Analisis Regresi Linear Sederhana dengan Simplis Lisrel

Di artikel terdahulu kita telah membandingkan hasil atau output regresi linear sederhana antara SPSS dengan AMOS. Hasilnya adalah identik. Perbedaan yang terjadi semata-mata karena perbedaan angka di belakang koma saja dan kurang lebih interpretasi hasilnya adalah sama. Kali ini kita akan mencoba dengan data yang sama tetapi menggunakan Software LISREL. Ya Lisrel sangat familier dalam analisis Structural Equation Modeling. Bahkan ada yang menyebut sebagai software yang paling powerfull. Dan memang, AMOS pun menggunakan notasi yang dikembangkan oleh Lisrel dalam softwarenya.

Baik kita langsung saja. Untuk data, bisa Anda download di sini dengan akun google Anda atau ini ada di Google Drive. Itu juga data yang sama yang dipergunakan untuk melakukan regresi linear sederhana dengan AMOS dan SPSS. Setelah Anda download, silahkan gunakan Simplis untuk mengakses data dalam SPSS tersebut:

Tabulasi Data dalam Simplis

Agar terlihat lebih sederhana, settinglah angka di belakang koma menjadi 0 atau tidak ada karena secara default akan keluar 3 angka di belakang koma yang akan terlihat menjadi lebih ruwet. Setelah itu set lah data ke dalam continuous agar bisa di analisis secara parametrik. Setelah itu pilih Statistics, lalu klik pada Regressions seperti pada gambar di bawah:

Menu Regresi pada Simplis

Maka kita akan diarahkan ke menu regresi. Masukkan X1 sebagai X variables dan Y sebagai Y variables. Untuk regresi berganda, Anda bisa memasukkan banyak variabel bebas.

Memasukkan Variabel Bebas dan Terikat

Setelah Anda memasukkan variabel X dan Y, karena ini hanya contoh, langsung saja klik Run sehingga akan keluar output sebagai berikut:

Estimated Equations

         Y = 0.272*X1 + Error, R² = 0.496

           (0.0195)                      

            13.948                      

  Error Variance = 5.574

  Total Sample Size =    200

Pada baris pertama output tertulis Estimated Equations dan di bawahnya memuat persamaan yang diestimasi dengan Simplis. Tampak bahwa nilai koefisien adalah sebesar 0,272 yang sama persis dengan output baik dengan SPSS maupun dengan AMOS. Kemudian nilai R square adalah sebesar 0,496 yang juga identik.

Output di bawahnya lagi adalah Standar error yaitu sebesar 0,0195 sedangkan di SPSS nilainya adalah sebesar 0,020. Ini sebenarnya adalah identik karena Simplis di set 4 angka di belakang koma. Sedangkan T hitung adalah sebesar 13,948 yang juga sama dan identik dengan output dengan SPSS.

Error Variance, jika kita ingin lebih detaik adalah sebesar 5,574 di mana AMOS mengeluarkan output sebesar 5,55.Nah ini juga identik, karena ada perbedaan setting output angka di belakang koma.

Jadi dapat kita simpulkan bahwa output yang dihasilkan memang sama. Tidak ada perbedaan, selama kita menggunakan alat bantu atau software tersebut dengan benar.

Share:

Read More

Uji Linearitas pada Analisis Regresi Linear

Uji Linearitas adalah salah satu uji asumsi klasik yang bertujuan untuk melihat apakah spesifikasi model yang dipergunakan sudah benar atau belum. Salah satu asumsi dalam Classical Linear Regression Model (CLRM) adalah bahwa model regresi yang dipergunakan harus dispesifikasi dengan benar. Jika tidak maka akan terjadi masalah error pada spesifikasi model atau bias. Maka akan muncul beberapa pertanyaan, misalnya bagaimana caranya menyusun model yang benar, atau kesalahan spesifikasi model (miss specification model) disebabkan oleh apa saja?

Sebenarnya istilah linearitas tidak muncul dalam kajian ini. Istilahnya adalah specification error test, tapi entah kenapa menjadi uji linearitas. Kalau uji asumsi klasik yang lain memang diterjemahkan lebih jelas, misalnya multicollinearity jadi multikolinearitas, heteroscedasticity menjadi heteroskedastisitas dan autocorrelation menjadi autokorelasi. Tapi sudahlah, yang penting dapat dihapami bahwa spesifikasi error ini berkaitan dengan uji linearitas.

