KELOMPOK B
Disusun Oleh :
NIM : 151061027
JURUSAN STATISTIKA
YOGYAKARTA
2016
i
HALAMAN PENGESAHAN
ii
KATA PENGANTAR
Puji syukur atas rahmat dan anugerah Tuhan kepada penulis. Karena
atas penyertaan-Nya yang telah memberikan nikmat serta hidayah-Nya
terutama nikmat kesempatan, kesehatan sehingga penulis dapat
menyelesaikan laporan akhir praktikum mata kuliah ANALISIS
REGRESI .
Penulis
iii
DAFTAR ISI
iv
BAB I
PENDAHULUAN
1
Analisis Regresi inferensi mencakup semua metode yang
berhubungan dengan analisis sebagian data (contoh) atau juga sering disebut
dengan sampel untuk kemudian sampai pada peramalan atau penarikan
kesimpulan mengenai keseluruhan data induknya (populasi). Dalam anlisis
inferensi diadakan pendugaan parameter, membuat hipotesis, serta
melakukan pengujian hipotesis tersebut sehingga sampai pada kesimpulan
yang berlaku umum. Metode ini disebut juga analisis regresi induktif,
karena kesimpulan yang ditarik didasarkan pada informasi dari sebagian
data saja. Pengambilan kesimpulan dari analisis regresi inferensi yang hanya
didasarkan pada sebagian data saja sebagian data saja menyebabkan sifat tak
pasti, memungkinkan terjadi kesalahan dalam pengambilan
keputusan, sehingga pengetahuan mengenai teori peluang mutlak
diperlukan dalam melakukan metode-metode analisis regresi inferensi.
Analisis regresi inferensi digunakan dalam proses mengambil
keputusan dalam menghadapi ketidakpastian dan perubahan. Contoh
ketidakpastian adalah kuat tekan beton dalam suatu pengujian tidak sama,
walaupun dibuat dengan material yang sama. Dengan adanya kenyataan
tersebut, maka metode statitsik digunakan untuk menganalisis data dari
suatu proses pembuatan beton tersebut sehingga diperoleh kualitas yang
lebih baik. Analisis regresi inferensi telah menghasilkan banyak metode
analitis yang digunakan untuk menganalisis data. Dengan perkataan lain
analisis regresi inferensi tidak hanya mengumpulan data, tetapi juga
mengambil kesimpulan dari suatu sistem saintifik.
Analisis regresi non linear adalah suatu metode untuk mendapatkan
model linear yang menyatakan hubungan variable dependen (Y) dan
independen (X). Tidak seperti regresi linear, yang dibatasi oleh waktu
menaksir/ meramal, analisis regresi non linear dapat mengistemasi model
hubungan variable dependen dan independen dalam bentuk non linear
dengan keakuratan yang baik.
2
Untuk regresi non linear, regresi yang melibatkan satu peubah tak
bebas (Y) dan satu peubah bebas (X), kelinearan = + diyakinkan
melalui pengujian hipotesis jika hipotesis linear diterima, kita yakin hingga
tingkat keyakinan tertentu, bahwa regresi itu bentuknya linear tidak
diragukan. Namun, apabila ternyata hipoteis linear ditolak, maka regresi
linear tidak cocok untuk digunakan dalam mengambil kesimpulan dan
karenanya perlu meningkat pada pencarian regresi non linear atau lengkung.
Untuk mengetahui hubungan antara beberapa variabel analisis yang
digunakan adalah regresi linier berganda
Dalam uji analisis regresi linear berganda terlebih dahulu peneliti
menentukan satu variabel yang disebut dengan variabel tidak bebas dan satu
atau lebih variabel bebas. Jika ingin dikaji hubungan atau pengaruh satu
variabel bebas terhadap variabel tak bebas, maka model regresi yang
digunakan dalah model regresi linier sederhana. Kemudian jika ingin dikaji
hubungan atau pengaruh dua atau lebih veriabel bebas terhadap variabel tak
bebas, maka model regresi yang digunakan adalah model regresi linier
berganda. Kemudian untuk mendapatkan model regresi linier sederhana
maupun model regresi linier berganda dapat diperoleh dengan melakukan
estimasi terhadap peremeter-peremeternya menggunakan metode tertentu.
Adaapun metode yang dapat digunakan untuk mengestimasikan peremeter
model regresi linier sederhana maupun model regresi linier berganda adalah
dengan metode kuadrat terkecil. Dalam analisis model regrsi linier begranda
syarat yang harus terpenuhi adalah uji asumsi klasik yang terdiri dari uji
normalitas, uji heteroskedatisitas, uji multikolinearitas dan uji autokorelasi.
3
1.2. Rumusan Masalah
4
1.4. Tujuan
1. Dengan menggunakan analisis regresi inferensi dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan apakah terdapat
perbedaan penjualan mobil AVANZA di kabupeten Bantul sebelum dan
sesudah kenaikan harga BBM.
2. Dengan menggunakan model regresi non linear dan pada tingkat
signifikansi 5 % (persen) untuk mengetahui produksi total bakteri asam
laktat sosis probiotik (log cfu/g) berdasarkan lama penyimpanan (hari).
3. Dengan menggunakan model regresi linear berganda dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan begaimana jumlah
penduduk dapat dipengaruhi oleh kelahiran dan kematian di daerah
Jawa Tengah.
1.5. Manfaat
1. Untuk memberikan informasi dan pengetahuan menganai apakah
Dengan menggunakan analisis regresi inferensi dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan apakah terdapat
perbedaan penjualan mobil AVANZA di kabupeten Bantul sebelum dan
sesudah kenaikan harga BBM.
2. Untuk memberikan informasi dan pengatuhan menganai apakah
Dengan menggunakan model regresi non linear dan pada tingkat
signifikansi 5 % (persen) untuk mengetahui produksi total bakteri asam
laktat sosis probiotik (log cfu/g) berdasarkan lama penyimpanan (hari).
3. Untuk memberikan informasi dan pengetahuan menganai apakah
Dengan menggunakan model regresi linear berganda dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan begaimana jumlah
penduduk dapat dipengaruhi oleh kelahiran dan kematian di daerah
Jawa Tengah.
5
BAB II
TINJAUAN PUSTAKA
6
menunjukkan bahwasampel penelitian semakin akurat bila banyak
sampelnya.
