Kind: captions
Language: id
Assalamualaikum warahmatullahi
wabarakatuh berjumpa lagi dengan saya di
channel YouTube saya
niklopedia Ahmad Fauzi channel yang
menjelaskan berbagai hal yang berkaitan
dengan penelitian pendidikan penulisan
dan berbagai pengetahuan lain yang
mungkin dapat meningkatkan pengetahuan
ataupun keterampilan kalian di video
Sebelumnya kita telah membahas konsep
dasar menentukan uji hipotesis ketika
kita melakukan penelitian
eksperimen di video kali ini kita masih
membahas konsep yang berkaitan dengan
statistika
inferensia namun fokus kita di video
kali ini adalah membahas Apa itu
asosiasi dan apa perbedaannya dengan
korelasi dan
regresi kalau kita berbicara asosiasi
korelasi dan regresi ketiganya memiliki
kes
yaitu membahas terkait hubungan dan
ketika kita melakukan penelitian
hubungan relasi maka penelitian semacam
ini bukanlah penelitian eksperimen
sehingga di berbagai referensi
penelitian korelasi dianggap sebagai
penelitian non eksperimental penelitian
relasi penelitian hubungan bukanlah
penelitian eksperimen Kenapa karena bila
kita ingat ketika kita melakukan
penelitian eksperimen karakteristik
dasar dari penel an eksperimen adalah
membandingkan beberapa kelompok bisa dua
kelompok kelompok empat kelompok atau
bahkan lebih dari empat
kelompok dan kemudian kita akan mengenal
adanya kelompok kontrol dan kelompok
perlakuan meski pada penelitian
preeksperimen kelompok kontrol tidak ada
di sisi lain ketika kita ingin melakukan
penelitian yang mengungkap hubungan
beberapa variabel kita tidak menyediakan
kelompok-kelompok tersebut kita
mengambil subjek penelitian partisipan
atau responden kemudian data kita
kumpulkan kemudian kita cari ada
tidaknya hubungan 2 3 4 atau 5 atau en
variabel dan berbicara terkait hubungan
ada tiga istilah umum yang sering kita
temukan baik di dunia pendidikan
penelitian berbagai penulisan laporan
ilmiah ataupun di dalam Rana statistik
yaitu istilah asosiasi korelasi dan
regresi ketiga istilah ini nampaknya
mirip dan beberapa penulis atau peneliti
biasanya menggunakan istilah
ini terbolak-balik ya ada yang
menggunakan tergadang korelasi asosiasi
regresi Namun ternyata
maknanya kurang tepat sehingga
Penggunaan istilah tersebut di dalam
laporan penelitian mereka menjadi kurang
tepat Nah sekarang Mari kita bahas Apa
perbedaan ketiga ketiga istilah ini dan
apa saja kemungkinan analisis statistik
khususnya statistika inferensia yang
bisa kita gunakan ketika kita melakukan
penelitian berbasis asosiasi korelasi
ataupun
regresi Sekarang mari kita bahas
terlebih dahulu terkait
asosiasi berbicara terkait asosiasi
asosiasi sebenarnya merupakan istilah
yang umum yang memiliki makna adanya
hubungan adanya keterikatan antara dua
variabel istilah ini sangat umum sangat
general sehingga ketika kita mengatakan
ada dua variabel dan ketika satu
variabel naik dan satu variabel lainnya
juga cenderung naik maka itu dikatakan
ada asosiasi atau ada keterikatan ketika
ada satu variabel yang turun variabel
lain juga turun atau Bahkan sebaliknya
ketika ada satu variabel naik dia malah
turun
ketika kita menyandingkan dua variabel
dan kemungkinan ada hubungan semacam itu
kita kenal keduanya memiliki
asosiasi Namun adakanya kita
menyandingkan dua variabel ternyata
kedua variabel tersebut tidak
menunjukkan kecenderungan tadi sehingga
kita katakan tidak ada asosiasi Nah dari
layar ini bisa kita lihat ketika kita
melibatkan dua variabel misalkan
variabel x dan variabel y kemudian
datanya kita jadikan skater plot seperti
