NAMA : DANAR AFRIANDA NIM : 2101000510409

KELAS : D
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Nama Novia Ambar Hadi Irvan Rahardian Ubaidillah Brian Ricko Andika Patya Khafid Ferdian Baharuddin Arvin Lina Dita Hendy Raka Bagus A Naufal Rahmad Yuki Iklil Deni Hafid Jarak (km ) 0.5 0.8 1.2 1.5 2.7 3.2 2.5 0.8 3 4 0.7 2.6 2.2 1 0.5 3.2 2 3.7 2 2.3 0.5 4 3 2.8 1.4 Pengeluaran (ribu rupiah) 10 11 15 17 17.5 19 17 11 18 21 10.5 17 16.4 14.5 9.5 18.3 16 21.5 16.5 16.7 9.5 22 17.6 17.4 15

1. UJI BEDA (PAIRED SAMPLE T-TEST) Uji ini digunakan untuk mengetahui perbedaan rata-rata antara kelompok sampel yang saling berhubungan yaitu perbandingan nilai Fisika Mahasiswa TI 2010 sebelum dan sesudah mengikuti SP.

Paired Samples Statistics Mean Pair 1 jarak pengeluaran 2.084 15.796 N 25 25 Std. Deviation 1.1371 3.6752 Std. Error Mean .2274 .7350

Tabel diatas menunjukkan nilai statistik dari variable jarak dan pengeluaran. Dari tabel diatas dapat diketahui bahwa data jarak memiliki nilai rata-rata sebesar = 2,084 ; standart deviasi sebesar = 1,1371 ; dan standart error mean sebesar = standart error sebesar = 0,7350. 0,2274. Sedangkan data pengeluaran memiliki nilai rata-rata sebesar = 15,796 ; standart deviasi sebesar = 3,6752 ; dan

Paired Samples Test Paired Differences 95% Confidence Interval of the Std. Mean Pair 1 jarak pengeluaran 13.7120 Deviation 2.6181 Std. Error Mean .5236 Difference Lower -14.7927 Upper -12.6313 t 26.187 df 24 Sig. (2tailed) .000

Pengolahan data dengan menggunakan uji Paired Sample T-Test ini bertujuan untuk mengetahui perbedaan rata-rata antara kelompok sampel yang saling berhubungan yaitu perbandingan antara jarak dan pengeluaran. Langkah-langkah hipotesisnya adalah sebagai berikut : 1. H0 : 1 = 2 H1 : 1 2 2. 3. 4. 5. Statistik Uji : Uji Paired Sample Test = 0,05. Daerah kritis : H0 ditolak apabila nilai Lower dan Upper (Confident Interval) memiliki tanda yang sama. Karena nilai Lower dan Upper (Confident Interval) memiliki tanda yang sama, maka H0 ditolak dan dapat disimpulkan bahwa ada hubungan antara jarak yang di tempuh dengan pengeluaran untuk BBM. 1.1.1.1 Perhitungan Manual Langkah-langkah perhitungan Paired T-Test dengan perhitungan manual :
No. Sampel 1 2 3 4 5 Jarak (km)
0,5 0,8 1,2 1,5 2,7

Pengeluaran (Ribu rupiah)

10 11 15 17 17,5

d 9,5

(d - )

(d - )2

-4,21 -3,51
10,2

17,7241 12,3201 0,0081 3,2041 1,1881

0,09
13,8

1,79
15,5

1,09
14,8

2,09
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Jumlah
3,2 2,5 0,8 3 4 0,7 2,6 2,2 1 0,5 3,2 2 3,7 2 2,3 0,5 4 3 2,8 1,4 19 17 11 18 21 10.5 17 16,4 14,5 9,5 18,3 16 21,5 16,5 16,7 9,5 22 17,6 17,4 15

4,3681 0,6241 12,3201 1,6641 10,8241 15,2881 0,4761 0,2401 0,0441 22,1841 1,9321 0,0841 16,7281 0,6241 0,4761 22,1841 18,4041 0,7921 0,7921 0,0121
164,5

15,8

0,79
14,5

-3,51
10,2

1,29
15

3,29
17

-3,91
9,8

0,69
14,4

0,49
14,2

-0,21
13,5

-4,71
9

1,39
15,1

0,29
14

4,09
17,8

0,79
14,5

0,69
14,4

-4,71
9

4,29
18

0,89
14,6

0,89
14,6

-0,11
13,6 342,8 13,71

1.

5 Formulasi hipotesis : H0 : 1 = 2 (tidak ada hubungan antara jarak yang ditempuh dengan pengeluaran untuk BBM) H1 : 1 2 (ada hubungan antara jarak yang ditempuh dengan pengeluaran untuk BBM)

2.

Taraf yata () ari ilai ttabel

 = 5% = 0,05 , ttabel = tt(/

;n1+n2-2)

= tt(5%/2;5+5-2) = tt(0,025;8) = 2,306 3. Kriteria pengujian H0 diterima apabila t/ t0 t/ H0 ditolak apabila -t0 < t/ atau t0 >t / 4. Uji Statistik Standar Deviasi :
( )

= 26,26

5.

