Cara Analisis Regresi Linear Sederhana dengan Jamovi

00:11:26
https://www.youtube.com/watch?v=w2pIIER1Y8A

الملخص

TLDRVideo ini memberikan panduan langkah demi langkah untuk melakukan analisis regresi linier sederhana menggunakan Jamovi. Pembicara menjelaskan cara memasukkan data, memilih variabel, dan menginterpretasikan hasil analisis. Fokus utama adalah untuk menentukan apakah motivasi berpengaruh terhadap prestasi. Hasil analisis menunjukkan bahwa motivasi memiliki pengaruh signifikan terhadap prestasi, dengan nilai R-squared yang menunjukkan proporsi variasi prestasi yang dapat dijelaskan oleh motivasi. Pembicara juga membahas pentingnya memeriksa asumsi normalitas dan heteroskedastisitas dalam analisis regresi.

الوجبات الجاهزة

  • 📊 Analisis regresi linier sederhana digunakan untuk menguji hubungan antara dua variabel.
  • 🖥️ Software Jamovi memudahkan analisis statistik.
  • 📈 Motivasi berpengaruh signifikan terhadap prestasi.
  • 🔍 Penting untuk memeriksa asumsi normalitas dan heteroskedastisitas.
  • 📉 R-squared menunjukkan seberapa baik model menjelaskan variasi data.
  • ⚠️ Outlier dapat mempengaruhi hasil analisis.
  • 📏 Koefisien regresi menunjukkan perubahan pada variabel dependen.
  • 📋 Hasil analisis harus diinterpretasikan dengan hati-hati.
  • 🔗 Data fiktif digunakan untuk demonstrasi analisis.
  • ✅ Uji asumsi adalah langkah penting dalam analisis regresi.

الجدول الزمني

  • 00:00:00 - 00:05:00

    Video ini menjelaskan cara melakukan analisis regresi linier sederhana menggunakan software Jamovi. Data fiktif yang digunakan mencakup variabel motivasi dan prestasi, dengan fokus pada pengaruh variabel independen (Kyuhyun) terhadap prestasi. Proses analisis dimulai dengan memilih regresi linier di Jamovi, di mana prestasi ditetapkan sebagai variabel dependen dan Kyuhyun sebagai kovariat. Pengujian asumsi normalitas dan residual juga dilakukan untuk memastikan validitas analisis.

  • 00:05:00 - 00:11:26

    Hasil analisis menunjukkan bahwa Kyuhyun secara signifikan dapat memprediksi prestasi, dengan nilai R-squared sebesar 0,339, yang berarti 33,9% variasi prestasi dapat dijelaskan oleh variasi Kyuhyun. Persamaan regresi yang dihasilkan adalah prestasi = 0,275 * Kyuhyun + 50,23. Uji asumsi normalitas dan heteroskedastisitas juga terpenuhi, menunjukkan bahwa data residual terdistribusi normal dan tidak ada pola tertentu yang menyimpang dari asumsi klasik. Video ini diakhiri dengan harapan bahwa penjelasan ini bermanfaat.

الخريطة الذهنية

فيديو أسئلة وأجوبة

  • Apa itu analisis regresi linier sederhana?

    Analisis regresi linier sederhana adalah metode statistik untuk menguji hubungan antara satu variabel independen dan satu variabel dependen.

  • Apa software yang digunakan dalam video ini?

    Software yang digunakan adalah Jamovi.

  • Apa yang diuji dalam analisis ini?

    Analisis ini menguji pengaruh motivasi terhadap prestasi.

  • Apa itu R-squared?

    R-squared adalah ukuran yang menunjukkan seberapa baik variabel independen menjelaskan variasi dalam variabel dependen.

  • Apa yang dimaksud dengan asumsi normalitas?

    Asumsi normalitas adalah asumsi bahwa residual dari model regresi terdistribusi normal.

  • Mengapa penting untuk memeriksa asumsi dalam analisis regresi?

    Memeriksa asumsi penting untuk memastikan validitas hasil analisis regresi.

  • Apa itu outlier?

    Outlier adalah data yang jauh berbeda dari nilai lainnya dalam dataset.

  • Bagaimana cara menginterpretasikan koefisien regresi?

    Koefisien regresi menunjukkan seberapa besar perubahan pada variabel dependen untuk setiap unit perubahan pada variabel independen.

  • Apa yang dimaksud dengan heteroskedastisitas?

