69

Bab 16 : REGRESI DAN KORELASI BERGANDA

A.

ANALISIS REGRESI , menentukan persamaan garis

berdasarkan suatu rumus persamaan matematika yang
menjelaskan hubungan antara satu/lebih variabel yang
diketahui (independent variable variabel yang mem
pengaruhi) dengan satu variabel yang tidak / belum dike
tahui (dependent variable variabel yang dipengaruhi).
Regresi Linier Multiple (regresi berganda), model
persamaan regresi linier dengan variabel bebas lebih dari
satu.
Pola hubungan Regresi berganda :
1. Masing-masing variabel bebas berdiri sendiri dalam mempe
ngaruhi variabel terikat (antar variabel bebas tdk terdpt
hubungan yg signifikan) hasil perhitungan kuadrat koefi
-sien merupakan jml sumbangan / kontribusi masingmasing variabel bebas thd variabel terikat.
2. Masing-masing variabel bebas tidak berdiri sendiri-sendiri
tapi antar mereka mempunyai kebersamaan dalam mempe
ngaruhi variabel terikat dan ada sifat mandiri dlm membe
rikan kontribusinya (kalau sifat mandiri ini tidak ada maka
dengan menghilangkan variabel bebas tsb tidak akan
mempengaruhi besarnya kontribusi) krn ada keterwakil
an dari variabel bebas lainnya. Jika korelasi antar variabel
bebas sangat besar, maka sifat mandiri variabel bebas dlm
memberikan kontribusi thd variabel terikat sangat kecil,
dmk pula berlaku sebaliknya.
3. Variabel bebas dlm mempengaruhi variabel terikat tdk
langsung, sehangga ada variabel antar yg menjembatani
hubungan antara variabel bebas dng variabel terikat (bisa
timbul keputusan yang salah dan tidak rasional), tapi kalau
variabel antara dilibatkan maka analisisnya menjadi
analisis berjenjang mula-mula menganalisis hubungan
antara variabel bebas dng variabel antara, baru kemudian
mencari hbungan variabel antara dng variabel terikatnya.
Bentuk umum persamaan regresi berganda :
= a + b1X1 + b2X2 + b3X3 + . + bnXn + e

70

Semakin banyak variabel bebas yang dilibatkan dlm

perhitungan (tentunya sesuai dengan teori yang mendasari
penelitian) semakin baik keputusan yang dapat diambil.
Dalam analisis regresi tujuannya adalah untuk mendu
ga garis regresi (menduga nilai a dan masing-masing b) yang
tidak diketahui berdasar pengamatan pasangan nilai variabelvariabel yg terlibat.
Untuk memperoleh nilai koefisien regresinya :
Y = na + b1X1 + b2X2 + . + bnXn
YX1 = aX1 + b1X12 + b2X1X2 + . + bnX1Xn
YX2 = aX2 + b1X1X2 + b2X22 + . + bnX2Xn
YXn = aXn + b1X1Xn + b2X2Xn + . + bnXn2
Dari contoh tabel di bawah ini , carilah persamaan regresi
berganda (multiple) dan nilai masing-masing koefisiennya ?
No.
1
2
3
4
5
6
7
Jml

Y X1
12 4
8 3
16 5
22 8
17 6
9 2
10 4
94 32

X2
8
12
14
9
10
5
6
64

X3
22
18
14
9
10
5
6
84

YX1
48
24
80
176
102
18
40
488

YX2 YX3 X1X2 X1X3

96 264 32
88
96 144 36
54
224 224 70
70
198 198 72
72
170 170 60
60
45
45
10
10
60
60
24
24
889 1105 304 378

X2X3

176
216
196
81
100
25
36
830

Y2
144
64
256
484
289
81
100

X1 2
16
9
25
64
36
4
16
1418 170

Persamaan Normalnya untuk 3 (tiga) variabel bebas :

Y =
94 =

na + b1X1
7 a + 32 b1

+ b2X2
+ 64 b2

+ b3X3
+ 84 b3

YX1 = aX1 + b1X12 + b2X1X2 + b3X1X3

488 = 32 a + 170 b1 + 304 b2 + 378 b3
YX2 = aX2 + b1X1X2 + b2X22 + b3X2X3
889 = 64 a + 304 b1 + 646 b2 + 830 b3
YX3 = aX3 + b1X1X3 + b2X2X3 + b3X32
1.105 = 84 a + 378 b1 + 830 b2 + 1.246 b3

X2 2 X3 2
64 484
144 324
196 196
81
81
100 100
25
25
36
36
646 1246

71

Nilai konstanta dan nilai koefisien dapat di cari dengan

bantuan determinan dalam model matriks :

