Oleh:
Rosmeiliyana (25201640)
Annita Nurhayati (252016050)
Pricilla Jihan Fadilla (252016055)
Adam Dzaky Rahman (252016067)
Sarah Nisrina (252016061)
Soni Pratamayudha (252016073)
TEKNIK LINGKUNGAN
BANDUNG
2016
BAB I
PENDAHULUAN
A. Latar Belakang
Statistika adalah ilmu pengetahuan yang telah banyak digunakan dalam kehidupan
sehari-hari. Pemerintah menggunakan statistika untuk menilai hasil pembangunan masa lalu
dan juga untuk mengambil rencana masa datang. Selain itu pimpinan mengambil manfaat
dari kegunaan statistika untuk melakukan tindakan yang perlu dalam menjalani tugasnya. Di
dunia penelitian atau riset, dimana pun dilakukan, bukan saja telah mendapat manfaat yang
baik dari statistika tetapi sering harus menggunakannya. Seperti untuk mengetahui apakah
cara yang baru ditemukan lebih baik dari pada cara lama atau apakah model untuk sesuatu hal
dapat kita anut atau tidak dengan menganalisis model atau metode tersebut.
Untuk mengetahui hal-hal diatas, perlu diadakan salah satunya dengan menganalisis
regresi linier terhadap statistika. Regresi linear merupakan suatu metode analisis statistik
yang mempelajari pola hubungan antara dua atau lebih variabel. Pada kenyataan sehari-hari
sering dijumpai sebuah kejadian dipengaruhi oleh lebih dari satu variabel, oleh karenanya
dikembangkanlah analisis regresi linier sederhana untuk menganalisis suatu persoalan.
Adanya metode analisis regresi ini sangat menguntungkan bagi banyak pihak, baik di bidang
sains, sosial, industri maupun bisnis. Salah satu manfaat analisis regresi adalah
memperkirakan suatu kejadian yang akan terjadi dengan menganalisis penyebab yang
mungkin mempengaruhi kejadian tersebut. Makalah ini akan membahas cara menganalisis
regresi sederhana dengan membuat tabel belanja statistik, mencari jumlah kuadrat dan
persamaan regresi, serta menguji signifikansi uji F regresi.
BAB II
LANDASAN TEORI
a = konstanta
b = koefisien regresi
( Yi )( X i ) ( X i )( X i Yi )
2
a
n X i ( X i ) 2
2
METODOLOGI
2. Menghitung Jumlah Kuadrat (JK) dan Jumlah Produk (JP) dan Korelasi
Untuk contoh akan dibahas tentang hubungan penguasaan Dasar Manajemen dengan
Keterampilan Manajerial.
X = Dasar Manajemen
Y = Keterampilan Manajerial
Penguasaan Dasar -
dasar Manajemen 72 78 69 80 75 75 86 69 77 69 65 70
(Xi)
Keterampilan
70 88 97 82 79 95 90 88 92 96 78 84
Manajerial (Yi)
Penyelesaian :
n 12
∑Xi 885
∑Xi² 65,651 ∑x² = 382,25
∑Yi 1,039
∑Yi² 90,707 ∑y² = 746,91 a = 76,7918
b = 0,1327
∑XiYi 76,677 ∑xy = 50,75 r = 0,0949
( X i ) 2
(885) 2 783.225
JKx x X i 65.651
65.651 382,25
2 2
n 12 12
( Yi ) 2 (1.039) 2 1.079.521
JKy y Yi 90.707 90.707 746,91
2 2
n 12 12
r
xy
50,75
50,75
50,75
0,0949
( x )( y
2 2
) (382,25)(746,91) 285.506,34 534,3279
( Yi )( X i ) ( X i )( X i Yi )
2
(1.039)(65.651) (885)(76.677)
a
n X i ( X i ) (12)(65.651) (885) 2
2 2
Yˆ = 76,79 + 0,13 X
Y 90.707
2
JK (total) = i
( Yi ) 2 (1.039) 2 1.079.521
JK (a) = 89.960,083
n 12 12
X i Yi (885)(1.039)
JK regresi b X i Yi 0,1376.677 0,13(50,75) 6,7379
n
12
JK residu = JK (total) –JK (a) – JK regresi
= 740,1791
dk regresi =m=1
dk residu = n – m – 1 = 12 – 1 – 1 = 10
JK regresi 6,73
RJK regresi 6,73
dkregresi 1
JK residu 740,17
RJK residu 74,01
dkresidu 10
dk pembilang 1 dan dk penyebut 10 maka F tabel (1,10) pada p = 0,05 atau F(1,10)(0,05) = 4,96
Berdasarkan data tersebut dapat disusun tabel rangkuman analisis regresi untuk persamaan
garis Yˆ 76,79 0,13 X sebagai berikut :
F tabel
Sumber Variasi dk JK RJK F hitung
p = 0,05
Regresi 1 6.73 6.7 0,09 4,96
Residu 10 740.17 74.01 - -
Total 11 746.9 - - -
Hipotesis:
Soal!!!