Kesimpulan H0 ditolak karena t0 > t/ yaitu 26,26 > 2,306 ; maka ada hubungan antara jarak yang ditepuh dengan pengeluaran untuk BBM.

2. KORELASI DAN REGRESI 2.1 Pengujian Kenormalan Data Pengujian asumsi regresi adalah pengujian mengenai asumsi-asumsi pada regresi. Asumsi tersebut antara lain adalah mengenai uji kenormalan data, uji homogenitas variansi, serta linearitas data. 1. Uji kenormalan Dari pengujian kenormalan yang dilakukan dengan menggunakan software SPSS maka diperoleh tebel output yang dapat dilihat pada tabel 4.3.
Tabel 4.3 Output Tests of Normality pada SPSS Regresi Sederhana
Pengeluaran_Y Jarak_X Kolmogorov-Smirnova Statistic Df Sig. ,165 25 ,076 ,111 25 ,200* Statistic ,917 ,936 Shapiro-Wilk Df Sig. 25 ,045 25 ,118

Dari tabel 4.3 terlihat nilai sig(2-tailed) Kolmogorov-Smirnov untuk jarak sebesar 0,200 dan untuk pengeluaran sebesar 0,076 dan jika dilihat dari Shapiro-Wilk untuk jarak sebesar 0,118 dan untuk pengeluaran sebesar 0,045. Dari hasil tersebut dapat dikatakan bahwa data yang dipakai telah normal. 2.2 Pengujian Homogenitas Varians Dari uji homogenitas varians yang dilakukan dengan menggunakan software SPSS maka diperoleh diagram scatterplot yang terlihat pada gambar 4.1.

Gambar 4.1 Output homogenitas varians regresi sederhana

Dari output yang dihasilkan oleh SPSS dapat disimpulkan bahwa pada diagram scatterplot terjadi persebaran data yang tidak membentuk pola sehingga dapat dikatakan data tersebut homogen. 2.3 Pengujian Linearitas Data Dari uji linieritas yang dilakukan dengan menggunakan software SPSS maka diperoleh diagram scatterplot seperti gambar 4.2.

Gambar 4.2 Output linieritas regresi sederhana

Dari gambar 4.2 terlihat bahwa data tersebar di dekat garis linier tersebut. Sehingga dilihat dari data tersebut, maka data yang diolah telah linier.

a.

Output Correlation Tabel output correlations dari pengolahan SPSS dapat dilihat pada tabel 4.4
Tabel 4.4 Output Correlations pada SPSS Regresi Sederhana
Pearson Correlation Sig. (1-tailed) N Pengeluaran_Y Jarak_X Pengeluaran_Y Jarak_X Pengeluaran_Y Jarak_X Pengeluaran_Y 1,000 ,951 . ,000 25 25 Jarak_X ,951 1,000 ,000 . 25 25

Untuk mengetahui korelasi antara variable jarak tempuh dan jumlah pengeluaran maka digunakan hipotesis berupa H0: tidak ada korelasi antara jarak yang ditempuh dengan jumlah pengeluaran perminggunya dan H1 : ada korelasi antara jarak yang ditempuh dengan jumlah pengeluaran perminggunya. Dari hasil pengujian SPSS yang terlihat dalam table 4.4, korelasi jarak tempuh dan jumlah pengeluaran sebesar 0,00. Karena nilai Sig.(0,00) < 0,05; maka H0

ditolak yang berarti ada ada korelasi antara jarak yang ditempuh dengan jumlah pengeluaran perminggunya. b. Output Model Summary

Berikut adalah output model summary dari pengolahan SPSS.

Tabel 4.5 Output Model Summary pada SPSS Regresi Sederhana
Model 1 R ,951a R Square ,904 Adjusted R Square ,900 Std. Error of the Estimate 1,1650 DurbinWatson 1,604

Berdasarkan output SPSS, pada tabel Model Summaryb dapat dilihat bahwa nilai R Square adalah 0,904 yang berarti bahwa jarak memberikan pengaruh sebesar 0,904 atau 90,4% terhadap jumlah pengeluaran perminggunya sedangkan 0,096 atau 9,6% lainnya dipengaruhi oleh faktor-faktor pengujian lainnya yang tidak dilakukan pengujian sebelumnya. Dikarenakan nilai R yang bernilai 0,951 dapat dikatakan pengaruh jarak terhadap pengeluaran perminggunya terbilang cukup besar. Dan pada nilai R square bernilai 0,904, dapat disimpulkan bahwa model regresi terbilang cukup baik Ini dikarenakan nilai R square terbilang mendekati angka 1. c. Output Annova

Output tabel anova dari pengolahan SPSS dapat dilihat pada tabel 4.6
Tabel 4.6 Output Anova pada SPSS Regresi Sederhana
Model 1 Regression Residual Total Sum of Squares 292,951 31,219 324,170 df 1 23 24 Mean Square 292,951 1,357 F 215,8 27 Sig. ,000a

