ACARA 3
Disusun Oleh:
MARATUS SOLIKHATI
1401070028
2017
Sabtu, 15 April 2017
A. Tujuan
1. Mengetahui cara pengujian korelasi dengan software SPSS
2. Mengetahui cara pengujian regresi dengan software SPSS
3. Mengetahui kegunaan uji korelasi
4. Mengetahui kegunaan uji regresi
B. Dasar Teori
KORELASI
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengakuan asosiasi
merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistic bivariate yang di gunnakan untuk mengukur kekuatan hubungan antara
dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi
terdapat dua teknik korelasi yang sangat popular sampai sekarang, yaitu
Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Pengukuran
asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau
kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi jika
perilaku variabel yang satu mempengaruhi variabel yang lain. Jika tidak terjadi
pengaruh, maka kedua variabel tersebut disebut independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua
variabel atau lebih dengan skala-skala tertentu, misanya pearson data harus
bersekala interval atau rasio. Spearman dan Kendal menggunakan skala
ordinal. Kuat lemahnya hubungan di ukur menggunakan jarak (range) 0 sampai
dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah
(two tailed). Dikatakan korelasi searah jika koefesien korelasi ditemukan
positif, sebalikanya jika koefisien korelasinya ditemukan negative maka di
katakana korelasi tidak searah.
Koefesien korelasi ialah suatu pengukuran statistic kovariasi atau asosiasi
antara dua variabel. Jika koefesian korelasi diketemukan tidak sama dengan nol
(0), maka terdapat hubungan antara dua variabel tersebut. Jika koefesien
diketemukan +1, maka hubungan tersebut disebut hubungan korelasi sempurna
atau hubungan linear sempurna dengan emiringan (slope) positif. Sebalikanya,
jika koefesien diketemukan -1, maka hubungan tersebut disebut hubungan
korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope)
negatif.
Dalam korelasi sempurna tidak diperlukan lavi pengujian hipotesis
mengenai signifikasi antara variabel yang dikorelasikan, karena kedua variabel
mempunyai dua hubungan linear yang sempurna. Artinya variabel X
mempunyai hubungan sangat kuat dengan variabel Y. jika korelasi sam dengan
nol (0), maka tidak terdapat hubungan antara kedua variabel.
Pengukuran asosiasi berguna untuk mengukur kekuatan (strength) dan
arah hubungan-hubungan antar dua variabel atau lebih. Contoh: mengukur
hubungan antar dua variabel: 1) Motivasi kerja dengan produktifitas; 2)
Kualitas layanan dengan kepuasan pelanggan; 3) Tingkat inflasi dengan IHSG.
KEGUNAAN KORELASI
1. Kisaran Korelasi: Kisaran (range) korelasi mulai dari nol (0) sampai satu (1),
korelasi bisa pisitif dan bisa juga negatif.
2. Korelasi Sama Dengan Nol: Korelasi sama dengan 0 mempunyai arti tidak
ada hubungan antra dua variabel.
3. Korelasi Sama Dengan Satu: Korelasi sama dengan +1, artinya kedua
variabel mempunyai hubungan linier sempurna (membentuk garis lurus)
positif. Korelasi seperti ini mempunyai makna jika nilai X naik, maka nilai
Y juga naik.
MACAM-MACAM KORELASI
9) Korelasi Ganda
Korelasi ganda (multiple correlation) adalah korlasi antara dua atau
lebih variabel bebas (independent) secara bersama-sama dengan satu
variabel terikat (dependent). Angka yang menunjukkan arah dan besar
kuatnya hubungan antara dua atau lebih variabel bebas dengan satu variabel
tarikat disebut koefesien korelasi ganda dan di simbolkan R.
10) Koefisien Determinasi
Koefisien determinasi dilambangan dengan r2. Nilai ini menyatakan
proporsi variasi keseluruhan dalam nilai variabel dependent yang dapat
diterangkan atau diakibatkan oleh hubungan linier dengan variabel
independent, selain itu (sisanya) diterngakan oleh variabel yang lain (galat
atau peubahan lainnya). Nilai koefisien determinasi dinyatakan dalam
kuadrat dari nilai koefesien korelasi r2 x 100%= n%, memiliki makna
bahwa nilai variabel dependent dapat diterangkan oleh variabel
independent sebesar n%, sedangkan sisanya sebesar (100-n) % diterangkan
oleh gelat (error) atau pengaruh variabel yang lain. Sedangkan untuk
analisis korelasi dengan jumlah variabel dependent lebih dari satu
(ganda/majemuk), terdapat koefisien determinasi penyesuaian (adjustment)
yang sangat sensitive dengan jumlah variabel. Biasanya untuk analisis
korelasi majemuk/ganda yang sering dipakai adalah koefisien dterminasi
penyesuaian (koefisien determinasi sederhana tidak memperhatikan jumlah
variabel independent). Rumus yang dipakai adalah:
KD = r2 x 100%
Keterangan :
KD = Koefisien Determinasi
r = Koefisien Korelasi
REGRESI
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton dimana yang bersangkutan melakukan kajian yang
menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para orang
tua yang tinggi cenderung bergerak (regress) kearah ketinggian rata-rata
populasi secara keseluruhan. Galton memperkenalkan kata regresi (regression)
sebagai nama proses umum untuk memprediksi satu variabel, yaitu tinggi
badan anak dengan menggunakan variabel lain, yaitu tinggi badan orang tua.
