Anda di halaman 1dari 48

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

BAB I PENDAHULUAN
1.1 Latar Belakang Statistika adalah pengetahuan yang berhubungan dengan cara-cara pengumpulan data, pengolahan atau penganalisaannya dan penarikan kesimpulan berdasarkan kumpulan data dan penganalisaan yang dilakukan. Dalam suatu penelitian, terkadang diperlukan analisis mengenai hubungan antara beberapa variabel sebagai variabel yang ingin diteliti. Yang dimaksud dengan variabel penelitian adalah segala sesuatu yang ingin diteliti dan memiliki variasi nilai, sehingga dapat dilakukan analisis lebih lanjut. Analisis yang dilakukan untuk meneliti variabel-variabel penelitian dapat dilakukan dengan bantuan statistik. Salah satu cara untuk menganalisis variabel penelitian adalah dengan menggunakan teknik analisis regresi dan analisis korelasi. Korelasi merupakan istilah yang digunakan untuk mengukur kekuatan hubungan antar variable. Analisis korelasi adalah cara untuk mengetahuai ada atau tidak adanya hubungan antarvariabel misalnya hubungan antar duan variable.Apabila terdapat hubungan antar variable maka perubahan-perubahan yang terjadi pada salah satu variable akan mengakibatkan terjadinya perubahan antar variable lainnya. Berbeda halnya dengan analisis regresi merupakan suatu alat ukur yang juga digunakan untuk mengetahuai ada atau tidak adanya hubungan antarvariabel yang berarti ramalan atau taksiran. Namun, analisa regresi lebih akurat dalam melakukan analisa korelasinya, karena pada analisis ini kesulitan dalam menunjukkan slop (tingkat perubahan suatu variable terhadap variable lainnya dapat ditentukan), jadi dengan analisis regresi peramalan atau perkiraan nilai variable terikat pada niali variable bebas lebih akurat pula. Praktikum ini bertujuan agar praktikan dalam hal ini mahasiswa program studi Teknik Industri angkatan 2009 dapat memahami analisis korelai dan regresi. Dengan adanya praktikum statistik industri ini diharapkan mahasiswa Teknik Industri dapat mengetahui dan memahami tentang statistik dan prakteknya secara langsung menggunakan software SPSS 17. 1.2 Batasan Batasan-batasan yang disunakan selama praktikum ini, yaitu : 1. 2. Data yang digunakan adalah data primer Jumlah data yang diambil sebanyak 35 sampel.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

ANALISIS DATA DAN STATISTIK DESKRIPTIF


1.3 Asumsi Asumsi- asumsi yang digunakan selama praktikum ini antara lain: 1. 2. 3. 4. Kenormalan Linier Homogen Independen/kebebasan antar pengamatan. Tujuan dari pelaksanaan praktikum ini antara lain : 1. 2. 3. 4. Untuk mengetahui dan memahami fungsi analisis korelasi dan regresi.

MODUL III

1.4 Tujuan Praktikum

Untuk mengetahui cara pengujian analisis korelasi dan regresi serta dapat menarik kesimpulan dari hasil pengujian tersebut. Untuk mengetahui korelasi antar variabel bebas(independen) dan variabel bebas(dependen) Untuk memahami aplikasi dari penggunaan analisi regresi, baik regresi linier sederhana maupun berganda.

1.5 Manfaat Praktikum Manfaat yang diperoleh dari pelaksanaan praktikum ini antara lain : 1. 2. 3. 4. Agar praktikan dapat mengetahui dan memahami fungsi analisis korelasi dan regresi Agar praktikan dapat mengetahui cara pengujian analisis korelasi dan regresi serta dapat menarik kesimpulan dari hasil pengujian tersebut Agar praktikan dapat mengetahui korelasi antar variabel bebas(independen) dan variabel bebas (dependen) Agar praktiakan dapat memahami aplikasi dari penggunaan analisis fegresi, baik regresi linier sederhana maupun berganda.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

BAB II TINJAUAN PUSTAKA


2.1 Korelasi 2.1.1 Pengertian Korelasi
Korelasi merupakan istilah yang digunakan untuk mengukur kekuatan hubungan antar variable. Analisis korelasi adalah cara untuk mengetahuai ada atau tidak adanya hubungan antarvariabel misalnya hubungan antar duan variable.Apabila terdapat hubungan antar variable maka perubahan-perubahan yang terjadi pada salah satu variable akan mengakibatkan terjadinya perubahan antar variable lainnya. Maka denagn dilakukan analisis korelasi ini dapat diketahui hubungan antar variable tersebut, yaitu merupakan suatu hubungan kebetulan atau memang hubungan yang sebenarnya.

2.1.2 Teori Korelasi


Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi/hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Selain kedua teknik tersebut, terdapat pula teknik-teknik korelasi lain, seperti Kendal, Chi-Square, Phi Coefficient, Goodman-Kruskal, Somer, dan Wilson. Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut disebut independen. Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas dan variabel tergantung. Biasanya dalam penghitungan digunakan simbol X untuk variabel pertama dan Y untuk variabel kedua. Dalam contoh hubungan antara variabel remunerasi dengan kepuasan kerja, maka variabel remunerasi merupakan variabel X dan kepuasan kerja merupakan variabel Y. 2.1.2.1 Korelasi dan Linearitas Terdapat hubungan erat antara pengertian korelasi dan linieritas. Korelasi Pearson, misalnya, menunjukkan adanya kekuatan hubungan linier dalam dua variabel. Sekalipun demikian jika asumsi normalitas salah maka nilai korelasi tidak akan memadai untuk membuktikan adanya hubungan linieritas. Linieritas artinya asumsi adanya hubungan LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 3

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

dalam bentuk garis lurus antara variabel. Linearitas antara dua variabel dapat dinilai melalui observasi scatterplots bivariat. Jika kedua variabel berdistribusi normal dan behubungan secara linier, maka scatterplot berbentuk oval; jika tidak berdistribusi normal scatterplot tidak berbentuk oval. Dalam praktinya kadang data yang digunakan akan menghasilkan korelasi tinggi tetapi hubungan tidak linier; atau sebaliknya korelasi rendah tetapi hubungan linier. Dengan demikian agar linieritas hubungan dipenuhi, maka data yang digunakan harus mempunyai distribusi normal. Dengan kata lain, koefesien korelasi hanya merupakan statistik ringkasan sehingga tidak dapat digunakan sebagai sarana untuk memeriksa data secara individual. 2.1.2.2 Korelasi dan Kausalitas Ada perbedaan mendasar antara korelasi dan kausalitas. Jika kedua variabel dikatakan berkorelasi, maka kita tergoda untuk mengatakan bahwa variabel yang satu mempengaruhi variabel yang lain atau dengan kata lain terdapat hubungan kausalitas. Kenyataannya belum tentu. Hubungan kausalitas terjadi jika variabel X mempengaruhi Y. Jika kedua variabel diperlakukan secara simetris (nilai pengukuran tetap sama seandainya peranan variabel-variabel tersebut ditukar) maka meski kedua variabel berkorelasi tidak dapat dikatakan mempunyai hubungan kausalitas. Dengan demikian, jika terdapat dua variabel yang berkorelasi, tidak harus terdapat hubungan kausalitas. Terdapat dictum yang mengatakan correlation does not imply causation. Artinya korelasi tidak dapat digunakan secara valid untuk melihat adanya hubungan kausalitas dalam variabel-variabel. Dalam korelasi aspek-aspek yang melandasi terdapatnya hubungan antar variabel mungkin tidak diketahui atau tidak langsung. Oleh karena itu dengan menetapkan korelasi dalam hubungannya dengan variabel-variabel yang diteliti tidak akan memberikan persyaratan yang memadai untuk menetapkan hubungan kausalitas kedalam variabel-variabel tersebut. Sekalipun demikian bukan berarti bahwa korelasi tidak dapat digunakan sebagai indikasi adanya hubungan kausalitas antar variabel. Korelasi dapat digunakan sebagai salah satu bukti adanya kemungkinan terdapatnya hubungan kausalitas tetapi tidak dapat memberikan indikasi hubungan kausalitas seperti apa jika memang itu terjadi dalam variabel-variabel yang diteliti, misalnya model recursive, dimana X mempengaruhi Y atau non-recursive, misalnya X mempengaruhi Y dan Y mempengaruhi X. Dengan untuk mengidentifikasi hubungan kausalitas tidak dapat begitu saja dilihat dengan kaca mata korelasi tetapi sebaiknya menggunakan model-model yang lebih tepat, misalnya regresi, analisis jalur atau structural equation model.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

ANALISIS DATA DAN STATISTIK DESKRIPTIF


2.1.3 Asumsi Korelasi Asumsi dasar korelasi diantaranya seperti tertera di bawah ini: 1. Kedua variabel bersifat independen satu dengan lainnya

