Korelasi

Ingin mengetahui apakah diantara dua variable terdapat hubungan, dan jika ada hubungan, bagimana arah hubungan dan seberapa besar hubungan tersebut.

Arti angka korelasi

Ada dua hal dalam penafsiran korelasi, yaitu: tanda + atau yang berhubungan dengan arah korelasi, serta kuat tidaknya korelasi.
Correlations PERNGALA USIA GAJI MAN KERJA KARYAWAN KARYAWAN KARYAWAN 1 .676 ** .438 ** . .000 .000 75 75 75 .676 ** 1 .728 ** .000 . .000 75 75 75 .438 ** .728 ** 1 .000 .000 . 75 75 75

USIA KARYAWAN

GAJI KARYAWAN

PERNGALAMAN KERJA KARYAWAN

Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N

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

Sebagai contoh (data karyawan), antara gaji dengan usia, didapat + 0,676, maka artinya: Arah korelasi adalah positif, yang berarti semakin tinggi/meningkat usia karyawan maka gajinya cenderung semakin besar, dan sebaliknya. Lebih jauh, besar korelasi yang > 0,5, berarti usia berkorelasi kuat dengan gaji karyawan Demikian pula untuk korelasi usia dengan pengalaman kerja, dan antara gaji dengan pengalaman kerja, semua menunjukkan arah yang positif, hanya antara usia karyawan dengan pengalaman kerja karyawan korelasinya lemah (hanya 0,438 atau < dari 0,5).

Selanjutnya untuk mengukur signifikansi dari hasil korelasi:

H0 = tidak ada hubungan (korelasi) antara dua variabel H1 = ada hubungan (korelasi) antara dua variabel

Dasar pengambilan keputusan:

Dengan membandingkan t hitung dengan t tabel, atau membandingkan F hitung dengan F tabel jika t hitung > t tabel (jika F hitung > F tabel) maka H0 ditolak berarti H1 diterima dan sebaliknya. Dengan melihat probabilitas atau sig dibandingkan dengan alfha, maksudnya: Jika probabilitas/sig >0,05 (atau 0,01 jika alfhanya 1%) maka H0 diterima berarti H1 ditolak Jika probabilitas/sig <0,05 (atau 0,01 jika alfhanya 1%) maka H0 ditolak berarti H1 diterima

Menunjuk pada out put data karyawan:

o Semua angka probabilitas/sig. adalah 0,000 berarti semua variabel memang secara nyata/meyakinkan berkorelasi (signifikan) MAKSUDNYA H0 DITOLAK dan H1 DITERIMA o Dapat juga dilihat berdasarkan tanda * pada angka korelasi, yang artinya angka korelasi adalah signifikan

(BAIK H1 DITERIMA ATAU DITOLAK)

Correlations C.FANILA Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N C.FANILA 1 . 10 .746* .013 10 .562 .091 10 C.SUSU C.KACANG .746* .562 .013 .091 10 10 1 .449 . .193 10 10 .449 1 .193 . 10 10

C.SUSU

C.KACANG

*. Correlation is significant at the 0.05 level (2-tailed).

Contoh lain (data 4 buku SPSS)

Berdasarkan out put, maka dapat dikemukakan bahwa: Angka korelasi antara fanila dengan susu adalah korelasi positif dan kuat (0,746), berarti jika penjualan fanila semakin tinggi ada kecenderungan bahwa penjualan susu pun juga semakin meningkat. Demikian pula angka korelasi antara fanila dengan kacang, namun disini tidak terlalu kuat/agak kuat (0,562) Sedangkan untuk angka korelasi antara susu dengan kacang, agak lemah (< 0,5) Sedangkan signifinasi hasil korelasinya, hanya fanila dengan susu saja yang signifikan (sig. < 0,05), sementara hubungan antara fanila dengan kacang dan susu dengan kacang tidak signifikan (sig.>0,05)

