Tgl Praktikum

: 14 November 2014

Tgl Pengumpulan

: 27 November 2014

LEMBAR PENILAIAN
MODUL 3 : HUBUNGAN ANTAR VARIABEL

Nama : Dimas Panji Budi Prasetyo NIM

NO.
1
2
3
4
5
6

KETERANGAN
Pendahuluan
Tinjauan Pustaka
Materi dan Metode
Hasil dan Pembahasan
Penutup
Daftar Pustaka
TOTAL

: 26020113140114 Ttd :...................

NILAI

Mengetahui,
Koordinator Praktikum

Asisten

Julian Aditya Ghaffar

Ika Ayuningtyas

NIM. 26020112130070

NIM. 26020112120004

I.

PENDAHULUAN

I.1. Latar Belakang

Banyak peristiwa atau kejadian di sekitar yang memiliki keterkaitan dan berhubungan satu
sama lain. Namun, hubungan dari dua atau lebih kejadian tersebut susah dijelaskan secara eksak.
Para ilmuwan sering menggunakan korelasi dan regresi untuk melihat hubungan dari dua peristiwa
yang secara teoritis berhubungan namun persamaan eksak atau empiriknya susah dicari. Jadi, secara
naluri paham bahwa peristiwa-peristiwa tersebut berhubungan tetapi belum dapat menjelaskan
keteraturan itu secara pasti. Sehingga korelasi dan analisis regresi inilah yang baik digunakan untuk
menunjukkan seberapa dekat dan bagaimana pola hubungan dua peubah, peristiwa, fenomena, atau
kejadian.
Dalam ilmu statistika sering dilakukan analisis terhadap sebuah atau kumpulan data. Data
dibedakan menjadi data kuantitatif dan data kualitatif. Data kuantitatif merupakan data yang bisa
diukur dan memiliki satuan, sedangkan data kualitatif merupakan data yang bisa dihitung dan
dinyatakan dalam skala ordinal maupun nominal. Metode yang sering digunakan untuk
menganalisis data adalah analisis mengenai sebuah karakteristik (untuk data kualitatif) dan
mengenai sebuah variabel, diskrit maupun kontinu (untuk data kuantitatif).
Tetapi, banyak persoalan yang meliputi lebih dari satu variabel. Misalnya, berat ikan sampai
taraf tertentu tergantung pada besar badannya. Sehingga mempelajari analisis data yang terdiri atas
banyak variabel itu perlu. Jika terdapat data yang terdiri dari dua variabel atau lebih, maka harus
dipelajari bagaimana variabel-variabel itu berhubungan. Hubungan tersebut dinyatakan dalam
bentuk persamaan yang bisa dipelajari melalui analisis regresi. Dalam analisis regresi, dinyatakan
hubungan fungsional antara variabel-variabel dan ditinjau bagaimana persamaan regresi linier
sederhananya dan bagaimana pengujian terhadap parameter-parameter dalam persamaan regresi
tersebut.
Selain itu, jika data hasil pengamatan terdiri dari banyak variabel, perlu diukur seberapa kuat
hubungan antara variabel-variabel itu terjadi. Dengan kata lain, perlu ditentukan derajat hubungan
antara variabel-variabel itu. Studi yang membahas tentang derajat hubungan antara variabelvariabel dikenal dengan nama analisis korelasi. Ukuran yang dipakai untuk mengetahui derajat
hubungan, terutama untuk data kuantitatif dinamakan koefisien korelasi.
Jadi, dari analisis regresi dapat diketahui pola hubungan antara dua variabel atau lebih. Dalam
laporan ini pola hubungan variabel yang akan dianalisis adalah variabel panjang dan lebar cangkang
dengan bergantung pada berat daging dan berat total.

I.2. Tujuan
1. Melakukan analisis korelasi dan pengujian serta menjelaskan koefisien
2. Melakukan analisis regresi dan melakukan pengujian seta menjelaskan koefisien regresi
I.3. Manfaat
1. Mahasiswa mampu membuat analisis korelasi menggunakan program SPSS
2. Mahasiswa mampu menghitung analisis regresi dengan program SPSS

II.