Secara umum, analisis empiris setidaknya memenuhi 6 hal, yaitu (1) logis, (2) sesuai dengan teori, (3) variabel penjelas tidak boleh berkorelasi dengan errornya, (4) memberikan parameter yang konstan, (5) koheren, dan (6) mempunyai cakupan yang luas (Hendry dan Richard, 1983). Dalam konteks ini, maka error spesifikasi atau kesalahan dalam menspesifikasi model dapat muncul dari beberapa hal yaitu (1) menggunakan variabel yang tidak relevan; (2) memasukkan variabel yang tidak diperlukan; (3) Mengadopsi persamaan yang salah; (4) Kesalahan pengukuran; (5) Kesalahan data stokastik; dan (6) Adanya asumsi normalitas.

Jika peneliti melakukan kesalahan dalam melakukan spesifikasi model, maka bisa akan terjadi goodness of fit yang terlalu rendah, jika kita mengabaikan variabel yang relevan atau sebaliknya terlalu tinggi karena kita menggunakan variabel yang tidak relevan. Sebagai ilustrasi yang sederhana, dalam suatu model regresi, Anda coba masukkan saja variabel 'sembarang' ke dalam model regresi tersebut. Setelah itu lihat nilai R nya, pasti akan meningkat tidak peduli variabel yang dimasukkan tadi relevan atau tidak. (Untuk itulah maka banyak yang menggunakan Adjusted R karena nilainya bisa turun atau bisa naik tergantung dari variabel yang dimasukkan relevan atau tidak).

Untuk melakukan apakah terjadi error spesifikasi atau tidak kita bisa melakukan dengan beberapa cara.

1. Uji Durbin-Watson

Uji Durbin-Watson sangat dikenal dalam uji autokorelasi. Uji ini juga dapat dipergunakan untuk melihat apakah model mengabaikan variabel yang relevan atau menggunakan fungsi yang tidak benar sehingga terjadi miss specification error. Langkahnya juga sederhana yaitu membandingkan nilai Durbin-Watson model awal dengan nilai Durbin-Watson di mana variabel bebas diberikan fungsi kuadrat (atau bahkan pangkat tiga). Jika hasil Durbin-Watson pada model modifikasi mengalami gangguan autokorelasi positif, berarti model mengalami kesalahan spesifikasi, yaitu mengabaikan variabel yang relevan dalam model.

Residual (a) Linear, (b) Kudratik, (c) Kubik

Gambar di atas adalah nilai residual untuk 3 model, yaitu (a) linear, (b) kuadratik atau variabel bebas pangkat dua; dan (c) kubik atau variabel bebas pangkat tiga. Nilai residual cenderung mendekati sumbu X atau titik nol atau semakin tidak bervariasi. Berikut artikel tentang uji linearitas dengan Durbin-Watson.

2. Uji Ramsey

Uji linearitas dengan metode Ramsey juga sering disebut dengan Regression Specification Error Test atau disingkat RESET. Ide dasarnya adalah memasukkan variabel Y estimated yang dihasilkan dari regresi awal menjadi salah satu variabel bebas dalam model uji. Jadi variabel bebasnya bertambah 1, lalu dapatkan nilai R Squarenya. Setelah itu hitung F dengan menggunakan R square awal dan R Square model baru dengan adanya tambahan 1 variabel tersebut. Bandingkan F hitung dengan F tabel di mana jika F Hitung > F Tabel maka terjadi kesalahan spesifikasi.

Artikel tentang uji linearitas dengan Ramsey ditampilkan di sini.

3. Uji Lagrange Multiplier (LM)

Metode ini juga bisa digunakan sebagai alternatif uji linearitas. Pertama adalah dapatkan nilai residual dari model awal. Setelah itu nilai residual ini dipergunakan sebagai variabel terikat dengan variabel bebasnya adalah variabel bebas model awal dengan dikuadratkan (atau pangkat 3). Setelah itu hitung nilai Chi Squarenya lalu bandingkan dengan nilai Chi Square tabel dengan df 2. Jika Chi Square hitung > Chi Square Tabel maka terjadi kesalahan spesifikasi.

Artikel tentang uji linearitas dengan Lagrange Multiplier (LM) kami tampilkan di sini.

Share:

Read More

Analisis Regresi Linear Sederhana antara Bounce Rate Alexa terhadap Pendapatan PopAds

Di artikel beberapa waktu yang lalu, kita telah membahas pengaruh dari Ranking Alexa (Alexa Rank) terhadap pendapatan iklan PopAds.net. Dengan analisis regresi linear sederhana, maka diperoleh bahwa tidak terdapat pengaruh signifikan ranking Alexa terhadap pendapatan PopAds. Rekomendasi dari artikel itu adalah untuk menambahkan variabel bounce rate. Bounce rate menurut Alexa adalah 'Percentage of visits to the site that consist of a single pageview'. Jadi jika ada pengunjung yang masuk ke blog, tetapi tidak melakukan klik lain, lalu keluar lagi dinyatakan sebagai bounce rate. Itu sangat logis, karena pendapatan iklan dari PopAds ditentukan dari klik pengunjung yang telah masuk ke blog kita. Jadi jika semakin tinggi bouce rate maka semakin rendah pendapatan PopAds.