Untuk mengetahui model linier jarak yang ditempuh dengan jumlah pengeluaran perminggunya signifikan atau tidak maka digunakan hipotesis berupa H0: model linier jarak yang ditempuh dengan jumlah pengeluaran perminggunya tidak signifikan dan H1 : model linier jarak yang ditempuh dengan jumlah pengeluaran perminggunya signifikan. Dari hasil pengujian SPSS yang terlihat dalam table 4.5, nilai sig menunjukkan angka 0,00. Karena nilai Sig.(0,00) < 0,05; maka H0 ditolak yang berarti model linier jarak yang ditempuh dengan jumlah pengeluaran perminggunya signifikan d. Output Coefficients Selain itu kita juga dapat mengetahui korelasi dari koefisien penduga a dan b dari tabel 4.7.
Tabel 4.7 Output Coefficients pada SPSS Regresi Sederhana
Model 1 Unstandardized Coefficients B Std. Error 9,393 ,494 3,072 ,209 Standardized Coefficients Beta ,951 t 19,006 14,691 Sig. ,000 ,000

(Constant) Jarak_X

Untuk mengetahui tingkat signifikan koefisien konstanta terhadap model regresi maka digunakan hipotesis berupa H0 : koefisien konstanta tidak signifikan terhadap model regresi dan H1 : koefisien konstanta signifikan terhadap model regresi. Dari hasil pengujian SPSS yang terlihat dalam table 4.7, korelasi jarak tempuh dan jumlah pengeluaran sebesar 0,00. Karena nilai Sig.(0,00) < 0,05; maka H0 ditolak yang berarti koefisien konstanta signifikan terhadap model regresi. Untuk mengetahui tingkat signifikan koefisien jarak tempuh terhadap model regresi maka digunakan hipotesis berupa H0 : koefisien jarak tempuh tidak signifikan terhadap model regresi H1 : koefisien jarak tempuh signifikan terhadap model regresi. Dari hasil pengujian SPSS yang terlihat dalam table 4.7, korelasi jarak tempuh dan jumlah pengeluaran sebesar 0,00. Karena nilai Sig.(0,00) < 0,05; maka H0 ditolak yang berarti koefisien jarak tempuh signifikan terhadap model regresi. Pada tabel diketahui nilai constant-nya adalah 9,393 dan nilai jarak_X adalah 3,072. Dari keterangan tersebut dapat diperoleh persamaan regresi sebagai berikut: Y = 9,393 + 3,072X Persamaan di atas berarti bahwa apabila nilai X = 0 maka nilai Y = 9,393 dan apabila terjadi kenaikan X sebesar 1 satuan menyebabkan kenaikan Y sebesar 3,072 kali 1.2.1.1.2 Pengolahan Manual Berikut adalah pengujian regresi linier sederhana secara manual.
Tabel 4.8 Perhitungan Manual Regresi Linier Sederhana
Uji ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 N X 0.5 0.8 1.2 1.5 2.7 3.2 2.5 0.8 3 4 0.7 2.6 2.2 1 0.5 3.2 2 3.7 2 2.3 0.5 4 3 2.8 1.4 25 Y 10 11 15 17 17.5 19 17 11 18 21 10.5 17 16.4 14.5 9.5 18.3 16 21.5 16.5 16.7 9.5 22 17.6 17.4 15 25 Xy 5 8.8 18 25.5 47.25 60.8 42.5 8.8 54 84 7.35 44.2 36.08 14.5 4.75 58.56 32 79.55 33 38.41 4.75 88 52.8 48.72 21 25 X2 0.25 0.64 1.44 2.25 7.29 10.24 6.25 0.64 9 16 0.49 6.76 4.84 1 0.25 10.24 4 13.69 4 5.29 0.25 16 9 7.84 1.96 25 Y2 100 121 225 289 306.25 361 289 121 324 441 110.25 289 268.96 210.25 90.25 334.89 256 462.25 272.25 278.89 90.25 484 309.76 302.76 225 25

 rata-rata stddeviation

52.1 2.084 1.137131

394.9 15.796 3.675196

918.32

139.61

6562.01

1.

Koefisien Korelasi Regresi Linier Sederhana (r)

r=
2. 3.

] [

][

][

== 0,9506

Analisis Determinasi (R2) R2 = r2 x 100% = (0,9506) 2 x 100% = 90,36% Persamaan matematis:

= 9,3930 Sehingga: 4. Standard error of estimate

a. Untuk Koefisien Regresi a

b. Untuk Koefisien Regresi b 5. Uji T a. Menentukan taraf nyata

= 5 % = 0,05, k = ttabel = (0,05/2);(df)n-k-1 = 0,025 ;(25-2-1) = 0,025 ;22 =2,074

b. Uji statistik 1) t0 =

2) Untuk parameter A:

3) Untuk parameter B:

Nilai t0 > ttabel = 14,6863 > 2,074; maka H0 ditolak. Jadi, ada korelasi antara jarak yang ditempuh dengan jumlah pengeluaran perminggunya.