Bab IV Analisis Hubungan Buku Penelitian Kuantitatif

BAB IV
ANALISIS HUBUNGAN
Berbagai fenomena yang terjadi dalam kehidupan selalu menimbulkan

berbagai pertanyaan, mengapa itu terjadi ?, bagaimana itu terjadi ?, dan
pertanyaan-pertanyaan lain yang pada dasarnya menunjukan keingintahuan
manusia untuk dapat memahami dan menjelaskannya. Kompleksnya
masalah yang terjadi baik secara bersamaan maupun beriringan berakibat
pada tidak sederhananya jawaban yang bisa dimunculkan. Keadaan ini telah
mendorong manusia untuk memilih dan memilah-milah berbagai kejadian
serta mengkajinya sebagai upaya untuk memahaminya.
Apabila terjadi suatu gejala yang sama dengan gradasi yang berbeda
dengan latar sebab (secara rasional) yang sama,manusia mencoba mengkaji
perbedaan tersebut dengan memunculkan pertanyaan apakah perbedaan
tersebut benar-benar merupakan perbedaan yang nyata ataukah tidak ?, bila
terjadi gejala yang sama dengan gradasi yang berbeda dan latar sebab yang
berbeda, manusiapun akan mencari jawabannya terhadap perbedaan
tersebut. Ketika pengkajian terhadap masalah-masalah tersebut dilakukan,
manusia mencoba mengkaitkan antara satu gejala dengan gejala lainnya,
baik itu terhadap gejala yang menunjukan kesamaan ataupun perbedaan.
Secara sederhana jawaban terhadap masalah-masalah tersebut
terkadang dicukupkan pada jawaban yang bersifat Common Sense dengan
menunjuk pada bukti empiris (dengan keterbatasan pengamatan) serta
mengkaitkannya dengan gejala yang mengiringinya. Akan tetapi bukti-bukti
empiris (dalam penggunaan Common Sense, bukti empiris umumnya
berrsifat tunggal karena keterbatasan pengamatan) yang teramati pada
dasarnya merupakan masalah yang kompleks pula sehingga memerlukan
pendalaman dan pengulangan pengamatan baik secara beriringan ataupun
bersamaan, dalam upaya ini frekuensi kejadian serta representasi kejadian
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002
79
terhadap kejadian secara keseluruhan menjadi penting untuk dikaji sebelum

dimunculkan jawabannya. Dalam kaitan ini maka Statistik menjadi alat bantu
yang penting guna mengkaji dan menganalisa berbagai gejala tersebut,
sehingga dapat diperoleh bukti-bukti statistik yang dapat memperkuat buktibukti
empiris
(Common
Sense),
dan
Ilmu
Statistik
telah
lama
mengembangkan alat untuk menganalisis berbagai hubungan antara gejalagejala yang bergradasi atau bervariasi.
4.1. Macam-macam Hubungan
Secara sederhana hubungan antar variabel penelitian didasarkan
pada pengelompokan variabel ke dalam variabel Bebas (Independent
Variable) dan variabel terikat (Dependent Variable). Variabel bebas, sering
juga disebut variabel yang mempengaruhi, sementara itu variabel terikat
sering disebut variabel yang dipengaruhi. Istilah Hubungan dan pengaruh
sebenarnya tidak dapat dipersamakan, dalam Ilmu sosial Pengaruh mengacu
pada hubungan sebab akibat (Kausal), sedangkan hubungan antara variabel
bebas dan variabel terikat tidak selalu merupakan hubungan kausal. Namun
demikian terdapat kecenderungan untuk mempertukarkan pemahaman
tersebut cukup besar, sebagaimana diungkapkan oleh Peter Hagul dkk
bahwa
walaupun
terdapat
kemungkinan
pengertian
hubungan
dicampuradukan dengan pengaruh, istilah variabel pengaruh dan variabel

terpengaruh lebih mencerminkan kecenderungan dan arah dalam penelitian
sosial. Usaha untuk mencari hubungan antar variabel sesungguhnya
mempunyai tujuan akhir untuk melihat pengaruh antar variabel.
Disamping pemahaman hubungan seperti tersebut di atas, dilihat dari
kejadiannya dengan mengacu pada teori tertentu hubungan antar variabel
dapat dikelompokan kedalam tiga macam hubungan yaitu :
1. Hubungan Timbal balik
2. Hubungan Simetris
3. Hubungan Asimetris
80
Hubungan timbal balik adalah hubungan antara variabel satu dengan

variabel lain dimana masing-masing variabel dapat menjadi sebab dan juga
akibat, dalam hubungan macam ini sulit ditentukan mana variabel penyebab
dan mana variabel akibat, karena bisa saja pada satu saat menjadi penyebab
dan pada saat lain menjadi akibat.
Hubungan Simetris adalah hubungan dimana variabel yang satu tidak
disebabkan atau dipengaruhi oleh variabel lainnya, hal ini dapat terjadi bila
variabel-varibel
(1) merupakan
indikator dari konsep yang sama; (2)
nrupakan akibat dari faktor yang sama; (3) berkaitan secara fungsional, dan
(4) berhubungan secara kebetulan. Apabila dalam fakta-fakta penelitian
ditemukan macam hubungan yang demikian maka diperlukan pengkajian
yang lebih mendalam tentang kemungkinan-kemungkinan terdapatnya
variabel-variabel lain yang berpengaruh.
Hubungan Asimetris adalah hubungan apabila terdapat variabel suatu
variabel yang mempengaruhi variabel lainnya. Terdapat enam tipe hubungan
asimetris yaitu hubungan antara : (1) Stimulus dan respon; (2) Disposisi dan
Respon; (3) Ciri individu dan Tingkah laku; (4) prakondisi dan akibat; (5)
Immanen; (6) tujuan dan cara.
Dengan memahami macam-macam hubungan tersebut, peneliti akan
terbantu dalam menentukan konsep dan atau variabel yang akan diteliti serta
macam hubungannya sehingga terhindar dari kerancuan teoritis dalam
penentuan indikator (operasionalisasi) variabel/Konsep , umumnya
dalam
penelitian sosial dan pendidikan hubungan antara variabel yang menjadi

fokus penelitian lebih banyak mengacu pada hubungan Asimetris, dan paling
tidak tercakup dalam enam macam hubungan seperti tersebut di atas. Untuk
lebih jelas berikut ini akan dikemukakan contoh-contoh hubungan :
81
Tabel 4.1
Contoh Hubungan Asimetris
No
Macam Hubungan
1
2
3
4
5
6
Stimulus - Respon
Disposisi - Respon
Ciri Individu - T Laku
Prakondisi - Akibat
Immanen
Cara Tujuan
Hubungan antar Konsep/Variabel

Bebas (X)
Terikat (Y)
Kompensasi
Motivasi Keja Guru
Kinerja Kepala Sekolah
Kecerdasan Emosi
Tingkat Pendidikan
Produktivitas Kerja
Quality of Work Life
Kepuasan Kerja
Jumlah Pegawai
Span of Control
Disiplin
Prestasi Siswa
Hubungan-hubungan tersebut bila dilihat dari variasi antar Variabel

serta nilai prediksinya termasuk ke dalam tipe hubungan korelasional atau
regresional dimana di dalamnya tidak terdapat true value nilai Y untuk tiap
nilai X, berbeda dengan tipe hubungan Fungsional dimana untuk tiap-tiap
nilai X mempunyai True Value nilai Y, hubungan jenis ini kebanyakan berlaku
dalam Ilmu Alam, sedangkan tipe hubungan korelasional atau regresional
lebih banyak ditemukan dalam penelitian Ilmu-ilmu sosial termasuk Ilmu
Pendidikan.
4.2. Teknik Analisis
Analisis hubungan antar variabel pada dasarnya mengindikasikan
adanya
data
menganalisisnya
pengamatan/penelitian
dapat
dilakukan
yang
dengan
berpasangan,
tiga
cara
dan
cara
sebagaimana
diungkapkan oleh Robert G. D. Steel dan Jammes H. Torrie yaitu :