MODUL III

Independen artinya tidak memiliki korelasi. Salah satuusaha untuk mencapai sifat independen ini adalah dengan melakukan pengacakan terhadap observasi. Jadi, pengamatan yang satu denagn yang lainnya tidak saling mempengaruhi. Memeriksa kebebasan antar pengamatan ini dapat dilakukan dengan uji independensi, jadi masing-masing variabel berdiri sendiri dan tidak tergantung satu dengan lainnya. Tidak ada istilah variabel bebas dan variabel tergantung. 2. Data untuk kedua variabel berdistribusi normal. Data yang mempunyai distribusi normal artinya data yang distribusinya simetris sempurna. Jika digunakan bahasa umum disebut berbentuk kurva bel. Menurut Johnston (2004) ciri-ciri data yang mempunyai distribusi normal ialah sebagai berikut: a. Kurva frekuensi normal menunjukkan frekuensi tertinggi berada di tengahtengah, yaitu berada pada rata-rata (mean) nilai distribusi dengan kurva sejajar dan tepat sama pada bagian sisi kiri dan kanannya. Kesimpulannya, nilai yang paling sering muncul dalam distribusi normal ialah rata-rata (average), dengan setengahnya berada dibawah rata-rata dan setengahnya yang lain berada di atas rata-rata. b. Kurva normal, sering juga disebut sebagai kurva bel, berbentuk simetris sempurna. c. Karena dua bagian sisi dari tengah-tengah benar-benar simetris, maka frekuensi nilai-nilai diatas rata-rata (mean) akan benar-benar cocok dengan frekuensi nilainilai di bawah rata-rata. d. Frekuensi total semua nilai dalam populasi akan berada dalam area dibawah kurva. Perlu diketahui bahwa area total dibawah kurva mewakili kemungkinan munculnya karakteristik tersebut. e. Kurva normal dapat mempunyai bentuk yang berbeda-beda. Yang menentukan bentuk-bentuk tersebut adalah nilai rata-rata dan simpangan baku (standard deviation) populasi. 2.1.4 Macam-macam Korelasi Korelasi dibagi menjadi dua jenis, yaitu : 1. Korelasi Sederhana Korelasi sederhana adalah korelasi yang digunakan untuk mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 5

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua variabel. Jenis-jenis korelasi sederhana terdiri dari 3 jenis, yaitu : a. Korelasi Pearson Korelasi ini digunakan jika sampel datanya lebih dari 30 data (sampel besar), jenis datanya adalah interval dan rasio, dan data berdistribusi normal yang disimbolkan dengan r (Hasan, 2002:234). Koefisien korelasi Pearson dapat ditentukan dengan dua metode, yaitu : b. Korelasi Rank Spearman Korelasi Rank Spearman digunakan jika sampel datanya kurang dari 30 data (sampel kecil), jenis datanya adalah ordinal, dan data tidak berdistribusi normal. Koefisien korelasi Rank Spearman dinotasikan rs. Dalam aplikasinya, setiap data xi dan yi ditetapkan peringkat relatifnya terhadap data x dan y lainnya dari data terkecil sampai terbesar. Peringkat terkecil diberi nilai 1 dan jika terdapat data yang sama maka masing-masing nilai diberi peringkat rata-rata dari posisi yang seharusnya. Korelasi Rank Spearman dapat dihitung dengan rumus:

(2-1)

Sumber : Iqbal Hasan, 2003

dimana : rs n d c. = Korelasi Rank Spearman = Banyaknya pasangan rank = Selisih dalang ranking

Korelasi Rank Kendall Koefisien korelasi rank Kendall merupakan pengembangan dari koefisien korelasi rank Spearman. Disimbolkan dengan (baca Tau). Koefisen korelasi inid igunakann padsa pasangan variable pasangan atau data X dan Y dalam hal ketidaksesuaian rank, yaitu untuk mengukur ketidakteraturan. Koefisien korelasi rank Kendall dirumuskan dengan ;
( ) ( )

(2-2)

Sumber : Iqbal Hasan, 2003

dimana : S C D 1= = = = Statistik untuk jumlah konkordansi dan diskordansi I- konkordansi I- diskordansi Banyaknya pasangan LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 6

ANALISIS DATA DAN STATISTIK DESKRIPTIF


N 2. = Jumlah pasangan X dan Y

MODUL III

Korelasi Parsial Korelasi parsial adalah korelasi yang digunakan untuk mengetahui hubungan antara dua variabel di mana variabel lainnya dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol).

2.1.5 Koefisien Korelasi 2.1.5.1 Pengertian Koefisien Korelasi Ukuran yang digunakan untuk mengukur derajat hubungan (korelasi) linear disebut koefisien korelasi (correlation coefficient) yang dinyatakan dengan notasi r yang sering dikenal dengan nama koefisien korelasi Pearson atau Product Moment Coefficient of Correlation. 2.1.5.2 Jenis-jenis Koefisien Korelsi Berikut ini adalah macam-macam dari korelasi korelasi, adalah : 1. Koefisien korelasi pearson Digunakan untuk mengukur keeratan hubungan antara dua variabel yang datanya berbentuk data interval atau rasio. Disimbolkan denagn r dan dirumuskan : r

(2-3)

Sumber : Iqbal Hasan, 2008

Nilai dari koefisien korelasi (r) terletak antar -1 dan +1 (-1 r +1). a. b. c. d. e. 2. Jika r = +1, terjadi korelasi positif sempurna antara variabel X dan Y Jika r = -1, terjadi korelasi negatif sempurna antara variabel X dan Y Jika r = 0 , tidak terjadi korelasi antara variabel X dan Y Jika 0 < r < +1, terjadi korelasi positif antara variabel X dan Y Jika -1 < r < 0 , terjadi korelasi negatif antara variabel X dan Y

Koefisien korelasi Spearman Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel yang datanya berbentuk data ordinal (data bertingkat). Disimbolkan dengan dan dirumuskan :

(2-4)

Sumber : Iqbal Hasan, 2008

Keterangan : d = Selisih ranking X dan Y n = Banyaknya pasangan data

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

ANALISIS DATA DAN STATISTIK DESKRIPTIF


3. Koefisien korelasi Kontingensi

MODUL III

Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel yang datanya berbentuk data nominal (data kualitatif). Disimbolkan denagn C dan dirumuskan : C =
Sumber : Iqbal Hasan, 2008 (2-5)

Keteranagn : = Kai Kuadrat n = Jumlah semua frekuensi 4. Koefisien korelasi Penentu dan Determinasi Apabila koefisien korelasi dikuadratkan, akan menjadi koefisien penentu (KP) atau koefisien determinasi, Yang artinya penyebab perubahan pada variabel Y yang datang dari variabel X, sebesar kuadrat koefisien korelasinya. Koefisien penentu ini menjelaskan besarnya pengaruh nilai suatu variabel (variabel X) terhadap naik/ turunnya (variasi) nilai variabel lainnya (variabel Y). Dirumuskan : KP = R = (KK Keterangan : KK = Koefisien korelasi Nilai koefisien penentu ini terletak antara 0 dan +1 (0 KP +1 ). Jika koefisien korelasinya adalah koefisien korelasi pearson (r), maka koefisien penentunya adalah : KP = R = x 100 %
(2-7) Sumber : Iqbal Hasan, 2008

x 100 %

(2-6)

Sumber : Iqbal Hasan, 2008

Dalam bentuk rumus , Koefisien Penentu (KP) dituliskan : KP =


8) Sumber : Iqbal Hasan, 2008
] ]

(2-

2.1.5.3 Interpretasi Koefisien Korelasi Ada tiga penafsiran hasil analisis korelasi, meliputi: pertama, melihat kekuatan hubungan dua variabel; kedua, melihat signifikansi hubungan; dan ketiga, melihat arah hubungan. Untuk melakukan interpretasi kekuatan hubungan antara dua variabel dilakukan dengan melihat angka koefesien korelasi hasil perhitungan dengan menggunakan kriteria sbb:

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

ANALISIS DATA DAN STATISTIK DESKRIPTIF


1. 2. 3. 4. 5.

MODUL III

Jika angka koefesien korelasi menunjukkan 0, maka kedua variabel tidak mempunyai hubungan Jika Jika angka koefesien korelasi mendekati 1, maka kedua variabel mempunyai angka koefesien korelasi mendekati 0, maka kedua variabel mempunyai hubungan semakin kuat hubungan semakin lemah Jika angka koefesien korelasi sama dengan 1, maka kedua variabel mempunyai hubungan linier sempurna positif. Jika angka koefesien korelasi sama dengan -1, maka kedua variabel mempunyai hubungan linier sempurna negatif. Interpretasi berikutnya melihat signifikansi hubungan dua variabel dengan

didasarkan pada angka signifikansi yang dihasilkan dari. Interpretasi ini akan membuktikan apakah hubungan kedua variabel tersebut signifikan atau tidak. Berikut adalah kriteria kekuatan hubungan korelasi berdasarkan koefisisen korelasi, yaitu :
Tabel 2.1 Koefisien Korelasi

Koefisien Korelasi 0 0 < r 0.25 0.25 < r 0.5 0.5 < r 0.75 0.75 < r < 1 1
Sumber : www.ilmustatistik.com

Hubungan korelasi Tidak ada korelasi antara dua variabel Korelasi sanagat lemah Korelasi cukup Korelasi Kuat Korelasi sanagt kuat Korelasi Sempurna

Interpretasi ketiga melihat arah korelasi. Dalam korelasi ada dua arah korelasi, yaitu searah dan tidak searah. Pada SPSS hal ini ditandai dengan pesan two tailed. Arah korelasi dilihat dari angka koefesien korelasi. Jika koefesien korelasi positif, maka hubungan kedua variabel searah. Searah artinya jika variabel X nilainya tinggi, maka variabel Y juga tinggi. Jika koefesien korelasi negatif, maka hubungan kedua variabel tidak searah. Tidak searah artinya jika variabel X nilainya tinggi, maka variabel Y akan rendah. Arah hubungan antara dua variabel (Idirection of correlation) dapat dibedakan menjadi : 1. Direct Correlation (positive correlation) Korelasi sama dengan +1, artinya kedua variabel mempunyai hubungan linier sempurna (membentuk garis lurus) positif. Korelasi sempurna seperti ini mempunyai makna jika nilai X naik, maka Y juga naik seperti pada gambar berikut :