Analisis ini akan menggunakan 39 data saja karena memang baru itu yang tersedia. Di lain waktu akan dicoba dengan data yang lebih banyak. Jika menginginkan silahkan download di G Drive dengan akun Gmail Anda. Alurnya sama dengan artikel yang sebelumnya, jadi kali ini akan lebih ringkas.

Uji Asumsi Klasik

Hasil uji normalitas dengan Kolmogorov-Smirnov memberikan hasil sebagai berikut:

Uji Normalitas dengan Kolmogorov-Smirnov

Dengan Signifikansi 0,118 > 0,05 maka dinyatakan bahwa model telah memenuhi asumsi normalitas. Sedangkan hasil Run Test adalah sebagai berikut:

Uji Autokorelasi dengan Run Test

Nilai Signifikansi adalah sebesar 0,997 > 0,05 yang berarti model tidak mengalami gangguan autokorelasi. Ini mungkin karena jumlah sampel yang di bawah 40 sehingga gangguan autokorelasi yang biasa muncul pada data time series tidak nampak di sini.

Uji Heteroskedastisitas dengan Scatter Plot memberikan hasil sebagai berikut:

Uji Heteroskedastisitas dengan Scatter Plot

Tampak bahwa tidak terdapat pola tertentu pada grafik yang dapat diinterpretasikan bahwa data tidak mengalami gangguan heteroskedastisitas.

Analisis Regresi Linear Sederhana

Adapun untuk hasil analisis regresi linear sederhana adalah sebagai berikut:

Nilai R dan Koefisien Determinasi

Nilai R adalah 0,394 dan koefisien determinasi sebesar 15,5% di mana masih banyak faktor lain yang mempengaruh pendapatan PopAds yaitu sebesar 84,5%. Untuk F hitung adalah sebagai berikut:

Output F Hitung dan Signifikansi

Tampak jelas bahwa nilai F Hitung adalah 6,811 dengan Signifikansi di bawah 0,05 yang berarti model dinyatakan layak. Untuk T Hitung memberikan hasil sebagai berikut:

Output T Hitung dan Signifikansi

Dengan Signifikansi 0,013 < 0,05 berarti Bounce rate berpengaruh signifikan terhadap pendapatan PopAds.

Interpretasi

Berdasarkan nilai T hitung yang negatif maka dapat ditentukan bahwa pengaruh bounce rate terhadap pendapatan PopAds adalah negatif atau berlawanan arah. Semakin tinggi bounce rate maka semakin rendah pendapapatan PopAds, sebaliknya semakin rendah bounce rate maka semakin tinggi pendapatan PopAds.

Ini sesuai dengan asumsi bahwa semakin banyak orang yang hanya melihat 1 halaman maka rendah pendapatan PopAds. Jika ingin meningkatkan pendapatan PopAds, dapat dilakukan dengan mengurangi bounce rate. Pemilik blog harus merancang agar pengunjung tidak langsung pergi ketika masuk ke website, tetapi melakukan klik lagi agar memancing keluarnya iklan PopAds.

Share:

Read More

Uji Regresi Pengaruh Ranking Alexa terhadap Pendapatan Google Adsense dengan SPSS

Pendahuluan

Banyak sekali alternatif untuk mendapatkan penghasilan dari sebuah blog atau website. Salah satunya adalah dengan menjadi publisher bagi Google Adsense (GA) salah satu advertiser yang sangat terkenal dan telah menjadi market leader dalam dunia ini. Pendaftarannya memang tidak terlalu rumit, meskipun tidak bisa dibilang mudah. Akan tetapi yang lebih penting adalah bagaimana potensi yang bisa diperoleh oleh si empunya blog. Dalam artikel sebelumnya, telah dibahas tentang pengaruh rangking alexa terhadap pendapatan PopAds, dan ternyata memberikan hasil bahwa tidak ada pengaruh ranking alexa terhadap pendapatan PopAds. Sudah ada pembahasan tentang hal itu.

