STATISTIKA DASAR

OLEH :

NAMA : SITTI MURLIA

STAMBUK : A1L115099
KELAS : A (GANJIL)

JURUSAN PENDIDIKAN KIMIA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS HALU OLEO
KENDARI
2017
1.a. Perbedaan antara analisis regresi dan analisis korelasi
Analisis regresi merupakan analisis untuk melihat apakah ada hubungan
ketergantungan antara variabel bebas (tidak tergantung) terhadap variabel
terikat (tergantung). Pada contoh kasus misalnya variabel bebas tentang
pendapatan seseorang sebagai variabel bebas dan konsumsi sebagai variabel
terikat, dalam analisis regresi pada variabeel di atas dapat ditentukan apakah
ada ketergantungan antara pendapatan seseorang dengan tingkat konsumsi
seseorang.
Sedangkan analisis korelasi merupakan salah satu analisis untuk mengetahui
hubungan antara dua variabel tanpa membedakan variabel bebas atau tidak
tergantung maupun variabel terikat atau tergantung.
Berikut perbedaan kedua analisis ini :
Regresi
1.Digunakan untuk mempelajari bentuk hubungan antar variabel melalui
suatu persamaan (bias Regresi Linier Sederhana, Regresi Linier Berganda,
atau Regresi non Linier). Namun, yang perlu ditekankan bahwa regresi
menunjukkan hubungan kausalitas atau sebab-akibat antara variabel bebas
(independen) terhadap variabel terikat (dependen). Misalnya penelitian
mengenai pengaruh tingkat pendidikan terhadap besarnya pendapatan per
kapita.
2.Dapat mengukur seberapa besar pengaruh dari variabel bebas terhadap
variabel terikatnya (variabel satu terhadap variabel lainnya), dan bisa
berdasarkan tandanya.
3.Dapat digunakan untuk melakukan prediksi nilai suatu variabel
berdasarkan variabel lain (bisa hanya satu variabel bebas atau beberapa
variabel bebas).
Korelasi
1.Biasanya digunakan untuk mempelajari hubungan keeratan antar 2
variabel kuantitatif berdasarkan angkanya, bukan tandanya. Ingat ! kalau
keeratan lihat besarnya, bukan tandanya.
 2.Dapat mengetahui arah hubungan yang terjadi {berbading lurus (tanda +),
atau berbanding terbalik (tanda -)}.

3.Nilainya berkisar antara -1 sampai 1.

4.Tidak bisa menyatakan hubungan kausalitas (sebab-akibat).
1.b Apakah setiap korelasi perlu analisis regresi
Tidak semua korelasi memerlukan analisis regresi. Korelasi yang tidak
dilanjutkan dengan regresi, adalah korelasi antara dua variabel yang tidak
mempunyai hubungan kausal atau fungsional. Analisis regresi dilakukan
bila hubungan dua variabel berupa hubungan kausal atau fungsional. Untuk
menetapkan kedua variabel mempunyai hubungan yang kausal atau tidak,
maka harus didasari pada teori atau konsep-konsep tentang dua variabel
tersebut.
1.c pengukuran untuk mengetahui pengaruh lama belajar (X1), dan IQ (X2)
terhadap prestasi belajar siswa SMA tertentu (Y). Sampel sebanyak 15
siswa dengan analisis regresi linear berganda

a. Persamaan regresi X1 terhadap Y

Model Summary

Model R R Square Adjusted R Square Std. Error of the Estimate

1 ,502a ,252 ,194 10,254

a. Predictors: (Constant), lama belajar

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta

(Constant) 87,904 6,858 12,819 ,000

1
lama belajar -2,878 1,375 -,502 -2,093 ,057
a. Dependent Variable: prestasi belajar

Pada kolom Coefficients diperoleh nilai koefisien/parameter regresi linear

berganda a = 87,904 dan koefisien b = -2,878. Sehingga diperoleh persamaan :

Y = a + b1X1

Y = 87,904 22,878 X1

b. Persamaan X2 terhadap Y

Model Summary

Model R R Square Adjusted R Square Std. Error of the

Estimate

1 ,664a ,441 ,398 8,862

a. Predictors: (Constant), IQ

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta

(Constant) 32,652 13,309 2,453 ,029

1
IQ ,307 ,096 ,664 3,205 ,007
a. Dependent Variable: prestasi belajar

Pada kolom Coefficients diperoleh nilai koefisien/parameter regresi linear

berganda a = 32,652 dan koefisien b = 0,307. Sehingga diperoleh persamaan :

Y = a + b2X2

Y = 32,652 + 0,307X2

c. Persamaan regresi X1 teradap X2 bersama-sama teradap Y

 Model Summary
Model R R Square Adjusted R Square Std. Error of the
Estimate
a
1 ,781 ,609 ,544 7,713

a. Predictors: (Constant), IQ, lama belajar

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta

(Constant) 47,380 13,275 3,569 ,004

1 IQ ,280 ,084 ,604 3,313 ,006
lama belajar -2,375 1,045 -,414 -2,272 ,042
a. Dependent Variable: prestasi belajar

Pada kolom Coefficients diperoleh nilai koefisien/ parameter regresi linear

berganda a = 47,380, b1 = 0,280 dan b2 = -2,375. Sehingga persamaan regresi
yang diperoleh adalah :

Y = a + b1X1 + b2X2

Y = 47,380 + 0,280X1 - 2,375X2

d. Lama belajar diperpanjang 10 jam/hari

Berdasarkan persamaan regresi X1 terhadap Y, dapat dihitung nilai prestasi

belajarnya, dimana X1 adalah lama belajar.