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Gambar 2.1 Direct Correlation Sumber : www.ilmustatistik.com

2. Inverse Correlation (Negative correlation) Korelasi sama dengan -1, artinya kedua variabel mempunyai hubungan linier sempurna (membentuk garis lurus) negatif. Korelasi sempurna seperti ini mempunyai makna jika nilai X naik, maka Y turun (dan sebaliknya) seperti pada gambar berikut :

Gambar 2.2 Inverse Correlation Sumber : www.ilmustatistik.com

3. Korelasi Nihil (Tidak berkorelasi) Korelasi sama denagn 0 mempunyai arti tidak ada hubungan antara kedua variabel. Gambarnya sebagai berikut :

Gambar 2.3 Korelasi Nihil Sumber : www.ilmustatistik.com

2.2 Regresi 2.2.1 Pengertian Regresi Analisis regresi merupakan suatu alat ukur yang juga digunakan untuk mengetahuai ada atau tidak adanya hubungan antarvariabel yang berarti ramalan atau taksiran. Namun, analisa regresi lebih akurat dalam melakukan analisa korelasinya, karena pada analisis ini kesulitan dalam menunjukkan slop (tingkat perubahan suatu variable terhadap variable lainnya dapat ditentukan), jadi dengan analisis regresi peramalan atau perkiraan nilai variable terikat pada niali variable bebas lebih akurat pula. Analisis regresi berguna untuk mengetahui pengaruh antara variable bebas (yang juga dikenal dengan prediktor) yang disimbolkan dengan X dan variable terikat (yang juga dikenal dengan kriterium) yang disimbolkan dengan Y.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

10

ANALISIS DATA DAN STATISTIK DESKRIPTIF


2.2.2 Asumsi Klasik Regresi

MODUL III

Formula atau rumus regresi diturunkan dari suatu asumsi data tertentu. Dengan demikian tidak semua data dapat diterapkan regresi. Jika data tidak memenuhi asumsi regresi, maka penerapan regesi akan menghasilkan estimasi yang bias. Jika data memenuhi asumsi regresi maka estimasi ( ) diperoleh akan bersifat BLUE yang merupakn singkatan dari: Best, Linear, Unbiased, Estimator. 1. Best Artinya yang terbaik, dalam arti garis regresi merupakan estimasi atau ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih. Garis regresi adalah best jika garis itu menghasilkan error yang terkecil. Error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika best disertai sifat unbiased maka estimator regresi disebut efisien. 2. Linear Estimator disebut linear jika estimator itu merupakan fungsi linear dari sampel. Lihat rumus rata-rata dibawah ini:

1 1 ... X n x1 x2 .......... xn n

(2-9)

Rata0rata di atas merupakan estimator yang linear, karena merupakan fungsi linear dari nilai-nilai X. Nilai2 OLS juga merupakan klas estimator yang linear. 3. Unbiased Suatu estimator dikatakan unbiased jika nilai harapan dari estimator sama dengan nilai yang benar dari . Rata-rata = . Bias = Rata-rata 4. Estimated Estimator adalah suatu nilai taksiran yang terdapat pada persamaan regresi linear. Estimasi dari model regresi sederhana bertujuan untuk mendapatkan nilai intersep dan slope dari garis regresi linear. 2.2.3 Asumsi Regresi Dalam penggunaan regresi, terdapat beberapa asumsi dasar yang dapat menghasilkan estimator linier tidak bias yang terbaik dari model regresi yang diperoleh dari metode kuadrat terkecil biasa. Dengan terpenuhinya asumsi tersebut, maka hasil yang diperoleh leih akurat dan mendekati atau sama denagn kenyataan.

Sumber : www.ineddeni.wordpress.com

Asumsi-asumsi dasar itu adalah sebagai berikut : 1. Linier LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 11

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Nilai harapan pengamatan-pengamatan variabel dependen dari suatu variabel independen tertentu denagn variabel independen yang lainnya dan membentuk suatu garis lurus. Dalam hal ini fungsi linearnya berada dalam parameter variabel independen. Apabila sifat linier tidak dipenuhi maka model tersebut sebenarnya salah jumlah. 2. Homogenitas dalam variansi Tingkat variansi atau keseragaman nilai variabel dependen denag variabel independen yang lainnya cenderung sama. Uji homogenitas variansi biasanya dilakukan denagn uji lavene. Apabila tingkat keseragaman tidak homogeny, maka penduga model yidak stabil dan variansi penduganya akan mempunyai nilai yang benar. 3. Kenormalan Sebaran variabel respon untuk variabel penjelas tertentu mengikuti distribusi normal. Sifat kenormalan ini dapat diuji denagn uji kebaikan suai. 4. Independen/ Kebebasan antar pengamatan Pengamatan yang satu dengan yang lainnya tidak saling mempengaruhi. Memeriksa kebebasan antar pengamatan ini dapat dilakukan denagn uji independensi. 2.2.4 Metode Model Regresi Ada 5 pilihan yang digunakan pada menu method untuk menentukan model yang akan digunakan: 1. Enter Metode analisis regresi untuk menganalisa secara biasa, yaitu semua variabel independent dianalisa baik prediktor yang berpengaruh ataupun tidak berpengaruh terhadap kriterium, jadi cukup memasukkan kriterium atau memilih semua variabel independen dalam persamaan regresi. 2. 3. Remove untuk mencari prediktor yang dominan dan bila yang tidak berpengaruh dihapus. Backward menganalisa semua prediktor kemudian dilanjutkan dengan menganalisa prediktor yang berpengaruh. 4. 5. Forward Untuk memasukkan satu persatu variabel independen dalam persamaan regresi. Stepwise Metode ini memilih dan mengeluarkan variabel inependen dalam persamaan berdasarkan nilai signifikansi yang ada pada options. 2.2.5 Macam-macam Regresi Linier LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 12

ANALISIS DATA DAN STATISTIK DESKRIPTIF


Macam-macam regres linier antara lain adalah : 2.2.5.1 Regresi Linier 1. Regresi Linear Sederhana

MODUL III

Regresi linear sederhana adalah regresi yang hanya terdiri dari satu variabel dependen dan satu variabel independen. Regresi linear sederhana digunakan untuk mengetahui hubungan nilai satu variabel bebas dan satu variabel terikat melalui persamaan regresi. Bentuk dari persamaaan regresi linear sederhana adalah (Murwani, 2007 : 12-14). Y = a+ bX
Sumber : Iqbal Hasan, 2003 (2-10)

X = a+ bY
Sumber : Iqbal Hasan, 2003

(2-11)

di mana: a b Y X = = = = konstanta (atau intersep) populasi koefisien regresi populasi variabel terikat variabel bebas

2.

Regresi Linier Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya (Y) dihubungkan atau dijelaskan lebih dari satu variabel bebas (X1, X2,...., Xn) namun masih menunjukkan diagram hubungan yang linear. Regresi linear berganda digunakan untuk mengetahui hubungan nilai beberapa variabel bebas dan satu variabel terikat melalui persamaan regresi. Bentuk dari persamaaan regresi linear berganda adalah: a. Bentuk Stokastik Y = a + b1X1......+ bkXk + e
Sumber : Iqbal Hasan, 2003 (2-12)

di mana: a = konstanta (atau intersep) populasi b = koefisien regresi populasi Y = variabel terikat X = variabel bebas k = jumlah variabel bebas e = Kesalahan pengganggu (disturbance term) , artinya nilai-nilai dari variabel lain yang tidak dimasukkan dalam persamaan. b. Bentuk NonStokastik (Deterministik) LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 13

ANALISIS DATA DAN STATISTIK DESKRIPTIF


Y = a + b1X1......+ bkXk
Sumber : Iqbal Hasan, 2003

MODUL III
(2-13)

di mana: a = konstanta (atau intersep) populasi b = koefisien regresi populasi Y = variabel terikat X = variabel bebas k = jumlah variabel bebas 2.2.5.2 Regrsi Non Linier Regresi on linier adalah regresi yang vraiabel-variabelnya ada yang berpangkat. Bentuk regresi nonlinier adalah berupa lengkungan. Bentuk-bentuk regresi nonlinier adalah regresi kuadratis atau parabola dan regresi eksponensial 1. Kuadratis atau regresi parabola Regresi kuadratis adalah regresi denagn variable X ada yang berpangkat dua. Bentuk regresi kuadratis adalah Y = a + bX + c
Sumber : Iqbal Hasan, 2003 (2-14)

Keteranagn : Y X a ,b,c = Variabel terikat = Variabel Bebas = Konstanta

Nilai a,b,c dapat dicari denagn menggunakan rumus normal (persamaan tiga variabel), sebagai berikut.
(2-15)

Sumber : Iqbal Hasan, 2003

Dalam diagram pancar digambarkan : Y

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

14

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

2.

Eksponensial atau Logaritma

Gambar 2.4 Diagram Pancar Regresi Kuadratis Sumber : Iqbal Hasan, 2003

Regresi Eksponensial adalah regresi dengan variable X berpangkat konstanta b atau konstanta b berpangkat X . Bentuk umum regresi eksponensial adalah : Y=a
Sumber : Iqbal Hasan, 2003 (2-16)

Keterangan : Y X a, b = Variabel terikat = Variabel Bebas = Konstanta atau penduga

Untuk menentukan nilai a dan b, bentuk persamaan di atas harus di transformasikan menjadi bentuk persamaan linier denagn menggunakan logaritma , menjadi : Log Y = log a + b log X
Sumber : Iqbal Hasan, 2003 (2-17)

Misalkan : log Y = : log a = : log X = Didapatkan : b a=


n 1 1 1 1 1

b.

