1.

Statistika Deskriptif
Statistika Deskriptif digunakan untuk mengetahui secara ringkas mengenai nilai
minimum, nilai maksimum, rata rata, standar deviasi dari masing masing
data penelitian. Data yang digunakan dalam penilitian ini ditampilkan dalam
tabel berikut :
Tabel 1.1 Data suhu udara dan curah hujan
Tahun
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

Curah Hujan
3254
3010
3077
3030
2144
3375
2314
3150
3396
3850
3822
1682
2545
3981

Suhu
24
27
29
30
30
26
26
26
26
27
27
28
27
27

Tabel 1.1 merupakan data curah hujan dan suhu di Provinsi Bengkulu dari
tahun 2000 sampai dengan tahun 2013. Dengan suhu sebagai variabel bebas (X)
yang mempengaruhi curah hujan sebagai variabel terikat (Y).

Tabel 1.2
Descriptive Statistics
N

Minimu
m

Maximu
m

curah_hujan

14

1682

3981

suhu
Valid N
(listwise)

14

24

30

Mean
3045.0
0
27.14

Std.
Deviation
672.027
1.657

14

Berdasarkan tabel 1.2 di atas menunjukan bahwa nilai minimum dari data curah
hujan adalah 1682, nilai maximum adalah 3981, nilai mean adalah 3045,00 dan
nilai standar deviasi adalah 672,027. Sedangkan pada data suhu, nilai minimum
adalah 24, nilai maximum adalah 30, nilai mean adalah 27,14 dan nilai standar
deviasi adalah 1,657.

2. Analisi Korelasi
Sebelum melakukan analisis korelasi antar variabel, sebaiknya data tersebut
dieksplorasi terlebih dahulu secara grafis menggunakan scatterpolt

1.3 Scatterplot curah hujan vs suhu

Berdasarkan gambar
1.3 dapat dilihat bahwa sebaran titik titik
pasangan data semakin menjauhi garis lurus yang menunjukan bahwa keeratan
hubungan antara variabel suhu dengan curah hujan semakin lemah (tidak
sinergis). Dan menunjukan bahwa polanya berkolerasi negatif, artinya hubungan
antara kedua variabel berbanding terbalik. Jika suhu semakin tinggi maka curah
hujan semakin rendah.
Analisis korelasi antara curah hujan dan suhu
menggunakan metode korelasi Person.

H0
: Tidak ada hubungan yang signifikan antara suhu udara dengan
curah hujan.
H1
: Ada hubungan yang signifikan antara suhu udara dengan curah
hujan.

Kriteria Uji
Jika nilai signifikansi < 0.05, maka H 0 ditolak.
Jika nilai signifikansi > 0.05, maka H 0 diterima.
Tabel 1.3 : Koefisien Korelasi

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

Berdasarkan tabel 3.1 diperoleh nilai korelasi suhu udara dan curah hujan
adalah- 0.327, artinya hubungan antara kedua variabel dikatakan lemah dan
berbanding terbalik. Jika suhu udara tinggi maka curah hujan semakin rendah.
Dari tabel 3.1 juga dapat terlihat bahwa nilai signifikan (Sig) lebih besar
dari 0.05 yaitu 0.254, sehingga H 0 diterima. Maka dapat disimpulkan bahwa tidak
ada hubungan yang signifikan antara variabel suhu udara dengan curah hujan.
3. Uji Asumsi Klasik Regresi Linear Sederhana
Regresi Linear sederhana memiliki empat uji asumsi klasik, yaitu: Uji
Linearitas, Uji Normalitas, Uji Heteroskedatisitas, dan uji Autokorelasi.
A. Uji Linearitas
Uji linearitas bertujuan untuk mengetahui apakah pada setiap perubahan
yang terjadi pada satu variabel akan diikuti perubahan dengan besaran yang
sejajar pada variabel lainnya. Variabel terikat dan bebas dikatakan mempunyai
hubungan yang linear bila signifikansi kurang dari 0.05.
Hipotesis
H 0 = Banyaknya suhu udara linear dengan curah hujan.
H1 = Banyaknya suhu udara tidak linear dengan curah hujan.