ini kita titik titik titik kita lihat di
sisi kiri grafik grafik yang menunjukkan
adanya asosiasi ada kecenderungan kita
lihat ya dari empat contoh grafik ini
kecenderungan yang pertama ini anggap ya
ini sumbu x-nya ini sumbu y-nya maka ini
variabel x ini variabel y Nah di sini
kecenderungannya ketika salah satu
variabel naik variabel yang lain turun
sehingga garisnya miring seperti ini
sedangkan di grafik yang kanan
sebaliknya sedangkan yang di bagian
pojok sini naiknya
Seperti apa ya seperti kuadrat jadinya
naiknya tidak lurus namun
melengkung Nah di sini merupakan
contoh-contoh grafik yang menunjukkan
keberadaan asosiasi di antara variabel
yang diposisikan sebagai sumbu x dan
sumbu y sekarang kita bandingkan dengan
dua grafik yang di sebelah kanan Nah
dengan dua grafik ini kita lihat ketika
dua variabel diskater plotkan
titik-titiknya tersebar secara acak
tidak menunjukkan kecenderungan seperti
empat contoh grafik di sebelah kiri ini
maka berdasarkan skater plot ini bisa
kita katakan tidak ada asosiasi di
antara kedua variabel tersebut tidak ada
hubungan tidak ada keterikatan ya
jadinya jadinya ketika ada satu variabel
yang kemungkinan naik terus variabel
yang lainnya tidak ada keterikatan dia
bisa tetap bisa turun bisa naik misalkan
bagaimana kita melakukan penelitian
Penelitian tersebut melibatkan dua
variabel misalkan penelitian
pendidikan motivasi dengan hasil belajar
ketika motivasi dan hasil belajar
datanya telah kita kumpulkan kemudian
kita membuat grafik kita siapkan sumbu x
dan sumbu y-nya dahulu sumbu x-nya
adalah motivasi sumbu y-nya adalah hasil
belajar kemudian ada 30 siswa yang kita
libatkan kemudian nanti kita cek Budi
skor motivasinya
30 sedangkan hasil belajarnya 35 kita
cari titik sumbu x30 sedang sumbu y-nya
35 sehingga muncul titik di dalam grafik
tersebut si Ani juga seperti itu si Ani
motivasinya misalkan 40 hasil belajarnya
45 dan seterusnya kita cari
titik-titiknya kita Tuliskan titik-titik
koordinatnya ber berdasarkan angka di
hasil belajar dan motivasi ingat ya
pelajaran matematika SMA bagaimana
caranya kita membuat titik-titik
koordinat di sumbu di grafik yang ada
sumbu xy-nya ketika titik-titik tersebut
ternyata membentuk kecenderungan maka
dapat kita simpulkan ada asosiasi atau
hubungan di antara motivasi dan hasil
belajar namun setelah kita memberikan
titik-titik tersebut kemudian kita lihat
ternyata titik-titiknya tersebar secara
acak tidak membentuk pola tertentu maka
kedua variabel tadi yaitu motivasi
belajar dengan hasil belajar dinyatakan
tidak ada asosiasi atau tidak ada
hubungan kalau kita berbicara asosiasi
maka bahasan kita sudah cukup sampai
situ hanya ingin tahu ada tidaknya
asosiasi jadinya asosiasi memiliki makna
yang sangat luas kalau kita berbicara
hubungan maka ya itu berkaitan dengan
asosiasi bila kita berbicara satu var
abel memiliki Ketergantungan dengan
variabel yang lain Jadinya saling
terikat ya jadinya semacam dependen maka
dikatakan adanya
asosiasi Nah sekarang kita lihat apa
analisis statistik yang bisa kita
gunakan ketika kita ingin menganalisis
asosiasi salah satu yang paling sering
digunakan adalah uji Ki Square ya
simbolnya itu ya Ki itu seperti X
kemudian Square itu kuadrat ya Nah uji k
Square bisa kita gunakan untuk
mengidentifikasi atau menganalisis ada
tidaknya asosiasi di antara dua variabel
kategoris misalkan saja kita ingin
melihat ada tidaknya asosiasi antara
gender dengan kemampuan akademik gender
itu kategoris jadi laki-laki dan