A =

7 32
32 120
64 304
84 378

64
84
304
378
646
830
830 1.246

94 32
488 120
889 304
1.105 378
a=

64
84
304
378
646
830
830 1.246
= 2,02291

A
7
94 64
32
488 304
64
889 646
84 1.105 830

b1 =

= 1.545.472

84
378
830
1.246
= 2,441164

A
7 32
94
84
32 120
488
378
64 304
889
830
84 378 1.105 1.246

b2 =

A
7
32
64
84

b3 =

= 0,032686

32
120
304
378

64
304
646
830
A

94
488
889
1.105
= -0,00215

Persamaan garis regresi berganda yang dimaksud adalah :

= 2,02291 + 2,441164X1 + 0,032686X2 0,00215X3 +
e

72

Kesalahan Baku (standard error) dalam

Regresi Berganda
Kesalahan Baku dalam Regresi Berganda adalah suatu
ukuran unt melihat ketepatan antara nilai dugaan/estimasi
() dng nilai sebenarnya/pengamatan (Y).
Apabila nilai dugaan semakin mendekati nilai sebenarnya
maka persamaan yg diperoleh semakin baik, tapi nilai dugaan
semakin jauh dari nilai sebenarnya maka persamaan yang
digunakan tidak baik.
Perbedaan antara nilai dugaan dng nilai sebenarnya ( - Y)
disebut sbg residu (error). Berdasarkan pd kenyataan bahwa
tdk mungkin unt mendptakan nilai dugaan dng ketepatan
100%, maka diperlukan suatu ukuran seberapa besar
ketdkakuratan pendugaan (standard error) terjadi.
Rumus Kesalahan Baku (Standard Error)
SY . X 1.. X 3

(Y Y )2
n ( k 1)

12,381675
2,0315
7 (3 1)

Dimana :
SY.X1..X3
: kesalahan baku pendugaan variabel Y berdasarkan
variabel X1, X2 dan X3.

: nilai dugaan dari Y dimana X1, X2 dan X3 diketahui

Y
: nilai pengamatan dari Y
n
: jumlah sampel (data)
k
: jumlah variabel bebas

Tabel bantuan perhitungan :

= 2,02291 + 2,441164X1 + 0,032686X2 0,00215X3
No.
1
2
3
4
5
6
7
Jml

Y
12
8
16
22
17
9
10
94

X1
4
3
5
8
6
2
4
32

X2
8
12
14
9
10
5
6
64

X3
22
18
14
9
10
5
6
84

( - Y)

( - Y)2

12,00175
9,699934
14,65623
21,82705
16,97525
7,657918
11,97078

0,001754
1,699934
-1,34377
-0,17295
-0,02475
-1,94208
1,970782

0,000003
2,889775
1,805707
0,029913
0,000612
3,771682
3,883982
12,381675

( - Y)2

73

Apa arti nilai SY.X1..X3 = 2,0315 ? Artinya variabel Y menyebar

secara normall di sekitar garis regresi berganda () pada
kisaran 2,0315
Rumus lain kesalahan baku :
??

Pengujian Hipotesis pada Regresi Berganda

1. Uji Global / Uji Signifikansi Serentak (Uji F)
Hipotesa yang ingin diuji adalah kemampuan variabel
bebas dalam menjelaskan tingkah laku / keragaman
variabel tidak bebas (terikat=Y), apabila variabel bebas
terikat mempengaruhi variabel bebas (Xn) dapat dianggap
nilai koefisien regresinya sama dengan nol, sehingga
berapa pun nilai variabel terikat akan berpengaruh pada
variabel bebas. Variabel bebas X1, X2, .., Xn dikatakan
mampu mempengaruhi Y apabila nilai koefisien b1, b2, ..,
bn tidak sama dengan nol; apabila sama dengan nol, maka
dikatakan tidak mampu mempengaruhi variabel bebas Y.
Langkah-langkah yang diperlukan untuk pengujian :