Korelasi parsial
Memasukkan satu variable tambahan yang berfungsi sebagai pengontrol dari dua variable yang berkorelasi terdahulu.
- - P A R T I A L C O R R E L A T I O N KERJA USIA .5797 ( 72) P= .000 1.0000 ( 0) P= . C O E F F I C I E N T S - - -

Controlling for.. GAJI GAJI 1.0000 ( 0) P= . .5797 ( 72) P= .000

USIA

(Coefficient / (D.F.) / 2-tailed Significance) " . " is printed if a coefficient cannot be computed

Data karyawan:
Dibanding dengan korelasi antara gaji dengan usia tanpa variabel pengontrol (analisis sebelumnya) yakni 0,676, maka dengan adanya variabel pengontrol (pengalaman kerja) menjadi 0,5797 (0,580/lebih rendah) dan tanda korelasinya positif, berarti semakin lama pengalaman kerja seorang karyawan, jika usia meningkat maka ada kecenderungan gaji karyawan akan meningkat, dan sebaliknya. Derajat Kebebasan (degree of Freedom/Df = N k 1, Df data karyawan adalah 72 { karena 75-2 (k = variabel)-1}.

Nonparametric Correlations
C rrela o tion s K dall's ta en u_b P E TA I RS S C orre latio C n oeffic ient S (2-tailed) ig. N C orre latio C n oeffic ient S (2-tailed) ig. N C orre latio C n oeffic ient S (2-tailed) ig. N C orre latio C n oeffic ient S (2-tailed) ig. N C orre latio C n oeffic ient S (2-tailed) ig. N C orre latio C n oeffic ient S (2-tailed) ig. N P E TA I RS S 1.0 00 . 11 -.343 .240 11 .291 .306 11 1.0 00 . 11 -.389 .237 11 .340 .306 11 K A TIF EK -.34 3 .24 0 11 1 .000 . 11 .18 0 .52 1 11 -.38 9 .23 7 11 1 .000 . 11 .19 8 .55 9 11 L Y LITA OA .291 .306 11 .180 .521 11 1.00 0 . 11 .340 .306 11 .198 .559 11 1.00 0 . 11

K A TIF EK

LO A Y LITA

S arm pe an's rho

P E TA I RS S

K A TIF EK

LO A Y LITA

Data 2 (buku SPSS)

Perhatikan judul out put, Nonparametric Correlations, berarti korelasi untuk non parametrik (jenis data kualitatif). Selanjutnya berdasarkan angka korelasi: Korelasi antara prestasi dengan loyalitas adalah positif, artinya semakin loyal (setia) seorang karyawan, maka prestasinya cenderung semakin bagus, dan sebaliknya. Namun angka korelasi yang 0,291 jauh dari 0,5 menunjukkan lemahnya hubungan kedua variabel tersebut. tidak signifikan (sig. = 0,306 > alfha 0,05). Korelasi antara keaktifan dengan loyalitas adalah positif, berarti senakin tinggi keaktivan seorang karyawan, maka cenderung semakin loyal (setia) karyawan tersebut, dan sebaliknya. Namun angka korelasi 0,180 jauh dari 0,5 menunjukkan lemahnya hubungan kedua variabel tersebut tidak signifikan (sig. = 0,521 > alfha 0,05). Korelasi antara prestasi dengan keaktivan adalah negative, artinya semakin tinggi keaktivan seorang karyawan maka cenderung prestasinya semakin jelek, dan sebaliknya. Namun angka korelasi 0,343 dan jauh dari 0,5 menunjukkan lemahnya hubungan kedua variabel tersebut tidak signifikan (sig. = 0,240 > alfha 0,05). Data Karyawan Nilai

Nonparametric Correlations
Correlations Kendall's tau_b PRESTASI Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N PRESTASI 1.000 . 75 -.015 .893 75 .299 ** .005 75 1.000 . 75 -.016 .893 75 .330 ** .004 75 IQ -.015 .893 75 1.000 . 75 .072 .508 75 -.016 .893 75 1.000 . 75 .077 .509 75 LOYAL .299 ** .005 75 .072 .508 75 1.000 . 75 .330 ** .004 75 .077 .509 75 1.000 . 75