perempuan kan karena gender membagi data
kita menjadi dua kategori tadi kita
melibatkan puluhan siswa kemudian
puluhan siswa itu terkategorikan ada
yang laki-laki ada yang perempuan
kemudian variabel kedua kita juga
variabel kategoris yaitu kemampuan
akademik kita kelompokkan siswa tadi
menjadi akademik tinggi dan akademik
rendah kemudian kita analisis
menggunakan k Square nanti akan nampak
Apakah ada asosiasi antara gender dengan
kemampuan
akademik Apakah kalau gendernya berubah
bukan berubah ya kalau gendernya berbeda
misalkan laki-laki dan perempuan Apakah
perempuan itu Kemampuan akademiknya pada
umumnya lebih tinggi daripada laki-laki
itu bisa dilihat menggunakan k
Square begitu ini merupakan analisis
statistika inferensia yang termasuk
paling sederhana dibandingkan dengan
analisis-analisis
lainnya misalkan saja kita gunakan
penelitian lain kita ingin tahu
apakah lokasi tempat tinggal
mempengaruhi tingkat pengetahuan
terhadap
covid-19 penyakit yang menjadi pandemi
di tahun 2020 ini ya Nah nanti kita
lihat variabel pertama yaitu lokasi
lokasi tempat tinggal kita bagi menjadi
desa dan kota sehingga lokasi tempat
tinggal merupakan variabel yang
mengkategorikan data kita menjadi dua
kelompok respon kita menjadi dua
kelompok yang satu kelompok berada di
desa kelompok satunya di kota kemudian
variabel kedua kita juga kategoris yaitu
pengetahuan pengetahuannya bukan dalam
bentuk skor tetapi kita kategoriskan
juga kita kelompokkan baik dan tidak
baik baik dan jelek good and poor nah di
situ nanti terlihat apakah ada asosiasi
antara lokasi tempat tinggal dengan
tingkat pengetahuan penduduk terhadap
covid-19 ada berbagai macam gagasan
penelitian lain yang bisa menggunakan
uji k Square analisisnya sederhana namun
informasi yang didapat sangat baik
kemudian kita bahas istilah yang kedua
yaitu
korelasi nah berbeda dengan
asosiasi ketika kita menggunakan istilah
korelasi kita tidak hanya melihat ada
tidaknya hubungan kita tidak melihat ada
tidak nya arah tetapi kita juga melihat
seberapa kuat hubungan tersebut
tercipta ya tidak hanya melihat ada
tidaknya hubungan tidak melihat tidak
hanya melihat ada ee Arah hubungan
tersebut seperti apa tapi juga sampai
melihat kedua variabel tersebut seberapa
kuat hubungan satu sama lain itu bedanya
korelasi dan
asosiasi dan di sini bisa kita lihat
hubungan dikorelasi tadi seperti saya
sampaikan bisa kita lihat arahnya
sekaligus
kekuatannya dan kalau kita berbicara
korelasi analisis korelasi nanti akan
menghasilkan nilai angka yang kita kenal
sebagai koefisien korelasi koefisien
korelasi itu dari 0 hingga 1 bila
koefisien korelasi mendekati 0 maka
semakin tidak ada hubungan kekuatan
hubungannya semakin lemah sedangkan bila
mendekat 1 maka korelasinya atau
hubungan kedua variabel tersebut semakin
kuat dan arahnya bisa kita lihat dari
negatif positifnya angka di koefisien
tersebut bila nanti hasil perhitungan
menunjukkan - 0,5 atau -0,6 atau negatif
dengan angka yang lain maka hubungan
keduanya adalah negatif Maksudnya
bagaimana ketika ada satu variabel yang
naik variabel yang lain turun ketika ada
satu variabel yang semakin bagus
variabel satunya semakin
jelek kemudian selain negatif ada
kalanya koefisien korelasi positif
misalkan 0,3 0,6
0,95 ketika koefisien korelasinya
positif maka korelasi tersebut memiliki
hubungan yang positif artinya ketika ada
satu variabel yang naik variabel satunya
semakin naik naik ketika satu variabel
semakin tinggi skornya maka akan diikuti
