Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
-
Upload
yudha-kartiko-aji -
Category
Documents
-
view
219 -
download
0
Transcript of Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
1/12
SELF-PROPAGATINGEN
TREPRENEURIALEDUC
ATIONDEVELOPMENT
MODUL
1
A. Uraian Materi Materi Praktikum Kegiatan 4
B. Tujuan Praktikum
C. Pelaksanaan Praktikum
D. Laporan Praktikum (Lembar Kerja)
A. Uraian Materi
1. Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal
atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi
normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada
nilai residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas
dilakukan pada masing-masing variabel. Hal ini tidak dilarang tetapi model regresi
memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel
penelitian. Jika asumsi untuk uji normalitas ini dilanggar, maka uji statistik menjadi
tidak valid atau bias terutama untuk sampel kecil.
Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi
Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang
paling baik atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik
sering menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga
penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak
ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan
metode grafik.
Jika residual tidak normal tetapi dekat dengan nilai kritis maka dapat dicoba
dengan metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh dari
nilai normal, maka dapat dilakukan beberapa langkah yaitu: melakukan transformasidata, melakukan trimmingdata outliers atau menambah data observasi. Transformasi
dapat dilakukan ke dalam bentuk Logaritma natural, akar kuadrat, inverse, atau bentuk
yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri, ke kanan,
mengumpul di tengah atau menyebar ke samping kanan dan kiri.
Praktikum Metode KuantitatifPELANGGARAN ASUMSI KLASIK
Lab. Agricultur al Economics, Faculty of Agri culture, University of Br awijaya
Website:http://fp.ub.ac.id/ekonomipertanian
Email : [email protected]
MODUL
4
http://www.konsultanstatistik.com/search/label/Normalitashttp://www.konsultanstatistik.com/2010/05/data-outliers.htmlhttp://fp.ub.ac.id/ekonomipertanianhttp://fp.ub.ac.id/ekonomipertanianhttp://www.konsultanstatistik.com/2010/05/data-outliers.htmlhttp://www.konsultanstatistik.com/search/label/Normalitas -
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
2/12
2 | P a g e
Metode Kuantitatif 2015Brawijaya University
2. Autokorelasi
Autokorelasi adalah korelasi (hubungan) yang terjadi di antara anggota-anggota dari
serangkaian pengamatan yang tersusun dalam rangkaian waktu (seperti pada data runtun
waktu atau time series rate) atau yang tersusun dalam rangkaian ruang (seperti pada data
silang waktu atau cross-sectional data). Asumsi yang keempat dari model OLS (Ordinary
Least Squares) adalah :
Cov (UiLj) = E[{UiE[Ui](UjE[Uj}]
= E[UiUj] = E[Ui] E[Ujj
= 0 untuk i j karena E[Ui]=E[Uj] = 0
Asumsi di atas mengandung arti nilai-nilai faktor gangguan U yang berurutan tidak
tergantung secara temporer; yaitu gangguan yang terjadi pada satu titik pengamatan, tidak
berhubungan dengan faktor-faktor gangguan lainnya. Ini berarti bila pengamatan-
pengamatan dilakukan sepanjang waktu, pengaruh faktor gangguan yang terjadi dalam satuperiode tidak terbawa ke periode lainnya.
Jika asumsi di atas dilanggar atau tidak dipenuhi (yaitu jika nilai U dalam setup
periode berkorelasi dengan nilai-nilai U dalam periode sebelumnya), maka berarti ada
"autokorelasi" dari variabel-variabel random.
Autokorelasi adalah sebuah kasus khusus dari korelasi. Kalau "korelasi"
menunjukkan huburgan antara dua atau Iebih variabel-variabel yang berbeda, maka
"autokorelasi" menunjukkan hubungan antara nilai nilai yang berurutan dari variabel
yang sama.