1. Mengabaikan
hubungan
antar
keduanya,
dan
menganalisis
masing-masing secara terpisah

2. menggunakan analisis regresi
3. memeriksa korelasinya.
di sini yang akan dibahas adalah cara nomor dua dan nomor tiga yakni
regresi dan korelasi, sedang yang nomor satu tidak akan dibahas karena
82
lebih mengarah pada analisis perbandingan guna membedakan antara

variabel yang satu dengan variabel lainnya.
Dalam melakukan analisis hubungan, Statistika menjadi alat bantu
penting dalam proses pendeskripsian dan penganalisaan, baik itu dalam
penggambaran tunggal variabel maupun dalam penggambaran lebih dari
satu variabel. Analisis hubungan pada dasarnya merupakan upaya untuk
melihat variasi yang bersamaan antara satu variabel dengan variabel lainnya
guna memperoleh gambaran tentang keterkaitannya antara variabel bebas
dengan variabel terikat, baik dalam kekuatannya maupun kemampuan
prediksi variabel bebas terhadap variabel terikat.
Dalam Statistika, analisis yang bermaksud memahami kekuatan serta
arah hubungan antar variabel adalah Teknik analisis Korelasi, sedangkan
analisis yang bermaksud untuk memahami bentuk serta prediksinya adalah
teknik analisis Regresi, kedua teknik analisis ini pada dasarnya saling
berhubungan, sehingga dalam penerapannya sering digunakan secara
bersamaan dalam melakukan analisis hubungan antar variabel, dan
penggunaan
keduanya
sering
disebut
sebagai
analisis
korelasional
(Correlational Research/Study). Sementara itu apabila analisis dilanjutkan

dengan model kausal (atas dasar formulasi teori tertentu) maka analisis jalur
(Path Analysis) merupakan teknik analisis yang tepat.
Dalam penerapannya, teknik analisis hubungan mempunyai variasi
urutan yang berbeda, ada yang menempatkan analisis regresi terlebih dahulu
baru kemudian analisis korelasi seperti Sudjana, dan Santosa Murwani, ada
pula yang sebaliknya yakni mendahulukan analisis korelasi baru kemudian
analisis regresi seperti Dennis E Hinkle, Sementara itu menurut Made
Putrawan pertanyaan yang harus dijawab dalam penelitian yang bersifat
hubungan yaitu (1) bagaimana model regresinya ?, (2) bagaimana bentuk
hubungannya ?, dan (3) berapa kekuatan/keeratan hubungannya , model
regresi dan bentuk hubungan diketahui melalui persamaan regresi,
83
sementara keeratan hubungan dapat diketahui dengan perhitungan korelasi

(koefisien korelasi).
Perbedaan tersebut secara prinsip tidak akan mempengaruhi hasil
analisis, tetapi nampaknya pengurutan itu tergantung pada pertanyaan
analisis yang diharapkan. Bila seseorang ingin mengetahui lebih dahulu
tentang ada tidaknya hubungan antar variabel, maka analisis korelasi
didahulukan baru kemudian analisis regresi untuk melihat bentuk hubungan
serta persamaannya untuk melakukan prediksi; sementara itu bila ingin
mengetahui bentuk hubungan serta persamaan untuk melakukan prediksi,
analisa regresi bisa didahulukan baru analisis korelasi untuk mengetahui
keeratan hubungan atau efisiensi garis regresi (persamaan regresi) guna
menentukan akurasi prediksi.
Suatu hal yang perlu dipahami adalah bahwa analisis regresi dan
korelasi sangat erat hubungannya, hal ini juga terlihat dari cara-cara
perhitungannya,
disamping itu akurasi prediksi dalam persamaan regresi
ditentukan juga oleh korelasinya sebagaimana dikemukakan oleh Kerlinger

bahwa The higher the correlation, the better the prediction the higher the
correlation whether positive or negative, the closer the plotted values will be
to the regression line.
Dalam
penelitian
korelasional,
perumusan
masalahnya
harus
mengarah pada suatu hubungan sesuai dengan Variabel-variabel yang akan

diteliti apakah bersifat sederhana atau multiple
o
Perumusan masalah untuk Korelasi tunggal/regresi linier sederhana
Apakah terdapat hubungan antara Variabel X dengan Variabel Y
Perumusan masalah untuk Korelasi Ganda/regresi linier Ganda (X1,X2,Y)
Apakah terdapat hubungan antara Variabel X 1 dengan Variabel Y
Apakah terdapat hubungan antara Variabel X 1 dan X2 secara

bersama-sama dengan Variabel Y
84
Perumusan masalah untuk Korelasi Multiple 3 Variabel bebas
(X1,X2,X3,Y)
Apakah terdapat hubungan antara Variabel X 1, X2, X3 secara

bersama-sama dengan Variabel Y
4.2.1. Regresi
Istilah regresi pertama kali digunakan oleh Francis Galton pada tahun
1887 ketika mengadakan penelitian tentang hubungan antara tinggi orang
tua dengan tinggi anaknya, dan sampai pada kesimpulan bahwa rata-rata
tinggi anak yang berasal dari orang tua yang tinggi lebih rendah dibanding
rata-rata tinggi orang tuanya, sedangkan anak-anak yang berasal dari orang
tua yang rendah, tinggi rata-ratanya lebih tinggi dari tinggi orang tuanya,
dengan demikian terjadi regress (kemunduran) atau tendensi terjadinya
penurunan. Selanjutnya istilah Regression digunakan untuk menggambarkan
garis yang menunjukan arah hubungan antar variabel, serta dipergunakan
untuk melakukan prediksi, selain istilah tersebut, di kalangan akhli Statistik
ada juga yang menggunakan istilah estimating line
atau garis taksiran
sebagai padanan istilah Regresi.

Sutrisno Hadi dalam bukunya Analisis Regresi menyatakan bahwa
analisis regresi bertujuan untuk :
1. memeriksa apakah garis regresi tersebut bakal efisien dipakai
sebagai dasar
2. Menghitung persamaan garis regresi
3. untuk mengetahui sumbangan relatif dan sumbangan efektif bila
prodiktornya lebih dari satu variabel.
Regresi yang terdiri dari satu variabel bebas (predictor) dan satu
variabel terikat (Response/Criterion) disebut regresi linier sederhana
85
(bivariate regression), sedangkan regresi yang variabel bebasnya lebih dari

satu disebut regresi jamak (Multiple regression/multivariate regression), yang
dapat terdiri dari dua prediktor (regresi ganda) maupun lebih. Dalam
persamaan regresi variabel bebas (predictor) biasanya dilambangkan dengan
X, dan variabel terikat dilambangkan dengan Y, dalam penulisan persamaan
Y perlu diberi topi (Y cap) untuk menunjukan Y yang diprediksi berdasarkan
persamaan (Regression equation). Adapun bentuk persamaannya adalah :
1.
= a + b X (Regresi linier sederhana)
2.
= a + b1X1 + b2X2 (Regresi linier Ganda/dua prediktor)
3.
= a + b1X1 + b2X2 + b3X3 (Regresi linier tiga prediktor)
a adalah koefisien konstanta dari persamaan, yang berarti nilai Y pada saat
nilai b = nol, dan pada saat ini garis regresi akan memotong garis Y, sehingga
a juga biasa disebut intercept. Sementara itu b adalah koefisien regresi atau
koefisien arah dari persamaan regresi, yang menunjukan besarnya
penambahan Y apabila niai X bertambah sebesar satu. Untuk lebih jelas
dapat dilihat dalam gambar 3.1. berikut ini :
Y
= a + bX
b satuan
1 satuan
a
(0,0)
X
Gambar 3.1. Grafik Garis Regresi
Gambar di atas dapat memberikan pemahaman tentang konsep

analisis regresi dengan melihat posisi masing-masing koefisien, baik
86
koefisien konstan (a) maupun koefisien arah atau koefisien regresi (b). dan
untuk lebih mendalami analisisnya berikut ini akan diberikan contoh
perhitingan regresi yang dimulai dengan regresi linier sederhana kemudian
regresi multiple dengan dua prediktor (regresi ganda)
4.2.1.1. regresi linier sederhana (satu prediktor)
Untuk keperluan perhitungan dalam analisis regresi, contoh variabel
yang akan dipergunakan dalam perhitungan adalah variabel Motivasi (X)
sebagai variabel bebas, dan variabel Kinerja (Y) sebagai variabel terikat.
Sesuai dengan persyaratan analisis yang mengharuskan skala
pengukuran/datanya bersifat interval atau rasio (statistik Parametrik), maka
data berikut merupakan data interval hasil konversi dari data ordinal (Skala
sikap) dengan menggunakan Method of summated rating.
Tabel 4.2
Data Skor Motivasi dan Kinerja
Variabel X (Motivasi)
20
30
50
60
80
90
330
Variabel Y (Kinerja)
60
50
70
80
120
110
490
Tabel 4.3
Mencari Persamaan Regresi menggunakan Skor Kasar
X
20
30
Y
60
50
X2
400
900
XY
1200
1500
87
50
60
80
90
330
70
80
120
110
490
2500
3600
6400
8100
21900
3500
4800
9600
9900
30500
Rumus mencari a dan b menggunakan dua persamaan :

