Praktikum Statistika Industri Modul 4 Tugas Besar Kelompok 2

Praktikum Statistika Industri
Modul 4 Tugas Besar

Kelompok 2
Program Studi Teknik Industri

Universitas Tanjungpura i
Modul 4 Tugas Besar
Kelompok 2
BAB I
PENDAHULUAN
1.1 Latar Belakang
Badan Statistika Indonesia melakukan uji hipotesis dari angka kelahiran
yang diramalkan 46 kali per tahun angka ini didapat dari data survey 5 tahun
yang lalu dengan data sampel 40 data di 3 daerah yaitu Pontianak, Bandung,
dan Lampung. Membuktikan hipotesis ini benar maka dilakukan uji hipotesis
yang beragam yaitu pada tingkat kepercayaan 95%, 90%, dan 80% untuk di
Bandung karena populasinya sangat banyak maka dilakukan uji hipotesis satu
arah, untuk semua kota simpangan yang diterapkan adalah 23.5 Memecahkan
permasalahan tersebut metode yang digunakan adalah metode pengujian
hipotesis. Hipotesis statistik adalah suatu anggapan atau pernyataan, yang
mungkin benar atau tidak, mengenai keadaan suatu populasi. Uji hipotesis
diselesaikan dengan perhitungan mean, variance, standar deviasi , sigma, uji
mean z, z hitung, z probabilitas, p-value, dan penentuan wilayahnya sehingga
didapatkan kesimpulan yang digunakan sebagai cara untuk mengatasi
permasalahan uji hipotesis dari angka kelahiran.
PT. Kebun Sejahtera melakukan pengamatan terhadap pengaruh penanaman
bibit, pemberian pupuk, pemberian peptisida, dan intensitas air terhadap produksi
padi. Pengamatan ini dilakukan oleh PT. Kebun Sejahtera melakukan pengamatan
ini untuk membuat persamaan regresi dan korelasi yang akan memperlihatkan
hubungan antara produksi padi dengan faktor-faktor yang mempengaruhinya dan
memberikan garis regresi prediksi yang terbaik.
Di ambil data yaitu penelitian bahwa umur tidak mempengaruhi hasil
pembelajaran Matematika di SD,SMP, dan SMA di kota Pontianak dan
penelitian tentang metode penanaman dan jenis papaya tidak mempengaruhi
berat papaya.
Analisis varians (ANOVA) adalah kumpulan model statistik dan
prosedur yang terkait, di mana diamati varian dalam suatu variabel tertentu
dipartisi ke dalam komponen yang timbul dari berbagai sumber
variasi. Dalam bentuknya yang paling sederhana ANOVA memberikan uji
statistik apakah atau tidak berarti dari beberapa kelompok semua sama.
Untuk alasan ini, ANOVA berguna dalam membandingkan dua, tiga atau
lebih berarti.Pada makalah ini akan didiskusikan perbandingan dua atau lebih

Universitas Tanjungpura 1
Modul 4 Tugas Besar
Kelompok 2
parameter populasi. Sebuah teknik yang dipakai untuk membandingkan dua

atau lebih parameter populasi kita kenal sebagai analysis of variance atau
sering disebut anova. Teknik ini sering dipakai untuk penelitian terutama
pada rancangan penelitian eksperimen, missal penelitian-penelitian yang
memiliki implikasi pengambilan keputusan untuk menggunakan tekhnologi
baru, prosedur-prosedur baru, dan kebijakan-kebijakan baru.
Analisis varian dapat dilakukan untuk menganalisis data yang berasal
dari berbagai macam jenis dan desain penelitian. Analisis varian banyak
dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian
komparatif yaitu menguji variabel terikat dengan cara membandingkannya
pada kelompok-kelompok sampel independen yang diamati. Analisis varian
saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.
Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan
hipotesis nol bahwa kedua varians itu sama. Varians pertama adalah varians
antar contoh (among samples) dan varians kedua adalah varians di dalam
masing-masing contoh (within samples).
1.2 Perumusan Masalah
Perumusan masalah yang dapat diambil pada praktikum modul 4, yaitu:
1. Bagaimana hasil uji hipotesis pada tiap-tiap daerah?
2. Bagaimana pengaruh penanaman bibit, pemberian pupuk, pemberian
peptisida, dan intensitas air terhadap produksi padi?
3. Bagaimana cara mengetahui persamaan regresi terbaik dalam kelompok
pengukuran eksperimen?
4. Bagaimana cara menentukan hasil uji varians (ANOVA)?
1.3 Tujuan Praktikum
Tujuan praktikum modul 4, antara lain :
1. Mengetahui hasil uji hipotesis pada tiap-tiap daerah.
2. Mengetahui pengaruh penanaman bibit, pemberian pupuk, pemberian
peptisida, dan intensitas air terhadap produksi padi.
3. Dapat mengetahui persamaan regresi terbaik dalam kelompok
pengukuran eksperimen.
4. Dapat menentukan hasil uji varians (ANOVA).
1.4 Batasan dan Asumsi
1.4.1 Batasan
Modul 4 Tugas Besar
Kelompok 2
Batasan pada laporan praktikum modul 4 antara lain ;

1. Pengambilan data dilakukan di SDN 06 Pontianak Selatan, SMP dan SMA
Yayasan Pendidikan Kristen pada hari Rabu, 21 November 2018 pukul
11.00-selesai dan Kamis, 22 November 2018 pukul 09.00-selesai.
2. Peralatan yang digunakan dalam praktikum adalah laptop dan program
Microsoft Excel.
3. Data historis berupa data yang diberikan oleh asisten lab OSI.
4. Pengolahan data menggunakan perhitungan manual dan software
Microsoft excel.
1.4.2 Asumsi
Berikut merupakan asumsi dari praktikum modul 4 :
1. Pengambilan data dilakukan pada saat jam pelajaan siswa SD,SMP dan
SMA.
2. Pengambilan data berdasarkan prosedur yang ada sehingga pengambilan
data berjalan dengan lancar.
3. Data yang diambil hanya nilai raport Matematika siswa SD,SMP dan
SMA.
1.5 Alat dan Bahan
Alat dan bahan yang digunakan pada praktikum ini, yaitu:
1. Lembar kerja
Lembar kerja yang digunakan untuk menyelesaikan uji hipotesis, uji
korelasi dan regresi, dan ANOVA secara manual.
2. Alat tulis
Alat tulis yang digunakan untuk menulis dalam lembar kerja.
3. Laptop dan printer
Alat yang digunakan untuk menguji hipotesis, uji korelasi dan regresi, dan
ANOVA dengan menggunakan software serta pendukung dalam membuat
laporan pertanggungjawaban praktikum.
4. Software pendukung
Penggunaan perangkat lunak untuk mempermudah pengujian hipotesis, uji
korelasi dan regresi, dan ANOVA seperti Microsoft excel.

Modul 4 Tugas Besar
Kelompok 2
1.6 Flowchart
Dalam penelitian kali ini membahas tentang uji hipotesis, uji korelasi
dan regresi, dan ANOVA, berikut ini adalah flowchart metodologi
praktikumnya.
Mulai
Studi literature
1. Uji Hipotesis
2. Korelasi dan Regresi A
3. Analisa Variansi
Analisa Data
1. Analisa Uji Hipotesis
Menyiapkan alat dan bahan 2. Analisa Uji Korelasi dan Regresi
1. Lembar Kerja 3. Analisa Uji Anova
2. Alat Tulis
3. Kalkulator
4. Labtop
5. Software pendukung ( Microsoft Excel Kesimpulan dan
saran
Pengolahan Data
1. Perhitungan Kasus Uji Hipotesis Selesai
Secara Manual
2. Perhitungan Kasus Uji Hipotesis
Menggunakan Software
3. Perhitungan Kasus Korelasi dan
Regresi Secara Manual
4. Perhitungan Kasus Korelasi dan
Regresi Menggunakan Software
5. Perhitungan Kasus Analisa Variansi
Secara Manual
6. Perhitungan Kasus Analisa Variansi
Gambar 1.1 Flowchart Praktikum

Berikut penjelasan flowchart praktikum modul 4.
1. Memulai praktikum
2. Studi literatur
Sebelum memulai praktikum, terlebih dahulu Mahasiswa memahami dan
mengetahui konsep dan pengertian uji hipotesis, korelasi dan regresi, dan
ANOVA.
3. Persiapan alat dan bahan
Praktikan menyiapkan peralatan dan bahan yang diperlukan saat
melakukan praktikum yang terdiri dari lembar kerja, alat tulis, kalkulator,
laptop yang memiliki Microsoft excel

Modul 4 Tugas Besar
Kelompok 2
4. Pengumpulan data historis

Praktikan melakukan praktikum dengan menginput data yang telah dicari
ke sekolah-sekolah untuk nantinya dipersiapkan ke dalam mocrosoft excel.
5. Pengolahan data
Ketiga Data yang telah diperoleh, diolah dengan melakukan perhitungan
secara manual dan perhitungan dengan menggunakan software (Microsoft
excel).
6. Analisa
Setelah melakukan pengolahan data, Mahasiswa menganalisa dari hasil
perhitungan data yang didapat yang mencakup perhitungan analisis regresi
dan korelasi secara manual, perhitungan analisis regresi dan korelasi
dengan menggunakan software, dan perbandingan perhitungan regresi dan
korelasi secara manual dan dengan menggunakan software..
7. Kesimpulan dan saran
Setelah praktikan melakukan analisa, praktikan dapat membuat
kesimpulan terhadap hasil pengolahan data yang di buat serta memberikan
saran.
8. Selesai.
1.7 Sistematika Penulisan
Berikut adalah sistematika penulisan laporan praktikum statistika
modul 4.
BAB I : PENDAHULUAN
Merupakan bab pertama dari laporan yang berisi jawaban apa dan
mengapa praktikum itu perlu dilakukan. Bagian ini memberikan gambaran
mengenai topik praktikum yang memuat latar belakang, tujuan, flowchart
praktikum dan sistematika penulisan.
BAB II : TINJAUAN PUSTAKA
Merupakan bagian kedua dari laporan yang berisi tentang informasi-
informasi serta pemahaman lebih lanjut dari praktikum yang akan dilakukan.
Bagian ini terdiri dari pengertian hipotesis, prosedur pengujian hipotesis, tipe
kesalahan dalam pengujian hipotesis serta uji satu arah dan dua arah,
pengertian analisis korelasi, pengertian analisis regresi, dan prosedur kerja
yang dilakukan untuk melakukan perhitungan regresi dan korelasi, pengertian

Modul 4 Tugas Besar
Kelompok 2
ANOVA, pengertian ANOVA satu arah dan dua arah , dan prosedur kerja
yang dilakukan untuk melakukan perhitungan ANOVA.
BAB III : PENGOLAHAN DATA
Pada bab ini berisi uraian tentang hasil pengumpulan data. Dalam
praktikum, teknik pengumpulan data merupakan faktor penting demi
keberhasilan praktikum. Hal ini berkaitan dengan bagaimana cara
mengumpulkan data, siapa sumbernya, serta apa alat dan bahan yang
digunakan. Pada pengumpulan data kali ini terdiri dari uraian kasus dan solusi
untuk meyelesaikan kasus tersebut.
BAB IV : ANALISA
Merupakan bagian keempat dari laporan yang berisi tentang pembuktian
dari hasil pengumulan serta pengolahan permasalahan yang terdapat dalam
praktikum. Bagian ini terdiri dari analisa perhitungan manual, analisa
perhitungan menggunakan software Microsoft excel 2013, dan analisa
perbandingan perhitungan software dan manual, perhitungan analisis regresi
dan korelasi secara manual, perhitungan analisis regresi dan korelasi dengan
menggunakan software, dan perbandingan perhitungan regresi dan korelasi
secara manual dan dengan menggunakan software, perhitungan analisis
Varians (ANOVA) secara manual, perhitungan ANOVA dengan
menggunakan software, dan perbandingan perhitungan ANOVA secara
manual dan dengan menggunakan software.
BAB V : KESIMPULAN DAN SARAN
Kesimpulan merupakan bagian dimana penulis makalah menyimpulkan
seluruh pembahasan beserta berbagai poin yang dicapai. Sedangkan pada
bagian saran adalah harapan penulis yang ditujukan kepada pembacanya
sesuai dengan topik makalah atau laporan yang dibuat.

