Modul 2 Kelompok 11

LAPORAN PRAKTIKUM STATISTIKA INDUSTRI
MODUL 2
KORELASI DAN REGRESI LINIER
Disusun Oleh :
Kelompok 11
1.
2.
3.
4.
Anggita Maya Dewi

Gertaria Sinaga
Frands Christoper Simanjuntak
Muhammad Iqbal
21070114120009
21070114120067
21070114130113
21070114140123
PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2016
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena atas limpahan
rahmat dan hidayah-Nya, sehingga kami mampu menyelesaikan laporan praktikum
modul 2 yang berjudul Koefisien dan regresi Linier sesuai dengan waktu yang telah
direncanakan dengan baik dan lancar.
Penulisan laporan
ini kami maksudkan untuk memenuhi kewajiban sebagai
praktikan praktikum Statistika Industri serta untuk lebih mengetahui dan mendalami
tentang ilmu Statistika Industri khususnya tentang Koefisien dan Regresi Linier.
Ucapan terimakasih penulis sampaikan kepada
1
Bapak Ir. Naniek Utami H., S.Si, MT selaku Ketua Jurusan Teknik Industri
Universitas Diponegoro dan dosen pengampu mata kuliah Statistika Industri.

Kakak-kakak asisten Laboratorium Statistika Industri pada umumnya, dan Kak
Reza Trianto pada khususnya selaku asisten modul 2 kelompuk 11 praktikum
Statistika Industri 2016.
Segenap rekan rekan mahasiswa Teknik Industri Universitas Diponegoro 2014

yang telah membantu dalam bentuk dukungan maupun materi.
Serta semua pihak yang telah membantu dalam laporan ini.

Permohonan maaf kami sampaikan apabila terdapat kekurangsempurnaan dalam
penulisan laporan ini. Untuk itu segala kritik dan saran sangat dibutuhkan untuk
perbaikan laporan ini. Terima kasih.
Semarang, 18 Maret 2016
Penyusun
DAFTAR ISI
KATA PENGANTAR...................................................................................................ii
DAFTAR ISI.................................................................................................................iii
DAFTAR GAMBAR....................................................................................................vii
DAFTAR TABEL.........................................................................................................ix
BAB I PENDAHULUAN
1.1 Latar Belakang............................................................................................1
1.2 Tujuan Penulisan........................................................................................2
1.3 Pembatasan Masalah...................................................................................2
1.4 Metodologi Praktikum................................................................................3
1.5 Sistematika Penulisan.................................................................................3
BAB II TINJAUAN PUSTAKA
2.1 Korelasi.......................................................................................................5
2.1.1 Koefisien Korelasi....................................................................5
2.1.2 Koefisien Determinasi..............................................................6
2.2 Regresi........................................................................................................6
2.2.1 Regresi Linier Sederhana..........................................................6
2.2.2 Regresi Linier Majemuk...........................................................7
2.2.3 Selang Kepercayaan.................................................................8
2.2.3.1 Regresi Sederhana........................................................8
2.2.3.2 Regresi Majemuk..........................................................9
2.3 Seleksi Variabel..........................................................................................10
2.4 Uji Asumsi Klasik.......................................................................................12
2.4.1 Persamaan Garis Regresi..........................................................12
2.4.2 Uji Normalitas..........................................................................12
2.4.3 Uji Linearitas...........................................................................13
2.4.4 Uji Autokorelasi........................................................................14
2.4.5 Uji Heteroskedastisitas.............................................................14
2.4.6 Uji Multikolinearitas.................................................................15
BAB III PENGOLAHAN DATA
3.1 Korelasi dan Regresi Linier Sederhana......................................................17
3.1.1 Data Model.......................................................................................17
3.1.2 Korelasi............................................................................................18
3.1.2.1 Koefisien Korelasi Pearson..................................................18
3.1.2.2 Uji Hipotesis.........................................................................22
3.1.3
Regresi Linier Sederhana..................................................................................23
3.1.3.1 Slop
23
3.1.3.2 Intersep 24
3
3.1.3.3
3.1.4
3.1.4.1
3.1.4.2
3.1.4.3
3.1.5
3.1.5.1
3.1.5.2
3.1.6
3.1.6.1
3.1.6.2
3.1.7
3.1.7.1
3.1.7.2
3.1.7.3
3.1.7.4
3.1.8
3.1.8.1
3.1.8.2
3.2.3
3.2.3.1
3.2.3.2
3.2.3.3
3.2.4
3.2.4.1
3.2.4.2
3.2.4.3
3.2.5
3.2.5.1
3.2.5.2
3.2.6
3.2.6.1
3.2.6.2
3.2.7
3.2.7.1
3.2.7.2
3.2.7.3
3.2.7.4
3.2.8
3.2.8.1
3.2.8.2
Persamaan Garis Regresi..................................................................................26

Kesalahan Baku................................................................................................27
Taksiran Kesalahan Baku dari Regresi Linier Sederhana................................27
Taksiran Kesalahan Baku dari Parameter Slop.................................................28
Taksiran Kesalahan Baku dari Parameter Intersep...........................................30
Selang Kepercayaan.........................................................................................31
Selang Kepercayaan Slop.................................................................................31
Selang Kepercayaan Intersep............................................................................33
Uji Hipotesis.....................................................................................................34
Uji Hipotesis Slop.............................................................................................34
Uji Hipotesis Intersep.......................................................................................35
Validasi 35
Koefisien Determinasi......................................................................................35
Uji Asumsi Klasik.............................................................................................36
Pengujian Garis Regresi...................................................................................44
Pengujian Hasil Regresi....................................................................................46
Prediksi(Ramalan)............................................................................................51
Selang Prediksi Rata-Rata................................................................................51
Selang Prediksi Tunggal...................................................................................51
3.2 Korelasi dan Regresi Linier Majemuk........................................................52
3.2.1 Data Model.......................................................................................52
3.2.2 Korelasi............................................................................................53
3.2.2.1 Koefisien Korelasi Pearson..................................................53
3.2.2.2 Uji Hipotesis.........................................................................69
Regresi Linier Majemuk...................................................................................73
Slop
73
Intersep 76
Persamaan Garis Regresi..................................................................................77
Kesalahan Baku................................................................................................79
Taksiran Kesalahan Baku dari Regresi Linier Majemuk..................................79
Taksiran Kesalahan Baku dari Parameter Slop.................................................82
Taksiran Kesalahan Baku dari Parameter Intersep...........................................84
Uji Hipotesis.....................................................................................................88
Uji Hipotesis Slop.............................................................................................88
Uji Hipotesis Intersep.......................................................................................90
Validasi 91
Uji Asumsi Klasik.............................................................................................94
Pengujian Garis Regresi...................................................................................102
Pengujian Hasil Regresi....................................................................................104
Prediksi(Ramalan)............................................................................................108
Selang Prediksi Rata-Rata................................................................................108
Selang Prediksi Tunggal...................................................................................110
3.3 Seleksi Variabel..........................................................................................111

3.3.1 Forward............................................................................................111
3.3.2 Backward..........................................................................................111
3.3.3 Stepwise............................................................................................112
BAB IV ANALISIS DATA
4.1.2
4.1.3
4.1.3.1
4.1.3.2
4.1.3.3
4.1.4
4.1.4.1
4.1.4.2
4.1.5
4.1.5.1
4.1.5.2
4.1.5.3
4.2.2
4.2.3
4.2.3.1
4.2.3.2
4.2.3.3
4.2.4
4.2.4.1
4.2.4.2
4.2.5
4.2.6
4.2.6.1
4.2.6.2
4.2.6.3
4.1 Analisis Korelasi dan Regresi Linier Sederhana........................................113

4.1.1 Koefisien Korelasi Pearson..............................................................113
Regresi Linier Sederhana..................................................................................114
Standard Error atau Kesalahan Baku...............................................................115
Kesalahan Baku Regresi...................................................................................115
Kesalahan Baku Taksiran Slop.........................................................................115
Kesalahan Baku Taksiran Intersep....................................................................116
Validasi 119
Uji Asumsi Klasik Statistika.............................................................................120
Uji T dan F........................................................................................................123
4.2 Korelasi dan Regresi Linier Majemuk........................................................124
4.2.1 Koefisien Korelasi Pearson..............................................................124
Regresi Linier Majemuk...................................................................................125
Standard Error atau Kesalahan Baku...............................................................126
Kesalahan Baku Regresi...................................................................................126
Kesalahan Baku Taksiran Slop.........................................................................126
Kesalahan Baku Taksiran Intersep....................................................................127
Analisa Seleksi Variabel...................................................................................129
Validasi 130
Uji Asumsi Klasik Statistika.............................................................................131
Uji T dan F........................................................................................................136
4.3 Penerapan Korelasi & Regresi di Bidang Industri......................................136
BAB V PENUTUP
5.1. Kesimpulan................................................................................................138
5.2. Saran..........................................................................................................139
DAFTAR PUSTAKA
5
LAMPIRAN
DAFTAR GAMBAR
Gambar 1.1 FlowchartMetodologi Praktikum..................................................................2

Gambar 2.2 Bentuk bentuk Korelasi..............................................................................5
Gambar 3.1 Uji Normalitas Sederhana dengan SPSS.....................................................33
Gambar 3.2 Uji Normalitas Sederhana dengan Minitab.................................................34
Gambar 3.3 Uji Heteroskedastisitas Regresi Linier Sederhana SPSS............................37
Gambar 3.4 Uji Heteroskedastisitas Regresi Linier Sederhana Minitab.......................38
DAFTAR TABEL
Tabel 2.1 Penggunaan Teknik Korelasi.............................................................................4

Tabel 2.2 Penggunan Teknik Korelasi..............................................................................6
Tabel 3.1 Data Model Regresi Linier Sederhana............................................................16
Tabel 3.2 Koefisien Korelasi Output SPSS.....................................................................17
Tabel 3.3 Koefisien Korelasi Output Excel.....................................................................17
Tabel 3.4 Koefisien Korelasi Perhitungan Manual.........................................................18
Tabel 3.5 Perbandingan Koefisien Korelasi Sederhana Sampel.....................................19
Tabel 3.6 Coefficients Output SPSS Data Model Regresi Linier Sederhana (slop)........21
Tabel 3.7 Coefficients Output Excel Data Model Regresi Linier Sederhana (slop)..... 21
Tabel 3.8 Perbandingan Regresi Linier Sederhana (slop)...............................................22
Tabel 3.9 Output SPSS Data Model Regresi Linier Sederhana (intersep)......................22
Tabel
3.10
Output
Excel
Data
Model
Regresi
Linier
Sederhana
(intersep)..........................................................................................................................22
Tabel 3.11 Perbandingan Regresi Linier Sederhana (intersep)......................................23
Tabel 3.12 Perbandingan Persamaan Garis Regresi Sederhana......................................24
Tabel 3.13 Kesalahan Baku Data Model Regresi Linier Sederhana SPSS.....................24
Tabel 3.14 Kesalahan Baku Data Model Regresi Linier Sederhana Excel.....................24
Tabel 3.15 Perbandingan Kesalahan Baku Data Model Regresi Linier Sederhana........25
Tabel 3.16 Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (slop)................25
Tabel 3.17 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (slop)................25
Tabel 3.18 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS
(slop)................................................................................................................................26
Tabel 3.19 Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (intersep)..........26
Tabel 3.20 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (intersep)..........26
Tabel 3.21 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana
(intersep)..........................................................................................................................27
Tabel 3.22 Output SPSS Selang Kepercayaan Slop Regresi Sederhana.........................27
Tabel 3.23 Output Excel Selang Kepercayaan Slop Regresi Sederhana.........................27
Tabel 3.24 Perbandingan Selang Kepercayaan Parameter (Slop)...............................28
Tabel 3.25 Output SPSS Selang Kepercayaan Intersep Regresi Sederhana....................28

Tabel 3.26 Output Excel Selang Kepercayaan Intersep Regresi Sederhana...................28
Tabel 3.27 Perbandingan Selang Kepercayaan Parameter (Intersep)...........................29
Tabel 3.28 Koefisien Determinasi Data Model Regresi Linier Sederhana SPSS...........30
Tabel 3.29 Koefisien Determinasi Data Model Regresi Linier Sederhana Excel...........30
Tabel 3.30 Perbandingan Koefisien Determinasi............................................................31
Tabel 3.31 Uji Linieritas Data Model Regresi Linier Sederhana SPSS..........................31
Tabel 3.32 Uji Autokorelasi Regresi Linier Sederhana SPS...........................................35
Tabel
3.33
Output
Manual
uji
Autokorelasi....................................................................35
Tabel 3.34 Output SPSS Pengujian Garis Regresi..........................................................39
Tabel 3.35 Output Excel Pengujian Garis Regresi..........................................................39
Tabel 3.36 Perhitungan Manual Pengujian Garis Regresi...............................................40
Tabel 3.37 Perbandingan Pengujian Garis Regresi.........................................................40
Tabel 3.38 Output SPSS Uji T.........................................................................................41
Tabel 3.39 Output Excel Uji T........................................................................................41
Tabel 3.40 Output Excel Uji F.........................................................................................43
Laporan Praktikum Statistika Industri

Modul 2 Korelasi dan Regresi Linier
Kelompok 11
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam dunia statistika, kita semua pasti tidak asing dengan kata variabel. Variabel
sendiri merupakan suatu besaran yang dapat berubah sehingga bisa mempengaruhi hasil
penelitian. Seringkali kita juga ingin mengetahui pengaruh antara dua variabel atau
lebih, yang akan meramalkan kondisi berikutnya. Misalnya pengaruh dua buah variabel
independen terhadap variabel yang lainnya pada suatu kasus tertentu. Untuk mengetahui
pengaruh-pengaruh tersebut, kita dapat menggunakan beberapa teknik-teknik statistika,
antara lain analisis korelasi dan analisis regresi.
Salah satu tekniknya, yaitu analisis korelasi adalah suatu teknik statistika yang
digunakan untuk mengestimasi apakah ada hubungan linier di antara dua buah variabel.
Bilangan yang menunjukkan nilai kekuatan dan arah hubungan linier antara kedua
variabel ini nantinya kita sebuh sebagai koefisien korelasi. Koefisien korelasi ini
nantinya kita golongkan menjadi dua macam, yaitu koefisien korelasi negatif dan
koefisien korelasi positif.
Pada praktikum ini kita juga menggunakan teknik analisis regresi, yang
merupakan suatu teknik statistika yang digunakan untuk mengestimasi apakah ada
hubungan di antara variabel dependen (variabel terikat) dengan variabel independen
(variabel bebas). Untuk kasus peramalan, kita dapat melakukannya dengan
menerapakan persamaan regresi. Metode analisis regresi ini juga sangat bermanfaat di
berbagai bidang kehidupan, seperti sains, sosial dan tentunya industri.
Peran analisis korelasi dan analisis regresi sangat besar di kehidupan kita, seperti
mengetahui pertumbuhan GNP dengan angka kelahiran. Karena perannya yang besar
itu, praktikan akan mencoba untuk membahas korelasi linier dan regresi linier.
Praktikum ini akan dilaksanakan dengan data regresi linier sederhana dan majemuk, dan
praktikan akan menganalisis hubungan antara variabel-variabel dalam data tersebut.
Data linier sederhana yang digunakan adalah pengaruh angka pengangguran terhadap
jumlah angkatan kerja. Sedangkan data majemuk yang kita gunakan adalah pengaruh
jumlah dokter umum, jumlah perawat, jumlah bidan dan jumlah tenaga kesehatan
terhadap jumlah Polindes atau Poskesdes.
Program Studi Teknik Industri
Universitas Diponegoro
2016

Kelompok 11
1.2 Tujuan Praktikum

Tujuan yang hendak dicapai dalam praktikum ini adalah:
1. Mengerti dan memahami teknik pengolahan data dengan menggunakan analisis
korelasi dan regresi linier dengan menggunakan software maupun secara manual.
2. Mampu menginterpretasikan hasil yang diperoleh dari korelasi dan regresi linier.
3. Mampu menjelaskan penerapan korelasi dan regresi linier di bidang industri.
1.3 Pembatasan Masalah
Pada praktikum ini, praktikan menggunakan data regresi sederhana dan majemuk.
Kedua data tersebut merupakan data sekunder. Data regresi sederhana yang digunakan
adalah angka nilai ulangan harian angkatan Data yang digunakan ada sebanyak 30 data.
Sementara itu data regresi majemuk yang digunakan adalah data media social dalam
menit, dengan jumlah dara sebanyak 30 data.
1.4 Metodologi Praktikum
Gambar 1.1 Flowchart Metodologi Praktikum
1.5 Sistematika Penulisan

Sistematika penulisan laporan Praktikum Teori Probabilitas Modul adalah sebagai
berikut :
BAB I PENDAHULUAN
2016

Kelompok 11
Berisi tentang latar belakang, tujuan praktikum, rumusan masalah, metodologi
praktikum, dan sistematika penulisan yang digunakan pada praktikum.
BAB II TINJAUAN PUSTAKA
Berisi tentang teori-teori yang digunakan pada praktikum ini, yaitu pengertian
korelasi, regresi, seleksi variabel dan uji asumsi klasik.
BAB III PENGOLAHAN DATA
Berisi tentang perhitungan dari data regresi sederhana dan majemuk,
yaitukorelasi, slop, intersep, persamaan garis regresi, kesalahan baku, selang
kepercayaan, uji hipotesis, validasi dan prediksi yang dihitung menggunakan
software Microsoft Excel, Minitab dan SPSS.
BAB IV ANALISIS DATA
Berisikan analisis tentang output data korelasi, slop, intersep, persamaan garis
regresi, kesalahan baku, selang kepercayaan, uji hipotesis, validasi dan prediksi
yang telah diuji dengan Microsoft Excel, Minitab dan SPSS.
BAB V PENUTUP
Berisi tentang kesimpulan dan saran yang diperoleh dari praktikum.

2016

Kelompok 11
BAB II
TINJAUAN PUSTAKA
2.1 Korelasi
Analisis korelasi adalah metode statistika yang digunakan untuk menentukan
kuatnya atau derajat hubungan linier antara dua variabel atau lebih. Semakin nyata
hubungan linier (garis lurus), maka semakin kuat atau tinggi derajat hubungan garis
lurus antara kedua variabel atau lebih. Ukuran untuk derajat hubungan garis lurus ini
dinamakan koefisien korelasi. Analisa korelasi berganda berfungsi untuk mencari
besarnya hubungan antara dua variabel bebas (X) atau lebih secara simultan dengan
variabel terikat (Y).
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.
Tabel 2.1 Penggunaan Teknik Korelasi
Rumus analisis korelasi adalah sebagai berikut (Agus, 2010):
....................................(2.1)
2.1.1
Koefisien Korelasi

2016

Kelompok 11
Korelasi dilambangkan dengan r dengan ketentuan nilai r tidak lebih dari harga
(-1 r 1). Apabila nilai r = -1 artinya korelasi negatif sempurna; r = 0 artinya tidak ada
korelasi; dan r = 1 artinya korelasinya sangat kuat. Koefisien korelasi merupakan angka
yang menunjukkan arah dan kuat hubungan antara dua varibel atau lebih.
Berdasarkan kisaran angka pada koefisien korelasi, korelasi dibagi menjadi 3,
yaitu:
1. Korelasi negatif
Kecenderungan yang berlawanan (yaitu kenaikan nilai X, diikuti dengan
penurunan nilai Y, demikian juga sebaliknya penurunan nilai X diikuti dengan
kenaikan nilai Y). Nilai r = - 1 menunjukkan kedua peubah berkorelasi negatif
secara sempurna. Sebaran data tepat membentuk garis lurus (hal yang dalam
kenyatan jarang terjadi).
2. Korelasi nol (r=0)
Korelasi nol menunjukan bahwa kedua peubah tidak berkorelasi, yaitu kenaikan
atau penurunan nilai peubah X, tidak mempengaruhi nilai peubah Y.
3. Korelasi positif
Menunjukan bahwa kedua peubah memiliki kecenderungan yang sama, yaitu
kenaikan nilai X, diikuti dengan kenaikan nilai Y, demikian juga sebaliknya
penurunan nilai X diikuti dengan penurunan nilai Y.
Gambar 2.2 Bentuk bentuk Korelasi
Tabel 2.2 Penggunan Teknik Korelasi

2016

Kelompok 11
Rumus Koefisien Korelasi (r) adalah (Agus, 2010):

.......................(2.4)
..............................................(2.2)
.........................................(2.3)
.......................(2.4)
.......................(2.5)
2.1.2
Koefisien Determinasi
Uji Koefisien Determinasi disebut juga uji R-square. Koefisien determinasi
digunakan untuk melihat seberapa besar variabel-variabel independen secara bersama

mampu memberikan penjelasan mengenai variabel dependen dimana nilai R2 berkisar
antara 0 sampai 1(0R21). Semakin besar nilai R2, maka semakin besar variasi variabel
dependen yang dapat dijelaskan oleh variasi variabel variabel independen. Sebaliknya
jika R2 kecil, maka akan semakin kecil variasi variabel dependen yang dapat dijelaskan
oleh variabel independen.
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap
jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan satu
variabel independen, maka R2 pasti meningkat tidak perduli apakah variabel tersebut
berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak
peneliti menganjurkan untuk menggunakan nilai Adjusted R2 pada saat mengevaluasi
mana model regresi terbaik. Tidak seperti R2, nilai Adjusted R2 dapat naik atau turun
apabila satu variabel independen ditambahkan kedalam model.