Y
= Na + bX
XY = aX + bX2
I.
490
II. 30500
= 6a +
330 b
= 330a + 21900 b
(x 110)
(x 2)
I. 53900 = 660 a + 36300 b

II. 61000 = 660 a + 43800 b
7100 =
7500 b
b
= 7100 : 7500 = 0.946667 (0.95)
490
= 6a + 330 (0.95)
6a
= 490 - 313.5 = 176.5
a
= 176,5 : 6 = 29.4
= 29,4 + 0.95 X
Cara lain mencari a dan b dengan menggunakan tabel 3.3
b =
N (XY) - (X) (X)

N (X2) - (X)2
a =
Y - b X
- bX
N
b =
=
6 (30500) - (330) (490)

6 (21900) - (330)2
21300
22500
0,946667 (0.95)
88
490 - 0.95 (330)

6
176.5 Y
6
29.4166 (29,4)
29,4 + 0.95 X
- bX
81.67 - 55 (0,95) = 29.42 (29.4)
Tabel 4.4.
Mencari Persamaan Regresi dengan menggunakan simpangan
X
20
30
50
60
80
90
330
Y
60
50
70
80
120
110
490
x
-35
-25
-5
5
25
35
0
330/6 = 55
490/6 = 81.67
x2
1225
625
25
25
625
1225
3750
y
-21.67
-31.67
-11.67
-1.67
38.33
28.33
0
y2
469.59
1002.99
136.19
2.79
1469.19
802.59
3883.33
xy
758.45
791.75
58.35
-8.35
958.25
991.55
3550
x adalah X dikurangi X , y adalah Y dikurangi Y

Untuk mencari nilai x2 dan xy dapat juga dilakukan secara langsung menggunakan Tabel 3.3. tanpa mencari Mean dengan meng
gunakan Rumus :
x2 = X2 - ( X)2 = 21900 - 3302 = 3750
N
6
xy = XY - ( X)( Y) = 30500 330 x 490 = 3550
N
6
b
= xy
= 3550 = 0.95 (0.946667)
x2
3750
a
= Y - b X --> 81.67 - 55 (0,95) = 29.42 (29.4)
= 29,4 + 0.95 X
89
Tabel 4.5.
Mencari Persamaan Regresi dengan menggunakan koefisien korelasi
X
20
30
50
60
80
90
330
Y
60
50
70
80
120
110
490
x2
1225
625
25
25
625
1225
3750
x
-35
-25
-5
5
25
35
0
y
-21.67
-31.67
-11.67
-1.67
38.33
28.33
0
y2
469.59
1002.99
136.19
2.79
1469.19
802.59
3883.33
Xy
758.45
791.75
58.35
-8.35
958.25
991.55
3550
Standar Deviasi X (SdX) = 27.39 ; Standar Deviasi Y (SdY) = 27.86

Rumus Korelasi :
xy
rxy
=
2
(x ) (y )
3550
rxy
3550
=
(3750) (3883,33)
r x (SdY : SdX )
0.9302 x ( 27.86 : 27.39 )
0.9302
3816.08
= 0.946 (0.95)
- b X --> 81.67 - 55 (0,95) = 29.42 (29.4)
29,4 + 0.95 X
4.2.1.2. Pengujian Signifikansi dan linieritas Garis Regresi

Setelah diperoleh persamaan garis regresi, langkah berikutnya adalah
melakukan pengujian apakah persamaan tersebut signifikan serta linier atau
tidak. Untuk itu terlebih dahulu perlu dicari Jumlah kuadrat untuk masingmasing sumber Varian sebagai berikut :
90
Jumlah Kuadrat :
JKT(Jumlah Kuadrat Total)
Y2
JK (Jumlah Kuadrat) (a)
( Y)2
N
JK (R) (Jumlah Kuadrat Total direduksi) =
JKT
JK (a)
JK (Jumlah Kuadrat) (b)
b xy
JKS (Jumlag Kuadtar Sisa)
JKR
JK (b)
JK (G) (Jumlah Kuadrat Galat)
(yk 2)
JK(TC) (Jumlah Kuadrat Tuna Cocok)
JKS
JKG
Untuk lebih jelasnya akan dilakukan perhitungan dengan mengacu pada

Tabel berikut
Tabel 4.6.
X
20
20
50
60
84
90
324
Y
60
50
80
80
120
114
504
Y2
3600
2500
6400
6400
14400
12996
46296
x
-34
-34
-4
6
30
36
0
X2
1156
1156
16
36
900
1296
4560
y
-24
-34
-4
-4
36
30
0
y2
576
1156
16
16
1296
900
3960
xy
816
1156
16
-24
1080
1080
4124
Persamaan regresi = 35.16 + 0.90 X

Dengan data di atas hasil perhitungan Jumlah Kuadra adalah :
JK(T)
= 46296
JK (a)
= 42336
JK (R)
46296 -
JK (b)
0.90 x 4124 = 3711.6
JKS
3960 - 3711.6 = 248.4
JKG
( 602+ 502 (110)2) + ( 802 (80)2) + ( 802 (80)2) +
42336= 3960 ( y2)
1
91
JK(TC)
(1202 (120)2) + (1142 (114)2) =

1
1
248.4 - 50 = 198.4
50
untuk menghitung JKG data Y dikelompokan menurut data X, data X

diurutkan dari kecil ke besar dan yang nilai X nya sama merupakan satu
kelompok sedang yang X nya satu dianggap satu kelompok, sesudah itu
hitung JK untuk tiap kelompok, yang kelompoknya satu JK nya 0
nilai-nilai tersebut kemudian dimasukan pada tabel Anava sbb :

Tabel 4.7.
Tabel Anava untuk pengujian Signifikansi dan linieritas
Persamaan regresi
Sumber
Varians
Db
JK
RJK
Total
Regresi a
6
1
46296
42336
42336
Regresi b
3711.6
3711.6
Sisa
Tuna Cocok
4
3
248.4
198.4
62.1
66.13
Galat
50
50
Fh
Ft0.05
Ft0.01
59.77
7.71
21.20
1.32
216
5403
Kesimpulan :
1. Persamaan Regresi
= 35.16 + 0.90 X signifikan karena Fh > Ft
(59.77 > 21.20 7.71) baik pada taraf kepercayaan 95 % (0.05)

maupun pada taraf kepercayaan 99 % (0.01)
2. Persamaan Regresi
= 35.16 + 0.90 X linier baik pada taraf
kepercayaan 99 % (0.01) Fh < Ft (1.32 < 5.40), maupun pada taraf

kepercayaan 95 % (0.05) Fh < Ft (1.32 < 5403).
4.2.1.3. Regresi Linier Ganda (dua prediktor)
92
Regresi Ganda adalah regresi dengan dua Variabel bebas (Misalnya

X1 dan X2) dan satu variabel Terikat (Y). dilihat dari perumusan masalah
sebagaimana dikemukakan di muka, maka untuk untuk melihat persamaan
garis regresi bagi masing-masing variabel bebas dapat dilakukan dengan
cara perhitungan regresi linier sederhana, yakni regresi Y atas X 1 dan Regresi
Y atas X2, oleh karena itu uraian berikut hanya berkaitan dengan regresi
Ganda. Adapun bentuk persamaan Regresi Ganda adalah :
= a + b1X1 + b2X2 (Regresi linier Ganda/dua prediktor)