(2-18)

Sumber : Iqbal Hasan, 2003

Dalam diagram pancar digambarkan :

Gambar 3.5 Diagram Pancar Regresi Eksponensial Sumber : Iqbal Hasan, 2003

2.3 Analisis Regresi Linear Sederhana 2.3.1 Persamaan Garis Regresi Linier Sederhana Analisa regresi juga digunakan untuk menentukan bentuk (dari) hubunagn antarvariabel. Tujuan utamanya adalah untuk meramalkan atau memperkirakan nilai dari suatu variable dalam hubungannya dengan varibael yang lain yang diketahui dari persamaan garis regresinya. Persamaan garis regresi linier sederhana sampel sebagai

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

15

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

penduga persamaan garis regresi linier sederhana populasi dapat dinyatakan dalam bentuk : = a + bX.
Sumber : Iqbal Hasan, 2003 (2-19)

di mana: X a b

= = = =

Variabel Teriakt variabel bebas konstanta (atau intersep) sampel koefisien regresi sampel

Untuk mencari a dan b dapat menggunakan rumus :


(2-20)

Sumber : Iqbal Hasan, 2003

a=b.
Sumber : Iqbal Hasan, 2003

(2-21)

2.3.2

Kesalahan Baku Regresi dan Koefisisen Regresi Sederhana Kesalahan baku atau selisish taksir standart merupakan indeks yang digunakan

untuk mengukur tingkat ketepatan regresi (pendugaan) dan koefisien regresi atau mengukur variasi titik-titik observasi disekitas garis regresi. Denagan kesalahan baku, batasan seberapa jauih melesetnya perkiraan kita dalam meramal data dapat diketahui. Apabila semau titik observasi berada tepat pada garis regresi maka kesalahan baku akan bernilai nol. Hal ini berarti perkiraan yang kita lakukan terhadap data sesuai dengan data yang sebenarnay. Berikut ini rumus-rumus yang secara langsung digunakan untuk menghitung kesalahan baku regrsi dan koefisien regresi. 1. Untuk Regresi, Kesalahan bakunya :

(2-22)

Sumber : Iqbal Hasan, 2003

Untuk koefisien regresi a, Kesalahan bakunya :


(2-23)

Sumber : Iqbal Hasan, 2003

Untuk koefisien regresi b, Kesalahan bakunya :

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

16

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

(2-24)

Sumber : Iqbal Hasan, 2003

Keterangan : Se Sa Sb a,b n = kesalahan baku regresi = koefisien regresi a (penduga a) = koefisien regresi b (penduga b) = konstanta = jumlah sampel

X, Y = variabel

2.3.2 Pengujian Statistik Koefisien Regresi Pengujian Statistik koefisien regresi dapat dilakukan denagn uji t, dengan langkahlangkah pengujian sebagai berikut : 1. 2. 3. 4. Menentukan formulasi hipotesis Menentukan taraf nyata () dan nilai t table Menentukan criteria pengujian Menentukan nilai uji statistic Rumus Uji Statistik

(2-25)

Sumber : Iqbal Hasan, 2003

Keterangan: t0 = nilai t hitung r = koefisien korelasi r2 = koefisien determinasi Rumus uji statistik untuk tiap parameter, misalnya parameter A dan B adalah sebagai berikut:
(2-26) Sumber : Iqbal Hasan, 2003

(2-27) Sumber : Iqbal Hasan, 2003

Keterangan: t a ; tb = nilai t hitung LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 17

ANALISIS DATA DAN STATISTIK DESKRIPTIF


a;b Sa ; Sb = konstanta regresi = kesalahan baku penduga a dan b

MODUL III

(2-28) Sumber : Iqbal Hasan, 2003

Keterangan: Z0 = nilai Z hitung 5. Membuat kesimpulan 2.4 Analisa Regresi Linier Berganda 2.4.1 Persamaan Garis Regresi Linier Berganda Jika sebuah variable terikat dihubungkan dengan 3 varibael bebas maka persamaan regresi linier bergandanya dituliskan dengan : Y=a+ Keterangan : Y a, a = Variabel Terikat (nilai duga Y) = Variabel Bebas = koefisien regresi Linier berganda = Nilai Y, apabila = Besarnya kenaikan / penurunan Y dalam satuan , jika dan dan dan , dan dan dan konstan naik / turun satu satuan naik / turun satu satuan atau Nilai niali a konstan konstan dapat ditentuakn denagn menggunakan persamaaan normal berikut :
(2-30)

(2-29)

Sumber : Iqbal Hasan, 2003

naik / turun satu satuan

= Besarnya kenaikan / penurunan Y dalam satuan , jika = Besarnya kenaikan / penurunan Y dalam satuan , jika + / - = Tanda yang menunjukkan arah hubungan antara Y dan

Sumber : Iqbal Hasan, 2003

2.4.2

Kesalahan baku Regresi dan Koefisien Regresi Berganda

Kesalahn baku atau selisih taksir standar regresi adalah nilai yang menyatakan seberapa jauh menyimpangnya nilai regresi tersebut terhadap nilai sebenarnya (nilai observasi). Nilai ini digunakan untuk mengukur tingkat ketepatan suatu penduga dalam LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 18

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

menduga suatu nilai . jika nilai ini sama dengan 0 (nol) maka, maka penduga tersebut memiliki tingkat ketepatan 100% .Kesalahan baku atu selisih taksir standar regresi berganda ,dirumuskan:

(2-31)

Sumber : Iqbal Hasan, 2003

Keterangan : Se= kesalahan baku regresi berganda n= jumlah pasangan observasi m= jumlah konstanta dalam persamaan regresi berganda Untuk koefisien reresi berganda b1 dan b2, kesalahan bakunya dirumuskan:
( (2-32) )

Sumber : Iqbal Hasan, 2003 (2-33) )

Sumber : Iqbal Hasan, 2003

Keterangan: Se Sb1 Sb2 X, Y a, b n m Ry1 2.4.3 = kesalahan baku regresi = koefisien regresi b1 (penduga b1) = koefisien regresi b2 (penduga b2) = variabel = konstanta = jumlah pasangan observasi = jumlah konstanta dalam persamaan regresi berganda = koefisien korelasi antara X1 dan X2 Pengujian Statistik Koefisien Regresi Berganda Pengujian Statistik koefisien regresi berganda dengan hanya satu parameter, misalnya B (B1 dan B2 ) yang mempengaruhi Y. Langkah-langkah pengujian sebagai berikut : 1. 2. 3. 4. Menentukan formulasi hipotesis Menentukan taraf nyata () dan nilai t table Menentukan criteria pengujian Menentukan nilai uji statistic Rumus Uji Statistik LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 19

ANALISIS DATA DAN STATISTIK DESKRIPTIF


Nilai f :

MODUL III

(2-34) Sumber : Iqbal Hasan, 2003

Keterangan: F = nilai F hitung r2 = koefisien determinasi Nilai t:


(2-35) Sumber : Iqbal Hasan, 2003 (2-36) Sumber : Iqbal Hasan, 2003

Keterangan: tb1 ; tb2 Sb1 ; Sb2 5. = nilai t hitung untuk parameter b1 dan b2 = koefisien regresi b1 dan b2

Membuat kesimpulan Pemeriksaan asumsi residual erat kaitannya dengan kelayakan model regresi.Suatu

2.5 Uji model regresi model regresi dengan parameter signifikan dan memenuhi kriteria terbaik tetapi melanggar asumsi residual tidak disarankan untuk dipakai untuk menggambarkan pola hubungan antara variabel prediktor dan variabel respon. Asumsi residual dalam analisis regresi meliputi residual identik, independen dan distribusi Normal (,2).

Uji model regresi sebaiknya dilakukan dengan dua macam, yaitu :


1. Uji Serentak Uji serentak merupakan uji terhadap nilai-nilai koefisien regresi (b) secara bersamasama dengan hipotesa H0 : 1 = 2 = ... = p = 0 H1 : Minimal ada 1 yang tidak sama dengan nol. Statistik uji yang dipakai untuk melakukan uji serentak ini adalah statistik uji F. 2. Uji Individu Jika hasil pada uji serentak menunjukkan bahwa H0 ditolak, maka perlu dilakukan uji individu dengan hipotesa : H0 : i = 0 H1 : i 0 LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 20

ANALISIS DATA DAN STATISTIK DESKRIPTIF


Untuk pengujian ini digunakan statistik uji t. 2.6 Kriteria Statistik regresi 1. Uji t

MODUL III

Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variasi variabel terikat. Tujuan dari uji t adalah untuk menguji koefisien regresi secara individual. a. Hipotesa Nol = H0 H0 adalah satu pernyataan mengenai nilai parameter populasi. H0 merupakan hipotesis statistik yang akan diuji hipotesis nihil. b. Hipotesa alternatif = H1 H1 adalah satu pernyataan yang diterima jika data sampel memberikan cukup bukti bahwa hipotesa nol adalah salah. Langkah-langkah/ urutan menguji hipotesa dengan distribusi t 1) Merumuskan hipotesa H0 : i = 0, artinya variabel bebas bukan merupakan penjelas yang signifikan terhadap variabel terikat H1 : i 0, artinya variabel bebas merupakan penjelas yang signifikan terhadap variabel terikat. 2) Menentukan taraf nyata/ level of significance = Taraf nyata / derajat keyakinan yang digunakan sebesar = 1%, 5%, 10%, dengan: df = n k
Sumber : Yusuf, 2002 (2-37)

dimana: df n k 3) = degree of freedom/ derajat kebebasan = Jumlah sampel = banyaknya koefisien regresi + konstanta