2016

Kelompok 11
Dalam kenyataan nilai adjusted R2 dapat bernilai negatif, walaupun yang
dikehendaki harus bernilai positif. Menurut Gujarati (2003) jika dalam uji empiris
didapat nilai adjusted R2 negatif, maka nilai adjusted R2 dianggap bernilai nol. Secara
matematis jika nilai R2 = 1, maka Adjusted R2 = R2 = I sedangkan jika nilai R2 = 0,
maka adjusted R2 = (1 - k)/(n - k). Jika k > 1 , maka adjusted R= akan bernilai negative.
(Agus, 2010).
2.2 Regresi
Analisis regresi digunakan untuk memprediksi. Variabel (X) hasil pengukuran yang
disebut prediktor digunakan untuk memprediksi atau mengestimasi besaran variabel (Y)
yang disebut kriterion. Syarat syarat regresi :
Datanya interval atau rasio
Data berdistribusi normal

Untuk memprediksi diperlukan persamaan regresi linear, yang berarti bahwa
terdapat korelasi atau hubungan garis lurus antara variabel X dan Y, sehingga
dapat diketahui bentuk hubungan :
-
X dan Y berbanding lurus
X dan Y berbanding terbalik

Dalam regresi dikenal adanya dua jenis peubah, yaitu (Agus, 2010) :
1. Peubah bebas (independent variable)

Adalah variabel/ peubah yang nilai-nilainya tidak bergantung pada variabel
lainnya, biasanya disimbolkan dengan X dan digunakan untuk meramalkan atau
menerangkan nilai variabel yang lain.
2. Peubah terikat (dependent variable)

Adalah variabel/ peubah yang nilai-nilainya bergantung pada variabel
lainnya, biasanya disimbolkan dengan Y dan merupakan variabel yang diramalkan
atau diterangkan nilainya.
2016

Kelompok 11
2.2.1
Regresi Linier Sederhana

Hanya ada dua variabel (satu variabel independen & satu variabel dependen)
Persamaan umum :
Y
= ax + b
= variabel dependen yang diprediksikan
= angka konstan/harga Y bila X=0
= peningkatan/penurunan variabel dependen yang didasarkan pada vaariabel

independen
X
= nilai variabel independen
Langkah-langkah regresi linier sederhana :
- Mencari harga a dan b
- Menyusun persamaan regresi
- Membuat garis regresi
Cara mencari nilai a dan b (Indriani.2008) :
..............................................(2.6)
............................(2.7)
(Agus, 2010)
2.2.2
Regresi Linier Majemuk

Regresi linier berganda adalah analisa regresi yang menjelaskan hubungan
antara variabel dependen atau variabel tak bebas dengan dua atau lebih variabel
independen atau variabel bebas. Dimana ada kalanya persamaan regresi tidak hanya
dipengaruhi oleh satu faktor dalam menganalisanya, tetapi dapat juga dipengaruhi dua
atau lebih faktor yang mempengaruhinya. Maka regresi linier yang mengandung lebih
dari satu peubah bebas digunakan regresi linier berganda.
2016

Kelompok 11
Model yang linier dalam koefisiennya disebut Model Regresi Linier Darab.
Dalam hal k peubah bebas x1, x2,,xk, rataan yIx1, x2,xk diberikan oleh model
regresi Linier darab.
yIx1, x2,.xk = 0 + 1x1 + 2x2 + + kxk.................................(2.8)
Dan taksiran respon diperoleh dari persamaan regresi sampel

= b0 + bx1 + bx2 + + bxk......................................................(2.9)
Bila rataan tidak berbentuk garis lurus tapi lebih sesuai bila dinyatakan dengan Model
Regresi Polinom.
yIx1, x2,.xk = 0 + 1x1 + 2x22 + + rxrr..............................(2.10)
Dan taksiran respon diperoleh dari persamaan regresi polinom

= b0 + b1x1 + b2x2 + + brxrr..............................................(2.11)
Di mana:
Y
= Prediksi nilai variabel independen
b0
= konstanta
bn
= bobot regresi untuk variabel independent
Xn
= variabel independen
Untuk
mencari
persamaan
regresi
linier
majemuk
dapat
dihitung
dengan
(Walpole,1995):
........................(2.12)
........................(2.13)
........................(2.14)
2.2.3
Selang Kepercayaan

2016

Kelompok 11
Distribusi berbagai penaksir akan digunakan untuk mendapatkan taksiran selang
berbagai parameter, a-tau lazim disebut Selang Kepercayaan.
1. Selang Kepercayaan 100(1)% Untuk 0
Selang kepercayaan parameter 0 ini diturunkan berdasarkan distribusi penaksirnya,
yaitu b0 .
b0 t
n2,1
penaksir simpangan baku b 0 0 b0 +t
n2,1
penaksir simpangan baku b0
2. Selang Kepercayaan 100(1)% Untuk 1

Dengan penalaran seperti pada selang kepercayaan100(1)%untuk0 , didapatkan
selang kepercayaan 100(1)% untuk 1 sebagai berikut :
b1t
n2,1
penaksir simpangan baku b1 1 b1+ t
n2,1
penaksir simpangan baku b 1
Y0
3. Selang Kepercayaan 100(1)% Untuk
Apabila diketahui atau ditentukan nilai variabel bebas sebesar X0 , dan X0 merupakan
nilai prediktor yang digu-nakan untuk eksperimen, maka penaksir atau dugaan nilai
respon dinyatakan oleh persamaan berikut :
Y0 b0 b1 X 0
.
Y0
Distribusi b0 dan b1 masing-masing normal, sedang X0konstanta, maka
yang
merupakan fungsi linier b0 dan b1, berarti fungsi linier variabel random normal,
Y0
menjadikan
berdistribusi normal
Y0
4. Selang Prediksi 100(1)% Untuk

2016
10

Kelompok 11
Selanjutnya, bila diketahui atau ditentukan nilai variabel bebas sebesar X0 , dan X0
bukan merupakan nilai pre-diktor yang digunakan untuk eksperimen, maka didapatkan
Y0
penaksir atau dugaan nilai respon, yaitu
sebesar (Winahju. 2007) :
Y0 b0 b1 X 0
.
2.2.3.1 Regresi Sederhana
Selang kepercayaan pada regresi sederhana ada 2 yaitu selang kepercayaan
untuk parameter dan . Selang kepercayaan untuk parameter dalam persamaan
regresi Y = + x dihitung dengan (Walpole,1995):
........................(2.15)
Dan untuk parameter dihitung dengan :

........................(2.16)
Selang kepercayaan untuk regresi sederhana dapat dihitung dengan :

(Winahju. 2007)
...................(2.17)
2.2.3.2 Regresi
Majemuk
Pada regresi majemuk, hanya terdapat 1 selang kepercayaan yaitu dengan

parameter .Rumus yang berlaku untuk selang kepercayaan 1 adalah (Walpole, 1995):
...................(2.18)
Rumus tersebut juga berlaku untuk n.
3
1
Seleksi Variabel
Pemilihan ke Belakang (Backward)
Dimulai dengan memasukkan semua variabel independen yang ada kedalam
persamaan regresi. Kemudian dilakukan pemilihan terhadap setiap variabel

2016
11

Kelompok 11
independen apakah layak untuk tetap berada didalam persamaan regresi. Variabel
2
independen yang telah dikeluarkan tidak dapat dimasukkan kembali.

Pemilihan Ke Depan (Forward)
Dimulai dari keadaan dimana semua variabel independen berada diluar
persamaan regresi. Kemudian dilakukan penilaian satu persatu terhadap variabel
independen. Variabel yang telah dimasukkan tidak dapat lagi dikeluarkan.

Stepwise
Memiliki sifat reversible terhadap variabel independen yang akan masuk ke
persamaan regresi. Dimulai dengan variabel independen yang berada diluar
persamaan regresi, kemudian dilakukan pemilihan satu persatu, ketika variabel
independen sudah berada di dalam persamaan regresi, dilakukan pemilihan
kembali, jika terdapat variabel yang tidak layak masuk dalam persamaan regresi,
variabel tersebut akan dikeluarkan (Walpole,1995).
Uji Asumsi Klasik

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada
analisis regresi linear berganda yang berbasis ordinary least square (OLS). Jadi analisis
regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik,
misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi
klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak
dilakukan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu
diterapkan pada data cross sectional.
Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi.
Analisis dapat dilakukan tergantung pada data yang ada. Sebagai contoh, dilakukan
analisis terhadap semua uji asumsi klasik, lalu dilihat mana yang tidak memenuhi
persyaratan. Kemudian dilakukan perbaikan pada uji tersebut, dan setelah memenuhi
persyaratan, dilakukan pengujian pada uji yang lain (Darmanto, 2012).
2.4.1 Persamaan Garis Regresi
Koefisien regresi, dan merupakan dua parameter yang akan ditaksir dari data
sampel. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a
dan b maka dapat ditaksir dengan dari garis bentuk regresi berdasarkan sampel atau
garis kecocokan regresi.
= a + bx
2016
12
................................................(2.19)

Kelompok 11
dengan taksiran a dan b masing-masing menyatakan perpotongan terhadap sumbu y dan
tanjakannya.
Lambang y digunakan disini untuk membedakan antara taksiran atau nilai
prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang
sesungguhnya untuk suatu nilai x.
Bila diketahui sampel {(xi,yi);1 = 1, 2, 3, n} maka taksiran kuadrat terkecil a
dan b dari koefisien regresi dan dihitung dengan menggunakan rumus (Walpole,
1995 ):
n xi yi
i 1
i 1
i 1
i 1
2
......................................(2.20)
i 1
n xi
2.4.2
x y
i 1
b xi
....................................(2.21)
i 1
Uji Normalitas
Uji normalitas di maksudkan untuk mengetahui apakah residual terstandarisasi
yang diteliti berdistribusi normal atau tidak. Suatu data tidak normal biasanya
disebabkan karena terdapat nilai ektrim dalam data yang kita ambil. Uji normalitas
biasanya dilakukan dengan menggunakan analisis grafik (P-P Plot) maupun dengan uji
Kolmogorov Smirnov dan Shapiro Wilks (Walpole, 1995).
2.4.3
Uji Linearitas
Istilah linier mengandung bahwa apakah kedua data atau variabel yang
dihubungkan itu berbentuk garis lurus atau linearitas dapat juga diartikan sifat hubungan
yang linear antar variabel, artinya setiap perubahan yang terjadi pada satu variabel akan
diikuti perubahan dengan besaran yang sejajar pada variabel lainnya. Uji linearitas
bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau
tidak secara signifikan. Uji linearitas dilakukan dengan mencari persamaan garis regresi
variabel bebas x terhadap variabel terikat y (Darmanto, 2012).
2016
13

Kelompok 11
2.4.4
Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah terjadi korelasi antara suatu
periode t dengan periode sebelumnya (t -1). Secara sederhana bahwa analisis regresi
yaitu untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak
boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh
pada pengeluaran rutin dalam suatu rumah tangga, ketika pada bulan Januari suatu
keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh
dari apapun pengeluaran pada bulan Februari akan rendah.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak
perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran
semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi
pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun
biasanya memerlukan uji autokorelasi (Darmanto, 2012).
2.4.5
Uji Heteroskesdastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah terdapat ketidaksamaan
variansi dari residual satu ke pengamatan yang lain. Model regresi yang memenuhi
persyaratan adalah di mana terdapat kesamaan variansi dari residual satu pengamatan ke
pengamatan yang lain tetap atau disebut homoskedastisitas(Darmanto, 2012).
2.4.6
Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk melihat ada atau tidaknya korelasi yang
tinggi antara variabel-variabel bebas dalam suatu model regresi linear berganda. Jika
ada korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara
variabel bebas terhadap variabel terikatnya menjadi terganggu. Sebagai ilustrasi, adalah
model regresi dengan variabel bebasnya motivasi, kepemimpinan dan kepuasan kerja
dengan variabel terikatnya adalah kinerja. Logika sederhananya adalah bahwa model
tersebut untuk mencari pengaruh antara motivasi, kepemimpinan dan kepuasan kerja
2016
14

Kelompok 11
terhadap kinerja. Jadi tidak boleh ada korelasi yang tinggi antara motivasi dengan
kepemimpinan, motivasi dengan kepuasan kerja atau antara kepemimpinan dengan
kepuasan kerja(Darmanto, 2012).

2016
15

Kelompok 11
BAB III
PENGOLAHAN DATA
3.1 Korelasi dan Regresi Linier Sederhana
3.1.1 Data Model
Pada data korelasi dan regresi linier sederhana ini akan dianalisis bagaimana
hubungan antara jumlah angkatan kerja dengan jumlah pengangguran.
Tabel 3.1 Data Model Regresi Linier Sederhana
NO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Media Sosial dalam menit

(X)
5
30
30
90
30
600
600
600
15
10
10
15
15
15
20
600
600
30
18
10
600
30
120
150
70
30
0
0
90
30
3.1.2 Korelasi
3.1.2.1 Koefisien Korelasi Pearson
2016
16
IPK
(Y)
2,89
3,29
3,6
2,95
3,57
3,28
3,19
3,25
3,43
3,44
3,11
3,85
3,5
3,53
3,76
2,88
3,52
3,25
3,25
2,24
3,79
3,3
3,56
3,77
3,6
3
3,09
3,37
3,37
2,7

Kelompok 11
a. SPSS
Tabel 3.2 Koefisien Korelasi Output SPSS
Correlations
IPK
IPK
MS
Pearson Correlation
Sig. (2-tailed)
,801
N
MS
,048
30
30
Pearson Correlation
,048
Sig. (2-tailed)
,801
30
30
b. Minitab
Correlation: IPK; MS
Pearson correlation of IPK and MS = 0,048
P-Value = 0,801
c. Excel
Tabel 3.3 Koefisien Korelasi Output Excel
MS
MS
IPK

2016
1
0,0481
47
17
IPK

Kelompok 11
d. Manual
Tabel 3.4 Koefisien Korelasi Perhitungan Manual
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
X
5
Y
2,89
XX
25
XY
14,45
YY
8,35
30
3,29
900
98,7
10,82
30
3,6
900
108
12,96
90
2,95
8.100
265,5
8,70
30
3,57
900
107,1
12,74
600
3,28
360.000
1968
10,76
600
3,19
360.000
1914
10,18
600
3,25
360.000
1950
10,56
15
3,43
225
51,45
11,76
10
3,44
100
34,4
11,83
10
3,11
100
31,1
9,67
15
3,85
225
57,75
14,82
15
3,5
225
52,5
12,25
15
3,53
225
52,95
12,46
20
3,76
400
75,2
14,14
600
2,88
360.000
1728
8,29
600
3,52
360.000
2112
12,39
30
3,25
900
97,5
10,56
18
3,25
324
58,5
10,56
10
2,24
100
22,4
5,02
600
3,79
360.000
2274
14,36
30
3,3
900
99
10,89
120
3,56
14.400
427,2
12,67
150
3,77
22.500
565,5
14,21
70
3,6
4.900
252
12,96
30
900
90
9,00
Tabel 3.4 Koefisien Korelasi Perhitungan Manual (Lanjutan)

No
XX
XY
YY
27
3,09
9,55

2016
18

Kelompok 11
28
3,37
11,36
29
90
3,37
8.100
303,3
11,36
30
30
2,7
900
81
7,29
Jumlah
4463
99,33
2.226.249
14891,5
332,5
Jumlah^2
9.866,45
Jyy
19.918.369
1.562.303,3
7
3,62
Jxy
114,51
0,048147
Jxx
yi
n
i=1
2
y i
n
Jyy =
i=1
xi
n
i=1
x 2i
n
Jxx =
i=1

2016
19

Kelompok 11
xi
yi
n
i=1

i =1
x i y i
n
Jxy =
i=1
r=b
Jxx
Jxy
114,51
=
=
=0,048147
Jyy JxxJyy 1562303,4 x 3,62
Tabel 3.5 Perbandingan Koefisien Korelasi Sederhana Sampel
No
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
0.048
0.048
0.048
0.048
3.1.2.2 Uji Hipotesis

Hipotesis I
1. Ho:
=0 (Tidak ada hubungan linier antara X dan Y).
2. H1:
0 (Ada hubungan linier antara X dan Y).
3.
: 0,05
4. Daerah kritis dengan derajat kebebasan v = n-2 = 28, t >2,048 dan t < -2,048
(Didapat dari tabel L.4 (Walpole))
5. Perhitungan

2016
20

Kelompok 11
t=
r n2 0,048 28
=
=0,254
1r 2 10,0482
6. Keputusan : Terima Ho karena t-hitung berada di luar daerah kritis dimana 0,254
< 2,048.
7. Kesimpulan : Pada tingkat kepercayaan 95%, tidak terdapat hubungan linear
antara X dan Y.
Hipotesis II
1. Ho
: 0,9 (terdapat hubungan yang sangat erat antara y dan x)
2. H1: < 0,9 (tidak terdapat hubungan yang sangat erat antara y dan x)
3. 0,05
4. Daerah kritis : z < -1,64 dan z > 1,64 (Didapat dari tabel L.3 (Walpole))
5. Perhitungan
( 1+r ) ( 1 0 )
n3
Z =
ln
2
( 1r )( 1+ 0 )
Z=
27 ln (1+ 0,048 )( 10,9 )

2
(10,048 ) ( 1+ 0,9 )
Z =7,40027
6. Keputusan
: Tolak Ho karena z-hitung berada di dalam daerah kritis.
7. Kesimpulan: Pada tingkat kepercayaan 95%, tidak terdapat hubungan yang
sangat erat antara panjang telapak kaki dan ukuran sepatu.
3.1.3 Regresi Linier Sederhana

3.1.3.1 Slop
a. SPSS
Tabel 3.6 Coefficients Output SPSS Data Model Regresi Linier Sederhana (slop)
Standardized
Unstandardized Coefficients
Model
1
B
(Constant)
MS
Std. Error
3,300
,078
7,329E-5
,000
Coefficients
Beta
,048
b. Minitab
Coefficients
Term
Constant
Coef
3,3001

2016
SE Coef
0,0783
T-Value
42,16
21
P-Value
0,000
VIF
Sig.
42,158
,000
,255
,801

Kelompok 11
MS
0,000073
0,000287
0,26
0,801
1,00
c. Excel
Tabel 3.7 Coefficients Output Excel Data Model Regresi Linier Sederhana (slop)
Interc
ept
X
Variab
le 1
Coeffici
ents
3,30009
6
Stand
ard
Error
0,078
279
t Stat
42,15
835
Pvalue
7,02E27
7,33E05
0,000
287
0,255
064
0,800
538
d. Manual
xi
n
i=1
yi
n
i=1
xi
n
i=1
n x 2i
i=1
x i y i
n
n
i=1
b=
b=
( 30 ) ( 14891,5 )( 4463 )( 99,33 )

( 30 )( 2.226 .249 )19.918 .369
b=
3435,21
46.869.101
b= 7,33E-05

2016
22
Lowe
r
95%
3,139
75
0,000
52
Upper
95%
3,460
443
0,000
662
Lowe
r
95,0
%
3,139
75
0,000
52
Upper
95,0%
3,460
443
0,000
662

Kelompok 11
Tabel 3.8 Perbandingan Regresi Linier Sederhana (slop)
No
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
R
7,329E-5
0,000073
7,33E-05
7,33E-05
3.1.3.2 Intersep
a. SPSS
Tabel 3.9 Coefficients Output SPSS Data Model Regresi Linier Sederhana (intersep)
Standardized
Model
(Constant)
MS
Coefficients
Std. Error
3,300
,078
7,329E-5
,000
Beta
,048
Sig.
42,158
,000
,255
,801
b. Minitab
Coefficients
Term
Constant
MS
Coef
3,3001
0,000073
SE Coef
0,0783
0,000287
T-Value
42,16
0,26
P-Value
0,000
0,801
VIF
1,00
c. Excel
Tabel 3.10 Coefficients Output Excel Data Model Regresi Linier Sederhana (intersep)
Interc
ept
X
Variab
le 1
Coeffici
ents
3,30009
6
Stand
ard
Error
0,078
279
t Stat
42,15
835
Pvalue
7,02E27
7,33E05
0,000
287
0,255
064
0,800
538
d. Manual

2016
23
Lowe
r
95%
3,139
75
0,000
52
Upper
95%
3,460
443
0,000
662
Lowe
r
95,0
%
3,139
75
0,000
52
Upper
95,0%
3,460
443
0,000
662

Kelompok 11
n
y i b x i
a= i=1
a=
i=1
99,33( 7,33E-05)( 4463)

30
a= 3,300
Tabel 3.11 Perbandingan Regresi Linier Sederhana (intersep)
No
Perhitunga
.
1
2
3
n
SPSS
Minitab
Excel
3,300
3,3001
3,30009
Manual
6
3,300
3.1.3.3 Persamaan Garis Regresi

a. SPSS
y = + x
y = 3,300 + 7,329E-5 x
b. Minitab
y = + x
y = 3,3001 + 0,000073 x
c. Excel
y = + x
y = 3,300096 + 7,33E-05 x
d. Manual
y = + x
y = 3,300 + 7,33E,05 x
Tabel 3.12 Perbandingan Persamaan Garis Regresi Sederhana
No
Perhitunga
.
1
2
n
SPSS
Minitab
3,300
3,3001

2016
24
b
7,329E-5
0,000073

Kelompok 11
3
4
Excel
3,30009
7,33E-05
Manual
6
3,300
7,33E-0,5
3.1.4 Kesalahan Baku

3.1.4.1 Taksiran Kesalahan Baku dari Regresi Linier Sederhana
a. SPSS
Tabel 3.13 Kesalahan Baku Data Model Regresi Linier Sederhana SPSS
ANOVAa
Model
1
Sum of Squares
Regression
df
Mean Square
,008
,008
Residual
3,612
28
,129
Total
3,620
29
Sig.
,065
,801b
a. Dependent Variable: IPK

b. Predictors: (Constant), MS
b. Minitab
Source
Regression
MS
Error
Lack-of-Fit
Pure Error
Total
DF
1
1
28
10
18
29
Adj SS
0,00839
0,00839
3,61208
1,54015
2,07193
3,62047
Adj MS
0,008393
0,008393
0,129003
0,154015
0,115107
F-Value
0,07
0,07
P-Value
0,801
0,801
1,34
0,284
c. Excel
Tabel 3.14 Kesalahan Baku Data Model Regresi Linier Sederhana Excel
ANOVA
df
Regres
sion
Residu
al
28
Total
29
SS
0,008
393
3,612
077
3,620
47
MS
0,008
393
0,129
003
F
0,065
058
Signific
ance F
0,80053
8
d. Manual
n
ei2
Se 2= i=1 =
n2
2
Jyyb2 Jxx 3,62 ( 7,33E-05 1.562 .203,37 )
=
n2
302
Se 2 = 0,129
2016
25