Modul 4 Tugas Besar
Kelompok 2
BAB II
TINJAUAN PUSTAKA
2.1 Uji Hipotesis
Hipotesis adalah cabang Ilmu Statistika Inferensial yang dipergunakan
untuk menguji kebenaran suatu pernyataan secara statistik dan menarik
kesimpulan apakah menerima atau menolak pernyataan tersebut. Pernyataan
ataupun asumsi sementara yang dibuat untuk diuji kebenarannya tersebut
dinamakan dengan Hipotesis (Hypothesis) atau Hipotesa. Tujuan dari Uji
Hipotesis adalah untuk menetapkan suatu dasar sehingga dapat
mengumpulkan bukti yang berupa data-data dalam menentukan keputusan
apakah menolak atau menerima kebenaran dari pernyataan atau asumsi yang
telah dibuat. Uji Hipotesis juga dapat memberikan kepercayaan diri dalam
pengambilan keputusan yang bersifat Objektif.
Hipotesis (hipotesa) dapat diartikan secara sederhana sebagai dugaan
sementara. Hipotesis berasal dari bahasa Yunani hypo yang berarti di bawah
dan thesis yang berarti pendirian, pendapat yang ditegakkan, kepastian. Jika
dimaknai secara bebas, maka hipotesis berarti pendapat yang kebenarannya
masih diragukan. Suatu hipotesis harus diuji atau dibuktikan kebenarannya,
untuk bisa memastikan kebenaran dari pendapat tersebut. Seorang peneliti
dapat dengan sengaja menciptakan suatu gejala, yakni melalui percobaan atau
penelitian untuk membuktikan kebenaran suatu hipotesis, jika sebuah
hipotesis telah teruji kebenarannya, maka hipotesis akan disebut teori.
Prosedur pengujian hipotesis statistic adalah langkah-langkah yang di
pergunakan dalam menyelesaikan pengujian hipotesis tersebut. Berikut ini
langkah-langkah pengujian hipotesis statistic adalah sebagai berikut.
1. Menentukan Formulasi Hipotesis
Formulasi atau perumusan hipotesis statistic dapat di bedakan atas
dua jenis, yaitu sebagai berikut;
a) Hipotesis nol / nihil (H0)
Hipotesis nol adalah hipotesis yang dirumuskan sebagai suatu
pernyataan yang akan di uji. Hipotesis nol tidak memiliki perbedaan
atau perbedaannya nol dengan hipotesis sebenarnya.
b) Hipotesis alternatif/ tandingan (H1 / Ha)

Modul 4 Tugas Besar
Kelompok 2
Hipotesis alternatif adalah hipotesis yang di rumuskan sebagai lawan

atau tandingan dari hipotesis nol. Dalam menyusun hipotesis alternatif,
timbul 3 keadaan berikut.
1) H1 menyatakan bahwa harga parameter lebih besar dari pada harga
yang di hipotesiskan. Pengujian itu disebut pengujian satu sisi atau
satu arah, yaitu pengujian sisi atau arah kanan.
2) H1 menyatakan bahwa harga parameter lebih kecil dari pada harga
yang di hipotesiskan. Pengujian itu disebut pengujian satu sisi atau
satu arah, yaitu pengujian sisi atau arah kiri.
3) H1 menyatakan bahwa harga parameter tidak sama dengan harga
yang di hipotesiskan. Pengujian itu disebut pengujian dua sisi atau
dua arah, yaitu pengujian sisi atau arah kanan dan kiri sekaligus.
Secara umum, formulasi hipotesis dapat di tuliskan :
Gambar 2.1 Formulasi Hipotesis

Apabila hipotesis nol (H0) diterima (benar) maka hipotesis alternatif
(H1) ditolak. Demikian pula sebaliknya, jika hipotesis alternatif (Ha)
di terima (benar) maka hipotesis nol (H0) ditolak.
2. Menentukan Taraf Nyata (α)
Taraf nyata adalah besarnya batas toleransi dalam menerima
kesalahan hasil hipotesis terhadap nilai parameter populasinya. Semakin
tinggi taraf nyata yang di gunakan, semakin tinggi pula penolakan
hipotesis nol atau hipotesis yang di uji, padahal hipotesis nol benar.
Besaran yang sering di gunakan untuk menentukan taraf nyata
dinyatakan dalam %, yaitu: 1% (0,01), 5% (0,05), 10% (0,1), sehingga
secara umum taraf nyata di tuliskan sebagai α0,01, α0,05, α0,1. Besarnya
nilai α bergantung pada keberanian pembuat keputusan yang dalam hal ini
berapa besarnya kesalahan (yang menyebabkan resiko) yang akan di
tolerir. Besarnya kesalahan tersebut di sebut sebagai daerah kritis

Modul 4 Tugas Besar
Kelompok 2
pengujian (critical region of a test) atau daerah penolakan (region of

rejection).
Nilai α yang dipakai sebagai taraf nyata di gunakan untuk
menentukan nilai distribusi yang di gunakan pada pengujian, misalnya
distribusi normal (Z), distribusi t, dan distribusi X². Nilai itu sudah di
sediakan dalam bentuk tabel di sebut nilai kritis.
3. Menentukan Kriteria Pengujian
Kriteria Pengujian adalah bentuk pembuatan keputusan dalam
menerima atau menolak hipotesis nol (H0) dengan cara membandingkan
nilai α tabel distribusinya (nilai kritis) dengan nilai uji statistiknya, sesuai
dengan bentuk pengujiannya. Bentuk pengujian yang dimaksud adalah sisi
atau arah pengujian.
a) Penerimaan H0 terjadi jika nilai uji statistiknya lebih kecil atau lebih
besar daripada nilai positif atau negatif dari α 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 α tabel. Atau nilai uji
statistik berada di luar nilai kritis.
4. Menentukan 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 di ambil secara
random dari sebuah populasi. Misalkan, akan di uji parameter populasi (P),
maka yang pertama-tam di hitung adalah statistik sampel (S).
Untuk menentukan nilai uji statistik dapar menggunakan rumus
sebagai berikut:
Bila 𝜎 diketahui maka dapat menggunakan rumus berikut ini:
x̅ − μo
Z0 = σ …………………………………………………... (2.1)
√𝑛
Bila 𝜎 tidak diketahui maka dapat menggunakan rumus berikut ini:

x̅ − μo
T0 = 𝑆 ……………………………………………........... (2.2)
√𝑛
Keterangan:
X̅ = Rata-rata dari sampel yang diambil

Modul 4 Tugas Besar
Kelompok 2
µo = Rata-rata dari populasi

𝜎 = Simpangan baku populasi
5. Membuat Kesimpulan
Pembuatan kesimpulan merupakan penetapan keputusan dalam hal
penerimaan atau penolakan hipotesis nol (H0) yang sesuai dengan kriteria
pengujiaanya. Pembuatan kesimpulan dilakukan setelah membandingkan
nilai uji statistik dengan nilai α tabel atau nilai kritis, artinya:
a. Penerimaan H0 terjadi jika nilai uji statistik berada di luar nilai
kritisnya.
b. Penolakan H0 terjadi jika nilai uji statistik berada di dalam nilai
kritisnya.
Dalam statistika, hipotesis itu ada dua macam, yaitu hipotesis nol,
disingkat H0 dan hipotesis alternatif, disingkat HA, Kedua hipotesis ini saling
terkait satu dengan yang lainnya. Hipotesis nol adalah hipotesis yang
menyatakan bahwa tidak ada perbedaan di antara dua peristiwa atau kejadian.
Dengan kata lain perbedaan antara dua peristiwa adalah nol.
Sedangkan hipotesis alternatif adalah hipotesis yang menyatakan bahwa dua
peristiwa atau kejadian adalah berbeda. Jadi hipotesis alternatif ini tidak lain
adalah lawan dari hipotesis nol. Oleh karena kedua hipotesis ini terkait satu
sama lain, maka kita tidak mungkin menerima keduanya sekaligus. Yang
mungkin terjadi adalah bila kita menolak Ho kita harus menerima HA atau
sebaliknya. Pengujian hipotesis sering ditulis sebagai berikut:
1. Untuk uji dua pihak, maka hipotesis ditulis:
H0 : θ = θ0
HA : θ # θ0
2. Untuk uji satu pihak
H0 : θ = θ0
HA : θ > θ0 atau θ < θ0
θ dapat berupa rata-rata, simpangan baku, varian dan lain-lain.
2.2 Korelasi dan Regresi
Korelasi merupakan salah satu teknik analisis dalam statistik yang
digunakan untuk mencari hubungan antara dua variabel yang bersifat
kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya
hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua
Modul 4 Tugas Besar
Kelompok 2
variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu

akan diikuti perubahan pada variabel yang lain secara teratur dengan arah
yang sama (korelasi positif) atau berlawanan (korelasi negatif).
Kedua variabel yang dibandingkan satu sama lain dalam korelasi dapat
dibedakan menjadi variabel independen dan variabel dependen. Sesuai
dengan namanya, variabel independen adalah variabel yang perubahannya
cenderung di luar kendali manusia. Sementara itu variabel dependen adalah
variabel yang dapat berubah sebagai akibat dari perubahan variabel
indipenden. Hubungan ini dapat dicontohkan dengan ilustrasi pertumbuhan
tanaman dengan variabel sinar matahari dan tinggi tanaman. Sinar matahari
merupakan variabel independen karena intensitas cahaya yang dihasilkan
oleh matahari tidak dapat diatur oleh manusia. Sedangkan tinggi tanaman
merupakan variabel dependen karena perubahan tinggi tanaman dipengaruhi
langsung oleh intensitas cahaya matahari sebagai variabel indipenden.
Macam-macam korelasi ada dtigas, yaitu:
1. Korelasi Sederhana
Korelasi Sederhana merupakan suatu teknik statistik yang
dipergunakan untuk mengukur kekuatan hubungan antara 2 variabel dan
juga untuk dapat mengetahui bentuk hubungan keduanya dengan hasil
yang bersifat kuantitatif. Kekuatan hubungan antara 2 variabel yang
dimaksud adalah apakah hubungan tersebut erat, lemah, ataupun tidak erat.
Sedangkan bentuk hubungannya adalah apakah bentuk korelasinya linear
positifataupun linear negatif.
Teknik pengukuran asosiasi terdapat dua teknik korelasi yang sangat
populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan
Korelasi Rank Spearman. Korelasi Pearson Product Moment adalah
korelasi yang digunakan untuk data kontinu dan data diskrit. Korelasi
pearson cocok digunakan untuk statistik parametrik. Data berjumlah besar
dan memiliki ukuran parameter seperti mean dan standar deviasi populasi.
Korelasi Pearson menghitung korelasi dengan menggunakan variasi
data. Keragaman data dapat menunjukkan korelasinya. Korelasi ini
menghitung data apa adanya, tidak membuat ranking atas data yang
digunakan seperti pada korelasi Rank Spearman. Sebaliknya, Koefisien
Korelasi Rank Spearman digunakan untuk data diskrit dan kontinu namun
Modul 4 Tugas Besar
Kelompok 2
untuk statistik nonparametrik. Koefisien korelasi Rank Spearman lebih

cocok untuk digunakan pada statistik nonparametrik. Statistik
nonparametrik adalah statistik yang digunakan ketika data tidak memiliki
informasi parameter, data tidak berdistribusi normal atau data diukur
dalam bentuk ranking. Berbeda dengan Korelasi Pearson, korelasi ini
tidak memerlukan asumsi normalitas, maka korelasi Rank Spearman
cocok juga digunakan untuk data dengan sampel kecil. Korelasi Rank
Spearman dihitung dengan menghitung ranking data terlebih dahulu.
Artinya korelasi dihitung berdasarkan orde data.
2. Korelasi Parsial
Korelasi parsial adalah suatu metode pengukuran keeratan hubungan
(korelasi) antara variabel bebas dan variabel tak bebas dengan mengontrol
salah satu variabel bebas untuk melihat korelasi natural antara variabel
yang tidak terkontrol. Analisis korelasi parsial (partial correlation)
melibatkan dua variabel. Satu buah variabel yang dianggap berpengaruh
akan dikendalikan atau dibuat tetap (sebagai variabel kontrol).
Sebagai contoh misalnya akan meneliti hubungan variabel X2 dan
variabel bebas Y, dengan X1 dikontrol (korelasi parsial). Variabel yang
dikontrol (X1) dikeluarkan atau dibuat konstan. Sehingga X2’ = X2 – (b2X1
+ a2) dan Y’ = Y – (b1 X1 +a1), tetapi nilai a dan b didapatkan dengan
menggunakan regresi linear. Setelah hasilnya diperoleh, kemudian dicari
regresi X2 ‘dengan Y’ dimana : Y’ = b3 X2’ +a3. Korelasi yang didapatkan
dan sejalan dengan model-model di atas dinamakan korelasi parsial X2 dan
Y sedangkan X1 dibuat konstan.
Nilai korelasi berkisar antara 1 sampai -1, nilai semakin mendekati
1 atau -1 berarti hubungan antara dua variabel semakin kuat. Sebaliknya,
jika nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah.
Nilai positif menunjukkan hubungan searah (X naik, maka Y naik)
sementara nilai negatif menunjukkan hubungan terbalik (X naik, maka Y
turun). Data yang digunakan dalam korelasi parsial biasanya memiliki
skala interval atau rasio. Berikut adalah pedoman untuk memberikan
interpretasi serta analisis bagi koefisien korelasi menurut Sugiyono
(2006): 0.00 - 0,199 = sangat rendah, 0,20 - 0,3999 = rendah, 0,40 - 0,5999
= sedang, 0,60 - 0,799 = kuat, 0,80 - 1,000 = sangat kuat.
Modul 4 Tugas Besar
Kelompok 2
3. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat
hubungan antara tiga atau lebih variabel (dua atau lebih variabel
independen dan satu variabel dependent. Korelasi ganda berkaitan dengan
interkorelasi variabel-variabel independen sebagaimana korelasi mereka
dengan variabel dependen. Korelasi ganda adalah suatu nilai yang
memberikan kuatnya pengaruh atau hubungan dua variabel atau lebih
secara bersama-sama dengan variabel lain. Korelasi ganda merupakan
korelasi yang terdiri dari dua atau lebih variabel bebas (X1,X2,…..Xn) serta
satu variabel terikat (Y). Apabila perumusan masalahnya terdiri dari tiga
masalah, maka hubungan antara masing-masing variabel dilakukan
dengan cara perhitungan korelasi sederhana.
Korelasi ganda memiliki koefisien korelasi, yakni besar kecilnya
hubungan antara dua variabel yang dinyatakan dalam bilangan. Koefisien
Korelasi disimbolkan dengan huruf R. Besarnya Koefisien Korelasi adalah
antara -1; 0; dan +1. Besarnya korelasi -1 adalah negatif sempurna yakni
terdapat hubungan di antara dua variabel atau lebih namun arahnya
terbalik, +1 adalah korelasi yang positif sempurna (sangat kuat) yakni
adanya sebuah hubungan di antara dua variabel atau lebih tersebut,
sedangkan koefisien korelasi 0 dianggap tidak terdapat hubungan antara
dua variabel atau lebih yang diuji sehingga dapat dikatakan tidak ada
hubungan sama sekali.
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk
mengukur ada atau tidaknya korelasi antarvariabel. Jika kita memiliki dua
buah variabel atau lebih maka sudah selayaknya apabila kita ingin
mempelajari bagaimana variabel-variabel itu berhubungan atau dapat
diramalkan.
Analisis Regresi atau biasa disingkat sebagai anareg adalah metode
yang digunakan untuk mengukur pengaruh variabel bebas terhadap
variabel tergantung. Anareg juga bisa digunakan untuk memprediksi
variabel tergantung dengan menggunakan variabel bebas. Gujarati (2006)
mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu
variabel yang disebut sebagai variabel yang diterangkan (the explained
variabel) dengan satu atau dua variabel yang menerangkan (the
Modul 4 Tugas Besar
Kelompok 2
explanatory). Variabel pertama disebut juga sebagai variabel tergantung