TINJAUAN PUSTAKA

II.1. Regresi
Regresi adalah bagaimana satu variabel yaitu variabel dependen dipengaruhi oleh satu atau
lebih variabel lain yaitu variabel independen dengan tujuan untuk memprediksi nilai rata-rata
variabel dependen didasarkan pada nilai variabel independen yang telah diketahui. Tujuan utama
regresi adalah untuk memprediksi nilai variabel dependen berdasarkan satu atau lebih variabel
independen Banyak kasus dalam analisis regresi dimana variabel dependennya bersifat kualitatif.
Variabel dependen ini bisa mempunyai dua kelas atau kategori (biner) dan lebih dari 1 kelas
(multinomial). Salah satu pendekatan yang digunakan untuk mengestimasi model regresi dengan
variabel dependen bersifat kualitatif adalah dengan model probabilitas logistik atau disingkat logit.
Subagyo (2005) menyatakan bahwa variabel dalam regresi logistik dapat berupa kategori atau
kualitatif. Tujuan melakukan analisis data menggunakan regresi logistik adalah untuk mendapatkan
model terbaik dan sederhana, namun model tersebut sejalan dengan tinjauan dari ilmu biologi untuk
menjelaskan hubungan di antara hasil (variabel respon) dengan variabel-variabel bebas (variabel
penjelas) (Subagyo, 2005).
Analisis ini menurut Sudjana (2005) digunakan oleh peneliti bila peneliti bermaksud
meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila ada satu
variabel independen sebagai prediktor dimanipulasi (dinaik turunkan nilanya). Persamaan yang
diperoleh dari regresi sederhana adalah Y = a + b X
y

= adalah subjek nilai dalam variabel terikat yang diprediksikan

= harga Y bila X = 0 (harga konstan)

= angka arah koefisien regresi

= subjek pada variabel bebas yang mempunyai nilai tertentu.

Untuk memperoleh hasil perhitungan Regresi, dapat dilakukan dengan tiga cari yaitu
perhitungan manual, menggunakan fungsi pada MS. Excel, atau menggunakan Software Statistik
(SPSS) (Imam Ghozali,2009).
II.2. Polinomial
Regresi polinomial merupakan regresi linier berganda yang dibentuk dengan menjumlahkan
pengaruh variabel prediktor (X) yang dipangkatkan secara meningkat sampai orde ke-k. Model
regresi polinomial, struktur analisisnya sama dengan model regresi linier berganda. Artinya, setiap

pangkat atau orde variabel prediktor (X) pada model polinomial, merupakan transformasi variabel
awal dan dipandang sebagai sebuah variabel prediktor (X) baru dalam linier berganda (Julyanti,
2012).
Polynomial adalah satu konsep yang sangat penting dalam aljabar. Ia merupakan perkara yang
perlu dikuasai sebelum seseorang itu pergi lebih lanjut lagi dalam mempelajari aljabar.
Dalam matematika, polinomial atau suku banyak (juga ditulis suku banyak) adalah pernyataan
matematika yang melibatkan jumlahan perkalian pangkat dalam satu atau lebih variabel dengan
koefisien. Sebuah polinomial dalam satu variabel dengan koefisien konstan memiliki bentuk seperti
berikut:

Pangkat tertinggi pada suatu polinomial menunjukkan orde atau derajat dari polinomial
tersebut (Julyanti, 2012).
II.3. Korelasi
Dalam kegiatan statistik khususnya statistik inferensial, analisis korelasi merupakan hubungan
antara dua variabel atau lebih, yaitu antara variable bebas dan variable terikat. Hubungan korelasi
terdiri atas dua jenis yakni bivariate dan multivariate correlation. Bevariated correlation yaitu
analisis terhadap hubungan antara dua variable, satu varaiabel bebas dengan satu variable terikat,
sedangkan multivariate correlation yaitu analisis hubungan antara lebih dua variable bebas. Variabel
yang dikorelasikan dalam analisis korelasional adalah hubungan antara dua variable yang terdiri
dependend variable terikat atau varaibel yang dipengaruhi dan independend vriabel yang
mempengaruhi atau disebut juga variable bebas (Darwyan Syah: 91: 2007).
Kata Korelasi berasal dari bahasa inggris yaitu Correlation yang dalam bahasa Indonesia
artinnya hubungan atau saling hubung atau hubungan timbale balik. Dalam dunia statistik
pendidikan korelasi adalah hubungan antara dua variable atau lebih yang sifatnnya kuantitatif.
Lambang yang digunakan korelasi adalah rxy artinnya korelasi antara variable X dan variable Y.
Nilai korelasi berkisar antara 0 (nol) sampai dengan 1.00 artinya nilai korelasi paling rendah adalah
nol dan paling tinggi adalah 1.00 (Moh Hariadi: 132: 2009).
Korelasi adalah istilah statistic yang menyatakan derajat hubungan linear antara dua variable
atau lebih, yang ditemukan oleh Karl Pearson pada awal 1900 oleh itu terkenal dengan sebutan
korelasi pearson product moment (PPM) Korelasi adalah salah satu teknik analisis statistic yang
paling banyak digunakan oleh para peneliti, karena peneliti pada umumnya tertarik terhadap
peristiwa-peristiwa yang terjadi dan mencoba untuk menghubungkannya. Misalnnya kita ingin