Menentukan daerah keputusan, yaitu daerah dimana hipotesa nol diterima atau tidak. Untuk mengetahui kebenaran hipotesis digunakan kriteria sebagai berikut. H0 diterima apabila t( / 2; n k) thitung t( / 2; n k), artinya tidak ada pengaruh antara variabel bebas terhadap variabel terikat. H0 ditolak apabila thitung > t( / 2; n k) atau thitung < -t( / 2; n k), artinya ada pengaruh antara variabel bebas terhadap variabel terikat.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

21

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Gambar 2.4 Kurva daerah keputusan distribusi t Sumber: Yusuf, 2002

4) 5)

Menentukan uji statistik (Rule of the test) Mengambil keputusan Keputusan bisa menolak H0 atau menolak H0 menerima H1. Nilai ttabel yang diperoleh dibandingkan nilai thitung, bila thitung lebih besar dari ttabel, maka H0 ditolak, sehingga dapat disimpulkan bahwa variabel independen berpengaruh pada variabel dependen. Apabila thitung lebih kecil dari ttabel, maka H0 diterima sehingga dapat disimpulkan bahwa variabel independen tidak berpengaruh terhadap variabel dependen.

2.

Uji F Tabel F dilakukan untuk mengetahui pengaruh variabel bebas secara bersama-sama terhadap variabel terikat. Langkah-langkah/ urutan menguji hipotesa dengan distribusi F a. Merumuskan hipotesa H0 : 1 = 2 = 3 = 4 = 0, berarti secara bersama-sama tidak ada pengaruh variabel bebas terhadap variabel terikat. H1 : 1 2 3 4 0, berarti secara bersama-sama ada pengaruh variabel bebas terhadap variabel terikat. b. Menentukan taraf nyata/ level of significance = Taraf nyata / derajad keyakinan yang digunakan sebesar = 1%, 5%, 10%. Derajat bebas (df) dalam distribusi F ada dua, yaitu : df numerator = dfn = df1 = k 1 df denumerator = dfd = df2 = n k Dimana: df n k c. tidak. = degree of freedom/ derajat kebebasan = Jumlah sampel = banyaknya koefisien regresi

Menentukan daerah keputusan, yaitu daerah dimana hipotesa nol diterima atau

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

22

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

H0 diterima apabila Fhitung Ftabel, artinya semua variabel bebas secara bersamasama bukan merupakan variabel penjelas yang signifikan terhadap variabel terikat. H0 ditolak apabila Fhitung > Ftabel, artinya semua variabel bebas secara bersamasama merupakan penjelas yang signifikan terhadap variabel terikat. d. Menentukan uji statistik nilai F Bentuk distribusi F selalu bernilai positif

Gambar 2.5 Kurva daerah keputusan uji F Sumber: Yusuf, 2002

e.

Mengambil keputusan Keputusan bisa menolak H0 atau menolak H0 menerima H1. Nilai Ftabel yang diperoleh dibanding dengan nilai Fhitung apabila Fhitung lebih besar dari Ftabel, maka ditolak sehingga dapat disimpulkan bahwa ada pengaruh yang signifikan antara variabel independen dengan variabel dependen.

3.

R2 R Square (R2) merupakan proporsi variabilitas dalam suatu data yang dihitung didasarkan pada model statistik. Definisi berikutnya menyebutkan bahwa r2 merupakan rasio variabilitas nilai-nilai yang dibuat model dengan variabilitas nilai data asli. Secara umum r2 digunakan sebagai informasi mengenai kecocokan suatu model. Dalam regresi r2 ini dijadikan sebagai pengukuran seberapa baik garis regresi mendekati nilai data asli yang dibuat model. Nilai R2 terletak antara 0 1, dan kecocokan model dikatakan lebih baik kalau R2 semakin mendekati 1. (uraian lebih lanjut mengenai R2 lihat pembahasan di bawah). Jika r2 sama dengan 1, maka angka tersebut menunjukkan garis regresi cocok dengan data secara sempurna. Apabila nilai R2 dikalikan 100%, maka hal ini menunjukkan persentase keragaman regresi yang (informasi) di dalam variabel Y yang dapat diberikan oleh model

didapatkan. Semakin besar nilai R2 semakin baik model regresi yang diperoleh. Adjusted R Square. Suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak pernah menurun dari banyaknya variabel bebas yang ada dalam model. Oleh karenanya, untuk membandingkan dua R2 dari dua model, orang harus memperhitungkan banyaknya variabel bebas yang ada dalam model. Ini dapat dilakukan dengan menggunakan adjusted R square. Istilah penyesuaian berarti nilai LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 23

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

R2 sudah disesuaikan dengan banyaknya variabel (derajat bebas) dalam model. Seringkali juga disarankan, jika variabel bebas lebih dari dua, sebaiknya menggunakan adjusted R square. 2.7 Penyimpangan asumsi Regresi 2.7.1 Autokorelasi Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi Uji autokorelasi dilakukan dengan menggunakan uji Durbin-Watson (D-W), dengan tingkat kepercayaan 5%. Apabila D-W terletak antara -2 sampai +2 maka tidak ada autokorelasi (Santoso. 2002 : 219) Pada dasarnya autokorelasi dapat didefinisikan sebagai korelasi di antara nilai-nilai pengamatan yang terurut dalam waktu (time series data) atau nilai-nilai pengamatan yang terurut dalam ruang (cross-sectional data) Terjadinya autokorelasi diantara nilai-nilai dari variable gangguan e dapat diakibatkan karena beberapa hal berikut, yaitu : 1. 2. Adanya variable-variabel penjelas yang dihilangkan dari model. Adanya kesalahan spesifik bentuk matematik dari model. Jika kita merumuskan atau menetapkan bentuk matematik yang berbeda dari bentuk hubungan yang sesungguhnya, maka niali-nilai gangguan akan menunjukkan autokorelasi 3. 4. Adanya fenomena cobweb, dimana nilai variable yang sekarang bereaksi atau ditentukan oleh variable sebelumnya. Di dalam analisis regesi yang melibatkan data deret waktu, jika model regresi mengikutsertakan tidak hanya nilai-nilai sekarang, tetapi juga nilai-nilai pada waktu yang lalu sebagai variable penjelas, maka variable itu disebut sebagi model distribusi lags. 5. Adanya manipulasi data, maksudnya manipulasi tidak berkaitan dengan hal-hal negative seperti emmalsukan data, tetapi yang dimaksudkan disini adalah suatu teknik mengubah data yang berkonotasi positif, dimana teknik mengubah data atau memperkirakan data itu dapat dibenarkan tetapi sering menimbulkan masalah yang berkaitan dengan gangguan. Statistik Durban Watson digunakan untuk mendeteksi autokorelasi. Adapun beberapa asumsi yang melandasi uji Durban Watson, antara lain adalah : 1. Uji Durban Watson diterapkan untuk model regresi yang mencakup parameter 0, dengan kata lain dipergunakan untuk untuk model regresi yang mengandung intersep. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 24

ANALISIS DATA DAN STATISTIK DESKRIPTIF


2. 3. 4. 5.

MODUL III

Variabel-variabel penjelas x adalah nonstokastik, atau bersifat tetap dalam penarikan contoh yang berulang (repeated sampling). Bentuk gangguan et dibangkitkan melalui pola regresi diri order pertama dengan mengambil bentuk : et = e et-1 + t Model regresi tidak mencakup nilai-nilai lag dari variable tak bebas sebagai suatu variable penjelas. Tidak ada parameter yang hilang dalam data, denagn demikian uji Durban Watson dapat digunakan untuk model regresi yang dibangun berdasarkan data yang lengkap, terutama untuk data deret waktu. Statistik dari Darbin Watson memiliki rumus sebagai berikut :
Sumber :www. repository.usu.ac.id (2-38)

Dimana : et et-1 : Residual variable t : Residual satu variable t sebelumnya

Setelah mendapatkan nilai d dari perhitungan rumus tersebut, nilai d dibandingkan dengan nilai-nilai kritis dari dL dan dU dari table statistic Durban Watson. Nilai kritis dari dL dan dU dapat diperoleh dari table statistic Durban Watson yang tergantung pada banyaknya observasi n dan besarnya variable penjelasnya. Berikut adalah mekanisme yang mendasari tes Durban Watson : a. Jika hipotesis Ho tidak ada korelasi positif, maka : d < dL d < dU dL d dU b. d > 4- dL d > 4- dU 4-dU d 4- dL c. : Ho ditolak : Ho diterima
:

pengujian tidak meyakinkan

Jika hipotesis Ho tidak ada autokorelasi negative, maka : : Ho ditolak : Ho diterima


:

pengujian tidak meyakinkan

Jika hipotesis Ho adalah dua ujung, yaitu tidak ada serial korelasi baik positif maupun negatif, maka : d < dL d > 4- dL dU < d < 4- d U dL d dU 4-dU d 4- dL : Ho ditolak : Ho ditolak : Ho diterima : pengujian tidak meyakinkan
:

pengujian tidak meyakinkan 25

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

ANALISIS DATA DAN STATISTIK DESKRIPTIF


Tabel 2.2 klasifikasi nilai d

MODUL III

Nilai d <1,10 1,10 1,54 1,55 2,46 2,46 2,90 >2,90


Sumber : Iqbal Hasan, 2003

Keterangan Ada Autokorelasi Daerah keragu-raguan Tidak ada Autokorelasi Daerah keragu-raguan Ada Autokorelasi