Y = 87,904 22,878 X1

Y = 87,904 22,878(10)

= -140,876

e. Lama belajar diperpanjang 9 jam/ hari dan IQ 150

Berdasarkan persamaan regresi X1 terhadap X2 bersama-sama terhadap Y, dapat
dihitung nilai prestasi belajarnya, dimana X1 adalah lama belajar dan X2 adalah
IQ.

Y = 47,380 + 0,280X1 - 2,375X2

Y = 47,380 + 0,280(9) - 2,375(150)

= - 306,35

f. Koefisien korelasi ganda antara X1 dan X2 terhadap Y

Correlations
lama belajar IQ prestasi belajar
Pearson Correlation 1 -,145 -,502

lama belajar Sig. (2-tailed) ,606 ,057

N 15 15 15
Pearson Correlation -,145 1 ,664**

IQ Sig. (2-tailed) ,606 ,007

N 15 15 15
**
Pearson Correlation -,502 ,664 1

prestasi belajar Sig. (2-tailed) ,057 ,007

N 15 15 15
**. Correlation is significant at the 0.01 level (2-tailed).

Dengan menggunakan persamaan regresi X1 terhadap Y diperoleh koefisien

korelasi ganda sebesar -,502.
Dengan menggunakan persamaan regresi X2 terhadap Y diperoleh koefisien
korelasi ganda sebesar 0,664.

2. Pembuktian hipotesis adanya hubungan yang signifikan antara rangking

di SD dengan di SMU :
Cara 1 (cara manual)
Persamaan Regresi yaitu:
Y = a + bX
Selanjutnya penentuan konstanta a dan koefisien b, berikut :

RANK
No. RANK SD SMU X*Y X^2 Y^2
X Y
1 1 7 7 1 49
2 2 1 2 4 1
3 7 4 28 49 16
4 4 3 12 16 9
5 2 3 6 4 9
6 5 4 20 25 16
7 6 7 42 36 49
8 7 2 14 49 4
9 4 2 8 16 4
10 7 7 49 49 49
11 2 1 2 4 1
12 4 3 12 16 9
13 7 4 28 49 16
14 5 2 10 25 4
15 6 5 30 36 25
16 7 5 35 49 25
17 8 7 56 64 49
18 1 2 2 1 4
19 9 5 45 81 25
20 10 7 70 100 49
SUM 104 81 478 674 413

Maka diperoleh :

= 1,8325826
b=

= 9560,964

Persamaan regresi diperoleh :

Y = 1,8325826 + 9560,964X

Dimana :

Y = Rangking sewaktu SMU

X = Rangking sewaktu SD

r=

= 0,533967

r bernilai positif artinya terdapat hubungan yang signifikan antara rangking di SD

dengan di SMU.

R2 = (0,533967)2 = 0,285121

Artinya sekitar 28,5 % variasi dari variabel rangking di SD dapat menjelaskan

variasi dari variabel rangking di SMU.
Cara 2 (menggunakan aplikasi spss)

Model Summary
Model R R Square Adjusted R Std. Error of Change Statistics
Square the Estimate R Square F Change df1 df2 Sig. F
Change Change

1 ,534a ,285 ,245 1,837 ,285 7,179 1 18 ,015

a. Predictors: (Constant), RANK SD

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients

B Std. Error Beta

(Constant) 1,833 ,924 1,984 ,063

1
RANK SD ,426 ,159 ,534 2,679 ,015

a. Dependent Variable: RANK SMU

Pada kolom coefficients diperoleh nilai sig (2 tailed) sebesar 0,015 < 0,05. Ini
berarti bahwa terdapat hubungan yang signifikan antara rangking di SD dan
di SMU. Selain itu juga, pada r yang bernilai positif sebesar 0,534
menunjukan adanya hubungan yang signifikan antara rangking di SD dan
rangking di SMU. Dengan menggunakan cara ini juga tidak ada perbedaan
hasil yang diperoleh dengan menggunakan cara manual.