menghubungkan antara tinggi badan dan berat badan, antara umur dengan tekanan darahnya, antara
motivasi dengan prestasi belajar atau bekerja dan seterusnya (Husaini Usman: 197: 2006).

III.

MATERI DAN METODE

III.1.
Materi
III.1.1.Waktu dan Tempat
Hari, Tanggal
: Jumat, 21 November 2014
Waktu
: 13.00 14.40 WIB
Tempat
: Ruang E.301 FPIK Uiversitas Diponegoro
III.1.2.Alat dan Bahan
Tabel 1. Alat Praktikum
No

Nama Alat

1.

Komputer

2.

Modul

3.

SPSS

Gambar

Fungsi
Sebagai alat pengolah data
SPSS

Sebagai pedoman praktikum

Sebagai software pengolah

data statistik

Tabel 2. Bahan Praktikum

No
1.

Nama bahan
Data THC

Gambar

Fungsi
Sebagai data yang akan
diolah

III.2.
Metode
1. Alat dan bahan prakikum disiapkan
2. Buka SPSS.exe untuk menjalankan software SPSS pilih type new data

3. Pada variable view kolom 1 diisi panjang dengan label panjang cangkang, dan kolom
2 diisi lebar dengan label lebar cangkang

4. Tambahkan tiga angka belakang NIM (0,114) ke masing-masing data kemudian masukkan
data ke data view

5. Klik transform variable compute variable, lalu klik all pilih Lg10, kemudian
pindahkan panjang cangkang kedalam log OK

6. Setelah keluar variable Log_p, klik transform variable compute variable, lalu klik all
pilih Lg10, kemudian pindahkan lebar cangkang kedalam log OK

7. Selanjutnya klik Analyze Regression Linear

8. Pindahkan lebar cangkang ke dependent dan panjang cangkang ke independent

9. Klik statistics lalu centang descriptive lalu centang descriptive dan all cases

10. Klik plots, pindahkan sresid ke Y dan zpred ke X

11. Kemudian klik OK maka akan keluar output

12. Buka data baru dengan klik file new data. Lalu pilih type new data

13. Pada variable view kolom 1 diisi panjang dengan label panjang cangkang, dan kolom
2 diisi lebar dengan label lebar cangkang, kolom 3 tebal, kolom 4 berat daging,
kolom 5 berat total.

14. Tambahkan tiga angka belakang NIM (0,114) ke masing-masing data kemudian masukkan
data ke data view

15. Klik analyze correlate bivariate

16. Pindahkan semua yang ada di kolom kiri ke kolom kanan, klik option lalu centang means
and standar deviation lalu klik OK

17. Akan muncul correlations pada output

18. Kemudian klik analyze general linear model multivariate. Panjang dan lebar
dipindahkan ke dependent, sisanya dipindahkan ke fixed factor

19. Klik contrast kemudian berat daging dan berat total diubah menjadi polynomial, klik OK

20. Akan muncul output general linear model

21. Selanjutnya klik analyze correlate partial

22. Pindahkan panjang dan lebar ke variables, dan sisanya ke controlling for

23. Klik option lalu centang means and standar deviation, kemudian klik OK maka akan
muncul output partial corr

IV.

IV.1. Hasil

HASIL DAN PEMBAHASAN

Notes
Output Created

26-Nov-2014 21:25:23

Comments
Input

Active Dataset

DataSet0

Filter

<none>

Weight

<none>

Split File

<none>

N of Rows in Working Data File

Missing Value Handling

Definition of Missing

154
User-defined missing values are treated as
missing.

Cases Used

Statistics are based on cases with no

missing values for any variable used.

Syntax

REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR
SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT lebar
/METHOD=ENTER panjang
/SCATTERPLOT=(*SRESID ,*ZPRED)
/RESIDUALS NORM(ZRESID)
/CASEWISE PLOT(ZRESID) ALL.