Dalam artikel kali ini, kita akan membahas pengaruh ranking Alexa terhadap pendapatan GA dalam 91 hari, karena rangkin Alexa yang muncul dalam grafik adalah 3 bulan terakhir. Jika Anda menginginkan data aslinya silahkan download di sini. Gunakan akun Google Anda untuk bisa mengakses G Drive tersebut. 

Model Regresi

Model regresi adalah regresi linear sederhana karena hanya ada 1 variabel bebas, yaitu Ranking Alexa dan 1 buah variabel terikat, yaitu Pendapatan GA. Persamaan umumnya adalah 

Y = a + bX

Di mana Y adalah pendapatan GA dan X adalah Ranking Alexa. Alat analisis yang dipergunakan adalah Software SPSS Versi 23. Jika Anda ingin mendapatkan Download SPSS Free, silahkan meluncur ke situs resminya. Dalam persamaan umum di atas ada nilai residual yang ditambahkan di belakang persamaan.

Uji Asumsi Klasik

Analisis regresi linear, memerlukan beberapa asumsi yang harus dipenuhi, sering disebut dengan uji asumsi klasik. Uji asumsi klasik yang dipergunakan adalah uji normalitas, uji heteroskedastisitas dan uji autokorelasi. 

Uji Normalitas dengan Histogram

Hasil uji histogram menunjukkan bahwa data melenceng ke kanan dan sangat dimungkinkan ada outliers dan model tidak normal. Untuk memperkuat pengujian dilakukan uji normalitas dengan Kolmogorov-Smirnov yang memberikan hasil sebagai berikut:

Uji Normalitas dengan Kolmogorov-Smirnov

Nilai Signifikansi adalah 0,000 < 0,05 yang berarti model memang tidak memenuhi asumsi normalitas. Upaya perbaikan dilakukan dengan mentransformasikan variabel ke dalam bentuk logaritma natural, baik variabel X maupun variabel Y. Setelah ditransformasikan keduanya, maka uji normalitas KS memberikan hasil sebagai berikut:

Uji Normalitas Model Transformasi

Tampak bahwa model telah menjadi normal dengan melakukan transformasi ke dalam bentuk logaritma natural. Uji Autokorelasi dengan Run Test memberikan hasil sebagai berikut:

Uji Autokorelasi dengan Run Test

Tampak bahwa nilai Signifikansi adalah sebesar 0,247 > 0,05 yang berarti model tidak mengalami gangguan autokorelasi. Selanjutnya adalah uji Heteroskedastisitas dengan Scatter plot dan memberikan hasil sebagai berikut:

Uji Heteroskedastisitas dengan Scatter Plot

Tidak ada pola tertentu pada grafik yang berarti tidak ada gangguan heteroskedastisitas pada model regresi.

Analisis Regresi Linear Sederhana

Setelah model dinyatakan bebas dari gangguan asumsi klasik, maka dilakukan analisis regresi linear sederhana.

Nilai R dan Koefisien Determinasi Model

Nilai R adalah sebesar 0,451 dan R Square adalah sebesar 0,204. Berarti Ranking Alexa mampu menjelaskan variasi Pendapatan GA sebesar 20,4% dan sisanya yaitu sebesar 79,6% dijelaskan oleh faktor yang lain.

F hitung dan Signifikansi

Nilai F hitung cukup tinggi dengan signifikansi di bawah 0,05 yang menunjukan bahwa model telah fit dan bisa dilakukan uji hipotesis dengan uji t.

Uji t dan Signifikansi

Tampak bahwa nilai t hitung adalah sebesar -4,769 dengan signifikansi sebesar 0,000 < 0,05 yang berarti ranking Alexa berpengaruh signifikan terhadap pendapatan GA. Dari nilai t hitung yang negatif, berarti pengaruh tersebut adalah berkebalikan, di mana semakin rendah ranking Alexa maka semakin tinggi pendapatan GA. 

Interpretasi

Berdasarkan hasil analisis di atas, maka dapat diinterpretasikan bahwa ranking Alexa berpengaruh signifikan terhadap pendapatan GA. Semakin rendah ranking Alexa maka semakin tinggi pula pendapatan GA yang diperoleh, demikian sebaliknya. Hasil ini sesuai dengan fakta bahwa semakin banyak orang yang berkunjung ke suatu blog, maka semakin tinggi pula kemungkinan adanya klik pada iklan yang ditayangkan. Selain itu, dalam GA ada juga pendapatan yang bukan karena klik, tetapi karena tampil saja. 