3.a Perbedaan analisis regresi dan anlisis jalur

Perbedaan antara anlisis regresi dan analisis jalur adalah terletak pada pola
hubungan yang ingin diungkapkan. Model regresi digunakan untuk
meramalkan atau menduga nilai sebuah variabel respon Y atas dasar nilai
tertentu beberapa variabel prediktor X1, X2,...Xk, atau pola hubungan yang
mengisyaratkan besarnya pengaruh variabel penyebab terhadap sebuah
variabel akibat. Pola hubungan yang sesuai adalah pola hubungan yang
mengikuti model regresi. Sedangkan untuk mengetahui hubungan sebab-
akibat, pola yang tepat adalah model struktural. Secara matematik, analisis
jalur mengikuti pola model struktural.
Berikut secara lengkap perbedaan kedua analisis ini :
 a. Analisis regresi
1. Memiliki variabel Bebas (X) terikat (Y)
2. Menjelaskan fenomena yang dipelajari atau permasalahan yang diteliti.
3. Dapat memprediksi secara kuantitatif
4. Faktor diterminan, yaitu penentuan variabel bebas (X) yang berpengaruh
dominan terhadap variabel terikat (Y)
5. Hubungan yang dianalisis bersifat tunggal
6. Jenis data yang dianalisis berupa skala interval dan rasio
7. Pda prinsipnya sama dengan korelasi, hanya sistem aliran kausal ke satu
arah.
b. Analisis jalur
1. Memiliki variabel Eksogen (X), Edogen (Y), Intervening (bila ada)
2. Pengujian model, menggunakan teori triming, baik untuk uji reabilitas
konsep yang sudah ada atau pun uji pengembangan konsep baru
3. Hubungan yang dianalisis tunggal atau ganda
4. Faktor diterminan : penelususran mekanisme (lintasan) pengaruh
5. Prediksi secara kualitatif
6. Jenis data yang dianalisis minimal skala interval dan data dinyatakan
dalam satuan baku atau skor
7. Pada prinsipnya sama dengan korelasi dan regresi, sistem aliran kausal ke
satu arah
3.b Syarat yang harus dipenuhi untuk dilakukannya analisis jalur
1. Terdapat hubungan antar variabel yang linear (linearitas)
2. Terdapat aditivitas atau tidak ada efek-efek interaksi
3. Data diolah telah dengan skala interval misalnya dengan memakai metode
suksetif interval (MSI)
4. Variabel-variabel yang tidak diukur (variabel residural) tidak mempunyai
korelasi dengan salah satu variabel yang terdapat di dalam model.
5. Variabel residual (gangguan) tidak boleh berkorelasi dengan semua
variabel endogenous dalam model. Jika dilanggar, maka akan berakibat
 hasil regresi menjadi tidak tepat untuk mengestimasikan parameter-
parameter jalur
6. Sebaiknya hanya ada dua atau lebih variabel bebas (penyebab) mempunyai
hubungan yang sangat tinggi
7. Adanya recursivitas, semua anak panah mempunyai satu arah, tidak boleh
terjadi pemutaran kembali (looping)
8. Asumsi analisis jalur mengikuti asumsi umum regresi linear
3.c Kriteria untuk memutuskan menolak atau menerima model yang
dihipotesiskan.
1. Penerimaan Ho terjadi jika nilai uji statistiknya lebih kecil atau lebih besar
daripada nilai positif atau negatif dari tabel. Atau nilai uji statistik berada
di luar nilai kritis.
2. Penolakan Ho terjadi jika nilai uji statistiknya lebih besar atau lebih kecil
daripada nilai positif atau negatif dari tabel. Atau nilai uji statistik berada
di luar nilai kritis.
3.d Analisis jalur hipotesis model koefisien korelasi
X1 X2 = 0,3 X2 X4 = 0,2
X1 X3 = 0,25 X2 X5 = 0,3
X1 X4 = 0,3 X2 X6 = 0,6
X1 X5 = 0,3 X3 X4 = 0,2
X1 X6 = 0,25 X3 X5 = 0,3
X2 X3 = 0,2 X3 X6 = 0,3
Mencari t hitung menggunakan rumus:

Keterangan: t = nilai t hitung

r = koefisien korelasi
n= banyak subjek

Untuk koefisien korelasi 0,2 diperoleh t hitung = 3,55

Untuk koefisien korelasi 0,3 diperoleh t hitung = 51,7
Untuk koefisien korelasi 0,6 diperoleh t hitung = 1,035
Untuk koefisien korelasi 0,25 diperoleh t hitung =5,01

Untuk nilai koefisien korelasi 0,3 nilai t-hitung yang diperoleh yaitu 51,7 kriteria.
Pengamatan t-tabel < t-hitung < t-tabel. Untuk banyak sampel 300 maka nilai t-
tabel pada = 0,025 adalah 1,97, sehingga t hitung tidak berada pada rentang t-
tabel<t hitung<t tabel maka Ho ditolak artinya terdapat hubungan yang signifikan
antara X1 dan X2.
Untuk nilai koefisien 0,6 nilai t-hitung yang diperoleh yaitu 1,035 t-tabel > t-
hitung > t-tabel. Untuk banyak sampel 300 maka nilai t-tabel pada = 0,025
adalah 1,97, sehingga t-hitung berada pada rentang t-tabel > t-hitung > t-tabel.
Maka Ho diterima. Artinya tidak terdapat hubungan yang signifikan antara X2
dan X6. Oleh karena pada model ini terdapat variabel yang tidak memilki
hubungan yang signifikan maka model ini tidak cocok diterapkan.