Faktor utama yang mempengaruhi standard error adalah jumlah
sampel. Semakin banyak sampelnya, semakin kecil standard
error meannya yang berarti bahwa semakin kecil standard error-nya,
semakin akurat mean sampel untuk dijadikan estimator untuk mean
populasinya.[3]
2. Pengujian Hipotesis
Pengujian hipotesis adalah proses pengambilan keputusan dimana
peneliti mengevaluasi hasil penelitian terhadap apa yang ingin dicapai
sebelumnya. Misalnya, kita ingin menerapkan program baru dalam
pelajaran membaca. Pada rencana penelitian dikemukanan hipotesis
penelitian yang memprediksi perbedaan skor siswa yang menjalni
program baru tadi dengan proglam lama, dan hipotesis nol (0), yang
memprediksikan skor kedua kelompok tidak akan berbeda. Setelah data
dihitung mean dan standar deviasinya dan hasilnya menunjukkan skor
siswa dengan program baru lebih tinggi (berbeda secara signifikan)
daripada siswa yang mengikuti program lama, maka hipotesis penelitian
diterima dan hipotesis nol ditolak. Yang berarti bahwa program baru
tersebut efektif untuk diterapkan pada program membaca. Intinya,
pengujian hipotesis adalah proses evaluasi hipotesis nol, apakah
diterima tau ditolak.
3. Uji Signifikansi
Uji signifikasi adalah cara mengetahui adanya perbedaan antara dua
skor. Signifikansi merujuk pada tingkat statistik dari probabilitas
dimana dengannya kita bisa menolak hipotesis nol. Uji signifikansi
dilakukan dengan menentukan tingkat probabilitas praseleksi yang
dikenal dengan tingkat signifikansi (). Tingkat probailitas ini dijadikan
dasar untuk menolak atau tidak menolak hipotesis nol. Standar yang
digunakan umumnya 0,05 kesempatan (5 dari 100). Adapula yang
menggunakan 0.01. Semakin kecil nilai probabilitasnya, semakin kecil
7
pula kemungkinan temuan tersebut diperoleh karena disebabkan oleh
peluang.
B. Fungsi Analisis Regresi Inferensi
Analisis regresi Inferensi atau induktif adalah statistik bertujuan
menaksir secara umum suatu populasi dengan menggunakan hasil
sampel, termasuk didalamnya teori penaksiran dan pengujian teori.
Analisis regresi inferensi digunakan untuk melakukan :
a. Generalisasi dari sampel ke populasi.
b. Uji hipotesis (membandingkan atau uji perbedaan/kesamaan dan
menghubungkan, yaitu uji keterkaitan, kontribusi).
C. Contoh kasus
Berikut ini adalah hasil pengamatan penulis tentang uji hipotesis rata-
rata:
Sebuah sampel terdiri atas 10 nilai mata kuliah Pengantar Analisis Real
dari mahasiswa rombel 2 Pendidikan Matematika angkatan 2011.
Datanya adalah sebagai berikut.
No. Nilai
1 87
2 87
3 87
4 83
5 88
6 87
7 71
8 85
9 80
10 75
Jika digunakan taraf nyata 5%, dapatkah kita meyakini bahwa rata-rata
nilai mata kuliah Pengantar Analisis Real dari mahasiswa rombel 2
Pendidikan Matematika angkatan 2011 lebih dari 75? Data diasumsikan
berdistribusi normal.
Penyelesaian:
Diketahui: n = 10
8
830
= = = 83
10
( )
= = 5,869
1
Jawab:
(1) 0 : Rata-rata nilai Pengantar Analisis Real dari mahasiswa rombel
2 Pendidikan Matematika angkatan 2011 sama dengan 76.
1 : Rata-rata nilai Pengantar Analisis Real dari mahasiswa rombel 2
Pendidikan Matematika angkatan 2011 lebih dari 76.
0 = 76
0 > 76
(2) Statistika yang digunakan
0
=
7
= 1,856
= 3,772.
9
(6) Simpulan
Karena 3,772 > 1,83 maka 0 ditolak.
Jadi rata-rata nilai Pengantar Analisis Real mahasiswa rombel 2
pendidikan Matematika angkatan 2011 lebih dari 76.
10
= 0 + 1 + 2 2 ,
dengan koefisien-koefisien , 1 , dan 2 ditentukan berdasarkan
data hasil pengamatan. Jika (, 1 ), = 1,2, , menyatakan
data hasil pengamatan data hasil pengamatan dalam sebuah
sampel berukuran n, metode kuadratik terkecil memberikan
nilai-nilai , 1 , dan 2 dengan cara menyelesaikan persamaan
normal berikut
+ + =
= = =
+ + =
= = = =
+ + =
= = = =
Persamaan 1
Contoh kasus :
Dosis Kadar
No. Obat Creatin
1 1 10
2 2 13
3 3 15
4 4 20
5 5 16
6 7 11
7 3 14
11
8 2 12
9 4 21
10 6 17
11 7 10
12 8 7
13 8 6
14 1 11
15 3 16
jawab:
Kita tentukan dulu nilai yang perlu untuk regresi polinom berderajat
dua, yaitu:
Dosis Kadar
No. Obat (X) Creatin (Y) X^2 X^3 X^4 XY X^2Y
1 1 10 1 1 1 10 10
2 2 13 4 8 16 26 52
3 3 15 9 27 81 45 135
4 4 20 16 64 256 80 320
5 5 16 25 125 625 80 400
6 7 11 49 343 2401 77 539
7 3 14 9 27 81 42 126
8 2 12 4 8 16 24 48
9 4 21 16 64 256 84 336
10 6 17 36 216 1296 102 612
11 7 10 49 343 2401 70 490
12 8 7 64 512 4096 56 448
13 8 6 64 512 4096 48 384
14 1 11 1 1 1 11 11
15 3 16 9 27 81 48 144
15 64 199 356 2278 15704 803 4055
12
dari table diatas kita memperoleh persamaan normal:
+ + =
+ + =
+ + =
Setelah persamaan simultan ini diselesaikan, diperoleh 0 =
3.36313428, 1 = 6.77798872, dan 2 = 0.8012312,
sehingga persamaan regresi parabola dapat ditulis:
= =
13
Perhitungan dengan Aplikasi SPSS
Ketik X dan Y pada kolom Name, ketik Disis Obat (X) dan
Kadar Kreatinin (Y) pada kolopm Label, lalu Klik Data View,
maka muncul Gambar
14
Klik Kadar Kreatinin (Y), kemudian pindahkan dengan tadana
ke Y Axis
15
Hasil plot data menunjukkan bahwa kemungkinan persamaan
garis regresi berbentuk kuiadrartik yaitu : Y = 0 + 1X + 2X2
, maka persamaan dapat dicari sebagai berikut :
Kembali ke Gambar sebelumnya, klik Tranform, lalu klik lagi
Compute Variable, maka muncul Gambar
16
Klik Analyze, pilih Regression klik Linear, maka muncul
Gambar
17
Klik OK maka diperoleh hasil sebagai berikut :
Regression
Model Summary
Mode R R Square Adjusted R Std. Error of
l Square the Estimate
1 .921a .848 .822 1.826
a. Predictors: (Constant), XX, Dosis Obat
ANOVAa
Model Sum of df Mean Square F Sig.