Contoh Perhitungan :
Tabel 4.8.
Tabel bantu perhitungan regresi Ganda (dua prediktor)
Menggunakan rumus angka kasar
X1
4
7
9
12
32
X2
1
2
5
8
16
Y
7
12
17
20
56
X1Y
28
14
153
240
505
X2Y
7
24
85
160
276
X1X2
4
14
45
96
159
X12
16
49
81
144
290
X22
1
4
25
64
94
Y2
49
144
289
400
882
Untuk menghitung nilai konstanta a, b 1, dan b2, dapat digunakan tiga buah
persamaan yaitu :
1.
Na + b1 X1 + b2 X2
2.
X1Y
a X1 + b1 X12 + b2 X1X2
3.
X2Y
a X2 + b1 X1X2 + b2 X22
Berdasarkan data dalam tabel 3.8 diperoleh tiga persamaan :

1.
56
4a + 32b1 + 16b2
2.
505
32a + 290b1 + 159b2
3.
276
16a + 159b1 +94b2
93
Penyelesaian :
Persamaan 1 dan 2 menghasilkan persamaan 4
1. 56 =
4a + 32b1 + 16b2
( x 8) -> 448
2. 505 =
32a + 290b1 + 159b2 (x 1) -> 505
Persamaan 4
->
32a + 290b1 + 159b2 =
34b1 + 31b2
Persamaan 1 dan 3 menghasilkan persamaan 5

1. 56
4a + 32b1 + 16b2 (x 4) -> 224 = 16a +128b1 + 64b2
3. 276
16a + 159b1 +94b2 (x 1) -> 276 = 16a + 159b1 + 94b2 Persamaan 5
57
32a +256b1 + 128b2
52 = 0
31b 1 + 30b2
Dari persamaan 4 dan 5 akan diperoleh konstantan b 2

4. 57
34b1 + 31b2 (x 31) -> 1767 = 1054b1 + 961b2
5. 52
31b1 + 30b2 (x 34) -> 1768 = 1054b1 + 1020b2 1
59b2
59b2 = 1 b2 = 0.0169 (0.017)
Kemudian nilai b2 disubtitusikan pada persamaan 4, maka akan diperoleh

konstanta b1
57
34b1 + 31b2 57 = 34b1 + (31 x 0.017)
57
34b1 + 0.527 56.473 = 34b1 b1 = 1.66
Selanjutnya nilai b2 dan nilai b1 disubstitusikan pada persamaan 1, maka

akan diperoleh nilai konstanta a
56 =
4a + 32 (1.66) + 16 (0.017)
56 =
4a + 53.12 + 0.272
56 =
4a + 53.392
4a =
56 - 53.392 4a = 2.608 a = 0.652
94
Hasil persamaan Regresi yang diperoleh adalah
= 0.652 + 1.66 X1 + 0.017X2
Tabel 4.9
Tabel bantu Perhitungan regresi ganda (dua prediktor)
Menggunakan rumus simpangan
X1
4
7
9
12
32
X
X2
1
2
5
8
16
1
Y
7
12
17
20
56
=8; X
x1
-4
-1
1
4
0
x2
-3
-2
1
4
0
= 4;Y
x 12
16
1
1
16
34
y
-7
-2
3
6
0
x 22
9
4
1
16
30
y2
49
4
9
36
98
x1x2
12
2
1
16
31
x 1y
28
2
3
24
57
x 2y
21
4
3
24
52
= 14SdX1 = 3.37; SdX2 = 3.16; SdY = 5.72
Persamaan Regresi :
b1X1
b1 X
b2X2
b2 X
1. Cara pertama :
a
b1
(x22) (x1y) (x1x2) (x2y)

(x12) (x22) (x1x2)2
b2
(x12) (x2y) (x1x2) (x1y)

(x12) (x22) (x1x2)2
Perhitungan Persamaan Regresi

b1
(30) (57) (31) (52)

(34) (30) (961)
95
b1
98
59
b1
1.66
b2
(34) (52) (31) (57)

(34) (30) (961)
b2
1
59
b2
0.017
b1 X
14
1.66 (8)
14
13.28
0.652
b2 X
- 0.017 (4)
-
0.068
Hasil persamaan Regresi yang diperoleh adalah
= 0.652 + 1.66 X1 + 0.017X2
2. Cara kedua (diterminan)
x1y
b1x12 + a2x1x2
x2y
a1x1x2 + a2x22
57
34b1 + 31b2
52
31b1 +
- b1 X
- b2 X
30b2
Mencari b1 :
96
34
31
57
b1
31
31
30
52
(34 x 30) (31x 31) b1

59 b1
98
b1
98/59
b1
1.66
30
= (57 x 30) -- (31 x 52)
Mencari b2 :
34
31
b2
31
30
(34 x 30) (31x 31) b2

59 b2
b2
1/59
b2
0.017
34
57
31
52
= (34 x 52) -- (57 x 31)
Mencari a :
a
b1 X
14
1.66 (8) -
0.017 (4)
14
13.28
0.068
0.652
b2 X
Persamaan Garis regresi :
97
= 0.652 + 1.66 X1 + 0.017X2
4.2.1.4. Pengujian Signifikansi Regresi Ganda

Mencari Jumlah Kuadrat :
JK (R)
= y2 =
JK (reg)
= b1x1y + b2x2y 1.66 (57) + 0.017 (52)
98
94.62 + 0.88 = 95.50

JK (S)
JK (R) -- JK (reg) 98 -- 95.50 = 2.50

Tabel 4.10.
Tabel Anava untuk pengujian Signifikansi
Persamaan regresi Ganda
Sumber
Varians
db
JK
RJK
Total Reduksi
98
Regresi
95.50
47.75
Sisa
2.50
2.50
Fh
Ft 0.05
19.1
200
Kesimpulan :
Persamaan regresi/garis regresi tidak signifikan karena F hitung lebih
kecil dari F tabel (19.1 < 200) pada taraf kepercayaan 95 % (0.05)
4.2.2. Korelasi
Korelasi adalah suatu hubungan, Koefisien korelasi adalah indeks
arah dan besaran suatu hubungan/relasi, Koefisien korelasi Product Moment
98
( r ) dapat dihitung dengan beberapa rumus yang ekuivalen. Ada beberapa

manfaat dalam mempelajari korelasi yakni :
1. Penentuan adanya hubungan serta besarnya hubungan antara
variabel dapat diketahui, sebab koefisien korelasi merupakan
ukuran yang dapat menjelaskan besar kecilnya hubungan
2. dengan mengetahui adanya hubungan, maka prediksi terhadap
variabel lainnya dapat dilakukan dengan bantuan garis regresi.
Korelasi pada dasarnya hanya menunjukan tentang adanya hubungan
antara dua variabel atau lebih serta besarnya hubungan tersebut, ini berarti
bahwa korelasi tidak menunjukan hubungan sebab akibat. Apabila dipahami
sebagai suatu hubungan sebab akibat, hal itu bukan karena diketahuinya
koefisien korelasi melainkan karena rujukan teori/logika yang memaknai hasil
perhitungan, oleh karena itu analisa korelasional mensyaratkan acuan teori
yang mendukung adanya hubungan sebab akibat dalam variabel-variabel
yang dianalisa hubungannya.
Koefisien korelasi dari suatu perhitungan berkisar antara +1 dan 1,
koefisien korelasi yang bertanda (+) menunjukan arah korelasi yang positif,
sedangkan yang bertanda (-) menunjukan arah hubungan yang negatif.
Sementara itu bila koefisien korelasi bernilai 0, berarti tidak ada hubungan
antara variabel satu dengan variabel lainnya. Hubungan tersebut bila
digambarkan nampak sebagai berikut :
Y
Korelasi Positif
0
X
Korelasi Negatif
Y
Tidak berkorelasi
99
Berikut ini akan dikemukakan beberapa cara perhitungan untuk memperoleh