Resources

Processor Time

00:00:01.203

Elapsed Time

00:00:01.288

Memory Required
Additional Memory Required for
Residual Plots

1388 bytes

568 bytes

Regression
Descriptive Statistics
Mean

Std. Deviation

lebar cangkang

1.7180

.39419

154

panjang cangkang

2.5455

.48384

154

Correlations
lebar cangkang
Pearson Correlation

lebar cangkang

1.000

.839

.839

1.000

.000

panjang cangkang

.000

lebar cangkang

154

154

panjang cangkang

154

154

panjang cangkang
Sig. (1-tailed)

lebar cangkang

Variables Entered/Removedb
Variables
Model
1

panjang cangkang

Variables Entered

Removed

panjang cangkanga

a. All requested variables entered.

b. Dependent Variable: lebar cangkang

Method
. Enter

Model Summaryb
Std. Error of the
Model

R Square
.839a

Adjusted R Square

.704

Estimate

.702

.21505

a. Predictors: (Constant), panjang cangkang

b. Dependent Variable: lebar cangkang

ANOVAb
Model
1

Sum of Squares
Regression
Residual
Total

df

Mean Square

16.745

16.745

7.029

152

.046

23.774

153

Sig.
.000a

362.104

a. Predictors: (Constant), panjang cangkang

b. Dependent Variable: lebar cangkang

Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)
panjang cangkang

a. Dependent Variable: lebar cangkang

Std. Error
-.022

.093

.684

.036

Coefficients
Beta

.839

Sig.
-.241

.810

19.029

.000

Casewise Diagnosticsa
Case
Number

Std. Residual

lebar cangkang

Predicted Value

Residual

-.403

1.06

1.1467

-.08675

-.403

1.06

1.1467

-.08675

-.330

1.11

1.1809

-.07093

-.171

1.11

1.1467

-.03675

-.349

1.14

1.2151

-.07512

-.288

1.16

1.2220

-.06196

-.564

1.21

1.3314

-.12136

-.024

1.21

1.2151

-.00512

-.342

1.21

1.2835

-.07350

10

-.342

1.21

1.2835

-.07350

11

-.024

1.21

1.2151

-.00512

12

-.408

1.23

1.3177

-.08768

13

-.493

1.28

1.3861

-.10606

14

-.302

1.28

1.3450

-.06503

15

-.606

1.29

1.4202

-.13025

16

-.354

1.31

1.3861

-.07606

17

-.036

1.31

1.3177

-.00768

18

-.513

1.31

1.4202

-.11025

19

.123

1.31

1.2835

.02650

20

-.735

1.31

1.4681

-.15811

21

-.784

1.32

1.4886

-.16862

22

-.307

1.32

1.3861

-.06606

23

-.165

1.33

1.3655

-.03555

24

-.134

1.33

1.3587

-.02871

25

-.119

1.34

1.3655

-.02555

Residuals Statisticsa
Minimum

Maximum

Mean

Std. Deviation

Predicted Value

1.1467

2.4801

1.7180

.33083

154

Std. Predicted Value

-1.727

2.304

.000

1.000

154

.017

.044

.024

.006

154

1.1477

2.4788

1.7182

.33099

154

-.75288

1.13113

.00000

.21434

154

Std. Residual

-3.501

5.260

.000

.997

154

Stud. Residual

-3.537

5.282

.000

1.003

154

-.76822

1.14077

-.00017

.21718

154

-3.679

5.827

.006

1.037

154

Mahal. Distance

.000

5.306

.994

1.028

154

Cook's Distance

.000

.128

.007

.020

154

Centered Leverage Value

.000

.035

.006

.007

154

Standard Error of Predicted

Value
Adjusted Predicted Value
Residual

Deleted Residual
Stud. Deleted Residual

a. Dependent Variable: lebar cangkang

Charts

Correlations
Notes
Output Created

26-Nov-2014 23:20:04

Comments
Input

Active Dataset

DataSet1

Filter

<none>

Weight

<none>

Split File

<none>

N of Rows in Working Data File

Missing Value Handling

Definition of Missing

154
User-defined missing values are treated as
missing.

Cases Used

Statistics for each pair of variables are

based on all the cases with valid data for
that pair.

Syntax

CORRELATIONS
/VARIABLES=panjang lebar tebal
berat_daging berat_total
/PRINT=TWOTAIL NOSIG
/STATISTICS DESCRIPTIVES
/MISSING=PAIRWISE.