Artikel Terkait

1. Pengaruh ranking Alexa terhadap Pendapatan PopAds
2. Berapa pendapatan blogger pemula?
3. PopAds, alternatif iklan selain Google Adsense
4. Ranking Alexa anjlok dratsis
5. Lanjutan: Ranking Alexa anjlok drastis

Share:

Read More

Pengaruh Ranking Alexa terhadap Pendapatan PopAds dengan Uji Regresi

Daftar Isi

1. Pendahuluan
2. Model Regresi
3. Uji Asumsi Klasik
4. Analisis Regresi Linear Sederhana
5. Interpretasi
6. Artikel Terkait

Pendahuluan

Banyak sekali pertanyaan berapa pendapatan iklan yang dipasang pada sebuah blog. Jarang sekali blogger memberikan jawaban yang lugas dan jelas, biasanya berbias dan tidak terus terang. Kami sudah mencoba menjawab pertanyaan itu secara jelas, bahkan dengan screen shot pendapatan iklan blog ini. Tentunya itu tidak mewakili blog yang lain, karena setiap blog dan provider iklan mempunyai karakteristik yang berbeda.

Kali ini kami akan mencoba memberikan uji statistik, yaitu mencoba melihat pengaruh antara rangking Alexa terhadap pendapatan iklan PopAds, terutama di blog ini saja. Kami akan mencoba memberikan analisis statistik tentang pengaruh tinggi rendahnya rangking Alexa terhadap pendapatan iklan dari PopAds yang merupakan jenis iklan Pop Under. 

Model Regresi

Model regresi merupakan regresi linear sederhana, karena hanya menggunakan 1 buah variabel bebas dan tentu saja 1 buah variabel terikat. Variabel bebas adalah Rangking Alexa. Rangking Alexa adalah rangking yang diberikan oleh Situs Alexa.com yang merupakan rangking tingkat kunjungan yang diperoleh suatu website relatif terhadap website yang lain. Website yang paling ramai dikunjungi saat ini adalah Google.com sehingga mendapatkan Ranking 1. Rangking 2 ditempati oleh Youtube.com dan setiap saat bisa berubah. Rangking ditentukan oleh banyaknya pengunjung dan lama pengunjung tersebut berada di situs tersebut. Beberapa artikel tentang Alexa telah kami tuliskan di blog ini.

Variabel terikat adalah pendapatan iklan dari PopAds. PopAds adalah salah satu provider iklan Pop Under yang cukup populer di Indonesia, dan merupakan salah satu alternatif dari Google Adsense (GA). Banyak yang menggunakan PopAds karena tidak disetujui mendaftar GA atau telah dibanned.  

Uji Asumsi Klasik

Uji asumsi klasik yang dipergunakan adalah uji normalitas, uji autokorelasi dan uji heteroskedastisitas. Uji multikolinearitas tidak dipergunakan dalam analisis ini karena merupakan regresi linear sederhana. Data merupakan data time series menggunakan 90 data atau hari dari tanggal 24 Februari 2021 sampai dengan 24 Mei 2021. Grafik ranking Alexa yang tersedia memang hanya 90 hari terakhir, jadi digunakan data itu saja.

Karena merupakan time series, maka ada kecenderungan data mengalami gangguan autokorelasi, tetapi cenderung tidak mengalami gangguan heteroskedastisitas karena biasanya data time series tidak berfluktuasi secara ekstrem. Demikian juga gangguan normalitas jarang terjadi, tetapi bukan berarti bebas dari gangguan normalitas.

Uji Autokorelasi dengan Durbin-Watson

Hasil uji autokorelasi memberikan nilai 0,706 seperti pada tabel di atas. Silahkan dilihat atau dibandingkan dengan Tabel Durbin-Watson seperti pada artikel di sini. Nilai DW terletak antara 0 < 0,706 < dL (1,635) atau dinyatakan mengalami gangguan autokorelasi positif. Model time series memang cenderung mengalami masalah autokorelasi.

Upaya perbaikan dapat dilakukan dengan trial and error. Transformasi rangking Alexa dengan logaritma natural (Ln) tidak memberikan hasil, silahkan dicoba. Juga transformasi Lag tidak memberikan hasil yang optimal. Maka digunakan metode transformasi Difference delta. Sederhana saja konsepnya. Data kita transformasikan menjadi perubahan. Sebagai contoh, jika hari ini datanya 10, hari kemarin adalah 6 maka yang kita masukkan adalah (10-6) = 4. Demikian seterusnya. Sehingga bisa saja konsepnya menjadi pengaruh antara perubahan rangking Alexa terhadap perubahan pendapatan PopAds. Ini hanya modifikasi saja yang diharapkan dapat mengobati masalah autokorelasi pada model. 