Pada perkembangan berikutnya hukum Galton mengenai regresi ini ditegaskan
lagi oleh Karl Pearson dengan menggunakan data lebih dari seribu. Pada
perkembangan berikutnya, para ahli statistik menambahkan isitilah regresi
berganda (multiple regression) untuk menggambarkan proses dimana beberapa
variabel digunakan untuk memprediksi satu variabel lainnya.
Regresi dalam pengertian moderen menurut Gujarati (2009) ialah sebagai
kajian terhadap ketergantungan satu variabel, yaitu variabel tergantung
terhadap satu atau lebih variabel lainnya atau yang disebut sebagai variabel
variabel eksplanatori dengan tujuan untuk membuat estimasi dan / atau
memprediksi rata rata populasi atau nilai rata-rata variabel tergantung dalam
kaitannya dengan nilai nilai yang sudah diketahui dari variabel
ekslanatorinya. Selanjutnya menurut Gujarati meski analisis regresi berkaitan
dengan ketergantungan atau dependensi satu variabel terhadap variabel
variabel lainnya hal tersebut tidak harus menyiratkan sebab akibat
(causation). Dalam mendukung pendapatnya ini, Gujarati mengutip pendapat
Kendal dan Stuart yang diambil dari buku mereka yang berjudul The
Advanced Statistics yang terbit pada tahun 1961 yang mengatakan bahwa,
suatu hubungan statistik betapapun kuat dan sugestifnya tidak akan pernah
dapat menetapkan hubungan sebab akibat (causal connection); sedang gagasan
mengenai sebab akibat harus datang dari luar statistik, yaitu dapat berasal dari
teori atau lainnya.
Sedang menurut Levin & Rubin (1998:648), regresi digunakan untuk
menentukan sifat sifat dan kekuatan hubungan antara dua variabel serta
memprediksi nilai dari suatu variabel yang belum diketahui dengan didasarkan
pada observasi masa lalu terhadap variabel tersebut dan variabel-variabel
lainnya. Selanjutnya dalam regresi kita akan mengembangkan persamaan
estimasi (estimating equation), yaitu rumus matematika yang menghubungkan
variabel-variabel yang diketahui dengan variabel-variabel yang tidak diketahui.
Setelah dipelajari pola hubungannya, kemudian kita dapat mengaplikasikan
analisis korelasi (correlation analysis) untuk menentukan tingkatan dimana
variabel variabel tersebut berhubungan. Kesimpulannya, analisis korelasi
mengungkapkan seberapa benar persamaan estimasi sebenarnya
menggambarkan hubungan tersebut. Lebih lanjut Levin & Rubin mengatakan
bahwa: Kita sering menemukan hubungan sebab akibat antar variabel
variabel; yaitu variabel bebas menyebabkan variabel tergantung berubah.
Sekalipun demikian mereka melanjutkan bahwa: penting untuk kita
perhatikan bahwa yang kita anggap hubungan (relationship) yang diketemukan
melalui regresi sebagai hubungan asosiasi (relationship of association) tetapi
tidak selalu harus sebab dan akibat (cause and effect). Kecuali kita mempunyai
alasan alasan khusus untuk percaya bahwa (perubahan pada) nilai nilai
variabel tergantung disebabkan oleh nilai 2nilai variabel (variabel) bebas;
jangan menyimpulkan (infer) hubungan sebab akibat dari hubungan yang
diketemukan dalam regresi.
Karena Levin & Rubin dalam mendefinisikan regresi juga menggunakan
istilah analisis korelasi, maka sebaiknya dalam bagian ini penulis perlu
menjelaskan perbedaan antara regresi dan korelasi. Menurut Gujarati (2009:
20) analisis korelasi bertujuan untuk mengukur kekuatan (strength) atau
tingkatan (degree) hubungan linier (linear association) antara dua variabel.