74

a. Menyusun Hipotesis Nol (hipotesis yg akan diuji)

kemampuan variabel bebas dlm menjelaskan tingkah laku
variabel terikat, bila variabel bebas tdk dpt mempengaruhi
variabel terikat dpt dianggap nilai koefisien regresinya =
nol, sehingga berapapun nilai variabel bebas tidak akan
berpengaruh thd variabel terikat (nilai bn = 0).
Hipotesisnya: H0: b1 = b2 = b3 = bn = 0 selalu menga
ndung unsur kesamaan.
H1: b1 b2 b3 bn 0
b. Menentukan Daerah Keputusan (menggunakan tabel
F). Untuk mencari nilai F-tabel perlu diketahui derajat
bebas pembilang pada kolom, derajat bebas penyebut
pada baris dan taraf nyata. Diketahui ada empat variabel
yaitu Y, X1, X2 dan X3, jadi k=4, sedangkan jumlah n=7.
Jadi derajat pembilang k 1 = 4 1 = 3, sedangkan
derajat penyebut n k = 7 4 = 3 dengan taraf nyata
misalnya 5%. Nilai F-tabel dengan derajat pembilang 3,
penyebut 3 dan taraf nyata 5% adalah 9,28
De
ra
jat
be
bas
pe
nye
but

1
2
3
4
5
6
7

1
161
18,5
10,1
7,71
6,61
5,99
5,59
3,84

Derajat bebas pembilang

2
3
4
5
.. 120
200 216 225 230 .. 253
19,0 19,2 19,2 19,3 .. 19,5
9,55 9,28 9,12 9,01 .. 8,55
6,94 6,59 6,39 6,26 .. 5,66
5,79 5,41 5,19 5,05 .. 4,40
5,14 4,76 4,53 4,39 .. 3,70
4,74 4,35 4,12 3,97 .. 3,27
3,00 2,60 2,37 2,21 .. 1,22

254
19,5
8,53
5,63
4,37
3,67
3,23
1,00

c. Menentukan Nilai F-hitung

Nilai F-hitung ditentukan dng menggunakan rumus sbb:
R2/(k 1)
0,937 / (4 1)
F = ---------------- = -------------------- = 14,873
(1 R2)/(n k)
(1 0,937)/(7 4)
Dari contoh regresi di atas, diketahui bahwa R2 = 0,937
dengan niali k = 4 dan n = 7.
d. Menentukan Gambar Daerah Keputusan
Menentukan wilayah H0 dan H1nya serta membandingkan
dengan nilai F-hitung di atas untuk mengetahui apakah me
nerima H0 atau menerima H1.

75

Terima H1
Terima H0
Fhitung
14,873

Ftabel 9,28

Skala F

e. Memutuskan Hipotesis menolak / menerima Ho

Nilai Fhitung > dari Ftabel dan berada di daerah penerimaan H1
menunjukkan bahwa terdpt cukup bukti unt menolak H0
atau menerima H1. Kesimpulan: dng diterimanya H1
berarti nilai koefisien regresi tidaksama dng nol, yg mana
seluruh variabel bebasnya dapat menerangkan variabel
terikatnya atau variabel bebas X1, X2 dan X3 pengaruhnya
secara bersama-sama nyata terhadap variabel terikatnya
(Y).
2. Uji Signifikansi Parsial / Individual
Dengan menggunakan persamaan regresi berganda di
atas, kita dpt melakukan perhitungan nilai untuk setiap
nilai X1, X2, X3 dst. Dlm hal ini perubahan nilai Y yg
disebabkan oleh perubahan X1 ketika X2, X3, dst konstan;
atau perubahan nilai Y yg disebabkan oleh perubahan X2
ketika X1, X3, dst konstan, dst.
ASUMSI DAN
BERGANDA

PELANGGARAN

ASUMSI

PADA

REGRESI

Beberapa asumsi dalam regresi berganda adalah sebagai

berikut:
1.
Variabel tidak bebas dan variabel bebas memiliki
hubungan yang Linier atau hubungan garis lurus. Jadi
hubungan Y dengan X harus Linier, bagaimana kalau tidak
Linier? Untuk masalah ini akan dibahas pada bab 7, namun
untuk persamaan yang tidak Linier, maka datanya
ditransformasi terlebih dahulu menjadi Linier dan biasanya
data di log-kan terlebih dahulu, sehingga menjadi Linier.