Uji Autokorelasi Model Transformasi

Tampak bahwa nilai DW telah meningkat drastis menjadi 2,137 dan silahkan dibandingkan dengan Tabel DW, dengan catatan, datanya menjadi berkurang 1 menjadi 89 saja. Untuk memperkuat hasil pengujian tersebut, dilakukan pengujian autokorelasi dengan run test yang memberikan hasil sebagai berikut:

Uji Autokorelasi dengan Run Test

Nilai Signifikansi sebesar 0,750 > 0,05 yang menunjukkan bahwa model tidak mengalami gangguan autokorelasi setelah ditransformasikan. Pengujian normalitas memberikan hasil sebagai berikut:

Uji Normalitas dengan Histogram

Uji Normalitas dengan Normal P Plot

Uji Normalitas dengan Kolmogorov-Smirnov

Tidak ada gangguan normalitas pada model penelitian. Yang diuji normalitas yang mana ya? Model pertama atau model transformasi? Banyak yang sering menanyakan hal ini. Jawabannya sederhana, kita punya rumah, rusak, lalu kita perbaiki, nah, kita mau tinggal di mana? rumah yang rusak? atau yang sudah kita perbaiki? Sederhana saja. Seperti kehidupan kita sehari-hari. Buat apa repot-repot kalau toh akhirnya kita buang.

Uji heteroskedastisitas memberikan hasil sebagai berikut:

Uji Heteroskedastisitas dengan Scatteplot

Uji Heteroskedastisitas dengan Spearman Rho

Tidak ada gangguan heteroskedastisitas pada model penelitian. Pengujian heteroskedastisitas dengan metode Spearman Rho memperkuat hasil pengujian dengan Scatterplot. Berarti model sudah memenuhi semua uji asumsi klasik yang diperlukan.

Analisis Regresi Linear Sederhana

Setelah diperoleh model yang bebas dari gangguan yang ada, maka diperoleh hasil uji F sebagai berikut:

Goodness of Fit Model

Tampak jelas bahwa F hitung < F tabel atau Signifikansi sebesar 0,251 > 0,05 yang menunjukkan bahwa model tidak fit. Dapat dikatakan bahwa rangking Alexa tidak berpengaruh terhadap pendapatan iklan PopAds. Anda boleh saja melihat nilai R hitung, koefisien determinasi atau pun T hitung. Semuanya akan selaras dengan hasil ini.

Interpretasi 

Hasil analisis menunjukkan bahwa tidak ada pengaruh signifikan antara rangking Alexa terhadap pendapatan iklan PopAds di blog ini. Tentunya ini tidak berlaku keseluruhan untuk seluruh blog atau website yang ada di dunia. Beberapa hal yang dapat kita bahas di sini adalah sebagai berikut:

1. Rangking Alexa ditentukan oleh dua faktor utama, yaitu kunjungan dan waktu berada di website tersebut. Jadi jika ada pengunjung yang tidak melakukan klik, maka tidak akan memicu tampilnya iklan PopAds.
2. Bounce Rate blog ini relatif tinggi, di atas 70% bahkan pernah di atas 80% yang berarti banyak pengunjung yang tidak melakukan klik sehingga tidak memicu munculnya iklan PopAds.
3. Adanya rate iklan di PopAds, di mana semakin tinggi berarti semakin tinggi pula pendapatan yang diperoleh. Kadang 0,2 tetapi kadang bisa juga mencapai 0,53. Berarti meskipun iklan sering muncul tetapi jika rate-nya rendah, maka pendapatan juga rendah, demikian sebaliknya. Rate ini ditentukan oleh publisher

Dari hasil di atas maka untuk mendapatkan hasil yang lebih terarah, disarankan untuk memodifikasi model dengan saran sebagai berikut:

1. Memasukkan variabel rate, karena variabel ini menentukan tinggi rendahnya pendapatan iklan PopAds. Datanya tersedia
2. Memasukkan variabel bounce rate. Tetapi ini agak sulit karena kadang dalam beberapa hari atau beberapa minggu tidak berubah. Jadi dari data yang ada bisa dimodifikasi menjadi dua kelompok, bounce rate tinggi dan rendah, lalu diberikan kode dummy

Artikel Terkait

1. Berapa pendapatan blogger pemula?
2. PopAds, alternatif iklan selain Google Adsense
3. Ranking Alexa anjlok dratis
4. Lanjutan: Ranking Alexa anjlok drastis

Catatan: Bagi yang ingin mendapatkan data mentahnya dalam SPSS Versi 23 silahkan download melalu G Drive di sini.

