Penerapan Metode Suksesif Interval pada Analsis Regresi Linier Berganda

Abstract

ABSTRAK Dalam menggunakan model regresi linier disyaratkan data yang digunakan hendaknya berskala interval atau rasio. Akan tetapi jika skala dalam bentuk ordinal tetap dipaksakan menggunakan model regresi linier, maka akan diperoleh koefisien korelasi yang kecil dan tidak memenuhi syarat sebagaimana yang diharapakan dalam model regresi. Tujuan dari penelitian ini adalah melihat bagaimana melakukan pemodelan regresi linier berganda dengan menggunakan data berskala ordinal yang ditransformasi menjadi data interval. Data yang digunakan adalah data mengenai tingkat kepatuhan pembayaran pajak di Provinsi Gorontalo. Data hasil penelitian ini berskala ordinal sehingga dilakukan transformasi data menjadi skala interval dengan menggunakan metode suksesif interval. Setelah dilakukan transformasi, diperoleh model regresi dengan menggunakan data interval maka asumsi model regresi linier berganda terpenuhi, dan mempunyai kooefisien determinasi yang lebih tinggi, sedangkan model regresi linier dengan menggunakan data ordinal maka asumsi regresi linier tidak terpenuhi. ABSTRACT In using a linear regression model it is required that the data used should be interval or ratio scale. But if the scale in ordinal form is still forced to use a linear regression model, then a small correlation coefficient will be obtained and do not meet the requirements as expected in the regression model. The purpose of this study is to see how to do multiple linear regression modeling using ordinal scale data that is transformed into interval data. The data used is data regarding the level of compliance with payment of taxes in Gorontalo Province. The results of this study are ordinal scale so that the data transformation into an interval scale is done by using the successive interval method. After the transformation is done, a regression model is obtained using interval data, so the assumption of multiple linear regression models is fulfilled, and has a higher determination coefficient, while the linear regression model uses ordinal data so that the linear regression assumptions are not met.