Squares
Regression 222.930 2 111.465 33.436 .000b
1 Residual 40.004 12 3.334
Total 262.933 14
a. Dependent Variable: Kadar Creatin
b. Predictors: (Constant), XX, Dosis Obat
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 3.363 1.870 1.798 .097
1 Dosis Obat 6.778 .974 3.807 6.959 .000
XX -.801 .104 -4.209 -7.694 .000
18
Kesimpulan :
- Koefisien korelasinya ( R ) = 0,921
- Bentuk hubungannya atau persamaan garis regresinya sangat nyata (P<0,01), lihat
sig pada ANOVA .000
19
Klik Graph, pilih Legacy Dialog, klik Line, pilih Simple, lalu
klik Define, maka muncul Gambar
20
Graph
21
Klik OK, maka diperoleh hasil sebagai berikut :
Quadratic
Model Summary
R R Square Adjusted R Std. Error of
Square the Estimate
.921 .848 .822 1.826
The independent variable is Dosis Obat.
ANOVA
Sum of df Mean F Sig.
Squares Square
Regression 222.930 2 111.465 33.436 .000
Residual 40.004 12 3.334
Total 262.933 14
The independent variable is Dosis Obat.
Coefficients
Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
Dosis Obat 6.778 .974 3.807 6.959 .000
Dosis Obat **
-.801 .104 -4.209 -7.694 .000
2
(Constant) 3.363 1.870 1.798 .097
22
2. Model Polinom Berderajat Tiga (Kubic)
= + + 2 + 3
= + + 2 + 3
= + 2 + 3 + 4
2 = 2 + 3 + 4 + 5
3 = 3 + 4 + 5 + 6
23
3. Model Derajat Lebih Tinggi (Polinom Pangkat k)
Kita sudah melihat cara ide-ide dasar regresi ganda dapat
diterapkan untuk membentuk dan menguji model kuadratik dan
kubik.metode yang sama digunakan untuk semua model polinon
derajat lebih tinggi.namun,beberapa isu terkait perlu
didiskusikan : yakni penggunaan polinom ortogonal dan strategi
untuk memilih sebuah model polinom.
24
Dengan strategi seleksi maju, seseorang biasanya menguji
pentingnya sebuah calon peubah peramal(predictor) dengan
membandingkan jumlah kuadrat ekstra regresi untuk tambahan
peramal itu terhadap rerata kuadrat sisaan (residual mean
square). Rerata kuadrat sisaan ini berdasarkan pada penentuan
sebuah model yang memuat calon peubah(peramal) dean
peubah-peubah yang tidak ada di dalam model. Statistik F parsial
yang sesuai dalam bentuk
( , 2 , , 1 )
( , 2 , , 1 ) = 1
(, 2 , , 1 )
25
Jadi, untuk menetapkanm model polinom, kita umumnya
merekomendasikan strategi eliminasi mundur untuk memilih
peubah, dan menggunakan dalam semua uji F parsial taksiran
rata-rata kuadrat kesalahan berdasarkan pada model polinom
derajat tertinggi. Jika mengimplementasikan startegi ini,kita
rekomendasikan pertama, memilih model derajat tiga atau lebih
rendah untuk menyederhanakan interpretasi dan meningkatkan
kecermatan perhitungan. Kedua, lakukan seleksi mundur dalam
bentuk bertahap mulai dari suku derajat tertinggi, seseorang
harus secara berturut-turut menghilangkan suku-suku yang tidak
signifikan, berhenti pada suku dengan derajat yang pertama
signifikan. Suku ini dan semua suku dengan derajat lebih rendah
harus dipertahankan dalam model akhir. Ketiga, lakukan uji F
parsial-ganda untuk tuna cocok. Keempat, metode analisis
sisaan harus digunakan, seperti dengan semua pendekatan
regresi.
B. MODEL EKSPONEN
Model eksponen adalah salah satu model yang juga banyak
digunakan apabila situasi tidak memungkinkan model linear atau
polinom. Perkiraan untuk model ini , yang persamaannya adalah:
= +
26
dan ini adalah model linier. Dengan menggunakan rumus
koefisien regresi linear sederhana, a* dan b* dapat dihitung ,
dan selanjutnya a dan b dapat ditentukan. Dalam bentuk
logaritma, a dan b dapat dicari dengan rumus:
log X
log = (log ) ( )
( log ) ( )( log )
log =
2 ( )2
ln = ln +
C. MODEL GEOMETRIS
27
log = log + log
log log
log =
D. MODEL LOGISTIK
Bentuk yang paling sederhana model logistic dapat ditaksir oleh:
1
=
Untuk yang tidak sama dengan nol, bentuk diatas dapat pula
1
ditulis sebagai =
log X
log = + ( log ) ( )
( log Y) ( )( log Y)
log =
2 ( )2
28
E. MODEL HIPERBOLA
Perkiraan persamaan umum yang sederhana untuk model
hiperbola ini dapat dituliskan dalam bentuk:
1
=
+ bX
1
= a + bX
Disamping hubungan linier dua variabel, hubungan linier lebih dari dua
variabel dapat juga terjadi. Pada hubungan ini, perubahan satu variabel
dipengaruhi oleh lebih dari satu variabel lain. Maka regresi linier berganda
adalah analisis regresi yang menjelaskan hubungan antara peubah respon
(variable dependent) dengan faktor-faktor yang mempengaruhi lebih dari
satu predaktor (variable independent.