dan variabel kedua disebut juga sebagai variabel bebas.
Analisis regresi mempelajari hubungan yang diperoleh dinyatakan
dalam persamaan matematika yang menyatakan hubungan fungsional
antara variabel-variabel. Hubungan fungsional antara satu variabel
prediktor dengan satu variabel kriterium disebut analisis regresi sederhana
(tunggal), sedangkan hubungan fungsional yang lebih dari satu variabel
disebut analisis regresi ganda.
Analisis regresi yang dapat diterapkan dalam mencari hubungan
variabel X dan Y tergantung kepada tipe dari variabel Y atau variabel
dependen yang nilainya akan kita cari berdasarkan variabel independen,
misalnya :
1. Jika variabel dependen merupakan data kontinu maka dapat
menggunakan regresi linear, maupun non-linear, sedangkan
2. Jika variabel dependen merupakan data kategorikal maka dapat
menggunakan analisis regresi logistik
Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena
pada analisis itu kesulitan dalam menunjukkan slop (tingkat perubahan suatu
variabel terhadap variabel lainnya dapat ditentukan). Dengan demikian maka
melalui analisis regresi, peramalan nilai variabel terikat pada nilai variabel
bebas lebih akurat pula.
Regresi Linear Sederhana adalah metode statistik yang berfungsi untuk
menguji sejauh mana hubungan sebab akibat antara variabel faktor penyebab
(X) terhadap variabel akibatnya (Y). Faktor Penyebab pada umumnya
dilambangkan dengan X atau disebut juga dengan predictor sedangkan
variabel Akibat dilambangkan dengan Y atau disebut juga dengan response.
Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple Linear
Regression) juga merupakan salah satu metode statistik yang dipergunakan
dalam produksi untuk melakukan peramalan ataupun prediksi tentang
karakteristik kualitas maupun kuantitas. Contoh penggunaan analisis regresi
linear sederhana dalam produksi antara lain:
1. Hubungan antara lamanya kerusakan mesin dengan kualitas produk yang
dihasilkan.
2. Hubungan jumlah pekerja dengan output yang diproduksi.
Modul 4 Tugas Besar
Kelompok 2
3. Hubungan antara suhu ruangan dengan cacat produksi yang dihasilkan.

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :
𝑌 = 𝑎 + 𝑏𝑋……………………………………………………............. (2.3)
Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran response yang ditimbulkan oleh
predictor
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :
(∑𝑦)(∑𝑥 2 )−(∑𝑥)(∑𝑥𝑦)
𝑎= ……………………………………………...... (2.4)
𝑛(∑𝑥 2 )−(∑𝑥)2
𝑛(∑𝑥𝑦)−(∑𝑥)(∑𝑦)
𝑏= …………………………………………………….. (2.5)
𝑛(∑𝑥 2 )−(∑𝑥)2
Berikut ini adalah Langkah-langkah dalam melakukan analisis regresi

linear sederhana :
1. Tentukan tujuan dari melakukan analisis regresi linear sederhana
2. Identifikasikan variabel faktor penyebab (predictor) dan variabel akibat
(response)
3. Lakukan pengumpulan data
4. Hitung X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan model persamaan regresi linear sederhana.
7. Lakukan prediksi atau peramalan terhadap variabel faktor penyebab atau
variabel akibat.
Anlisis regresi linier berganda adalah hubungan secara linear antara dua
atau lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y).
Analisis ini untuk mengetahui arah hubungan antara variabel independen
dengan variabel dependen apakah masing-masing variabel independen
berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel
dependen apabila nilai variabel independen mengalami kenaikan atau
penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Persamaan regresi linear berganda sebagai berikut:
𝑌’ = 𝑎 + 𝑏𝑋1 + 𝑏2 𝑋2 + ⋯ . . + 𝑏𝑛𝑋𝑛
Keterangan:
Modul 4 Tugas Besar
Kelompok 2
Y’ = Variabel dependen (nilai yang diprediksikan)

X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Nilai koefisien regresi 𝑏1 dan 𝑏2 jika
1. Bernilai 0, maka tidak ada pengaruh variabel bebas X1 dan X2 terhadap
variabel tak bebas Y.
2. Bernilai negatif maka terjadi hubungan yang berbalik arah antara variabel
bebas X1 dan X2 dengan variabel tak bebas Y.
3. Bernilai positif maka terjadi hubungan yang searah antara variabel bebas
X1 dan X2 dengan variabel tak bebas Y.
Maka harus tentukan nilai konstanta a dan koefisien regresi 𝑏1 dan 𝑏 2 dengan
formula berikut ini :
(∑𝑦)(∑𝑥 2 )−(∑𝑥)(∑𝑥𝑦)
𝑎= ……………………….……………………..…. (2.6)
𝑛(∑𝑥 2 )−(∑𝑥)2
……………………...……… (2.7)
………………………...…… (2.8)
Korelasi merupakan salah satu teknik analisis dalam statistik yang
digunakan untuk mencari hubungan antara dua variabel yang bersifat
kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya
hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua
variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu
akan diikuti perubahan pada variabel yang lain secara teratur dengan arah
yang sama (korelasi positif) atau berlawanan (korelasi negatif).
Kedua variabel yang dibandingkan satu sama lain dalam korelasi dapat
dibedakan menjadi variabel independen dan variabel dependen. Sesuai
dengan namanya, variabel independen adalah variabel yang perubahannya
cenderung di luar kendali manusia. Sementara itu variabel dependen adalah
variabel yang dapat berubah sebagai akibat dari perubahan variabel
indipenden. Hubungan ini dapat dicontohkan dengan ilustrasi pertumbuhan
tanaman dengan variabel sinar matahari dan tinggi tanaman. Sinar matahari
merupakan variabel independen karena intensitas cahaya yang dihasilkan

Modul 4 Tugas Besar
Kelompok 2
oleh matahari tidak dapat diatur oleh manusia. Sedangkan tinggi tanaman
merupakan variabel dependen karena perubahan tinggi tanaman dipengaruhi
langsung oleh intensitas cahaya matahari sebagai variabel indipenden.
2.3 Analisis Varians
Analisis Varians (ANOVA) adalah suatu teknik statistik yang
memungkinkan kita untuk mengetahui apakah dua atau lebih mean populasi
akan bernilai sama dengan menggunakan data dari sampel masing-masing
populasi. Analisis varians juga dapat digunakan untuk keperluan uji hipotesis
sampel ganda untuk mean dengan teknik-teknik yang telah dijabarkan dengan
terperinci, namun analisis varians lebih efektif digunakan untuk menguji tiga
atau lebih populasi (Herinaldi, 2005).
Berdasarkan literatur Indonesia metode ini dikenal dengan berbagai
nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Analisis
varians merupakan pengembangan dari masalah Behrens-Fisher, sehingga
uji-F juga dipakai dalam pengambilan keputusan. Analisis varians pertama
kali diperkenalkan oleh Sir Ronald Fisher, bapak statistika modern. Analisis
varians juga merupakan uji hipotesis ataupun pendugaan dalam prakteknya.
Analisis varian dapat dilakukan untuk menganalisis data yang berasal
dari berbagai macam jenis dan desain penelitian. Analisis varian banyak
dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian
komparatif yaitu menguji variabel terikat dengan cara membandingkannya
pada kelompok-kelompok sampel independen yang diamati. Analisis varian
saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.
Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan
hipotesis nol bahwa kedua varians itu sama. Varians pertama adalah varians
antar contoh (among samples) dan varians kedua adalah varians di dalam
masing-masing contoh (within samples). Dengan ide semacam ini, analisis
varians dengan dua contoh akan memberikan hasil yang sama dengan uji-t
untuk dua rerata (mean).
Prinsip dasar analisis varians adalah bahwa jumlah kuadrat total dan
beberapa kelompok dapat dianalisa atau dipisah-pisahkan menjadi beberapa
macam jumlah kuadrat. Dalam bentuknya yang paling sederhana jumlah
kuadrat total dapat dibagi menjadi dua bagian yaitu jumlah kuadrat dalam
kelompok dan jumlah kuadrat antar kelompok. Istilah jumlah kuadrat
Modul 4 Tugas Besar
Kelompok 2
sebenarnya singkatan dari jumlah kuadrat deviasi skor dari mean, artinya
masing-masing skor dikurangi mean, kemudian hasil pengurangan untuk
masing-masing skor dikuadratkan, kemudian semua hasil kuadrat itu
dijumlah. Hasil jumlah inilah yang dinamakan dengan jumlah kuadrat.
Langkah-langkah melakukan uji hipotesis dengan ANOVA, yaitu:
1. Kumpulkan sampel dan kelompokkan berdasarkan kategori tertentu.
Untuk memudahkan pengelompokkan dan perhitungan, buat tabel
data sesuai dengan kategori berisi sampel dan kuadrat dari sampel tersebut.
Hitung pula total dari sampel dan kuadrat sampel tiap kelompok. Selain
itu, tentukan pula hipotesis nol (H0) dan hipotesis alternatif (H1).
2. Menentukan tipe ANOVA
Untuk menentukan tipe ANOVA, terlebih dahulu bertanya apakah
dari hipotesis tersebut cocok untuk ANOVA? Jika tujuannya
membandingkan rata-rata tiga kelompok atau lebih maka boleh pakai
ANOVA. Pertanyaan kedua apakah sampel tiap kelompok diambil dari
sampel yang berbeda? Jika berasal dari sampel yang berbeda maka
menggunakan ANOVA satu arah/one way.
3. Memeriksa apakah sudah memenuhi asumsi-asumsi sehingga bisa
digunakan ANOVA
a. Normalitas, adalah Menguji apakah data tiap kelompok memiliki
distribusi normal. Hal ini bisa dilakukan dengan uji kolmogorov
smirnov, shapira wilk.
b. Homogenitas, adalah menguji apakah varians tiap kelompok sama.
Dalam menghitung homogenitas bisa digunakan uji bartlett dan uji
levene.
c. Saling bebas
Menunjukkan bahwa setiap kelompok tidak saling berhubungan.
Biasanya yang digunakan logika apakah saling bebas atau tidak.
d. Aditif (saling menjumlahkan).
Artinya data yang dianalisis merupakan data interval/rasio.
4. Menghitung variabilitas dari seluruh sampel.
Pengukuran total variabilitas atas data dapat dikelompokkan menjadi tiga
bagian, berikut rumus dalam ANOVA:
1) Total of sum squares (SSt) – jumlah kuadrat total (jkt).
Modul 4 Tugas Besar
Kelompok 2
Merupakan jumlah kuadrat selisih antara skor individual dengan rata-

rata totalnya.
𝑇2
𝐽𝐾𝑇 = ∑𝑘𝑖=0 ∑𝑛𝑗=𝑖 𝑋Ŭ2 − ………………………………..……… (2.9)
𝑁
Keterangan:
k = banyaknya kolom
N=Banyaknya pengamatan/ keseluruhan data
ni= banyaknya ulangan di kolom ke-i xij = data pada kolom ke-i
ulangan ke-j T** = Total (jumlah) seluruh pengamatan
2) Sum Square Between (SSb) – jumlah kuadrat kolom (jkk).
Variansi rata-rata kelompok sampel terhadap rata-rata keseluruhannya.
Variansi di sini lebih terpengaruh karena adanya perbedaan perlakuan
antar kelompok.
𝑇∗12 𝑇2
𝐽𝐾𝐾 = ∑𝑘𝑖=0 − ………………………………………....… (2.10)
𝑛1 𝑁
Keterangan
T*i = Total (jumlah) ulangan pada kolom ke-i
3) Sum Square within (SSw) – jumlah kuadrat galat (jkg).
Variansi yang ada dalam masing-masing kelompok. Banyaknya
variansi akan tergantung pada banyaknya kelompok, dan variansi di sini
tidak terpengaruh/tergantung oleh perbedaan perlakuan antar
kelompok.
JKG = JKT – JKK……………………………………………… (2.11)
4. Menghitung derajat kebebasan (degree of freedom)
Derajat kebebasan atau degree of freedom (dilambangkan dengan v,
dof, atau db) dalam ANOVA akan sebanyak variabilitas. Oleh karena
itu, ada tiga macam derajat kebebasan yang akan kita hitung:
1) Derajat kebebasan untuk JKT
Merupakan derajat kebebasan dari Jumlah kuadrat total (JKT) ini
akan kita lambangkan dengan dof JKT.
db JKT = N – 1…………………………………………..…. (2.12)
2) Derajat kebebasan untuk JKK
Merupakan derajat kebebasan dari Jumlah kuadrat kolom (JKK) ini
akan kita lambangkan dengan dof JKK.
db JKK = k-1…………………………………...………..….. (2.13)
Modul 4 Tugas Besar
Kelompok 2
3) Derajat kebebasan untuk JKG