Kriteria uji
Dengan taraf signifikan 5% (0,05)
Jika nilai sig. > 0,05 maka Ho diterima
Jika nilai sig. < 0,05 maka Ho ditolak

Tabel 1.4:Uji Linieritas

Berdasarkan tabel 1.4 diperoleh nilai signifikan sebesar 0.222 > 0.05
maka H 0 diterima . Artinya Banyaknya suhu udara linear dengan curah hujan.

B. Uji Normalitas
Asumsi normalitas merupakan asumsi yanh harus dipenuhi dalam analisis
regresi linear sederhana maupun berganda untuk mengetahui apakah
data yang digunakan mengikuti sebaran normal atu tidak, maka dilakukan
uji normalitas . Dalam uji normalitas, yang diuji adalah residualnya. Untuk
menguji residual berdistribusi normal atau tidak dapat dilakukan dengan
melihat normal P-P plot.

Tabel 1.5:Scatterplot Normality Test

Berdasarkan Gambar 1.5 dapat dilihat bahwa residual membentuk pola

pada garis normal, yaitu data tersebar di sekitar garis lurus, maka dapat
disimpulkan bahwa data berdistribusi normal. Dalam uji normalitas juga dapat
digunakan uji Kolmogrov Smirnov, sebagai berikut.
Hipotesis
o : Residual data berdistribusi normal
1 : Residual data tidak berdistribusi normal
Kriteria uji
Jika nilai signifikansi < 0.05, maka o ditolak
Jika nilai signifikansi > 0.05, maka 0 diterima

Tabel 1.6 : Uji Normalitas dengan Kolmogorof Smirnov

Berdasarkan dari tabel 1.6 diperoleh nilai signifikansi (sig.) yaitu 0.934 >
0.05, maka 0 diterima, artinya residual data berdistribusi normal. Dengan kata
lain, data berdistribusi normal.
C. Uji Heterokedastisitas
Penulis menggunakan uji glejser
Hipotesis
0 : Data tidak bersifat heteroskedastisitas
1 : Data bersifat heteroskedastisitas
Kriteria uji
Jika nilai signifikansi < 0.05, maka 0 ditolak
Jika nilai signifikansi > 0.05, maka o diterima

Tabel 1.7 : Tabel Heterokedastisitas dengan uji Glejser

Pada Tabel diperoleh nila sig = 0,509 > 0,05 . Maka Ho diterima. Dan dapat
disimpulkan tidak terjadi heterokedastisitas.
D. Uji Autokorelasi

Uji autokorelasi digunakan untuk menguji apakah dalam model regresi

linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 (sebelumnya). Jika ada korelasi maka
dinamakan masalah autokorelasi. Autokorelasi muncul karena observasi yang
berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul
karena residual dak bebas dari satu observasi ke observasi lainnya.
Penulis menggunakan uji Durbin Watson (DW test) untuk melihat apakah
data residual memiliki keterkaitan antar data atau tidak.

Kriteria uji

Jika < < 4 - L, maka autokorelasi sama dengan 0, artinya tidak ada
autokorelasi

Jika < , maka koef autokorelasi lebih besar daripada 0, artinya ada
autokorelasi positif

Jika < < , , maka tidak dapat disimpulkan.

Jika > 4 - , ada autokorelasi negatif

Jika 4 - < < 4 - , maka tidak dapat disimpulkan

Tabel 1. 8 Uji Autokorelasi dengan uji Durbin-Watson

Berdasarkan Tabel 1.8 diperoleh nilai = 1.959, pada kasus ini dengan
taraf signifikan = 0.05, jumlah sampel (n) sebanyak 14 observasi, dan jumlah
variabel bebas sebanyak 1, maka berdasarkan tabel Durbin-Watson diperoleh
nilai =1.045 dan nilai =1.350 . Karena =1.350< = 1.659<4- =2,65.
artinya tidak ada autokorelasi.
4. Analisis Regresi
a. Persamaan Regresi Linear Sederhana
Dengan menggunakan program SPSS diperoleh hasil olahan data yang dapat
disusun estimasi model regresi linear sederhana sebagai berikut.