Kelompok 11
Tabel 3.15 Perbandingan Kesalahan Baku Data Model Regresi Linier Sederhana
No
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,129
0,12900
Excel
3
0,12900
Manual
3
0,129
3.1.4.2 Taksiran Kesalahan Baku dari Parameter Slop

a. SPSS
Tabel 3.16 Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (slop)
Standardized
Model
1
B
(Constant)
MS
Coefficients
Std. Error
3,300
,078
7,329E-5
,000
Beta
,048
Sig.
42,158
,000
,255
,801
b. Minitab
Coefficients
Term
Constant
MS
Coef
3,3001
0,000073
SE Coef
0,0783
0,000287
T-Value
42,16
0,26
P-Value
0,000
0,801
VIF
1,00
c. Excel
Tabel 3.17 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (slop)
Standa
rd
Error
0,0782
79
Coefficie
nts
Interce
pt
X
Variabl
e1
3,300096
7,33E05
0,0002
87
t Stat
42,158
35
0,2550
64
P-value
7,02E27
0,8005
38
Lower
95%
3,139
75
0,000
52
d. Manual
Se 2
0,129
Sb =
=
=8,2572E-08
Jxx
1.562 .303,37
2
( )(

2016
26
Upper
95%
3,4604
43
0,0006
62
Lower
95,0%
3,139
75
0,000
52
Upper
95,0%
3,4604
43
0,000662

Kelompok 11
Sb=0,00028735
Tabel 3.18 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (slop)
No
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,000
0,00028
Excel
7
0,00028
Manual
7
0,00028
7
3.1.4.3 Taksiran Kesalahan Baku dari Parameter Intersep
a. SPSS
Tabel 3.19 Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (intersep)
Standardized
Model
1
B
(Constant)
MS
Coefficients
Std. Error
Beta
3,300
,078
7,329E-5
,000
,048
Sig.
42,158
,000
,255
,801
b. Minitab
Coefficients
Term
Constant
MS
Coef
3,3001
0,000073
SE Coef
0,0783
0,000287
T-Value
42,16
0,26
P-Value
0,000
0,801
VIF
1,00
c. Excel
Tabel 3.20 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (intersep)
Interce
pt
X
Variabl
e1
Standa
rd
Error
0,0782
79
Coefficie
nts
3,30009
6
7,33E05
0,0002
87
t Stat
42,158
35
0,2550
64
P-value
7,02E27
0,8005
38
d. Manual
2016
27
Lower
95%
3,139
75
0,000
52
Upper
95%
3,4604
43
0,0006
62
Lower
95,0%
3,139
75
0,000
52
Upper
95,0%
3,4604
43
0,00066
2

Kelompok 11
Sa 2=Se 2
2
1 ( x )
+
n Jxx
Sa 2=0,129
( 148,77 )2
1
+
30 1.562.303,37
Sa =0,00612754
Sa=0,078
Tabel 3.21 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana (intersep)
No
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,078
0,0783
0,07827
Manual
9
0,078
3.1.5 Selang Kepercayaan

3.1.5.1 Selang Kepercayaan Slop
a. SPSS
Tabel 3.22 Output SPSS Selang Kepercayaan Slop Regresi Sederhana
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
B
(Constan
t)
MS
Std. Error
3,300
,078
7,329E-5
,000
Beta
95,0% Confidence Interval for B

t
Sig.
42,15
8
,048
,255
Lower Bound
Upper Bound
,000
3,140
3,460
,801
-,001
,001
b. Excel
Tabel 3.23 Output Excel Selang Kepercayaan Slop Regresi Sederhana
Interce
pt
X
Variabl
e1
Coefficie
nts
3,30009
6
Standa
rd
Error
0,0782
79
t Stat
42,158
35
P-value
7,02E27
7,33E-05
0,0002
87
0,2550
64
0,8005
38

2016
28
Lower
95%
3,139
75
0,000
52
Upper
95%
3,4604
43
0,0006
62
Lower
95,0%
3,139
75
0,000
52
Upper
95,0%
3,4604
43
0,0006
62

Kelompok 11
c. Manual
b t .sb b t .sb
2
7,33E-05t 0,025 0,000287< <7,33E-05+t 0,025 0,000287

0,0000732,048 0,000287< <0,000073+2,048 0,000287
0,00052< <0,00066
Tabel 3.24 Perbandingan Selang Kepercayaan Parameter (Slop)
No
1
2
3
Cara Perhitungan
SPSS
Excel
Manual
Selang Kepercayaan
-0,001< <0,001
-0,00052< <0,00062
-0,00052< <0,00066
3.1.5.2 Selang Kepercayaan Intersep

a. SPSS
Tabel 3.25 Output SPSS Selang Kepercayaan Intersep Regresi Sederhana
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
B
(Constan
3,300
,078
7,329E-5
,000
t)
MS
Std. Error
Beta

t
Sig.
42,15
8
,048
,255
Lower Bound
Upper Bound
,000
3,140
3,460
,801
-,001
,001
b. Excel
Tabel 3.26 Output Excel Selang Kepercayaan Intersep Regresi Sederhana
Interc
ept
X
Variab
le 1
Coeffici
ents
3,30009
6
Stand
ard
Error
0,078
279
t Stat
42,15
835
Pvalue
7,02E27
7,33E05
0,000
287
0,255
064
0,800
538
c. Manual
Lowe
r
95%
3,139
75
0,000
52
0,000
662
a t .sa a t .sa
2
3,300t 0,025 0,078< <3,300+t 0,025 0,078

2016
Upper
95%
3,460
443
29
Lowe
r
95,0
%
3,139
75
0,000
52
Upper
95,0%
3,460
443
0,000
662

Kelompok 11
3,3002,048 0,078< < 3,300+2,048 0,078
3,139782< <3,460411
Tabel 3.27 Perbandingan Selang Kepercayaan Parameter (Intersep)
No
Cara Perhitungan
Selang Kepercayaan
SPSS
3,140 < < 3,460
Excel
Manual
3,13975 < < 3,460443

3,139782 < < 3,460411
3.1.6 Uji Hipotesis

3.1.6.1 Uji Hipotesis Slop
1. H0 : = 0 (tidak ada hubungan linier antara x dan y)
2. H1 : 0 (ada hubungan linier antara x dan y)
3. = 0,05
4. Daerah kritis : t(0,025;28)> 2,048 dan t(0,025;28)< -2,048
untuk derajat kebebasan v = 28
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa = 0 melawan tandingan yang sesuai
dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis.
Sedangkan nilai t-hitung diperoleh dari rumus
t
b 0
0, 00073 0
318,81
sb
0, 000287
J XX
1562303,37
6. Keputusan : Tolak H0 karena nilai t-hitung berada di daerah kritis yaitu 318,81
> 2,048
7. Kesimpulan : Ada hubungan linier antara x dan y
3.1.6.2 Uji Hipotesis Intersep
1. H0: = 0(persamaan garis regresi melewati titik koordinat (0,0))
2. H1: 0 (persamaan garis regresi tidak melewati titik koordinat (0,0))
3. = 0,05
2016
30

Kelompok 11
4. Daerah kritis : t(0,025;28)> 2,048 dan t(0,025;28)< -2,048 (Lihat tabel L-4)
untuk derajat kebebasan v = n 2 = 30 2 = 28
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa = 0 melawan tandingan yang sesuai
dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis. Sedangkan nilai t-hitung diperoleh dari rumus:
t
a 0 3,300 0
42,16
sa
0, 078
6. Keputusan : Tolak Ho karena t-hitung berada di dalam daerah kritis yaitu

42,16 > 2,048
7. Kesimpulan : Persamaan garis regresi tidak melewati titik koordinat.
3.1.7
3.1.7.1
Validasi
Koefisien Determinasi
a. SPSS
Tabel 3.28 Koefisien Determinasi Data Model Regresi Linier Sederhana SPSS
Model Summaryb
Model
1
R Square
,048a
Adjusted R
Std. Error of the
Square
Estimate
,002
-,033
,35917
a. Predictors: (Constant), MS
b. Dependent Variable: IPK
b. Minitab
Model Summary
S
0,359170
R-sq
0,23%
R-sq(adj)
0,00%
R-sq(pred)
0,00%
c. Excel
Tabel 3.29 Koefisien Determinasi Data Model Regresi Linier Sederhana Excel
SUMMARY OUTPUT
Regression
Statistics
0,048
Multiple R
147
R Square
0,002

2016
31

Kelompok 11
318
0,033
31
0,359
17
Adjusted R
Square
Standard
Error
Observatio
ns
30
d. Manual
Nilai koefisien penentu r2 adalah kuadrat dari nilai koefisien korelasi r dan
diberikan dengan rumusan sebagai berikut :
Jxx
Jxy
114,51
r=b
=
=
=0,04815
Jyy JxxJyy 1562303,4 x 3,62
r =0,00232
Tabel 3.30 Perbandingan Koefisien Determinasi
No
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,002
0,0023
0,00231
Manual
8
0,00232
3.1.7.1 Uji Asumsi Klasik

3.1.7.1.1 Uji Linieritas (uji hipotesis)
a. SPSS
1. H0 : Data model bersifat regresi linier.
2. H1 : Data model tidak bersifat regresi linier.
3. : 0.05
4. Daerah kritis : p < 0.05
5. Perhitungan : Sig = 0,284
Tabel 3.31 Uji Linieritas Data Model Regresi Linier Sederhana SPSS
ANOVA Table
Sum of
Squares
(Combined)

2016
1,549
32
Mean
Df
Square
11
,141
F
1,223
Sig.
,340

Kelompok 11
IPK *
Between
Linearity
,008
,008
,073
,790
MS
Groups
Deviation from
1,540
10
,154
1,338
,284
Within Groups
2,072
18
,115
Total
3,620
29
Linearity
6. Keputusan : Karena nilai sig > 0,05 (0,284 > 0,05) maka jangan tolak Ho.
7. Kesimpulan : Data model bersifat regresi linier.
3.1.7.1.2
Uji Normalitas
1. Ho : Data model regresi berdistribusi secara normal.
2. H1 : Data model regresi tidak berdistribusi secara normal.
3. : 0.05
4. Daerah kritis : KS > 0,241
5. Perhitungan : KS = 0,131

2016
33

Kelompok 11
a.
SPSS
Gambar 3.1 Uji Normalitas Sederhana dengan SPSS

2016
34

Kelompok 11
b. Minitab
Probability Plot of IPK
Normal
99
Mean
3,311
StDev 0,3533
N
30
KS
0,131
P-Value >0,150
95
90
Percent
80
70
60
50
40
30
20
10
5
2,0
2,5
3,0
3,5
4,0
IPK
Gambar 3.3 Uji Normalitas Sederhana dengan Minitab
6. Keputusan : karena nilai KS sebesar 0,131 sehingga KS < 0,241 maka

jangan tolak H0.
7. Kesimpulan : Data model regresi bedistribusi normal.
3.1.7.1.3
Autokorelasi
1. Ho : Model regresi tidak terjadi autokorelasi (r = 0)
2. H1 : Model regresi terjadi autokorelasi (r 0 )
3. = 0.05
4. Daerah kritis: 1.49 > DW dan DW > 2.51
5. Perhitungan :
a. SPSS
Tabel 3.32 Uji Autokorelasi Regresi Linier Sederhana SPSS
Model Summaryb

2016
35

Kelompok 11
Model
Std. Error of the
Square
Estimate
R Square
,048a
Adjusted R
,002
-,033
,35917
a. Predictors: (Constant), MS
b. Dependent Variable: IPK
b. Minitab
Durbin-Watson Statistic
Durbin-Watson Statistic =
c. Manual
2,18712
^y
Mencari nilai
^y =a+bx
^y =3,300+ 0,000073 x
Mencari nilai et
et=Y ^y
Mencari nilai d
t=n
( et e t 1 )2
d= t2
t=n
et 2
t 2
Tabel 3.33 Output Manual uji Autokorelasi

et-1
(et-1)^2
(et)^2
-0,01219
-0,41037
0,168404
0,000149
3,30219
0,29781
-0,01219
0,000149
0,088691
2,95
3,30657
-0,35657
0,29781
0,088691
0,127142
30
3,57
3,30219
0,26781
-0,35657
0,127142
0,071722
600
3,28
3,3438
-0,0638
0,26781
0,071722
0,00407
600
3,19
3,3438
-0,1538
-0,0638
0,00407
0,023654
NO
Et
2,89
3,300365
-0,41037
30
3,29
3,30219
30
3,6
90
Tabel 3.33 Output Manual uji Autokorelasi (Lanjutan)

NO
y'
Et
et-1
600
3,25
3,3438
-0,0938
-0,1538

2016
36
(et-1)^2
0,02365
4
(et)^2
0,008798

Kelompok 11
9
15
3,43
3,30109
5
0,12890
5
-0,0938
10
10
3,44
3,30073
0,13927
0,12890
5
11
10
3,11
3,30073
12
15
3,85
13
15
3,5
14
15
3,53
15
20
16
0,00879
8
0,01661
6
0,01939
6
0,03637
8
0,30129
7
0,03956
3
0,05239
7
0,21025
9
0,21511
0,03104
6
0,00272
4
0,00263
3
1,12514
8
0,19909
4
4,80E06
0,06312
2
0,21072
7
0,016616
0,019396
3,30109
5
3,30109
5
3,30109
5
0,19073
0,54890
5
0,19890
5
0,22890
5
3,76
3,30146
0,45854
600
2,88
3,3438
-0,4638
0,45854
17
600
3,52
3,3438
-0,4638
18
30
3,25
3,30219
19
18
3,25
3,30131
4
20
10
2,24
3,30073
0,1762
0,05219
0,05131
1,06073
21
600
3,79
3,3438
0,4462
22
30
3,3
3,30219
0,00219
0,4462
23
120
3,56
3,30876
0,25124
0,00219
24
150
3,77
3,31095
0,45905
0,25124
25
70
3,6
3,30511
0,29489
0,45905
26
30
3,30219
0,30219
0,29489
0,08696
27
3,09
3,3
-0,21
28
29
0
90
3,37
3,37
3,3
3,30657
30
30
2,7
3,30219
0,07
0,06343
0,60219
0,30219
-0,21
0,07
0,09131
0,0441
9
0,0441
0,0049
0,0049
0,004023
0,00402
0,362633
3
3,24944
3,443679
9
0,943598
0,13927
0,19073
0,54890
5
0,19890
5
0,22890
5
0,1762
0,05219
0,05131
1,06073
0,06343
Total
D
0,036378
0,301297
0,039563
0,052397
0,210259
0,21511
0,031046
0,002724
0,002633
1,125148
0,199094
4,80E-06
0,063122
0,210727
0,08696
0,091319
6. Keputusan : karena nilai DW sebesar 0,943598 sehingga 1,49 > DW, maka
Ho ditolak.
7. Kesimpulan : Model regresi terjadi autokorelasi.

2016
37

Kelompok 11
3.1.7.1.4
Uji Heteroskedastisitas
Hipotesis:
1. Ho : Tidak terjadi ketidaksamaan variansi dari satu pengamatan dengan
pengamatan lainnya.
2. H1 : Terjadi ketidaksamaanvariansi dari satu pengamatan dengan
pengamatan yang lain.
3. : 0.05
4. Daerah kritis : plot membentuk pola geometris
5. Perhitungan
a. SPSS
Gambar 3.3 Uji Heteroskedastisitas Regresi Linier Sederhana SPSS

2016
38

Kelompok 11
b. Minitab
Versus Fits
(response is IPK)
0,50
0,25
Residual
0,00
-0,25
-0,50
-0,75
-1,00
-1,25
3,30
3,31
3,32
3,33
3,34
3,35
Fitted Value
Gambar 3.4 Uji Heteroskedastisitas Regresi Linier Sederhana Minitab
6. Keputusan : Jangan tolak Ho karena plot tidak membentuk pola geometris.
7. Kesimpulan : Tidak terjadi ketidaksamaan variansi dari satu pengamatan dengan

pengamatan lainnya.
3.1.7.2 Pengujian Garis Regresi

Berdasarkan hasil perhitungan taksiran intersep dan taksiran slop yang telah
diperoleh, maka didapatkan persamaan dari garis regresinya adalah
^y =3,300+ 0,000073 x
a. Ho: Jumlah jam penggunaan sosial media tidak mempengaruhi jumlah IPK
( =0)
b. H1: Jumlah jam penggunaan sosial media mempengaruhi jumlah IPK ( 0)

2016
39

Kelompok 11
0,05
c.
d.
Daerah kritis n = 30, f < -f (/2;1,n-2) dan f > f(/2;1,n-2) dari tabel L.6 didapat f <
-4,2 dan f > 4,2 dan derajat kebebasan v1 = 1 dan v2 = n-2 = 28
e. Perhitungan :
SPSS
Tabel 3.35 Output SPSS Pengujian Garis Regresi
ANOVAa
Model
1
Sum of Squares
Regression
df
Mean Square
,008
,008
Residual
3,612
28
,129
Total
3,620
29
Sig.
,065
,801b
a. Dependent Variable: IPK

b. Predictors: (Constant), MS
Minitab
Analysis of Variance
Source
Regression
MS
Error
Lack-of-Fit
Pure Error
Total
DF
1
1
28
10
18
29
Adj SS
0,00839
0,00839
3,61208
1,54015
2,07193
3,62047
Adj MS
0,008393
0,008393
0,129003
0,154015
0,115107
F-Value
0,07
0,07
P-Value
0,801
0,801
1,34
0,284
Excel
Tabel 3.36 Output Excel Pengujian Garis Regresi
ANOVA
df
Regress
ion
Residua
l
28
Total
29
SS
0,008
393
3,612
077
3,620
47
MS
0,008
393
0,129
003
F
0,065
058
Significa
nce F
0,80053
8
Manual
JKR
= b. Jxy
JKG
= Jyy b. Jxy
= 3,62 (0,000073 x 114,51)
= 3,612
S2
= JKG / (n-2)
= 3046,68/28
= 0,129

2016
= (0,000073) x (114,51) = 0,008
40

Kelompok 11
F hitung
= JKR /S2
= 20,47 / 108,8
= 0,065
Tabel 3.37 Perhitungan Manual Pengujian Garis Regresi
Sumber
variasi
Jumlah Kuadrat
Derajat
Rataan
kebebasan
Kuadrat
Regresi
0,008
0,008
Galat
3,612
28
0,129
Total
3,620
29
F Hitungan
0,065
Tabel 3.38 Perbandingan Pengujian Garis Regresi
No
Cara Penghitungan
Nilai F
SPSS
0,065
Minitab
0,070
Excel
0,065
Manual
0,065
f. Keputusan : Jangan tolak H0, karena nilai f > -4,2 (0,065 > -4,2) dan f < 4,2
(0,065 < 4,2).
g. Kesimpulan : Jumlah jam penggunaan media sosial tidak mempengaruhi jumlah
IPK.
1.
3.1.7.3 Pengujian Hasil Regresi

a. Uji T
Ho:1=2 ( tidak ada perbedaan antara y dan y )
2. H1 : 12 (ada perbedaan antara y dan y )
3. =0.05
4. Daerah kritis dengan V=n-1 = 30-1=29,t hitung > 2.045 atau t hitung < 2,045 didapat dari tabel L4 bersifat dwisisi
5. Perhitungan :
SPSS
Tabel 3.39 Output SPSS Uji t

2016
41

Kelompok 11
Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Mean
Pair
IPK
MS
Std.
Std. Error
Deviation
Mean
232,0878
145,455
67
Difference
Lower
42,37325
Sig. (2t
df
Upper
-
232,11868
-58,79265
-3,433
29
,002
Minitab
N
IPK
MS
Difference
Mean
30
30
30
StDev SE Mean
3,3
0,4
0,1
148,8 232,1
42,4
-145,5 232,1
42,4
95% CI for mean difference: (-232,1; -58,8)

T-Test of mean difference = 0 (vs 0): T-Value = -3,43
=0,002
tailed)
Excel
Tabel 3.40 Output Excel Uji t
t-Test: Paired Two Sample for

Means
Varia
ble 1
3,31
1
0,12
4844
30
0,04
8147
Mean
Variance
Observations
Pearson
Correlation
Hypothesized
Mean Difference
Df
0
29
3,43
272
0,00
0909
1,69
9127
0,00
1818
t Stat
P(T<=t) one-tail
t Critical one-tail
P(T<=t) two-tail

2016
42
Varia
ble 2
148,
7667
5387
2,53
30
P-Value

Kelompok 11
2,04
523
t Critical two-tail
Manual
S 21 ( n 11 ) + S22 (n 21)
Sp=
n 1+n 22
Sp=
Sp=
S 21 ( n 11 ) + S22 (n 21)
n 1+n 22
53872,53 ( 29 ) +0,125(29)
30+302
Sp=164,123
( y y ) 0
1
1
Sp
+
n 1 n2
t=
6. Keputusan
0,00014
2
164,123
30
=3,30373E-06
: Jangan tolak Ho
7. Kesimpulan : Tidak ada perbedaan antara y dan y

b. Uji F
Hipotesis
1
2
2
H0 : 1 = 2
H1 : 1 2
= 0.05
Daerah kritis:
3029
2925
1,85x
x1,9
( x1,9 ) = 4 (1,85x )
x1,9 = 7,44 x
X = 1,86
2016
43

Kelompok 11
f > 1,858 dan f < -1,858 dengan v1=v2=30-1=29, derajat kebebasan (lihat tabel
L.6)
Perhitungan:
Minitab
Tests
Method
F
Test
Statistic
0,00
P-Value
0,000
Excel
Tabel 3.41 Output Excel Uji F
F-Test Two-Sample for Variances

Varia
ble 1
3,31
1
0,12
4844
30
29
2,32
E-06
0
0,53
74
Mean
Variance
Observations
Df
F
P(F<=f) one-tail
F Critical one-tail
Manual
S2
f = 12
S2
f=
6
7
Varia
ble 2
148,
7667
5387
2,53
30
29
0,124844
=2,32 e0,6
53872,53
Keputusan : Ho diterima karena Fhitung berada di luar daerah kritis.