Merupakan derajat kebebasan dari Jumlah kuadrat galat (JKG) ini
akan kita lambangkan dengan dof JKG
db JKG = N – k………………………………………....…… (2.14)
Derajat kebebasan juga memiliki sifat hubungan yang sama dengan
sifat hubungan variabel, yakni:
db JKT = db JKK + db JKG…………………………...……. (2.15)
5. Menghitung variance antar kelompok dan variance dalam kelompo
Variance dalam ANOVA, baik untuk antar kelompok maupun dalam
kelompok sering disebut dengan kuadrat tengah atau deviasi rata-rata
kuadrat (mean squared deviation) dan dilambangkan dengan MS atau
KT. Dengan demikian, maka mean squared deviation masing-masing
dapat dicari dengan rumus sebagai berikut:
KTK = JKK / db JKK………………………………..…..…….... (2.16)
KTG = JKG / db JKG………………………………….….…….. (2.17)
6. Menghitung F hitung
Menghitung nilai distribusi F (Fhitung) berdasarkan perbandingan
variance antar kelompok dan variance dalam kelompok.Fhitung
didapatkan dengan rumus di bawah ini:
Fhitung = KTK/KTG…………………………………..…….... (2.18)
7. Menghitung F tabel
Selain itu, F berdasarkan tabel (Ftabel) juga dihitung, berdasarkan nilai
derajat kebebasan (langkah ke-4) menggunakan tabel distribusi-F.
Jangan lupa untuk mencantumkan gambar posisi Fhitung dan Ftabel
dalam grafik distribusi-F.
8. Membandingkan Fhitung dengan Ftabel :
Jika Fhitung > Ftabel : tolak H0
Jika Fhitung < Ftabel : terima H0
9. Buat kesimpulan
Sesuai dengan kasus awal yang ditanyakan. Simpulkan, apakah
perlakuan (treatment) memiliki efek yang signifikan pada sampel data atau
tidak. Jika hasil tidak signifikan, berarti seluruh rata-rata sampel adalah sama.
Jika perlakuan menghasilkan efek yang signifikan, setidaknya satu dari rata-
rata sampel berbeda dari rata-rata sampel yang lain.
Modul 4 Tugas Besar
Kelompok 2
Prosedur analisis varians (Analysis of Variance—ANOVA)

menggunakan variabel numerik tunggal (single numerical variable) yang
diukur dari sejumlah sampel untuk menguji hipotesis nol dari populasi yang
(diperkirakan) memiliki rata-rata hitung (mean) sama. Variabel dimaksud
harus berupa variabel kuantitatif. Variabel ini terkadang dinamakan sebagai
variabel terikat (dependent variable). Hipotesis nol (H0) dalam uji ANOVA
adalah bahwa semua (minimal 3) populasi yang sedang dikaji memiliki rata-
rata hitung (mean) sama. Ringkasnya, hipotesis nol (H0) dan hipotesis
alternatif (H1) dalam ANOVA adalah:
H0 : µ1 = µ2 = µ3 = … = µn
H1 : Tidak semua populasi memiliki rata-rata hitung (mean) sama.
Two Way ANOVA dikenal juga dengan factorial design
atau Randomized Block Design. Sama dengan One Way ANOVA dasar
perhitungan yang digunakan adalah Distribusi F. Pada Two way ANOVA
pengujian dilakukan dengan tidak hanya melihat satu faktor atau perlakuan
saja, tetapi juga dengan mempertimbangkan faktor blok. Uji blok dilakukan
untuk mengetahui pengaruh blok terhadap perbedaan rata-rata. Tujuan dari
pengujian ANOVA dua arah adalah untuk mengetahui apakah ada pengaruh
dari berbagai kriteria yang diuji terhadap hasil yang diinginkan. Dengan
menggunakan teknik ANOVA 2 arah ini kita dapat membandingkan beberapa
rata-rata yang berasal dari beberapa kategori atau kelompok untuk satu
variable perlakuan.

Modul 4 Tugas Besar
Kelompok 2
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1 Pengumpulan dan Data Historis
1. Badan Statistika Indonesia ingin mencari uji hipotesis dari angka kelahiran
yang diramalkan 46 kali per tahun angka ini didapat dari data survey 5
tahun yang lalu dengan data sampel 40 data di 3 daerah yaitu Pontianak,
Bandung dan Lampung. Untuk membuktikan hipotesis ini benar, maka
dilakukan uji hipotesis yang beragam yaitu pada tingkat kepercayaan 95%,
90% dan 80%. Untuk di Bandung daerah populasinya sangat banyak maka
dilakukan uji hipotesis satu arah, sedangkan untuk di Pontianak dan
Lampung menggunakan uji hipotesis dua arah, untuk semua kota
simpangan yang diterapkan adalah 23.5.
Pontianak :
Tabel 3.1 Hasil Pengamatan Daerah Pontianak
42.8 51 50.3 50.9 41.9 49.5 52.1 44.7 46.1 48.3
47.2 43.4 44.4 50.3 50.5 50.1 46.3 47.9 47.2 48.8
45.2 44.4 46.6 47.5 45.4 50.1 48.3 50.2 43.5 45.1
45.5 42.4 45.9 42.3 51.7 42.2 51.9 45.5 50.4 50.5
Bandung :
Tabel 3.2 Hasil Pengamatan Daerah Bandung
52.8 45.8 45.1 42.6 47.8 47.6 56.7 44.6 48.1 45.8
54.3 47.6 41.3 44.5 52.1 50.2 43.3 48.6 48.8 50
51.1 48.7 48.3 49.6 41.3 48.4 50.9 54 44.4 51.3
47.3 53.3 51.5 44.9 45.3 41.7 45.5 47.4 47.2 48.1
Lampung :
Tabel 3.3 Hasil Pengamatan Daerah Lampung
42.6 43.5 46.3 40.1 37.9 41.7 42.8 45.7 39.3 42
37.5 43.4 40.7 41.9 39.3 47.7 38.2 45.4 34.6 41.5
37.3 42.5 43 42.4 37.6 42 43.2 44.6 41.5 41.3
41.8 37.6 38 38.2 37.8 37.8 40.4 45.5 42.5 39.2
2. Suatu perusahaan perkebunan melakukan pengamatan terhadap pengaruh
penanaman bibit, pemberian puput, pemberian peptisida dan intensitas air
terhadap produksi padi. Pengamatan ini dilakukan oleh perusahaan untuk
membuat persamaan regresi dan korelasi yang akan memperlihatkan

Modul 4 Tugas Besar
Kelompok 2
hubungan antara produksi padi dengan faktor-faktor yang

mempengaruhinya dan memberikan garis regresi prediksi yang terbaik.
1. Buat persamaan regresi dan korelasi yang memperlihatkan hubungan
antara Produksi Padi dan Penanaman Bibit.
antara Produksi Padi dan Pemberian Pupuk.
antara Produksi Padi dan Pemberian Peptisisda.
antara Produksi Padi dan Intensitas Air.
antara Produksi Padi, Pemberian Pupuk dan Pemberian Peptisisda.
6. Persamaan manakah yang memberikan garis regresi prediksi yang
terbaik?
*nb : tentukan sendiri variabel X dan Y
Adapun data-data yang didapatkan untuk melakukan pengamatan
dapat dilihat pada tabel dibawah ini.
Tabel 3.4 Hasil Pengamatan Produsi Padi dan Faktor-faktornya
Produksi Penanaman Pemberian Pemberian Intensitas
Pencakokan
Padi Bibit Pupuk Peptisida air
44 3 143 96 77 395
26 1 112 80 25 380
24 7 104 54 60 573
47 7 122 56 74 593
17 10 182 100 17 456
17 5 123 77 48 423
16 2 159 73 44 578
34 10 121 91 44 419
24 9 192 68 89 566
36 7 144 87 36 580
42 3 116 79 81 583
28 2 105 56 66 429
26 3 194 93 55 540
49 1 188 68 50 459
30 10 114 77 61 320
31 10 138 60 15 458

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.4 Hasil Pengamatan Produsi Padi dan Faktor-faktornya (Lanjutan)

Pencakokan
11 9 196 71 95 416
19 6 101 94 69 475
20 9 123 51 66 420
11 1 137 91 57 445
48 1 194 51 43 407
34 8 102 91 77 346
35 8 142 56 90 472
14 7 166 57 26 451
43 3 119 74 50 400
49 7 107 73 91 391
25 2 171 93 50 448
31 6 178 73 77 504
15 4 170 77 41 353
20 5 131 87 91 397
11 10 146 93 84 569
43 10 195 68 18 506
14 3 160 67 26 355
50 5 179 65 62 600
35 3 156 77 78 490
20 3 174 99 69 498
50 5 108 84 46 525
23 1 158 92 82 376
47 3 131 95 74 319
17 7 182 71 97 301
14 10 181 68 50 563
39 5 110 53 83 407
29 3 171 73 22 532
27 10 198 75 94 342
21 1 158 99 46 491
24 7 155 96 85 397
46 5 132 52 31 335
43 3 171 94 88 387
13 8 143 70 31 324
44 10 198 54 66 510
24 9 124 89 100 467

Modul 4 Tugas Besar
Kelompok 2

Pencakokan
18 3 170 78 13 471
10 6 193 92 88 312
33 10 193 56 86 367
37 7 191 93 12 400
13 2 170 78 80 574
36 8 109 86 41 363
46 8 119 97 94 476
49 9 185 96 60 515
12 5 143 71 31 304
23 9 182 69 88 483
13 9 116 88 18 302
39 8 143 73 99 407
46 10 147 82 73 543
35 1 151 64 11 431
43 3 112 68 48 350
50 1 176 82 87 372
13 9 191 56 98 364
27 4 121 63 82 497
16 8 116 79 25 435
14 6 169 86 80 427
10 1 113 89 77 599
46 1 166 88 52 598
41 1 160 82 28 435
33 4 167 65 81 398
46 10 147 69 52 599
29 7 173 95 93 328
48 5 153 86 48 504
30 7 105 76 63 364
17 2 101 91 18 572
11 6 188 55 100 558
42 7 154 75 66 375
49 7 139 59 21 343
12 5 120 51 13 387
47 5 165 54 85 510
42 3 113 96 64 362
26 5 180 95 26 469

Modul 4 Tugas Besar
Kelompok 2

Pencakokan
24 7 181 80 64 373
33 1 141 84 28 483
31 8 165 62 50 432
17 1 107 93 95 435
42 7 137 70 98 488
41 8 190 79 18 480
10 3 175 78 33 355
36 8 151 82 84 384
39 9 155 50 50 599
19 10 160 50 88 487
45 4 105 71 15 375
20 1 129 83 82 354
41 5 168 14 16 468
4. Dinas pendidikan melakukan survey berupa hasil nilai raport dari pelajaran
Matematika ke berbagai sekolah mulai dari SD, SMP, dan SMA. Survey
ini dilakukan untuk melakukan uji analisis varians bahwa umur tidak
mempengaruhi hasil pembelajaran Matematika (tingkat signifikan 0.05
dan 0.01). Berikut adalah data hasil survey nilai pelajaran Matematika
tingkat SD, SMP, dan SMA yang sudah direntangkan umurnya dari ketiga
kategori tingkat sekolah tersebut.
Tabel 3.5 Hasil Survey Nilai Matematika
Umur SD (9-12) SMP (14-16) SMA (16-20)
75 23 80
70 56 80
80 76 70
75 40 50
80 70 54
75 90 75
75 95 80
Nilai
70 48 80
Matematika
75 65 89
92 84 89
75 87 89
75 79 90
75 85 85
80 69 76
80 40 60

Modul 4 Tugas Besar
Kelompok 2
Umur SD (9-12) SMP (14-16) SMA (16-20)

75 60 70
80 35 64
80 75 64
80 60 80
75 78 65
75 85 69
89 75 60
90 85 89
90 83 90
83 79 90
85 84 89
80 75 90
80 75 89
80 54 89
Nilai 73 76 90
Matematika 75 50 89
75 34 89
96 40 50
76 50 79
75 50 75
75 70 62
80 80 50
75 79 75
88 82 65
75 45 89
85 75 90
71 80 89
68 74 72
69 70 89
75 70 69
3. Suatu perkebunan memiliki 5 jenis pepaya. Masing-masing dari pepaya
tersebut menggunakan metode penanaman yang berbeda. Berikut ini
adalah pertumbuhan berat pepaya dari penggunaan metode penanaman
pada 5 jenis pepaya.