dengan peningkatan skor di variabel
satunya sehingga di sini bisa kita lihat
di sini ya ketika koefisien korelasinya
nol dikatakan no correlation tidak ada
korelasi sedangkan ketika koefisien
korelasinya 1 baik negatif ataupun
positif 1 dikatakan perfect correlation
korelasinya
sempurna dan di sini juga bisa kita
lihat dari grafik ini bisa kita lihat
bila koefisien korelasinya negatif maka
grafik yang terbentuk seperti
ini ya sedangkan kalau positif arahnya
berbeda ingat ya bawah ini sumbu x atas
sumbu y ketika koefisien korelasinya
positif maka semakin ke kanan maka
titik-titiknya semakin di atas lihat
seperti itu semua sedangkan di yang
sebelah kiri sini yang
koefisien-koefisien korelasinya negatif
Ketika semakin ke kanan titik-titiknya
Malah semakin ke bawah Kenapa karena
semakin tinggi variabel satunya maka
angka di variabel pasangannya semakin
turun berbeda dengan korelasi yang
positif semakin tinggi angka di variabel
sumbu x semakin tinggi pula angka
variabel di sumbu y sehingga bentuk
garisnya arahnya seperti ini dan kita
lihat semakin tinggi nilai koefisien
korelasinya atau dalam arti yang lain
semakin mendekati satu sebaran
titik-titiknya semakin rapat kita lihat
ketika koefisien korelasinya nol maka
sebarannya tidak jelas tidak membentuk
pola tertentu ketika semakin meningkat
terbentuklah pola garis tersebut namun
titik-titiknya masih tersebar dan ketika
mendekati satu atau bahkan koefisien
korelasinya menjadi satu maka hanya
terbentuk seperti garis Lur seperti ini
titik-titiknya sudah tidak tersebar lagi
Nah di sini bisa kita bandingkan Kita
bedakan antara asosiasi dengan korelasi
asosiasi kita hanya melihat ada tidaknya
asosiasi atau hubungan sedangkan
korelasi kita melihat ada tidaknya
hubungan melihat Arah hubungan dan
melihat seberapa kuat hubungan di antara
kedua variabel
tersebut tadi ketika asosiasi salah satu
analisis statistika inferensia yang bisa
kita gunakan adalah k Square dengan
syarat kedua data kedua variabel kita
berupa data kategoris lalu statistika
inferensia apa saja yang bisa digunakan
ketika kita ingin melakukan analisis
korelasi Nah ada beberapa analisis yang
bisa kita gunakan yang pertama adalah
corelasi person ya person correlation di
referensi lain dituliskan person r
correlation r ya koefisien r pada
cororelas person syarat yang digunakan
agar data kita bisa dianalisis
menggunakan korelasi ini adalah kedua
variabel kita sama-sama berupa variabel
ktinue jadinya bisa interval bisa rasio
misalkan kita ingin menganalisis ada
tidaknya hubungan antara keterampilan
berpikir kritis dengan hasil belajar Nah
ini sama-sama interval atau kita ingin
melihat ada tidaknya hubungan antara
berat badan dengan tinggi badan berat
badan itu rasio tinggi badan itu skala
pengukurannya juga rasio nah dua contoh
tersebut bisa kita analisis menggunakan
person karena syarat dari person adalah
kedua variabel skala pengukurannya
berupa skala interval atau rasio atau
dalam artian lain variabelnya harus
contintinue baik variabel x maupun vari
y-nya kemudian analisis yang lain yang
bisa kita gunakan adalah point biserial
correlation poin biserial correlation
sendiri dianggap juga sebagai korelasi
person dalam kondisi khusus kondisi
khususnya apa Nah ketika kita
menggunakan point biserial correlation
salah satu variabel kita merupakan
variabel kontinu sedangkan variabel
satunya berupa data biner data
dikotomis data yang membagi data kita
menjadi dua kelompok misalkan tinggi
rendah baik
buruk kota Kabupaten Suka tidak suka