Untuk mengukur kekuatan hubungan linier ini digunakan koefesien korelasi.
Sebaliknya dalam regresi kita tidak melakukan pengukuran seperti itu. Dalam
regresi kita membuat estimasi atau memprediksi nilai rata-rata satu variabel
didasarkan pada nilai nilai tetap variabel variabel lain. Perbedaan yang
mendasar antara regresi dan korelasi ialah dalam regresi terdapat (hubungan)
asimetri dalam kaitannya dengan perlakuan terhadap variabel tergantung dan
variabel bebas. Variabel tergantung diasumsikan statistitikal, acak atau
stokhastik, yaitu mempunyai distribusi probabilitas. Sedang variabel bebas /
prediktornya diasumsikan mempunyai nilai nilai tetap. Sebaliknya dalam
korelasi kita memperlakukan dua variabel atau variabel variabel apa saja
secara simetris, yaitu tidak ada perbedaan antara variabel bebas dan variabel
tergantung. Sebagai contoh korelasi antara nilai ujian matematik dan statistik
sama dengan korelasi nilai ujian statistik dan matematik. Lebih lanjut dalam
korelasi kedua variabel diasumsikan random.
Regresi linier mempunyai persamaan yang disebut sebagai persamaan
regresi. Persamaan regresi mengekspresikan hubungan linier antara variabel
tergantung / variabel kriteria yang diberi simbol Y dan salah satu atau lebih
variabel bebas / prediktor yang diberi simbol X jika hanya ada satu prediktor
dan X1, X2 sampai dengan Xk, jika terdapat lebih dari satu prediktor
(Crammer & Howitt, 2006:139). Persamaan regresi akan terlihat seperti di
bawah ini:
- Untuk persamaan regresi dimana Y merupakan nilai yang diprediksi, maka
persamaannya ialah:
Dimana:
: Koefisien regresi jika hanya ada satu prediktor dan koefisien regresi parsial
jika terdapat lebih dari satu prediktor. Nilai ini juga mewakili mewakili
koefesien regresi baku (standardized) dan koefisien regresi tidak baku
(unstandardized). Koefesien regresi ini merupakan jumlah perubahan yang
terjadi pada Y yang disebabkan oleh perubahan nilai X. Untuk menghitung
perubahan ini dapat dilakukan dengan cara mengkalikan nilai prediktor
sebenarnya (observasi) untuk kasus (data) tertentu dengan koefisien regresi
prediktor tersebut.
Sedang garis regresi didefinisikan sebagai garis lurus yang ditarik dari titik
titik diagram pencar (scattered diagram) dari nilai variabel tergantung dan
variabel bebas sehingga garis tersebut menggambarkan hubungan linier antara
variabel-variabel tersebut. Jika nilai-nilai ini merupakan garis regresi nilai baku
maka garis ini sama dengan garis korelasi. Garis ini disebut juga sebagai garis
kecocokan yang sempurna dimana garis lurus tersebut berada pada posisi
terdekat pada titik-titik diagram pencar. Garis ini dapat digambarkan dari nilai-
nilai persamaan regresi dalam bentuk yang paling sederhana yaitu:
Persamaannya ialah:
Y = a + 1X1
Dengan:
a= intercept Y
= kemiringan (slope)
X= variabel bebas
D. Cara Kerja
A. Korelasi (Hipotesis dengan Taraf Kesalahan 1 %)
1. Memasukan Data pada data view dengan format :
2. Mengubah name item 1 menjadi Motivasi dan item 2 nenjadi Prestasi.
Menuliskan label Motivasi Belajar dan :Prestasi Belajar:. Mengubah
decimal menjadi 0 pada jendela Variabel View.
6. Memilih means and standard deviations pada kotak statistic dan mengabaikan
yang lain. Mengklik Continue. Klik OK. Akan Nampak jendela SPSS Viewer
sebagai berikut.
7. Menginterpetasikan data hasil perhitungan SPSS.
B. Regresi
Dengan menggunakan data yang sama pada uji korelasi, akan diketahui
hubungan dengan uji korelasi. Hipotesis dengan taraf kesalahan 0,05 = 5%
1. Memasukan Data pada data view dengan format :
6. Dalam kotak sub menu linear regression : Statististics Klik (memberi tanda
check) pada Estimate, Confidence intervals, Mode Fit dan Descriptives.
Mengklik continue maka akan kembali ke menu Linear Regression).
Mengklik option, akan nampak sub menu Linear Regression :Option sebagai
berikut .