Resources

Processor Time

00:00:00.031

Elapsed Time

00:00:00.014

Descriptive Statistics
Mean

Std. Deviation

panjang

2.5455

.48384

154

lebar

1.7180

.39419

154

tebal

1.5247

.39422

154

berat daging

1.9735

.84632

154

berat total

6.2078

2.85976

154

Correlations
panjang
panjang

lebar

tebal

berat daging

berat total

berat total

.854**

.878**

.906**

.000

.000

.000

.000

154

154

154

154

154

.839**

.820**

.826**

.860**

.000

.000

.000

N
Pearson Correlation

berat daging

.839**

Pearson Correlation
Sig. (2-tailed)

lebar

tebal

Sig. (2-tailed)

.000

154

154

154

154

154

.854**

.820**

.838**

.882**

Sig. (2-tailed)

.000

.000

.000

.000

154

154

154

154

154

.878**

.826**

.838**

.967**

Sig. (2-tailed)

.000

.000

.000

154

154

154

154

154

.906**

.860**

.882**

.967**

Sig. (2-tailed)

.000

.000

.000

.000

154

154

154

154

Pearson Correlation

Pearson Correlation

Pearson Correlation

**. Correlation is significant at the 0.01 level (2-tailed).

.000

154

General Linear Model

Notes
Output Created

26-Nov-2014 23:28:25

Comments
Input

Active Dataset

DataSet1

Filter

<none>

Weight

<none>

Split File

<none>

N of Rows in Working Data File

Missing Value Handling

Definition of Missing

25
User-defined missing values are treated as
missing.

Cases Used

Statistics are based on all cases with valid

data for all variables in the model.

Syntax

GLM panjang lebar BY tebal berat_daging

berat_total
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/CRITERIA=ALPHA(.05)
/DESIGN= tebal berat_daging berat_total
tebal*berat_daging tebal*berat_total
berat_daging*berat_total
tebal*berat_daging*berat_total.

Resources

Processor Time

00:00:00.047

Elapsed Time

00:00:00.051

Between-Subjects Factors
N
tebal

berat daging

0.81

0.91

0.98

1.01

1.02

1.06

1.08

1.11

1.14

1.16

1.17

1.18

1.21

1.22

1.28

0.49

0.53

0.54

0.57

0.61

0.63

0.93

1.05

1.08

1.12

Tests of Between-Subjects Effects

Dependent

Type III Sum of

Source

Variable

Corrected Model

panjang

.518a

24

.022

lebar

.189a

24

.008

panjang

91.302

91.302

lebar

37.010

37.010

panjang

.000

lebar

.000

panjang

.000

lebar

.000

panjang

.000

lebar

.000

panjang

.000

lebar

.000

panjang

.000

lebar

.000

panjang

.000

lebar

.000

panjang

.000

lebar

.000

panjang

.000

lebar

.000

panjang

95.152

25

lebar

38.530

25

panjang

.518

24

lebar

.189

24

Intercept

tebal

berat_daging

berat_total

tebal * berat_daging

tebal * berat_total

berat_daging * berat_total

tebal * berat_daging *

Squares

df

Mean Square

Sig.

berat_total

Error

Total

Corrected Total

Partial Corr
Notes
Output Created

26-Nov-2014 23:32:46

Comments
Input

Active Dataset

DataSet1

Filter

<none>

Weight

<none>

Split File

<none>

N of Rows in Working Data File

Missing Value Handling

Definition of Missing

155
User defined missing values are treated as
missing.

Cases Used

Statistics are based on cases with no

missing data for any variable listed.

Syntax

PARTIAL CORR
/VARIABLES=panjang lebar BY tebal
berat_daging berat_total
/SIGNIFICANCE=TWOTAIL
/STATISTICS=DESCRIPTIVES
/MISSING=LISTWISE.