Autokorelasi merupakan peristiwa yang biasa terdapat pada sebagian besar
variabel-variabel ekonomi. Umpamanya dalam suatu penelitian mengenai hubungan antara
output dan input-input dari sebuah perusahaan didasarkan atas pengamatan bulanan, nir-
autokorelasi (nonautocorrelation) dari faktor-faktor gangguan mengandung arti
kejadiankejadian yang tidak biasa, mempengaruhi produksi perusahaan pada bulan
tertentu hanya bersifat sementara, dalam artian hanya output pada bulan sekarang saja yang
dipengaruhi.
Autokorelasi dalam sampel runtun waktu (time-series sample) menunjukkan
kecenderungan sekuler atau perubahan jangka panjang sepanjang waktu. Fluktuasi siklis
juga memperlihatkan keteraturan pengamatan variabel yang berurutan sepanjang waktu,
dan menjadi penyebab autokorelasi.Autokorelasi juga bisa diakibatkan oleh adanya bias spesifikasi, misalnya, karena
dikeluarkannya variabel-variabel yang benar dari persamaan regresi atau karena asumsi
yang salah mengenai bentuk fungsional model regresi. Di samping itu, timbulnya masalah
autokorelasi kadang-kadang karena salah satu variabel bebas dalam model regresi
merupakan nilai lag (lag_qed value) dari variabel terikat, misalnya :
Konsumsi (t) = f[ Penghasilan (t), Konsumsi (t-1) ]
Jika faktor "lag" itu diabaikan/dibuang, maka faktor gangguannya menunjukkan suatu
pola sistematis karena pengaruh dari konsumsi "lag" terhadap konsumsi tahun t. Padaumumnya, autokorelasi disebut korelasi berseri (serial cortelation). Akan tetapi beberapa
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
3/12
3 | P a g e
Metode Kuantitatif 2015Brawijaya University
pakar ekonometri lebih suka membedakannya. Menurut G. Tintner, autokorelasi adalah
korlasi "lag" dari suatu rangkaian itu sendiri, tetapi "lag" karena sejumlah satuan waktu.
Sedangkan serial korelasi adalah korelasi lag di antara dua rangkaian yang berbeda. Oieh
karena itu, menurut Tintner, korelasi di antara dua rangkaian waktu seperti U 1, U2, ... U20
dan U2, U3, ., U21 (di mana rangkaian yang pertama merupakan rangkaian lag yang
kedua, sebesar satu periode waktu) adalah autokorelasi. Sedangkan korelasi di antara
rangkaian waktu yang berbeda seperti U1, U2, . U20dan V2, V3, .., V21, (dirnana U dan
V adalah dua rangkaian waktu yang berbeda) disebut serialkorelasi. Pembedaan semacam
ini mungkin bermanfaat, tetapi pembahasan berikutnya dalam buku ini, dianggap kedua
pengertian itu sama.
Autokorelasi biasanya tidak muncul dalam data cross-section. Data cross-section
menunjukkan satu titik waktu, sehingga ketergantungan sementara tidak dimungkinkan
oleh sifat data itu sendiri. Misalnya, data penghasilan dan pengeluaran dari berbagai
keluarga dalam suatu sampel cross-section, ketergantungan di antara perilaku pengeluaran
dari dua keluarga adalah sangat tidak mungkin terjadi.
Uji autokorelasi yang digunakan dalam berbagai penelitian biasanya menggunakan UjiDurbin Watson. Uji ini bertujuan untuk mengatahui apakah dalam suatu model regresi
linier memiliki korelasi antara kesalahan pengganggu dengan kesalahan sebelumnya.
Apabila hal ini terjadi, maka terdapat masalah autokorelasi. Adapun kritik pengujiannya
adalah jika du < d < 4-du maka Ho ditolak yang berarti dalam data tersebut tidak memiliki
autokorelasi baik positif maupun negatif.
2. Heteroskedastisitas
Asumsi yang ketiga mengenai faktor-faktor gangguan adalah distribusi probabilitas
gangguan dianggap tetap sama untuk seluruh pengamatan-pengamatan atas X; yaitu varian
setiap Ui adalah sama untuk seluruh nilai-nilai variabel bebas.