Sisa Nilai
Negara Kertas Logam Kaca Plastik Makanan kalor
(%) (%) (%) (%) (%) (MJ/kg)
Amerika
Serikat 28,9 9,3 10,4 3,4 17,8 7,78
Australia 38 11 18 0,1 13 8,05
Austria 35 10 9 6 24 10,26
Bangladesh 2 1 9 1 40 2,9
Belanda 22,2 3,2 11,9 6,2 50 9,26
Belgia 30 5,3 8 5 40 9,78
Bulgaria 10 1,7 1,6 1,7 54 5,45
Burma 1 3 6 4 80 5,96
Cekoslowakia 13,4 6,2 6,6 4,2 41,8 6,38
Denmark 32,9 4,1 6,1 6,8 44 11,22
Filipina 17 2 5 4 43 7,06
Finlandia 55 5 6 6 20 13,9
Gabon 6 5 9 3 77 6,39
Hongkong 32 2 10 11 9 10,74
Jerman 20 5 10 2 21 5,72
India 3 1 8 1 36 2,88
Indonesia 10 2 1 6 72 8,01
Inggris 37 8 8 2 28 9,37
Italia 31 7 3 7 36 10,5
Jepang 21 5,7 3,9 6,2 50 9,03
Kenya 12,2 2,7 1,3 1 42,6 5
Kolombia 22 1 2 5 56 9,09
Perancis 30 4 4 1 30 7,76
Nigeria 15,5 4,5 2,5 2 51,5 6,49
Norwegia 38,2 2 7,5 6,5 30,4 11,4
Pakistan 2,2 2,2 1,75 1,2 52,5 3,68
Saudi Arabia 24 9 8 2 53 8,31
Selandia
Baru 28 6 7 0,1 48 8
Singapura 43 3 1 6 5 10,78
Spanyol 18 4 3 4 50 7,63
Srilanka 8 1 6 1 80 6,19
Swedia 50 7 8 8 15 13,41
Taiwan 8 1 3 2 25 3,62
Negara X 4 3 2,6 30 3,72
Jawab:
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -,012 ,017 -,699 ,491
Kertas (%) ,193 ,000 ,987 454,515 ,000
Logam (%) ,002 ,002 ,003 1,507 ,143
Kaca (%) ,000 ,001 ,000 -,239 ,813
Plastik (%) ,371 ,002 ,353 239,201 ,000
Sisa makanan ,054 ,000 ,382 221,584 ,000
a. Dependent Variable: Nilai kalor
Dari tabel di atas diperoleh informasi bahwa taksiran nilai parameter dari RLS dengan
hubungan X mempengaruhi Y adalah:
H0 : β0 = 0 & H1 : β0 ≠ 0
nilai signifikansi (0,491) > α (0,05), maka H0 diterima, artinya nilai koefisien β0 untuk α = 5% tidak
terlalu mempengaruhi nilai taksiran dari Y dalam menganalisis RLS.