Resources

Processor Time

00:00:00.016

Elapsed Time

00:00:00.007

Descriptive Statistics
Mean

Std. Deviation

panjang

2.5421

.48404

155

lebar

1.7155

.39408

155

tebal

1.5223

.39415

155

berat daging

1.9689

.84551

155

berat total

6.1911

2.85802

155

Correlations
Control Variables
tebal & berat daging & berat

panjang
panjang

Correlation

lebar

1.000

.226

Significance (2-tailed)

.005

df

150

Correlation

.226

1.000

Significance (2-tailed)

.005

df

150

total

lebar

IV.2. Pembahasan
IV.2.1. Interpretasi Hasil
Praktikum kali ini melakukan sebuah analisis data menggunakan SPSS dengan metode
Regresi, Korelasi dan Polinomial. Pada metode regresi menggunakan regresi linear merupakan
suatu model yang diasumsikan mengikuti betuk linier atau garis lurus hubungan antara 2
variabel yang disebut sebagai dependent variabel dan variabel predictor. Menggunakan metode
regresi diperoleh hasil pada tabel Descriptive Statistics, mendapatkan rata-rata dari lebar
cangkang sebesar 1.71 cm dan untuk panjang cangkang sebesar 2.54 cm. sedangkan untuk
standart deviasi pada lebar cangkang sebasar 0.39 dan untuk panjang cangkang sebesar 0.48,
semuanya diperoleh dari 155 data. Angka standart deviasi standar tersebut menggambarkan
besarnya nilai kesalahan pada pengukuran panjang dan lebar cangkang. Sehingga dari data
tersebut berarti bahwa pengukuran panjang dan lebar cangkang sudah mendekati nilai yang
sebenarnya.
Selanjutnya menggunakan metode korelasi, pada metode korelasi kali ini menggunakan
3 macam metode korelasi yaitu metode korelasi bivariate, korelasi multivariate dan korelasi
partial. Dengan menggunakan metode tersebut pada tabel korelasi, didapatkan bahwa nilai
pearson correlasion lebar cangkang terhadap panjang cangkang sebesar 0.839. karena nilai
pearson correlation mendekati angka 1, maka dapat dikatakan bahwa ukuran panjang cangkang
sangat berpengaruh denngan lebar cangkang. Hal ini didukung dengan nilai Sig sebesar 0.00
dimana nilai ini lebih kecil dari 0.05, yang berarti bahwa kedua variable tersebut memiliki
hubungan yang nyata.
Pada tabel Model Summary, koefisien korelasi sebesar 0.839 dan standar R sebesar
0.704 . sedangkan standart error sebesar 0.21505 yang lebih kecil dari pada nilai standar
deviasi. Sehingga dapat diartikan standaar deviasi lebih baik dari pada estimasi.
Pada tabel Anova, df residual merupakan jumlah data dikurangi 2. Sehingga pada tabel
ini nilai df residual sebesar 152. Sedangkan nilai Sig sebesar 0.00 dimana nilai ini lebih kecil
dari 0.05, yang berarti bahwa kedua variable tersebut memiliki hubungan yang nyata. Atau
dapat dikatan tolak H0 dan terima H1 , sehingga hipotesa bahwa lebar cangkang mempengaruhi
panjang cangkang adalah benar.
IV.2.2. Perbedaan Analisis Polonomial dan Regresi
Analisis polinomial merupakan regresi linier berganda yang dibentuk dengan
menjumlahkan pengaruh variabel prediktor (X) yang dipangkatkan secara meningkat sampai
orde ke-k. Model regresi polinomial, struktur analisisnya sama dengan model regresi linier
berganda. Artinya, setiap pangkat atau orde variabel prediktor (X) pada model polinomial,
merupakan transformasi variabel awal dan dipandang sebagai sebuah variabel prediktor (X)
baru dalam linier berganda. Analisis polynomial merupakan regresi non linier yaitu regresi
dengan sebuah variable bebas sebagai faktor dengan pangkat terurut.