Secara simbolis:
Var(Uj) = E [(UiE[Ui])]2 = E[Uj
2] = u2; merupakan suatu nilai konstan. homogenitas
varian (atau varian konstan) ini dikenal sebagai "homoskedastisitas" (homosceoasticity).
Ada kasus di mana seluruh faktor gangguan tidak memiliki varian yang sama atau
variannya tidak konstan. Kondisi varian nir-konstan atau varian nir-homogin ini disebut
"heteroskedastisitas" (heteroscedasticity). Jadi, U adalah heteroskedastis bila:
Var(Ui) u2(suatu nilai konstan) tapi = ui
2(suatu nilai yang bervariasi).
Dalam kenyataan, asumsi varian konstan dari faktor-faktor gangguan mungkin tidak
bisa dipenuhi. Hal ini dapat dipahami jika diperhitungkan faktor-faktor yang menjadi
penyebab masuknya faktor U dalam model regresi. Faktor gangguan dimasukkan ke dalam
model untuk memperhitungkan kesalahan-kesalahan yang mungkin terjadi dalam
pengukuran, dan kesalahan karena mengabaikan variabel-variabel tertentu. Dengan
memperhatikan kedua perhitungan itu, maka terdapat alasan-alasan untuk memperkirakan
bahwa varian U bervariasi secara sistematis dengan variabel bebas.
Misalnya, dengan naiknya Y, kesalahan pengukuran diperkirakan juga meningkat;
karena akan menjadi lebih sulit, mengumpulkan data dan mengoreksi keyakinannya.
Dalam kasus ini varian Uj menaik dengan meningkatnya nilai-nilai X. Di pihak lain,
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
4/12
4 | P a g e
Metode Kuantitatif 2015Brawijaya University
variabel-variabel (dengan alasan tertentu) yang diabaikan (tidak dimasukkan atau dibuang)
dari model cenderung berubah dengan arah yang sama dengan variabel bebas; dan
menyebabkan kenaikan variasi pengamatan-pengamatan dari garis regresi yang ditaksir.
Jadi, bisa dikatakan atas dasar apriori ada alasan-alasan untuk percaya bahwa asumsi
homoskedastisftas sering kali dilanggar dalam praktek.
Secara ringkas, dapat dikatakan bahwa heteroskedastisitas terjadi apabila variasi u t
tidak konstan atau berubah-ubah secara sistematik seiring dengan berubahnya nilai variabel
independen (Gujarati, 1997). Ada beberapa cara untuk mendetaksi ada tidaknya
heteroskedastisitas. Uji Glejser dilakukan dengan membuat model regresi yang melibatkan
nilai mutlak residu sebagai variabel terikat terhadap semua variabel bebas. Jika semua
variabel bebas signifikan secara statistik maka dalam regresi terdapat heteroskedastisitas
(Iqbal, 2008).
3. Multikolinearitas
Masalah multikolinearitas muncul jika terdapat hubungan yang sempurna atau pasti
diantara salah satu atau lebih variabel independen dalam model. Dalam kasus terdapatmultikolinearitas yang serius, koefisien regresi tidak lagi menunjukkan pengaruh murni
dari variabel independen dalam model. Dengan demikian, bila tujuan dari penelitian adalah
mengukur arah besarnya pengaruh variabel independen secara akurat, masalah
multikolinearitas penting untuk diperhatikan.
Multikolinearitas dapat dideteksi dengan melihat serius atau tidaknya hubungan antar
variabel independen (x) yang dianalisis. Jika terjadi multikolinearitas yang serius dalam
model, maka masing-masing variabel independen terhadap independennya (y) tidak dapat
dipisahkan, sehingga estimasi yang diperoleh akan menyimpang atau bias. Selain itu,
multikolinearitas dapat dilihat dari nilai R2yang tinggi, tetapi tidak ataupun sangat sedikit
koefisien regresi yang ditaksir yang berpengaruh signifikan secara statistik pada saat
dilakukan uji-t dan nilai VIF (Variance Inflation Factor) pada masing-masing variabel
bebasnya lebih dari 10.
