: 14 November 2014
Tgl Pengumpulan
: 27 November 2014
LEMBAR PENILAIAN
MODUL 3 : HUBUNGAN ANTAR VARIABEL
NO.
1
2
3
4
5
6
KETERANGAN
Pendahuluan
Tinjauan Pustaka
Materi dan Metode
Hasil dan Pembahasan
Penutup
Daftar Pustaka
TOTAL
NILAI
Mengetahui,
Koordinator Praktikum
Asisten
Ika Ayuningtyas
NIM. 26020112130070
NIM. 26020112120004
I.
PENDAHULUAN
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
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.
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
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
9. Klik statistics lalu centang descriptive lalu centang descriptive dan all cases
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
16. Pindahkan semua yang ada di kolom kiri ke kolom kanan, klik option lalu centang means
and standar deviation lalu klik OK
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
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
Notes
Output Created
26-Nov-2014 21:25:23
Comments
Input
Active Dataset
DataSet0
Filter
<none>
Weight
<none>
Split File
<none>
Definition of Missing
154
User-defined missing values are treated as
missing.
Cases 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
Method
. Enter
Model Summaryb
Std. Error of the
Model
R Square
.839a
Adjusted R Square
.704
Estimate
.702
.21505
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
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1
B
(Constant)
panjang 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
-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
.000
.035
.006
.007
154
Deleted Residual
Stud. Deleted Residual
Charts
Correlations
Notes
Output Created
26-Nov-2014 23:20:04
Comments
Input
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Definition of Missing
154
User-defined missing values are treated as
missing.
Cases Used
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
.000
154
26-Nov-2014 23:28:25
Comments
Input
Active Dataset
DataSet1
Filter
<none>
Weight
<none>
Split File
<none>
Definition of Missing
25
User-defined missing values are treated as
missing.
Cases Used
Syntax
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
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>
Definition of Missing
155
User defined missing values are treated as
missing.
Cases Used
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.
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