29
mengetahui regresi populasi untuk keperluan analisis, variabel bebas akan
Beberapa hal lain yang penting juga untuk dipahami dalam penggunaan
analisis regresi linier ganda yaitu perlunya melakukan uji asumsi klasik atau
uji persyaratan analisis regresi ganda sehingga persamaan garis regresi yang
diperoleh benar-benar dapat digunakan untuk memprediksi variabel
dependen atau kriterium. Uji persyaratan tersebut harus terpenuhi, apabila
tidak maka akan menghasilkan garis regresi yang tidak cocok untuk
memprediksi.
Sebelum masuk pada uji persyaratan perlu dipahami bahwa statistik
sebagai alat analisis dikelompokkan menjadi dua bagian yang berbeda, yaitu
kelompok statistik parametrik dan statistik non-parametrik. Pada statistik
nonparametrik tidak memerlukan persyaratan tertentu sedangkan pada
statistik parametrik memerlukan persyaratan yang harus dipenuhi. Oleh
karena itu, dalam uji persyaratan regresi linier ganda yang harus dilakukan
pada dasarnya juga dikelompokkan menjadi dua bagian, yaitu uji
persyaratan untuk masuk ke statistik parametrik dan uji persyaratan untuk
menggunakan regresi linier ganda.
Uji asumsi klasik yang secara minimal perlu dilakukan oleh penulis
menggunakan regresi linier ganda sebagai alat analisis yaitu berupa:
a. Uji persyaratan untuk statistik parametrik, yang berupa:
a. Uji normalitas
b. Uji homogenitas
30
b. Uji Persyaratan untuk regresi linier ganda, yang terdiri atas:
a. Uji linieritas garis regresi.
b. Tidak terdapat saling hubungan antara variabel bebas (uji
multikolinieritas).
c. Tidak terdapat autokorelasi antar data pengamatan.
d. Tidak terjadi adanya heteroskedasitas (Gujarati,1997)
Contoh kasus :
Contoh Perhitungan :
Tabel 4.8.
Tabel bantu perhitungan regresi Ganda (dua prediktor)
Menggunakan rumus angka kasar
4 1 7 28 7 4 16 1 49
7 2 12 14 24 14 49 4 144
9 5 17 153 85 45 81 25 289
31
Untuk menghitung nilai konstanta a, b1, dan b2, dapat digunakan tiga buah
persamaan yaitu :
1. Y = Na + b1 X1 + b2 X2
2. X1Y = a X1 + b1 X12 + b2 X1X2
3. X2Y = a X2 + b1 X1X2 + b2 X22
Penyelesaian :
Persamaan 1 dan 2 menghasilkan persamaan 4
Persamaan 5 52 = 0 31b 1 +
30b2
1 = 0 59b2
59b2 = 1 b2 = 0.0169 (0.017)
32
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
Hasil persamaan Regresi yang diperoleh adalah
33
BAB III
METODE PENELITIAN
34
20 60 63
21 78 79
22 71 78
23 67 68
24 68 71
25 80 82
26 65 69
27 60 63
28 78 79
29 81 80
30 80 82
35
16 21 7,30
36
24 Kendal 926812 36125 56
25 Batang 729616 36500 17
26 Pekalongan 861082 39157 9
27 Pemalang 1279596 45661 46
28 Tegal 1415009 6732 49
29 Brebes 1764648 123799 38
30 Kota_megelang 119935 2230 218
31 Kota 507825 9301 1336
32 Kota_salatiga 178594 9879 98
33 Kota_semarang 1644800 35818 1801
34 Kota_pekalongan 290870 8696 74
35 Kota_tegal 243860 7721 100
37
Variabel dependent : produksi total bakteri asam laktat sosis
probiotik (log cfu/g)
38
kesimpulan yang didapat dapat mencerminkan keadaan populasi
yang sebenarnya.
A. PENGUJIAN HIPOTESIS
Pengertian Pengujian Hipotesis
Hipotesis berasal dari bahasa Yunani, yaitu hupo dan thesis.
Hupo berarti lemah, kurang, atau di bawah dan thesis berarti teori,
proposisi, atau pernyataan yang disajikan sebagai bukti. Jadi,
hipotesis dapat diartikan sebagai suatu pernyataan yang masih lemah
kebenarannya dan perlu dibuktikan atau dugaan yang sifatnya masih
sementara.
Hipotesis statistik adalah pernyataan atau dugaan mengenai
keadaan populasi yang sifatnya masih sementara atau lemah
kebenarannya. Hiptesis statistik akan diterima jika hasil pengujian
membenarkan pernyataannya dan akan ditolak jika terjadi
penyangkalan dari pernyataannya. Dalam pengujian hiptesis,
keputusan yang dibuat mengandung ketidakpastian, artinya
keputusan bisa benar atau salah, sehingga menimbulkan resiko.
Besar kecilnya resiko dinyatakan dalam bentuk probabilitas.
39
a. Pengujian sampel besar (n > 30)
b. Pengujian sampel kecil (n 30)
3. Berdasarkan Jenis Distribusinya
a. Pengujian hipotesis dengan distribusi Z
b. Pengujian hipotesis dengan distribusi t (t-student)
c. Pengujian hipotesis dengan distribusi 2 (chi-square)
d. Pengujian hipotesis dengan distrbusi F (F-ratio)
4. Berdasarkan Arah atau Bentuk Formulasi Hipotesisnya
a. Pengujian hipotesis dua pihak ( two tail test)
b. Pengujian hipotesis pihak kiri atau sisi kiri
c. Pengujian hipotesis pihak kanan atau sisi kanan.
40
Tolak H0 Kesalahan Jenis I Tidak membuat kekeliruan
41
Prosedur Pengujian Hipotesis
Langkah-langkah pengujian hiptesis statistik adalah sebagai
berikut:
1. Menentukan Formulasi Hipotesis
Formulasi atau perumusan hipotesis statistik dapat dibedakan atas
dua jenis, yaitu sebagai berikut :
a. Hipotesis nol atau hipotesis nihil
Hipotesis nol, disimbolkan H0 adalah hipotesis yang dirumuskan
sebagai suatu pernyataan yang akan diuji. Hipotesis yang
diartikan sebagai tidak adanya perbedaan antara ukuran populasi
dan ukuran sampel.
b. Hipotesis alternatif atau hiptesis tandingan
Hipotesis alternatif disimbolkan H1 atau Ha adalah hipotesis yang
dirumuskan sebagai lawan atau tandingan dari hipotesis nol.
Atau adanya perbedaan data populasi dengan data sampel.