IQ

LOYAL

Spearman's rho

PRESTASI

IQ

LOYAL

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

Data Penjualan Roti Latiuhan 1

Correlations SALESMAN Pearson Correlation Sig. (2-tailed) N GENDER Pearson Correlation Sig. (2-tailed) N KACANG Pearson Correlation Sig. (2-tailed) N DURIAN Pearson Correlation Sig. (2-tailed) N COKLAT Pearson Correlation Sig. (2-tailed) N SUSU Pearson Correlation Sig. (2-tailed) N NANAS Pearson Correlation Sig. (2-tailed) N SALESM AN GENDER 1 -.408 . .242 10 10 -.408 1 .242 . 10 10 .181 -.132 .618 .717 10 10 .335 .352 .345 .318 10 10 -.443 -.094 .200 .796 10 10 -.641* .283 .046 .428 10 10 .239 -.341 .507 .335 10 10 KACANG .181 .618 10 -.132 .717 10 1 . 10 -.089 .806 10 .120 .742 10 -.625 .054 10 -.490 .151 10 DURIAN COKLAT .335 -.443 .345 .200 10 10 .352 -.094 .318 .796 10 10 -.089 .120 .806 .742 10 10 1 -.793** . .006 10 10 -.793** 1 .006 . 10 10 -.223 .287 .537 .421 10 10 -.010 -.051 .977 .888 10 10 SUSU -.641* .046 10 .283 .428 10 -.625 .054 10 -.223 .537 10 .287 .421 10 1 . 10 -.068 .852 10 NANAS .239 .507 10 -.341 .335 10 -.490 .151 10 -.010 .977 10 -.051 .888 10 -.068 .852 10 1 . 10

*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).

_ Data Penjualan Roti Latihan 2 - - P A R T I A L C O R R E L A T I O N SUSU COKLAT -.0333 ( 7) P= .932 1.0000 ( 0) P= . C O E F F I C I E N T S - - -

Controlling for.. NANAS NANAS 1.0000 ( 0) P= . -.0333 ( 7) P= .932

COKLAT

(Coefficient / (D.F.) / 2-tailed Significance) Data Penjualan Roti Latihan 3 - - P A R T I A L C O R R E L A T I O N COKLAT SUSU -.0557 ( 7) P= .887 1.0000 ( 0) P= . C O E F F I C I E N T S - - -

Controlling for.. NANAS NANAS 1.0000 ( 0) P= . -.0557 ( 7) P= .887

SUSU

(Coefficient / (D.F.) / 2-tailed Significance)

Regresi berganda
Memprediksi besar variable tergantung dengan menggunakan data variable bebas yang sudah diketahui besarnya.

Tahapan penyusunan model regresi berganda, meliputi:

Menentukan mana variabel bebas (independent) dan mana variabel tergantung (dependent) Menentukan metode pembuatan model regresi (enter, stepwise, forward, backward) Melihat ada tidaknya data yang outlier (ekstrim) Menguji asumsi-asumsi pada regresi berganda, seperti normalitas, linieritas, hiteroskedastisitas, dan lainnya Menguji signifikansi model (uji t, uji F dan sebagainya) Interpretasi model regresi berganda

Berdasarkan data regresi: Model Summary

b Model Summary

Model 1

R R Square .869a .755

Adjusted R Square .716

Std. Error of the Estimate 41.58129

a. Predictors: (Constant), J.PENJ, OUTLET, RADIO, KORAN b. Dependent Variable: TK.PENJL