76

2.
Variabel tidak bebas haruslah variabel bersifat
kontinu dan paling tidak berskala selang. Variabel kontinu
ini adalah variabel yang dapat menempati pada semua titik
dan biasanya merupakan data dari proses pengukuran.
3.
Nilai keragaman atau residu yaitu selisih antara data
pengamatan dan data dugaan hasil regresi (Y - ) harus
sama untuk semua nilai Y. Asumsi ini menyatakan bahwa
nilai residu bersifat konstan untuk semua data Y, (Y =
).
Asumsi
ini
memperlihatkan
kondisi
HOMOSKEDASTISITAS yaitu nilai residu (Y - ) yang sama
untuk semua nilai Y, menyebar normal dan mempunyai
rata-rata 0.
4.
Pengamatan-pengamatan untuk variabel tidak bebas
dari satu pengamatan ke pengamatan lain harus bebas
atau tidak berkorelasi. Hal ini penting untuk data yang
bersifat deret berkala.
PELANGGARAN ASUMSI PADA REGRESI BERGANDA
Pelanggaran asumsi multikoniear: antar variabel bebas ada
korelasi
Beberapa teknik untuk mengenali multikoLinieritas:
a. Variabel bebas secara bersama-sama pengaruhnya nyata,
atau Uji F-nya nyata, namun ternyata setiap
variabel bebasnya secara parsial pengaruhnya tidak nyata,
(uji-t-nya tidak nyata).
b. Nilai koefisien determinasi R2 sangat besar, namun ternyata
variabel bebasnya berpengaruh tidak
nyata, (uji-t tidak nyata).
c. Nilai koefisien korelasi parsial yaitu rYX 1.X2, rYX2.X1, dan
rX1X1.Y ada yang lebih besar dari koefisien
determinasinya.
Heteroskedastititas: varian atau residu tidak konstan
Heteroskedastisitas untuk menunjukkan nilai varians (Y )
antar nilai Y tidaklah sama atau hetero.
Autokorelasi: antar data pengamatan berkorelasi
Autokorelasi merupakan korelasi antara anggota observasi
yang disusun menurut urutan waktu. Ada beberapa penyebab
autokorelasi yaitu: (a) kelembamam. Kelembaman biasanya
terjadi dalam fenomena ekonomi di mana sesuatu akan
mempengaruhi sesuatu mengikuti siklus bisnis atau saling

77

kait mengkait. (b) terjadi bias dalam spesifikasi yaitu ada

beberapa variabel yang tidak termasuk dalam model, dan (c)
bentuk fungsi yang dipergunakan tidak tepat, seperti
semestinya bentuk non-Linier digunakan Linier atau
sebaliknya.
B. KORELASI
Bertujuan unt mengukur kekuatan hubungan (asosia si) linier
antara dua variabel/lebih dan tdk membeda -kan antara
variabel bebas dng variabel terikatnya.
Analisis Korelasi : menunjukkan angka seberapa besar tingkat
hubungan antara dua variabel atau lebih namun tdk
menunjukkan hubungan fungsional.
meliputi dua aspek :
1. Koefisien determinasi linier sederhana (r2) :
mengukur kesesuaian garis regresi terhadap data sampel.

Residu [e = (Y-)] merpk ukuran unt mengetahui apakah

garis regresi sampel sesuai dng data. Residu yg besar berarti garis
regresi kurang sesuai, jika residu kecil berarti garis regresi sangat
sesuai dng data sedang jika semua data observasi terletak pd
garis regresi maka akan diperoleh garis regresi yg sesuai
sempurna namun hal ini jarang terjadi.
Total variasi (TSS = total sum of squares) dpt dibedakan menjadi
dua, yaitu (1) variasi yg dpt diterangkan oleh persm regresi (ESS =
explained sum of squares) dan (2) variasi yg tdk dpt diterangkan
oleh regresi atau variasi residu (RSS = residual sum of squares)
shg dpt dirumuskan
TSS = ESS + RSS.
2
TSS = (yi-)
ESS RSS
2
ESS = (y-yi)
1 = ----- + -----2
2
RSS = (y-) = e
TSS
TSS
Definisi koefisien determinasi :
ESS
RSS
[nXY(X)(Y)]2
r2 = 1 ---- = ---- = -----------------------------TSS
TSS
[nX2(X)2][nY2(Y)2]
Catatan : r2 tdk pernah negatif dan besarnya berkisar antara 0 dan
1. Jika semua titik terletak tepat pd garis regresi sampel maka
r2 = 1 (sesuai sempurna). Setiap penambahan variabel bebas
thd persm. regresi yg telah ada tdk akan menurunkan r2 tetapi
r2 akan makin mendekati 1. Kelemahannya : krn r2

