ANALISA PERSAMAAN SIMULTAN

1. PEMBUATAN MODEL
Persamaan simultan merupakan persamaan yang terdiri dari lebih dari satu persamaan,
dimana salah satunya merupakann persamaan identitas, sedangkan persamaan lainnya merupakann
persamaan struktural. Persamaan identitas merupakann persamaan yang sudah pasti karena tidak
melibatkan variabel error di dalamnya. Sedangkan persamaan struktural sendiri merupakann
persamaan yang di dalamnya terdapat faktor error, dan persamaan ini merupakann persamaan yang
akan diuji dengan menggunakan analisa 2-stage least square (2 SLS). Kita memiliki contoh kasus
berikut dimana persamaan strukturalnya adalah persamaan Dt; PRODGt; PDGt. Perlu diketahui pula
elemen-elemen penyusun persamaan simultan ini, antara lain adalah,
1. Variabel eksogen adalah variabel yang hanya bersifat mempengaruhi variabel lain baik di
dalam seluruh persamaan yang menyusun suatu model ekonomi. Dengan kata lain variabel
eksogen ini adalah variabel independen sesungguhnya, baik di satu persamaan maupun di
persamaan lainnya dalam model dan bersifat non stokastik (pasti). Model ekonomi sendiri
dalam hal ini terdiri dari beberapa persamaan struktural dan persamaan identitas seperti pada
contoh kasus di bawah ini. Contoh dalam kasus ini adalah variabel POPt; It; Dt-1; Lt; PDVt;
PWGt; NTt; IMGt; PDGt-1 (kita juga menganggap variabel lagged endogen sebagai variabel
eksogen karena nilainya telah ditetapkan sebelumnya)
2. Variabel endogen merupakan variabel yang dicoba untuk dicari nilainya berdasarkan
persamaan matematis yang ada. Variabel ini dalam model ekonomi (dalam sistem persamaan
simultan) dapat saja menjadi variabel yang mempengaruhi variabel endogen lainnya dalam
satu persamaan, dan atau secara simultan (bersamaan) juga dapat juga dipengaruhi oleh
variabel-variabel lainnya pada persamaan lain yang masih dalam satu model ekonomi tadi
(masih dalam satu sistem persamaan simultan yang sama). Contoh dalam kasus ini adalah
Dt; PRODGt; PDGt. (penjelasannya: variabel PDGt merupakan variabel endogen yang
bersifat mempengaruhi dan dipengaruhi, sedangkan variabel Dt dan PRODGt hanya bersifat
dipengaruhi saja namun tetap masuk dalam klasifikasi variabel endogen)
3. Variabel lagged endogen merupakan variabel endogen di masa lampau, sehingga nilainya
sudah diketahui sebelumnya. Biasanya variabel ini ditandai dengan adanya subscript (t-1)
pada variabel endogennya. Contoh dalam kasus ini adalah variabel PDGt-1 dan Dt-1.
4. Variabel lagged eksogen yang penjelasannya beranalogi sama dengan variabel lagged
endogen. Juga dicirikan dengan adanya subscript (t-1) pada variabel eksogennya. Sayangnya
Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

tidak ada contoh dalam kasus ini.

5. Variabel predetermined atau variabel yang nilainya sudah ditentukan sebelumnya dan
digunakan untuk mencari nilai dari variabel endogen yang dipengaruhinya. Variabel
predetermined ini terdiri dari variabel eksogen, lagged eksogen, dan juga lagged endogen.
Untuk mudahnya, semua variabel ini terkumpul di sisi sebelah dari variabel endogen yang
dicari nilainya. Untuk kasus ini, variabel predetermined berada di sisi sebelah kanan tanda
sama dengan (=).
f(Permintaan gula) = f(populasi penduduk, income, harga gula domestik, dan permintaan
gula tahun sebelumnya);
f(produksi gula) = f(harga gula, luas perkebunan tebu, produktivitas lahan tebu);
Sedangkan fungsi harga gula kita tuliskan sebagai,
f(harga gula) = f(harga gula dunia, nilai tukar rupiah terhadap dollar, volume impor gula,
dan produksi gula indonesia tahun sebelumnya)
Pada fungsi-fungsi yang kita tuliskan di atas, kemudian kita mulai mencoba untuk membuat
persamaan yang dapat menjelaskan hubungan matematis fungsi permintaan gula, produksi gula, dan
harga gula. Dalam kasus ini, kita menganggap bahwa persamaan yang kita coba estimasi adalah
persamaan linear, sehingga terjemahan fungsi matematisnya adalah berikut:
Dt =0 +1 POP t +1 I t +2 PDG t +3 Dt1 +
PRODG t =0 +1 PDG t +2 Lt +3 PDV t +
PDG t=0 +1 PWG t +2 NT t +3 IMG t +4 PDG t1 +
S t =Dt