Angka R sebesar 0,869 menunjukkan bahwa korelasi/hubungan antara tingkat penjualan dengan 4 variabel independent nya adalah kuat. Angka R square atau koefisient determinasi adalah 0,755 (berasal dari 0,869 x 0,869), namun untuk jumlah variabel independent lebih dari dua lebih baik digunakan Adjusted R Square yang adalah 0,716 (selalu lebih kecil dari R square). Hal ini berarti 71,6 % variasi dari tingkat penjualan bisa dijelaskan oleh variasi dari keempat variabel independent, sedangkan sisanya (28,4 % ) dijelaskan oleh sebab-sebab yang lain. Standard Error of Estimate (SEE) adalah 41,5813 atau Rp. 41,5813 juta/bulan (ada potensi/kecenderungan penyimpangan tingkat penjualan per bulan sebesar p Rp. 41 juta. Dapat disimpulkan bahwa SEE semakin kecil akan memungkinkan model regresi mendekati semakin tepat dalam memprediksi variabel dependent.

Anova
b ANOVA

Model 1

Sum of Squares Regression 133462.2 Residual 43225.089 Total 176687.3

df 4 25 29

Mean Square 33365.547 1729.004

F 19.298

Sig. .000 a

a. Predictors: (Constant), J.PENJ, OUTLET, RADIO, KORAN b. Dependent Variable: TK.PENJL

F hitung adalah 19,298 dengan tingkat signifikansi 0,0000. karena probabilitas/sig. jauh lebih kecil dari 0,05 maka model regresi bisa dipakai untuk memprediksi tingkat penjualan. Dengan kata lain iklan Koran, iklan radio, jumlah outlet, dan jumlah penjual secara bersama-sama berpengaruh terhadap tingkat penjualan.

Koefisien Regresi
a Coefficients

Model 1

(Constant) KORAN RADIO OUTLET J.PENJ

Unstandardized Coefficients B Std. Error 100.128 71.407 10.913 1.279 4.966 3.316 -13.275 4.969 -13.988 5.263

Standardized Coefficients Beta .869 .149 -.271 -.265

t 1.402 8.530 1.498 -2.672 -2.658

Sig. .173 .000 .147 .013 .014

a. Dependent Variable: TK.PENJL

Persamaan regresi:
Tkt.
100 ,128 +10 ,913 iklanko +4,966 iklanra 13 ,275 outlet 13 ,988 jm lpenjual

Penjualan

Konstanta sebesar 100,128 menyatakan bahwa jika tidak ada iklan, outlet, maupun penjual yang bertugas, maka tingkat penjualan adalah Rp. 100,123 juta/bulan Koefisien regresi 10,913 menyatakan bahwa setiap penambahan (karena tanda +) Rp. 1,biaya iklan di Koran akan meningkatkan penjualan sebesar Rp. 10,913. Koefisien regresi 4,966 menyatakan bahwa setiap penambahan (karena tanda +) Rp. 1,- biaya iklan di Radio akan meningkatkan penjualan sebesar Rp. 4,966. Koefisien regresi -13,275 menyatakan bahwa setiap penambahan (karena tanda -) 1 unit outlet akan mengurangi penjualan sebesar Rp. 13,275. Koefisien regresi -13,988 menyatakan bahwa setiap penambahan (karena tanda -) satu orang penjual akan mengurangi penjualan sebesar Rp. 13,988.

Uji t untuk menguji signifikansi konstanta dan setiap variabel independent:

Variabel iklan di Koran, outlet dan jumlah penjual mempunyai angka signifikan di bawah 0,05, karena itu ketiga variabel independent tersebut memang mempengaruhi tingkat penjualan (signifikan). Sedangkan variabel iklan radio dan konstanta mempunyai angka signifikansi di atas 0,05, karena itu kedua variabel tersebut sebenarnya tidak mempengaruhi tingkat penjualan (tidak signifikan).