Tabel 1.9 : Regresi Linear Sederhana

Berdasarkan tabel 1.9 maka diperoleh model regresi suhu udara terhadap curah
hujan adalah :
Y = 66309.040 + (-132.412)X
Dengan
Y

= Rata rata tahunan curah hujan di provinsi Bengkulu.

= Data tahunan suhu udara di provinsi Bengkulu.

Dari model regresi di atas, maka suhu udara memberikan pengaruh

negative yang cukup besar terhadap curah hujan di provinsi Bengkulu. Artinya
setiap pertambahan 1 derjat suhu udara maka akan memberikan pengaruh
sebesar (-132.412) terhadap curah hujan dan besarnya curah hujan tanpa
dipengaruhi nilai suhu udara sebesar 6639.040.
b. Uji Simultan (Uji F)
Uji simultan (uji F) untuk mengetahui pengaruh dari variabel bebas (suhu
udara) terhadap variabel terikat (curah hujan) secara serentak atau
bersama sama

Hipotesis
0 : =0, Suhu udara tidak berpengaruh signifikan terhadap curah hujan.
1 : 0, Suhu udara berpengaruh signifikan terhadap curah hujan
Kriteria Uji
Jika h> tabel, maka Ho ditolak
Jika h < , maka Ho diterima
Di mana :
=(1, 2)
= taraf signifikan

1 = = 1
2= - - 1 = 2

Tabel 1.10 : Analisis Ragam

Berdasarkan Tabel 1.10 diperoleh nilai Fhitung = 1.433 dan diperoleh nilai
Ftabel didapatkan dengan = 0.05 dan df1 = jumlah variabel bebas dan df2 =
jumlah data banyaknya variabel, maka didapat nilai F tabel = 4.96. Maka nilai
Fhitung = 1.433 < 4.96 = Ftabel , maka H0 diterima , artinya Suhu udara tidak
berpengaruh signifikan terhadap curah hujan.
c. Melakukan Pengujian Parsial (Uji t)
Selanjutnya akan dilakukan uji parsial (uji t) yaitu uji yang bertujuan untuk
mengetahui pengaruh variabel bebas (suhu udara) terhadap variabel terikat
(curah hujan) secara parsial atau sendiri sendiri .
Hipotesis
H0 = 1 =0, suhu udara tidak berpengaruh terhadap curah hujan.
H1 = 1 0, Suhu udara berpengaruh terhadap curah hujan.
Kriteria uji

Jika t hitung > t tabel , maka H0 ditolak

Jika thitung < ttabel, maka H0 diterima

Dimana :
Ttabel = t(/2,db)
= taraf signifikan
df = n k 1 =n 2

statistik uji

Tabel 1.11 : Uji t

Berdasarkan Tabel diatas diperoleh nilai h untuk kesalahan
konversi sebesar 4,459, sedangkan didapatkan dengan = 0.05 dan
=h - 2, maka didapat nilai =2.179. Karena nilai h=1.197< 2.179 = berakibat H0 diterima, artinya suhu udara tidak
berpengaruh terhadap curah hujan.
d. Koefesien Determinasi (R2)
Koofesien determinasi (R2) menjelaskan banyaknya variansi yang dapat
dijelaskan oleh model regresi . Koefesien Determinasi (R 2) digunakan
untuk mengukur pengaruh variabel bebas terhadap variansi terikat ,
dengan 0 < R2 <1

Tabel 1.12 : Koefesien Determinasi

Berdasarkan tabel 1.12 diperoleh nilai R 2 = 0.107, artinya bahwa variabel bebas
(suhu udara) mempengaruhi variabel terikat (curah hujan) sebesar 10,7%
sedangkan 89,3% variabel curah hujan dipengaruhi oleh faktor lainnya.