jadinya data kita terkelompokkan menjadi
dua dikotomis membentuk dua kelompok nah
ketika penelitian kita satu variabelnya
kontinu dan satu variabel lainnya
dikotomis seperti tadi maka kita bisa
melihat hubungan di antara keduanya
menggunakan poin bis
Misalnya saja kita ingin melihat ada
tidaknya hubungan antara IQ dengan
pilihan lokasi rumah misalkan seperti
itu atau
pilihan status sekolah Nah IQ itu kan
termasuk variabel ktin sedangkan lokasi
rumah atau status Sekolah Negeri swasta
itu kan diotis lokasi rumah bisa dibagi
menjadi desa dan kota jad du ya ya atau
Kalau sekolah statusnya bisa Negeri
swasta dikutum juga terbagi menjadi dua
Nah selain kedua korelasi ini kita juga
mengenal Kendal staubi
correlation nah Kendal staubi
correlation juga merupakan statistika
inferensia yang dapat digunakan ketika
salah satu asumsi dari corelasi person
itu tidak terpenuhi personnya sendiri
merupakan
statistika parametrik sedangkan Kendal
tau B ini merupakan non
parametrik nah ketika ada asumsi yang
tidak terpenuhi kita bisa menggunakan
Kendal stau B selain
itu selain kita bisa melihat ada
tidaknya hubungan dua variabel yang
kontinu pada Kendal ST Kita juga bisa
melihat hubungan antara satu variabel
kontinu dengan variabel lain yang
kategoris misalkan hubungan antara umur
dengan tingkat kesukaan terhadap drama
Korea umur itu merupakan variabel
kontinu lebih fokus lebih khususnya lagi
dia termasuk ke dalam skala pengukuran
rasio sedangkan tingkat kesukaan
misalkan ada levelnya dari sangat tidak
suka kemudian tidak suka agak suka suka
dan sangat suka itu merupakan level
ordinal Nah kita bisa menganalisisnya
menggunakan
kendalisis biasa digunakan adalah
sperman rank penggunaannya sama dengan
Kendal staubi persyaratannya juga sama
sehingga kita juga bisa menganalisis
kasus tadi menggunakan sperman rank
ketika kita ingin melihat ada tidaknya
hubungan antara peningkatan umur dengan
bukan peningkatan umur ya antara umur
seseorang dengan kesukaan mereka
terhadap drama
Korea syaratnya sama ujinya berbeda
terserah memilih yang mana namun yang
jelas Kendal tah dan dan sperman rank
berbeda dengan person sedangkan poin
berial correlation
merupakan kasus khusus dari person ini
adalah empat macam korelasi yang sering
kita temui ketika kita melakukan
analisis statistika
inferensia selanjutnya kita juga
mengenal istilah regresi Nah di sini pun
kita juga sering menemukan laporan yang
juga sering terbalik menggunakan istilah
korelasi dengan
regresi kalau korelasi tadi kita ingin
melihat ada tidaknya hubungan kemudian
arah hubungannya dan seberapa besar
hubungan tersebut Sedangkan pada regresi
kita ingin membuat model atau formula
sehingga kita bisa memprediksi suatu
variabel dengan variabel yang lain nah
salah satu karakteristik dari analisis
regresi adalah menghasilkan formula
seperti ini model regresi seperti ini
secara sederhana formula regresi bisa
kita tulis sebagai y = AX +
b atau y = a + BX nah ini merupakan
contohnya misalkan kita ingin melakukan
analisis hubungan antara kesadaran
metakognitif dengan hasil belajar kita
tidak hanya ingin melihat ada tidaknya
hubungan kita tidak hanya ingin melihat
Bagaimana arah hubungannya kita tidak
hanya ingin melihat seberapa kuat
hubungan antara kesadaran metakognitif
dan dengan hasil belajar Namun kita
ingin membuat model formula matematika
sehingga kita bisa
memprediksi Bagaimana capaian hasil
belajar siswa bila kesataran
metakognitifnya sekian Nah kita bisa
menggunakan analisis regresi jadinya