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.6 Hasil Pengamata Pertumbuhan Berat Pepaya

Metode Penanaman
A B C D E
I 2 2.4 2.5 2.1 3
Jenis Pepaya II 2.7 4 2.4 2.2 2
III 3.1 4.3 3.5 3.4 3
IV 2.8 2.5 2.7 2.3 3.1
V 3.1 1.8 2 3 4
Dengan menggunakan tingkat signifikasi 0.05, ujilah bahwa metode dan
jenis pepaya tidak mempengaruhi berat pepaya.
3.2 Pengolahan Data
Pengolahan data dalam menghitung data historis ini dilakukan secara
manual dan dengan menggunakan software microsoft excel.
3.2.1 Perhitungan Kasus Uji Hipotesis
a. Perhitungan Kasus Uji Hipotesis Secara Manual
1. Perhitungan daerah Pontianak
Tabel 3.7 Data Daerah Pontianak
42.8 51 50.3 50.9 41.9 49.5 52.1 44.7 46.1 48.3
47.2 43.4 44.4 50.3 50.5 50.1 46.3 47.9 47.2 48.8
45.2 44.4 46.6 47.5 45.4 50.1 48.3 50.2 43.5 45.1
45.5 42.4 45.9 42.3 51.7 42.2 51.9 45.5 50.4 50.5
Diketahui :
α = 0,05
µo = 46
 Pontianak = 23.5
n = 40
Ditanya: Apakah angka kelahiran di Pontianak sama dengan 46 kali per
tahun?
Langkah- langkah untuk menyelesaikan uji hipotesis secara manual adalah
sebagai berikut.
a. Menentukan Formulasi Hipotesis
H0 : µ = 46 kali per tahun Angka kelahiran di Pontianak sama dengan
46 kali per tahun.
H1 : µ ≠ 46 kali per tahun  Angka kelahiran di Pontianak tidak sama
dengan 46 kali per tahun.

Modul 4 Tugas Besar
Kelompok 2
b. Menentukan Jenis Uji Statistik (z atau t)

Karena sampel data yang dimiliki berjumlah besar yaitu sebanyak
40 data, maka digunakan Uji mean Z.
c. Menentukan arah pengujian (1 atau 2)
Jika pada formulasi hipotesis tertulis dalam bentuk lebih besar (˃)
atau lebih kecil (˂) maka digunakan pengujian 1 arah, sedangkan bila
ditulis dengan sama dengan (=) dan tidak sama dengan (≠), maka
digunakan uji 2 arah. Oleh karena itu, pada kasus ini digunakan uji 2
arah.
d. Menentukan Taraf Signifikansi (α atau α/2)
Taraf signifikansi yang digunakan adalah α/2. Tingkat kepercayaan
Dik: α = 0,05
α/2 = 0,025, maka:
Z0,025 = 1,96
e. Menentukan Wilayah Kritis
z <  z dan z > z atau :

2 2
Z ˂ -1,96 dan Z ˃ 1,96
f. Menentukan Nilai Uji Statistik
Cara mencari nilai rata-rata (mean)
X̅ = (x1+x2+x3+...+xn)/n
X̅ = (42.8+51+50.3+....+45.5+50.4+50.5)/40
X̅ = 1888.3 /40
X̅ = 47.2075
Maka :
x  0 47.2075  46
z =
/ n 23.5 / 40
Z = 0.324974
g. Kesimpulan
Diperoleh Z = 0,070304 maka z <  z . Karena nilai Z terletak
2
diantara wilayah kritis, maka -1.96 < 0.070304 < 1.96 adalah
memenuhi, sehingga H0 diterima dan H1 ditolak, dapat disimpulkan
bahwa angka kelahiran di Pontianak sama dengan 46 kali per tahun.
Modul 4 Tugas Besar
Kelompok 2
2. Perhitungan daerah Bandung

Tabel 3.8 Data Daerah Bandung
52.8 45.8 45.1 42.6 47.8 47.6 56.7 44.6 48.1 45.8
54.3 47.6 41.3 44.5 52.1 50.2 43.3 48.6 48.8 50
51.1 48.7 48.3 49.6 41.3 48.4 50.9 54 44.4 51.3
47.3 53.3 51.5 44.9 45.3 41.7 45.5 47.4 47.2 48.1
Diketahui :
α = 0,1
µo = 46
 Bandung = 23.5
n = 40
Ditanya: Apakah angka kelahiran di Pontianak sama dengan 46 kali per
tahun ?
sebagai berikut.
H0 : µ = 46 kali per tahun Angka kelahiran di Bandung sama dengan
46 kali per tahun.
H1 : µ > 46 kali per tahun  Angka kelahiran di Bandung tidak sama
arah.
Dik: α = 0,1
α/2 = 0,05, maka:
Z0,05 = 1,645

Modul 4 Tugas Besar
Kelompok 2

2 2
Z ˂ -1,645 dan Z ˃ 1,645
X̅ = (x1+x2+x3+...+xn)/n
X̅ = (52.8+45.8+45.1+....+47.4+47.2+48.1)/40
X̅ = 1917,8 /40
X̅ = 47,945
Maka :
x  0 47.945  46
z =
/ n 23.5 / 40
Z = 0,523458
g. Kesimpulan
Diperoleh Z = 0,523458, maka z <  z . Karena nilai Z lebih
2
kecil daripada taraf signifikasi, maka 0,523458 < 1,645 adalah

memenuhi, sehingga H0 diterima dan H1 ditolak, dapat disimpulkan
bahwa angka kelahiran di Bandung sama dengan 46 kali per tahun.
3. Lampung :
Tabel 3.9 Data Daerah Lampung
42.6 43.5 46.3 40.1 37.9 41.7 42.8 45.7 39.3 42
37.5 43.4 40.7 41.9 39.3 47.7 38.2 45.4 34.6 41.5
37.3 42.5 43 42.4 37.6 42 43.2 44.6 41.5 41.3
41.8 37.6 38 38.2 37.8 37.8 40.4 45.5 42.5 39.2
Diketahui :
α = 0,2
µo = 46
 Lampung = 23.5
n = 40
Ditanya: Apakah angka kelahiran di Lampung sama dengan 46 kali per
tahun?

Modul 4 Tugas Besar
Kelompok 2

sebagai berikut.
H0 : µ = 46 kali per tahun Angka kelahiran di Lampung sama dengan
46 kali per tahun.
H1 : µ ≠ 46 kali per tahun  Angka kelahiran di Lampung tidak sama
arah.
Dik: α = 0,1
α/2 = 0,1 maka:
Z0,1 = 1,28

2 2
Z ˂ -1,28 dan Z ˃ 1,28
X̅ = (x1+x2+x3+...+xn)/n
X̅ = (42.6+43.5+46.3+....+45.5+42.5+39.2)/40
X̅ = 1646,3 /40
X̅ = 41,1575
Maka :

Modul 4 Tugas Besar
Kelompok 2
x  0 41.1575  46
z =
/ n 23.5 / 40
Z = -1,30326
g. Kesimpulan
Diperoleh Z = -1,30326 maka z <  z . Karena nilai Z terletak
2
diantara wilayah kritis, maka -1.28 > -1,30326 < 1,28 adalah tidak
memenuhi, sehingga H0 ditolak dan H1 diterima, dapat disimpulkan
bahwa angka kelahiran di Lampung tidak sama dengan 46 kali per
tahun.
b. Perhitungan Kasus Uji Hipotesis Dengan Menggunakan Software
Meskipun pengolahan data dapat dilakukan secara manual,
pengolahan data juga dapat dilakukan dengan menggunakan software.
Dimana, menggunanakan software akan lebih memudahkan untuk
perhitungan. Software yang digunakan dalam praktikum ini adalah
microsoft excel 2013. Perhitungan data dengan menggunakan microsoft
excel 2013 yaitu perhitngan mean, variansi, sigma, uji mean Z, Z dan P-
value. Berikut ini merupakan tahapan-tahapan dari pengolahan data
menggunakan software :
1. Pengolahan data daerah Pontianak menggunakan software
a. Bukalah software microsoft excel 2013 serta masukkan tabel data
daerah Pontianak ke dalam worksheet pada excel seperti gambar
dibawah ini :
Gambar 3.1 Data Daerah Pontianak

b. Lakukan perhitungan rata-rata berat data daerah Pontianak dengan
menggunakan rumus =AVERAGE(A1:J4) seperti gamabar dibawah
ini :
Gambar 3.2 Perhitungan Mean Daerah Pontianak

Modul 4 Tugas Besar
Kelompok 2
c. Lakukan perhitungan variansi pada daerah Pontianak dengan

menggunakan rumus =VAR.S(A1:J4) seperti gambar dibawah ini :
Gambar 3.3 Perhitungan Variansi Daerah Pontianak

d. Lakukan perhitungan standar devisiasi data daerah Pontianak
dengan menggunakan rumus =STDEV.S(A1:J4) seperti gambar
dibawah ini:
Gambar 3.4 Perhitungan Standar Devisiasi Daerah Pontianak

e. Masukkan nilai Z yang diperoleh dari data daerah Pontianak Nilai Z
yang digunakan adalah nilai Z dengan ukuran besar, dimana sampel
pada data daerah Pontianak 40 sampel data, kemudian dilakukan
pendekatan pada tabel distribusi normal. Nilai Z yang dimasukkan
pada pengolahan data menggunakan software dapat dilihat pada
gambar dibawah ini :
Gambar 3.5 Perhitungan Nilai Z Daerah Pontianak

f. Lakukan perhitungan nilai Z probabilitas data daerah Pontianak
dengan menggunakan rumus =NORM.S.DIST(L7;TRUE) seperti
Gambar 3.6 Perhitungan nilai Z Probabilitas Daerah Pontianak

g. Lakukan perhitungan P-value data daerah Pontianak dengan
menggunakan rumus =H8*2.
Modul 4 Tugas Besar
Kelompok 2
Gambar 3.7 Perhitungan P-value Daerah Pontianak

Dari tahapan-tahapan perhitungan data daerah Pontianak dengan
menggunakan software, maka didapatkan hasil sebagai berikut:
Gambar 3.8 Hasil Perhitungan Daerah Pontianak

Karena nilai p value yang bernilai 0,612049 lebih besar daripada
taraf nyata 0,05 sehingga H0 diterima dan H1 ditolak, dapat disimpulkan
2. Pengolahan data daerah Bandung dengan menggunakan software
a. Lakukan perhitungan rata-rata berat data daerah Bandung dengan
menggunakan rumus =AVERAGE(A11:J14).
Gambar 3.9 Perhitungan Mean Daerah Bandung

b. Lakukan perhitungan variansi data daerah Bandung dengan
menggunakan rumus =VAR.S(A11:J14).
Gambar 3.10 Perhitungan Variansi Daerah Bandung

Modul 4 Tugas Besar
Kelompok 2
c. Lakukan perhitungan standar devisiasi data daerah Bandung dengan

menggunakan rumus =STDEV.S(A11:J14) seperti gambar dibawah
ini :
Gambar 3.11 Perhitungan Standar Devisiasi Daerah Bandung

d. Masukkan nilai Z yang diperoleh dari data daerah Bandung Nilai Z
pada data daerah Bandung 40 sampel data, kemudia dilakukan
Gambar 3.12 Perhitungan Nilai Z Daerah Bandung

e. Lakukan perhitungan Z probabilitas data daerah Bandung dengan
menggunakan rumus =1-NORM.S.DIST(L17)seperti gambar
dibawah ini :
Gambar 3.13 perhitungan nilai Z Probabilitas Daerah Bandung

f. Lakukan perhitungan P-value data buah pisang dengan
menggunakan rumus =H17*2.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.14 Perhitungan P-value Daerah Bandung

Dari tahapan-tahapan perhitungan data daerah Bandung dengan
Gambar 3.15 Hasil Perhitungan Daerah Bandung

Karena nilai p value yang bernilai 0.60066 lebih besar daripada
taraf nyata 0.1 sehingga H0 diterima dan H1 ditolak, dapat disimpulkan
3. Pengolahan data daerah Lampung dengan menggunakan software.
a. Lakukan perhitungan rata-rata berat data daerah Lampung dengan
menggunakan rumus =AVERAGE(A25:J28).
Gambar 3.16 Perhitungan Mean Daerah Lampung

b. Lakukan perhitungan variansi data daerah Lampung dengan
menggunakan rumus =VAR.S(A25:J28).
Gambar 3.17 Perhitungan Variansi Daerah Lampung

Modul 4 Tugas Besar
Kelompok 2
c. Lakukan perhitungan standar devisiasi data daerah Lampung dengan

menggunakan rumus =STDEV.S(A25:J28) seperti gambar dibawah
ini:
Gambar 3.18 Perhitungan Standar Devisiasi Daerah Lampung

d. Masukkan nilai Z yang diperoleh dari data daerah Lampung Nilai Z
pada data daerah Lampung 30 sampel data, kemudian dilakukan
Gambar 3.19 Perhitungan Nilai Z Daerah Lampung

e. Lakukan perhitungan Z probabilitas data daerah Lampung dengan
menggunakan rumus =1-NORM.S.DISTL31)seperti gambar
dibawah ini :
Gambar 3.20 perhitungan nilai Z Probabilitas Daerah Lampung

f. Lakukan perhitungan P-value data daerah Lampung dengan
menggunakan rumus =L32*2.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.21 Perhitungan P-value Daerah Lampung

Dari tahapan-tahapan perhitungan data daerah Lampung dengan
Gambar 3.22 Hasil Perhitungan Daerah Lampung

Karena nilai p value yang bernilai 1.80751 lebih besar daripada
taraf nyata 0.2 sehingga H0 diterima dan H1 ditolak, dapat disimpulkan
bahwa angka kelahiran di Lampung sama dengan 46 kali per tahun.
3.2.2 Perhitungan Kasus Korelasi dan Regresi
1. Perhitungan Kasus Regresi Secara Manual dan Dengan
1. a. Perhitungan regresi produksi padi dan penanaman bibit secara
manual
Dalam perhitungan ini data yang diolah adalah mencari
persamaan regresi hubungan keterkaitan antara produksi padi dengan
penanaman bibit.
Tabel 3.10 Data Produksi Padi dan Penanaman Bibit
No. Produksi Padi Penanaman Bibit XY X2
1 44 143 6292 20449
2 26 112 2912 12544
3 24 104 2496 10816
4 47 122 5734 14884
5 17 182 3094 33124
6 17 123 2091 15129
7 16 159 2544 25281
8 34 121 4114 14641

