, maka pengamatan dengan Z score 2.5 atau
-2.5 adalah outlier - Jika banyaknya sampel 80. Maka pengamatan dengan Z score 3 atau -3
adalah outlier Hair,dkk, 1998
h a l a m a n
| 85
ANALISIS REGRESI
nalisis Regresi linier Linear Regression analysis adalah teknik statistika
untuk membuat model dan menyelidiki pengaruh antara satu atau beberapa variabel bebas Independent Variables terhadap satu variabel respon
dependent variable. Ada dua macam analisis regresi linier: 1. Regresi Linier Sederhana: Analisis Regresi dengan satu Independent variable ,
dengan formulasi umum: Y = a +b
1
X
1
+ e 9.1
2. Regresi Linier Berganda: Analisis regresi dengan dua atau lebih Independent Variable
, dengan formulasi umum: Y = a + b
1
X
1
+ b
2
X
2
+ … + b
n
X
n
+ e 9.2 Dimana:
Y = Dependent variable
a = konstanta
b
1
= koefisien regresi X
1
, b
2
= koefisien regresi X
2
, dst. e
= Residual Error Fungsi persamaan regresi selain untuk memprediksi nilai Dependent Variable Y,
juga dapat digunakan untuk mengetahui arah dan besarnya pengaruh Independent Variable
X terhadap Dependent Variable Y. Menurut Gujarati 2006, suatu model statistik dapat dikatakan sebagai model yang
baik apabila memenuhi beberapa kriteria berikut : 1. Parsemoni. Suatu model tidak akan pernah dapat secara sempurna menangkap
realitas sehingga hal ini menjadi urgensi bagi kita untuk melakukan sedikit abstraksi atau penyederhanaan dalam pembuatan model. Maksudnya,
ketikdakmampuan model kita dalam mencakup semua realitas yang ada itu menjadikan kita harus berfokus membuat model khusus untuk menjelaskan
realitas yang menjadi tujuan penelitian kita saja.
2. Mempunyai identifikasi tinggi. Artinya dengan data yang tersedia, parameter-
