APLIKASI BOOTSTRAP PADA ANALISIS REGRESI UNTUK DATA KECELAKAAN KERJA

  1. Home
  2. Articles
Toto Hermawan

APLIKASI BOOTSTRAP PADA ANALISIS REGRESI UNTUK DATA KECELAKAAN KERJA

ABSTRAK

Untuk mengetahui  hubungan  antara  dua  variable  atau  lebih  dapat  digunakan analisis  regresi. Pengertian  analisis  regresi  sendiri  adalah  metode  analisis  data  yang  memanfaatkan  hubunganantara  dua  variable  atau  lebih.  Hal  yang  menjadi  perhatian  dalam  analisis  regresi  salah  satunyaadalah standar error dari estimasi koefisien regresi. Dalam regresi sudah terdapat formula untukmengestimasi  standar  error.  Selain  itu,  standar  error  juga  dapat  diestimasi  dengan  metoderesampling, yaitu bootstrap. Bootstrap sangat berguna sebagai alternatif untuk estimasi parameteratau  standar  errornya  ketika  peneliti  merasa  ragu  dapat  memenuhi  asumsi  pada  data  mereka,misal   data   tidak   berdistribusi   normal.   Selain   itu   bootstrap   juga   berguna   ketika   inferensiparametric  memerlukan  rumus  yang  sangat  rumit  untuk  menghitung  standar  error  (Widhiarso,2012).  Dalam  tulisan  ini  akan  dibandingkan  estimasi  standar  error  yang  diperoleh  melaluiformula  yang  sudah ada  dengan  estimasi  standar  error  yang  diperoleh  melalui  resamplingbootstrap.

ABSTRACT

To find out the relationship between two or more variables, regression analysis can be used. Thedefinition  of  regression  analysis  itself  is  a  data  analysis  method  that  utilizes  the  relationshipbetween two or more variables. One concern in regression analysis is one of them is the standarderror  of  estimation  of  the  regression  coefficient.  In  a  regression  there  is  already  a  formula  forestimating standard errors. In addition, the standard errorcan also be estimated by the resamplingmethod,  which  is  bootstrap.  Bootstrapping  is  very  useful  as  an  alternative  to  estimatingparameters  or  standard  errors  when  researchers  feel  hesitant  to  meet  the  assumptions  in  theirdata, for example the data are not normally distributed.  In addition, bootstrapping is also usefulwhen  parametric  inference  requires  a  very  complicated  formula  for  calculating  standard  errors(Widhiarso, 2012).  In this paper  we will compare the standard error estimates obtained throughexisting formulas with the standard error estimates obtained through bootstrap resampling.