salah satu luaran dari analisis regresi
adalah formula seperti ini model regresi
ini dengan menggunakan model regresi ini
kita bisa memprediksi variabel y kita
kita bisa memprediksi
variabel kita berdasarkan data
independen variabel saja Kenapa dengan
menggunakan rumus ini y ini merupakan
variabel y y itu dependen variabel
Variabel terikat x merupakan variabel
bebas kita independen kita misalkan kita
hanya memiliki kesadaran metakognitif
misalkan di penelitian sebelumnya kita
sudah melakukan penelitian kita ambil
data kesadaran metakognitif dan hasil
belajar kemudian kita analisis
menggunakan regresi dan kita mendapatkan
model seperti ini kemudian kita
ingin
memprediksi siswa lain kalau kesadaran
metakognitifnya sekian kita sudah bisa
memprediksi hasil belajarnya akan sekian
Bagaimana caranya skor kesadaran
metakognitif tersebut langsung kita
masukkan ke formula ini jadinya
1,2606 dikali skor kesadaran
metakognitif dia +
8,1549 = y nah y inilah merupakan
prediksi hasil belajar dari siswa yang
kesadaran metakognitifnya kita ketahui
tadi ini adalah kekuatan dari analisis
regresi lalu apa saja statistika
inferensia yang bisa kita gunakan ketika
kita ingin melakukan analisis regresi
Ada sangat banyak sekali namun pada
video kali ini kita akan menjelaskan
beberapa yang paling umum dan paling
sering digunakan dan ditemukan di
berbagai laporan ilmiah
nah sebelum itu kita harus mengetahui
atau mengidentifikasi variabel kita
terlebih dahulu khususnya Variabel
terikat ya kita lihat variabel trikat
kita itu kontinu atau kategoris kontinu
misalkan hasil belajar keterampilan
metakognitif tinggi badan berat badan IQ
sedangkan Variabel terikat berupa
kategoris itu bisa dalam bentuk ordinal
ataupun nominal tingkat kesukaan lokasi
tempat tinggal status lah tingkat
akademik itu kategoris nah sekarang kita
lihat terlebih dahulu analisis regresi
yang umum digunakan pada data yang
variabel terikatnya berupa data
kontinu Nah kita bisa menggunakan
regresi linear sederhana maupun regresi
linear
berganta karena linear maka salah satu
asumsi dari regresi ini adalah kita
harus mengecek Apakah hubungan antara
variabel x dengan y apakah hubungan
antara variabel independen dengan
dependen itu linear atau tidak linear
itu ketika kita buat skatterer plot
seperti tadi membentuk garis lurus tidak
melengkung atau tidak membentuk kurva
seperti gunung tetapi lurus lurus itu
linear lalu apa bedanya ketika
menggunakan sederhana dengan
berganda perbedaannya adalah dari jumlah
variabel bebasnya ketika variabel bebas
kita hanya satu maka kita menggunakan
regresi linear sederhana namun ketika
variabel bebas kita ada dua atau lebih
kita menggunakan regresi linear
berganda dengan variabel triikat yang
hanya satu semua misalkan kita ingin
melihat ada tidaknya hubungan antara
keterampilan berpikir kritis dengan
hasil belajar
siswa variabel bebasnya hanyalah
keterampilan berpikir kritis hasil
belajar adalah satu-satunya Variabel
terikat maka kita bisa menggunakan
regresi linear sederhana dan hasil
belajar merupakan Variabel terikat dalam
variabel
kontinu kalau regresi linear berganda
misalkan kita ingin melihat ada tidaknya
hubungan antara keterampilan berpikir
kritis dan keterampilan berpikir kreatif
terhadap hasil belajar tetap variabel
terikatnya hanya satu yaitu variabel
kontinu berupa hasil belajar tadi
sedangkan variabel bebasnya ada dua
keterampilan berpikir kritis dan kreatif
yang sama-sama juga dalam variabel
kontinu Nah itu ya perbedaan antara