nilai koefisien korelasi .
4.2.2.1. Korelasi Sederhana
korelasi sederhana merupakan korelasi yang mencoba memahami
hubungan antara satu variebel bebas (X) dengan satu variabel terikat (Y).
dalam perhitungannya terdapat beberapa cara yang dapat dipergunakan,
berikut ini akan dikemukakan beberapa contoh perhitungan, dan jika terdapat
sedikit perbedaan hasil untuk masing-masing cara perhitungan,hal itu
semata-mata akibat proses pembulatan
1. Rumus yang menggunakan Standar Skor
Penghitungan nilai koefisien korelasi dengan menggunakan rumus
standar skor dapat dilakukan dengan melaksanakan langkah-langkah
sebagai berikut :
a. Menghitung
nilai
rata-rata
untuk
tiap
variabel
yang
akan
dikorelasikan.
b. Menghitung nilai Standar deviasi untuk tiap-tiap variabel yang akan
dikorelasikan.
c. Menghitung nilai Z untuk masing-masing variabel yang akan
dikorelasikan dengan menyelisihkan masing-masing niali tiap
variabel untuk kemudian dibagi dengan nilai Standar deviasinya
d. Mengalikan nilai Z variabel satu dengan yang lainnya, kemudian
dijumlahkan
e. Membagi hasil jumlah perkalian nilai Z tersebut dengan jumlah data
dikurangi satu
100
Adapun rumusnya adalah :

zxzy
rxy
n1
dimana :
rxy =
Koefisien korelasi antara variabel X dengan variabel Y
zx =
X X
Sdx
zy = Y - Y
Sdy
Untuk memudahkan perhitungan dapat dibuat tabel bantu sebagai berikut :
Tabel 4.11.
Perhitungan Korelasi menggunakan Standar Skor
X
20
30
50
60
80
90
330
= 55 ;
X
SdX = 27.39
rxy = zxzy
n-1
Y
60
50
70
80
120
110
490
zx
-1.278
-0.913
-0.183
0.183
0.913
1.278
0.000
zy
-0.778
-1.137
-0.419
-0.060
1.376
1.017
0.000
zxzy
0.994
1.038
0.076
-0.011
1.256
1.299
4.652
= 81.67
Y
SdY = 27.86
= 4.652
= 0.9304 (0.93)
5
2. Rumus Deviasi Skor (Mean Deviasi)

xy
rxy
=
2
(x ) (y )
x = X - X
101
y = Y - Y
Tabel 4.12.
Perhitungan Korelasi menggunakan Deviasi Skor
X
20
30
50
60
80
90
330
Y
60
50
70
80
120
110
490
x2
1225
625
25
25
625
1225
3750
X
-35
-25
-5
5
25
35
0
y2
469.59
1002.99
136.19
2.79
1469.19
802.59
3883.33
y
-21.67
-31.67
-11.67
-1.67
38.33
28.33
0
xy
758.45
791.75
58.35
-8.35
958.25
991.55
3550
xy
rxy
=
2
(x ) (y )
3550
rxy
3550
=
(3750) (3883,33)
0.9302 (0.93)
3816.08
3. Rumus dengan metode Product Moment

Momen adalah ukuran yang didasarkan
pada deviasi tiap nilai
variabel. Momen X adalah x dan momen Y adalah y. Product Moment (Pm)

adalah hasil perkalian antara momen X dengan Momen Y, yang dirumuskan :
Pm
xy
N-1
selanjutnya Koefisien korelasi dihitung sbb :

r
Pm .
Sdx . Sdy
Pm
3550
5
710
710 .
27.39 x 27.86
710
0.9304 (0.93)
763.08
102
4. Rumus Angka Kasar (Raw Score) Karl Pearson

Tabel 4.13
X
20
30
50
60
80
90
330
X2
400
900
2500
3600
6400
8100
21900
Y
60
50
70
80
120
110
490
XY
1200
1500
3500
4800
9600
9900
30500
N XY - ( X) ( Y)
--------------------------------------------------N X2 ( X)2
N Y2 ( Y)2
6 x 30500 - 330 x 490

--------------------------------------------------6x21900 108900
=
r
Y2
3600
2500
4900
6400
14400
12100
43900
6x43900 240100
21300 / (150 x 152.64)

0.9302 (0.93)
5. Rumus menggunakan Persamaan dan Koefisien arah regresi

Tabel 4.14.
X
20
30
Y
60
50
X2
400
900
XY
1200
1500
(Y - Y )2
469.59
1002.99
48.4
57.9
(Y - )
11.6
-7.9
(Y - )2
134.56
62.41
103
50
60
80
90
330
70
80
120
110
490
2500
3600
6400
8100
21900
3500
4800
9600
9900
30500
136.19
2.79
1469.19
802.59
3883.33
1 - (Y- )2
(Y- Y )2
1 - 522.71
3883.33
1 - 0.13460
0.8653
76.9
86.4
105.4
114.9
489.9
0.9302 (0.93)
b (Sdx : Sdy)
0.946 (0.95) x (27.39 : 27.86 )
0.9300 (0.93)
-6.9
-6.4
14.6
-4.9
0.1
47.61
40.96
213.16
24.01
522.71
Persamaan regresi tabel 3.5
4.2.2.2. Pengujian signifikansi Korelasi Sederhana

untuk mengetahui apakah hasil perhitungan korelasi sederhana
signifikan atau tidak, maka diperlukan uji signifikansi dengan uji t, adapun
rumusnya adalah :
104
Uji signifikansi :
th
(N - 2)
(1 - r )
th
th
>
<
tt
korelasi signifikan
tt
korelasi tidak signifikan
Bila diterapkan pada hasil perhitungan korelasi di atas, hasilnya adalah :

Uji signifikansi : r = 0.93
= 0.93
th
(6 - 2)
( 1 - 0.93 )
th
1.86
0.2645
th
7.032
kemudian t hitung( th ) tersebut dibandingkan dengan t tabel ( t t ), hasilnya

menunjukan bahwa korelasi tersebut signifikan karena th lebih besar dari tt
(7.032>2.13) pada taraf kepercayaan 95 % (0,05) dengan derajat
kebebasan 4 (nilai t tabel dapat dilihat dalam daftar tabel t)
4.2.2.3. Korelasi Ganda
korelasi yang terdiri dari dua variabel bebas (X 1, X2) serta satu variabel
terikat (Y). apabila perumusan masalahnya terdiri dari tiga masalah, maka
hubungan antara masing-masing variabel dilakukan dengan cara perhitungan
korelasi sederhana, oleh karena itu berikut ini hanya akan dikemukakan cara
perhitungan ganda antara X1, dan X2 dengan Y, yang bila dibagankan akan
nampak sebagai berikut :

1
105
Y
X2
Adapun untuk menghitung koefisien korelasi ganda dapat digunakan rumus
berikut:
Cara pertama
Menggunakan rumus sebagai berikut
r2yx1+r2yx2 - 2ryx1.ryx2.rx1x2
Ry.x1x2
=
1 r2x1x2
Bila rumus tersebut dipergunakan untuk menghitung koefisien korelasi

ganda dengan mengacu pada tabel 3.9 hasilnya adalah sebagai berikut :
Dari perhitungan koefisien korelasi dengan menggunakan data pada tabel
3.9. diperoleh hasil sebagai berikut
ry.x1 = 0.987 (korelasi X1 dengan Y)
ry.x2 = 0.959 (korelasi X2 dengan Y)
rx1x2 = 0.971 (korelasi X1 dengan X2)
0.9872 + 0.9592 2 x 0.987. 0.959. 0.971

Ry.x1x2
=
1 0.9712
106
Ry. x1x2
1.8938 -- 1.8382
0.0571
Ry. x1x2
0.9737
Ry. x1x2
0.987
Cara kedua
Menggunakan nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total

direduksi
Ry. x1x2
JK (reg)
JK (R)
Ry. x1x2
95.50
98
Ry. x1x2
Lihat halaman 99
0.987
4.2.2.4. Uji signifikansi Korelasi Ganda :

Fh
(R2/2) : (1-R2)/(n-3)
Fh < Ft
Fh > Ft
Korelasi tidak signifikan

Korelasi signifikan
Fh
(0.9872)/(2) : (1-0.9872)/(1)
Fh
Fh
<
=
37.758
Ft (37.758 < 200)
Angka 2 dan 1
dalam kurung
untuk derajat
4.2.3. Korelasi Parsial