Secara umum, formulasi hipotesis dapat dituliskan :
H0 : = 0
H1 : > 0
Pengujian ini disebut pengujian sisi kanan
H0 : = 0
H1 : < 0
Pengujian ini disebut pengujian sisi kiri
H0 : = 0
H1 : 0
Pengujian ini disebut pengujian dua sisi.
2. Memilih Statistik Uji
Memilih uji statistik yang sesuai dengan asumsi sebaran
populasi dan skala pengukuran data. Berdasarkan ini, uji statistik
42
yang dipilih sebaiknya yang terkuat untuk mengurangi peluang
terjadinya kesalahan dalam pengambilan keputusan seperti uji-Z, t,
2, F atau yang lainnya. Bagi peneliti dan pengguna statistika,
berkonsultasi dengan ahli statistika merupakan cara yang bijaksana.
43
lebih besar daripada nilai positif atau negatif dari tabel. Atau
nilai uji statistik berada di luar nilai kritis.
b. Penolakan H0 terjadi jika nilai uji statistiknya lebih besar atau
lebih kecil daripada nilai positif atau negatif dari tabel. Atau
nilai uji statistik berada di dalam nilai kritis.
Daerah daerah
Penolakan daerah Penolakan H0
H0 penerimaan H0
d1 d2
Gambar 1. Daerah kritis uji dua pihak
Daerah daerah
penerimaan H0 penolakan H0
d
Gambar 2. Daerah kritis uji satu pihak kanan
Daerah daerah
penolakan H0 penerimaan H0
d
Gambar 3. Daerah kritis uji satu pihak kiri
5. Menghitung Nilai Uji Statistik
Uji statistik merupakan rumus-rumus yang berhubungan
dengan distribusi tertentu dalam pengujian hipotesis. Uji statistik
merupakan perhitungan untuk menduga parameter data sampel yang
diambil secara random dari sebuah populasi. Dengan kata lain, nilai
statistik hitung berdasarkan data penelitian (sampel) yang diambil.
6. Membuat Kesimpulan
44
Pembuatan kesimpulan merupakan penetapan keputusan
dalam hal penerimaan atau penolakan hipotesis nol (H0), sesuai
dengan kriteria pengujiannya. Pembuatan kesimpulan dilakukan
setelah membandingkan nilai uji staistik dengan nilai tabel atau
nial kritis. Jika nilai statistik jatuh pada daerah kritis, berarti H0
ditolak, dan jika jatuh pada luar daerah kritis berarti H0 diterima.
Kalau analisis data dilakukan daerah dengan paket statistika dengan
komputer, rujukan terhadap nilai kritis tidak diperlukan. Hasil
komputer telah memberikan nilai p, yaitu luas daerah di ujung nilai
kritis yang dibatasi oleh nilai hitung statistik. Kalau nilai p lebih
besar daripada taraf kesignifikanan yang telah ditetapkan, H0
diterima, dan kalau nilai lebih kecil daripada nilai , H0 ditolak.
45
1. Simpangan baku diketahui
Perhatikan pasangan hipotesis dibawah ini :
H0 : = 0 melawan H1 : 0
Dengan 0 sebuah nilai tertentu. Sesuai asumsi yang digunakan
tentang populasi, kita dapat menggunakan statistik Z dengan
rumus :
0
=
Statistik Z mempunyai sebaran normal baku, dan hipotesis
menunjukkan pengujian dua pihak, sehingga kriteria
pengambilan kesimpulannya adalah sebagai berikut :
1) H0 diterima jika (1)2 (1)2 ;
2) H0 ditolak jika < (1)2 atau > (1)2 .
46
2) H0 ditolak jika < (0,5) .
0
=
47
Demikian pula jika ujik pihak kiri dengan pasangan hipotesis :
= 0 melawan H1 : 0 , kriteria pengambilan keputusannya
adalah :
48
Untuk uji hipotesis dua pihak, H0 diterima jika (1)2
(1)2 , dan H0 ditolak jika < (1)2 atau >
(1)2 .
Untuk uji hipotesis pihak kanan, H0 diterima jika
(0,5) dan H0 ditolak jika > (0,5) .
Untuk uji hipotesis pihak kiri, H0 diterima jika (0,5)
dan H0 ditolak jika < (0,5) .
1 2
=
1 1
+
1 2
2
(1 1)12 + (2 1)22
=
1 + 2 2
Statistik t di atas mempunyai sebaran Student atau sebaran-t
dengan derajat kebebasan = 1 + 2 2. Adapun kriteria
pengujia adalah :
Untuk uji hipotesis dia pihak, H0 diterima jika (1)2
(1)2 dan H0 ditolak jika < (1)2 atau >
(1)2 .
Untuk uji hipotesis pihak kanan, H0 diterima jika (1) ;
dan H0 ditolak jika > (1) .
Untuk uji statistik uji pihak kiri, H0 diterima jika t < -t (1-)
dan H0 ditolak jika < (1) .
49
3.3.2. Metode Analisis Data Pada Analisis Regresi Non Linear
Regresi nonlinear adalah suatu metode untuk mendapatkan
model linear yang menyatakan hubungan variable dependen (Y) dan
independen(X). Tidak seperti regresi linear, yang dibatasi oleh
waktu menaksir/ meramal, regresi non linear dapat mengistemasi
model hubungan variable dependen dan independen dalam bentuk
non linear dengan keakuratan yang baik.
50
yaitu k=2 mempunyai model kuadratik (parabola) dengan bentuk
umum:
= 0 + 1 + 2 2
Dari model diatas, dapat ditulis model statistis parabola dalam
bentuk:
= 0 + 1 + 2 2
+ + =
= = =
+ + =
= = = =
+ + =
= = = =
51
= + + 2 + 3
= + + 2 + 3
= + 2 + 3 + 4
2 = 2 + 3 + 4 + 5
3 = 3 + 4 + 5 + 6
52
Bagimana seseorang dapat meyakini bahwa sebuah model dari
derajat lebih tinggi dari derajat tertinggi yang diuji tampaknya
tidak diperlukan? Uji Tuna Cocok dapat digunakan untuk
pertanyaan ini. Secara koseptual, uji Tuna Cocok menyangkut
evaluasi dari sebuah model yang lebih rumit dari pada yang
dipertimbangakan sebelumnya. Secara historis, istilah tersebut
kadang-kadang digunakan untuk menjelaskan prosedur klasik.