Kesimpulan : Terdapat kesamaan variansi antara y dan y
3.1.8 Prediksi (ramalan)

3.1.8.1 Selang Prediksi rata-rata

2016
44

Kelompok 11
1 X0 X
y o t . .Se
2
n
J xx
YX
1 X0 X
y o t .Se
2
n
J xx
2
2
1 ( X 0 X )
1 ( X 0 X )
( 3,300+0,000073 x 0 )t Se n + Jxx < Y |X < ( 3,300+ 0,000073 x 0 ) +t /2 Se n + Jxx
2
0
1 ( 5148,77 )
+
<
< ( 3,300+ 0,000073 ( 5 ) )+ ( 2,048 ) ,36
( 3,300+0,000073(5) ) ( 2,048 ) 0 ,36
30 1562303,37 Y |X
0
3,3003650,159< Y|X <3,300365+0,159

0
3,14127< Y |X <3,45946
0
3.1.8.2 Selang Prediksi Tunggal
1 X X
y o t . .Se 1 0
2
n
J xx
YX
1 X X
y o t .Se 1 0
2
n
J xx
1 ( 5148,77 )
( 3,300+0,000073 x 0 )2,048(0,36) 1+ 30 + 1562303,37 < Y |X < ( 3,300+0,000073 x 0 ) +2,048(0,36
3,3003650,887 < Y|X < 3,300365+0,887
2,414< Y |X < 4,187

2016
45

Kelompok 11
3.2
Korelasi dan Regresi Linier Majemuk
3.2.1 Data Model
Data yang digunakan dalam percobaan Korelasi dan Regresi Linear
Majemuk adalah Jumlah Nilai, Nilai UH 1, Nilai UH 2, Nilai UH 3, dan Nilai
UH 4. Variabel independen pada data ini adalah Nilai UH 1, Nilai UH 2, Nilai
UH 3, dan Nilai UH 4. Variabel dependen dari data ini adalah Total Nilai.
Tabel 3.42 Data Model Korelasi dan Regresi Linier Majemuk
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Total Nilai
(Y)
76
79
83
70
93
57
63
82
77
78
93
90
75
89
67
90
79
92
89
85
55
74
70
78
66
65

2016
Ulangan Harian
1
2
(X1)
(X2)
70,8
75,5
82,4
79,3
79,6
88,3
85,4
66,3
96,6
88,9
40,9
67,6
64,3
76,1
86,7
84,3
78,8
80,5
73,3
85,5
94,7
90,9
96,6
92,3
79,8
84,3
89,3
92,8
65
70
79
91,5
60
80,5
88
86,5
68
90
80
84
59
42,5
67
72,5
85
93
68
77,5
68
71,5
75
74,5
46
3
(X3)
81,8
73,9
77,6
60,6
97,1
55,9
54,4
73,1
74,9
77,8
94,6
87,4
72,9
88
72,5
91,3
87,5
92,5
97,5
76,5
78,8
72,5
91,3
88,8
85
80
4
(X4)
76,4
79,9
85,4
67,4
90,1
62,4
55,4
82,4
75,5
77
91,4
83,5
64,6
87,9
60
100
89
100
99
99
40
84
10
77
40
30

Kelompok 11
Tabel 3.42 Data Model Korelasi dan Regresi Linier Majemuk (Lanjutan)
No.
27
28
29
30
Ulangan Harian
Total Nilai
1
2
(Y)
(X1) (X2)
65
56
68
91
86
89
72
83 70,5
61
69
73
3
(X3)
78,8
87,5
72,5
42,5
4
(X4)
58
100
63
59
3.2.2 Korelasi
3.2.2.1 Koefisien Korelasi Pearson
a. SPSS
Tabel 3.43 Output Koefisien Korelasi Pearson SPSS
Correlations
Total
Total
Pearson Correlation
Nilai1
1
Nilai1
Pearson Correlation
Sig. (2-tailed)
N
Nilai2
Pearson Correlation
Sig. (2-tailed)
N
Nilai3
Pearson Correlation
Sig. (2-tailed)
N
Nilai4
Pearson Correlation
Sig. (2-tailed)
N
,685**
,799**
,000
,000
,000
,000
30
30
30
30
**
,326
,000
,020
,078
30
30
30
**
,492**
,004
,006
**
,725
,000
30
30
**
**
,639
,639
,422
,508
,000
,000
30
30
30
30
30
,685**
,422*
,508**
,314
,000
,020
,004
30
30
30
30
30
,799**
,326
,492**
,314
,000
,078
,006
,091
30
30
30
30
**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).
b. Minitab
2016
Nilai4
,818**
30
,818
Nilai3
,725**
Sig. (2-tailed)
N
Nilai2
47
,091
30

Kelompok 11
Correlation: total, nilai 1, nilai 2, nilai 3, nilai 4
total
0.725
0.000
nilai 1
nilai 2
0.818
0.000
0.639
0.000
nilai 3
0.685
0.000
0.422
0.020
0.508
0.004
nilai 4
0.799
0.000
0.326
0.078
0.492
0.006
nilai 1
nilai 2
nilai 3
0.314
0.091
Cell Contents: Pearson correlation

P-Value
c. Excel
Tabel 3.44 Output Koefisien Korelasi Pearson Excel
Total
1
2
3
4
Total
1
2
3
1
0,7247
49
1
0,8179 0,6388
83
68
1
0,6848 0,4221 0,5075
55
98
92
1
0,7992 0,3262 0,4921 0,3137
66
47
39
71
d. Manual
Tabel 3.45 Perhitungan Data Korelasi Linear Regresi Majemuk
X1
X2
X3
X4
Y2
X1^2
X2^2
X3^2
76
70,8
75,5
81,8
76,4
5776
5012,64
5700,25
6691,24
79
82,4
79,3
73,9
79,9
6241
6789,76
6288,49
5461,21

2016
48

Kelompok 11
83
79,6
88,3
77,6
85,4
6889
6336,16
7796,89
6021,76
70
85,4
66,3
60,6
67,4
4900
7293,16
4395,69
3672,36
93
96,6
88,9
97,1
90,1
8649
9331,56
7903,21
9428,41
57
40,9
67,6
55,9
62,4
3249
1672,81
4569,76
3124,81
63
64,3
76,1
54,4
55,4
3969
4134,49
5791,21
2959,36
82
86,7
84,3
73,1
82,4
6724
7516,89
7106,49
5343,61
77
78,8
80,5
74,9
75,5
5929
6209,44
6480,25
5610,01
78
73,3
85,5
77,8
77
6084
5372,89
7310,25
6052,84
93
94,7
90,9
94,6
91,4
8649
8968,09
8262,81
8949,16
90
96,6
92,3
87,4
83,5
8100
9331,56
8519,29
7638,76
75
79,8
84,3
72,9
64,6
5625
6368,04
7106,49
5314,41
89
89,3
92,8
88
87,9
7921
7974,49
8611,84
7744
67
65
70
72,5
60
4489
4225
4900
5256,25
90
79
91,5
91,3
100
8100
6241
8372,25
8335,69
79
60
80,5
87,5
89
6241
3600
6480,25
7656,25
92
88
86,5
92,5
100
8464
7744
7482,25
8556,25
89
68
90
97,5
99
7921
4624
8100
9506,25
85
80
84
76,5
99
7225
6400
7056
5852,25
55
59
42,5
78,8
40
3025
3481
1806,25
6209,44
74
67
72,5
72,5
84
5476
4489
5256,25
5256,25
70
85
93
91,3
10
4900
7225
8649
8335,69
78
68
77,5
88,8
77
6084
4624
6006,25
7885,44
66
68
71,5
85
40
4356
4624
5112,25
7225
65
75
74,5
80
30
4225
5625
5550,25
6400
65
56
68
78,8
58
4225
3136
4624
6209,44
91
86
89
87,5
100
8281
7396
7921
7656,25
72
83
70,5
72,5
63
5184
6889
4970,25
5256,25
61
69
73
42,5
59
3721
4761
5329
1806,25
2304
2275,2
2387,1
2365,5
2187,3
180622
177396
193458
191415
Tabel 345. Perhitungan Data Korelasi Linear Regresi Majemuk (Lanjutan)

X4^2
X1.Y
X2.Y
X3.Y
X4.Y
X1.X2
X1.X3
X1.X4
X2.X3
5836,96
5380,8
5738
6216,8
5806,4
5345,4
5791,44
5409,12
6175,9
6384,01
6509,6
6264,7
5838,1
6312,1
6534,32
6089,36
6583,76
5860,27
7293,16
6606,8
7328,9
6440,8
7088,2
7028,68
6176,96
6797,84
6852,08

2016
49

Kelompok 11
4542,76
5978
4641
4242
4718
5662,02
5175,24
5755,96
4017,78
8118,01
8983,8
8267,7
9030,3
8379,3
8587,74
9379,86
8703,66
8632,19
3893,76
2331,3
3853,2
3186,3
3556,8
2764,84
2286,31
2552,16
3778,84
3069,16
4050,9
4794,3
3427,2
3490,2
4893,23
3497,92
3562,22
4139,84
6789,76
7109,4
6912,6
5994,2
6756,8
7308,81
6337,77
7144,08
6162,33
5700,25
6067,6
6198,5
5767,3
5813,5
6343,4
5902,12
5949,4
6029,45
5929
5717,4
6669
6068,4
6006
6267,15
5702,74
5644,1
6651,9
8353,96
8807,1
8453,7
8797,8
8500,2
8608,23
8958,62
8655,58
8599,14
6972,25
8694
8307
7866
7515
8916,18
8442,84
8066,1
8067,02
4173,16
5985
6322,5
5467,5
4845
6727,14
5817,42
5155,08
6145,47
7726,41
7947,7
8259,2
7832
7823,1
8287,04
7858,4
7849,47
8166,4
3600
4355
4690
4857,5
4020
4550
4712,5
3900
5075
10000
7110
8235
8217
9000
7228,5
7212,7
7900
8353,95
7921
4740
6359,5
6912,5
7031
4830
5250
5340
7043,75
10000
8096
7958
8510
9200
7612
8140
8800
8001,25
9801
6052
8010
8677,5
8811
6120
6630
6732
8775
9801
6800
7140
6502,5
8415
6720
6120
7920
6426
1600
3245
2337,5
4334
2200
2507,5
4649,2
2360
3349
7056
4958
5365
5365
6216
4857,5
4857,5
5628
5256,25
100
5950
6510
6391
700
7905
7760,5
850
8490,9
5929
5304
6045
6926,4
6006
5270
6038,4
5236
6882
1600
4488
4719
5610
2640
4862
5780
2720
6077,5
900
4875
4842,5
5200
1950
5587,5
6000
2250
5960
3364
3640
4420
5122
3770
3808
4412,8
3248
5358,4
10000
7826
8099
7962,5
9100
7654
7525
8600
7787,5
3969
5976
5076
5220
4536
5851,5
6017,5
5229
5111,25
3481
4209
4453
2592,5
3599
5037
2932,5
4071
3102,5
173905
177793
186270
184575
173805
183675
181456
168613
190329
Tabel 345. Perhitungan Data Korelasi Linear Regresi Majemuk (Lanjutan)
X2.X4
5768,2
6336,0
7
7540,8
2016
X3.X4
6249,5
2
5904,6
1
6627,0
50

Kelompok 11
2
4468,6
2
8009,8
9
4218,2
4
4215,9
4
6946,3
2
6077,7
5
6583,5
8308,2
6
7707,0
5
5445,7
8
8157,1
2
4200
9150
7164,5
8650
8910
8316
1700
6090
930
5967,5
2860
2235
3944
8900
4441,5
4307
177549

2016
4
4084,4
4
8748,7
1
3488,1
6
3013,7
6
6023,4
4
5654,9
5
5990,6
8646,4
4
7297,9
4709,3
4
7735,2
4350
9130
7787,5
9250
9652,5
7573,5
3152
6090
913
6837,6
3400
2400
4570,4
8750
4567,5
2507,5
175106
51

Kelompok 11
Jyy yt
2
n
2
Jxx xt
2
t 1
t 1
t 1
t 1
x
t yt
n
Jxy xt yt t 1 t 1
n
t 1
r b
1.
J xy
J xx
J xy
J xx J yy
Koefisien Korelasi Pearson X1.Y

x1
30
30
x 12
Jxx1 =
i=1
i=1
5176535
30
= 177396 -
= 4844,812
y1
30
30
Jyy
y1
i=1
i=1
5308416
30
= 180622 -
= 3674,8
x1
y1
30
30
Jx1y =
x1y1
i=1
i=1
30
= 177793
2275,1 x 2304
30
i=1

2016
52
= 3065,32

Kelompok 11
r 1=
2.
3065,32
=0,726
4844,812 x 3674,8

x2
30
30
x2
Jxx2 =
i=1
i=1
5698246
30
= 193458 -
= 3516,623
y1
30
30
Jyy
y1
i=1
5308416
30
= 180622 -
i=1
= 3674,8
x2
y1
30
30
i=1
x2y1 Jx2y =
i=1
30
= 186270
2387,1 x 2304
30
= 2940,72
i=1
r 2=
3.
2940,72
=0,81
3516,623 x 3674,8

x3
30
30
Jxx3 =
x3
i=1
2
i=1

2016
= 191415 -
5595590
30
53
= 4895,22

Kelompok 11
y1
30
30
Jyy
y 12 =
i=1
5308416
30
= 180622 -
i=1
= 3674,8
x3
y1
30
30
i=1
x3y1 Jx3y =
i=1
30
2365 x 2304
30
= 184575
= 2943
i=1
r 3=
4.
2943
=0,69
4895,22 x 3674,8

x4
30
30
x4
Jxx4 =
i=1
i=1
= 173905 -
4784281,29
30
= 14428,957
y1
30
30
Jyy
y1
i=1
2
i=1

2016
= 180622 -
5308416
30
54
= 3674,8

Kelompok 11
x4
y1
30
30
x4 y1
Jx4y =
i=1
i=1
30
2187,3 x 2304
30
=173805
= 5820,36
i=1
r 4 =
5.
5820,36
=0,799
14428,957 x 3674,8
Koefisien Korelasi Pearson X1. X2

x1
30
30
x1
Jxx1 =
i=1
= 177396 -
i=1
5176535
30
= 4844,81
x2
30
30
Jxx2 =
x2
i=1
193458 -
i=1
5698246
30
= 3516,62
x1
x2
30
30
Jx1x2 =
x 1x 2
i=1
i=1
30
= 183675
2275,2 x 2387,1
30

i=1
r 5=
6.
Jx 1 x 2
2653,25
=
=0,64
Jxx 1 X Jxx 2 4844,81 x 3516,62

2016
55
= 2653,25

Kelompok 11
x1
30
30
x 12
Jxx1 =
i=1
2
i=1
= 177396 -
5176535
30
= 4844,81
= 191415 -
5595590
30
=4895,3
x3
30
30
x 32
Jxx3 =
i=1
2
i=1
x1
x3
30
30
Jx1x3 =
x 1x3
i=1
i=1
30
= 181456
2275 2365,5
30
= 2072,25
i=1
r 6=
7.
Jx 1 x 3
2072,25
=
=0,42
Jxx 1 X Jxx 3 4844,81 x 4895,3

x1
30
30
x1
Jxx1 =
i=1
2
i=1
= 177396 -
5176535
30
= 4844,81
= 173905 -
4784281
30
= 14428,6
x4
30
30
x4
Jxx4 =
i=1
2
i=1

2016
56

Kelompok 11
x1
x4
30
30
Jx1x4 =
x 1x 4
i=1
i=1
30
=168613
2275 2187,3
30
= 2742,75
i=1
r 7=
8.
Jx 1 x 4
2742,75
v=
=0,75
Jxx 1 X Jxx 4 4844,11 x 2742,75

x2
30
30
Jxx2 =
x2
i=1
2
i=1
= 193458 -
5698246
30
= 3516,46
= 191415 -
5595590
30
=4895,3
x3
30
30
x3
Jxx3 =
i=1
2
i=1
x2
x3
30
30
Jx2x3 =
x 2x 3
i=1
i=1
30
= 190329
2387,1 2365,5
30
i=1
r 8=
Jx 2 x 3
2106,16
=
=0,507
Jxx 2 X Jxx 3 3516,46 x 4895,3

2016
57
=2106,16

Kelompok 11
9.
x2
30
30
Jxx2 =
x2
i=1
2
i=1
= 193458 -
5698246
30
= 3516,46
= 173905 -
4784281
30
= 14428,6
x4
30
30
x 42
Jxx4 =
i=1
2
i=1
x2
x4
30
30
Jx2x4 =
x 2x 4
i=1
i=1
30
= 177549
5221304
30
= 3505,53
i=1
r 9=
10.
Jx 2 x 4
3505,53
=
=0,492
Jxx 2 X Jxx 4 3516,46 x 14428,6

x3
30
30
x3
Jxx3 =
i=1
2
i=1

2016
= 191415 -
5595590
30
58
=4895,3

Kelompok 11
x4
30
30
x 42
Jxx4 =
i=1
= 173905 -
i=1
4784281
30
= 14428,6
x3
x4
30
30
x 3x 4
Jx3x4 =
i=1
i=1
30
= 175106
5174058
30
= 2637,4
i=1
r 10 =
Jx 3 x 4
2637,4
=
=0,31
Jxx 3 X Jxx 4 4895,3 x 14428,6
Tabel 3.46 Perbandingan Hasil Koefisian Korelasi Pearson antar Perhitungan
Koefisien Korelasi
SPSS
Minitab
Excel
Manual
x1y
0,725
0,725
0,725
0,723
x2y
0,818
0,818
0,818
0,81
x3y
0,685
0,685
0,685
0,69
x4y
0,799
0,799
0,799
0,799
x1.x2
0,639
0,639
0,639
0,64
x1.x3
0,422
0,422
0,422
0,42
x1.x4
0,326
0,326
0,33
0,75
x2.x3
0,508
0,508
0,508
0,507
x2.x4
0,492
0,3492
0,49
0,492
x3.x4
0,314
0,314
0,314
0,31
Pearson
3.2.2.2 Uji Hipotesis

a. Uji (Y dengan X1)
Hipotesis 1
1. H0 : = 0 (tidak terdapat hubungan linier antara y dengan x1)
2016
59

Kelompok 11
2. H1 : 0 (terdapat hubungan linier antara y dengan x1)
3. Taraf keberartian : 0,05
4. Daerah kritis dengan derajat kebebasan v = nk-1 = 25, yaitu t>1,708 dan t<
-1,708 (berdasarkan tabel L4 Walpole)
5. Perhitungan:
r n2 0,725 302
t= 2 =
=5,57
1r 1(0,725)2
6. Keputusan : tolak H0 karena nilai berada pada luar di daerah kritis ( 5,57 >
1,708)
7. Kesimpulan : pada taraf keberartian 0,05 terdapat hubungan linier antara y
dengan x1
Hipotesis 2
1. H0 : = 0,9 (terdapat hubungan linier yang erat antara y dengan x1)
2. H1 : < 0,9 (terdapat hubungan linier yang tidak terlalu erat antara y dengan
x1)
4. Daerah kritis : Z < -1,65 (lihat tabel L3 Walpole)
5. Perhitungan :
(1+r ) ( 10 )
n3
z=
ln
2
(1r ) ( 1+ 0 )
z=
( 1+0,725 ) ( 10,9 )
303
ln
=2,87
2
( 10,725 )( 1+0,9 )
6. Keputusan : tolak H0 karena nilai z berada di daerah kritis ( 2,86 <

1,65)
7. Kesimpulan : pada taraf keberartian 0,05 terdapat hubungan linier yang tidak
terlalu erat antara y dengan x1
b. Uji (Y dengan X2)
Hipotesis 1
1.
2.
3.
4.
H0 : = 0 (tidak terdapat hubungan linier antara y dengan x2)

H1 : 0 (terdapat hubungan linier antara y dengan x2)
Taraf keberartian : 0,05
Daerah kritis dengan derajat kebebasan v = nk-1 = 25, yaitu t>1,708 dan t<

2016
60

Kelompok 11
5. Perhitungan:
r n2 0,818 302
t= 2 =
=4,55
1r 1(0,818)2
6. Keputusan : tolak H0 karena nilai z berada di daerah kritis ( 4,55
> 1,708)

dengan x2
Hipotesis 2
x2)
5. Perhitungan :
(1+r ) ( 10 )
n3
z=
ln
2
(1r ) ( 1+ 0 )
z=
303 ln ( 1+0,818 )( 10,9 ) =1,66

2
( 10,818 ) (1+ 0,9 )
6. Keputusan : tolak H0 karena nilai z berada di daerah kritis ( 1,66<1,65

)
c. Uji (Y dengan X3)
Hipotesis 1
5. Perhitungan:
r n2 0,685 302
t= 2 =
=4,979
1r 1(0,685)2
6. Keputusan : tolak H0 karena nilai z berada di daerah kritis ( 4,979 > 1,65)

2016
61

Kelompok 11
dengan x3
Hipotesis 2
x2)
5. Perhitungan :
n3 ln (1+r ) ( 10 )
z=
2
(1r ) ( 1+ 0 )
z=
303 ln ( 1+0,685 ) ( 10,9 ) =3,292

2
( 10,685 )( 1+0,9 )
6. Keputusan : tolak H0 karena nilai z berada di daerah kritis (

3,292<1,65 )
d. Uji (Y dengan X4)
Hipotesis 1
5. Perhitungan:
r n2 0,799 302
t= 2 =
=7,046
1r 1(0,799)2
6. Keputusan : tolak H0 karena nilai z berada di daerah kritis ( 7,046 > 1,65)
dengan x4
Hipotesis 2
2016
62