linear sederhana dengan linear berganda
Nah sekarang kalau variabel triikat kita
berupah data kategoris apa saja analisis
yang bisa kita gunakan ada banyak juga
namun ada tiga yang umum yaitu regresi
logistik binomial multinomial dan
ordinal berbeda dengan Variabel terikat
kontinu pada Variabel terikat yang
kategoris ini kita melihat data
kategoris kita itu berupa Data apa Data
logistik kah data nominalk kah atau data
ordinal ya data
kita misalkan data biner data
dikotomis misalkan kita ingin melihat
ada tidaknya hubungan antara IQ
dengan misalkan pengetahuan level
pengetahuan terhadap malaria level
pengetahuannya bagus tidak bagus Nah ini
merupakan contoh data dikotomis kita
ingin melihat ada tidaknya hubungan
antara IQ dengan level pengetahuan
terhadap malaria maka kita bisa
menggunakan regresi logistik binomial
binomial itu digunakan ketika variabel
trikat kita berupa data biner atau
istilah lainnya data dikotomis begitu ya
namun kalau variabel trikat kita tidak
hanya terdiri atas dua kelompok po tidak
dikutum seperti itu namun banyak
misalkan pilihan warna merah kuning
hijau maka itu termasuk data nominal
karena datanya nominal maka kita
menggunakan regresi logistik
multinomial begitu ya multinomial kita
gunakan ketika Variabel terikat kita
terdiri atas beberapa kelompok sehingga
data kita termasuk dalam data nominal
misalkan tadi pengaruh
misalkan pengaruh IQ juga mungkin
terhadap kesukaan warna kesukaan warna
kesukaan termasuk
nominal namun kalau variabel trikat kita
berubah data ordinal misalkan tingkat
kesukaan terhadap hamburger dari sangat
tidak suka hingga suka maka kita
menggunakan regresi logistik
ordinal dan sebagai catatan tambahan
padaal regresi logistik binomial
multinomial ataupun ordinal variabel
terikatnya seperti tadi ketentuannya
sedangkan variabel bebasnya bisa satu
atau lebih dan skala pengukuran variabel
bebasnya juga terserah bisa berupa
variabel kontinu maupun variabel
kategoris jadinya misalkan kita
menggabungkan keduanya sebagai variabel
bebas contohnya ketika kita ingin
meneliti ada tidaknya hubungan antara
level kesukaan terhadap bakso dengan
jarak rumah ah ke sekolah
terhadap keborosan siswa keborosan siswa
itu kategorinya boros dan tidak boros
karena ada dua kita menggunakan binomial
kemudian tadi variabel bebasnya ada dua
yang satu adalah level kesukaan terhadap
bakso itu merupakan data ordinal kan
termasuk data kategoris sedangkan yang
kedua jarak rumah itu termasuk data
kontinu lebih tepatnya
dalam skala rasio jadinya variabel
bebasnya ada dua kategoris dan kue
variabel triikatnya ada satu kategoris
yang berupa data dikotomis Nah kita bisa
menggunakan logistik binomial di
multinomial dan ordinal juga begitu
variabel bebasnya bisa lebih dari satu
dan tidak harus kategoris tidak harus
continue saja bisa
dua-duanya masih ada berbagai regresi
yang lain misalkan regresi nonlinear
akan kita bahas di video lainnya
begitu ya demikian penjelasan saya
terkait asosiasi korelasi dan regresi
dan kaitannya terhadap statistika
inferensia kita telah mempelajari Apa
perbedaannya apa contoh-contoh
statistika inferensia yang bisa kita
gunakan dan bagaimana contoh kasus yang
dapat kita pilih ketika kita ingin
menggunakan berbagai analisis statistika
tersebut kita akan bertemu lagi di video
selanjutnya kita bahas konsep-konsep dan
praktik statistik yang lain oleh Oleh
karena itu tetap stay tune in my channel
terima kasih atas perhatiannya Mohon
maaf bila ada kesalahan asalamualaikum
warahmatullahi wabarakatuh