Korelasi Dan Regresi
Korelasi Dan Regresi
Korelasi Dan Regresi
Ingin mengetahui apakah diantara dua variable terdapat hubungan, dan jika ada hubungan, bagimana arah hubungan dan seberapa besar hubungan tersebut.
USIA KARYAWAN
GAJI KARYAWAN
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
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).
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
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 - - -
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
P E TA I RS S
K A TIF EK
LO A Y LITA
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 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).
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 - - -
SUSU
Regresi berganda
Memprediksi besar variable tergantung dengan menggunakan data variable bebas yang sudah diketahui besarnya.
Model 1
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
df 4 25 29
F 19.298
Sig. .000 a
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
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
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.
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
Unstandardized Coefficients B Std. Error 174.644 52.428 10.744 1.305 -12.949 5.081 -13.273 5.365
Tingkat
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
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.
Model 1
Collinearity Statistics Tolerance VIF .949 1.053 .956 1.046 .992 1.008
Model 1
Correlations
Covariances
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
JATENG 7
JABAR 6 JATIM 3
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
.0 5
.5 2
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
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.