78

menyinggung variasi regresi dan residual ttp tdk

memperhitungkan derajat bebasnya, shg penafsiran thd r2
menja di sulit jika intercept persm. regresi = 0.
Contoh kasus di atas :
Telah dihitung bhw X
= 1.700 X2 = 322.000
Y
= 1.110 Y2 = 132.100
XY = 205.500
[10(205.500) (1.700)(1.110)]2
r2 = ----------------------------------------------------------------[10(322.000) (1.700)2] [10(132.000) (1.110)2]
(2.055.000 1.887.000)2
= --------------------------------- = 0,973 (mendekati sem(330.000)(87.900)
purna)
2. Koefisien korelasi linier sederhana (r): mengu kur
keeratan hubungan antarvariabel, yg merpk akar dari
koefisien determinasi linier sederhana (r2). Rumusnya
sbb :
nXY(X)(Y)
2
r = r = ------------------------------[nX2(X)2][nY2(Y)2]
r = 0,973 = 0,986 (terdpt hubungan kuat
dan positif / searah)
Catatan : krn nilai r2 berkisar antara 0 dan 1 maka nilai r akan
terletak -1 dan +1 (r = 1 = 1).
Bila Y cenderung naik seiring dng kenaikan X, maka
garis regresi memiliki kemiringan positif (b > 0) dan r
akan bernilai positif shg dpt dikatakan bahwa terdpt
korelasi positif / langsung.
Bila Y cenderung turun seiring dng kenaikan X maka
garis regresi memiliki kemiringan negatif (b < 0) dan r
akan bernilai negatif, shg dpt dikatakan bahwa terdpt
korelasi negatif / terbalik.
Jika semua titik-titik observasi tepat di atas garis regresi
maka r akan bernilai +1 atau -1, dlm hal ini dpt dikatakan
terdpt korelasi sempurna.

79

Jika garis regresi horizontal (b = 0) maka r2 = 0 dan r =

0 maka dpt dikatakan tidak ada korelasi antara variabel Y
dengan X.
Nilai r juga dpt dilihat tingkat signifikansinya, dng cara
membandingkan nilai r dalam tabel (lihat dlm tabel r Product
Moment). Dari tabel r terlihat bahwa unt n = 10 dng taraf
signifikan () 5% nilai r tabelnya 0,632 dan dng taraf
signifikan () 1% nilai r tabelnya 0,765. Shg hasil analisis r di
atas dpt dikatakan bahwa bila rhitung > rtabel maka r dpt
dikatakan signifikan.
Kesimpulan :
- unt = 5% r dikatakan sangat signifikan
- unt = 1% r dikatakan sangat signifikan
Selamat Belajar dan Semoga Sukses !!!

Ringkasan Lanjutan
Korelasi : merpk hubungan/relasi antara satu variabel dng
variabel lainnya, baik secara :
1.
Korelasional : hub tsb tdk menunjukkan sifat sebab
akibat, artinya sifat hub variabel satu dng varia bel
lainnya tdk jelas mana yg merpk variabel se bab dan
mana yg merpk variabel akibat.
2.
Kausalitas : menunjukan sifat hub sebab akibat, arti
nya jika variabel yg satu merpk sebab maka va -riabel
yg lainnya merpk akibat.
Regresi : unt memprediksi kondisi di waktu yg akan da -tang
dng suatu dasar keadaan sekarang/wak -tu yg lalu
dari hub variabel yg bersifat kausali tas (secara tegas
hrs sdh mengetahui terlebih dahulu mana variabel yg
merpk sebab/bebas dan mana variabel yg merpk
akibat/terikat).

Korelasi Pearson Product Moment (rumus pertama), sebagai

berikut :
nXY(X)(Y)
r = r2 = ---------------------------------

80

[nX2(X)2][nY2(Y)2]
Korelasi Pearson Product Moment (rumus ke dua), sebagai
berikut :
{(X X)(Y Y)}
2
r = r = -------------------------[(X X)2][Y Y)2]
Rumus pertama dan ke dua Korelasi Product Moment hanya
dapat diterapkan untuk data yg berskala interval atau ratio krn
mendasarkan pd hubungan linier saja.
Contoh kasus : Suatu penelitian ingin melihat apakah ada hubungan
antara banyaknya kredit mata kuliah (SKS) yg diambil dgn indeks
prestasi kumulatif (IPkum) yg dicapai mhs dlm suatu semester. Setelah
dilakukan pengumpulan data dari 10 mahasiswa ternyata penyebaran
kredit mata kuliah (SKS) yg diambil dan indeks prestasi kumulatif
(IPkum) yg di capai terlihat seperti dlm tabel di bawah ini :
Gunakan rumus ke dua dari Korelasi Pearson Product Moment
Jml SKS (X)
IPkum (Y)
(X X)
(X X)2
(Y Y)
(Y Y)2
(XX)(YY)
20
3,1
4,5
20,25
-0,42
0,1764
-1,89
18
4,0
2,5
6,25
0,48
0,2304
1,2
15
2,8
-0,5
0,25
-0.72
0,5184
0,36
20
4,0
4,5
20,25
0,48
0,2304
2,16
10
3,0
-5,5
30,25
-0,52
0,2704
2,86
12
3,6
-3,5
12,25
0,08
0,0064
-0,28
16
4,0
0,5
0,25
0,48
0,2304
0,24
14
3,2
-1,5
2,25
-0,32
0,1024
0,48
18
3,5
2,5
6,25
-0,02
0,0004
-0,05
12
4,0
-3,5
12,25
0,48
0,2304
-1,68
X = 155
Y = 35,2
=0
= 110,5
=0
= 1,996
= 3,4
X = 15,5
Y = 3,52
Korelasi Pearson Product Moment (rumus ke dua), sebagai berikut :
{(X X)(Y Y)}
r = -------------------------[(X X)2][Y Y)2]
3,4
3,4
r = ---------------- = ---------------110,5 1,996
0,2289378023