--> Persamaan Identitas

Sebuah persamaan identitas mutlak diperlukan dalam model persamaan simultan sebagai
pendefinisi salah satu variabel. Setelah kita membuat perkiraan persamaan yang menjelaskan
mengapa permintaan gula, produksinya, dan harganya dapat berubah, maka langkah selanjutnya
adalah mencoba menguji apakah persamaan yang kita bentuk tadi benar-benar dapat menjelaskan
secara matematis hubungan masing-masing faktor terhadap perubahan permintaan gula, produksi
gula, dan harga gula, mendekati data aktual (data hasil dari survei di lapang). Untuk uji ini kita
memerlukan langkah-langkah berikut:

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

Membuat model linear (bukan

persamaan matematis)

Syarat Order Condition:

Over Identified jika K-k > m-1
Exactly Identified jika K-k = m-1
Under Identified jika K-k < m-1

Uji Order Condition untuk semua

Persamaan Struktural

Hasil Order Conditions masing-masing

Persamaan adalah Over Identified
atau Exactly Identified

Persamaan yg terpilih diuji dengan

2SLS (persamaan identitas jgn diproses!)

Hasil Order Conditions persamaan

msk kategori Under Identified

Persamaan ini
tidak diproses lebih lanjut!!!

Interpretasi Output SPSS

Interpretasi Multiple R; R2; sig. uji F, sig. uji t
(Adj. R2 dapat diinterpretasikan jg, tp tdk wajib)

Membentuk persamaan matematis

dari temuan koefisien dan konstanta hasil
Regresi 2SLS

Validasi Model

Dilakukan dgn

Dianalisis
menggunakan

Perbandingan Data Aktual dan Data Prediksi

(data prediksi = data hasil perhitungan dr model
yg dibuat dgn SPSS)

Penjabaran Model berdasarkan

Logika Ekonomi

Kesimpulan
Model dapat dikatakan memprediksi realita atau tidak.

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

Excel
atau
SPSS (analisis Frequency)

2. UJI ORDER CONDITION

Pada model yang telah kita buat di atas kita sudah membuat perkiraan persamaan matematis
sebagai berikut,
Dt =0 +1 POP t +1 I t +2 PDG t +3 Dt1 +
PRODG t =0 +1 PDG t +2 Lt +3 PDV t +
PDG t=0 +1 PWG t +2 NT t +3 IMG t +4 PDG t1 +
S t =Dt
Analisa 2SLS hanya dapat dilakukan pada persamaan yang masuk dalam klasifikasi Exactly
Identified atau Over

Identified. Selain klasifikasi itu, analisa 2SLS tidak dapat dilakukan.

Klasifikasi ini mengikuti aturan berikut:

Over Identified jika K-k > m-1
Exactly Identified jika K-k = m-1
Under Identified jika K-k < m-1
dimana,

K adalah jumlah jenis variabel yang ada dalam model, baik itu di persamaan
struktural maupun di persamaan identitas (variabel yang sama dalam satu
persamaan di persamaan lainnya hanya dihitung sekali).

k adalah jumlah seluruh variabel pada masing-masing persamaan yang diuji

order condition-nya (termasuk variabel independennya).

m adalah banyaknya persamaan yang terdapat dalam model yang diuji,

termasuk persamaan identitas.

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

Pada kasus di atas kita ketahui bahwa:

Persamaan
Dt

Nilai K

Nilai k

Nilai m

Klasifikasi

13 (Dt; PRODGt; 5 (Dt; PDGt; POPt; 4 (persamaan Dt; Over Identified

PDGt; POPGt; It; It; Dt-1)

PRODGt;

Dt-1;

dan St)

Lt ;

PDVt;

PDGt;

PWGt; NTt; IMGt;

PDGt-1; St)
PRODGt

13 (idem)

4 (PRODGt; PDGt; 4 (idem)

Over Identified

Lt; PDVt)
PDGt

13 (idem)

5 (PDGt; PWGt; 4 (idem)

Over Identified

NTt; IMGt; PDGt)

Seluruh persamaan struktural yang ada dalam model ini masuk dalam klasifikasi Over
Identified, sehingga langkah berikutnya adalah melakukan regresi 2SLS untuk menentukan nilai
konstanta dan koefisien pada masing-masing persamaan.