Dalam hal ini, terdapat beberapa konsekuensi jika masalah multikolinearitas ini
diabaikan diantaranya yaitu:
a. Jika dua atau lebih variable yang menjelaskan dalam suatu model regresi berganda
adalah benar-benar berhubungan secara linear, maka selanjutnya model tidak dapat di
estimasi.
b.
Jika beberapa variable yang menjelaskan adalah mendekati berhubungan secara linear,
maka selanjutnya estimator OLS (dan karenanya prediksi didasarkan padanya) adalahtidak bisa menghasilkan BLUE .
c.
Pengaruh dari kedekatan multikolinearitas sejumlah variable yang menjelaskan adalah
meningkatkan kesalahan standar dari koefisien regresi dan pengurangan t statistic,
jadi membuat siginifikansi koefisien berkurang (hilang). Walaupun begitu, pengujian
hipotesa model seringkali adalah valid.
d. Kovarian antara koefisien regresi dari setiap pasangan dari variable yang berkorelasi
tinggi akan sangat tinggi, dalam nilai absolute, jadi membuatnya sulit menginterpretasi
koefisien secara individu.
e.
Multikolinearitas mempengaruhi performance prediksi dari suatu model.
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
5/12
5 | P a g e
Metode Kuantitatif 2015Brawijaya University
Dalam suatu situasi praktis, multikolinieritas sering muncul dalam banyak indikasi
sebagai berikut :
R2 Tinggi dengan Nilai t-statistik yang Rendah. Sebagaimana kita lihat pada
contoh di atas, kemungkinan menemukan suatu situasi yang mana setiap koefisien regresi
adalah insignifikan (yaitu, mempunyai nilai t rendah), tetapi Wald F statisticnya adalah
signifikasnsinya sangat tinggi.
Nilai Koefisien Korelasi Tinggi. Korelasi pasangan sejumlah variable yang
menjelaskan boleh jadi tinggi. Itu secara umum merupakan praktek yang baik untuk
memperoleh korelasi antara setiap pasangan dari variable dalam model regresi dan untuk
mengecek tingginya nilai dari sejumlah variable yang menjelaskan. Sesungguhnya korelasi
seperti menjadi penyebab utama munculnya multikolinearitas antar variabel. Bisa jadi
dalam analisis path, variabel yang digunakan tidak mampu dijelaskan dalam satu
persamaan.
Spesifikasi Sensitif Koefisien Regresi. Walaupun korelasi yang tinggi antara
pasangan-pasangan dari variable independent adalah suatu kondisi kecukupan untum
multikolieritas, tidak selalu hal ini merupakan kebenaran mutlak. Dengan kata lain,kolinieritas mungkin hadir meskipun korelasi antara dua variable yang menjelaskan tidak
muncul tinggi. Ini disebabkan tiga atau lebih variable mungkin mendekati linier.
Tes Formal untuk Multikolinieritas. Walaupun test telah diusulkan, prosedur ini
hanya kelulusan terlewatkan, karena masih dipertentangkan. Hal ini disebabkan karena
multicollinearitas adalah lebih merupakan masalah data dibanding dengan suatu model itu
sendiri. Banyak econometricians membantah - test yang formal itu adalah bisa
mempunyai arti atau tidak memberikan hasil.
Farrar dan Glauber (1967) sudah mengusulkan suatu kelompok uji untuk
mengidentifikasi kekejaman multicollinearitas. Test tersebut terdiri dari : uji chi-square ,
uji F, dan uji t. Chi-Square test akan mengidentifikasi apakah multicollinearitas secara
umum hadir. Ini diikuti oleh suatu F-Test, untuk menemukan variabel mana yang
menyebabkan multicollinearitas; dan akhirnya dengan t-test, untuk menemukan sifat alami
multicollinearitas itu. Test ini dirumuskan dalam kaitan dengan konsep yang melibatkan
suatu pengetahuan aljabar linier.