    Heteroskedastisitas adalah kondisi di mana varians residual tidak konstan di seluruh rentang nilai variabel independen.

  • Apa langkah pertama dalam analisis regresi di Jamovi?

    Langkah pertama adalah memilih variabel dependen dan independen dalam menu regresi.

عرض المزيد من ملخصات الفيديو

احصل على وصول فوري إلى ملخصات فيديو YouTube المجانية المدعومة بالذكاء الاصطناعي!
الترجمات
id
التمرير التلقائي:
  • 00:00:00
    Halo assalamualaikum warahmatullahi
  • 00:00:08
    wabarakatuh di video kali ini saya akan
  • 00:00:11
    menjelaskan cara melakukan analisis
  • 00:00:14
    regresi linier sederhana dengan
  • 00:00:16
    menggunakan software jamovi Nah sekarang
  • 00:00:20
    kita buka kejam Ovhi nya di sini Saya
  • 00:00:24
    sudah punya data fiktif ya di sini ada
  • 00:00:28
    aja ada motivasi ada prestasi Nah untuk
  • 00:00:32
    analisis kali ini saya akan melihat
  • 00:00:35
    Apakah Haikyuu itu berpengaruh terhadap
  • 00:00:40
    prestasi nah analisis kali ini saya akan
  • 00:00:44
    menggunakan analisis regresi linear
  • 00:00:47
    sederhana atau regresi tunggal karena
  • 00:00:50
    variabel independennya hanya satu yaitu
  • 00:00:53
    Kyuhyun Nah untuk melakukan analisis
  • 00:00:58
    regresi Tegal
  • 00:01:00
    Ayo kita bisa lakukan di jamovi klik
  • 00:01:04
    disini regression kemudian linear
  • 00:01:09
    regression
  • 00:01:12
    Ayo kita masukkan prestasi di dependent
  • 00:01:16
    variable kemudian Aegyo di kovariat nah
  • 00:01:25
    kemudian kita tentukan output apa saja
  • 00:01:28
    yang hendak kita keluarkan
  • 00:01:33
    hai hai model Builder Saya tidak perlu
  • 00:01:36
    karena kita hanya melakukan regresi tuh
  • 00:01:39
    banget kemudian referensi udah tidak
  • 00:01:44
    perlu karena tidak ada dummy atau
  • 00:01:47
    codingnya nah yang perlu kita lakukan
  • 00:01:49
    adalah mengecek asumsi sms-an cek
  • 00:01:54
    autocorrelation kita tidak perlukan
  • 00:01:56
    karena kita tidak melakukan analisis
  • 00:01:59
    dengan time-series atau analisis yang
  • 00:02:03
    berupa pengambilan datanya dari satu
  • 00:02:06
    waktu ke waktu yang lain collinearity
  • 00:02:09
    juga tidak kita perlukan karena variabel
  • 00:02:12
    independen kita hanya satu yang kita
  • 00:02:14
    perlukan adalah normality test kwagsh
  • 00:02:17
    dan residual kemudian ini juga mungkin
  • 00:02:22
    kita perlukan untuk melihat apakah ada
  • 00:02:25
    offline atau tidak kemudian model.fit
  • 00:02:30
    saya ingin mengeluarkan FS nya
  • 00:02:33
    Hai yang disini ini berguna jika kita
  • 00:02:39
    memiliki beberapa model yang hendak
  • 00:02:41
    dibandingkan karena kita hanya memiliki
  • 00:02:44
    satu model saja jadi kita tidak perlu
  • 00:02:47
    kan ini
  • 00:02:50
    Hai kemudian Hotel efisiennya Saya ingin
  • 00:02:53
    mengeluarkan standardized imejnya
  • 00:02:58
    Hai semut Iya Rid
  • 00:03:01
    hai hai hai
  • 00:03:04
    Ayo kita juga bisa mengeluarkan eh kok
  • 00:03:10
    distance ya ini jika kita ingin melihat
  • 00:03:15
    siapa sih offline resepnya itu ya subjek
  • 00:03:18
    mana yang menjadi Agnes itu kalau memang
  • 00:03:21
    nanti ditemukan ada outlier nah oke
  • 00:03:26
    kalau sudah dah Oke sekarang kita baca
  • 00:03:34
    hasilnya nah disini model.fit Mayer ini
  • 00:03:40
    menunjukkan hasil analisis secara umum