3. REGRESI 2SLS
Regresi 2SLS ini kita lakukan dengan menggunakan SPSS. Berikut adalah langkahnya:
1. Copy data dari Excel ke SPSS. Data tahun tidak perlu dimasukkan dalam SPSS.
2. Rubah nama variabel sesuai dengan nama aslinya pada Excel. Dapat dilakukan pada sheet
variable view. Dan pastikan kolom measure variabel tersebut berupa scale; dan pada
kolom type berupa numeric.
3. Tahap berikutnya merupakann tahap regresi 2SLS pada masing-masing persamaan struktural
dalam model. Pada kasus ini, terdapat tiga persamaan struktural dalam model. Sehingga kita
melakukan analisa 2SLS sebanyak tiga kali.
a) Klik menu Analyze --> Regression --> 2-stage least squares
b) Pada kolom Dependent, masukkan variabel dependen pada persamaan yang dianalisa.
Sebagai contoh, jika kita menganalisa persamaan Dt, maka variabel Dt yang kita
masukkan dalam kolom tersebut.
c) Pada kolom Explanatory, masukkan varibel penjelas atau yang biasa kita sebut sebagai
variabel independen dalam persamaan yang dianalisa. Contoh, jika menganalisa
persamaan Dt, maka variabel penjelasnya adalah PDGt; POPGt; It; Dt-1.
d) Pada kolom Instrumental, masukkan seluruh variabel yang ada dalam model, kecuali
Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

variabel endogennya. Untuk ini, variabel endogen dalam model adalah variabel Dt;
PRODGt; PDGt; termasuk seluruh variabel yang ada dalam persamaan identitas, yaitu St.
Variabel dalam kolom instrumental ini tetap sama untuk dua persamaan lainnya,
sehingga untuk analisa persamaan sisanya, kolom ini tidak perlu dirubah lagi.
e) Klik Options --> centang Predicted --> Continue --> OK
f) Akan muncul sebuah notifikasi yang meminta izin untuk menambahkan variabel baru
pada kolom data di sheet Data View. Klik OK untuk melanjutkan.
g) Variabel baru ini secara otomatis bernama FIT_1 untuk analisa persamaan pertama,
dan FIT_2 untuk analisa persamaan kedua, dan seterusnya. Variabel baru ini terletak
pada kolom paling kanan, rubah nama variabel ini menjadi PRED_.... isikan titik-titik
tersebut dengan nama variabel dependen pada persamaan yang sedang dianalisa. Contoh,
saat analisa persamaan Dt, maka rubah variabel FIT_1 menjadi PRED_Dt, dan
seterusnya. Variabel baru ini merupakan nilai prediksi SPSS atas model persamaan
matematis yang kita buat. Untuk melihat nilai konstanta dan koefisien pada persamaan
yang kita analisa ini, dapat dilihat pada hasil output SPSS. Langkah berikutnya adalah
menginterpretasikan hasil uji t; F; dan R2 pada output analisa persamaan tersebut.
4. Lakukan seluruh langkah nomor 3 ini untuk persamaan struktural yang lain yang termasuk
dalam model. Persamaan identitas dalam model tidak perlu dianalisa menggunakan langkah
nomor 3.
5. Tahap berikutnya adalah interpretasi hasil analisa 2SLS dengan SPSS. Hal-hal yang perlu
diperhatikan dalam analisa ini adalah nilai R 2 dan multiple R pada tabel Model Summary;
nilai signifikansi pada tabel ANOVA (mewakili nilai F, sehingga kita tidak perlu repot
membandingkan hasil F hitung dengan F tabel); dan semua nilai signifikasi pada tabel
Coefficients (mewakili nilai t, sehingga kita tidak perlu repot membandingkan nilai t
hitung dengan nilai t tabel). Kesemua interpretasi ini dilakukan pada hasil regresi 2SLS pada
masing-masing persamaan.