Kelompok 11
x4)
5. Perhitungan :
(1+r ) ( 10 )
n3
z=
ln
2
(1r ) ( 1+ 0 )
z=
( 1+0,799 ) ( 10,9 )
303
ln
=1,95
2
( 10,799 )( 1+0,9 )
6. Keputusan : tolak H0 karena nilai z berada di daerah kritis ( 1,95<1,65

)
3.2.3
3.2.3.1
Regresi Linier Majemuk

Slop
a. SPSS
Tabel 3.47 Output Slop SPSS
Coefficientsa
Standardized
Model
1
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Coefficients
Beta

t
Sig.
Lower Bound
Upper Bound
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
a. Dependent Variable: Total

2016
63

Kelompok 11
b. Minitab
Coefficients
Term
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
c. Excel
Tabel 3.48 Output Slop Excel
Interce
pt
1
2
3
4
Coefficie
nts
Standa
rd
Error
t Stat
P-value
Lower
95%
Upper
95%
Lower
95,0%
Upper
95,0%
0,20532
8
0,24809
4
0,25418
6
0,24520
2
0,24989
1
0,4254
6
0,0054
6
0,0071
92
0,0048
67
0,0027
75
0,4826
03
45,439
92
35,344
7
50,381
95
90,037
36
0,6335
76
1,49E25
7,26E23
1,16E26
6,25E33
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07
d. Manual
Persamaan Regresi Linier Majemuk:
a b1 x1 b2 x 2 b3 x3 b4 x 4
=
Persamaan Normal
n
i 1
i 1
i 1
i 1
i 1
na b1 x1i b2 x 2i b3 x3i b4 x 4i y i

2016
64

Kelompok 11
n
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
a x1i b1 x1i b2 x 2i x1i b3 x3i x1i b4 x 4i x1i x1i y i

2
a x 2i b1 x 2i x1i b2 x 2i b3 x3i x 2i b4 x 4i x 2i x 2i y i
2
a x3i b1 x3i x1i b2 x 2i x3i b3 x3i b4 x 4i x3i x3i yi

2
a x 4i b1 x 4i x1i b2 x 2i x 4i b3 x3i x 4i b4 x 4i x 4i y i
2
i 1
Sehingga didapatkan persamaan berikut :

30a+2275.2b1+2387.1
2275.2a
3720 a+466000 b 1
2387.1a+183674.7b1
2365.5a+181455.6b1
b2
+177396b1+
b3
=177793.4
784 a+ 97350 b1
+193458.2
b4
=186269.8
1606 a+199240 b1
+190328.9

2016
b2
b4
=2304
+181455.6
b3
+168612.5
+190328.9
b3
+177549.1
b2
+191414.9
b3
+ 175105.6
b2
+175105.6
b3
+173904.6
=184575.1
601,09 a+74574 b 1
b4
+2187.3
183674.7 b2
b4
b4
2187.3a+168612.5b1
+2365.5
+177549.1
=173804.6
65

Kelompok 11
Dari persamaan kuadrat a + b1x1 + b2x2 +b3x3 +b4x4 = y, dapat disusun matriks sebagai berikut:
30
2275.2
2387.1 2365.5 2187.3
2275.2 177396
183674.7 181455.6 168612.5
2387.1 183674.7 193458.2 190328.9
177549.1
2365.5 181455.6 190328.9 191414.9
175105.6
2187.3 168612.5 177549.1 175105.6 173904.6 1.50663E+1284921
[ ][
[ ][ ]
2.16503
0.00432 0.01552 0.00817
a
b 1 0.004317 0.00036 0.00024 4.7E-05
b 2 = 0.01552 0.00024 0.00062 0.00012
b3
0.00817 0.00005 0.00012 0.000283
b4
0.0010
0.00000 0.00008 1.4E-05
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05
][ ] [ ]
a
2304
b1
177793.4
b 2 = 186269.8
b3
184575.1
b4
173804.6
][ ]
2304
177793.4
186269.8
184575.1
173804.6
a
0.206
b1
0.248
b 2 = 0.254
b3
0.245
b4
0.249
Dari perhitungan di atas maka hasil slop adalah:

Slop
b1= 0.248
b2= 0. 254
b3= 0.245
b4 = 0. 249
Tabel 3.49 Perbandingan Parameter Slop
No
Perhitungan
b1
b2
b3
b4
0.248
0.254
0.245
0.250
0.24809
0.25419
0.24520
0.24989
1 SPSS
2 Minitab

2016
66

Kelompok 11
3 Excel
0.248094
0.254186
0.245202
0.249891
0.248
0.254
0.245
0.249
4 Manual

2016
67

Kelompok 11
3.2.3.2 Intersep
a. SPSS
Tabel 3.50 Output Intersep SPSS
Coefficientsa
Standardized
Model
1
Coefficients
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta

t
Sig.
Lower Bound
Upper Bound
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Minitab
Coefficients
Term
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
c. Excel
Tabel 3.51 Output Intersep Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,2053
28
0,2480
94
0,2541
86
0,2452
02
0,2498
91
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
d. Manual
2016
68
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607

Kelompok 11
Persamaan Regresi Linier Majemuk:
a b1 x1 b2 x 2 b3 x3 b4 x 4
=
Persamaan Normal
n
i 1
i 1
i 1
i 1
i 1
na b1 x1i b2 x 2i b3 x3i b4 x 4i y i
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
a x1i b1 x1i b2 x 2i x1i b3 x3i x1i b4 x 4i x1i x1i y i

2
a x 2i b1 x 2i x1i b2 x 2i b3 x3i x 2i b4 x 4i x 2i x 2i y i
2
a x3i b1 x3i x1i b2 x 2i x3i b3 x3i b4 x 4i x3i x3i yi

2
a x 4i b1 x 4i x1i b2 x 2i x 4i b3 x3i x 4i b4 x 4i x 4i y i
2
i 1
Sehingga didapatkan persamaan berikut :

30a+2275.2b1+2387.1
2275.2a
b4
b2
+2365.5
3720 a+466000 b 1
b3
+2187.3
+177396b1+
183674.7 b2
=177793.4

2016
b4
69
=2304
+181455.6
b3
+168612.5

Kelompok 11
2387.1a+183674.7b1
b4
b2
+190328.9
b3
+177549.1
1606 a+199240 b1
+190328.9
b2
+191414.9
b3
+ 175105.6
601,09 a+74574 b 1
+177549.1
b2
+175105.6
b3
+173904.6
=184575.1
2187.3a+168612.5b1
b4
+193458.2
=186269.8
2365.5a+181455.6b1
b4
784 a+ 97350 b1
=173804.6
Dari persamaan kuadrat a + b1x1 + b2x2 +b3x3 +b4x4 = y, dapat disusun matriks sebagai berikut:
30
2275.2
2387.1 2365.5 2187.3
2275.2 177396
183674.7 181455.6 168612.5
2387.1 183674.7 193458.2 190328.9
177549.1
2365.5 181455.6 190328.9 191414.9
175105.6
2187.3 168612.5 177549.1 175105.6 173904.6 1.50663E+1284921
[ ][
2.16503
0.00432 0.01552 0.00817
a
b 1 0.004317 0.00036 0.00024 4.7E-05
b 2 = 0.01552 0.00024 0.00062 0.00012
b3
0.00817 0.00005 0.00012 0.000283
b4
0.0010
0.00000 0.00008 1.4E-05
[ ][ ]
a
0.206
b1
0.248
b 2 = 0.254
b3
0.245
b4
0.249
Dari perhitungan di atas maka hasil slop adalah:

2016
70
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05
][ ] [ ]
][ ]
2304
177793.4
186269.8
184575.1
173804.6
a
2304
b1
177793.4
=
b2
186269.8
b3
184575.1
b4
173804.6

Kelompok 11
Intersep
a= 0.206
Tabel 3.52 Perbandingan Parameter Intersep
No.
Perhitungan
1
2
3
4
SPSS
Minitab
Excel
Manual
0.205
0.205
0.205328
0.206
3.2.3.3
Persamaan Garis Regresi

a. SPSS
Tabel 3.53 Output Garis Regresi Majemuk SPSS
Coefficientsa
Standardized
Model
1
Coefficients
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta

t
Sig.
Lower Bound
Upper Bound
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
Y = + x
Y1 = 0,205 + 0,248x
Y2 = 0,205 + 0,254x
Y2 = 0,205 + 0,245x

2016
71

Kelompok 11
Y4 = 0,205 + 0,250x
b. Minitab
Coefficients
Term
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
Regression Equation
total = 0.205 + 0.24809 nilai 1 + 0.25419 nilai 2 + 0.24520 nilai 3
+ 0.24989 nilai 4
c. Excel
Tabel 3.54 Output Garis Regresi Majemuk Excel
Coefficie
nts
Interce
pt
1
2
3
4
0,20532
8
0,24809
4
0,25418
6
0,24520
2
0,24989
1
Standa
rd
Error
0,4254
6
0,0054
6
0,0071
92
0,0048
67
0,0027
75
t Stat
0,4826
03
45,439
92
35,344
7
50,381
95
90,037
36
P-value
Lower
95%
0,6335
76
1,49E25
7,26E23
1,16E26
6,25E33
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
Y = + x
Y1 = 0,205 + 0,248x
Y2 = 0,205 + 0,254x
Y2 = 0,205 + 0,245x
Y4 = 0,205 + 0,249x
d. Manual
2016
72
Upper
95%
Lower
95,0%
Upper
95,0%
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07

Kelompok 11
[] [ ]
a
b1
b2
b3
b4
0,205
0,248
0,254
0,245
0,249
Maka diperoleh persamaan regresinya sebagai berikut:

Y = 0,205 + 0,248 X1 + 0,254 X2 + 0,245 X3 +0,249 X4
3.2.4 Kesalahan Baku
3.2.4.1 Taksiran Kesalahan Baku dari Regresi Linier Majemuk
a. SPSS
Tabel 3.55 Output Taksiran Kesalahan Baku Regresi Linier Majemuk SPSS
ANOVAa
Model
1
Sum of Squares
Regression
Mean Square
3672,710
918,177
2,090
25
,084
3674,800
29
Residual
Total
df
F
10981,877
Sig.
,000b

b. Predictors: (Constant), Nilai4, Nilai3, Nilai1, Nilai2
b. Minitab
Source
Regression
DF
Adj SS
Adj MS
F-Value
P-Value
3672.71
918.177
10981.88
0.000
nilai 1
172.63
172.634
2064.79
0.000
nilai 2
104.45
104.448
1249.25
0.000
nilai 3
212.23
212.227
2538.34
0.000
nilai 4
677.79
677.791
8106.73
0.000
Error
25
2.09
0.084
Total
29
3674.80
c. Excel
Tabel 3.56 Output Taksiran Kesalahan Baku Regresi lInear Majemuk Excel
ANOVA
df
Regres
sion
Residu
al
4
25

2016
SS
3672,
71
2,090
211
MS
918,1
774
0,083
608
73
F
10981
,88
Signific
ance F
3,69E40

Kelompok 11
Total
3674,
8
29
d. Manual
Tabel 3.57 Taksiran Kesalahan Baku Regresi Linier Majemuk
76
76,110
07
78,891
37
82,766
83
07
69,946
70
39
79
93
93,091
99
56,834
94
62,683
63
83
81,657
82
68
57
77
78
77,448
96
78,441
33
92,840
93
86
90 89,928
2016
Y-
0,1100
7
0,1086
26
0,2339
33
0,0536
11
0,0919
9
0,1650
59
0,3161
68
0,3423
24
0,4489
6
0,4413
3
0,1591
4
0,0714
74
(Y-)^2
0,0121
16
0,0118
0,0547
25
0,0028
74
0,0084
63
0,0272
44
0,0999
62
0,1171
86
0,2015
67
0,1947
74
0,0253
26
0,0051

Kelompok 11
53
75
75,448
77
89,491
2
66,894
67
55
89
90
79
90,438
26
79,247
91
91,694
36
88,598
89
33
84,901
85
07
54,962
55
75
92
74
74,023
57
69,817
98
77,790
78
14
70
66
66,087
31
64,861
65
61
65
91
72
61
65,198
34
90,607
65
72,236
94
61,043
59
Total

2016
74
0,4487
7
0,4912
0,1054
5
0,4382
5
0,2479
1
0,3056
45
0,4016
7
0,0989
3
0,0372
55
0,0235
6
0,1820
2
0,2098
65
0,0873
1
0,1383
95
0,1983
4
0,3923
5
0,2369
4
0,0435
9
0,0136
86
75
09
0,2013
97
0,2412
77
0,0111
2
0,1920
67
0,0614
57
0,0934
19
0,1613
39
0,0097
87
0,0013
88
0,0005
55
0,0331
31
0,0440
43
0,0076
22
0,0191
53
0,0393
39
0,1539
39
0,0561
38
0,0019
2,0902
17

Kelompok 11
JKG JKT JKR
n
i 1
i 1
2
2
JKG ei y i y
S e 2=
JKG
2,090217
=
nk 1 3041
= 0,08309
3.2.4.2 Taksiran Kesalahan Baku dari Parameter Slop

a. SPSS
Tabel 3.58 Output Taksiran Kesalaha Baku Slop SPSS
Coefficientsa
Standardize
Model
1
Unstandardized
95,0% Confidence Interval
Coefficients
Coefficients
for B
B
(Constant
Std. Error
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
Bound
Bound
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Minitab
Coefficients
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
Upper
,483
Term
Lower

2016
76
VIF

Kelompok 11
c. Excel
Tabel 3.59 Outpu Taksiran Kesalahan Baku Slop Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,2053
28
0,2480
94
0,2541
86
0,2452
02
0,2498
91
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
d. Manual
S b1= S2e .C 22
0.096696 x 0.00036=0.00587
S b2= S2e .C 33
0.096696 x 0.00062=0.00773
S b3= S2e .C 44
0.096696 x 0.000283=0.00523
S b4 = S 2e . C 55
0.096696 x 9.21E-05=0.002985
Tabel 3.60 Perbandingan Taksiran Kesalahan Baku Slop
No.
Perhitungan
Sb1
Sb 2
Sb 3
Sb 4
SPSS
0.005
0.007
0.005
0.003
Minitab
0.00546
0.00719
0.00487
0.00278

2016
77

Kelompok 11
Excel
0.00546
0.007192
0.004867
0.002775
Manual
0.00587
0.00773
0.00523
0.002985
3.2.4.3 Taksiran Kesalahan Baku dari Parameter Intersep

a. SPSS
Tabel 3.61 Output Taksiran Kesalahan Baku Intersep SPSS
Coefficientsa
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
for B
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
Lower Bound Upper Bound
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Minitab
Coefficients
Term
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
c. Excel
Tabel 3.62 Output Taksiran Kesalahan Baku Intersep Excel
Interc
ept
1
2
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,20532
8
0,24809
4
0,25418
0,425
46
0,005
46
0,007
0,482
603
45,43
992
35,34
0,633
576
1,49E25
7,26E-

2016
78
Lower
95%
0,670
92
0,236
849
0,239
Upper
95%
1,081
579
0,259
338
0,268

Kelompok 11
3
4
6
0,24520
2
0,24989
1
192
0,004
867
0,002
775
47
50,38
195
90,03
736
23
1,16E26
6,25E33
374
0,235
178
0,244
175
997
0,255
225
0,255
607
d. Manual
S a= S2e .C 11 =
0.096696 x 2.16503 = 0.4575
Tabel 3.63 Perbandingan Taksiran Kesalahan Baku Intersep
No.
Perhitungan
Sa
SPSS
0.425
Minitab
0.425
Excel
0.42546
Manual
0.4575

a. SPSS
Tabel 3.64 Output Selang Kepercayaan Slop SPSS
Coefficientsa
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
for B
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256

2016
79

Kelompok 11
b. Excel
Tabel 3.65 Output Selang Kepercayaan Slop Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
0,20532
8
0,24809
4
0,25418
6
0,24520
2
0,24989
1
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
t Stat
Pvalue
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
c. Manual
b 1t . S b 1< 1<b 1+t . S b1

2
0.248 ( 2,048 ) . ( 0.005 ) < 1< 0.248+(2,048) .(0.005)

0.23776< 1< 0.25824
b 2t . S b 2< 2<b 2+t . S b 2

2
0.254( 2,048 ) . ( 0.007 ) < 2<0.254 +(2,048).(0.007)
0.23966< 2< 0.26833
b 3t . S b 3 < 3< b 3+t . Sb 3

2

2016
80
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607

Kelompok 11
0.245 (2,048 ) . ( 0.005 ) < 3<0.245+(2,048) .(0.005)
0.23476< 3<0.25524
b 4t . S b 4 < 4 <b 4 +t . Sb 4
2
0.250 ( 2,048 ) . ( 0.003 ) < 4< 0.250+(2,048) .(0.003)
0.24385< 4< 0.25614
Tabel 3.66 Perbandingan Perhitungan Selang Kepercayaan Slop
Perhitu
ngan
Selang kepercayaan
1
Excel
0.236849 <1 < 0.239374 <2 < 0.235178 <3 <

0.259338
0.268997
0.255225
0.244175
0.255607
SPSS
0.237<1<
0.259
0.239
0.269
0.244 <4< 0.256
Manual
0.23776 < 1 <

0.25824
0.239664 < 2
< 0.268336
<2
< 0.235
0.255
<3
<
0.23476 < 3 <

0.25524
<4<
0.243856 < 4 <

0.256144
3.2.5.2 Selang Kepercayaan Intersep

a. SPSS
Tabel 3.67 Output Selang Kepercayaan Intersep Excel
Coefficientsa
Model
Unstandardized
Standardized
Coefficients
Coefficients
for B
Std. Error

2016
Beta
81
Sig.

Kelompok 11
(Constant
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Excel
Tabel 3.68 Output Selang Kepercayaan Intersep Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,2053
28
0,2480
94
0,2541
86
0,2452
02
0,2498
91
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
c. Manual
at . Sa <<a+ t . S a
2
0.205 (2.048 ) . ( 0.425 ) <<0.205+(2.048).(0.425)

0.6654<<1.0754

2016
82
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607

Kelompok 11
Tabel
3 .69 Perbandingan Selang Kepercayaan
Perhitungan
Selang kepercayaan
Excel
-0.67092<< 1.081579
SPSS
-0.671<<1.082
Manual
0.6654 <<
1.0754
3.2.6 Uji Hipotesis

3.2.6.1 Uji Hipotesis Slop
a. Uji Hipotesis 1
1=0
1. H0 :
(garis mode regresi melewati titik (0,0))
2. H1
1 0
(garis mode regresi tidak melewati titik (0,0))
3. = 0,05
4. Daerah kritis t > 2,048 atau t < -2,048
5. Perhitungan :
t=
b1 0
Sb
1
t=
0,2480
=49,6
0,005
6. Keputusan :Karena 49,6 > 2,048, maka jangan terima H0

7. Kesimpulan :
Garis model regresi tidak melewati titik (0,0)
b. Uji Hipotesis 2
1=0
1. H0
:
2. H1
1 0
3. = 0,05
5. Perhitungan :
b
t= 2 0
Sb
2

2016
83

Kelompok 11
t=
0,2540
=36,2
0,007
6. Keputusan :
Karena 36,2 > 2,048, maka jangan terima H0
7. Kesimpulan :
c. Uji Hipotesis 3
1=0
1. H0 :
2. H1
1 0
3. = 0,05
5. Perhitungan :
b
t= 3 0
Sb
3
t=
0,2450
=49
0,005
6. Keputusan :
Karena 49> 2,048, maka jangan terima H0
7. Kesimpulan :
d. Uji Hipotesis 4
1=0
1. H0 :
2. H1
1 0
3. = 0,05
5. Perhitungan :
b 0
t= 4
Sb
4
t=
0,2500
=50
0,005
6. Keputusan :
Karena 50 > 2,048, maka jangan terima H0
7. Kesimpulan :
3.2.6.2 Uji Hipotesis Intersep
2016
84

Kelompok 11
1. H0
1=0
2. H1
1 0
3. = 0,05
5. Perhitungan :
0
t=
Sa
t=
0,2480
=0,173
0,425
6. Keputusan : Karena -2,048 < 0,173 < 2,048, maka jangan tolak H0
7. Kesimpulan :Garis mode regresi melewati titik (0,0)
3.2.7 Validasi
3.2.7.1 Koefisien Determinai
a. SPSS
Tabel 3.70 Output Koefisien Determinasi SPSS
Model Summaryb
DurbinChange Statistics
Std. Error
Mod
el
1
R
1,000a
Adjusted R
of the
R Square
Square
Square
Estimate
Change
Change
,999
,999
,28915
,999
Watson
Sig. F
10981,8
77
df1
df2
4
Change
25
a. Predictors: (Constant), Nilai4, Nilai3, Nilai1, Nilai2

b.
Dependent Variable: Total
c. Minitab
Model Summary
S
R-sq
R-sq(adj)
R-sq(pred)
0.289151
99.94%
99.93%
99.92%
d. Excel
Tabel 3.71 Output Koefisien Determinasi Excel
SUMMARY OUTPUT
Regression Statistics
0,9997
Multiple R
16

2016
85
,000
1,748

Kelompok 11
R Square
Adjusted R
Square
Standard Error
Observations
0,9994
31
0,9993
4
0,2891
51
30
e. Manual
Y
^
Y i
Y
Y i
J 2 XY
JKR
R^2
Jxx.Jyy Jyy
=
i=1
3672,695
=0,999427
3674,8
Tabel 3.72 Perhitungan Koefisien Determinasi Majemuk
No
Perhitungan
r2
SPSS
0,999
Minitab
0,999
Excel
0,999
Manual
0,999
3.7.2 Uji Asumsi Klasik

a. Uji Linieritas
Hipotesis
1. H0 : Data model bersifat regresi linier.
2. H1 : Data model tidak bersifat regresi linier.
3. : 0.05
2016
86