Uji Tuna Cocok klasik dapat digunakan hanya kalau pada
pengulangan pengamatan. Dengan istilah ulangan, kita
maksudkan bahwa satuan eksperimen (subjek) mempunyai nilai
X yang sama dengan satuan eksperimen yang lain.
5. Strategi Penentuan Model Polinom
Model polinom, kadang-kadang memulai dengan model terkecil,
melibatkan hanya satu satu suku linear, dan secara berurutan
menambahkan suku-suku X yang pangkatnya meningkat.
Prosedur ini adalah sebuah strategi pembuatan model seleksi
maju.
Dengan strategi seleksi maju, seseorang biasanya menguji
pentingnya sebuah calon peubah peramal(predictor) dengan
membandingkan jumlah kuadrat ekstra regresi untuk tambahan
peramal itu terhadap rerata kuadrat sisaan (residual mean
square). Rerata kuadrat sisaan ini berdasarkan pada penentuan
sebuah model yang memuat calon peubah(peramal) dean
peubah-peubah yang tidak ada di dalam model. Statistik F parsial
yang sesuai dalam bentuk
( , 2 , , 1 )
( , 2 , , 1 ) = 1
(, 2 , , 1 )
53
model dengan derjat lebih rendah daripada yang sesungguhnya
diperlukan.
54
sisaan harus digunakan, seperti dengan semua pendekatan
regresi.
B. MODEL EKSPONEN
Model eksponen adalah salah satu model yang juga banyak
digunakan apabila situasi tidak memungkinkan model linear atau
polinom. Perkiraan untuk model ini , yang persamaannya adalah:
= +
log X
log = (log ) ( )
( log ) ( )( log )
log =
2 ( )2
55
pokok logaritma alam, yang nilainya hingga empat decimal
adalah 2,7183.
ln = ln +
C. MODEL GEOMETRIS
log log
log =
D. MODEL LOGISTIK
Bentuk yang paling sederhana model logistic dapat ditaksir oleh:
1
=
56
Untuk yang tidak sama dengan nol, bentuk diatas dapat pula
1
ditulis sebagai =
log X
log = + ( log ) ( )
( log Y) ( )( log Y)
log =
2 ( )2
E. MODEL HIPERBOLA
Perkiraan persamaan umum yang sederhana untuk model
hiperbola ini dapat dituliskan dalam bentuk:
1
=
+ bX
1
= a + bX
57
Y = + 1 X1 + 2 X2 Sumber: Sugiyono (2012:192)
Keterangan :
58
Regresi berganda berguna untuk mencari pengaruh dua atau
lebih variabel bebas atau untuk mencari hubungan fungsional dua
variabel bebas atau lebih terhadap variabel terikatnya. Dengan
demikian multiple regression (regresi berganda) digunakan untuk
penelitian yang menyertakan beberapa variabel sekaligus. Dalam hal
ini regresi juga dapat dijadikan pisau analisis terhadap penelitian,
tentu saja jika diarahkan untuk menguji variabel-variabel yang ada
(Supranto, 2009). Tujuan analisis regresi linier berganda adalah
untuk mengukur intensitas hubungan antara dua variabel atau lebih
dan memuat prediksi/perkiraan nilai Y atas nilai X. Bentuk umum
persamaan regresi linier berganda yang mencakup dua atau lebih
variabel, yaitu : =
59
Beberapa hal lain yang penting juga untuk dipahami dalam
penggunaan analisis regresi linier ganda yaitu perlunya melakukan
uji asumsi klasik atau uji persyaratan analisis regresi ganda sehingga
persamaan garis regresi yang
diperoleh benar-benar dapat digunakan untuk memprediksi variabel
dependen atau kriterium. Uji persyaratan tersebut harus terpenuhi,
apabila tidak maka akan menghasilkan garis regresi yang tidak
cocok untuk memprediksi.
Sebelum masuk pada uji persyaratan perlu dipahami bahwa statistik
sebagai alat analisis dikelompokkan menjadi dua bagian yang
berbeda, yaitu
kelompok statistik parametrik dan statistik non-parametrik. Pada
statistik nonparametrik tidak memerlukan persyaratan tertentu
sedangkan pada statistik parametrik memerlukan persyaratan yang
harus dipenuhi. Oleh karena itu, dalam uji persyaratan regresi linier
ganda yang harus dilakukan pada dasarnya juga dikelompokkan
menjadi dua bagian, yaitu uji persyaratan untuk masuk ke statistik
parametrik dan uji persyaratan untuk menggunakan regresi linier
ganda.
Uji asumsi klasik yang secara minimal perlu dilakukan oleh penulis
menggunakan regresi linier ganda sebagai alat analisis yaitu berupa:
60
Pengujian Asumsi Klasik Regresi Pengujian mengenai ada
tidaknya pelanggaran asumsi-asumsi klasik yang merupakan dasar
dalam model regresi linier berganda. Beberapa asumsi klasik regresi
yang harus dipenuhi terlebih dahulu sebelum menggunakan analisis
regresi linear berganda (Multiple Linear Regression) sebagai alat
untuk menganalisis pengaruh variabel-variabel yang diteliti terdiri
atas :
61
normal. Uji yang digunakan untuk menguji kenormalan adalah
uji Kolmogorov-Smirnov. Berdasarkan sampel ini akan diuji
hipotesis nol bahwa sampel tersebut berasal dari populasi
berdistribusi normal melawan hipotesis tandingan bahwa
populasi berdistribusi tidak normal.
b. Uji Multikolinieritas
c. Uji Heteroskedastisitas
62
dapat menjadi kurang atau melebihi dari yang semestinya. Dengan
demikian, agar koefisien-koefisien regresi tidak menyesatkan, maka
situasi heteroskedastisitas tersebut harus dihilangkan dari model
regresi. Untuk menguji ada tidaknya heteroskedastisitas digunakan
uji Rank Spearman yaitu dengan mengkorelasikan masing-masing
variabel bebas terhadap nilai absolut dari residual. Jika nilai
koefisien korelasi dari masingmasing variabel bebas terhadap nilai
absolut dari residual (error) ada yang signifikan, maka
kesimpulannya terdapat heteroskedastisitas (varian dari residual
tidak homogen) (Gujarati, 2003: 406).
