Spss = Grapik-line-singgle-define-pendapatan nasional di atas-variable disi nilai

import-title line 1 hubungan nilai impor dgn pendapatan nasional

Korelasi dan regresi
Untuk mnegetahui suatu hubungan atau variabel dengan kejadian atau
variable yang lain digunakan teknik analisis yang disebut korelasi, analisis
korelasi ini akan mneghasilkan ukuran yang disebut koefisien korelasi yang
disimbolkan dengan tanda r (rho) koefisien korelsi menunjukan seberapa kuat
hubungan anatar variabel atau kejadian. Sedangkan, untuk mencari pengaruh
suatu variabel terhadap variabel yang lain alat analisis yang digunakan adalah
analisis regresi. Hasil analisis regresi berupa persamaan matematik atau
persamaan regresi yang merupakan fungsi untuk memprediksi nilai atau harga
suatu Variabel dengan mneggunakan nilai variabel yang lain
Contoh
regresi sederhana
Berikut adalah data tentang nilai import dalam triliyun dalam pendapatan nasional
dalam triliyun selama sepuluh tahun :
Tahun Nilai import Pendapatan nasional
1 11,6 331
2 12,9 351
3 13,4 366
4 13,5 368
5 15,7 400
6 15,1 414
7 14,8 427
8 16,5 458
9 17,3 482
10 18,8 517

Dari data tersebut lakukan analisis regresi dan korelasi untuk menentukan:

a. Persamaan regresi dan prediksi pendapatan nasional jika nilai import 16

triliyun
b. Koefisien korelasi dan koefisien determinasi serta jelaskan apa maksutnya

Analisi korelasi = hasil koefisien orelasi (r)

Hasil koefisien determinasi (r2)

Analisis regresi = hasil :

 Persamaan regresi
Misal y = a + bx
x : variable bebas
y : variable terikat

r=1 +> hubungan + sempurna

0,6 < r < 1 +> hubungan positif yang baik

0 < r < 0,6 +> hubungan positif yang lemah

r=0 +> hubungan negatif lemah

-1 < r < -0,6 +> hubungan negatif kuat(baik)

r=1 +> hubungan negatif sempurna

tabel exel

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 ,975a ,950 ,944 14,23602

a. Predictors: (Constant), nilai impor

 Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 10,248 32,683 ,314 ,762

nilai impor 26,815 2,164 ,975 12,392 ,000

a. Dependent Variable: pendapatan nasional

a. y = a + bx
y = 8,68 + 26,94 x
x = nilai import
y = pendapatan nasional
x = 16 +> y = 8,68 + 26,94. 16 = 439,72
jadi jika nilai import 16 triliyun, maka dipresiksi pendapatan nasional
439,72 trilyun
koefisien korelasi R = 0,974
ini menunjukan bahwa hubungan antara nilai import dan pendapatan
nasional sangat kuat
koefisien determinasi R2 = 0,974 = 94,9%
ini dapat diartikan bahwa 94,9% variasi / perubahan pendapatan nasional
dapat dijelaskan /dipengaruhi oleh perubahan nilai import, sedangkan
5,1% dipengaruhi oleh variable / faktor lain
Spss(mencari grafik linier) = Grapik-line-multiple trus klik bawah-define-
nilai tes 1 dan 2 di kolom atas-variable disi peringkat-title line 1 hubungan
nilai tes 1 dan 2 dengan peringka-kotinu-okl
exel = data analisis regresien y untuk peringkat- x untuk 2 skor tes-label
d klik
Regresi Linier berganda
Y = a+bx1+cx2
Sebuah perusahaan ingin memperkerjakan mahasiswa ptn sebaga tenaga
lepas untuk melakukan perekrtan tersebut perusahaan meakukan 2 tes
intergensi berdasarkan tes tersebut perusahaan merekrut 10 orang sebelum
memulai pekerjaan perusahaan melakukan trainingterhadap ke 10
mahasiswa tersebut kemudian pada akhri training diadakan rating oleh
komite perusahaanhasil peringkat tes intergensi ditunjukan pada tabel
berikut
No Skor test 1 Skor test 2 peringkat
1 74 40 91
2 59 41 72
3 83 45 95
4 76 43 90
5 69 40 82
6 88 47 98
7 71 37 80
8 69 36 75
9 61 34 74
10 70 37 79
Dari data tersebut lakukan analisis rgresi dan korelasi untk menentukan
a. persamaan regresi dan prediksi peringkat mahasiswa jika skor test
pertama 80 dan skor tes ke dua 45
b. koefisien korelasi dan koefisien determinasi serta jelaskan apa
maksutnya
jawab
a. persamaan regresi
y = a + bx1 + cx2
x1 = nilai test 1
x2 = nilai tes 2
y = 5,38 + 0,79.x1 + 0,53.x2