Kelompok 11
4. Daerah kritis : p < 0.05
5. Perhitungan
SPSS
Tabel 3.73 Perhitungan Uji Linearitas SPSS
ANOVA Table
Sum of
Squares
Mean
df
Square
Sig.
Total *
Between
(Combined)
3405,633
26
130,986
1,460
,431
Nilai1
Groups
Linearity
1930,231
1930,231
21,513
,019
1475,402
25
59,016
,658
,766
269,167
89,722
3674,800
29
Deviation from
Linearity
Within Groups
Total
ANOVA Table
Sum of
Squares
Mean
df
Square
Sig.
Total *
Between
(Combined)
3648,300
27
135,122
10,198
,093
Nilai2
Groups
Linearity
2458,796
2458,796
185,569
,005
1189,504
26
45,750
3,453
,249
26,500
13,250
3674,800
29
Deviation from
Linearity
Within Groups
Total
ANOVA Table
Sum of
Squares
Mean
Df
Square
Sig.
Total *
Between
(Combined)
3326,800
24
138,617
1,992
,228
Nilai3
Groups
Linearity
1723,577
1723,577
24,764
,004
1603,223
23
69,705
1,002
,559
348,000
69,600
3674,800
29
Deviation from
Linearity
Within Groups
Total
ANOVA Table

2016
87

Kelompok 11
Sum of
Squares
Mean
Df
Square
Total *
Between
(Combined)
3604,300
24
Nilai4
Groups
Linearity
2347,561
1256,739
23
54,641
70,500
14,100
3674,800
29
Deviation from
Linearity
Within Groups
Total
150,179
Sig.
10,651
,008
2347,561 166,494
,000
3,875
,069
6.Keputusan :
b. sig1 > 0,05, yakni 0,776>0,05
c. sig2 > 0,05, yakni 0,249>0,05
d. sig3 > 0,05, yakni 0,559>0,05
e. sig4 > 0,05, yakni 0,069>0,05, maka jangan tolak Ho
7. Kesimpulan : Data bersifat linier
b. Uji Normalitas
SPSS
1. H0 : Data model regresi berdistribusi secara normal.
2. H1 : Data model regresi tidak berdistribusi secara normal.
3. : 0.05
4. Daerah kritis : KS > 0,242 (diambil dari tabel kolmogorov Smirnov
dengan alpha 0,05 dan n=30
5. Perhitungan :

2016
88

Kelompok 11
Minitab

2016
89

Kelompok 11
Probability Plot of total

Normal
99
Mean
76.8
StDev
11.26
N
30
KS
0.127
P-Value >0.150
95
90
Percent
80
70
60
50
40
30
20
10
5
50
60
70
80
90
100
110
total
6.Keputusan
:0,127 < 0,242 maka jangan tolak Ho
7. Kesimpulan
: Regresi bersifat distribusi normal
c. Autokorelasi
1. Ho : Model regresi tidak terjadi autokorelasi
2. H1 : Model regresi terjadi autokorelasi
3. = 0.05
4. Daerah kritis: 1,74 <dw<2,26
5. Perhitungan
a. SPSS
Tabel 3.74 Output Perhitungan Autokorlasi SPSS
Model Summaryb
Dur
Change Statistics
Std. Error of
Mode
l
1
R
1,000a
Adjusted R
the
R Square
Square
Square
Estimate
Change
Change
,999
,999
,28915
,999
a. Predictors: (Constant), Nilai4, Nilai3, Nilai1, Nilai2

b. Dependent Variable: Total
b. Minitab
Durbin-Watson Statistic
Durbin-Watson Statistic =

2016
1.74828
90
Wa
Sig. F
10981,87
7
df1
df2
4
Change
25
,000

Kelompok 11
f. Manual
Tabel 3.75 Perhitungan Manual Autokorelasi Regresi Majemuk
Y
X1
X2
X3
X4
76
70,8
75,5
81,8
76,4
79
82,4
79,3
73,9
79,9
83
79,6
88,3
77,6
85,4
70
85,4
66,3
60,6
67,4
93
96,6
88,9
97,1
90,1
57
40,9
67,6
55,9
62,4
63
64,3
76,1
54,4
55,4
82
86,7
84,3
73,1
82,4
77
78,8
80,5
74,9
75,5
78
73,3
85,5
77,8
77
93
94,7
90,9
94,6
91,4
90
96,6
92,3
87,4
83,5
75
79,8
84,3
72,9
64,6
89
89,3
92,8
88
87,9
67
65
70
72,5
60
90
79
91,5
91,3
100
79
60
80,5
87,5
89

2016
91
76,1100
7
78,8913
7
82,7660
7
69,9463
9
93,0919
9
56,8349
4
62,6838
3
81,6576
8
77,4489
6
78,4413
3
92,8408
6
89,9285
3
75,4487
7
89,4912
66,8945
5
90,4382
6
79,2479

Kelompok 11
92
88
86,5
92,5
100
89
68
90
97,5
99
85
80
84
76,5
99
55
59
42,5
78,8
40
74
67
72,5
72,5
84
70
85
93
91,3
10
78
68
77,5
88,8
77
66
68
71,5
85
40
65
75
74,5
80
30
65
56
68
78,8
58
91
86
89
87,5
100
72
83
70,5
72,5
63
61
69
73
42,5
59
1
91,6943
6
88,5983
3
84,9010
7
54,9627
5
74,0235
7
69,8179
8
77,7901
4
66,0873
1
64,8616
1
65,1983
4
90,6076
5
72,2369
4
61,0435
9
Tabel 3.75 Perhitungan Manual Autokorelasi Regresi Majemuk (Lanjutan)
Et
et-1
76,11
007
0,110
07
78,89
137
0,108
626
82,76
607
0,233
933
0,110
07
0,108
626
69,94
639
0,053
611
0,233
933
93,09
199
0,091
99
0,053
611

2016
et(et-1)
(et-(et1))^2
et^2
0,218
696
0,047827
94
0,011
8
0,125
307
0,180
32
0,145
61
0,015701
844
0,054
725
0,032516
024
0,002
874
0,021200
816
0,008
463
92

Kelompok 11
56,83
494
0,165
059
62,68
383
81,65
768
0,316
168
0,342
324
0,448
96
0,441
33
77,44
896
78,44
133
92,84
086
0,159
14
89,92
853
0,071
474
75,44
877
89,49
12
66,89
455
90,43
826
0,448
77
0,491
2
0,105
45
0,438
25
0,247
91
0,091
99
0,165
059
0,316
168
0,342
324
0,448
96
0,441
33
0,159
14
0,071
474
0,099
962
0,117
186
0,626133
534
0,201
567
0,007
628
5,81864E05
0,194
774
0,600
47
0,360564
221
0,025
326
0,007685
328
0,005
109
0,270656
941
0,201
397
0,087
67
0,520
25
0,596
65
0,355991
223
0,011
12
0,105
45
0,543
7
0,295615
127
0,192
067
0,190
345
0,036231
219
0,061
457
0,553
555
0,306423
138
0,093
419
0,096
025
0,302
74
0,061
67
0,060
82
0,205
58
0,009220
801
0,161
339
0,091651
508
0,009
787
0,003803
806
0,001
388
0,003699
072
0,000
555
0,042263
136
0,033
131
0,401
67
84,90
107
0,098
93
0,401
67
54,96
275
0,037
255
0,098
93

2016
0,022833
93
0,000684
136
0,241
277
88,59
833
69,81
798
0,151
109
0,026
156
0,791
29
0,001800
305
0,305
645
0,023
56
0,182
02
0,027
244
0,042
43
91,69
436
74,02
357
0,066074
188
0,448
77
0,491
2
0,438
25
0,247
91
0,305
645
79,24
791
0,257
049
0,037
255
0,023
93

Kelompok 11
77,79
014
0,209
865
0,087
31
66,08
731
56
0,182
02
0,209
865
0,027
845
0,297
17
0,000775
344
0,044
043
0,088310
009
0,007
622
64,86
161
0,138
395
0,087
31
0,225
705
0,050942
747
0,019
153
65,19
834
0,198
34
0,138
395
0,336
74
0,113390
46
0,039
339
90,60
765
0,392
35
0,198
34
0,590
69
0,348914
676
0,153
939
0,392
35
0,629
29
0,395999
611
0,056
138
0,193
35
0,037384
222
0,001
9
Total
3,654353
493
2,078
101
1,758
506
0,236
94
0,043
59
72,23
694
61,04
359
0,236
94
0,043
59
Mencari nilai Durbin Watson

2
e tet 1
t=n
d =
3,6543
2,078
1,75
Tabel 3.76 Perbandingan Nilai Uji Autokorelasi Regresi Linier
Majemuk
No
Perhitungan
SPSS
1,746

2016
94

Kelompok 11
2
Minitab
1,758
Manual
1,75
6. Keputusan :
Ho diterima, berdasarkan hasil pengolahan data SPSS diperoleh nilai
D-W 1,74 < 2,51.
7. Kesimpulan : Model regresi terjadi autokorelasi.
d. Uji Heteroskedastisitas
Hipotesis:
1. Ho : Tidak terjadi ketidaksamaan variansi dari satu pengamatan dengan
pengamatan lainnya.
2. H1 : Terjadi ketidaksamaanvariansi dari satu pengamatan dengan
pengamatan yang lain.
3. : 0.05
4. Daerah kritis : plot membentuk pola geometris
5. Perhitungan
a. SPSS

2016
95

Kelompok 11
b. Minitab
Versus Fits
(response is total)
0.50
Residual
0.25
0.00
-0.25
6.
-0.50
50
60
70
80
90
Fitted Value
Keputusan
: Jangan tolak Ho karena plot tidak membentuk pola geometris.
7. Kesimpulan : Tidak terjadi ketidaksamaan variansi dari satu pengamatan dengan

pengamatan lainnya.
e. Uji Multikolinieritas
Hipotesis
2016
96

Kelompok 11
1. Ho : Model regresi tidak memiliki korelasi yang tinggi
2. H1 : Model regresi memiliki korelasi yang tinggi
3. = 0.05
4. Daerah kritis: VIF < 1/1-R2 , VIF < 100
5. Perhitungan
a. SPSS
Tabel 3.77 Output Uji Multikolinearitas SPSS
Coefficientsa
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Collinearity Statistics
t
Sig.
,634
,285
45,440
,000
,579
1,727
,007
,249
35,345
,000
,460
2,175
,245
,005
,283
50,382
,000
,721
1,387
,250
,003
,495
90,037
,000
,752
1,329
b. Minitab
Coefficients
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
,483
Term
Tolerance
6.Keputusan :
VIF < 100 maka jangan tolak Ho
7. Kesimpulan : model regresi tidak terjadi multikolinearitas
3.2.7.2 Pengujian Garis Regresi

Hipotesis
1. H : =0 (x tidak mempengaruhi y)
0

2016
97
VIF

Kelompok 11
2. H1 :
0 (ada hubungan linear antara x dan y)
3. Derahat kebebasan 0,05

4. Daerah kritis : F hitung > f tabel
f tabel = 2,76 (lihat tabel L.6) dengan
v1
=k1
=51
=4
v2
=n-k1
= 30 4 - 1
= 25
5. Perhitungan:
a. SPSS
Tabel 3.78 Output Uji aGaris Regresi SPSS
ANOVAa
Model
1
Sum of Squares
Regression
Mean Square
3672,710
918,177
2,090
25
,084
3674,800
29
Residual
Total
df
F
10981,877

b. Predictors: (Constant), Nilai4, Nilai3, Nilai1, Nilai2
b. Minitab
Source
Regression
DF
Adj SS
Adj MS
F-Value
P-Value
3672.71
918.177
10981.88
0.000
nilai 1
172.63
172.634
2064.79
0.000
nilai 2
104.45
104.448
1249.25
0.000
nilai 3
212.23
212.227
2538.34
0.000
nilai 4
677.79
677.791
8106.73
0.000
0.084
Error
25
2.09
Total
29
3674.80
c. Excel
Tabel 3.79 Output Uji Garis Regresi Excel
ANOVA
df
Regres
sion
Residu
al
Total
4
25
29

2016
SS
3672,
71
2,090
211
3674,
MS
918,1
774
0,083
608
98
F
10981
,88
Signific
ance F
3,69E40
Sig.
,000b

Kelompok 11
8
d. Manual
JKR =
^y y 2
= 2,090217
JKR 2,090217
=
=0,522554
k
4
Rataan kuadrat regresi =

2
y ^y
JKG =
Rataan kuadrat galat =
= 2,090217
JKG
2,090217
=
=0,0836
( nk )1 (304 )1
JKT = JKG+JKR = 0,522554 + 0,0836

= 0,606
F hitung =
rataankuadrat regresi
rataan kuadrat galat
0,522554
=6,25
2,090217
Tabel 3.80 Hasil Perhitungan Manual Pengujian Garis Regrasi
S.Variansi
Jmlh Kuadrat
Rataan Kuadrat
F hitung
6,25
JKR
2,090217
0,522554
JKG
2,090217 25
0,606
JKT
21550,67 29
6.Keputusan : Fhitung > Ftabel, maka Ho ditolak.

7. Kesimpulan : Ada hubungan linear antara x dan y.

2016
99

Kelompok 11
3.2.7.4 Pengujian Hasil Regresi
Uji T
1=2
1. H0 :
(tidak terdapat perbedaan rataan antara y dan
1 2
2. H1 :
(terdapat perbedaan rataan antara y dan
^y )
^y )
3. = 0,05
4. Daerah kritis = t < -1,69 atau t > 1,69 dengan v = 30 (tabel L.4)
5. Perhitungan :
a. SPSS
Tabel 3.81 Output UjiT Regresi Majemuk SPSS
Paired Samples Test
Sig. (2Paired Differences
df
tailed)
95% Confidence Interval of
Mean
Pair 1 Total Nilai1
Pair 2 Total Nilai2
Pair 3 Total Nilai3
Pair 4 Total Nilai4
Std.
Std. Error
Deviation
Mean
the Difference
Lower
Upper
,96000
9,10387
1,66213
-2,43944
4,35944
,578
29
,568
-2,77000
6,72203
1,22727
-5,28005
-,25995
-2,257
29
,032
-2,05000
9,75672
1,78133
-5,69322
1,59322
-1,151
29
,259
3,89000
14,92908
2,72566
-1,68461
9,46461
1,427
29
,164
b. Minitab
Paired T-Test and CI: total, nilai 1
Paired T for total - nilai 1
N
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 1
30
75.84
12.93
2.36
Difference
30
0.96
9.10
1.66
95% CI for mean difference: (-2.44, 4.36)

T-Test of mean difference = 0 (vs 0): T-Value = 0.58

2016
100
P-Value = 0.568

Kelompok 11
N
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 2
30
79.57
11.01
2.01
Difference
30
-2.77
6.72
1.23
95% CI for mean difference: (-5.28, -0.26)

T-Test of mean difference = 0 (vs 0): T-Value = -2.26
P-Value = 0.032

N
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 3
30
78.85
12.99
2.37
Difference
30
-2.05
9.76
1.78

T-Test of mean difference = 0 (vs 0): T-Value = -1.15
P-Value = 0.259

N
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 4
30
72.91
22.31
4.07
Difference
30
3.89
14.93
2.73

T-Test of mean difference = 0 (vs 0): T-Value = 1.43
P-Value = 0.164
c. Excel
Tabel 3.82 Output UjiT Regresi Majemuk Excel
Mean

2016
Total
76,8
101
1
75,84

Kelompok 11
Varianc
e
Observa
tions
Pearson
Correlati
on
Hypothe
sized
Mean
Differen
ce
df
t Stat
P(T<=t)
one-tail
t Critical
one-tail
P(T<=t)
two-tail
t Critical
two-tail
126,7
172
167,0
625
30
30
0,724
749
0
29
0,577
572
0,284
005
1,699
127
0,568
011
2,045
23

Means
Varia
ble 1
Mean
Variance
Observations
Pearson
Correlation
Hypothesized
Mean Difference
Df
t Stat
P(T<=t) one-tail
t Critical one-tail
P(T<=t) two-tail

2016
76,8
126,
7172
30
0,81
7983
0
29
2,25
705
0,01
5856
1,69
9127
0,03
102
Varia
ble 2
79,5
7
121,
2629
30

Kelompok 11
t Critical two-tail
1711
2,04
523

Means
Vtotal
ariable
1
Mean
Variance
Observations
Pearson
Correlation
Hypothesized
Mean Difference
Df
t Stat
P(T<=t) one-tail
t Critical one-tail
P(T<=t) two-tail
t Critical two-tail
76,8
126,71
72
30
0,6848
55
3
78,8
5
168,
800
5
30
0
29
1,1508
3
0,1296
02
1,6991
27
0,2592
04
2,0452
3

Means
Total
Mean
Variance
Observations
Pearson
Correlation
Hypothesized
Mean Difference
Df

2016
76,8
126,
7172
30
0,79
9266
0
29
103
4
72,9
1
497,
5368
30

Kelompok 11
1,42
7175
0,08
2105
1,69
9127
0,16
4209
2,04
523
t Stat
P(T<=t) one-tail
t Critical one-tail
P(T<=t) two-tail
t Critical two-tail
d. Manual
t=
( y ^y )
( n 1 ) S
1
t=
2
1
+ ( n21 ) S22
n 1 n2 (n1+ n22)
n1+ n2
30.30 ( 30+302 )
0,013686
30+30
( 301 ) 167057,248+ ( 301 ) 27909,878
t=0,001925
6. Keputusan :
Karena t > 1,69, maka terima H0.
7. Kesimpulan :
Tidak erdapat perbedaan rataan antara y dan
^y .
Tabel 3.83 Perbandingan Hasil Uji T
No Perhitungan
1
SPSS
2
Minitab
3
Excel
4
Manual
Hasil
0,578
0,58
0,58
0,0019
Uji F
2
1. H0 : 1 = 2
(nilai variansi y sama dengan
^y )
2
2
2. H1 : 1 2 (nilai variansi y tidak sama dengan
3. = 0,05
4. Daerah kritis :
f0.05 (29,29) =
2016
3029
2924
104
^y )
1,85x
x1,9

Kelompok 11
X = 1,858
f0.95 (29,29)= 1/1,858= 0,538
Daerah kritisnya adalah f<0,538 atau f>1,858, untuk f=S12/ S22 dengan derjat
kebebasan v1=29 dan v2=29
5. Perhitungan :
a. Minitab
Test and CI for Two Variances: total, nilai 1
Tests
Test
Method
F
DF1
DF2
Statistic
P-Value
29
29
0.76
0.461
Tests
Test
Method
F
DF1
DF2
Statistic
P-Value
29
29
1.04
0.907
Tests

2016
105

Kelompok 11
Test
Method
DF1
DF2
Statistic
P-Value
29
29
0.75
0.445

Tests
Test
Method
DF1
DF2
Statistic
P-Value
29
29
0.25
0.000
b. Excel
Total
Mean
Variance
Observations
Df
F
P(F<=f) one-tail
F Critical one-tail
76,8
126,
7172
30
29
0,75
8502
0,23
0649
0,53
74
1
75,8
4
167,
0625
30
29

Total
Mean
Variance
Observations
Df
F
76,8
126,
7172
30
29
1,04
498

2016
2
79,5
7
121,
2629
30
29
106

Kelompok 11
P(F<=f) one-tail
F Critical one-tail
0,45
3253
1,86
0811

Total
Mean
Variance
Observations
Df
F
P(F<=f) one-tail
F Critical one-tail
76,8
126,
7172
30
29
0,75
0692
0,22
2373
0,53
74
3
78,8
5
168,
8005
30
29

Total
Mean
Variance
Observations
Df
F
P(F<=f) one-tail
F Critical one-tail
76,8
126,
7172
30
29
0,25
4689
0,00
0213
0,53
74
4
72,9
1
497,
5368
30
29
c. Manual
s12 s ( y )2 73,6
2=
=
=0,959
s1 s ( ^y )2 76,8
6. Keputusan :
2016
107

Kelompok 11
Karena 0,7585 > 0,538 maka tolak H0
7. Kesimpulan :
Nilai variansi y tidak sama dengan
^y .
Tabel 3.84 Perbandingan Hasil Uji F
No Perhitungan
1
SPSS
3.2.8
Hasil
0.76
Minitab
0.758502
Excel
0.7585
Manual
0,959
Prediksi (ramalan)
3.2.8.1 Selang Prediksi rata-rata
selang kepercayaan (1).100% atau 95% untuk rataan respon | xo rumusnya
adalah:
y o t . .S x' 0 ( X ' X ) 1 x 0 Yi x1 0 , x 2 0 ...x k 0 y o t . .S x' 0 ( X ' X ) 1 x 0

2
Dimana nilai t/2 adalah nilai distribusi-t, dengan derajat kebebasan n-k-1.
Dengan persamaan regresi
^
yo=b0 +b 1 x 1+ b2 x 2 +b 3 x 3 +b4 x 4
[] [ ]
a
b1
b2
b3
b4
0,205
0,248
0,254
0,245
0,249
Dengan a = 0,205 b1 = 0,248

x1 = 2275,2
x2 = 2387,1
b2=0,254
x3=2365,5
b3 = 0,245
b4 =0,249
x4 = 2187,3
Maka :
^
yo=0,205+(0,248)(70,8)+(0,254)(75,5)+(0,245)(81,8)+( 0,249)(76,4 )
^
yo=73,243
Dari output SPSS diperoleh nilai s = 0,289 (tabel model summary)

Untuk mencari XX dengan menggunakan matriks adalah dengan menggunakan
formula :
2016
108

Kelompok 11
Sehingga diperoleh nilai XX sebagai brikut:
30
2275.2
2387.1 2365.5 2187.3
2275.2 177396
183674.7 181455.6 168612.5
2387.1 183674.7 193458.2 190328.9
177549.1
2365.5 181455.6 190328.9 191414.9
175105.6
2187.3 168612.5 177549.1 175105.6 173904.6 1.50663E+1284921
][ ] [ ]
a
2304
b1
177793.4
=
b2
186269.8
b3
184575.1
b4
173804.6
Matrik persamaan (X`X).b = (X`y), invers dari (X`X) adalah sebagai berikut = (XX)-1
2.16503
0.00432 0.01552 0.00817
0.004317 0.00036 0.00024 4.7E-05
0.01552 0.00024 0.00062 0.00012
0.00817 0.00005 0.00012 0.000283
0.0010
0.00000 0.00008 1.4E-05
Untuk matriks Xo
2275,2 2387,1 2365,5 2187,3

30
30
30
30
[ 1 ; 75,84 ; 79,57 ; 78,85 ; 72,91 ]

X`o.(X`X)-1.Xo [ 1 ; 75,84 ; 79,57 ; 78,85 ; 72,91 ]

2016
109
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05

Kelompok 11
2.16503
0.00432 0.01552 0.00817
0.004317 0.00036 0.00024 4.7E-05
0.01552 0.00024 0.00062 0.00012
0.00817 0.00005 0.00012 0.000283
0.0010
0.00000 0.00008 1.4E-05
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05
][ ]
1
75,84
79,57
78,85
72,91
= 0,033
Dengan menggunakan tabel L4 diperoleh t0,025 = 2,060 untuk derajat kebebasan
v = 30 - 4 - 1 = 25
Jadi selang prediksi rata-rata dengan selang kepercayaan 95% untuk Y X0 adalah :
^
y o t S x 0' ( X ' X ) 1 x 0 I
y
73,243 2,060 (0,289)
'
1
x10,20,..., k 0 y o t S x0 ( X ' X ) x0
2
0,033 y Ix10,20... k0 <73,243+2,060 (0,289) 0,033

I
y
10, 20,..., k 0
73,134
73,538
3.2.8.2 Selang Prediksi Tunggal

Suatu selang prediksi tunggal diberikan dengan formula sebagai berikut:
Dimana nilai dari t /2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Dengan menggunakan tabel distribusi-t diperoleh t0,025 = 2,060 untuk derajat
73,43 2,060 (0,289)
1+ 0,033 y Ix10,20... k0 <73,43+2,060 (0,289)

1+ 0,033
I
y
10, 20,..., k 0
72,637
3.3
74,03
Seleksi Variabel
1.3.1 Forward
Tabel 3.85 Output Seleksi Variabel Forward
Variables Entered/Removeda

2016
110

Kelompok 11
Model
Variables
Variables
Entered
Removed
Method
Forward
Nilai2
(Criterion:
Probability-of-Fto-enter <= ,050)
Forward
Nilai4
(Criterion:
Forward
Nilai3
(Criterion:
Forward
Nilai1
(Criterion:
a.
Dependent Variable: Total
1.3.2 Backward
Model
1
Variables
Variables
Entered
Removed
Nilai4, Nilai3,
Method
. Enter
Nilai1, Nilai2b
b. All requested variables entered.
1.3.3 Stepwise
Model
Variables
Variables
Entered
Removed

2016
111
Method

Kelompok 11
Stepwise
(Criteria:
Probability-of-FNilai2
. to-enter <= ,050,

Probability-of-Fto-remove >= ,
100).
Stepwise
(Criteria:
. to-enter <= ,050,

100).
Stepwise
(Criteria:
. to-enter <= ,050,

100).
Stepwise
(Criteria:
. to-enter <= ,050,

100).