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.10 Data Produksi Padi dan Penanaman Bibit (Lanjutan)

9 24 192 4608 36864
10 36 144 5184 20736
11 42 116 4872 13456
12 28 105 2940 11025
13 26 194 5044 37636
14 49 188 9212 35344
15 30 114 3420 12996
16 31 138 4278 19044
17 11 196 2156 38416
18 19 101 1919 10201
19 20 123 2460 15129
20 11 137 1507 18769
21 48 194 9312 37636
22 34 102 3468 10404
23 35 142 4970 20164
24 14 166 2324 27556
25 43 119 5117 14161
26 49 107 5243 11449
27 25 171 4275 29241
28 31 178 5518 31684
29 15 170 2550 28900
30 20 131 2620 17161
31 11 146 1606 21316
32 43 195 8385 38025
33 14 160 2240 25600
34 50 179 8950 32041
35 35 156 5460 24336
36 20 174 3480 30276
37 50 108 5400 11664
38 23 158 3634 24964
39 47 131 6157 17161
40 17 182 3094 33124
41 14 181 2534 32761
42 39 110 4290 12100
43 29 171 4959 29241
44 27 198 5346 39204
45 21 158 3318 24964
46 24 155 3720 24025
47 46 132 6072 17424
48 43 171 7353 29241
49 13 143 1859 20449
50 44 198 8712 39204
51 24 124 2976 15376

Modul 4 Tugas Besar
Kelompok 2

52 18 170 3060 28900
53 10 193 1930 37249
54 33 193 6369 37249
55 37 191 7067 36481
56 13 170 2210 28900
57 36 109 3924 11881
58 46 119 5474 14161
59 49 185 9065 34225
60 12 143 1716 20449
61 23 182 4186 33124
62 13 116 1508 13456
63 39 143 5577 20449
64 46 147 6762 21609
65 35 151 5285 22801
66 43 112 4816 12544
67 50 176 8800 30976
68 13 191 2483 36481
69 27 121 3267 14641
70 16 116 1856 13456
71 14 169 2366 28561
72 10 113 1130 12769
73 46 166 7636 27556
74 41 160 6560 25600
75 33 167 5511 27889
76 46 147 6762 21609
77 29 173 5017 29929
78 48 153 7344 23409
79 30 105 3150 11025
80 17 101 1717 10201
81 11 188 2068 35344
82 42 154 6468 23716
83 49 139 6811 19321
84 12 120 1440 14400
85 47 165 7755 27225
86 42 113 4746 12769
87 26 180 4680 32400
88 24 181 4344 32761
89 33 141 4653 19881
90 31 165 5115 27225
91 17 107 1819 11449
92 42 137 5754 18769
93 41 190 7790 36100
94 10 175 1750 30625

Modul 4 Tugas Besar
Kelompok 2

95 36 151 5436 22801
96 39 155 6045 24025
97 19 160 3040 25600
98 45 105 4725 11025
99 20 129 2580 16641
100 41 168 6888 28224
Total 3000 15029 448274 2345217
Produksi padi adalah variabel Y dan penanaman bibit adalah
variabel X. Perhitungan di mulai dari menghitung jumlah masing
masing variabel, perkalian variabel Y dan X, serta masing-masing
variabel di kuadratkan. Berikut adalah perhitungannya:
∑Y = n1 + n2 + n3 +n4+n5+....+ n99
= 44+26+24+47+17....+41
= 3000
∑X = n1 + n2 + n3 +n4+n5+....+ n99
= 143+112+104+122+182+....+168
= 15029
∑XY = n1 + n2 + n3 +n4+n5+....+ n99
= 6292+2912+2496+5734+8835+3094+.....+6888
= 448274
∑X2 = n1 + n2 + n3 +n4+n5...+ n99
= 20449+12544+10816+14884+33124+.......+28224
= 2345217
Setelah mendapat kan hasil perhitungan dari variabel, maka
sebelum menghitung nilai regresi hal yang harus dilakukan adalah
menentukan nilai a dan nilai b sebagai berikut :
(∑XY) – (∑X)(∑Y)
b =n
n(∑𝑥 2 ) – (∑X)²
100(448274) – (15029)( 3000)
=
100( 2345217)−(15029)²
= -0.030009
(∑Y)(∑X²) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) ( 2345217) −(15029)(448274)
=
100(2345217) − (15029)²

Modul 4 Tugas Besar
Kelompok 2
= 34.50999
Maka persamaan regresinya adalah:
Y = a + bx
= 34.50999 - 0.030009X
Dari hasil persamaan regresi tersebut dapat diketahui bahwa nilai
intercept (konstanta a) sebesar 34.50999. Jika regresi variabel X
bernilai 0 (nol) maka variabel dependen (Y) bernilai 34.50999. Nilai
koefisiennya bernilai positif yaitu -0.030009 yang berarti setiap satu
satuan akan menyebabkan nilai variabel Y bertambah sebesar -
0.030009.
b. Perhitungan regresi produksi padi dan penanaman bibit dengan
menggunakan software
Langkah pertama yang dilakukan adalah menginput data variable
Y (produksi padi) dan X (penanaman bibit) pada microsoft excel, data
yang akan dibandingkan seperti gambar berikut.
Gambar 3.23 Hasil Pengumpulan Data Produksi Produksi Padi dan

Penanaman Bibit
Langkah selanjutnya yaitu mencari persamaan regresi dengan
cara memilih menu data > data analysis dan masukan nilai variabel Y
dan X dengan cara di blok, seperti pada gambar berikut.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.24 Mencari Nilai Regresi Hubungan Produksi Padi dan Penanaman
Bibit
Tampilan hasil menggunakan software adalah sebagai berikut.
Gambar 3.25 Hasil Regresi Hubungan Produksi Padi dan Penanaman Bibit
Kemampuan membaca hasil keluaran diperlukan karena begitu
banyak data yang ditampilkan, maka diberi warna untuk nilai-nilai yang
penting untuk dilakukan perbandingan dengan perhitungan manual.
Warna merah (R square) menunjukkan koefisien determinasi, warna
biru (adjusted R square) menunjukkan besarnya pengaruh yang
diberikan. Warna hijau pada regression merupakan nilai F hitung
sedangkan warna kuning pada significance F menunjukkan nilai P
value. Persamaan regresi dapat dilihat pada warna coklat yang
menunjukkan konstanta a dan warna ungu menunjukkan koefisien
regresi. Warna abu-abu pad t start menunjukkan nilai t hitung. Apabila
persamaan regresi digambarkan dalam bentuk grafik, maka tampak
seperti berikut.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.26 Grafik Regresi Produksi padi dan penanaman bibit

2. a. Perhitungan regresi produksi padi dan pemberian pupuk secara
manual
pemberian pupuk.
Tabel 3.11 Data Produksi Padi dan Pemberian Pupuk
No. Produksi Padi Pemberian Pupuk XY X2
1 44 96 4224 9216
2 26 80 2080 6400
3 24 54 1296 2916
4 47 56 2632 3136
5 17 100 1700 10000
6 17 77 1309 5929
7 16 73 1168 5329
8 34 91 3094 8281
9 24 68 1632 4624
10 36 87 3132 7569
11 42 79 3318 6241
12 28 56 1568 3136
13 26 93 2418 8649
14 49 68 3332 4624
15 30 77 2310 5929
16 31 60 1860 3600
17 11 71 781 5041
18 19 94 1786 8836
19 20 51 1020 2601
20 11 91 1001 8281
21 48 51 2448 2601
22 34 91 3094 8281
23 35 56 1960 3136
24 14 57 798 3249
25 43 74 3182 5476
26 49 73 3577 5329

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.11 Data Produksi Padi dan Pemberian Pupuk (Lanjutan)

27 25 93 2325 8649
28 31 73 2263 5329
29 15 77 1155 5929
30 20 87 1740 7569
31 11 93 1023 8649
32 43 68 2924 4624
33 14 67 938 4489
34 50 65 3250 4225
35 35 77 2695 5929
36 20 99 1980 9801
37 50 84 4200 7056
38 23 92 2116 8464
39 47 95 4465 9025
40 17 71 1207 5041
41 14 68 952 4624
42 39 53 2067 2809
43 29 73 2117 5329
44 27 75 2025 5625
45 21 99 2079 9801
46 24 96 2304 9216
47 46 52 2392 2704
48 43 94 4042 8836
49 13 70 910 4900
50 44 54 2376 2916
51 24 89 2136 7921
52 18 78 1404 6084
53 10 92 920 8464
54 33 56 1848 3136
55 37 93 3441 8649
56 13 78 1014 6084
57 36 86 3096 7396
58 46 97 4462 9409
59 49 96 4704 9216
60 12 71 852 5041
61 23 69 1587 4761
62 13 88 1144 7744
63 39 73 2847 5329
64 46 82 3772 6724
65 35 64 2240 4096
66 43 68 2924 4624
67 50 82 4100 6724
68 13 56 728 3136
69 27 63 1701 3969

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.11 Data Produksi Padi dan Pemberian Pupuk (Lanjutan)

70 16 79 1264 6241
71 14 86 1204 7396
72 10 89 890 7921
73 46 88 4048 7744
74 41 82 3362 6724
75 33 65 2145 4225
76 46 69 3174 4761
77 29 95 2755 9025
78 48 86 4128 7396
79 30 76 2280 5776
80 17 91 1547 8281
81 11 55 605 3025
82 42 75 3150 5625
83 49 59 2891 3481
84 12 51 612 2601
85 47 54 2538 2916
86 42 96 4032 9216
87 26 95 2470 9025
88 24 80 1920 6400
89 33 84 2772 7056
90 31 62 1922 3844
91 17 93 1581 8649
92 42 70 2940 4900
93 41 79 3239 6241
94 10 78 780 6084
95 36 82 2952 6724
96 39 50 1950 2500
97 19 50 950 2500
98 45 71 3195 5041
99 20 83 1660 6889
100 41 14 574 196
Total 3000 7567 224715 596859
Produksi padi adalah variabel Y dan pemberian pupuk adalah
∑Y = n1 + n2 + n3 + n4 + n5 +....+ n99
= 44+26+24+47+....+41
= 3000
∑X = n1 + n2 + n3 + n4 + n5 +....+ n99

Modul 4 Tugas Besar
Kelompok 2
= 96+80+54+56+100+....+16
= 7567
∑XY = n1 + n2 + n3 + n4 + n5 +....+ n99
= 4224+2080+1296+2632+1700+.....+574
= 224715
∑X2 = n1 + n2 + n3 + n4 + n5 +....+ n99
= 9216+6400+2916+3136+10000+......196
= 596859
Setelah mendapatkan hasil perhitungan dari variabel, maka
menentukan nilai a dan nilai b sebagai berikut:
(∑XY) – (∑X)(∑Y)
b =n
n(∑𝑥 2 ) – (∑X)²
100( 224715)– (7567)( 3000)
=
100(596859)−(7567)²
= -0.09458
(∑Y)(∑X2) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) (596859) −(7567)(224715)
=
100(596859) − (7567)²
= 37.1571819
Maka persamaan regresinya adalah :
Y = a + bx
= 37.1571819 - 0.09458X
satuan akan menyebabkan nilai variabel Y bertambah sebesar -0.09458.
b. Perhitungan regresi produksi padi dan pemberian pupuk dengan
Y (produksi padi) dan X (pemberian pupuk) pada microsoft excel, data
yang akan dibandingkan seperti gambar berikut.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.27 Hasil Pengumpulan Data Produksi Produksi Padi dan Pemberian
Pupuk
Gambar 3.28 Mencari Nilai Regresi Hubungan Produksi Padi dan Pemberian
Pupuk
Gambar 3.29 Hasil Regresi Hubungan Produksi Padi dan Pemberian Pupuk

Modul 4 Tugas Besar
Kelompok 2

seperti berikut.
Gambar 3.30 Grafik Regresi Produksi Padi dan Pemberian Pupuk

3. a. Perhitungan regresi produksi padi dan pemberian peptisisda secara
manual
pemberian peptisida.
Tabel 3.12 Data Produksi Padi dan Pemberian Peptisida
Pemberian
No. Produksi Padi XY X2
Peptisida
1 44 77 3388 5929
2 26 25 650 625
3 24 60 1440 3600
4 47 74 3478 5476
5 17 17 289 289
6 17 48 816 2304
7 16 44 704 1936
8 34 44 1496 1936
9 24 89 2136 7921

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.12 Data Produksi Padi dan Pemberian Peptisida (Lanjutan)

Pemberian
Peptisida
10 36 36 1296 1296
11 42 81 3402 6561
12 28 66 1848 4356
13 26 55 1430 3025
14 49 50 2450 2500
15 30 61 1830 3721
16 31 15 465 225
17 11 95 1045 9025
18 19 69 1311 4761
19 20 66 1320 4356
20 11 57 627 3249
21 48 43 2064 1849
22 34 77 2618 5929
23 35 90 3150 8100
24 14 26 364 676
25 43 50 2150 2500
26 49 91 4459 8281
27 25 50 1250 2500
28 31 77 2387 5929
29 15 41 615 1681
30 20 91 1820 8281
31 11 84 924 7056
32 43 18 774 324
33 14 26 364 676
34 50 62 3100 3844
35 35 78 2730 6084
36 20 69 1380 4761
37 50 46 2300 2116
38 23 82 1886 6724
39 47 74 3478 5476
40 17 97 1649 9409
41 14 50 700 2500
42 39 83 3237 6889
43 29 22 638 484
44 27 94 2538 8836
45 21 46 966 2116
46 24 85 2040 7225
47 46 31 1426 961
48 43 88 3784 7744
49 13 31 403 961
50 44 66 2904 4356
51 24 100 2400 10000