2.7.2

Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Dalam model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Uji Multikolinearitas dilakukan dengan melihat nilai tolerance dan variance inflation factor (VIF) dari hasil analisis dengan menggunakan SPSS.. Multikolinearitas dapat terjadi karena: 1. Terdapat kecenderungan variabel ekonomi bergerak secara bersama-sama sepanjang waktu 2. Penggunaan Lag antara Yt dan Yt-1 a. Konsekuensi Adanya Multikolinearitas yang Tidak Sempurna Varians Inflation Factor (VIF) mengukur dampak collinearity antara variabel dalam model regresi. Varians Inflation Factor (VIF) adalah 1/Tolerance, selalu lebih besar dari atau sama dengan 1. Untuk menguji ada tidaknya multikolinearitas, kita dapat menggunakan nilai Toleransi atau VIF (Variance Inflation Factor). VIF tidak lain adalah mengukur keeratan hubungan antar variabel bebas, atau X. Nilai Toleransi atau VIF (Variance Inflation Factor) dapat dihitung dengan rumus sebagai berikut : VIF =
Sumber : www. resources.unpad.ac.id (2-9)

Pertumbuhan kecenderungan factor-faktor dalam deret waktu Sehingga terdapat model distribusi lag Mungkin terdapat korelasi yang kuat

dapat sebagai penyebab terjadinya multikolinearitas. Misal : Ct = f (Yt , Yt-1 , . 1 )

Tolerance =
Sumber : www. resources.unpad.ac.id

(2-10)

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

26

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Jika nilai Toleransi kurang dari 0,1 atau nilai VIF melebihi 10 maka hal tersebut menunjukkan bahwa multikolinearitas adalah masalah yang pasti terjadi antar variable bebas. b. Penanggulangan Multikolinearitas Dalam hal ini dapat menggunakan prosedur Principal Component Analysis (PCA) untuk mengatasi multikolinearitas. Prosedur PCA pada dasarnya bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali. 2.7.3 Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dan residual satu pengamatan ke pengamatan yang lain. jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Heteroskedastisitas terjadi apabila varians dari setiap kesalahan pengganggu tidak bersifat konstan. Dampak yang akan ditimbulkan adalah asumsi yang terjadi masih tetap tidak berbias, tetapi tidak lagi efisien. Menurut Manurung (2005) menjelaskan bahwa ada dua cara untuk mendeteksi keberadaan heteroskedastisitas, yaitu metode informal dan metode formal. Metode informal biasanyadilakukan dengan melihat grafik plot dari nilai prediksi variabel independen (ZPRED) dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. Metode formal untuk mendeksi keberadaan heteroskedastisitas antara lain dengan Park Test, Glejser Test, Spearmans Rank Correlation Test, Golfeld-Quandt Test, Breusch-Pagan-Godfrey Test, Whites General Heteroscedasticity Test, dan Koenker-Basset Test. Uji Heteroskedastisitas dengan metode di bawah ini: 1. Uji Park Dilakukan dengan membuat model regresi yang melibatkan nilai logaritma residu kuadrat ( ) sebagai variable terikat terhadap semua variable bebas. Jika semua variable bebas nyata (signifikan) secara statistic maka dalam regresi terdapat heteroskedastisitas. a. Regresikan nilai absolut residual (ei) pada x ln(ei^2) = b0 + b1.ln(Xi) + Vi LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 27

ANALISIS DATA DAN STATISTIK DESKRIPTIF


b. c. 2.

MODUL III

Bila b1 signifikan beda dengan 0 (uji t) maka persamaan memiliki masalah hetrosekdastistas Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi)

Uji Glejser: Dilakukan dengan membuat model regresi yang melibatkan nilai mutlak residu ( ) sebagai variable terikat terhadap semua variable bebas. Jika semua variable bebas nyata (signifikan) secara statistic maka dalam regresi terdapat heteroskedastisitas. a. Regresikan nilai absolut ei pada x |ei| = b0 + b1.Xi + Vi atau |ei| = b0 + b1.sq(Xi^2) + Vi atau |ei| = b0 + b1.(1/Xi) + Vi atau Dll b. c. Apabila t pada b1 signifikan artinya ada heteroskedastistas Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi)

3.

Uji Goldfeld-Quandt a. b. c. d. e. Urutkan data X berdasarkan nilainya Bagi data menjadi 2, satu bagian memiliki nilai yang tinggi, bagian lainnya memiiki nilai yang rendah, sisihkan data pada nilai tengah Jalankan regresi untuk masing-masing data Hitung F test, F=[ESSlarge X/df]/[ESSsmall X/df] Apabila nilai F unite, maka homoskedastistas.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

28

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

BAB III METODOLOGI PRAKTIKUM


3.1 Diagram Alir Praktikum
Start

Identifikasi Masalah

Studi Kepustakaan

Pengambilan Data

Pengolahan Data: 1. Regresi Linear Sederhana 2. Regresi Linear Berganda

Analisis dan Interpretasi Data

Kesimpulan dan Saran

End

3.2 Prosedur Praktikum LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 29

ANALISIS DATA DAN STATISTIK DESKRIPTIF Prosedur praktikum yang harus dilakukan, yaitu:

MODUL III

1. mengidentifikasi masalah dari suatu objek penelitian yang telah dilakukan; 2. melakukan studi kepustakaan; 3. menentukan variabel dependen dan variabel independen; 4. melakukan pengambilan data sebanyak 25 data; 5. melakukan pengolahan data; 6. melakukan analisa regresi dan korelasi.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

30

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

BAB IV HASIL DAN PEMBAHASAN


4.1 Pengumpulan Data Dalam modul 3 ini, dilakukan pembahasan mengenai analisis korelasi dan regresi. Ada dua jenis regresi yang dibahas dalam modul ini, yaitu regresi linear sederhana dan regresi linear berganda. 4.1.1 Data Regresi Linear Sederhana

Untuk lebih memahami aplikasi dari regresi linear sederhana, dilakukan pengambilan sampel sebanyak 25 data regresi linear sederhana, yaitu data mengenai pengaruh antara kebutuhan pulsa dengan umur. Data yang diambil merupakan data primer, yaitu data yang diambil langsung oleh peneliti. Data-data tersebut disajikan dalam bentuk tabel seperti yang tertera di bawah ini:
Tabel 4.1 Data regresi linear sederhana No Umur(x) Kebutuhan Pulsa (y) 1 18 2 18 3 19 4 19 5 20 6 18 7 18 8 20 9 19 10 20 11 21 12 20 13 20 14 21 15 21 16 23 17 23 18 24 19 23 20 23 21 25 22 27 23 20 24 21 25 20 Sumber: Microsoft Excel 2007

20 20 35 35 35 20 25 35 35 35 40 30 30 30 35 50 50 50 50 70 50 50 35 30 35

4.1.2 Data Regresi Linear Berganda LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 31

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Untuk lebih memahami aplikasi dari regresi linear berganda, dilakukan pengambilan sampel sebanyak 25 data regresi linear berganda, yaitu data mengenai pengaruh antara lama mempunyai SKS dan jumlah organisasi dengan IPK. Data yang diambil merupakan data primer, yaitu data yang diambil langsung oleh peneliti. Data-data tersebut disajikan dalam bentuk tabel seperti yang tertera di bawah ini: Tabel 4.2 Data regresi linear berganda sks(X) Jmlh org(X) IPK(Y) No 22 1 3,15 1 24 2 3,30 2 24 2 3,30 3 24 2 3,33 4 24 1 3,40 5 24 1 3,40 6 24 1 3,45 7 24 1 3,45 8 18 2 2,50 9 24 2 3,35 10 21 0 3,10 11 21 0 3,20 12 21 1 3,10 13 22 0 3,20 14 19 0 2,80 15 16 0 2,40 16 19 0 2,97 17 21 4 2,80 18 24 1 3,30 19 24 0 3,40 20 21 0 3,30 21 22 1 3,00 22 24 0 3,70 23 18 1 2,46 24 18 0 2,98 25
Sumber: Microsoft Excel 2007

4.2 Analisis Data Selanjutnya adalah dilakukan analisis data. Data yang sudah terkumpul dianalisis agar dihasilkan sebuah informasi dan kesimpulan. 4.2.1 Pengujian Regresi Linier Sederhana Pengujian data pertama adalah pengujian data regresi linear sederhana. pengujian data itu sendiri menggunakan bantuan software SPSS 17.0. 4.2.1.1 Pengolahan SPSS Dalam pengolahan data, dilakukan beberapa pengolahan data, yaitu sebagai berikut: 4.2.1.1.1 Pengujian Kenormalan Data LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 32

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Data yang normal adalah data yang nilai mean, median, dan modusnya hampir sama dan membetuk suatu kurva normal. Pengujian kenormalan data ini dapat dilakukan dengan menggunakan bantuan software SPSS 17.0. Langkah langkah yang dilakukan adalah sebagai berikut: 1. 2. 3. Masukkan data yang akan diuji ke dalam Data View. Klik Analyze >> Nonparametric Test >> 1 Sample K S Lalu masukkan variabel umur dan kebutuhan pulsa/bulan ke dalam Test Variable List

. Gambar Sumber 4. 5.