H0 : β1 = 0 & H1 : β1 ≠ 0
Nilai sigifikansi (0,000) < α (0,05), maka H0 ditolak, artinya nilai koefisien β1 ≠ 0 untuk α = 5%,
sangat mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Atau dengan kata lain nilai Y
dipengaruhi nilai parameter X1 (kertas). Sehingga dapat disimpulkan bahwa Y memiliki hubungan
linier terhadap X1.
Pengujian parameter β2 adalah
H0 : β2 = 0 & H1 : β2 ≠ 0
Nilai signifikan (0,143) > α (0,05), maka H0 diterima, artinya nilai koefisien β2 untuk α = 5% tidak
terlalu mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Hal ini menunjukkan bahwa
nilai Y secara signifikansi tidak dipengaruhi oleh nilai parameter X2 (logam). Sehingga dapat
disimpulkan bahwa nilai Y tidak dipengaruhi oleh nilai parameter X2.
H0 : β3 = 0 & H1 : β3 ≠ 0
Nilai signifikan (0,813) > α (0,05), maka H0 diterima, artinya nilai koefisien β3 untuk α = 5% tidak
terlalu mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Hal ini menunjukkan bahwa
nilai Y secara signifikansi tidak dipengaruhi oleh nilai parameter X3 (kaca). Sehingga dapat
disimpulkan bahwa nilai Y tidak dipengaruhi oleh nilai parameter X3.
H0 : β4 = 0 & H1 : β4 ≠ 0
Nilai sigifikansi (0,000) < α (0,05), maka H0 ditolak, artinya nilai koefisien β4 ≠ 0 untuk α = 5%,
sangat mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Atau dengan kata lain nilai Y
dipengaruhi nilai parameter X4 (plastik). Sehingga dapat disimpulkan bahwa Y memiliki hubungan
linier terhadap X4.
H0 : β5 = 0 & H1 : β5 ≠ 0
Nilai sigifikansi (0,000) < α (0,05), maka H0 ditolak, artinya nilai koefisien β5 ≠ 0 untuk α = 5%,
sangat mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Atau dengan kata lain nilai Y
dipengaruhi nilai parameter X5 (sisa makanan). Sehingga dapat disimpulkan bahwa Y memiliki
hubungan linier terhadap X5.
UJI KELINIEARAN
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 248,283 5 49,657 136904,921 ,000b
Residual ,010 27 ,000
Total 248,292 32
a. Dependent Variable: Nilai kalor
b. Predictors: (Constant), Sisa makanan, Plastik (%), Kaca (%), Logam (%), Kertas (%)
H0: Y tidak memiliki hubungan linier dengan X1, X2, X3, X4, X5
H1: Y memiliki hubungan linier dengan X1, X2, X3, X4, X5
Nilai signifikansi (0,000) < α (0,05), maka H0 ditolak, artinya untuk α = 5% nilai Y memiliki
hubungan linier dengan X1, X2, X3, X4, X5.
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 1,000a 1,000 1,000 ,01904
a. Predictors: (Constant), Sisa makanan, Plastik (%), Kaca (%), Logam
(%), Kertas (%)
Dari tabel tersebut diperoleh informasi bahwa, nilai koefisien determinasi ( R square) = 100%. Nilai
tersebut menunjukkan bahwa 100% dari besarnya nilai kalor telah dapat dijelaskan oleh data kertas,
logam, kaca, plastik, dan sisa makanan. Hal itu berarti menunjukkan bahwa tidak ada hal lain yang
terlibat untuk mempengaruhi nilai kalor.
PENGUJIAN NILAI KORELASI
Correlations
Nilai kalor Kertas (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,900**
Sig. (2-tailed) . ,000
N 34 34
Kertas (%) Correlation Coefficient ,900** 1,000
Sig. (2-tailed) ,000 .
N 34 34
**. Correlation is significant at the 0.01 level (2-tailed).
Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan kertas adalah
0,900. Artinya hubungan antara nilai kalor dengan kertas adalah sangat kuat dengan bentuk hubungan
yang selaras.