Korelasi parsial adalah korelasi antara satu variabel bebas
dengan variabel terikat dengan dengan variabel bebas lainnya bersifat
tetap. Sebagai contoh korelasi dengan dua variabel bebas : X 1, X2 dan Y,
107
maka korelasi parsial anara X 1 dengan Y dikontrol oleh variabel X 2 dan

korelasi X2 denga Y dikontrol oleh X1 adapun rumusnya adalah sbb :
Korelasi X1 dengan Y dikontrol oleh X2
ry1.2
ry1 -
ry2 .r12
(1 ry22) (1 - r122)
Korelasi X2 dengan Y dikontrol oleh X1:
ry2.1
ry2 -
ry1 .r12
(1 ry12) (1 - r122)
uji signifikansi korelasi parsial :
th
N -3
1 - r2
th
>
tt
th
>
tt
=
=
Korelasi signifikan
Contoh perhitungan
Dengan menggunakan data dalam tabel 3.9 diperoleh hasil perhitungan :
ry1.2
0.987 - 0.959 .0.971

(1 0.9592) (1 0.9712)
ry1.2
0.0558
0.0677
ry1.2
0.8242
108
ry2.1
0.959 - 0.987. 0.971

(1 0.9872) (1 0.9712)
ry2.1
0.00062
0.03842
ry2.1
0.0161
4.2.3.1. pengujian signifikansi korelasi parsial

Ry1.2 =
th
0.8242
0.82
0.3276
th
0.82
0.5723
th
Ry2.1 =
th
1.43 < tt = 6.31 (taraf signifikansi 95% dengan db 1)

Kesimpulan : korelasi tidak signifikan
0.0161
0.0161
0.9997
th
0.0161
0.9998
th
0.01610 < tt = 6.31 (taraf signifikansi 95% dengan db 1)

Kesimpulan : korelasi tidak signifikan
4.2.4. penafsiran koefisien korelasi

koefisien korelasi pada dasarnya tidak hanya menunjukan hubungan
antara variabel satu dengan lainnya, tapi juga menunjukan indeks proporsi
perbedaan satu variabel terkait dengan variabel lainnya, dengan demikian
koefisien korelasi juga menunjukan berapa besar varians total satu variabel
109
berhubungan denga varians variabel lain. Hal ini berarti bahwa tiap nilai r
perlu ditafsirkan posisinya dalam keterkaitan tersebut.
Untuk memberikan tafsiran pada nilai koefisien korelasi, dapat
digunakan patokan berikut :
POSITIF
0.90 - 1.00
0.70 - 0.90
0.50 - 0.70
0.30 - 0.50
0.00 - 0.30
NEGATIF
-0.90 - -1.00
-0.70 - -0.90
-0.50 - -0.70
-0.30 - -0.50
-0.00 - -0.30
PENAFSIRAN
Korelasi sangat tinggi (Very high)
Korelasi tinggi (High)
Korelasi sedang (moderate)
Korelasi rendah (Low)
Korelasi kecil (Little if any)
Sumber : Dennis E. Hinkle. Applied Statistics for behavioural Science. Halaman :118
4.2.5. Mnghitung Kontribusi Variabel Prediktor

Untuk mengetahui berapa besar kontribusi/sumbangan variabel
prediktor (Variabel bebas) terhadap Variabel kriteria (variabel terikat), dapat
dilakukan dengan menghitung Koefisien Diterminasi (r 2) yang merupakan
pangkat dua dari koefisien korelasi, sebagai contoh hasil perhitungan
koefisien korelasi sederhana menunjukan nilai r = 0.93, maka koefisien
diterminasinya adalah 0.932 = 0.8649, ini berarti bahwa 86,49% variasi dalam
variabel Y dapat diterangkan/ditentukan oleh variasi dalam variabel X.
Adapun untuk Regresi/Korelasi, maka disamping kontribusi totalnya
dapat diketahui melalui perhitungan koefisien diterminasi (R 2), perlu juga
diketahui sumbangan relatif masing-masing prediktor. Dengan mengacu pada
hasil perhitungan korelasi ganda dengan data tabel 3.9. diperoleh koefisien
Diterminasi untuk korelasi ganda sebesar 0.9742, yang berarti bahwa 97.42
% variasi dalam Variabel Y ditentukan/dapat diterangkan oleh variasi dalam
variabel X1 dan X2. adapun sumbangan relatif masing-masing prediktor
adalah dengan cara menghitungnya melalui langkah berikut :
Lakukan pemilahan Jumlah Kuadrat Regresi untuk masing-masing

prediktor
JK (reg)
= b1x1y + b2x2y 1.66 (57) + 0.017 (52)
110
94.62 + 0.88 = 95.50
Bagi unsur JKreg untuk masing-masing prediktor dengan Jkreg

1.Sumbangan Relatif X1 = 94.62 : 95.50 x 100% = 99.08%
2.Sumbangan Relatif X2 = 0.88 : 95.50 x 100% = 0.92%
Kemudian
lakukan
penghitungan
untuk
mengetahui
Kontribusi/sumbangan efektif masing-masing prediktor dengan cara

sebagai berikut :
1. Tentukan Efektivitas Garis Regresi dengan rumus (R 2 x JK R) : JK (R)
EGR = (0.974 x 98) : 98) x 100% =
97.4% (Koefisien Diterminasi)
2. Hitung sumbangan efektif masing-masing prediktor

o Sumbangan Efektif X1 = (99.08 : 100) x 97.4% = 96.50%
o Sumbangan Efektif X2 = (0.92 : 100) x 97.4%
= 0.90%
UNTUK DIDISKUSIKAN
1. Kemukakan macam-macam hubungan antar Variabel serta contoh-contohnya yang berkaitan
dengan masalah pendidikan ?
2. Berikan penjelasan keterkaiatan antara analisa regresi dengan analisa korelasi ?
3. Jelaskan apa yang ingin diperoleh dengan melakukan penelitian yang bersifat korelasional ?
4. Hitung persamaan regresi lininer sederhana dan regresi ganda dari data berikut ini :
Responden
Variabel X1
Variabel X2
Variabel Y
A
B
C
D
E
F
G
H
20
23
25
23
23
35
36
40
30
34
38
34
30
41
46
52
40
42
46
49
54
60
64
68
4.2.6. Pengujian Persyaratan Analisis

Dalam melakukan analisis data yang menggunakan teknik korelasional
dengan dua berntuk perhitungan yaitu korelsi product moment dan regresi
111
diperlukan asumsi asumsi tertentu agar intrepretasi terhadap hisilnya dapat

dipertanggungjawabkan
dilihat
dari
sudut
pandang
statistika.
Dalam
hubungan ini, asumsi/persyaratan yang perlu dipenuhi adalah :
Korelasi product momen/Pearson

1. sampel diambil secara acak
2. ukuran sampel minimum dipenuhi
3. data sampel masing-masing variabel berdidtribusi normal
4. bentuk regresi linier (Santosa Murwani. 2000. h 32)
sementara itu menurut Dennis
E. Hinkle
menyatakan bahwa analisis
menggunakan korelasi Pearson perlu memenuhi dua kondisi yaitu :

1. Variabel yang dikorelasikan harus berpasangan
bagi individu atau
subjek yang sama.

2. variabel yang dikorelasikan skala pengukurannya harus interval atau
rasio, dan hubungannya harus bersifat linier.
3. Homogenitas kelompok
Regresi (Fred N. KerlingerElazar J. Pedhazur : 1973 : 47)

1. Skor Variabel Y (dependent Variable) harus berdistribusi normal untuk
setiap nilai X, sedangkan untuk variabel bebas (X) tidak disyaratkan
berdidtribusi normal.
2. Skor
variabel
dependen
(Y)
mempunyai
varians
yang
sama
(homogenitas variansi) untuk setiap nilai variabel bebas (X).