Berdasarkan hasil anlisis tersebut di atas, maka variabel independent yang tidak signifikan dapat didrop/dibuang, yang selanjutnya dengan proses yang sama, dapat dihasilkan persamaan regresi:
a Coefficients

Model 1

(Constant) KORAN OUTLET J.PENJ

Unstandardized Coefficients B Std. Error 174.644 52.428 10.744 1.305 -12.949 5.081 -13.273 5.365

Standardized Coefficients Beta .856 -.264 -.252

t 3.331 8.236 -2.548 -2.474

Sig. .003 .000 .017 .020

a. Dependent Variable: TK.PENJL

174 ,644 +10 ,744 iklankoran

Tingkat

12 ,949 outlet 13 ,273 jum lahpenj

Penjualan
ual

Selanjutnya jika dilihat pada kolom sig., semua variabel independent dan konstanta mempunyai tingkat signifikansi di bawah 0,05. Berarti iklan di Koran, jumlah outlet, dan jumlah penjual secara individu juga berpengaruh secara signifikansi terhadap tingkat penjualan. Dengan demikian, model regresi ini sudah memadai untuk memprediksi tingkat penjualan. Misal untuk bulan Oktober 2007 perusahaan berniat untuk meningkatkan biaya iklan di Koran rata-rata menjadi Rp. 30 juta, menambah jumlah penjual rata-rata 10 orang, dan jumlah outlet rata-rata menjadi 12, maka penjualan pada bulan tersebut diperkirakan menjadi: Tingkat Penjualan = 174,644 + (10,744 x 30) 12,949 x 12) (13,273 x 10) = 208,846 atau sekitar Rp. 208.846.000,-

Catatan:
Perhatikan pengisian iklan Koran yang hanya 30, hal ini disebabkan karena satuan dalam jutaan rupiah.
b Model Summary

Model 1

R R Square .856 a .733

Adjusted R Square .703

Std. Error of the Estimate 42.56354

a. Predictors: (Constant), J.PENJ, OUTLET, KORAN b. Dependent Variable: TK.PENJL

Dari kolom terakhir model summary SEE sebesar 42,5637 atau Rp. 42,56 juta/bulan, ada kenaikan dibandingkan sebelumnya, kurang baik (tingkat kesalahan model regresi > dari model sebelumnya) Taksiran SEE, menggunakan t tabel, alfha 5%, Df (jml sampel-jml variabel) = 30 4 =26, uji dua sisi, didapat +/- 2,0555, sehingga variasi dari variabel dependent 2,0555 x 42,56 = +/87,48. Karena regresi terdapat adanya SEE, maka tingkat penjualan sebesar Rp. 208.846.000,tersebut, tidak bisa tepat sebesar itu, namun akan bervariasi menjadi diantara 208,846 87,48 121,366 sampai 296,326 atau bervariasi dari Rp.121,366 juta sampai Rp. 296,326 juta.

Uji asumsi regresi berganda

Multikolinieritas
Menguji apakah pada model regresi ditemukan adanya korelasi antar variable independent. Jika terjadi korelasi, maka dinamakan terdapat problem multikolinieritas (multiko). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variable independent.
a Coefficients

Model 1

KORAN OUTLET J.PENJ

Collinearity Statistics Tolerance VIF .949 1.053 .956 1.046 .992 1.008

a. Dependent Variable: TK.PENJL

a Coefficient Correlations

Model 1

Correlations

Covariances

J.PENJ OUTLET KORAN J.PENJ OUTLET KORAN

J.PENJ 1.000 .029 -.091 28.785 .800 -.634

OUTLET .029 1.000 -.209 .800 25.818 -1.382

KORAN -.091 -.209 1.000 -.634 -1.382 1.702

a. Dependent Variable: TK.PENJL

Deteksi besaran VIF (Varience Inflation Factor) dan Tolerance, pedoman suatu model regresi yang bebas multiko, adalah: Mempunyai nilai VIF di sekitar angka 1 Mempunyai angka tolerance mendekati 1 Besaran korelasi antar variable independent, pedoman suatu model regresi yang bebas multiko, adalah: Koefisien korelasi antar variable independent haruslah lemah (di bawah 0,5). Jika korelasi kuat, maka terjadi problem multiko.