7. Pada sub menu Linear Regression :Option, mengklik Use Probability of F,
Include Constant in Equation, dan Replace with Mean (pada kotak Missing
Value. Mengklik continue (akan kembali ke menu Linear regression). Klik Ok
akan Nampak SPSS Viewer sebagai berikut :
Korelasi
Correlations
MOTIVASI PRESTASI
BELAJAR BELAJAR
MOTIVASI Pearson
1 ,560**
BELAJAR Correlation
Sig. (2-tailed) ,001
N 30 30
PRESTASI Pearson
,560** 1
BELAJAR Correlation
Sig. (2-tailed) ,001
N 30 30
2. Uji Regresi
Correlations
PRESTASI MOTIVASI
BELAJAR BELAJAR
Pearson Correlation PRESTASI BELAJAR 1,000 ,560
MOTIVASI BELAJAR ,560 1,000
Sig. (1-tailed) PRESTASI BELAJAR . ,001
MOTIVASI BELAJAR ,001 .
N PRESTASI BELAJAR 30 30
MOTIVASI BELAJAR 30 30
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 874,598 1 874,598 12,767 ,001b
Residual 1918,068 28 68,502
Total 2792,667 29
a. Dependent Variable: PRESTASI BELAJAR
b. Predictors: (Constant), MOTIVASI BELAJAR
Coefficientsa
Standardi
zed
Unstandardized Coefficien 95,0% Confidence
Coefficients ts Interval for B
Std. Lower Upper
Model B Error Beta t Sig. Bound Bound
1 (Constant) 48,179 6,927 6,955 ,000 33,990 62,368
MOTIVASI
,429 ,120 ,560 3,573 ,001 ,183 ,675
BELAJAR
a. Dependent Variable: PRESTASI BELAJAR
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 ,560a ,313 ,289 8,277
a. Predictors: (Constant), MOTIVASI BELAJAR
F. Pembahasan
1. Uji Korelasi
Analisis korelasi atau uji korelasi dengan menggunakan rumus
Kriteria pengujian atau keputusan yang diambil pada uji ini adalah
dengan melihat nilai probabilitas yang diperoleh dan membandingkannya
dengan taraf signifikan ( = 0,01). Ketentuannya adalah :
Correlations
Motivasi belajar Prestasi belajar
Motivasi belajar Pearson Correlation 1 .560**
Sig. (2-tailed) .001
N 30 30
Prestasi belajar Pearson Correlation .560** 1
Sig. (2-tailed) .001
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).
Dari tabel di atas, hasil perbandingan antara nilai sig. dan diperoleh :
Sig = 0,001 < = 0,01 sehingga keputusannya H0 ditolak, dengan
demikian dapat dikatakan bahwa ada hubungan yang signifikan antara
motivasi belajar terhadap prestasi belajar. Kemudian untuk dapat mengetahui
kuat lemahnya tingkat atau derajat keeratan hubungan antara motivasi belajar
dengan prestasi belajar, digunakan tabel kriteria pedoman untuk koefisien
korelasi yang dikemukakan oleh Sugiyono (2008) (Tabel 2) :
Correlations
Prestasi belajar Motivasi belajar
Pearson Correlation Prestasi belajar 1.000 .560
Motivasi belajar .560 1.000
Sig. (1-tailed) Prestasi belajar . .001
Motivasi belajar .001 .
N Prestasi belajar 30 30
Motivasi belajar 30 30
b. Anova
Hipotesis untuk hasil dari tabel anova adalah :
H0 : Koefisien arah regresi b = 0 (tidak berarti)
Ha : Koefisien arah regresi b 0 (berarti = bentuk persamaan linear
Y = a + bX sudah tepat)
Kriteria pengujian atau keputusan yang diambil untuk hasil dari tabel
anova adalah dengan melihat nilai probabilitas yang diperoleh dan
membandingkannya dengan taraf signifikan ( = 0,05). Ketentuannya adalah :
Jika probabilitas (sig) > , maka H0 diterima
Jika probabilitas (sig) < , maka H0 ditolak,
dengan besarnya yang digunakan adalah 5% (0,05)
Dari hasil perhitungan nilai probabilitas yang diperoleh, menunjukkan
bahwa nilai Asymp.Sig.(2-tailed) = 0,001 (Tabel 4)
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 874.598 1 874.598 12.767 .001b
Residual 1918.068 28 68.502
Total 2792.667 29
a. Dependent Variable: Prestasi belajar
b. Predictors: (Constant), Motivasi belajar
c. Coefficient
Hipotesis untuk hasil dari tabel anova adalah :
H0 : Tidak ada pengaruh motivasi belajar yang signifikan terhadap
prestasi belajar
Ha : Ada pengaruh motivasi belajar yang signifikan terhadap prestasi
belajar
Kriteria pengujian atau keputusan yang diambil untuk hasil dari
tabel anova adalah dengan melihat nilai probabilitas yang diperoleh
dan membandingkannya dengan taraf signifikan ( = 0,05).