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

Cara interpretasi dan maknanya:

a) Pada tabel Model Summary

Nilai multiple R atau biasa disebut multiple correlation coefficient adalah 0.754;
menunjukkan bahwa tingkat korelasi (kesesuaian) data prediksi terhadap data aktual
mencapai 75.4%.
Sedangkan nilai R square atau disebut juga sebagai coefficient of determination
merupakan nilai kuadrat dari multiple R, menunjukkan 0.569; berarti variabel
independen dalam persamaan ini mampu menjelaskan variabel dependen dalam
persamaannya sebesar 56.9%, sedangkan sisanya dijelaskan oleh variabel diluar
persamaan.
b) Pada tabel ANOVA

Cukup perhatikan nilai Signifikansinya, yaitu 0.007. Ini menunjukkan bahwa tingkat
kesalahan mencapai 0.7%; sedangkan sisanya sebesar 99,3% merupakan tingkat
kepercayaan pada persamaan ini, sehingga persamaan ini dinyatakan signifikan. Batas
toleransi kesalahan pada analisa sosial khusus untuk tabel ANOVA adalah 5% atau setara
dengan 0.05, nilai signifikansi (kesalahan) yang mencapai lebih dari 5% atau 0.05
dinyatakan tidak memiliki pengaruh nyata. Kecuali jika di bawah tabel ANOVA
ditemukan adanya notifikasi seperti berikut: Significance at .....(angka desimal) maka
kita memakai batas toleransi tersebut, bukan 0,05.
c) Pada tabel Coefficients

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

Perhatikan nilai signifikansi (kesalahan) pada setiap barisnya. Masing-masing

menunjukkan tingkat kepercayaan nilai konstanta dan koefisien dalam persamaan yang
sedang dianalisa terhadap data aktual yang ada. Batas toleransi nilai signifikasi ini juga
sama, yaitu 5% atau 0.05. Pada tabel, terdapat dua koefisien yang nilai signifikansinya
(kesalahan) lebih dari 0.05; yaitu Dt_1 dan It, masing-masing sebesar 0.139 dan 0.138.
Ini menunjukkan bahwa kedua variabel tersebut tidak memiliki pengaruh yang nyata
terhadap variabel dependen pada persamaan yang dianalisa. Sedangkan variabel lainnya
yang memiliki tingkat signifikansi kurang dari 0.05 memiliki pengaruh nyata terhadap
nilai variabel dependen. Setelah diketahui nilai-nilai konstanta dan koefisien dari
masing-masing

persamaan

yang

dianalisa

tadi,

maka

selanjutnya

dilakukan

pembentukan persamaan matematis sesuai dengan persamaan yang kita perkirakan

sebelumnya (asumsi persamaannya adalah linear). Sebagai contoh, untuk hasil analisa
untuk persamaan Dt, kita membuat persamaan matematis berdasarkan koefisien dan
konstanta yang diperoleh pada tabel output Coefficient terkait, yaitu:
D t =6.009E6+ 63.212 POP t6.449 I t786.267 PDG t +0.29 Dt 1 +
6. Dalam pembentukan persamaan matematis ini kita tidak dapat meninggalkan penambahan
variabel error , karena merupakan penciri persamaan struktural yang memang tidak dapat
memprediksi realita secara utuh. Ini dikarenakan adanya faktor lain diluar variabel-variabel
independen yang juga mempengaruhi dalam persamaan, namun tidak dapat dimasukkan
karena banyaknya faktor yang mempengaruhi dan juga sulitnya untuk mendefinisikan
masing-masing faktor tersebut.
7. Bentuk persamaan matematis seperti yang dijelaskan pada langkah 6 di atas untuk
persamaan lainnya.