= 0,23

Kesimpulan : Hal ini bahwa naik/turunnya IPkum hanya sedikit kaitannya

dng naik/turunnya SKS yg diambil.

Korelasi Spearmen (Spearmen Correlation), korelasi yg tdk

memperhatikan sifat hubungan linier antara ke dua

81

variabel yg akan dicari korelasinya shg kelom pok data

berskala berbeda dpt dicari dng mengguna kan rumus di
bawah ini:
6 D2
rs (rho) = 1 - ---------n(n2 1)
dimana D merpk selisih antara X dng Y atau (X Y)
Contoh : Suatu penelitian thd hubungan antara ranking tes masuk mhs
baru dng ranking di kelas setelah ikut kuliah. Dari 10 mhs yg terambil
sbg sampel ternyata penyebaran datanya sbb :
Mahasiswa
: 1
Ranking tes masuk : 1
Ranking klas
: 10

2
2
7

3
3
8

4
4
6

5
5
5

6
6
3

7
7
4

8
8
2

9
9
9

10
10
1

Pertanyaan : Berapakah tingkat hubungan antara ranking tes masuk

dengan ranking klas sesudah kuliah ?
X
Y
1
10
2
7
3
8
4
6
5
5
6
3
7
4
8
2
9
9
10
1
Jumlah

D
9
5
5
2
0
3
3
6
0
9
42

D2
81
25
25
4
0
9
9
36
0
81
270

Penghitungan

6 D2
6 (270)
rs = 1- ---------- = ------------n(n2 1) 10(100 1)
= - 0,636363636 = - 0,64
Tingkat hubungan antara keduanya
relatif kuat tapi berkebalikan (berla
-wanan arah).

Bila kedua kelompok data yg ada tdk mempunyai skala sama, disatu pihak
berskala ordinal dan di lain pihak berskala interval / ratio maka korelasi
Rank Spearman dpt digunakan dng terlebih dahulu membuat data
berskala interval/ratio menjadi berskala ordinal (rank).

Pengujian Signifikansi Korelasi

Dng membuat hipotesis nol dan hipotesisi alternatif, baru kemu -dian hasil
kita hitung t unt sampel kecil atau Z unt sampel besar.
Sampel kecil
Sampel besar
Pearson
Spearman
Pearson
Spearman
n-2
n-2
t = r ------t = rs -------Z=rn1
Z = rs n 1
2
2
1r
1 rs
Apabila menggunakan tabel r, maka hipotesisi nol (H 0) yg mengatakan tdk ada

82

korelasi (r = 0) ditolak jika hasil perhitungan r ternyata lebih besar (>) drpd r
tabel; dmk pula sebaliknya apabila r hitung ternyata lebih kecil (<) drpd r tabel
maka kita menerima H0 yg menyatakan bahwa dua variabel yg dicari
hubungannya nyata-nyata tdk berkorelasi.
Dari contoh di atas (Product Moment) :
r hasil perhitungan = 0,23 dng n = 10, maka nilai t hitung adalah
thitung = 0,23 8 : (1 0,0529) = 0,6684592097 = 0,67
ttabel dng dk = n 2 = 8 dan alpha () = 0,05 daerah penerimaan
hipotesis nol adalah di antara -2,306 dan +2,306.
Dng dmk. maka kita dapat menerima hipotesis nol yg berarti antara
variabel SKS yg diambil dng iPkum.