  • 00:03:44
    Nah disini model satu model satu tadi
  • 00:03:48
    kita berarti menganalisis eh Icu sebagai
  • 00:03:53
    prediktor prestasi Nah kita lihat di
  • 00:03:56
    sini eh nilai r-square nya nilai
  • 00:04:00
    r-square ini hanya pengkuadratan dari
  • 00:04:03
    Erni harga hanya
  • 00:04:04
    satu prediktor ini er sebenarnya 0,39
  • 00:04:10
    atau dengan kata lain 33,9 persen
  • 00:04:16
    variasi dari prestasi dapat dijelaskan
  • 00:04:20
    oleh variasi iklim gitu atau dengan kata
  • 00:04:23
    lain Ajun dapat menjelaskan 3309 persen
  • 00:04:29
    variasi dari prestasi yang ujian ini ada
  • 00:04:33
    FT tsnya dan kita lihat ini efeknya
  • 00:04:38
    signifikansinya kurang dari 0,001
  • 00:04:41
    hatinya signifikan tapi secara umum kita
  • 00:04:46
    dapat simpulkan bahwa Icu dapat menjadi
  • 00:04:50
    secara signifikan dapat memprediksi
  • 00:04:53
    prestasi nah kemudian kita lihat di sini
  • 00:04:56
    koefisiennya ke
  • 00:05:00
    Hai estimate ini adalah koefisien
  • 00:05:03
    regresi tidak terstandar jadi kalau
  • 00:05:11
    hai hai
  • 00:05:12
    halo halo kita Tuliskan persamaan
  • 00:05:15
    regresi tekan y = b x
  • 00:05:22
    e-class c-nya naiknya adalah prestasi =
  • 00:05:30
    B itu adalah ini 0,275 dikali hiu
  • 00:05:38
    ditambah C Itu adalah intercept ini
  • 00:05:43
    20,2 3D adalah persamaan regresinya ini
  • 00:05:48
    adalah persamaan linear Devi analisis
  • 00:05:50
    regresi kita dan artinya secara
  • 00:05:54
    kuantitatif meskipun kalau dalam
  • 00:05:56
    psikologi mungkin kurang masuk akal
  • 00:05:57
    kalau misalkan ig-nya 0nh biarkan
  • 00:06:01
    prestasi Akhirnya saya ganti nol berarti
  • 00:06:07
    0,275 dikali nol ketemunya nol ditambah
  • 00:06:11
    50,2 tiga berarti individu kalau ig-nya
  • 00:06:15
    not yang memiliki prestasi sebesar 52
  • 00:06:19
    tiga Kalau akhirnya misalkan 100 nanti
  • 00:06:24
    ini saya kalikan 100 berarti 2705
  • 00:06:29
    ditambah 50,2 303 Kalau ig-nya 100
  • 00:06:35
    prestasinya adalah sekitar eh 77 meski
  • 00:06:41
    akhirnya
  • 00:06:42
    bab7 pasti update-an nah Tentu saja Ini
  • 00:06:45
    adalah prediksi sifatnya ini adalah
  • 00:06:47
    prediksi Jadi kalau dapat kita lihat di
  • 00:06:51
    sini semakin naiknya semakin naik pula
  • 00:06:54
    prestasinya dan itu ini signifikan HPnya
  • 00:06:58
    di bawah membentuk 1 Nah di sini adalah
  • 00:07:01
    standard is estimated atau kalau di SPSS
  • 00:07:04
    itu adalah beta standardisasi Mad ini
  • 00:07:07
    nilainya terstandar tentangnya dari 0-1
  • 00:07:11
    biasanya kalau ada beberapa prediktor
  • 00:07:13
    kita membandingkan mana prediktor yang
  • 00:07:15
    pengaruhnya paling kuat itu kita
  • 00:07:18
    bandingkan adalah standardize estimate
  • 00:07:21
    ini sedangkan kalau yang Om stonerdays
  • 00:07:23
    estimate ini tergantung dari matriks
  • 00:07:27
    datanya kalau ini misalkan uang atau
  • 00:07:29
    rupiah itunya nggak bisa jadi ini lebih
  • 00:07:31
    dari satu tidak jadi ribuan atau jutaan
  • 00:07:36
    nah kemudian ini Cops distance new untuk
  • 00:07:39
    melihat apakah ada out layer tapi
  • 00:07:42
    tidak bisa melihat ininya saja nah yang
  • 00:07:46
    penting juga asumsi uji asumsi nah
  • 00:07:50
    secara umum uji asumsi analisis regresi
  • 00:07:54