Dengan memperhatikan persyaratan di atas, nampak bahwa asumsi
normalitas distribusi serta homogenitas variansi diperlukan baik dalam
perhitungan korelasi maupun regresi, sedangkan asumsi-asumsi lainnya
lebih bersifat pra analisa, oleh karena itu uraian berikut akan difokuskan pada
pengujian normalitas dan homogenitas.
1. Uji Normalitas Distribusi
112
Terdapat
beberapa
cara
pengujian
normalitas
distribusi
yaitu
menggunakan formula/prosedur Kolmogorov-Smirnov, Liliefors, dan Chi

Square (2 )
1.1. Uji Kolmogorov-Smirnov
Untuk
perhitungan
normalitas
distribusi,
dimisalkan
terdapat
sekelompok data dengan skala pengukuran interval dengan dua variabel

bebas dan satu variabel terikat sebagai berikut :
Tabel skor Variabel bebas (X) dan variabel terikat (Y)
X1
4
4
9
12
12
X2
1
2
8
8
10
Y
7
12
17
20
21
Dari tabel tersebut misalkan kita ingin menguji normalitas variabel Y , maka
untuk memudahkan diperlukan tabel bantu sebagai berikut :
Tabel bantu Perhitungan Normalitas
Skor Y
kp
zx
zt
a1
A2
7
12
17
20
21
77
1
1
1
1
1
5
0.2
0.2
0.2
0.2
0.2
1.0
0.2
0.4
0.6
0.8
1.0
-
-1.43
-0.58
0.27
0.78
0.96
0
0.08
0.28
0.61
0.79
0.83
-
0.08
0.08
0.21
0.19
0.03
-
0.12
0.12
0.01
0.01
0.17
-
Mean = 15.4
SD = 5.86
Langkah-langkah perhitungan :
Setelah
data
dimasukan
dalam
kolom
pertama
dan
dihitung
frekuensinya, kemudian dilakukan perhitungan sebagai berikut :

1. Cari prosentasi (p) dengan cara frekuensi (f) dibagi dengan jumlah
data. Dalam contoh baris pertama di atas adalah 1 : 5 = 0.2,
demikian seterusnya sampai selesai untuk setiap frekuensi.
113
2. Cari Kp (prosesntase kumulatif) dengan cara menjumlahkan

prosen tase kumulatif dengan prosentase di bawahnya, khusus
untuk baris pertama nilai p langsung dipindahkan, untuk baris ke
dua adalah 0,2 + 0.2 = 0.4, baris ke tiga 0.4 + 0.2 = 0.6, dan
seterusnya.
3. Cari nilai Zx dengan cara Skor Y dikurangi dengan Mean/nilai ratarata dibagi nilai Standar Deviasi, sebagai contoh untuk baris
pertama adalah (7 15.4)/5.86 = - 1.43. untuk baris selanjutnya
dihitung dengan cara yang sama.
4. Cari nilai Z tabel (Z t) dengan melihat Tabel Kurva Normal baku
(Tabel Z ) berdasarkan nilai Zx nya, contoh untuk baris pertama.
Nilai Z tabel dilihat dalam baris 1,4 dan kolom 3, diperoleh nilai Z
sebesar 0.4236, karena nilai Zx nya bernilai minus maka nilai Z
tabel yang diisikan adalah 0.5 - 0.4236 = 0.0764 (0.08). bila Z x
bernilai positif maka nilai Z tabel yang diisikan adalah ditambah 0.5.
5. Nilai a1 diperoleh dengan cara menyelisihkan nilai Kp dengan nilai
Zt di bawahnya, sedang untuk baris pertama nilai Z t langsung
diisikan, contoh untuk baris kedua nilai 0.08 diperoleh dengan cara
0.2 0.28 = -0.08 (yang dipakai nilai mutlaknya).
6. nilai a2 diperoleh dengan menyelisihkan nilai Kp dengan nilai Z t
yang sejajar, contoh untuk baris pertama 0.2 0.08 = 0.12.
7. setelah selesai cari nilai a maksimum, diperoleh nilai 0.21,
kemudian bandingankan dengan nilai tabel pada baris N = 5, pada
tingkat signifikansi 0.05 diperoleh nilai 0.565, karena a maksimum
lebih kecil dari nilai D maksimum berarti distribusi normal.
1.2. Uji Lilliefors
Cara lain pengujian normalitas distribusi adalah menggunakan formula
Lilliefors, berikut akan diberikan contoh perhitungan dengan menggunaka
data pada pengujian Kolmogorof-Smirnov
114
Skor Y
kp
zx
zt
zt - Kp
7
12
17
20
21
77
1
1
1
1
1
5
0.2
0.2
0.2
0.2
0.2
1.0
0.2
0.4
0.6
0.8
1.0
-
-1.43
-0.58
0.27
0.78
0.96
0
0.08
0.28
0.61
0.79
0.83
-
0.12
0.12
0.01
0.01
0.17
-
Mean = 15.4
SD = 5.86
Dengan melihat tabel di atas nampak bahwa perhitungan dengan
menggunakan uji Lilliefors sama dengan perhitungan dengan menggunakan
uji Kolmogorov-smirnov dalam penentuan nilai tiap-tiap kolom, sedangkan
kolom terakhir dalam pengujian normalitas distribusi ini sama dengan nilai a 2
pada uji Kolmogorov-Smirnov.
Sesudah kolom-kolom lengkap terisi kemudian tentukan L 0 maksimum
dari kolom terakhir (zt - Kp), dimana diperoleh L o = 0.17, bandingkan nilai ini
dengan Lt pada baris N = 5 dengan taraf signifikansi 0.05 yaitu sebesar
0.337, dan karena Lo = 0.17 lebih kecil dari L t = 0.33, maka distribusi data
tersebut Normal.
Bila diperhatikan kedua cara pengujian normalitas tersebut mengacu
pada prinsip yang sama namun dengan tabel uji yang berbeda, disamping itu
perlu juga dipahami bahwa nilai-nilai yang dibandingkan dengan nilai tabel
mengambil nilai mutlaknya, dalam arti positif atau negatif diperlakukan sama.
1.3. Uji Chi-Kuadrat
Pengujian dengan cara ini agak berbeda dengan dua cara
sebelumnya, dimana dalam pengujian ini harus dicari selisih antara Z t dengan
Zt dibawahnya yang menggambarkan luas tiap kelas, dan perlunya dicari
frekuensi yang diharapkan serta tidak perlunya dicari prosentase. Namun
untuk itu sebaiknya data dikelompokan terlebih dahulu agar dapat ditentukan
batas kelasnya. Untuk lebih jelas berikut akan dikemukakan cara perhitungan
dengan menggunakan data pada pengujian sebelumnya.
115
Menentukan distribusi frekuensi :

1. Jumlah Kelas Interval
1 + 3,3 log n 1+ 3.3 log 5 = 3.306 (ditetapkan 3)
2. Range (rentang)
Data terbesar Data terkecil 21 - 7 = 14
3. Panjang kelas interval ( i )
i =
Range (rentang) : Jumlah Kelas Interval 14/3 = 4.6(5)

Skor Y
7 11
12 16
17 21
-
Batas
Kelas
6.5
11.5
16.5
21.5
-
zx
zt
Lki
Fh
-1.52
0.06
-0.67
0.25
0.19
0.95
0.19
0.58
0.33
1.65
1.04
0.85
0.27
1.35
Mean = 15.4 ; SD = 5.86
fo
(fo-fh)2
fh
1
1
3
5
0.026
0.256
2.017
2.299
Cara pengisian kolom-kolom

o
Untuk pengisian kolom Zx dan Zt
caranya sama seperti dalam
pengujian Kolmogorov-Smirnov dan Lilliefors.

o
Kolom Lki (Luas tiap kelas interval) dicari dengan menyelisihkan Z t

dengan Zt sebelumnya, contoh nilao 0.19 diperoleh dari 0.25 0.06.
Kolom fh diperoleh dengan cara nilai Lki dikalikan dengan jumlah data.
Kolom fo adalah frekuensi tiap kelompok data Skor Y.
Sesudah itu kemudian dicari nilai X 2 masing-masing kelompok

kemudian dijumlahkan, hasilnya diperoleh nilai
2.299, nilai ini
kemudian dibandingkan dengan nilai tabel pada tingkat kepercayaan