63
(Gujarati, 2003: 467)
Kriteria uji: Bandingkan nilai D-W dengan nilai d dari tabel Durbin-
Watson:
Jika D-W < dL atau D-W > 4-dL, maka pada data tersebut
terdapat autokorelasi.
Jika dU < D-W < 4-dU, kesimpulannya pada data tidak terdapat
autokorelasi.
Tidak ada kesimpulan jika dL D-W dU atau 4-dU D-W 4-dL
(Gujarati, 2003: 470) 54 2.
64
Keterangan :
r = Koefisien Korelasi
n = Jumlah data
X = Variabel Bebas (Independen)
Y= Variabel Terikat (Dependen)
65
Koefisien korelasi mempunyai nilai -1 r +1 dimana :
Apabila r = +1, maka korelasi antara kedua variabel
dikatakan sangat kuat dan searah, artinya jika X naik
sebesar 1 maka Y juga akan naik sebesar 1 atau
sebaliknya.
Apabila r = 0, maka hubungan antara kedua variabel
sangat lebar atau tidak ada hubungan sama sekali.
Apabila r = -1, maka korelasi antara kedua variabel
sangat kuat dan berlawanan arah, artinya apabila X naik
sebesar 1 maka Y akan turun sebesar 1 atau sebaliknya.
BAB IV
ANALISIS DAN PEMBAHASAN
Hasil Output
66
Analisis
Uji Hipotesis
1. Hipotesis
H0 : 1 = 1 = 0 ( rata-rata penjualan mobil AVANZA
di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM sama)
67
H1 : 1 1 0 (rata-rata penjualan mobil AVANZA
di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM tidak sama)
2. Signifikansi: = 5% = 0.05
3. Statistik uji: nilai P_value:
4. Daerah kritis:
Ho ditolak jika nilai P_value <
Perhitungan: P_value = 0,011
5. Keputusan
Karena nilai P_value = 0,011 < = 5% = 0.05 maka Ho
ditolak.
6. Kesimpulan
Karena Ho ditolak artinya rata-rata penjualan mobil AVANZA
di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM tidak sama. Sehingga dapat disimpulkan bahawa terdapat
perbedaan penjualan mobil AVANZA di kabupeten Bantul
sebelum dan sesudah kenaikan harga BBM.
Hasil Output
68
Fitted Line Plot
Total_BAL = 8,209 - 0,05911 Lamah_simpan
+ 0,000536 Lamah_simpan**2
8,4 S 0,209959
R-Sq 79,7%
8,2 R-Sq(adj) 76,6%
8,0
Total_BAL
7,8
7,6
7,4
7,2
7,0
0 5 10 15 20
Lamah_simpan
8,0
Total_BAL
7,8
7,6
7,4
7,2
7,0
0 5 10 15 20
Lamah_simpan
69
Versus Fits
(response is Total_BAL)
0,2
0,1
0,0
Residual
-0,1
-0,2
-0,3
-0,4
-0,5
7,2 7,4 7,6 7,8 8,0 8,2
Fitted Value
95
90
80
70
Percent
60
50
40
30
20
10
1
-0,5 -0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4
Residual
70
Analisis hasil output :
Dari kuedua output Fit Line Plot di atas dapat kita simpulkan
bahawa model regresi yang paling bagus adalah model regresi kubik
karena memiliki nilai S lebh kecil daripada nilai S model regresi
kuadratik dan memiliki nilai R-Sq dan nilai R-Sq(adj) lebih besar
daripada nilai nilai R-Sq dan nilai R-Sq(adj) model regresi kuadratik.
71
Bardasarkan output pada grafik nomor 1 dan 2 dapat disimpulkan
bahawa data menyebas secara merata dan data menyebar di sekitar
sumbu normal hal ini membuktikan bahawa data berdistribusi
normal.
Uji Hipotesis :
1. Hipotesis
H0 : 1 = 0 (parameter model = 0)
H1 : 1 0 (minimal 1 parameter model yang tidak bernilai 0)
2. Signifikansi: = 5% = 0.05
3. Statistik uji: nilai P_value:
4. Daerah kritis:
Ho ditolak jika nilai P_value <
Perhitungan: P_value = 0,000
5. Keputusan
Karena nilai P_value = 0,000 < = 5% = 0.05 maka Ho ditolak.
6. Kesimpulan
72
Karena Ho ditolak artinya minimal 1 (satu) peremeter model yang
tidak bernilai 0. Sehingga dapat disimpulkan bahawa model regresi
yang telah dibuat bisa digunakan.
4.3. Analisis Regresi Berganda
Output dan Analisis output :
73
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000
Uji Normalitas
Histogram
(response is Jumlah_penduduk)
5
Frequency
0
-400000 -200000 0 200000 400000 600000 800000
Residual
Dari output di atas dapat kita lihat bahwa bentuk grafik histogram
menyerupai bel menghadap ke atas ini berarti residual berdistribusi
normal.
95
90
80
70
Percent
60
50
40
30
20
10
1
-500000 -250000 0 250000 500000 750000
Residual
74
Dari diagram Normal Probability Plot dapat disimpulkan bahwa
data menyebar di sekitar sumbu atau garis normal ini berarti
residual berdistribusi normal.
60
50
40
30
20
10
1
0 500000 1000000 1500000 2000000
Jumlah_penduduk
Uji Heteroskedasitas
75
Versus Fits
(response is Jumlah_penduduk)
750000
500000
250000
Residual
-250000
-500000
76
Berdasarkan output uji regresi nya dapat kita jelaskan :
77
Uji Multikolinearitas
78
Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000
Uji Autokorelasi
79
Nilai P untuk variabel kelahiran = 0,000 ; variabel kematian =
0,226
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001
Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000.
Nilai DW = 1,75918
Uji F Regresi
80
Nilai coef untuk variabel kelahiran = 13,522; variabel
kematian = 107,05
Nilai T untuk variabel kelahiran = 6,01 ; variabel kematian =
1,23
Nilai P untuk variabel kelahiran = 0,000 ; variabel kematian =
0,226
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001
Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000.
Nilai DW = 1,75918
Uji T Parsial
Uji T Parsial digunakan untuk mengetahui apakah secara parsial
variabel kelahiran dan kematian berpengaruh secara signifikan
terhadap jumlah penduduk
81
Berdasarkan output uji regresi nya dapat kita jelaskan :
Persamaan Regresi
82
apabila variabel lain bernilai konstan maka jumlah penduduk
(Y) akan berubah sebesar 107 setiap satuan rata-rata kematian
(X2)
Uji Hipotesis :
Hipotesis :
Ho = residual berdistribusi normal
H1 = residual tidak berdistribusi normal
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value = 0,150
Keputusan
Kesimpulan
Karena Ho ditolak artinya residual berdistribusi normal.