Correlations
Nilai kalor Logam (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,440**
Sig. (2-tailed) . ,009
N 34 34
Logam (%) Correlation Coefficient ,440** 1,000
Sig. (2-tailed) ,009 .
N 34 34
**. Correlation is significant at the 0.01 level (2-tailed).
Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan logam adalah
0,440. Artinya hubungan antara nilai kalor dengan kertas adalah sedang, dengan bentuk hubungan
yang selaras.
Correlations
Nilai kalor Kaca (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,154
Sig. (2-tailed) . ,394
N 34 33
Kaca (%) Correlation Coefficient ,154 1,000
Sig. (2-tailed) ,394 .
N 33 33
Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan kaca adalah 0,154.
Artinya tidak terdapat hubungan antara nilai kalor dengan kaca.
Correlations
Nilai kalor Plastik (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,729**
Sig. (2-tailed) . ,000
N 34 34
Plastik (%) Correlation Coefficient ,729** 1,000
Sig. (2-tailed) ,000 .
N 34 34
**. Correlation is significant at the 0.01 level (2-tailed).
Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan plastik adalah
0,729. Artinya hubungan antara nilai kalor dengan palstik adalah kuat dengan bentuk hubungan yang
selaras.
Correlations
Nilai kalor Sisa makanan
Spearman's rho Nilai kalor Correlation Coefficient 1,000 -,341*
Sig. (2-tailed) . ,048
N 34 34
Sisa makanan Correlation Coefficient -,341* 1,000
Sig. (2-tailed) ,048 .
N 34 34
*. Correlation is significant at the 0.05 level (2-tailed).
Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan sisa makanan
adalah -0,341. Artinya tidak terdapat hubungan antara nilai kalor dengan sisa makanan.
KONTRIBUSI DARI MASING MASING VARIABEL
Kontribusi terbesar terhadap variabel nilai kalor diberikan berturut-turut oleh varabel kertas
(57,22%),sisa makanan (22,15%),plastik (20,46%),logam (0,17%),kaca (0%).
BAB V
KESIMPULAN
Dari hasil yang sudah di dapat:
1. Kertas, plastik, dan sisa makanan mempengaruhi nilai kalor, dengan
demikian dapat diartikan kertas, plastik, serta sisa makanan dan nilai
kalor memiliki hubungan yang linier.
2. Logam dan kaca tidak mempengaruhi nilai kalor.
3. Dari hasil uji keliniearan didapat hasil yaitu, nilai kalor memiliki
hubungan kelinearan dengan parameter kertas, logam, kaca, plastik,
dan sisa makanan.
4. Kualitas model RLS dari nilai kalor didapat hasil yaitu, 100% dengan
demikian dapat diartikan bahwa besarnya nilai kalor dapat dijelaskan
oleh data dari kertas, loga, kaca, plastik, dan sisa makanan, serta
tidak ada faktor-faktor lain yang mempengaruhi kualitas nilai kalor.
5. Dari hasil uji korelasi didapatkan hasil secara berturut-turut
hubungan antara nilai kalor dengan kertas, logam, kaca, plastik, dan
sisa makanan yaitu, 0,900 (yang berarti hubungannya sangat kuat),
0,440 (yang berarti hubungannya sedang), 0,154 ( yang berarti tidak
hubungan), 0,729 ( yang berarti hubungannya kuat), dan -0,341 (
yang berarti tidak ada hubungan). Dari hasil tersebut dapat
disimpulkan bahwa hubungan yang paling erat ada pada nilai kalor
dengan kertas yang itu 0,900.
6. Dari hasil didapatkan kontribusi terbesar terhadap variabel nilai
kalor, disumbang oleh kertas (57,22%), kontribusi yang lainnya
disumbangkan oleh sisa makanan (22,15%), plastik (20,46%), logam
(0,17%), dan kaca (0%).
DAFTAR PUSTAKA
Hutami, Ridha & dkk. 2014. Analisis Regresi Liniear Sederhana. UNM: Medan.