Masalah multikolinearitas dapat diselesaikan dengan beberapa cara diantaranya taitu:
a. Menghilangkan Variabel-variabel
Karena multikolinearitas disebabkan oleh hubungan tertutup seluruh variabel yang
menjelaskan, malam cara pasti untuk menghilangkan atau mengurangi efek dari
multikolinearitas adalah menghilangkan satu atau lebih varibel-variabel dari sebuah model.Seperti kita catat dalam banyak contoh, langkah ini sering memperbaiki kesalahan-
kesalahan standar dari koefisien-koefisien sisa dan mungkin membuat tadinya tidak
signifikan menjadi variabel signifikan.
Sedikitnya dalam sebuah kasus, penghilangan variabel-variabel dengan menurunkan
t-statistik secara umum akan memperbaiki signifikan dari variabel-variabel sisa. Apakah
kejadian penting dalam situasi ini, adalah bahwa variabel-variabel sisa ada untuk
menangkap akibat dari penghilangan variabel-variabel dimana mereka adalah hubungan
tertutup. Ini akan diakui bahwa data base model sederhana ini adalah pusat untuk
Hendry/LSE umum untuk menyederhanakan pendekatan model. Ini adalah berbahaya,bagaimanapun, dalam penghilangan juga banyak variabel-variabel dari spesifikasi model,
persis sebab akan berperan penting untuk bias dalam estimasi.
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
6/12
6 | P a g e
Metode Kuantitatif 2015Brawijaya University
b. Memformulasi kembali model
Pada beberapa keadaan membuat lebih spesifik kembali model dapat mengurangi
multikolinieritas. Contoh, kita dapat menggunakan variabel sebagai perkapita daripada
memasukkan populasi sebagai variabel yang menjelaskan. Pada contoh di atas variabel
terikat akan menjadi hunian/populasi bukan hunian dan populasi secara terpisah. Kita juga
akan mendapat GNP/populasi. GNP/kapita lebih mendekati intrate dari pada GNP dan
populasi.
c. Menggunakan informasi tambahan
Metode penggunaan informasi tambahan sering digunakan dalam studi pada
peramalan fungsi permintaan. Data time series pada pendapatan dan harga dari suatu
komoditi sering memperlihatkan suatu korelasi yang tinggi, yang membuat peramalan
pendapatan dan elastisitas harga permintaan sulit.
Solusi untuk permasalahan ini adalah mengestimasi elastisitas pendapatan dari studi
cross section dan kemudian menggunakan informasi tersebut dalam model time series
untuk mengestimasi elastisitas harga. Elastisitas harga tidak dapat diestimasi dari data
cross section karena, walaupun konsumen sangat berbeda dalam tingkat pendapatan,mereka pada dasarnya menghadapi harga yang sama.. Karenanya tidak ada variasi dalam
harga, yang mana merupakan hal yang esensial untuk keberhasilan estimasi elastisitas
harga.
Suatu problem yang serius untuk pendekatan ini adalah bahwa elastisitas pendapatan
cross section dan elastisitas pendapatan time series mungkin pengukuran secara
keseluruhan berbeda.
d. Peningkatan Jumlah Sampel.
Prosedur meningkatkan jumlah sampel juga direkomendasikan yang dapat
meningkatkan ketepatan dari estimator sehingga dapat mengurangi dan menghilangkan
dampak dari multikolinieritas.
B. Tujuan Praktikum
Setelah mengikuti kegiatan praktikum ini, mahasiswa diharapkan mampu:
1. Mengetahui jenis pelanggaran asumsi klasik yang meliputi uji normalitas,
autokorelasi, heteroskedastisitas, dan multikolinearitas.
2. Melakukan pengujian data untuk mengidentifikasi apakah terdapat pelanggaran
asumsi klasik di dalamnya.3. Mengintepretasikan hasil pengujian data.
C.Pelaksanaan Praktikum
1)
Prosedur Praktikum
1.
Praktikan telah memiliki Modul 3 tiga hari sebelum pelaksanaan praktikum.2.
Praktikan melakukan pre-test sebelum praktikum dimulai. Pre-test terdiri dari
maksimal 4 pertanyaan berkaitan dengan pemahaman konsep di bab yang akan
dipraktikumkan.
3.