untuk x1 = 80 dan x2 = 45
y = 5,38 + 0,79.80 + 0,53.45 = 92
jadi untuk nilai tes 1 = 80 dan milai tes 2 = 45, predisksi peringkat
mahasiswa adalah 92
b. koefisien regresi R = 0,95, ini berarti hubungan antara variabel
nilai test 1 dan nilai tes 2 dengan variabel peringkat mahasiswa
sangat kuat.
Koefisien determinasi R2= 0,883
Ini dapat diartikan bahwa 88,3 % perubhan peringkat mahasiswa
dapat dijelaskam / dipengaruhi oleh variabel nilai tes 1 dan nilai
tes 2, sedangkat 11, 7 persen dipengaruhi oleh variabel yang lain.
 Regresi
Y = a+bx
Y = variable terikat
Y= data kualitatif
X= variabel bebas
X = data kualititatif
Contoh :
1. manajer perusahaan ingin mengetahui apakah ada pengaruh antara gaji
yang diberikan perusahaan kepada salesman dengan jenis kelamin
salesman
Jenis kelamin Gaji salesman (y) dlm
Rp
1 Laki-laki 100.000
1 Laki-laki 100.000
1 Laki-laki 100.000
1 Laki-laki 80.000
1 Laki-laki 80.000
2 Wanita 40.000
2 Wanita 50.000
2 Wanita 30.000
2 Wanita 40.000

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 144000,000 10099,505 14,258 ,000

jenis kelamin -52000,000 6611,678 -,948 -7,865 ,000

a. Dependent Variable: gaji saleman

Y = a+bx
Y = 144000-52000x
X=1 y = 144000-52000
= 92000
X=2y = 144000-52000.2
= 40000
Jadi rata-rata gaji salesman wanita Rp. 40000 dan laki-laki Rp. 92000
 Contoh 2
2. Berikut adalah data penjualan untuk masing-masing kuartal selama 4
tahun
Thn Kuartal Penjualan
2010 1 978
2 1123
3 1125
4 1260
2011 1 1121
2 1275
3 1257
4 1381
2012 1 1172
2 1368
3 1382
4 1454
2013 1 1260
2 1462
3 1480
4 1521
Dari data tersebut buatlah persamaan regresi untuk memprediksi hasil
penjualan

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1084,375 78,973 13,731 ,000

kuartal 81,700 28,837 ,604 2,833 ,013

a. Dependent Variable: penjualan

Persamaan regresi y = a + bx
= 1084,375+81,7.x
X=1 y = 1084,375+81,7.1
= 1166,075
X=2 y = 1084,375+81,7.2
= 1247,775
X=3 y = 1084,375+81,7.3
= 1329,475
X=4 y = 1084,375+81,7.4
= 1411,175
Korelasi

a. Data nominal (kualitatif) = Uji koefisien crame lambda

Analyze Descriptive statistik -

Crosstab

b. Data ordinal (kualitatif) = Uji korelasi Kendalls tan b

Analyze Corelate Bivariate
c. Data rasio (kuantitatif) = Uji korelasi Pearson
Analyze Corelate Bivariate (Pearson)
Contoh :
a. Berkut data jenis kelamin konsumen dan sikap konsumen terhadap
produk makanan
NO Jenis Kelamin Sikap Konsumen
1 1 4
2 1 4
3 2 3
4 1 3
5 2 1
6 2 2
7 2 3
8 1 2
9 1 3
10 1 4
11 2 2
12 1 3
13 2 3
14 1 4
15 2 1
16 2 3
17 2 1
18 1 2
19 2 3
20 1 4

Ket . 1 : Laki laki 2 : perempuan

Sikap konsumen :
1. Tidak puas
2. Kurang puas
3. Puas
 4. Sempat puas

Symmetric Measures

Approximate
Value Significance

Nominal by Nominal Phi ,652 ,037

Cramer's V ,652 ,037

Contingency Coefficient ,546 ,037

N of Valid Cases 20

Merumuskan masalah (hipotesis)

H0 : tidak hubungan antara jenis kelamin dan sikap konsumen
terhadap produk makanan
Ha : ada hubungan antara jenis kelamin dan sikap konsumen
terhadap produk makanan
Sig > 0,05 => H0 diterima
Sig < 0,05 => H0 ditolak
Karena Sig = 0,037 < = 0,05, maka H0 ditolak artinya ada
hubungan antara jenis kelamin dengan sikap konsumen terhadap
produk makanan. Dengan kata lain ada perbedaan antara laki-laki
dan perempuan terhadap produk makanan.

Atau

Data nominal : uji chi-square

Analize-deskriptive statisitk-crosstab-statistic-Chi Square

Chi-Square Tests

Asymptotic
Significance (2-
Value df sided)

Pearson Chi-Square 8,500a 3 ,037

Likelihood Ratio 11,596 3 ,009
 Linear-by-Linear Association 5,820 1 ,016
N of Valid Cases 20

a. 8 cells (100,0%) have expected count less than 5. The minimum

expected count is 1,50.