Contoh yg Rank Spearman :

r hasil perhitungan = - 0,64 dng n = 10, maka nilai t hitung adalah
thitung = -0,64 8 : (1 0,4096) = - 2,355872556 = - 2,36
ttabel dng dk = n 2 = 8 dan alpha () = 0,05 maka tabel r Spearman
diperoleh nilai 0,649 (pakai one tailed test).
Dng dmk. oleh krn r hitung masih < drpd r tabel maka korelasi tsb tdk
signifikan. Catatan : perbedaan r hitung dng r tabel yg sangat kecil dhg
penerimaan hipotesis nol sebenarnya kurang mantap, apabila kita
memperbesar tingkat alpha, maka kemungkinan besar keputusan akan
berlawanan
Kalau pakai two tailed test maka daerah penerimaan hipotesis nol diantara
-2,306 dan +2,306. Dng dmk, menolak hipotesisi nol artinya bhw korelasi
antara ranking tes masuk dan ranking hasil belajar mempunyai hubungan
yg signifikan.

83

Contoh Kasus :
Dasar teori yg digunakan : Dalam teori keuangan dikatakan bahwa
salah satu indikator kesehatan perusahaan adalah ROA (Return on Asset):
bagaimana setiap asset yg dimiliki persh dapat produktif dan menghasil
kan keuntungan. Berdasar keyakinan tsb, dibuatlah suatu persamaan
(formula) suatu keuntungan persh dapat dipengaruhi oleh total asset yg
dimiliki dan harga saham. Harga saham merpk cerminan dari aktivitas
persh, krn harga saham berfluktuasi sesuai dng kondisi persh.
Dimisalkan dari 10 sampel perusahaan yg relatif besar di daerah
Ngayodyakarto untuk tahun 2011 diperoleh data sbb :
Persh.
Keuntungan Bersih
Total Aset = X1 (dlm
Harga
= Y (dlm Jutaan
trilyun Rp.)
saham/lembar (dlm
Rp.)
puluhan Rp.)
A
3.456
864
980
B
2.345
975
870
C
1.234
890
760
D
987
789
650
E
876
678
540
F
765
567
430
G
654
456
350
H
543
345
240
I
432
234
130
J
321
123
100
Sumber: Data fiktif belaka.

Pertanyaan : Seberapa besar hubungan dan pengaruh asset dan harga

saham terhadap keuntungan bersih perusahaan ? Bagaimana bentuk
persamaan regresinya ?
Jawab :
Hasil printout dari pengolahan yg menggunakan Eviews4
Method: Least Squares , Dependent Variable: Y=Keuntungan Bersih
Date: 05/14/11 Time: 07:42
Sample: 1 10 , Included observations: 10
Variable
C=konstanta
X1=Aset
X2=Hrgshm
R-squared
Adjusted R2squared
S.E. of
regression
Sum squared
resid
Log
likelihood
DurbinWatson stat

Coefficient
436.7136
-5.623369
8.028085
0.948101
0.933273

Std. Error
t-Statistic
213.1146
2.049195
1.123337 -5.005952
1.078388
7.444524
Mean dependent var
S.D. dependent var

Prob.
0.0796
0.0016
0.0001
1161.300
989.8676

255.6986

Akaike info criterion

14.16920

457672.3

Schwarz criterion

14.25998

F-statistic

48.95253

Prob(F-statistic)

0.000032

-67.84600
2.186034

84

Estimation Equation:
=====================
Y = 0 + 1X1 + 2X2 + e 0 = konstanta = intersep
Substituted Coefficients:
=====================
Y = 436.713553 - 5.623368879 X1 + 8.028085465 X2 + e
Persm tsb di atas menyatakan bahwa, apabila total asset meningkat
sebesar 1 trilyun maka keuntungan bersih malah menurun sebesar 5,6234
milyard dimana harga saham per lembar dianggap konstan. Disamping itu,
bila harga saham per lembar naik sebesar Rp.10,- maka keuntungan
bersih akan naik sebesar 8,028 milyard dimana total asset dianggap
konstan. Untuk menguatkan pendapat di atas, diperlukan pendalaman dan
pemahaman lebih lanjut tentang teori keuangan. Pada dasarnya dengan
bertambahnya total asset dan harga saham per lembar maka keuntungan
perusahaan akan meningkat (secara teori).
Nilai R2 = 0,933273, hal ini menunjukkan kemampuan variabel total
asset dan harga saham per lembar dapat menjelaskan perilaku keun
-tungan bersih sebesar 93% dan sisanya (7%) dijelaskan oleh variabel lain
di luar model (variabel yg tidak diteliti). Hal ini menunjukkanspesifikasi
model yg baik karena kemampuan menjelaskannya relatif besar.
Apakah pengaruh variabel total asset dan harga saham per lembar nyata ?
Untuk itu perlu diuji dengan uji-t secara parsial. Dalam teori
pengujian dikatakan bahwa, apabila t-tabel < t-hitung maka penga
-ruhnya secara parsial (individu) adalah nyata. Jumlah data (n) = 10 dan k
= 3 (jumlah parameter estimasi termasuk konstanta) maka derajat
bebasnya (n-k) = (10-3=7). Dengan tingkat keyakinan 5% untuk uji dua
arah (0,025) diperoleh nilai t-tabel sebesar 2,365.
1. Untuk variabel total asset t-hitung (5.005952) > t-tabel (2,365) maka
pengaruh dari total asset terhadap keuntungan bersih adalah nyata
(signifikan).
2. Untuk variabel harga saham per lembar t-hitung (7.444524) > t-tabel
(2,365) maka pengaruh dari harga saham per lembar terhadap
keuntungan bersih adalah nyata (signifikan).
3. Kesimpulan : kinerja keuntungan bersih perusahaan ternyata
dipengaruhi secara nyata (signifikan) oleh total asset dan harga
saham per lembar.
Bagimana pengaruh variabel total asset dan harga saham per
lembar bersama-sama terhadap keuntungan perusahaan.
Uji Hipotesis Koefisien Regresi Secara Menyeluruh: Uji-F
Unt menguji signifikansi koefisien determinasi R2 dan unt meng
-evaluasi hipotesis bahwa apakah tidak ada variabel bebas (independen)
yg menjelaskan variasi Y disekitar nilai rata-ratanya dng derajat
kepercayaan (degree of freedom) k-1 dan n-k tertentu. Uji F juga
digunakan unt menguji hipotesis nul bahwa semua variabel independen