2016
112

Kelompok 11
BAB IV
ANALISIS DATA
4.1
Analisis Korelasi dan Regresi Linear Sederhana
4.1.1 Koefisien Korelasi Sampel

Berikut ini adalah tabel perbandingan nilai koefisien korelasi
Tabel 4.1 Perbandingan Koefisiean Korelasi Sampel
No
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
0.048
0.048
0.048
0.048
Analisis korelasi adalah metode statistika yang digunakan untuk menentukan

kuatnya atau derajat hubungan linier antara dua variabel atau lebih. Semakin nyata
hubungan linier (garis lurus), maka semakin kuat atau tinggi derajat hubungan garis
lurus antara kedua variabel atau lebih. Ukuran untuk derajat hubungan garis lurus ini
dinamakan koefisien korelasi. Analisa korelasi berganda berfungsi untuk mencari
besarnya hubungan antara dua variabel bebas (X) atau lebih secara simultan dengan
variabel terikat (Y). Nilai koefisien korelasi pearson (r) digunakan untuk memperoleh
taksiran sampel koefisien korelasi ().
Berdasarkan hasil perhitungan dengan software SPSS, Minitab, Excel dan
manual didapatkan nilai r yang sama, yaitu 0.048. Pada nilai tersebut, sebenarnya ada
kemungkinan bahwa korelasinya adalah nol karena mendekati nilai 0, yang berarti
kenaikan X tidak mempengaruhi nilai Y. Tetapi berdasarkan analisis objektif sesuai
angka yang didapat, hubungan 2 variabel ini termasuk ke korelasi positif, karena
koefisien tidak bernilai 0. Nilai koefisien ini menunjukkan keeratan hubungan antara
variabel dependen dan independen.
4.1.2 Regresi Linear Sederhana

2016
113

Kelompok 11
Analisis
regresi
merupakan
teknik
statistika
yang
digunakan
untuk
memperkirakan hubungan antara variabel dependen dan variabel independen. Pada

regresi linear sederhana hanya terdiri dari 1 variabel independen dan 1 variabel
dependen.
Slop
Berikut ini adalah tabel perbandingan nilai slop regresi sederhana
Tabel 4.2 Perbandungan Nilai Slop Regresi
No
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
R
7,329E-5
0,000073
7,33E-05
7,33E-05
Berdasarkan hasil perhitungan software Minitab, Excel dan manual

diperoleh nilai slop yang sama, yaitu 0000073. Sedangkan pada perhitungan
SPSS diperole 0,0000732. Hal ini dikarenakan pembulatan SPSS yang
berbeda dengan lainnya. Nilai taksiran slop merupakan nilai yang dikalikan
dengan variabel independen yang akan menambah atau mengurangi nilai
variabel dependen. Dalam data ini didapatkan nilai slop positif, sehingga
persamaan regresi nilai slop akan menambahkan nilai dari persamaan
regresi.
Intersep
Berikut ini adalah tabel perbandingan nilai intersep regresi sederhana
Tabel 4.3 Perbandungan Nilai Intersep Regresi
No
Perhitunga
.
1
2
3
n
SPSS
Minitab
Excel
3,300
3,3001
3,30009
6
4
Manual
3,300
Berdasarkan hasil perhitungan software SPSS, Minitab, Excel dan
manual diperoleh nilai intersep yang hampir sama, yaitu 3,300 secara
berurutan walaupun terdapat angka di belakang perhitungan. Perbedaan
2016
114

Kelompok 11
nilai terjadi karena perbedaan pembulatan angka dan ketentuan jumlah
angka yang diambil di belakang koma. Nilai taksiran intersep merupakan
nilai tetap terhadap variabel dependen. Dalam hal ini intersep diposisikan
sebagai konstanta dalam persamaan regresi.
4.1.3 Standar Error atau Kesalahan Baku
4.1.3.1
Kesalahan Baku Regresi

Berikut ini adalah tabel perbandingan nilai kesalahan baku regresi sederhana
Tabel 4.4 Perbandingan Nilai Kesalahan Baku Regresi
No
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,129
0,12900
Excel
3
0,12900
Manual
3
0,129
Berdasarkan hasil perhitungan software SPSS, Minitab, Excel dan manual

diperoleh nilai intersep yang hampir sama, yaitu kisaran 0,129. Perbedaan nilai terjadi
karena perbedaan pembulatan angka dan ketentuan jumlah angka yang diambil di
belakang koma. Semakin mendekati nol, maka nilai regresi dan koefisien semakin
mendekati tepat. Maka berdasarkan nilai kesalahan baku regresi, yaitu 0,129 dapat
disimpulkan bahwa perhitungan mendekati aslinya.
4.1.3.2
Kesalahan Baku Taksiran Slop

Berikut ini adalah tabel perbandingan nilai kesalahan baku taksiran slop regresi
sederhana

2016
115

Kelompok 11
Tabel 4.5 Perbandungan Nilai Kesalahan Baku Taksiran Slop Regresi
Sederhana
No
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,000
0,00028
Excel
7
0,00028
Manual
7
0,00028
7
diperoleh nilai intersep yang sama, yaitu kisaran 0,000289. Nilai ini menunjukkan
tingkat ketepatan yang dimiliki nilai regresi dan koefisien. Perbedaan nilai terjadi
belakang koma. Maka berdasarkan nilai taksiran slop, yaitu 0,000287, dapat
disimpulkan bahwa perhitungan taksiran mendekati aslinya karena nilai slop mendekati
nol.
4.3.1.3
Kesalahan Baku Taksiran Intersep

Berikut ini adalah tabel perbandingan nilai kesalahan baku taksiran intersep
regresi sederhana
Tabel 4.6 Perbandungan Nilai Kesalahan Baku Taksiran Intersep Regresi

Sederhana

2016
No
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,078
0,0783
0,07827
Manual
9
0,078
116

Kelompok 11
diperoleh nilai intersep yang hampir sama, yaitu kisaran 0,078. Perbedaan nilai terjadi
belakang koma. Semakin mendekati nol, maka nilai regresi dan koefisien semakin
mendekati tepat. Maka berdasarkan nilai kesalahan baku regresi, yaitu 0,078, dapat
disimpulkan bahwa perhitungan taksiran sudah cukup mendekati aslinya.
4.1.4.1
Selang Kepercayaan Slop

Selang kepercayaan adalah besar nilai yang masih mungkin pada nilai taksiran
slop dengan = 0,05 (pada derajat kepercayaan 95 . Nilai taksiran slop merupakan nilai
yang dikalikan dengan variabel independen. Jika nilai slop positif maka nilai model
regresi akan bertambah sedangkan bila nilai slop negatif maka model regresi linear akan
berkurang.
Tabel 4.7 Perbandungan Nilai Selang Kepercayaan Slop
No
1
2
3
Cara Perhitungan
SPSS
Excel
Manual
Selang Kepercayaan
-0,001< <0,001
-0,00052< <0,00062
-0,00052< <0,00066
Dari tabel diatas, menunjukkan bahwa ketiga output menghasilkan nilai batas
bawah dan batas atas yang tidak signififkan perbedaannya. Perbedaan hanya terlihat
pada pembulatan di belakang koma. Secara garis besar, dapat terlihat bahwa batas
bawah dari selang kepercayaan slop adalah -0,00052 dan batas atasnya adalah 0,00062.
Pada SPSS berbeda dikarenakan pembulatan yang berbeda pula dengan yang lainnya.
4.1.4.2
Selang Kepercayaan Intersep

Selang kepercayaan adalah besar nilai yang masih mungkin pada nilai taksiran
intersep dan taksiran intersep dengan = 0,05 (derajat kepercayaan 95%). Nilai taksiran
Intersep digunakan untuk menyatakan nilai konstanta (nilai tetap) terhadap variabel
dependen.
Tabel 4.8 Perbandungan Nilai Selang Kepercayaan Intersep
No
Cara Perhitungan

2016
Selang Kepercayaan
117

Kelompok 11
1
SPSS
3,140 < < 3,460
Excel
Manual
3,13975 < < 3,460443

3,139782 < < 3,460411
Dari tabel di atas diperoleh kesimpulan bahwa output perhitungan selang

kepercayaan intersep di SPSS, Minitab, dan Excel menghasilkan output yang tidak
terlampau jauh perbedaannya dengan kisaran 3,139. Perbedaan nilai terjadi karena
perbedaan pembulatan angka dan ketentuan jumlah angka yang diambil di belakang
koma. Untuk batas bawah perhitungan ini 3,139 sementara untuk batas atasnya adalah
3,460.
4.1.5 Validasi
4.1.5.1 Koefisien Determinasi
Berdasarkan hasil perhitungan software SPSS,Minitab,Excel dan manual maka
dihasilkan nilai Koefisien Determinan sebagai berikut :
Tabel 4.9 Perbandingan Koefisien Determinasi
No
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,002
0,0023
0,00231
Manual
8
0,00232
Pada perhitungan regresi linier sederhana selain koefisien korelasi terdapat pula
koefisien determinasi (r2) yang menyatakan proporsi variansi keseluruhan dalam nilai
peubah y yang dapat diakibatkan oleh hubungan linier dengan nilai peubah x.
Berdasarkan perhitungan menggunakan software SPSS, Minitab, Excel, dan
manual didapatkan nilai koefisien determinan sebesar 0,002. Hal ini menandakan bahwa
0,02% variansi dari nilai y (total nilai) disebabkan oleh hubungan linier dengan x (nilai
ulangan harian). Dari besar nilai presentase yang sangat kecil tersebut menandakan
bahwa tidak ada pengaruh signifikan antara variabel x dan y.
4.1.5.2 Uji Asumsi Klasik Statistika
2016
118

Kelompok 11
1. Uji Linieritas
Tabel 4.10 Uji Linieritas Data Model Regresi Linier Sederhana SPSS
ANOVA Table
Sum of
IPK * MS
Betwee
(Combined)
Linearity
Deviation from
Groups
Squares
1,549
,008
Linearity
Within Groups
Total
Mean
Df Square
F
11
,141 1,223
1
,008 ,073
1,540
10
,154 1,338
2,072
3,620
18
29
,115
Sig.
,340
,790
,284
Berdasarkan hasil output dari software SPSS didapatkan nilai signifikan dari
deviation from linierity sebesar 0,284. Nilai tersebut menandakan bahwa data tersebut
bersifat linier karena berada diluar nilai kritis dengan = 0.05. Suatu model linier
digunakan untuk memprediksi variabel dependen pada suatu garis lurus yang peubah
nilainya konstan terhadap peubah nilai variabel independen.Berdasarkan perhitungan
tersebut, dapat disimpulkan bahwa nilai linieritas yang dimiliki oleh variabel
independen dan dependen memenuhi syarat pada uji asumsi klasik untuk regresi linier.
2. Uji Normalitas

2016
119

Kelompok 11
Probability Plot of IPK

Normal
99
Mean
3,311
StDev 0,3533
N
30
KS
0,131
P-Value >0,150
95
90
Percent
80
70
60
50
40
30
20
10
5
2,0
2,5
3,0
3,5
4,0
IPK
Gambar 4.1 Perbandingan Uji Normalitas di SPSS dan Minitab

Uji normalitas merupakan suatu uji untuk mengetahui apakah persebaran data
berdistribusi normal atau tidak. Kegunaan uji ini adalah agar data yang diuji tidak
berada di bawah duga (under estimated) atau diluar duga sehingga menyebabkan uji
Anova tidak valid.
Berdasarkan hasil output menggunakan software SPSS dan Minitab maka
dapat disimpulkan bahwa grafik Normal P-P Plots diatas memiliki plot yang tersebar
disekitar garis lurus (garis normal). Sedangkan grafik histogram membentuk kurva
normal. Hal tersebut menandakan bahwa data yang digunakan berdistribusi secara
normal. Hal ini juga ditunjukkan dengan nilai KS pada output minitab yaitu sebesar
0,131 yang berarti lebih dari 0,05 sehingga dinyatakan berdistribusi normal.
3. Uji Autokorelasi
maka dihasilkan nilai Durbin Watson untuk uji autokorelasi sebagai berikut :
Tabel 4.11 Perbandingan Uji Autokorelasi
Durbin Watson
SPSS
2,187
Minitab
2,187
Manual
0,943
Uji autokorelasi bertujuan untuk menguji apakah pada model regresi

terdapat korelasi antara residual pada periode ke-t dengan residual pada periode
sebelumnya (t-1). Pada perhitungan ini digunakan uji Durbin Watson, dimana
untuk mendapatkan regresi yang baik maka suatu model harus tidak terjadi
2016
120

Kelompok 11
autokorelasi. Pada percobaan ini dihasilkan nilai uji Durbin Watson sebesar
1,500 dengan daerah kritis d < 1,49 dan d > 2,51 nilai tersebut berada diantara
1,49 dan 2,51 , sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi
positif atau negatif pada model maka spesifikasi model persamaan utama adalah
benar atau linear dan data dapat digunakan. Perbedaan nilai durbin watson antara
output SPSS , Minitab, dan Manual dapat diakibatkan pada eror ketika
melakukan penyelesaian
4. Uji Heteroskedastisitas
Versus Fits
(response is IPK)
0,50
0,25
Residual
0,00
-0,25
-0,50
-0,75
-1,00
-1,25
3,30
3,31
3,32
3,33
3,34
3,35
Fitted Value
Gambar 4.2 Perbandingan Output Uji Heteroskedastisitas di SPSS dan

Minitab
Uji heterokesdastisitas bertujuan untuk menguji apakah dalam model regresi

terjadi ketidaksamaan variansi residual dari satu pengamatan ke pengamatan lain. Jika
variansi tetap, maka disebut homoskesdastisitas. Suatu model regresi yang baik haruslah
memenuhi asumsi homoskesdastisitas.
Berdasarkan hasil output dari software SPSS dan Minitab dihasilkan grafik
yang memiliki plot tersebar tanpa membentuk suatu bentuk geometri. Maka dapat
disimpulkan bahwa model regresi bersifat heteroskesdastisitas.
4.1.5.3 Uji T dan F
Tabel 4.12 Perbandingan Nilai T dan Nilai F
Cara Perhitungan
SPSS
2016
Nilai T
-3,433
121
Nilai F

Kelompok 11
Minitab
-3,43
0,00
2,32e-
Excel
-3,43
0,6
2,32e-
Manual
-0,6
0,6
Uji t adalah suatu pengujian yang digunakan untuk mengetahui apakah rataan y
(aktual) yang dimasukkan secara parsial mempunyai kesamaan terhadap rataan
(taksiran). Sedangkan hasil uji f adalah suatu pengujian yang digunakan untuk
mengetahui apakah variansi y (aktual) yang dimasukkan secara bersama-sama
mempunyai kesamaan terhadap rataan (taksiran).
Berdasarkan hasil perhitungan menggunakan software SPSS, Minitab, Excel
dan manual pengujian dengan menggunakan Uji t menghasilkan nilai -3,4. Sedangkan
pengujian dengan menggunakan Uji F menghasilkan nilai sebesar 2,32e-0,6.

2016
122

Kelompok 11
4.2 Analisis Data Regresi Majemuk
4.2.1 Koefisien Korelasi Sampel
Tabel 4.13 Perbandingan Hasil Koefisian Korelasi Pearson antar Perhitungan
Koefisien
Korelasi Pearson
x1y
x2y
x3y
x4y
x1.x2
x1.x3
x1.x4
x2.x3
x2.x4
x3.x4
SPSS
Minitab
Excel
Manual
0,725
0,818
0,685
0,799
0,639
0,422
0,326
0,508
0,492
0,314
0,725
0,818
0,685
0,799
0,639
0,422
0,326
0,508
0,3492
0,314
0,725
0,818
0,685
0,799
0,639
0,422
0,33
0,508
0,49
0,314
0,723
0,81
0,69
0,799
0,64
0,42
0,75
0,507
0,492
0,31
Analisis :
Seperti pada diatas tidak terdapat perbedaan dari perhitungan baik manual
maupun menggunakan software. Berdasarkan nilai koefisien korelasi yang diperoleh,
menunjukkan bahwa anata variabel memiliki hubungan satu sama lain. Koefisien
korelasi yang mendekati satu dan memberikan indikator hubungan yang erat antara
kedua variabel diatas. Hubungan yang cukup erat dan ketiga bahwa koefisien korelasi
antara interval 0,4 < r < 0,9 Hubungan yang erat ( reliabel ). Dari tabel diatas juga dapat
dilihat bahwa yg memiliki hubungan yang erat adalah x1y, x2y, x4y yakni variabel total
nilai ulangan haran 1, ulangang harian 2, ulangan harian 4 terhadap total nilai. Semua
koefisien tersebut juga menyatakan ke arah yang positive karena nilai dari koefisien
korelasinya bernilai positive, dimana nilai Ulangan harian 1, Ulangan harian 2, Ulangan
harian 3, dan Ulagan harian 4 mempengaruhi Total nilai.
4.2.2 Regresi Linier Majemuk

Tabel 4.14 Perbandingan Parameter Slop
No
Perhitungan
1 SPSS
2016
b1
0.248
b2
0.254
123
b3
0.245
b4
0.250

Kelompok 11
2 Minitab
3 Excel
4 Manual
0.24809
0.248094
0.248
0.25419
0.254186
0.254
0.24520
0.245202
0.245
0.24989
0.249891
0.249
Analisis:
Slope adalah ukuran kemiringan dari suatu garis. Slope merupakan koefisien
regresi untuk variabel bebas. Perubahan 1 satuan pada X mengakibatkan perubahan b
satuan pada Y, sehingga Y mengukur kemiringan/slope garis tersebut. Dari perhitungan
manual, SPSS, minitab, dan excel, nilai intersep (a) dan slop (b1, b2, b3, dan b4) yang
diperoleh tidak menunjukkan perbedaan yang signifikan. Maka dari nilai intersep (a)
dan slop (b1, b2, b3, dan b4) didapatkan persamaan garis regresinya Y = 0,205 + 0,248
X1 + 0,254 X2 + 0,245 X3 +0,249 X4
.
Pengaruh dari nilai slope dan keempat nilai intersep ini akan mempengaruhi
dari nilai variabel dependennya, nilai slope dan intersep yang positif akan
mempengaruhi vriabel dependennya, yakni variabel Y. Dan dalam konsep statistika,
intersep merupakan suatu titik perpotongan antara suatu garis dengan sumbu Y pada
diagram kartesius saat nilai X = 0. Dapat dinyatakan bahwa pada data ini, jika jumlah
nilai ulangn harian adalah 0 maka secara rata-rata jumlah kemenangan akan bernilai
sama dengan intersep yaitu sebesar 0,205. Dan dalam konsep statistika, slope
merupakan suatu nilai yang menunjukkan seberapa besar kontribusi yang diberikan
variable X terhadap variable Y, nilai slope ini dapat diartikan sebagai rata-rata
pertambahan atau pengurangan yang terjadi pada variable Y untuk setiap peningkatan
satu satuan variable X. Dalam data ini dapat dinyatakan bahwa, yang pertama adalah
setiap peningkatan 1 Nilai UH 1 maka dapat diperkirakan terjadi peningkatan sebesar
0,248 terhadap Total nilai. Kedua, setiap peningkatan 1 Nilai UH 2 maka akan terjadi
peningkatan 0,254 terhadap Total nilai. Ketiga, setiap peningkatan 1 nilai UH 3 maka
akan terjadi peningkatan sebesar 0,245 terhadap Total nilai. Dan untuk variabel terakhir
yaitu setiap peningkatan 1 Nilai UH 3 akan terjadi peningkatan sebesar 0,249 terhadap
Total nilai
4.2.3 Standard Error atau Kesalahan Baku
2016
124