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

4. VALIDASI MODEL
a. Logika Ekonomi
Model hasil pengerjaan dengan regresi 2SLS di atas selanjutnya memerlukan pengujian
kembali apakah sistem persamaan yang sudah kita buat ini mampu memprediksi mendekati dengan
data aktualnya. Untuk itu kita menggunakan validasi dengan dua tahap, pertama dengan
menggunakan logika ekonomi dan menggunakan kecocokan data aktual dengan data prediksi.
Logika ekonomi digunakan untuk melihat bagaimana seharusnya persamaan yang sudah kita
bentuk ini dapat dijelaskan sesuai dengan teori ekonomi terkait. Ketika kita menemukan
ketidaksesuaian dalam persamaan yang kita bentuk dengan teori atau asumsi ekonomi tertentu,
maka kita dapat melakukan penelitian lebih lanjut untuk mengetahui apa yang sebenarnya terjadi
pada persamaan-persamaan kita ini.
Sebagai contoh, kita membuat tabel kesesuaian antara hasil pembuatan persamaan matematis
Dt dengan logika ekonomi yang telah kita pahami sebelumnya, seperti di bawah ini. Kita melihat
kesesuaiannya dengan mengacu pada tanda masing-masing koefisien yang ada di persamaan terkait.
Sebagai contoh, untuk variabel/faktor Populasi Penduduk yang dicerminkan sebagai POP t, kita
meyakini bahwa semakin banyak populasi penduduk tentunya akan meningkatkan permintaan gula
nasional, dimana permintaan gula nasional ini dicerminkan oleh variabel D t tadi. Sehingga kita
menuliskan bahwa pengaruh POPt terhadap Dt adalah positif (+) pada kolom Harapan di tabel
berikut.
Kemudian kita lanjut melihat tanda koefisien variabel POP t tadi pada persamaan Dt yang
sudah kita buat sebelumnya. Tanda masing-masing koefisien dan konstanta pada persamaan
matematis ini memiliki arti pada kaitannya dengan variabel dependen yang dipengaruhinya.
Keterkaitan ini dicerminkan dengan tanda (-) ataupun (+). Jika tanda koefisiennya (+), maka
terdapat hubungan searah antara variabel independen terkait dengan variabel dependen dalam
persamaan. Begitu pula sebaliknya ketika variabel independen terkait memiliki koefisien bertanda
(-), maka variabel independen terkait memiliki hubungan terbalik dengan variabel dependen pada
persamaan tersebut. Kita melihat bahwa koefisien variabel POP t ini bertanda (+), sehingga
hubungan variabel POPt terhadap variabel dependen Dt adalah searah, artinya ketika nilai variabel
POPt ini meningkat, maka searah dengan hal tersebut nilai variabel Dt juga akan meningkat. Tanda
dari koefisien POPt ini kemudian kita masukkan dalam kolom Analisis (SPSS) dan sekarang kita
dapat melihat kesesuaiannya dengan teori (pada kolom Harapan). Lajutkan analisis ini untuk semua
variabel yang ada pada seluruh persamaan yang kita analisis tadi dengan menggunakan tabel contoh
seperti di bawah.
Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

Variabel

Persamaan

Dt

Tanda
Harapan
Analisis
(SPSS)

POPt

It

PDGt

Dt-1

Keterangan
Sesuai, karena populasi yang
meningkat akan meningkatkan
permintaan.
Tidak sesuai karena menurut
teori, jika pendapatan naik
maka permintaan akan naik.
Sesuai, karena jika harga gula
domestik
rendah
maka
permintaan akan meningkat.
Permintaan
sebelumnya
mempengaruhi
permintaan
tahun ini secara lurus. Artinya,
ketika permintaan gula tahun
lalu tinggi, maka permintaan
gula tahun ini juga akan lebih
tinggi lagi.

b. Perbandingan Data Aktual dengan Data Prediksi

Perbandingan data aktual dengan data prediksi dapat dilakukan menggunakan Excel ataupun
SPSS. Berikut dijelaskan penggunaannya pada masing-masing software berikut.
Menggunakan Excel
1. Buka data Excel yang telah kita miliki tadi dan buat tabel seperti berikut ini pada sheet
lainnya.
Tahun

AKTUAL
Dt

PRODGt

PDGt

PREDIKSI
St

Dt

PRODGt

PDGt

St

1985

....

....

....

....

Hasil
hitungan
Persamaan
Dt

Hasil hitungan ...dst

Persamaan
PRODGt

...dst

1986

....

....

.....

....

....

....

....

....dst.
Average

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

....

2. Buka kembali sheet dimana data tadi berada, kemudian buatkan tabel perhitungan sebagai
berikut.
Aktual

No.

Prediksi

Dt

PRODGt

PDGt

Dt

PRODGt

PDGt

1.

...

...

...

...

...

...

2.

...

...

...

...

...

...

Dst.

Dst.

Dst.

Dst.

Dst.

Dst.

Dst.

Average

...

...

...

...

...

...