Klik Options >> beri tanda centang pada Descriptive >> Continue Pada Test Distribution, beri tanda centang Normal >> OK. Maka akan muncul output sebagai berikut:

Tabel 4.3 Output Uji Kenormalan Data pada SPSS


One-Sample Kolmogorov-Smirnov Test umur N a,,b Normal Parameters Most Extreme Differences Mean Std. Deviation Absolute Positive Negative 25 20.84 2.340 .200 .200 -.112 1.001 .269 kebutuhan_pulsa _per_bulan 25 37.20 11.822 .254 .254 -.141 1.269 .080

Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data.

Sumber: Print Screen Output SPSS

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

33

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Dari hasil output diatas dapat dilihat pada hasil Asymp. Sig. (2-tailed). Jika nilai pada hasil Asymp. Sig. (2-tailed) lebih dari 0,05, maka data berdistribusi normal. Pada output diatas, hasil Asymp. Sig. (2-tailed) untuk variabel umur adalah sebesar 0,269 dan hasil Asymp. Sig. (2-tailed) untuk variabel kebutuhan pulsa/bulan adalah sebesar 0,08. Maka dapat disimpulkan bahwa data yang diuji tersebut berdistribusi normal. 4.2.1.1.2 Pengujian Homogenitas Varians Data dikatakan homogen jika variansinya sama. Pengujian homogenitas data ini dapat dilakukan dengan menggunakan bantuan software SPSS 17.0. Berikut adalah langkahlangkah untuk menguji homogenitas varians. 1. Masukkan data yang akan diuji ke dalam Data View. 2. Klik Analyze >> Regression >> Linear 3. Lalu masukkan variabel umur ke dalam Independent dan variabel kebutuhan pulsa/bulan ke dalam Dependent

Gambar Sumber 4. Klik Plots >> masukkan ZPRED ke X dan ZRESID ke Y >> Continue >> OK 5. Lalu akan muncul output sebagai berikut:

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

34

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Gambar: Sumber: Scatterplot hasil pengujian homogenitas varian diatas menunjukkan bahwa data yang sedang diuji tersebut homogen. Hal ini dapat dilihat dari sebaran data pada scatterplotnya. Jika data menyebar dan tidak membentuk pola tertentu, maka data dikatakan homogen. Maka data yang sedang diuji tersebut merupakan data yang homogen karena datanya tersebar dan tidak membentuk pola. 4.2.1.1.3 Pengujian Linieritas Data Linieritas adalah keadaan dimana hubungan antara variabel dependen dengan variabel independen bersifat linier (garis lurus) dalam range variabel independen tertentu. Pengujian linieritas data ini dapat dilakukan dengan menggunakan bantuan software SPSS 17.0. Berikut adalah langkah-langkah untuk menguji linieritas data. 1. Masukkan data yang akan diuji ke dalam Data View. 2. Klik Analyze >> Regression >> Linear 3. Lalu masukkan variabel umur ke dalam Independent dan variabel kebuthan pulsa/bulan ke dalam Dependent

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

35

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Gambar: Sumber: 4. Klik Plots >> masukkan ZPRED ke X dan ZRESID ke Y >> Continue >> OK 5. Lalu akan muncul output

Gambar Sumber Untuk mengetahui apakah data yang sedang diuji linear atau tidak, dapat dilihat berdasarkan output seperti yang tertera diatas. Data dikatakan linear jika persebaran datanya mendekati garis linear. Dapat dilihat dari output data diatas bahwa persebaran LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 36

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

datanya mendekati garis linear. Maka dapat dikatakan bahwa data yang diuji diatas merupakan data yang linear. 4.2.1.1.4 Pengujian Regresi Linear Sederhana Regresi linier sederhana hanya terdiri atas satu variabel independen (bebas) dan satu variabel dependen (terikat). Dalam pengujian regresi linear sederhana ini, akan diuji pengaruh antara umur dengan kebutuhan pulsa/bulan. Dalam kasus ini, umur merupakan variabel independen (bebas) sedangkan kebutuhan pulsa/bulan merupakan variabel dependen (terikat). Pengujian regresi linear sederhana dilakukan dengan dua cara yaitu dengan menggunakan software SPSS dan dengan perhitungan manual dengan menggunakan Microsoft Excel.

4.2.1.2.1 Langkah-langkah SPSS Pengujian regresi linear sederhana dapat dilakukan dengan menggunakan bantuan software SPSS 17.0. Berikut adalah langkah-langkah untuk menguji persamaan regresi menggunakan software SPSS 17.0: 1. Masukkan data yang akan diuji ke dalam Data View. 2. Klik Analyze >> Regression >> Linear 3. Lalu masukkan variabel umur ke dalam Independent dan variabel kebutuhan pulsa/bulan ke dalam Dependent
4. 5. 6.

Klik Statistics >> centang Estimates dan Descriptive >> Continue Klik Plots >> masukkan ZPRED ke X dan ZRESID ke Y >> Continue >> OK Lalu akan muncul output seperti berikut:

Tabel
Correlations kebutuhan_pulsa _per_bulan Pearson Correlation Sig. (1-tailed) kebutuhan_pulsa_per_bulan umur kebutuhan_pulsa_per_bulan umur 1.000 .812 . .000 umur .812 1.000 .000 .

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

37

ANALISIS DATA DAN STATISTIK DESKRIPTIF


N kebutuhan_pulsa_per_bulan umur 25 25 25 25

MODUL III

Sumber: Korelasi Bagian ini untuk mengetahui ada dan tidaknya hubungan antara variabel jumlah halaman dan harga buku. Jika ada, berapa besarnya hubungan kedua variabel tersebut. 1. Besar hubungan antara harga dan jumlah halaman buku ialah 0,947. Artinya hubungan kedua variabel tersebut kuat. Korelasi positif menunjukkan bahwa hubungan antara harga dan jumlah halaman searah. Artinya, jika jumlah halaman besar, maka harga akan meningkat. 2. Hubungan antara jumlah halaman dan harga buku signifikan jika dilihat dari angka signifikansi (sig) sebesar 0,000 yang lebih kecil dari 0,05. Jika angka signifikansi < 0,05 artinya ada hubungan yang signifikan antara kedua variabel tersebut. Tabel
b

Variables Entered/Removed Variables Model 1 Entered umur


a

Variables Removed Method . Enter

a. All requested variables entered. b. Dependent Variable: kebutuhan_pulsa_per_bulan

Variabel yang Dimasukkan Bagian ini menunjukkan metode dalam memasukkan variabel. Pada bagian ini terlihat bahwa metode yang dipakai saat memasukkan variabel dengan menggunakan metode Enter.

Coefficients Unstandardized Coefficients Model 1 (Constant) umur B -48.280 4.102 Std. Error 12.901 .615

Standardized Coefficients Beta t -3.742 .812 6.666 Sig. .001 .000

Collinearity Statistics Tolerance VIF

1.000

1.000

a. Dependent Variable: kebutuhan_pulsa_per_bulan

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

38

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Koefisien Regresi Bagian ini menggambarkan persamaan regresi untuk mengetahui angka konstan dan uji hipotesis signifikansi koefisien regresi: Persamaan regresinya adalah: Y = a + bX Dimana: Y = kebutuhan pulsa/bulan X = umur Oleh karena itu, persamaannya menjadi: Y = -48,280 + 4,102x 4.2.1.2.2 Pengolahan Manual Untuk menyelesaikan persamaan regresi linear sederhana, dapat dilakukan dengan langkah-langkah berikut ini: Rekapan data

Gambar Sumber 1. Menentukan persamaan garis regresi linear sederhana.

Jadi persamaan garis regresi linear sederahananya adalah: LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 39

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

2.

Pendugaan dan pengujian koefisien regresi a. Kesalahan baku regresi dan koefisien regresi sederhana 1) Kesalahan baku untuk regresi:

2) Kesalahan baku untuk koefisien regresi a (penduga a):

3) Kesalahan baku untuk koefisien regresi b (penduga b):

b.

Pengujian Hipotesis Koefisien Regresi (Parameter A dan B) 1) Menentukan formulasi hipotesis Untuk parameter A: H0 : A = A0 H1: A A0 Untuk parameter B: H0 : H1 : B B = B0 B0, X mempengaruhi Y

2) Menentukan taraf nyata () dan nilai t tabel (db) = (n-2) = (25-2) = 23 = 2,069 LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 40

ANALISIS DATA DAN STATISTIK DESKRIPTIF


3) Menentukan kriteria pengujian H0 diterima apabila -2,060 t0 2,069 H0 ditolak apabila t0 < -2,060 atau t0 > 2,069 4) Menentukan nilai uji statistik Untuk parameter A:

MODUL III

0
0

3 74231

Untuk parameter B:

6 66571

5) Membuat kesimpulan Untuk parameter A: H0 terima karena to 2,060 Untuk paramater B: H0 ditolak karena t0 > 2,060, berarti X mempengaruhi Y 4.2.1.3 Pengujian Penyimpangan Asumsi Regresi Pengujian penyimpangan asumsi regresi untuk regresi linier sederhana adalah pengujian autokorelasi. Autokorelasi berarti ada pengaruh dari variabel dalam modelnya melalui selang waktu atau tidak terjadi korelasi antara galat randomnya. Pengujian autokorelasi dilakukan sebagai berikut: 4.2.1.3.1 Langkah-langkah SPSS Autokorelasi dapat diuji dengan menggunakan SPSS. Berikut adalah langkah-langkah menguji autokorelasi dengan menggunakan SPSS: 1. 2. 3. 4. 5. 6. Masukkan data yang akan diuji ke dalam Data View. Klik Analyze >> Regression >> Linear Lalu masukkan variabel Jumlah Halaman ke dalam Independent dan variabel Harga Buku ke dalam Dependent Klik Statistics >> centang Estimates dan Descriptive >> Continue Klik Plots >> masukkan ZPRED ke X dan ZRESID ke Y >> Continue >> OK Lalu akan muncul output seperti berikut:

Tabel LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 41

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Model Summary Adjusted R Model 1 R .812


a

Std. Error of the Estimate Durbin-Watson 1.817

R Square .659

Square .644

7.053

a. Predictors: (Constant), umur b. Dependent Variable: kebutuhan_pulsa_per_bulan

Sumber:
Untuk melihat ada tidaknya autokorelasi pada data yang diuji, dapat dilihat hasilnya pada tabel Model Summary pada kolom Durbin-Watson. Data dianggap tidak terdapat autokorelasi jika nilai Durbin-Watsonnya terletak diantara 1,55 2,46. Dalam tabel diatas, nilai Durbin-Watsonnya sebesar 1,817. Jadi dapat disimpulkan bahwa data yang sedang diuji tersebut tidak autokorelasi.