Share:

Read More

Uji Regresi Linear Sederhana dengan SPSS Versi 23

Artikel ini akan membahas tentang regresi linear sederhana, yamg mencakup satu buah variabel bebas (X) dan satu buah variabel terikat (Y) dengan alat bantu software SPSS Versi 23. Jika ada lebih dari satu variabel bebas, maka dinamakan regresi linear berganda. Sedangkan jika variabel terikat lebih dari satu, maka sebaiknya digunakan metode Structural Equation Modeling (SEM) baik berbasis varians maupun covariance.

Tabulasi Data Regresi Linear Sederhana dengan SPSS Versi 23

Simulasi ini menggunakan 125 data sebagai sampel. Pilih menu Regresi Linear yaitu Analyze, Regression, Linear seperti pada gambar di bawah:

Menu Regresi Linear

Klik pada Linear maka akan diarahkan ke Sub Dialog baru yaitu sebagai berikut:

Memasukkan Variabel

Masukkan variabel X ke dalam Independent(s) dan Y ke dalam Dependent. Lalu klik Statistic pada kiri atas:

Memilih Sub Menu

Berikan tanda centang pada Estimates dan Model fit, seperti pada gambar di atas. Setelah itu klik Continyu lalu klik OK sehingga akan keluar output. Kita bahas satu persatu outputnya.

Output Variable Entered

Output ini hanya menginformasikan variabel yang dipergunakan, yaitu X dan Y. Dependent Variable adalah Y dan variabel bebasnya adalah X. Jika ada lebih dari 1 variabel bebas, maka akan muncul pada kolom Variables Entered. Method adalah metode yang dipergunakan yaitu enter. Metode yang lain, misalnya Stepwise, Remove, Backward dan Forward. Nanti kita bahas lebih lanjut.

Output Model Summary

Output kedua memuat nilai R atau korelasi yaitu sebesar 0,818. Nilai ini berkisar antara 0 sampai dengan 1 dan sama persis dengan Korelasi Pearson baik dengan SPSS maupun dengan Korelasi Pearson yang juga bisa ita hitung dengan Microsoft Excel. Nilai ini juga bisa dibandingkan dengan nilai R yang terdapat pada Tabel R. 

Nilai R Square adalaha kuadrat dari nilai R jadi 0,818 x 0,818 = 0,669 (dibulatkan 3 angka di belakang koma). Nilai ini mencerminkan seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikat atau sering disebut dengan koefisien determinasi. Nilainya berkisar antara 0 sampai dengan 1 tapi selalu positif karena hasil kuadrat.

Nilai 0,667 adalah nilai  koefisien determinasi yang dikoreksi. Mengapa perlu dikoreksi? Karena nilai koefisien determinasi akan selalu meningkat jika ada variabel bebas baru yang ditambahkan. Ini bisa menyesatkan, karena seorang peneliti yang ingin mencari R yang tinggi tinggal menambahkan variabel bebas sembarang saja baik signifikan atau tidak akan meningkatkan nilai R atau puan R Kuadrat. Adjusted R Square nilainya bisa naik atau turun tergantung variabel bebas yang dimasukkan, apakah berpengaruh atau tidak. Interpretasi Adusted R Square sama dengan R Square, hanya saja nilai Adjusted bisa negatif.

Nilai standard Error adalah nilai kesalahan estimasi. Tidak ada ketentuan yang pasti untuk nilai itu, karena tergantung dari besar atau kecilnya variabel yang dipergunakan. Misalnya variabel rasio keuangan, maka nilainya relatif kecil, tetapi ketika menggunakan variabel gaji, atau jumlah penduduk, maka nilainya juga akan tinggi.

Output ANOVA atau F Hitung

Nilai Regression atau pun Residual sudah kita bahas di sini. Sedangkan untuk justifikasinya adalah dengan melihat signifikansinya, dalam simulasi ini adalah sebesar 0,00 < 0,05. Berarti model ini fit dan layak untuk dianalisis karena nilainya di bawah 0,05. Atau bisa juga dengan membandingkan nilai F hitung yaitu sebesar 249,019 dengan nilai F yang terdapat pada Tabel F. Jika F hitung > F tabel maka model dinyatakan fit. Hasilnya akan sama dengan justifikasi menggunakan signifikansi. Jika hasil ini tidak signifikan, maka model dinyatakan tidak fit. Sebaikya ditelaah lebih dulu secara menyeluruh, apakah datanya sudah benar, penyusunan model sudah tepat atau parameter yang lain.

Output T Hitung

Nilai pada kolom B adalah koefisien unstandardized dan dipergunakan untuk menyusun persamaan prediksi regresi sederhana ini. Ini sudah kita bahas di sini.