Modul 4 Tugas Besar
Kelompok 2

Pemberian
Peptisida
52 18 13 234 169
53 10 88 880 7744
54 33 86 2838 7396
55 37 12 444 144
56 13 80 1040 6400
57 36 41 1476 1681
58 46 94 4324 8836
59 49 60 2940 3600
60 12 31 372 961
61 23 88 2024 7744
62 13 18 234 324
63 39 99 3861 9801
64 46 73 3358 5329
65 35 11 385 121
66 43 48 2064 2304
67 50 87 4350 7569
68 13 98 1274 9604
69 27 82 2214 6724
70 16 25 400 625
71 14 80 1120 6400
72 10 77 770 5929
73 46 52 2392 2704
74 41 28 1148 784
75 33 81 2673 6561
76 46 52 2392 2704
77 29 93 2697 8649
78 48 48 2304 2304
79 30 63 1890 3969
80 17 18 306 324
81 11 100 1100 10000
82 42 66 2772 4356
83 49 21 1029 441
84 12 13 156 169
85 47 85 3995 7225
86 42 64 2688 4096
87 26 26 676 676
88 24 64 1536 4096
89 33 28 924 784
90 31 50 1550 2500
91 17 95 1615 9025
92 42 98 4116 9604
93 41 18 738 324

Modul 4 Tugas Besar
Kelompok 2

Pemberian
Peptisida
94 10 33 330 1089
95 36 84 3024 7056
96 39 50 1950 2500
97 19 88 1672 7744
98 45 15 675 225
99 20 82 1640 6724
100 41 16 656 256
Total 3000 5919 177165 423653
Produksi padi adalah variabel Y dan pemberian peptisida adalah
∑Y = n1 + n2 + n3 + n4 + n5 +....+ n99
= 44+26+24+47+....+41
= 3000
∑X = n1 + n2 + n3 + n4 + n5 +....+ n99
= 77+25+60+74+17....+16
= 5919
∑XY = n1 + n2 + n3 + n4 + n5 +....+ n99
= 3388+650+1440+3478+289.....+656
= 177165
∑X = n1 + n2 + n3 + n4 + n5 +....+ n99
2
= 5929+625+3600+5476+289.......256
= 423653
(∑XY) – (∑X)(∑Y)
b =n
n(∑𝑥 2 ) – (∑X)²
100( 177165)– (5919)( 3000)
=
100(423653)−(5919)²
= -0.00552
(∑Y)(∑X2) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) (423653) −(5919)(177165)
=
100(423653) − (5919)²
Modul 4 Tugas Besar
Kelompok 2
= 30.32701
Maka persamaan regresinya adalah :
Y = a + bx
= 30.32701 - 0.00552X
satuan akan menyebabkan nilai variabel Y bertambah sebesar -0.00552.
b. Perhitungan regresi produksi padi dan pemberian peptisisda dengan
Y (produksi padi) dan X (pemberian peptisida) pada microsoft excel,
data yang akan dibandingkan seperti gambar berikut.
Gambar 3.31 Hasil Pengumpulan Data Produksi Padi dan Pemberian Peptisida

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.32 Mencari Nilai Regresi Hubungan Produksi Padi dan Pemberian
Peptisida
Gambar 3.33 Hasil Regresi Hubungan Produksi Padi dan Pemberian Peptisida
seperti berikut.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.34 Grafik Regresi Produksi Padi dan Pemberian Peptisida

4. a. Perhitungan regresi produksi padi dan intensitas air secara manual
intensitas air.
Tabel 3.13 Data Produksi Padi dan Intensitas Air
No. Produksi Padi Intensitas air XY X2
1 44 395 17380 156025
2 26 380 9880 144400
3 24 573 13752 328329
4 47 593 27871 351649
5 17 456 7752 207936
6 17 423 7191 178929
7 16 578 9248 334084
8 34 419 14246 175561
9 24 566 13584 320356
10 36 580 20880 336400
11 42 583 24486 339889
12 28 429 12012 184041
13 26 540 14040 291600
14 49 459 22491 210681
15 30 320 9600 102400
16 31 458 14198 209764
17 11 416 4576 173056
18 19 475 9025 225625
19 20 420 8400 176400
20 11 445 4895 198025
21 48 407 19536 165649
22 34 346 11764 119716
23 35 472 16520 222784
24 14 451 6314 203401
25 43 400 17200 160000
26 49 391 19159 152881

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.13 Data Produksi Padi dan Intensitas Air (Lanjutan)

27 25 448 11200 200704
28 31 504 15624 254016
29 15 353 5295 124609
30 20 397 7940 157609
31 11 569 6259 323761
32 43 506 21758 256036
33 14 355 4970 126025
34 50 600 30000 360000
35 35 490 17150 240100
36 20 498 9960 248004
37 50 525 26250 275625
38 23 376 8648 141376
39 47 319 14993 101761
40 17 301 5117 90601
41 14 563 7882 316969
42 39 407 15873 165649
43 29 532 15428 283024
44 27 342 9234 116964
45 21 491 10311 241081
46 24 397 9528 157609
47 46 335 15410 112225
48 43 387 16641 149769
49 13 324 4212 104976
50 44 510 22440 260100
51 24 467 11208 218089
52 18 471 8478 221841
53 10 312 3120 97344
54 33 367 12111 134689
55 37 400 14800 160000
56 13 574 7462 329476
57 36 363 13068 131769
58 46 476 21896 226576
59 49 515 25235 265225
60 12 304 3648 92416
61 23 483 11109 233289
62 13 302 3926 91204
63 39 407 15873 165649
64 46 543 24978 294849
65 35 431 15085 185761
66 43 350 15050 122500
67 50 372 18600 138384
68 13 364 4732 132496
69 27 497 13419 247009

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.13 Data Produksi Padi dan Intensitas Air (Lanjutan)

70 16 435 6960 189225
71 14 427 5978 182329
72 10 599 5990 358801
73 46 598 27508 357604
74 41 435 17835 189225
75 33 398 13134 158404
76 46 599 27554 358801
77 29 328 9512 107584
78 48 504 24192 254016
79 30 364 10920 132496
80 17 572 9724 327184
81 11 558 6138 311364
82 42 375 15750 140625
83 49 343 16807 117649
84 12 387 4644 149769
85 47 510 23970 260100
86 42 362 15204 131044
87 26 469 12194 219961
88 24 373 8952 139129
89 33 483 15939 233289
90 31 432 13392 186624
91 17 435 7395 189225
92 42 488 20496 238144
93 41 480 19680 230400
94 10 355 3550 126025
95 36 384 13824 147456
96 39 599 23361 358801
97 19 487 9253 237169
98 45 375 16875 140625
99 20 354 7080 125316
100 41 468 19188 219024
Total 3000 44478 1344920 20484148
Produksi padi adalah variabel Y dan intensitas air adalah variabel
X. Perhitungan di mulai dari menghitung jumlah masing masing
variabel, perkalian variabel Y dan X, serta masing-masing variabel di
kuadratkan. Berikut adalah perhitungannya:
∑Y = n1 + n2 + n3 + n4 + n5 +....+ n99
= 44+26+24+47+....+41
= 3000
∑X = n1 + n2 + n3 + n4 + n5 +....+ n99

Modul 4 Tugas Besar
Kelompok 2
= 395+380+573+593+456+....+468
= 44478
∑XY = n1 + n2 + n3 + n4 + n5 +....+ n99
= 17380+9880+13752+27871+7752+.....+19188
= 1344920
∑X2 = n1 + n2 + n3 + n4 + n5 +....+ n99
= 156025+144400+328329+351649+207936+.......+219024
= 20484148
(∑XY) – (∑X)(∑Y)
b =n
n(∑𝑥 2 ) – (∑X)²
100( 1344920)– (44478)( 3000)
=
100(20484148)−(44478)²
= 0.01508792
(∑Y)(∑X2) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) (20484148) −(44478)(1344920)
=
100(20484148) − (44478)²
= 23.28919427
Maka persamaan regresinya adalah:
Y = a + bX
= 23.2891427 + 0.01508792X
koefisiennya bernilai positif yaitu 0.01508792 yang berarti setiap satu
satuan akan menyebabkan nilai variabel Y bertambah sebesar
0.01508792.
b. Perhitungan regresi produksi padi dan intensitas dengan menggunakan
software
Y (produksi padi) dan X (intensitas air) pada microsoft excel, data yang
akan dibandingkan seperti gambar berikut.
Modul 4 Tugas Besar
Kelompok 2
Gambar 3.35 Hasil Pengumpulan Data Produksi Padi dan Intensitas Air
Langkah selanjutnya yaitu mencari persamaan regresi dengan cara
memilih menu data > data analysis dan masukan nilai variabel Y dan X
dengan cara di blok, seperti pada gambar berikut.
Gambar 3.36 Mencari Nilai Regresi Hubungan Produksi Padi dan Intensitas
Air
Gambar 3.37 Hasil Regresi Hubungan Produksi Padi dan Intensitas Air

Modul 4 Tugas Besar
Kelompok 2

seperti berikut.
Gambar 3.38 Grafik Regresi Produksi Padi dan Intensitas Air Hasil Scatter Plot
5. a. Perhitungan regresi produksi padi, pemberian pupuk dan pemberian peptisida
secara manual
Tabel 3.14 Data Produksi Padi, Pemberian Pupuk dan Pemberian Peptisida
No. Y X1 X2 X1Y X2Y X1X2 X12 X22

1 44 96 77 4224 3388 7392 9216 5929
2 26 80 25 2080 650 2000 6400 625
3 24 54 60 1296 1440 3240 2916 3600
4 47 56 74 2632 3478 4144 3136 5476
5 17 100 17 1700 289 1700 10000 289
6 17 77 48 1309 816 3696 5929 2304
7 16 73 44 1168 704 3212 5329 1936
8 34 91 44 3094 1496 4004 8281 1936
9 24 68 89 1632 2136 6052 4624 7921
10 36 87 36 3132 1296 3132 7569 1296
11 42 79 81 3318 3402 6399 6241 6561
12 28 56 66 1568 1848 3696 3136 4356
13 26 93 55 2418 1430 5115 8649 3025
14 49 68 50 3332 2450 3400 4624 2500
15 30 77 61 2310 1830 4697 5929 3721
16 31 60 15 1860 465 900 3600 225

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.14 Data Produksi Padi, Pemberian Pupuk dan Pemberian Peptisida (Lanjutan)
No. Y X1 X2 X1Y X2Y X1X2 X 12 X22

17 11 71 95 781 1045 6745 5041 9025
18 19 94 69 1786 1311 6486 8836 4761
19 20 51 66 1020 1320 3366 2601 4356
20 11 91 57 1001 627 5187 8281 3249
21 48 51 43 2448 2064 2193 2601 1849
22 34 91 77 3094 2618 7007 8281 5929
23 35 56 90 1960 3150 5040 3136 8100
24 14 57 26 798 364 1482 3249 676
25 43 74 50 3182 2150 3700 5476 2500
26 49 73 91 3577 4459 6643 5329 8281
27 25 93 50 2325 1250 4650 8649 2500
28 31 73 77 2263 2387 5621 5329 5929
29 15 77 41 1155 615 3157 5929 1681
30 20 87 91 1740 1820 7917 7569 8281
31 11 93 84 1023 924 7812 8649 7056
32 43 68 18 2924 774 1224 4624 324
33 14 67 26 938 364 1742 4489 676
34 50 65 62 3250 3100 4030 4225 3844
35 35 77 78 2695 2730 6006 5929 6084
36 20 99 69 1980 1380 6831 9801 4761
37 50 84 46 4200 2300 3864 7056 2116
38 23 92 82 2116 1886 7544 8464 6724
39 47 95 74 4465 3478 7030 9025 5476
40 17 71 97 1207 1649 6887 5041 9409
41 14 68 50 952 700 3400 4624 2500
42 39 53 83 2067 3237 4399 2809 6889
43 29 73 22 2117 638 1606 5329 484
44 27 75 94 2025 2538 7050 5625 8836
45 21 99 46 2079 966 4554 9801 2116
46 24 96 85 2304 2040 8160 9216 7225
47 46 52 31 2392 1426 1612 2704 961
48 43 94 88 4042 3784 8272 8836 7744
49 13 70 31 910 403 2170 4900 961
50 44 54 66 2376 2904 3564 2916 4356
51 24 89 100 2136 2400 8900 7921 10000
52 18 78 13 1404 234 1014 6084 169
53 10 92 88 920 880 8096 8464 7744
54 33 56 86 1848 2838 4816 3136 7396
55 37 93 12 3441 444 1116 8649 144
56 13 78 80 1014 1040 6240 6084 6400
57 36 86 41 3096 1476 3526 7396 1681
58 46 97 94 4462 4324 9118 9409 8836
59 49 96 60 4704 2940 5760 9216 3600
Modul 4 Tugas Besar
Kelompok 2
Tabel 3.14 Data Produksi Padi, Pemberian Pupuk dan Pemberian Peptisida (Lanjutan)
No. Y X1 X2 X1Y X2Y X1X2 X 12 X22