Heteroskedastisitas
Menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual antara pengamatan satu ke pengamatan yang lain. Jika tetap disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
S 43210-1 R egrsio nStude tizedR sidual D JATENG6 epnd caterpl tVarib R3 5 ENG31 .5 BAR2 R7 tandri ot tVarib R3 5 ENG31 .5 BAR2 R7 tandri zedPr ictedVal ue le:tk.p njl zedPr ictedVal ue ot le:tk.p njl JATIM1JATE JAB JA J JATIK.7 JATENG2 JATENG4JAT JATENG8 BAR4 JATENG7 AK.2 M7 JATIM4BR5 JATIM2K. JA JABR JAK.4 JAK.6 JA NG9 1K.3 JA JATIM5ENG JATIM3 JABR6 JAB TIM6 1 -2 -1 0 1 2 Reg resionS S 43210-1 R egrsio nStude tizedR sidual D JATENG6 epnd caterpl JATIM1JATE JAB JA J JATIK.7 JATENG2 JATENG4JAT JATENG8 BAR4 JATENG7 AK.2 M7 JATIM4BR5 JATIM2K. JA JABR JAK.4 JAK.6 JA NG9 1K.3 JA JATIM5ENG JATIM3 JABR6 JAB TIM6 1 -2 -1 0 1 2 Reg resionS

Scatterplot

Dependent Variable: tk.penjl

Regression Studentized Residual
4 JATENG 6 3 JATIM 1 JABAR 3 JAK.7 JABAR 4 0 JAK.2 JATENG 9 JABAR 5 -1 JATIM 4 JATIM 6 -2 -1 0 1 2 JATIM 7 JATENG 2 JAK.1 JAK.3 JATENG 4 JATENG 3 JABAR 1 JAK.5 JAK.4 JABAR 7 JAK.6 JABAR 2 JATENG 8 JATENG 5

JATENG 7

JATIM 2 JATENG 1 JATIM 5

JABAR 6 JATIM 3

Regression Standardized Predicted Value

Pedoman:
Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu dan teratur, maka telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

Normalitas
Menguji apakah dalam sebuah model regresi variable dependent, variable independent atau keduanya mempunyai distribusi data normal atau mendekati normal
N r a PPP t o R ge s nS n ad e R s u l oml - lo f e r s io ta d r iz d e id a D p n e t V r b : T .P NL e e d n aia le K E J
10 .0 J TM 0 AI 1 J BR AA 3 JK A. 7 .5 7 J TN 7 AE G J TM 6 AI 1 J J TN 8 AA E 4 TN G EG JA .N 3 AE T2 J.K G J4 J B RK AA A 5 J NT N A E5 G TN J T JGG 9 A EA E 2 JK A. 3 JK A. 6 JK A. 1 JK A. 4

Expected Cum Prob

.0 5

.5 2

J J B1A 2 AA A 5 B J RR A B R AE J JJ A N 1 AA T 6 TMR G IB 1 1 J BR AA 7 J TM 3 AI 1 J I 1 A1 J TMM 5 AI T 4 J TM 2 AI 1

00 .0 00 .0 .5 2 .0 5 .5 7 10 .0

Os r e C m r b b ev d u Po

Deteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, dan dasar pengambilan keputusan:

Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.

Autokorelasi
Menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Tentu saja model regresi yang baik adalah regresi yang bebas dari autokorelasi
b Model Summary

Model 1

R R Square .780 a .608

Adjusted R Square .594

Std. Error of the Estimate 18.90846

Durbin-W atson 1.155

a. Predictors: (Constant), PROMOSI b. Dependent Variable: TK.PENJU

Secara umum dapat dipergunakan pedoman: Angka D-W di bawah -2 berarti ada autokorelasi positif Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi Angka D-W di atas +2 berarti ada autokorelasi negative

Jika ada masalah autokorelasi, atau yang lain, maka model regresi yang seharusnya
signifikan, menjadi tidak layak untuk dipakai.