Praktikan wajib mendapatkan nilai lebih dari 70 untuk dapat mengikuti praktikum
ini. Jika nilai pre-test di bawah nilai yang disyaratkan maka praktikan tidak
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
7/12
7 | P a g e
Metode Kuantitatif 2015Brawijaya University
diijinkan mengikuti praktikum dan wajib mengulang pre-test. Jika setelah dua kali
tidak lulus pre-test maka praktikan mendapat tugas tambahan ditentukan oleh
asistent dengan nilai tugas maksimal 70.
Pertanyaan Pre-Test
1. Jelaskan apa manfaat dilakukan pengujian asumsi klasik!
2. Jelaskan perbedaan autokorelasi, heteroskedastisitas, dan multikolinearitas!
Tugas Tambahan
Buatlah contoh hipotetis pada kondisi riil pengujian autokorelasi, heteroskedastisitas,
dan multikolinearitas!
2) Analisis Data
Dengan menggunakan data di bawah ini, lakukanlah pengujian asumsi klasik dengan
panduan asisten!
Tabel. Data Penggunaan Faktor Produksi Luas Lahan, Benih, Pupuk, dan Produksi Jagung
di Desa Sukamaju
No. Total Produksi (kg)Luas Lahan
(m2)
Benih
(kg)
Pupuk
(kg)
Tenaga
Kerja
(HOK)
1. 600 2400 8 165 19,52. 1750 3000 10 275 26
3. 250 400 4 10 3,5
4. 2400 4500 12 140 26,25
5. 780 1200 6 42 14
6. 250 1000 4 25 8,5
7. 600 1500 6 115 14
8. 467 1000 5 25 8,5
9. 1300 3000 8 175 25,5
10. 787 1200 4 35 13,5
11. 170 375 4 10 10
12. 360 500 3 65 14
13. 864 1600 5 100 28,5
14. 1000 2000 5 50 8,5
15. 2000 6000 15 175 27,29
16. 3400 8000 18 350 28,5
17. 2900 4500 13 125 29
18. 600 2400 8 165 19,5
19. 1750 3000 10 275 26
20. 250 400 4 10 3,5
21. 4000 4500 13 120 120
22. 1300 2000 8 65 6523. 150 350 4 40 40
24. 350 500 2 35 35
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
8/12
8 | P a g e
Metode Kuantitatif 2015Brawijaya University
25. 463 1100 4 75 75
26. 200 200 4 10 10
27. 1400 3000 8 115 115
28. 1250 2500 7 65 65
29. 2500 4800 13 325 325
30. 400 750 2 20 20
31. 400 780 2 70 7032. 525 1000 3 65 65
33. 840 1500 4 40 40
34. 1100 2000 5 55 55
35. 125 250 2 8 8
36. 850 1500 4 40 40
37. 2500 4500 13 120 120
38. 2400 4000 11 110 110
Jumlah 42761 82405 253 3710 588,165
Rerata 1125,28 2168,55 6,65 97,63 15,47
DAFTAR PUSTAKA
Iqbal, Hasan. 2008.Pokok-Pokok Materi Statistik 2. PT Bumi Aksara. Jakarta.
Gujarati, Damodar. 2006.Dasar-Dasar Ekonometrika. Penerbit Erlangga. Jakarta.
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
9/12
9 | P a g e
Metode Kuantitatif 2015Brawijaya University
D. Laporan/ Lembar Kerja Praktikum Kegiatan 4
Data Hipotesis
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
10/12
10 | P a g e
Metode Kuantitatif 2015Brawijaya University
Olahan Program
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
11/12
11 | P a g e
Metode Kuantitatif 2015Brawijaya University
Penyajian Hasil Olahan
-
7/25/2019 Modul 4. Met Kuan Pelanggaran Asumsi Klasik1
12/12
12 | P a g e
Metode Kuantitatif 2015Brawijaya University
Interpretasi
PRAKTIKUM 4
Tanggal :
Nama Praktikan :
NIM :
Kelas :
Nilai :
Nama Asisten :
Tanda Tangan :