85

tidak berpengaruh terhadap variabel dependen yakni 1= 2= 3= ..... =

k=0.
Fk 1,n k

ESS /( n k )
R 2 /( k 1)

RSS /( n k ) (1 R 2 ) /( n k )

Dimana n: jumlah observasi, k: jumlah parameter estimasi termasuk

konstanta.
F( 31)(103)

(0,933273) /(3 1)
0.4666365

48,95253
(1 0,933273) /(10 3) 0,0095324

Mencari F-tabel dengan derajat pembilang (3-1=2) dan derajat

penyebut (10-3=7) dan menggunakan taraf nyata 5% diperoleh F-tabel =
4,74. Ternyata F-hitung (48,95253) > F-tabel (4,74) maka dapat
dikatakan bahwa variabel total asset dan harga saham per lembar secara
bersama-sama pengaruhnya nyata (signifikan) terhadap keuntungan
bersih perusahaan.

Bagaimana dengan ceking pelanggaran asumsi klasik ?

a. Ceking multikolinier, korelasi antara variabel total asset (X1) dengan
harga saham per lembar (X2) sebesar 0,966389 sedikit lebih besar
dari koefisien determinasi R2 = 0,933273 namun terdapat variabel yg
signifikan (nyata) secara parsial, maka dapat diputuskan bahwa kasus
di atas masih terdapat / mengandung multikolinier.
Tabel: Correlation Matrix
X1:Total asset
X1:Total asset
X2: Harga saham
Y : Keuntungan

1,000000
0,966389
0,732942

X2: Harga saham

Y : Keuntungan

0,966389
1,000000
0,873102

0,732942
0,873102
1,000000

b. Ceking autokorelasi, dicirikan dengan nilai Durbin-Watson. Nilai DW

= 2,186034 terletak antara 4-Du = 1,984 (lihat tabel Durbin-Watson dng =0,05 ;
n=7; k=3) dan 4-Dl = 3,475, ini berarti nilai DW di antara 2,016 < DW > 1,984
sehingga berada di daerah tidak dapat diputuskan.
Tolak Ho, berarti
ada positif.

0
Lihat dlm tabel
Actual
3456.00
2345.00
1234.00
987.000
876.000
765.000
654.000
543.000
432.000
321.000

Tidak dapat
diputuskan

Dl
0,525

Fitted
3445.65
1938.36
1533.26
1218.13
959.236
700.340
682.287
423.392
164.496
547.848

Residual
10.3534
406.637
-299.260
-231.131
-83.2356
64.6599
-28.2873
119.608
267.504
-226.848

Du
2,016

Menerima Ho.
berarti tidak ada
autokorelasi

Residual Plot
| .
*
. |
| .
|
. *|
| *.
|
. |
| .*
|
. |
| . *|
. |
| .
|* . |
| .
*|
. |
| .
| * . |
| .
|
* |
| .*
|
. |

Tidak dapat
diputuskan

4-Du 2,186034 4-Dl

1,984
3,475

Tolak Ho, berarti

ada autokorelasi
negatif