4.2.1.3.2 Pengolahan Manual Autokorelasi dapat dihitung dengan rumus manual menggunakan bantuan Microsoft Excel. Langkah-langkah perhitungannya adalah sebagai berikut: 1. Menentukan formulasi hipotesis H0 H1 = = tidak ada autokorelasi dalam model regresinya ada autokorelasi dalam model regresinya ; n = 25 ; k=1

2. Menentukan nilai dan nilai d tabel = 0,05 dU = 1,45 dL = 1,29 3. Menentukan kriteria pengujian H0 diterima apabila d > 1,45 (dU) H0 diterima apabila d < 1,29 (dL) 4. Menentukan nilai uji statistik Menggunakan uji durbin watson, adapun rumusnya adalah sebagai berikut :

sehingga, d
5. Membuat kesimpulan

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

42

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

H0 diterima karena d = 1,763 > 1,45 (dU). Jadi tidak ada autokorelasi dalam model regresinya. 4.2.2 Regresi Linier Berganda Pengolahan data kedua adalah pengolahan data regresi linear berganda. Pengolahan data itu sendiri dibagi menjadi dua, yaitu pengolahan data menggunakan SPSS dan pengolahan data manual menggunakan Microsoft Excel. 4.2.2.1 Pengujian Asumsi Regresi Data regresi linear memiliki asumsi-asumsi yang harus dipenuhi dan diuji terlebih dahulu, antara lain kenormalan data, homogenitas varians, dan linieritas data. 4.2.2.1.1 Pengujian Kenormalan Data Data yang normal adalah data yang nilai mean, median, dan modusnya hampir sama dan membetuk suatu kurva normal. Pengujian kenormalan data ini dapat dilakukan dengan menggunakan bantuan software SPSS 17.0 4.2.2.1.1.1 Langkah-langkah SPSS Pengujian kenormalan data merupakan langkah yang harus dilakukan karena salah satu asumsi yang harus dipenuhi dalam regresi adalah data yang diambil haruslah berdistribusi normal. Berikut adalah langkah-langkah untuk menguji kenormalan data menggunakan SPSS: 1. Masukkan data yang akan diuji ke dalam Data View. 2. Klik Analyze >> Nonparametric Test >> 1 Sample K S 3. Lalu masukkan variabel SKS, jumlah organisasi, dan IPK ke dalam Test Variable List 4. Klik Options >> beri tanda centang pada Descriptive >> Continue 5. Pada Test Distribution, beri tanda centang Normal >> OK. Maka akan muncul output .

4.2.2.1.1.2 Output SPSS Output yang dihasilkan adalah sebagai berikut: Tabel

One-Sample Kolmogorov-Smirnov Test

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

43

ANALISIS DATA DAN STATISTIK DESKRIPTIF


IPK N a,,b Normal Parameters Most Extreme Differences Mean Std. Deviation Absolute Positive Negative 25 3,1336 ,33076 .173 .129 -.173 .863 .446 SKS 25 21.72 2.492 .260 .180 -.260 1.299 .068

MODUL III
Jumlah_Org 25 .92 .997 .228 .228 -.178 1.140 .149

Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data.

Sumber: Dari hasil output diatas dapat dilihat pada hasil Asymp. Sig. (2-tailed). Jika nilai pada hasil Asymp. Sig. (2-tailed) lebih dari 0,05, maka data berdistribusi normal. Pada output diatas, hasil Asymp. Sig. (2-tailed) untuk IPK adalah sebesar 0,446, untuk variabel SKS adalah sebesar 0,68 dan untuk variabel jumlah oragnisasi sebesar 0,149. Maka dapat disimpulkan bahwa data yang diuji tersebut berdistribusi normal.
4.2.2.1.2 Pengujian Homogenitas Varians Pengujian data dikatakan homogen jika variansinya sama. Pengujian homogenitas data ini dapat dilakukan dengan menggunakan bantuan software SPSS 17.0 4.2.2.1.2.1 Langkah-langkah SPSS Pengujian homogenitas varian data merupakan uji asumsi kedua. Untuk mendapatkan persamaan regresi yang benar, harus dipenuhi dahulu asumsi-asumsi, salah satunya adalah data harus homogen. Berikut adalah langkah-langkah untuk menguji kenormalan data menggunakan SPSS: 1. Masukkan data yang akan diuji ke dalam Data View. 2. Klik Analyze >> Regression >> Linear 3. Lalu masukkan variabel SKS dan jumlah organisasi ke dalam Independent dan variabel IPK ke dalam Dependent.

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

44

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

4. Klik Plots >> masukkan ZPRED ke X dan ZRESID ke Y >> Continue >> OK 5. Lalu akan muncul output 4.2.2.1.2.2 Output SPSS Setelah diuji, akan muncul output seperti berikut ini:

Gambar Sumber:

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

45

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Scatterplot hasil pengujian homogenitas varian diatas menunjukkan bahwa data yang sedang diuji tersebut homogen. Hal ini dapat dilihat dari sebaran data pada scatterplotnya. Jika data menyebar dan tidak membentuk pola tertentu, maka data dikatakan homogen. Maka data yang sedang kita uji tersebut merupakan data yang homogen karena datanya tersebar dan tidak membentuk pola. 4.2.2.1.3 Pengujian Linieritas Linieritas adalah keadaan dimana hubungan antara variabel dependen dengan variabel independen bersifat linier (garis lurus) dalam range variabel independen tertentu. Pengujian linieritas data ini dapat dilakukan dengan menggunakan bantuan software SPSS. 4.2.2.1.3.1 Langkah-langkah SPSS Pengujian linearitas data merupakan uji asumsi yang selanjutnya. Karena disini akan menguji persamaan regresi linear, maka data yang diuji harus memenuhi asumsi linearitas. Berikut adalah langkah-langkah untuk menguji kenormalan data menggunakan SPSS: 1. 2. 3. 4. 5. 6. Masukkan data yang akan diuji ke dalam Data View. Klik Analyze >> Regression >> Linear Lalu masukkan variabel bebas yaitu SKS dan jumlah organisasi ke dalam Indendent sedangkan IPK ke dalam Dependent(s) Klik Statistics >> centang Estimates dan Descriptive >> Continue Klik Plots >> masukkan ZPRED ke X dan ZRESID ke Y >> Continue >> OK Lalu akan muncul output.

4.2.2.1.3.2 Output SPSS Setelah diuji maka akan muncul output seperti berikut ini:

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

46

ANALISIS DATA DAN STATISTIK DESKRIPTIF

MODUL III

Gambar Sumber: Untuk mengetahui apakah data yang sedang diuji linear atau tidak, dapat dilihat berdasarkan output seperti yang tertera diatas. Data dikatakan linear jika persebaran datanya mendekati garis linear. Dapat dilihat dari output data diatas bahwa persebaran datanya mendekati garis linear. Maka dapat dikatakan bahwa data yang diuji diatas merupakan data yang linear. 4.2.2.2 Pengujian Regresi Linier Berganda Regresi linier berganda terdiri atas dua variabel independen (bebas) dan satu variabel dependen (terikat). Dalam pengujian regresi linear sederhana ini, akan diuji pengaruh antara SKS dan jumlah organisasi terhadap IPK. Dalam kasus ini, SKS dan jumlah organisasi merupakan variabel independen (bebas) sedangkan IPK merupakan variabel dependen (terikat). Pengujian regresi linear berganda dilakukan dengan dua cara yaitu dengan menggunakan software SPSS dan dengan perhitungan manual dengan menggunakan Microsoft Excel. 4.2.2.2.1 Langkah-langkah SPSS Pengujian regresi linear sederhana dapat dilakukan dengan menggunakan software SPSS. Berikut adalah langkah-langkah untuk menguji persamaan regresi menggunakan SPSS: 1. Masukkan data yang akan diuji ke dalam Data View. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

47

ANALISIS DATA DAN STATISTIK DESKRIPTIF


2. 3. 4. 5. 6. Klik Analyze >> Regression >> Linear

MODUL III

Lalu masukkan variabel bebas yaitu lama penggunaan SKS dan jumlah organisasi ke dalam Independent sedangkan IPK ke dalam Dependent(s) Klik Statistics >> centang Estimates dan Descriptive >> centang Durbin Watson >> Continue Klik Plots >> masukkan ZPRED ke X dan ZRESID ke Y >> Continue >> OK Lalu akan muncul output seperti berikut:

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

48

Anda mungkin juga menyukai