P (x2)

: 0,05

X2 : 7,81 X2

b. Berikut data antara pendidikan karyawan, dan perusahaan karyawan terhadap

peralatan di suatu perusahaan
Permasalahan :
Apakah ada hubungan antara pendidikan karyawan
permakaian alat-alat di instalasi tempat karyawan tersebut
bekerja
Merumuskan masalah atau hipotesis
Ho : tidak ada hubungan antara pendidikan karyawan dengan pemakaian
terhadap alat-alat
Ha : ada hubungan antara pendidikan karyawan dengan pemakaian terhadap
alat-alat
Kesimpualan

Correlations

Pemahaman
pendidikan karyawa

Kendall's pendidikan Correlation Coefficient 1,000 -,272*

tau_b Sig. (2-tailed) . ,031

N 50 50

Pemahaman karyawa Correlation Coefficient -,272* 1,000

Sig. (2-tailed) ,031 .
 N 50 50

*. Correlation is significant at the 0.05 level (2-tailed).

Karena Sig = 0,031 < = 0,05, maka Ho ditolak. Artinya ada hubungan
antara pendidikan karyawan dengan pemahamanya terhadap alat-alat di
instalasi mereka bekerja
 Diket
Data biaya ihlan (x) dan hasil penjualan (y) seperti tabel berikut
no x y
1 50 1000
2 80 1800
3 20 500
4 90 1800
5 10 300
6 80 1500
7 10 400
8 80 1600
9 20 700
10 50 1200
11 90 2000
12 20 600
Ujilah berapa kuat biaya ihlan mempengaruhi hasil penjualan

Ho : tidak ada hubungan antara biaya iklan dengan hasil penjualan

Ha : ada hubungan antara biaya iklan dengan hasil penjualan

Correlations

biaya iklan hasil penjualan

biaya iklan Pearson Correlation 1 ,985**

Sig. (2-tailed) ,000

N 12 12
hasil penjualan Pearson Correlation ,985** 1

Sig. (2-tailed) ,000

N 12 12

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

Kesimpulan

Karena Sig = 0,00 < = 0,05, maka Ho ditolak dengan kata lain ada hubungan
antara biaya iklan dengan hasil penjualan. Koefisien korelasi = 0,985, ini
menunjukan bahwa biaya iklan sangat kuat pengaruhnya terhadap hasil penjualan
Uji normlitas dan linieritas data

Uji normalitas digunakan untuk mengetahui apakah data terdistribusi normal atau
tidak penggunaan uji noermalitas karena pada analisis statistik parametrik asumsi
yang harus dimiliki oleh data bahwa data tersebut terdistribusi secara normal
maksutnya data memusat pada nilai rata-rata dan median. Analisis parametrik
seoerti korelasi peakson mensyaratkan bahwa data harus terditribusi normal uji
normalitasa data dapat diuji dengan

Kolmogrof smirnor

(Analyze Nonparametrik Test Legacy Dialogs 1 Sample K S

Kesimpulan/keputusan

Sig > 0,05 => data berdistribusi normal

Sig < 0,05 =>Data tidak data berdistribusi normal

Uji linieritas

Analize-comparemean-mean-option-test for linieritas

Sedangkan uji linieritas bertujuan untuk mengetahui apakah dua variable yang
akan dikenai prosedur analisis statistik korelasional menunjukkan hubungan yang
linier atau tidak

Kesimpulan :

Pada deviasi from linieritas

Sig > 0,05 => data linier

Sig < 0,05 => tidak linier

Contohl Ujilah data berikut apakah berdistribusi normal akan tidak data linier atau
tidak

No Berat Badan (kg) x Tinggi badan (cm) y

1 54 160
2 44 165
3 34 150
4 43 160
5 65 160
6 56 164
7 54 165
8 53 170
9 44 155
10 47 158
11 62 175
12 72 180
13 64 160
14 59 175
15 55 155
16 50 157
17 60 160
18 65 160
19 54 160
20 42 155

Merumuskan hipotesis

Ho : data terdistribusi normal

Ha : data tidak terdistribusi normal

One-Sample Kolmogorov-Smirnov Test

Berat Badan Tinggi Badan

N 20 20
Normal Parametersa,b Mean 53,85 162,20
Std. Deviation 9,533 7,634
Most Extreme Differences Absolute ,114 ,263
Positive ,099 ,263
Negative -,114 -,123
Test Statistic ,114 ,263
Asymp. Sig. (2-tailed) ,200c,d ,001c

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

Kesimpulan :

Untuk berat badan

Krn Sig = 0,99 > 0,05 maka data terdistribusi normal

Untuk tinggi badan

Karena Sig = 0,125 > 0,05 maka data terdistribusi linier

Merumuskan hipotesis

Ho : data terdistribusi normal

Ha : data tidak terdistribusi normal

kesimpulan
karena Sig = 0,16 > 0,05 maka data tersebut linier. Dengan data lain berat badan
dan tinggi badan berkolerasi linier
Korelasi

Uji nominal => uji equ swuase

Data ordinal => uji kendall tan
Data kuantitatif => uji korelasi person

Regresi

Regresi sederhana / berganda

Regresi