Kelompok 11
4.2.3.1 Kesalahan Baku Regresi
Tabel 4.15 Perbandingan Hasil Kesalahan Baku Regresi
No.
Perhitungan
1
2
3
4
SPSS
Minitab
Excel
Manual
Kesalahan
Baku
0.084
0.084
0.083608
0.08309
Analisis:
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai
regresi dan koefisien. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual,
didapatkan nilai taksiran kesalahan baku dari regresi linier majemuk (Se 2) tidak
menunjukkan perbedaan yang signifikan. Perbedaan hanya ditunjukkkan tentang
masalah pembulatan nilai dari software. Dalam analisis regresi, standar error
mencerminkan standar deviasi yang mengukur variasi titik-titik di atas dan dibawah
garis regresi populasi. Standar error yang didapatkan dari perhitungan SPSS, Mintab,
Excel, dan Manual adalah senilai 0.084 ; 0.084; 0.083608; dan 0.08309. Semakin kecil
angka standar error ini dibandingkan angka standar deviasi dari variabel independen
maka model regresi semakin tepat dalam memprediksi variabel independen.
4.2.3.2 Kesalahan Baku Taksiran Slop

Tabel 4.16 Perbandingan Hasil Kesalahan Baku Taksiran Slop
No.
1
2
3
Perhitungan
SPSS
Minitab
Excel
Sb1
0,005
0,00546
0,00546

2016
Sb 2
0,007
0,00719
0,007192
125
Sb 3
0,005
0,00487
0,004867
Sb 4
0,003
0,00278
0,00277

Kelompok 11
4
Manual
0.00587
0.00773
0.00523
0.002985
Analisis:
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai
regresi dan koefisien. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual,
didapatkan nilai taksiran kesalahan baku slop dari regresi linier majemuk (S b) tidak
garis regresi populasi. Standar error untuk slop (b1, b2, b3, b4, secara berurutan) yang
didapatkan dari perhitungan SPSS, minitab, excel dan manual adalah senilai (0.005 :
0.007 : 0.005 : 0.003), (0,00546 : 0,00719 : 0,00487: 0,00278), (0,00546: 0,007192 :
0,004867 : 0,00277), (0.00587 : 0.00773 : 0.00523 : 0.002985). Semakin kecil angka
standar error ini dibandingkan angka standar deviasi dari variabel independen maka
model regresi semakin tepat dalam memprediksi variabel independen.
4.2.3.3 Kesalahan Baku Taksiran Intersep
Tabel 4.17 Perbandingan Hasil Kesalahan Baku Taksiran Intersep
No.
1
2
3
4
Perhitungan
SPSS
Minitab
Excel
Manual
Sa
0.425
0.425
0.42546
0.42575
Analisis :
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai regresi dan
koefisien. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual, didapatkan
nilai taksiran kesalahan baku intersep dari regresi linier majemuk (S a) tidak
garis regresi populasi. Standar error untuk intersep yang didapatkan dari perhitungan
SPSS, minitab, excel, dan manual adalah senilai 0.425, 0.425, 0.42546 dan 0.42575.
2016
126

Kelompok 11
Semakin kecil angka standar error ini dibandingkan angka standar deviasi dari variabel
independen maka model regresi semakin tepat dalam memprediksi variabel independen.
Tabel 4.18 Perbandingan Selang Kepercayaan Slop
Perhitung
an
SPSS
Excel
Manual
Selang kepercayaan
2
3
0.237 <1 < 0.259

0.236849<1<
0.239 <2 < 0.269 0.235 <3 < 0.255 0.244 <4< 0.256
0.239374 <2 < 0.235178 <3 < 0.244175
<4<
0.259338
0.268997
0.255225
0.23776 < 1 < 0.239664 < 2 < 0.23476 < 3 <

0.25824
0.268336
0.25524
0.255607
0.243856 < 4 <
0.256144
Analisis :
Selang kepercayaan dengan nilai (1-) 100% menyatakan besar nilai yang masih
mungkin pada nilai taksiran slop dengan nilai = 0.05. Dari perhitungan Excel, SPSS
dan manual, nilai yang diperoleh tidak menunjukkan perbedaan yang signifikan.
Perbedaan nilai selang kepercayaan hanya masalah pembulatan. Hal ini dikarenakan
pembulatan tidak hanya dilakukan pada hasil akhir tetapi juga pada saat proses
perhitungan. Nilai koefisien selang kepercayaan yang diberikan pada output regresi
merupakan dugaan titik (point estimate) dari parameter koefisien regresi. Untuk selang
kepercayaan slop b1, b2, b3 dan b4 menggunakan perhitungan software excel, SPSS dan
perhitungan manual. Pada slop b1 terletak diantara nilai 0.237 <1 < 0.259. Untuk selang
kepercayaan slop b2 terletak diantara nilai 0.239 <2 < 0.269, untuk selang kepercayaan
b3 terletak diantara nilai 0.235 <3 < 0.255 dan untuk selang kepercayaan b4 terletak
diantara nilai 0.244 <4< 0.256.
Terjadinya selang kepercayaan ini dikarenakan adanya rentang perkiraan nilainilai yang memungkinkan untuk mencakup parameter populasi data. Perkiraan rentang
atau selang kepercayaan ini diketahui dari himpunan data sampel. Lebar dari selang
2016
127

Kelompok 11
kepercayaan yang sangat besar dapat menunjukkan bahwa lebih banyak data yang harus
dikumpulkan sebelum sesuatu yang sangat pasti dapat dikatakan sebagai parameter.
4.2.4.2 Selang Kepercayaam Intersep
Tabel 4.19 Perbandingan Selang Kepercayaan Intersep
Perhitungan
Excel
SPSS
Manual
Selang kepercayaan
-0.67092<< 1,081579
-0.671<<1.082
0.6654 << 1.0754
Analisis :
Selang kepercayaan dengan nilai (1-) 100% menyatakan besar nilai yang masih
mungkin pada nilai taksiran intersep dengan nilai = 0.05. Dari perhitungan excel,
SPSS, dan manual nilai yang diperoleh tidak menunjukkan perbedaan yang signifikan.
Perbedaan nilai selang kepercayaan hanya masalah pembulatan. Hal ini dikarenakan
pembulatan tidak hanya dilakukan pada hasil akhir tetapi juga pada saat proses
perhitungan. Nilai koefisien selang kepercayaan yang diberikan pada output regresi
merupakan dugaan titik (point estimate) dari parameter koefisien regresi. Untuk selang
kepercayaan intersep dengan menggunakan software Excel, SPSS, dan perhitungan
manual terletak diantara nilai - 0.6654 << 1.0754 .
Terjadinya selang kepercayaan ini dikarenakan adanya rentang perkiraan nilainilai yang memungkinkan untuk mencakup parameter populasi data. Perkiraan
rentang/selang kepercayaan ini diketahui dari himpunan data sampel. Lebar dari selang
kepercayaan yang sangat besar dapat menunjukkan bahwa lebih banyak data yang harus
dikumpulkan sebelum sesuatu yang sangat pasti dapat dikatakan sebagai parameter.
4.2.5 Analisa Seleksi Variabel
Forward
Pada metode forward dimulai dari keadaan dimana semua variabel independen berada
diluar persamaan regresi. Kemudian dilakukan penilaian satu persatu terhadap variabel
independen variabel yang telah dilakukan tidak dapat lagi dikeluarkan. Langkah
2016
128

Kelompok 11
pengerjaan metode ini yaitu memasukkan satu per satu Y dan X1, Y dan X2, Y dan X3,
Y dan X4. Nilai R squared tertinggi yaitu antara Y dengan X2 Sedangkan nilai mean
square terbaik adalah nilai mean yang memiliki nilai terkecil yaitu pada X1.
Backward
Pada selesksi variable dengan menggunakan metode backward dengan memasukkan
semua variable independen yang ada kedalam persamaan garis regresi. Kemudian
dilakukan pemilihan terhadap setiap variable independen apakah layak untuk berada di
dalam persamaan regresi Pada praktikum ini terdapat variable yang dikeluarkan yaitu
variable dokter umum (X1). Variables Removed menjelaskan bahwa variabel dokter
umum (X1) tidak terlalu mempengaruhi variabel dependennya. Pada Backward, seluruh
variable diterima sehingga tidak ada yag dikeluarkan.

Stepwise
Pada metode stepwise lebih ketat dibanding metode forward dan backward.. Variabel
yang dimasukkan yaitu variabel X1 (dokter umum), X2 (perawat), X3 (bidan), dan X4
(tenaga kesehatan). Dari output SPSS pada metode stepwise terlihat bahwa X4 (tenaga
kesehatan) adalah variabel yang paling berpengaruh untuk variabel dependent Y. X4
memliki R square pada X2 Kemudian nilai mean squarenya adalah X1
4.2.6 Validasi
4.2.6.1 Koefisien Determinasi
Tabel 4.20 Perhitungan Koefisien Determinasi Majemuk
No
Perhitungan
r2
SPSS
0,999
Minitab
0,9994
Excel
0,999431
Manual
0,999427
Analisis :
Dari hasil perhitungan yang didapatkan menggunakan software SPSS, Minitab,
Excel, dan juga secara manual dapat dilihat bahwa nilai koefisien determinasi majemuk
2016
129

Kelompok 11
tidak ada perbedaan yang signifikan. Nilai koefisien determinasi tersebut adalah 0,999.
Tetapi dari semua perhitungan diatas ada yang memiliki perbedaan. Hal ini terjadi
karena sistem pembulatan yang digunakan khususnya pada perhitungan manual akan
berbeda dengan sistem pembulatan mengggunakan software.
Nilai koefisien determinasi yang telah didapatkan digunakan sebagai proporsi
dari varian variabel dependen yang menyatakan bahwa variabel dependen dapat
dijelaskan oleh variabel independen sebesar nilai dari koefisien determinasi tersebut
dimana semakin kecil varians error maka semakin besar nilai koefisien determinasi
yang dihasilkan. Dimana semakin kecil varians error maka semakin besar nilai koefisien
determinasi yang dihasilkan.
4.2.6.2 Uji Asumsi Klasik
a. Uji Linearitas
Berdasarkan hasil output dari software SPSS didapatkan nilai signifikan dari
deviation from linierity sebesar 0,766, 0,249, 0,559, dan 0,069. Nilai nilai tersebut
menandakan bahwa data bersifat linier karena berada diluar nilai kritis dimana = 0.05.
Suatu model linier digunakan untuk memprediksi variabel dependen pada suatu garis
lurus yang peubah nilainya konstan terhadap peubah nilai variabel independen.
Berdasarkan perhitungan tersebut, dapat disimpulkan bahwa nilai linieritas yang
dimiliki oleh variabel independen dan dependen memenuhi syarat pada uji asumsi
klasik untuk regresi linier.
b. Uji Normalitas
Berdasarkan hasil output menggunakan software SPSS dapat dilihat bahwa grafik
Normal P-P Plots diatas memiliki plot yang tersebar disekitar garis lurus (garis normal).
Sedangkan grafik histogram membentuk kurva normal yang memiliki bentuk seperti
lonceng. Hal tersebut menandakan bahwa data yang digunakan berdistribusi secara
normal.
Selain itu, berdasarkan output Minitab terlihat bahwa nilai KS adalah
0,127. Nilai KS tersebut lebih kecil dari 0,241, maka dapat dinyatakan bahwa data yang
digunakan berdistribusi normal.
c. Uji Autokorelasi
Tabel 4.21 Perbandingan Nilai Durbin-Watson Regresi Majemuk
No

2016
Perhitungan
130

Kelompok 11
1
SPSS
1,748
Minitab
1,74828
Manual
1,7585
Uji autokorelasi bertujuan untuk menguji apakah pada model regresi terdapat
korelasi antara residual pada periode ke-t dengan residual pada periode sebelumnya (t1). Pada perhitungan ini digunakan uji Durbin Watson, dimana untuk mendapatkan
regresi yang baik maka suatu model harus tidak terjadi autokorelasi. Pada percobaan ini
dihasilkan nilai uji Durbin Watson pada software SPSS, Minitab, dan perhitungan
manual sebesar 1,748 dengan daerah kritis 1.49 < d < 2,51. Nilai perhitungan tersebut
berada diantara daerah kritis, sehingga dapat disimpulkan bahwa tidak terdapat
autokorelasi positif atau negatif pada model data. Dari hal ini, dapat disimpulkan bahwa
spesifikasi model persamaan utama adalah benar atau linear sehingga data dapat
digunakan.
d. Uji Heterokesdastisitas
Uji heterokesdastisitas digunakan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variansi residual dari satu pengamatan ke pengamatan lain atau
tidak. Jika variansi dari pengamatan tetap, maka disebut homoskesdastisitas. Suatu
model regresi yang baik haruslah memenuhi asumsi homoskesdastisitas. Berdasarkan
hasil output dari software SPSS dan Minitab dihasilkan grafik yang memiliki plot
tersebar tanpa membentuk suatu bentuk geometri, sehingga dapat disimpulkan bahwa
model regresi bersifat heteroskesdastisitas.
e. Uji Multikolinearitas
Tabel 4.22 Perbandingan Nilai VIF Uji Multikolinearitas Majemuk
Variabel Independen

2016
Nilai VIF
SPSS
Minitab
X1
1,727
1,73
X2
2,175
2,18
X3
1,387
1,39
X4
1,329
1,33
131

Kelompok 11
Berdasarkan hasil output dari software SPSS dan Minitab diatas didapatkan nilai
VIF sebesar 1,727, 2,175, 1,387, dan 1,329.Hasil ini menunjukkan nilai yang berada
diluar daerah kristisnya yaitu semua VIF < 10 sehingga dapat dikatakan pada regresi
liniear majemuk tersebut tidak terjadi multikolinearitas.
4.2.6.3 Uji T dan Uji F
Tabel 4.23 Perbandingan Uji T dan Uji F Majemuk
No
1
2
3
4
Perhitungan
SPSS
Minitab
Excel
Manual
Uji T
0.578
0.58
0.577572
0.5775
Uji F
0.76
0.758502
0.7585
Berdasarkan hasil perhitungan menggunakan software SPSS, Excel, serta Manual,

didapatkan nilai uji t sebesar 0.578. Sedangkan hasil output dari Minitab memiliki nilai
sebesar 0.58. Perbedaan ini terjadi karenasistem pembulatan pada setiap software dan
perhitungan manual berbeda-beda. Untuk nilai daerah kritis berada pada nilai t <1,699
sehingga dapat disimpulkan bahwa tidak terjadi perbedaan rataan antara y dan
^y .
Sedangkan untuk uji F hasil perhitungan menggunakan software minitab, excel,

dan manual menghasilkan nilai sebesar 0.7585 dengan nilai daerah kritis berada pada
nilai 0.7585 < 1,858 sehingga dapat disimpulkan bahwa model data regresi memiliki
nilai variansi yang sama antara y dan
^y .
4.3 Penerapan Korelasi & Regresi di Bidang Industri

Dalam bidang industri, korelasi dan regresi bisa digunakan untuk mengetahui
pengaruh variabel tertentu untuk meningkatkan produktivitas seperti untuk mengetahui
pengaruh kepuasan kerja terhadap kinerja karyawan. Contoh lain adalah metode yang
dilakukan oleh suatu perusahaan untuk menaksir tingkat produksi. Selain itu perusahaan
juga dapat menaksir banyaknya permintaan pasar dari variabel independen tingkat
harga, juga untuk mengetahui pengaruh jumlah produk cacat terhadap jumlah total
produksi. Dengan penerapan analisis korelasi dan regresi produktivitas perusahaan
dapat optimal.
2016
132

Kelompok 11

2016
133

Kelompok 11
BAB V
KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Berdasarkan Praktikum Modul 2 Korelasi dan Regresi Linier, didapatkan
kesimpulan sebagai berikut:
1. Analisis Korelasi merupakan salah satu teknik statistika yang digunakan untuk
mengetahui hubungan antara dua atau lebih variable. Sedangkan analisis Regresi
merupakan salah satu teknik statistika yang digunakan untuk menganalisa dan
mengestimasi hubungan antara variable dependen dengan variable independen. Pada
praktikum modul 2 statistika industri ini pengujian yang dilakukan adalah data regresi
linier sederhana dan data regresi linier majemuk. Untuk regresi sederhana adalah
hubungan antara pengaruh lama penggunaan media sosial terhadap nilai IPK.
Sedangkan regresi majemuk adalah pengaruh nilai ulangan harian I, II, III, dan IV
terhadap total nilai.
2. Dalam Praktikum Modul 2 Korelasi dan regresi linier, kami menggunakan data regresi
linier majemuk pengaruh pengaruh nilai ulangan harian I, II, III, dan IV terhadap total
nilai. Didapatkan hasil korelasi dengan nilai berdasarkan perhitungan SPSS, Minitab
dan Manual yang sama dan berdasarkan hasil tersebut, diketahui bahwa tingkat keeratan
hubungan antara variable dependen dan 4 variabel independen kuat dan juga ada yang
lemah. Koefisien korelasi yang mendekati angka 1 memberikan indikator hubungan
yang erat antara kedua variabel sedangkan koefisien korelasi yang menjauhi angka 1
3
memberikan indikator hubungan yang kurang erat atau lemah antar kedua variabel.
Dalam bidang industri, korelasi dan regresi bisa digunakan untuk mengetahui pengaruh
variabel tertentu untuk meningkatkan produktivitas seperti untuk mengetahui pengaruh
kepuasan kerja terhadap kinerja karyawan.
5.2 Saran
2016
134

Kelompok 11
Berdasarkan praktikum dan pengolahan data, hal-hal yang perlu dipertimbangkan
adalah:
1.
Praktikan lebih teliti dalam menentukan derajat kebebasan pada perhitungan

regresi sederhana dan majemuk
2. Praktikan sebaiknya dapat lebih menguasai software SPSS, Minitab, dan Excel
sehingga lebih memudahkan dalam mengerjakan.
3. Sebaiknya praktikan lebih mendalami hasil dari praktikum ini, menganalisis
dengan baik sehingga dapat diaplikasikan dalam kehidupan.

2016
135
DAFTAR PUSTAKA
LAMPIRAN
1. Lembar Asistensi

Modul 2 Kelompok 11

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul 2 Kelompok 11

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM STATISTIKA INDUSTRI

Anggita Maya Dewi

PROGRAM STUDI TEKNIK INDUSTRI

ini kami maksudkan untuk memenuhi kewajiban sebagai

Universitas Diponegoro dan dosen pengampu mata kuliah Statistika Industri.

Segenap rekan rekan mahasiswa Teknik Industri Universitas Diponegoro 2014

Serta semua pihak yang telah membantu dalam laporan ini.

Semarang, 18 Maret 2016

Persamaan Garis Regresi..................................................................................26

3.3 Seleksi Variabel..........................................................................................111

BAB IV ANALISIS DATA

4.1 Analisis Korelasi dan Regresi Linier Sederhana........................................113

Gambar 1.1 FlowchartMetodologi Praktikum..................................................................2

Tabel 2.1 Penggunaan Teknik Korelasi.............................................................................4

Tabel 3.25 Output SPSS Selang Kepercayaan Intersep Regresi Sederhana....................28

Laporan Praktikum Statistika Industri

Laporan Praktikum Statistika Industri

1.2 Tujuan Praktikum

Gambar 1.1 Flowchart Metodologi Praktikum

1.5 Sistematika Penulisan

Laporan Praktikum Statistika Industri

Program Studi Teknik Industri

Laporan Praktikum Statistika Industri

Rumus analisis korelasi adalah sebagai berikut (Agus, 2010):

Program Studi Teknik Industri

Laporan Praktikum Statistika Industri

Gambar 2.2 Bentuk bentuk Korelasi

Tabel 2.2 Penggunan Teknik Korelasi

Program Studi Teknik Industri

Laporan Praktikum Statistika Industri

Rumus Koefisien Korelasi (r) adalah (Agus, 2010):

digunakan untuk melihat seberapa besar variabel-variabel independen secara bersama

Program Studi Teknik Industri

Laporan Praktikum Statistika Industri

Datanya interval atau rasio

Data berdistribusi normal

X dan Y berbanding lurus

X dan Y berbanding terbalik

1. Peubah bebas (independent variable)

2. Peubah terikat (dependent variable)

Laporan Praktikum Statistika Industri

Regresi Linier Sederhana

= variabel dependen yang diprediksikan

= angka konstan/harga Y bila X=0

= peningkatan/penurunan variabel dependen yang didasarkan pada vaariabel

Regresi Linier Majemuk

Laporan Praktikum Statistika Industri

Dan taksiran respon diperoleh dari persamaan regresi sampel

Dan taksiran respon diperoleh dari persamaan regresi polinom

= Prediksi nilai variabel independen

= bobot regresi untuk variabel independent

Program Studi Teknik Industri

Laporan Praktikum Statistika Industri

penaksir simpangan baku b 0 0 b0 +t

penaksir simpangan baku b0

2. Selang Kepercayaan 100(1)% Untuk 1

penaksir simpangan baku b1 1 b1+ t

penaksir simpangan baku b 1

Distribusi b0 dan b1 masing-masing normal, sedang X0konstanta, maka

Program Studi Teknik Industri

Laporan Praktikum Statistika Industri

penaksir atau dugaan nilai respon, yaitu

sebesar (Winahju. 2007) :

Dan untuk parameter dihitung dengan :