95% pada baris 2 (jumlah kelompok dikurangi satu), diperoleh nilai X2
tabel sebesar 5.99. karena X2 hitung lebih kecil dari X2 tabel maka
distribusi normal.
2. Pengujian homogenitas Variansi
116
Sebagaimana telah dikemukakan dimuka bahwa dalam analisis

regresi diperlukan asumsi bahwa nilai Y mempunyai varians yang
sama/homogen untuk setiap nilai X, oleh karena itu data variabel Y mesti
dikelompokan berdasarkan nilai X nya, sebelum dilakukan pengujian
hogenitas variansi. Uji yang biasa digunakan untuk ini biasanya Uji Bartlett
dengan menggunakan nilai Chi-Kuadrat sebagai ukuran pengujian. Untuk
memperjelas pengertian tersebut berikut ini akan dokemukakan cara
perhitungan dengan menggunakan data-data yang telah dipergunakan dalam
uji normalitas.
X1
4
4
9
12
12
X2
1
2
8
8
10
Y
7
12
17
20
21
Dengan data tersebut maka perhitungan uji homogenitas dilakukan

dua kali terhadap variabel Y, pertama yang dikelompokan berdasarkan X 1 dan
kedua yang dikelompokan berdasarkan X 2 , pengelompokan dilakukan
dengan mengurutkan nilai X dari kecil ke besar, dan contoh perhitungan
hanya akan menggunakan data X1 dengan Y.
Langkah-langkah perhitungan
o
Kelompokan skor nilai Y berdasarkan pengurutan skor nilai X 1

X1
4
4
9
12
12
Y
7
12
17
20
21
Kelompok
1
1
2
3
3
117
o Pengelompokan di atas menunjukan terdapat 3 kelompok data yang

anggotanya terdiri : untuk kelompok satu adalah 7 dan 12; kelompok
dua 17; dan kelompok tiga adalah 20 dan 21.
o Sesudah diketahui kelompoknya, untuk memudahkan perhitungan
masukan ketiga kelompok tersebut pada tabel berikut
Sampel/Klp
db
1/db
si2
log si2
1
2
3
1
0
1
1.00
0
1.00
12.5
0
0.5
1.097
0
-0.301
db log si2 db si2

1.097
0
-0.301
0.796
12.5
0
0.5
13
o Kolom si2 merupakan varians dari tiap kelompok, cara mencarinya

dapat digunakan rumus (N x X 2) - ( X)2/N(N 1). Contoh untuk
UNTUK DIDISKUSIKAN
kelompok sati (2 x 193) (19)2 / 2(1) 386 361/ 3 = 12.5

1. Lakukan pengujian normalitas distribusi
terhadap data berkut dengan
2
o tiga
Kemudian
cari
varian
gabungan
(s
)
dengan
rumus : db si2/ db,
cara pengujian untuk masing-masing variabel
hasilnya adalah 13/2 = 6.5.
o Cari nilai B dengan rumus ( db) log s 2 = 2 x 0.813 = 1.626. sesudah
X1
X2
Y
2
diketahui
nilai
B,
kemudian
hitung
nilai
Chi-Kuadrat
(X
) dengan rumus
15
32
41
(Ln 10)13
x (B - ( db) log s2) 33
2.3026 x (1.626 0.79642
) = 1.911
18
32
43
2
o Nilai X18
tersebut kemudian dibandingan
dengan nilai44X2 tabel pada
35
33 K-1 nilainya adalah
453,84.
tingkat19
signifikansi 95% pada kolom
13
35
49
2
o Kesimpulan
: karena X2 hitung
15
38 lebih kecil dari X
46 tabel maka
19 data tersebut bersifat38
50
kelompok
homogen (1.911 < 3.84).
2. Lakukan
pengujian Homogenitas
Variansi
terhadap
data
berikutbebas
dalamX 1
Pengujian
homogenitas
bila untuk regresi
ganda
dengan
variabel
konteks regresi ganda
dan X2 , pengujian homogenitas Variansi dilakukan dua kali yaitu untuk
regresi Y atas X1 dan untuk regresi Y atas X2, sehingga harus dilakukan
X1
X2
Y
pengelompokan
Y
berdasarkan
X
dan
pengelompokan
Y
berdasarkan
X 2,
1
25
42
51
23
43 sama.
52
adapun langkah-langkah
perhitungannya
28
42
53
28
45
54
29
43
55
23
45
59
stkip Kuningan /25
Lembaga Penelitian / Uhar /48
Penelitian Kuantitatif / 2002
118
56
29
49
60
29
48
62
25
49
63
119

Bab IV Analisis Hubungan Buku Penelitian Kuantitatif

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Bab IV Analisis Hubungan Buku Penelitian Kuantitatif

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB IV

Berbagai fenomena yang terjadi dalam kehidupan selalu menimbulkan

terhadap kejadian secara keseluruhan menjadi penting untuk dikaji sebelum

dicampuradukan dengan pengaruh, istilah variabel pengaruh dan variabel

Hubungan timbal balik adalah hubungan antara variabel satu dengan

indikator dari konsep yang sama; (2)

penelitian sosial dan pendidikan hubungan antara variabel yang menjadi

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

Hubungan antar Konsep/Variabel

Hubungan-hubungan tersebut bila dilihat dari variasi antar Variabel

diungkapkan oleh Robert G. D. Steel dan Jammes H. Torrie yaitu :

masing-masing secara terpisah

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

lebih mengarah pada analisis perbandingan guna membedakan antara

(Correlational Research/Study). Sementara itu apabila analisis dilanjutkan

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

sementara keeratan hubungan dapat diketahui dengan perhitungan korelasi

disamping itu akurasi prediksi dalam persamaan regresi

ditentukan juga oleh korelasinya sebagaimana dikemukakan oleh Kerlinger

mengarah pada suatu hubungan sesuai dengan Variabel-variabel yang akan

Perumusan masalah untuk Korelasi tunggal/regresi linier sederhana

Apakah terdapat hubungan antara Variabel X dengan Variabel Y

Perumusan masalah untuk Korelasi Ganda/regresi linier Ganda (X1,X2,Y)

Apakah terdapat hubungan antara Variabel X 1 dengan Variabel Y

Apakah terdapat hubungan antara Variabel X 2 dengan Variabel Y

Apakah terdapat hubungan antara Variabel X 1 dan X2 secara

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

Perumusan masalah untuk Korelasi Multiple 3 Variabel bebas

Apakah terdapat hubungan antara Variabel X 1 dengan Variabel Y

Apakah terdapat hubungan antara Variabel X 2 dengan Variabel Y

Apakah terdapat hubungan antara Variabel X 3 dengan Variabel Y

Apakah terdapat hubungan antara Variabel X 1, X2, X3 secara

atau garis taksiran

sebagai padanan istilah Regresi.

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

(bivariate regression), sedangkan regresi yang variabel bebasnya lebih dari

= a + b X (Regresi linier sederhana)

= a + b1X1 + b2X2 (Regresi linier Ganda/dua prediktor)

= a + b1X1 + b2X2 + b3X3 (Regresi linier tiga prediktor)

Gambar di atas dapat memberikan pemahaman tentang konsep

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

Rumus mencari a dan b menggunakan dua persamaan :

I. 53900 = 660 a + 36300 b

N (XY) - (X) (X)

6 (30500) - (330) (490)

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

490 - 0.95 (330)

81.67 - 55 (0,95) = 29.42 (29.4)

x adalah X dikurangi X , y adalah Y dikurangi Y

Standar Deviasi X (SdX) = 27.39 ; Standar Deviasi Y (SdY) = 27.86

0.9302 x ( 27.86 : 27.39 )

- b X --> 81.67 - 55 (0,95) = 29.42 (29.4)

4.2.1.2. Pengujian Signifikansi dan linieritas Garis Regresi

JK (Jumlah Kuadrat) (a)

JK (R) (Jumlah Kuadrat Total direduksi) =

JK (Jumlah Kuadrat) (b)

JKS (Jumlag Kuadtar Sisa)

JK (G) (Jumlah Kuadrat Galat)

JK(TC) (Jumlah Kuadrat Tuna Cocok)

Untuk lebih jelasnya akan dilakukan perhitungan dengan mengacu pada

Persamaan regresi = 35.16 + 0.90 X

0.90 x 4124 = 3711.6

3960 - 3711.6 = 248.4