Koefisien standardized adalah untuk melihat variabel bebas mana yang mempunyai pengaruh yang dominan dibandingkan variabel yang lain. Karena ini hanya menggunakan 1 buah variabel bebas, maka nilai ini tidak perlu dibahas lebih mendalam.

Nilai t hitung adalah untuk menentukan variabel bebas ini berpengaruh signifikan atau tidak. Atau bisa juga menggunakan nilai signifikansi yang berarti signifikan karena nilainya adalah sebesar 0,000 < 0,05. Tetapi untuk menentukan pengaruhnya positif atau negatif harus kita lihat nilai t hitungnya apakah positif atau negatif.

Output Residual Statistik

Nilai predicted adalah nilai hasil prediksi dari persamaan regresi. Sedangkan nilai residual adalah selisih antara nilai sebenarnya dengan nilai prediksi. Nilai maksimum dan minimum dapat dipergunakan untuk mendapatkan gambaran ringkas tentang model kita.

Share:

Read More

Apa itu Residual pada Regresi Linear?

Residual adalah selisih antara nilai sesungguhnya dengan nilai prediksi pada analisis regresi linear, baik berganda maupun sederhana. Analisis regesi linear bisa dipergunakan untuk memprediksi suatu nilai, yaitu nilai Y dan akan mempunyai selisih atau residual dengan nilai yang sesungguhnya. 

Contoh Tabulasi Data dengan SPSS Versi 23

Data di atas adalah data 1 buah variabel bebas dan 1 buah variabel terikat sebanyak 125 data. Kita ingin memprediksikan nilai Y berdasarkan nilai X. Persamaan umumnya adalah:

Y = a + bX

Sebenarnya ada juga yang menulis Y = a + bX + e di mana e adalah error. Dengan alat bantu SPSS Versi 23 maka akan mudah kita dapatkan  nilai a dan b yaitu sebagai berikut:

Menu Analisis Regresi Linear pada SPSS Versi 23

Klik Linear seperti pada gambar sehingga akan keluar Box dialog seperti gambar di bawah:

Memasukkan Variabel Bebas dan Terikat ke Box Dialogs

Masukkan variabel X pada Independent(s) dan Y pada Dependent, lalu tekan OK sehingga akan keluar output sebagai berikut:

Output untuk Mencari nilai a dan b

Dari tabel di atas didapatkan bahwa nilai a adalah 1,872 dan nilai b adalah 0,871. Untuk data No 1, kita bisa lihat bahwa nilai X adalah 19 dan nilai Y adalah sebesar 20. Jika kita menggunakan nilai a dan b yang telah kita peroleh maka nilai Y Prediksi atau hasil perhitungan adalah Y = 1,872 + (0,871) x 19 = 18,421. Ternyata mempunyai selisih dengan nilai yang sebenarnya yaitu 20. Adapun selisihnya adalah sebesar 20 - 18,421 =1,579. Nilai inilah yang disebut sebagai nilai Residual atau selisih antara nilai sebenarnya dengan nilai prediksi.

Nilai Residual sangat penting karena dipergunakan untuk menguji normalitas model dan juga bisa dipakai untuk menguji autokorelasi, misalnya dengan run test. Bahkan juga bisa dipakai untuk menguji heteroskedastisitas. Kita tidak usah menghitung satu persatu nilainya karena dengan SPSS Versi 23 kita dapat menghitung langsung yaitu dengan menggunakan tombol Save, di kanan atas. 

Menu Save pada Box Regresi Linear

Maka setelah diklik Save, akan diarahkan ke sub menu lagi yaitu sebagai berikut:

Menyimpan Nilai Residual atau yang lain

Jika kita ingin menyimpan nilai residual, maka berikan tanda centang pada Residual, pilih yang Unstandardized. Juga jika ingin menyimpan nilai Prediksi, maka pada Predicted Values diberikan tanda centang pada Unstandardized. Jika kita berikan centang keduanya, maka akan keluar variabel baru di tabulasi data, yaitu sebagai berikut:

Variabel Baru yaitu Prediksi dan Residual

Variabel PRE_1 adalah nilai prediksi. Untuk nomor 1 nilainya adalah 18,423 yang sebenarnya sama dengan perhitungan kita di atas yaitu sebesar 18,421. Perbedaan dikarenakan pembulatan angka saja. Jika nilai a dan b diset 5 atau 6 angka di belakang koma, maka hasilnya akan lebih identik. Ini hanya untuk contoh saja. Lebih lanjut, nilai residual adalah sebesar 1,577 yang juga sama dengan perhitungan manual di atas yaitu sebesar 1,579.

Share:

Read More