83
Uji Heteroskedastisitas
Uji Hipotesis
Hipotesis :
Ho = tidak terdapat heteroskedasitas
H1 = terdapat heteroskedasitas
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value kelahiran dan kematian
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value kelahiran = 0,819
Nilai P-value kematian = 0,552
Keputusan
Karena Nilai P-value kelahiran = 0,819 > = 0,05 maka Ho
tidak ditolak.
Karena Nilai P-value kematian = 0,552 > = 0,05 maka Ho
tidak ditolak
Kesimpulan
Karena Ho tidak ditolak sehingga dapat disimpulkan bahawa
tidak terdapat heteroskedasitas
Karena Ho tidak ditolak sehingga dapat disimpulkan bahawa
tidak terdapat heteroskedasitas
84
Uji Multikolinearitas
Dalam menguji terjadinya multikolinearitas peneliti
menggunakan nilai Variance inflation factors
Uji Hipotesis
Hipotesis :
Ho = tidak terdapat multikolinearitas
H1 = terdapat multikolinearitas
Tingkat signifikansi
= 0,05
Statistik uji
Nilai VIF kelahiran dan kematian
Daerah Kritis
Ho ditolak jika VIF > 10
Perhitungannya :
Nilai VIF kelahiran = 1,001
Nilai VIF kematian = 1,001
Keputusan
Karena Nilai VIF kelahiran = 1,001 < 10 maka Ho tidak
ditolak.
Karena Nilai VIF kematian = 1,001 < 10 maka Ho tidak
ditolak
Kesimpulan
Karena Ho tidak ditolak sehingga dapat disimpulkan
bahawa tidak terdapat multikolinearitas
Karena Ho tidak ditolak sehingga dapat disimpulkan
bahawa tidak terdapat multikolinearitas
85
Uji Autokorelasi
Uji Hipotesis
Hipotesis :
Ho = tidak terdapat autokorelasi positif
H1 = terdapat autokorelasi positif
Tingkat signifikansi
= 0,05
Statistik uji
Nilai Durbin-Watson statistic = 1,75918
Nilai DU = 1,5495
Nilai DL = 1,2063
Daerah Kritis
DW > DU, maka Ho tidak ditolak (tidak ada
autokorelasi positif)
Jika DW < DL, maka Ho ditolak ( terdapat autokorelasi
positif)
Jika DL < DW < DU maka uji tidak meyakinkan
Keputusan
Karena Nilai DW = 1,75918 > DU = 1,5496 maka Ho
tidak ditolak.
Karena Nilai DW = 1,75918 > DL = 1,2063 maka Ho
tidak ditolak.
Kesimpulan
Karena Ho tidak ditolak artinya terdapat tidak
autokorelasi positif.
Karena Ho ditolak ditolak artinya tidak terdapat
autokorelasi positif.
86
Uji F Regresi
Uji Hipotesis
Hipotesis :
H0 : (1 = 2 = 0): tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah tidak berpengaruh
signifikan terhadap jumlah penduduk
H1 : (1 2 0): (
0) minimal ada satu variabel yang berpengaruh signifikan
terhadap tingkat kelahiran dan tingkat kematian.
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value = 0,000
Keputusan
Karena Nilai P-value = 0,000 < = 0,05 maka Ho ditolak.
Kesimpulan
Karena Ho ditolak artinya tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah berpengaruh signifikan
terhadap jumlah penduduk.
87
Uji T Parsial
Uji Hipotesis
Hipotesis :
H0 : (1 = 2 = 0): tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah tidak berpengaruh
signifikan terhadap jumlah penduduk
H1 : (1 2 0): (
0) minimal ada satu variabel yang berpengaruh signifikan
terhadap tingkat kelahiran dan tingkat kematian.
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value = 0,000
Keputusan
Karena Nilai P-value = 0,000 < = 0,05 maka Ho ditolak.
Kesimpulan
Karena Ho ditolak artinya tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah berpengaruh signifikan
terhadap jumlah penduduk.
88
BAB V
PENUTUP
5.1. Kesimpulan
5.1.1. Analisis Regresi inferensi
5.2. Saran
89
DAFTAR PUSTAKA
Wahana Komputer. Solusi Mudah dan Cepat Menguasai SPSS 17.0 unruk
Pengolahan Data Statistik. PT. Elex Media Komputindo. Jakarta. 2009.
www.google.com
90
LAMPIRAN
Langkah-Langkah Penyelesaiannya
91
klik menu start >> basic statistics >> pairet t
92
2. Langkah-Langkah Penyelesaian Analisis Regresi Non Linear
93
Berdasarkan output fitted line plot maka dapat disimpulkan bahwa
model regresi yang baik adalah model regresi kubik :
94
maka muncul kotak dialog seperti dibawah ini. Pada kota
dialog Expression insikan lamah_simpan**2 kemudian
klik ok
Lakukan hal yang sama namun pada Pada kota dialog Expression
insikan lamah_simpan**3 kemudian klik ok
95
Analisis data untuk mengetahui persamaan garis regresinya,
langkah-langkahnya adalah
Start >> Regression >> Regression
96
Pada analisis ini akan dibuat grafik. Untuk memilih grafik mana
yang akan di tampilkan yaitu dengan klik Graphs.
97
Klik Storage, Diagnostic Measure >> Residuals
Selanjutnya klik OK
98
3. Langkah-Langkah Penyelesaian Analisis Regresi Berganda
99
Analisis data untuk mengetahui persamaan garis regresinya,
langkah-langkahnya adalah
Start >> Regression >> Regression
100
Pada analisis ini akan dibuat grafik. Untuk memilih grafik mana
yang akan di tampilkan yaitu dengan klik Graphs.
101
Klik Storage, Diagnostic Measure >> Residuals
Selanjutnya klik OK
102
1. UJI ASUMSI KLASIK
Uji Normalitas
Klik start >> basic statistic >> normality Test
103
Uji Heteroskedasitas
Langkah-langkah
Klik calc >> Calculator
104
Analisis data untuk mengetahui persamaan garis regresinya,
langkah-langkahnya adalah
Start >> Regression >> Regression
105
106