Ketentuannya adalah :
Jika probabilitas (sig) > , maka H0 diterima
Jika probabilitas (sig) < , maka H0 ditolak,
dengan besarnya yang digunakan adalah 5% (0,05)
Dari hasil perhitungan nilai probabilitas yang diperoleh, menunjukkan
bahwa nilai Asymp.Sig.(2-tailed) = 0,001 (Tabel 4) :
Coefficientsa
Unstandardized Standardized 95.0% Confidence Interval for
Coefficients Coefficients B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) 48.179 6.927 6.955 .000 33.990 62.368
Motivasi
.429 .120 .560 3.573 .001 .183 .675
belajar
a. Dependent Variable: Prestasi belajar
Dari tabel di atas, hasil perbandingan antara nilai sig. dan
diperoleh :
= 91,079
Di mana:
Y = Variabel terikat
X = Variabel bebas
a dan b = Konstanta
Dengan menggunakan rumus Y = 48,179 + 0,429 X maka dapat
diprediksi tingkat prestasi belajar jika motivasi belajarnya 100%.
d. Model Sumary
Hasil yang diperoleh dari tabel model summary sebagai berikut (Tabel5) :
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .560a .313 .289 8.277
a. Predictors: (Constant), Motivasi belajar
R disebut koefisien korelasi, dari tabel di atas menunjukkan nilai
koefisien korelasi antara variabel motivasi belajar dan prestasi belajar
adalah 0,560 dan menurut Sugiono (2008) hubungannya sedang,
dengan demikian dapat dikatakan bahwa hubungan antara motivasi
belajar dan prestasi belajar sebesar 56,0 %.
DAFTAR PUSTAKA
Cramer, D. & Howitt, D. (2006). The Sage Dictionary of Statistics. London: Sage
Publication.
Gujarati dan Porter. 2009. Dasar-Dasar Ekonometrika. Salemba Empat. Jakarta.
Levin, Richard and David S Rubin. 1998. Statistic For Management.7th Edition.
Prentice-all International Inc.
Mulia, Dini Siswani. 2017. Petunjuk Praktikum Biostatistika. Purwokerto: UMP
Sugiyono, (2008). Metode Penelitian Bisnis. Bandung. Alfabeta.
Sugiyono. 2011. Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:
Alfabeta
LAMPIRAN
Correlations
Descriptive Statistics
Mean Std. Deviation N
MOTIVASI BELAJAR 56,27 12,793 30
PRESTASI BELAJAR 72,33 9,813 30
Correlations
MOTIVASI PRESTASI
BELAJAR BELAJAR
MOTIVASI BELAJAR Pearson Correlation 1 ,560**
Sig. (2-tailed) ,001
N 30 30
PRESTASI BELAJAR Pearson Correlation ,560** 1
Sig. (2-tailed) ,001
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).
Regression
Descriptive Statistics
Mean Std. Deviation N
PRESTASI BELAJAR 72,33 9,813 30
MOTIVASI BELAJAR 56,27 12,793 30
Correlations
PRESTASI MOTIVASI
BELAJAR BELAJAR
Pearson Correlation PRESTASI BELAJAR 1,000 ,560
MOTIVASI BELAJAR ,560 1,000
Sig. (1-tailed) PRESTASI BELAJAR . ,001
MOTIVASI BELAJAR ,001 .
N PRESTASI BELAJAR 30 30
MOTIVASI BELAJAR 30 30
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 MOTIVASI
. Enter
BELAJARb
a. Dependent Variable: PRESTASI BELAJAR
b. All requested variables entered.
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 ,560a ,313 ,289 8,277
a. Predictors: (Constant), MOTIVASI BELAJAR
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 874,598 1 874,598 12,767 ,001b
Residual 1918,068 28 68,502
Total 2792,667 29
a. Dependent Variable: PRESTASI BELAJAR
b. Predictors: (Constant), MOTIVASI BELAJAR
Coefficientsa
Standardiz
ed
Unstandardized Coefficient 95,0% Confidence
Coefficients s Interval for B
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
1 (Constant) 48,179 6,927 6,955 ,000 33,990 62,368
MOTIVASI
,429 ,120 ,560 3,573 ,001 ,183 ,675
BELAJAR
a. Dependent Variable: PRESTASI BELAJAR