3. Masukkan data nilai variabel-variabel yang ada pada sheet kerja tadi sesuai dengan
kolomnya masing-masing (dapat dilakukan dengan copy-paste) pada kolom variabel
Aktual.
4. Pada kolom variabel Prediksi, masukkan persamaan matematis yang sudah kita buat
sebelumnya pada kolom masing-masing variabel yang bersesuaian. Sebagai contoh, untuk
mencari nilai variabel Dt pada kolom Prediksi Dt ini, kita sudah punya rumus
D t =6.009E6+ 63.212 POP t6.449 I t786.267 PDG t +0.29 Dt 1 +
Maka, kita cara kita memasukkan rumus tersebut dalam kolom variabel Dt adalah dengan
menggunakan notasi matematis yang dikenali oleh EXCEL, yaitu =-6.009+(63.212*Nama
Cell data terkait dalam Excel, yaitu data variabel POPt)-(6.449* Nama Cell data terkait
dalam Excel, yaitu data variabel It)-(786.267* Nama Cell data terkait dalam Excel, yaitu
data variabel PDGt)+(0.29* Nama Cell data terkait dalam Excel, yaitu data variabel Dt-1).
Lalu klik Enter.
5. Blok persamaan ini kebawah agar formula ini dapat dikerjakan dengan cepat untuk data-data
variabel Dt pada rentang waktu yang lain.
6. Masukkan kembali persamaan matematis yang telah kita buat untuk dua kolom variabel
dependen lainnya pada kolom Prediksi ini dan lakukan langkah yang sama seperti pada
langkah 4 dan 5.
7. Pada baris Average dalam tabel di atas, masukkan fungsi pencari rata-rata untuk masingmasing variabel yang ada pada kolom Aktual dan Prediksi dengan mengetikkan
=AVERAGE(Blok nilai variabel dari data paling atas hingga paling bawah). Lakukan hal
ini juga untuk kolom variabel-variabel disebelahnya.
8. Sekarang bandingkan nilai antara rata-rata data Aktual dengan rata-rata data Prediksi.
Jika selisih antara nilai-nilai tersebut mendekati nol, maka persamaan yang kita buat tadi
dianggap mampu untuk memprediksi keadaan nyata di lapang karena hampir bersesuaian
Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

dengan data real. Jika selisih ditemukan sangat besar, maka persamaan kita dianggap
semakin tidak relevan untuk memprediksi keadaan yang sebenarnya.
9. Dari langkah ini, kita dapat mulai menarik kesimpulan apakah persamaan yang kita buat ini
baik ataukah tidak.
Analisis perbandingan data aktual dengan data prediksi juga dapat dilakukan dengan
menggunakan SPSS. Berikut adalah caranya,
1. Buka sheet kerja Data View pada SPSS dimana kita telah memiliki seluruh data aktual
(dari file Excel yang sudah dipindah ke SPSS) termasuk 3 kolom data nilai variabel
Pred.....
2. Klik Analyze --> Descriptive Statistics --> Frequencies.
3. Pada kolom Variable, masukkan semua variabel dependen yang kita buatkan
persamaannya tadi termasuk tiga variabel Pred... tadi, dan jangan masukkan variabel
dependen dari persamaan identitas karena kita tidak pelu membandingkan data dari variabel
dependen ini.
4. Klik Statistics --> dan centang Mean --> Continue
5. Klik OK
6. Maka akan muncul tampilan tabel berikut, dan mulai lakukan analisa.

Untuk melakukan analisis kita dapat melihat baris Mean pada tabel Statistics seperti
tampak pada contoh di atas. Silakan bandingkan nilai Mean masing-masing variabel tersebut
dengan nilai mean pada variabel-variabel Prediksi yang bersesuaian. Ketika nilai perbandingan
ini sama, atau hampir sama, maka persamaan yang kita buat untuk memprediksi variabel-variabel
dependen tersebut mampu memprediksi realita dengan baik, begitupun sebaliknya.
Catatan, figur gambar di atas terdapat kesalahan karena nilai St tidak perlu dibandingkan,
karena dia termasuk dalam persamaan identitas, sehingga tidak perlu diproses. Karena itu, tabel di
atas seharusnya tidak memunculkan perbandingan data prediksi dan data aktual variabel St.

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com

Kritik dan saran disampaikan melalui email ke osairis.ali@gmail.com