    itu normalitas dan heteroskedastisitas
  • 00:07:58
    Nah kalau eh default-nya jamovi
  • 00:08:02
    hujjahnya mengeluarkan shapiro-wilk dan
  • 00:08:05
    plus paganini Nah di sini ada Note edisi
  • 00:08:09
    realrich provided by mukhlas saya sudah
  • 00:08:13
    menginstal modul namanya
  • 00:08:19
    Hai modul lamanya Marquez jadi di sini
  • 00:08:21
    ada modul
  • 00:08:25
    hai hai
  • 00:08:26
    Hai namanya more test Network S7 movie
  • 00:08:30
    analisis ini adalah ae20 normality test
  • 00:08:34
    hal-hal Maghfiroh dan anderson-darling
  • 00:08:36
    dan homogenity of variance jadi by
  • 00:08:40
    default kolmogorov-smirnov itu di tidak
  • 00:08:43
    kunjung tapi karena saya install modul
  • 00:08:45
    protes jadi dimunculkan di sini ya kalau
  • 00:08:48
    kita lihat disini jadi
  • 00:08:49
    kolmogorov-smirnov dia signifikansinya
  • 00:08:52
    diatas 0,05 artinya asumsi normalitas
  • 00:08:56
    kita terpenuhi hujan dari
  • 00:08:59
    heteroskedastisitas juga di atas pewarna
  • 00:09:03
    5 tiga-tiganya 33 parameter ini jadi
  • 00:09:06
    asumsi heteroskedastisitas juga
  • 00:09:09
    terpenuhi Nah mungkin kalau di sini ada
  • 00:09:12
    promo grab murah ada shapiro-wilk
  • 00:09:14
    mungkin ada yang bertanya pilih yang
  • 00:09:16
    mana Nah ini juga tidak ada referensi
  • 00:09:20
    yang pasti harus memilih yang mana Jadi
  • 00:09:23
    kita bisa kombinasikan tapi kalau
  • 00:09:26
    sa yang saudara kita besar justru kita
  • 00:09:31
    lebih disarankan melihat visualnya
  • 00:09:34
    melihat yo blognya Ini kalau misalkan
  • 00:09:36
    datang kita diatas 200 itu anak uji
  • 00:09:40
    statistik itu kalau dengan data besar
  • 00:09:43
    kecenderungannya akan selalu signifikan
  • 00:09:46
    jadi selalu dia di AS diperkirakan tidak
  • 00:09:51
    normal padahal mungkin normal nampaknya
  • 00:09:53
    kalau data kita besar Lebih baik melihat
  • 00:09:56
    yeojanya Nagita normal yang normal itu
  • 00:10:01
    bukan datanya ya sebenarnya bukan data
  • 00:10:03
    interval akhirnya tapi adalah residunya
  • 00:10:06
    Jadi kalau analisis regresi
  • 00:10:08
    normalitasnya itu bukan normalitas data
  • 00:10:11
    mentah ya tapi ada tapi yang normal itu
  • 00:10:14
    adalah normalitas residual nya oleh di
  • 00:10:17
    sini eh ini adalah standardized residual
  • 00:10:19
    nah data yang normal itu kalau eh apa
  • 00:10:26
    Hai titik-titiknya itu tidak terlalu
  • 00:10:30
    jauh dari garis diagonal ini kalau
  • 00:10:33
    misalnya disini titik-titiknya tidak
  • 00:10:35
    terlalu menyimpang yang tidak terlalu
  • 00:10:37
    menyimpang Nahwu dan residual blog ini
  • 00:10:40
    juga perlu
  • 00:10:45
    nge-lag idealnya titik-titik ini
  • 00:10:48
    terdistribusi secara acak istirnya
  • 00:10:51
    titik-titik ini terdistribusi secara
  • 00:10:54
    acak kalau membentuk pola tertentu itu
  • 00:10:56
    ada kecenderungan penyimpangan asumsi
  • 00:11:00
    klasik
  • 00:11:01
    Hai Nah itu eh yang bisa saya jelaskan
  • 00:11:05
    untuk analisis uji regresi tunggal
  • 00:11:10
    semoga bermanfaat salam alaikum
  • 00:11:12
    warahmatullah
  • 00:11:13
    [Musik]
الوسوم
  • analisis regresi
  • Jamovi
  • motivasi
  • prestasi
  • R-squared
  • normalitas
  • heteroskedastisitas
  • outlier
  • koefisien regresi
  • data fiktif