Analisis regresi merupakan suatu metode statistik untuk menyelidiki dan memodelkan
hubungan antara satu variabel respon Y dengan satu atau lebih variabel prediktor X . Hubungan
antara variabel prediktor X dan variabel respon Y secara umum dapat dimodelkan dengan
sebuah fungsi regresi. Menentukan fungsi taksiran regresi dapat dilakukan secara parametrik
dan nonparametrik.Fungsi regresi ditaksir secara nonparametrik dengan metode regresi
polinomial lokal. Regresi polinomial adalah suatu metode regresi nonparametrik, dengan fungsi
regresi ditaksir menggunakan bentuk polinomial. Jika pada regresi polinomial biasa persamaan
regresi di-fit untuk seluruh wilayah data maka dalam regresi polinomial persamaan regresi difit sepotong-sepotong.
Model Regresi berganda adalah model regresi yang melibatkan satu variabel respon
dengan beberapa variabel bebas. Sedangkan model regresi polinomial adalah model regresi
yang melibatkan satu variabel respon Y dengan beberapa varibel bebas yang merupakan bentuk
perpangkatan dari satu variabel bebas X.
IV.2.3. Alasan Memakai Analisis Regresi dan Korelasi
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep berbeda dengan
analisis regresi. Analisis korelasi adalah mengukur suatu tingkat atau kekuatan hubungan linear
antara dua variabel. Koefisien korelasi adalah mengukur kekuatan hubungan linear. Dalam
analisis korelasi, kita menggunakan dua variabel yang simetris, sehingga tidak ada perbedaan
antara variabel terikat dengan variabel penjelas. Selanjutnya, dua variabel tersebut diasumsikan
random. Seperti yang telah kita ketahui, bahwa kebanyakan teori korelasi berdasarkan pada
asumsi variabel random, di mana kebanyakan teori regresi berdasarkan pada asumsi variabel
tergantung stokastik dan variabel bebas adalah tertentu atau non stokastik. Meskipun demikian,
dalam analisis yang lebih mendalam, kita dapat mempertimbangkan kembali asumsi bahwa
variabel penjelas merupakan non stokastik. Pada uji regresi perhitungan korelasi menjadi
bagian dalam analisis yang digunakan untuk menentukan koefisien determinasi. Dengan
demikian dapat dikatakan korelasi merupakan bagian dari analisis regresi ,namun tidak berlaku
sebaliknya.Melalui analisis korelasi kita dapat menyatakan adanya hubungan antar variable,
maka dengan analisis regresi kita dapat memperkirakan pengaruh variable terhadap variable
lainnya.

IV.2.4. Perbedaan Regresi di Excel dan di SPSS

Jika menggunakan Microsoft Excel kita harus memperoleh data secara manual.hasil
yang di dapatkan pada Microsoft Excel juga tidak langsung sempurna,melainkan kita harus
mengolah data kembali untuk mencapai hasil yang diinginkan pada setiap analisa.Sedangkan
kalau memakasi Regresi pada sofware SPSS,kita tinggal memasukkan data yang akan di
analisa dan hasil langsung keluar dengan sempurna jadi tidak perlu mengolah data kembali
secara manual dan sudah akan terlihat persamaan secara otomatis sehingga didapatkan
analisisnya.
IV.2.5. Hubungan Antara Regresi, Korelasi dan Polinomial
Hubungan antara Regresi, Korelasi ,dan Polinomial yaitu diperoleh dalam persamaan
matematika yang menyatakan hubungan fungsional antara variable-variabel. Hubungan
fungsional antara satu variable predictor dengan satu variable kriterium disebut analisis regresi
tunggal sedangkan hubungan fungsional yang lebih dari satu variable disebut analisis regresi
ganda.

V.

PENUTUP

V.1. Kesimpulan
1. Analisis polynomial merupakan regresi non linier yaitu regresi dengan sebuah variable
bebas sebagai factor dengan pangkat terurut. Polinomial tersebut memiliki fungsi Y= a +
bx
2. Analisis Regresi adalah salah satu metode yang sangat popular dalam mencari hubungan
antara 2 variabel atau lebih.
3. Analisis reegresi menggunakan program SPSS menghasilkan kesimpulan bahwa lebar
cangkang mempengaruhi panjang cangkang.
V.2. Saran
Sebaiknya saat melakukan praktikum sebelumnya diberitahukan terlebih dahulu tahapantahapan yang akan dilakukan, dengan memberikan gambaran tentang langkah yang akan dilakukan
maka praktikan akan lebih mudah mengerti.

DAFTAR PUSTAKA
Ghozali, Imam. 2009. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : BPUNDIP
Hariyadi, Moh. 2009. Statistik Pendidikan. Jakarta. Prestasi Pustaka
Julyanti. 2012. Pengembangan Model Regresi Polinomial Bergandpada Kasus Data Pemasaran.
Manado. Univesitas Sam Ratulangi.
Subagyo dan Djarwanto.2005.Statistika Induktif Edisi 5.Yogyakarta:BPFE
Sudjana. 2005. Metode Statistika, Tarsito, Bandung : Tarsito.
Syah, Darwyan, Drs, Mpd, MSi. 2007. Pengantar Statistik Pendidikan. Jakarta. Gaung Persada
Press
Usman, Husaini, Prof, Drs, MPd, MT. 2006. Pengantar Statistika. Jakarta. Bumi Aksara