60 12 71 31 852 372 2201 5041 961
61 23 69 88 1587 2024 6072 4761 7744
62 13 88 18 1144 234 1584 7744 324
63 39 73 99 2847 3861 7227 5329 9801
64 46 82 73 3772 3358 5986 6724 5329
65 35 64 11 2240 385 704 4096 121
66 43 68 48 2924 2064 3264 4624 2304
67 50 82 87 4100 4350 7134 6724 7569
68 13 56 98 728 1274 5488 3136 9604
69 27 63 82 1701 2214 5166 3969 6724
70 16 79 25 1264 400 1975 6241 625
71 14 86 80 1204 1120 6880 7396 6400
72 10 89 77 890 770 6853 7921 5929
73 46 88 52 4048 2392 4576 7744 2704
74 41 82 28 3362 1148 2296 6724 784
75 33 65 81 2145 2673 5265 4225 6561
76 46 69 52 3174 2392 3588 4761 2704
77 29 95 93 2755 2697 8835 9025 8649
78 48 86 48 4128 2304 4128 7396 2304
79 30 76 63 2280 1890 4788 5776 3969
80 17 91 18 1547 306 1638 8281 324
81 11 55 100 605 1100 5500 3025 10000
82 42 75 66 3150 2772 4950 5625 4356
83 49 59 21 2891 1029 1239 3481 441
84 12 51 13 612 156 663 2601 169
85 47 54 85 2538 3995 4590 2916 7225
86 42 96 64 4032 2688 6144 9216 4096
87 26 95 26 2470 676 2470 9025 676
88 24 80 64 1920 1536 5120 6400 4096
89 33 84 28 2772 924 2352 7056 784
90 31 62 50 1922 1550 3100 3844 2500
91 17 93 95 1581 1615 8835 8649 9025
92 42 70 98 2940 4116 6860 4900 9604
93 41 79 18 3239 738 1422 6241 324
94 10 78 33 780 330 2574 6084 1089
95 36 82 84 2952 3024 6888 6724 7056
96 39 50 50 1950 1950 2500 2500 2500
97 19 50 88 950 1672 4400 2500 7744
98 45 71 15 3195 675 1065 5041 225
99 20 83 82 1660 1640 6806 6889 6724
100 41 14 16 574 656 224 196 256
Total 3000 7567 5919 224715 177165 451666 596859 423653

Modul 4 Tugas Besar
Kelompok 2
Produksi padi adalah variabel Y, pemberian pupuk adalah variabel

X1 dan Pemberian peptisida adalah variabel X2. Perhitungan di mulai dari
menghitung jumlah masing masing variabel, perkalian variabel Y dan X1,
Y dan X2 , serta masing-masing variabel di kuadratkan. Berikut adalah
perhitungannya :
∑y = n1 + n2 + n3 + n4+ n5 +....+ n99
= 44+26+24+47+17+....+41
= 3000
∑X1 = n1 + n2 + n3 + n4+ n5 +....+ n99
= 96+80+54+56+100+....+14
= 7567
∑X2 = n1 + n2 + n3 + n4+ n5 +....+ n99
= 77+25+60+74+17+....+16
= 5919
∑X1Y= n1 + n2 + n3 + n4+ n5 +....+ n99
= 4224+2080+1296+2632+1700+.....+574
= 224715
∑X2Y = n1 + n2 + n3 + n4+ n5 +....+ n99
= 3388+650+1440+3478+289.....+656
= 177165
∑X1X2 = n1 + n2 + n3 + n4+ n5 +....+ n99
= 7392+2000+3240+4144+1700+...+ 224
= 451666
∑X12 = n1 + n2 + n3 + n4+ n5 +....+ n99
= 9216+6400+2916+3136+10000+.......+196
= 596859
∑X22 = n1 + n2 + n3 + n4+ n5 +....+ n99
= 5929+625+3600+5476+289+.......+256
= 423653
(∑ 𝑋₂2 )(∑ 𝑋₁𝑌)−(∑ 𝑋₂𝑌)(∑ 𝑋1𝑋2)
b1 =
(∑𝑋1 2)(∑𝑋2 2)−(∑ 𝑋1𝑋2)2
(423653)(224715)−(177165)(451666)
= (596859)(423653)−(451666)
= -0.094481613

Modul 4 Tugas Besar
Kelompok 2
(∑ 𝑋12 )(∑ 𝑋2𝑌)−(∑ 𝑋1𝑌)(∑ 𝑋1𝑋2)

b2 =
(∑𝑋1 2)(∑𝑋2 2)−(∑ 𝑋1𝑋2)2
(596859)(177165)−(224715)(451666)
= (596859)(423653)−(451666)
= -0.000658957
(∑ 𝑦)−(𝑏1 . ∑ 𝑋1)−(𝑏2 . ∑ 𝑋2)
a= 𝑛
(3000)−(7567(−0.094481613))−(−0.000658957(5919) )
=
100
= 37.18842734
Jadi, persamaan regresi linear bergandanya adalah :
Y= a + b1X1 + b2X2
Y= 37.18842734 - 0.094481613X1- 0.000658957X2
koefisiennya bernilai positif yaitu -0.094481613 dan -0.000658957 yang
berarti setiap satu satuan akan menyebabkan nilai variabel Y bertambah
sebesar -0.094481613 dan -0.000658957.
b.Perhitungan regresi produksi padi, pemberian pupuk dan pemberian
peptisida dengan menggunakan software
Y (produksi padi), X1 (pemberian pupuk), X2 (pemberian peptisida)
pada microsoft excel, data yang akan dibandingkan seperti gambar
berikut.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.39 Hasil Pengumpulan Data Produksi Padi, Pemberian Pupuk, dan
Pemberian Peptisida
Langkah selanjutnya yaitu mencari persamaan regresi dengan cara
memilih menu data > data analysis dan masukan nilai variabel Y dan X
dengan cara di blok, seperti pada gambar berikut.
Gambar 3.40 Mencari Nilai Regresi Hubungan Produksi Padi, Pemberian

Pupuk, dan Pemberian Peptisida

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.41 Hasil Regresi Hubungan Produksi Padi, Pemberian Pupuk, dan
Pemberian peptisida
Warna biru (R square) menunjukkan koefisien determinasi, warna
merah (adjusted R square) menunjukkan besarnya pengaruh yang
regresi. Warna abu-abu pada t stat menunjukkan nilai t hitung. Apabila
seperti berikut.
Produksi Padi
y = -0.1401x + 79.872 y = -0.0247x + 59.932
120 R² = 0.0132 R² = 0.0001
100
Pemberian
80 Pupuk
60
40 Pemberian
20 Peptisida
0
0 20 40 60
Gambar 3.42 Grafik Regresi Peoduksi Padi , Pemberian Pupuk, dan

Pemberian Peptisida Hasil Scatter Plot
2. Perhitungan Kasus Korelasi Secara Manual dan Dengan
1. a) Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi padi dan penanaman bibit secara manual
𝑛 . ∑ 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
r=
√[𝑛 .∑ 𝑋 2 −(∑ 𝑋)2 ] .[𝑛 .∑ 𝑌 2 −(∑ 𝑌)2 ]
100(448274) − (15029)( 3000)

𝑟=
√100(2345217) − (15029)2 √100(106384) − (3000)2
𝑟 = −0.068955
b) Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi padi dan penanaman bibit dengan menggunakan software

Modul 4 Tugas Besar
Kelompok 2
Langkah pertama adalah dengan memblok data produksi padi dan lama
pemberian pupuk.
Gambar 3.43 Penginputan Data Persamaan Produksi Padi dan Penanaman

Bibit pada Correlation
Setelah data produksi padi dan penanaman bibit di masukan ke kolom
input range lalu mengklik OK.
Gambar 3.44 Hasil Korelasi Persamaan Produksi Padi dan Penanaman Bibit
Dari langkah tersebut didapatkan hasil korelasi produksi padi dan
penanaman bibit adalah -0.068954895 yang berarti antara produksi padi
dan penanaman bibit memiliki hubungan yang tidak erat.
produksi padi dan pemberian pupuk secara manual
𝑛 . ∑ 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
r=
√[𝑛 .∑ 𝑋 2 −(∑ 𝑋)2 ] .[𝑛 .∑ 𝑌 2 −(∑ 𝑌)2 ]
100(224715) − (7567)( 3000)

𝑟=
√100(596859) − (7567)2 √100(106384) − (3000)2
𝑟 = −0.1151
produksi padi dan pemberian pupuk dengan menggunakan software
pemberian pupuk.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.45 Penginputan Data Persamaan Produksi Padi dan Pemberian

Pupuk pada Correlation
Setelah data produksi padi dan pemberian pupuk di masukan ke kolom
Gambar 3.46 Hasil Korelasi Persamaan Produksi Padi dan dan Pemberian
Pupuk
pemberian pupuk adalah -0.0115104032 yang berarti antara produksi
padi dan pemberian pupuk memiliki hubungan yang tidak erat.
produksi padi dan pemberian peptisida secara manual
𝑛 . ∑ 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
r=
√[𝑛 .∑ 𝑋 2 −(∑ 𝑋)2 ] .[𝑛 .∑ 𝑌 2 −(∑ 𝑌)2 ]
100(177165) − (5919)( 3000)

𝑟=
√100(423653) − (5919)2 √100(106384) − (3000)2
𝑟 = −0.01169
produksi padi dan pemberian peptisida dengan menggunakan software
pemberian peptisida.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.47 Penginputan Data Persamaan Produksi Padi dan Pemberian

Peptisida pada Correlation
Setelah data produksi padi dan pemberian peptisida di masukan ke
kolom input range lalu mengklik OK.
Gambar 3.48 Hasil Korelasi Persamaan Produksi Padi dan dan Pemberian
Peptisida
pemberian peptisida adalah -0,011686142 yang berarti antara produksi
padi dan pemberian peptisida memiliki hubungan yang tidak erat.
produksi padi dan intensitas air secara manual
𝑛 . ∑ 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
r=
√[𝑛 .∑ 𝑋 2 −(∑ 𝑋)2 ] .[𝑛 .∑ 𝑌 2 −(∑ 𝑌)2 ]
100(1344920) − (44478)( 3000)

𝑟=
√100(20484148) − (44478)2 √100(106384) − (3000)2
𝑟 = 0.098707
produksi padi dan intensitas air dengan menggunakan software
Langkah pertama adalah dengan memblok data produksi padi dan
intensitas air.
Gambar 3.49 Penginputan Data Persamaan Produksi Padi dan Intensitas Air
pada Correlation
Setelah data produksi padi dan intensitas air di masukan ke kolom

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.50 Hasil Korelasi Persamaan Produksi Padi dan dan Intensitas Air
intensitas air adalah 0.09870706914 yang berarti antara produksi padi
dan intensitas air memiliki hubungan yang tidak erat.
produksi Padi, Pemberian Pupuk dan Pemberian Peptsida secara
manual.
n=100
∑ X1 = 7567
∑ X2 = 5919
∑ Y = 3000
∑ X12 = 596859
∑ X22 = 423653
∑ X1X2 = 451666
∑ X1Y = 224715
∑ X2Y = 177165
Untuk menghitung korelasi berganda, terlebih dahulu hitung nilai
koefisien korelasi antar variabel yaitu koefisien produksi kaca terhadap
derajat panas (ryX1) dan koefisien korelaso produksi kaca terhadap lama
pembakaran (ryx2). Kemudian dihitung menggunakan rumus:
𝑛 ∑ 𝑥1 𝑥2 −(∑ 𝑥1 )(∑ 𝑥2 )
rX1x2 =
√𝑛(∑ 𝑥1 2 )−(∑ 𝑥1 )2 √𝑛(∑ 𝑥2 2 )−(∑ 𝑥2 )2
Dari perhitungan sebelumnya diketahui:

ryX1 = -0.094481613
ryx2 = -0.000658957
Penyelesaian :
𝑛 ∑ 𝑥1 𝑥2 −(∑ 𝑥1 )(∑ 𝑥2 )
rX1x2 =
√𝑛(∑ 𝑥1 2 )−(∑ 𝑥1 )2 √𝑛(∑ 𝑥2 2 )−(∑ 𝑥2 )2
(100) (451666)−(7567)(5919)
=
√100(596859)−(7567)2 √100(423653)−(5919)2
= -328.33

Modul 4 Tugas Besar
Kelompok 2
Jadi, dapat dihitung koefisien korelasinya:

𝑟𝑦𝑥1 2 + 𝑟𝑦𝑥2 2 − 2𝑟𝑦𝑥1 𝑟𝑦𝑥2 𝑟𝑥1𝑥2
𝑟𝑦𝑥1𝑥2 = √
1 − 𝑟𝑥1𝑥2 2
−0.0944816132 + (−0.000658957)2 − 2((−0.094481613)(−0.000658957)(−328.339694 ))
𝑟𝑦𝑥1𝑥2= √
1 − (−328.33)2
= 0.000679754
Jadi koefisien korelasi ganda antara derajat panas dan lama
perendaman terhadap produksi kaca adalah 0.000679754.
produksi Padi, Pemberian Pupuk dan Pemberian Peptsida dengan
menggunakan software.
Langkah pertama adalah dengan memblok data produksi padi,
pemberian pupuk dan pemberian peptisida.
Gambar 3. 51 Penginputan Data Persamaan Produksi Padi, Pemberian Pupuk

dan Pemberian Peptisida pada Correlation
Setelah data produksi padi, pemberian pupuk dan pemberian peptisida
di masukan ke kolom input range lalu mengklik OK.
Gambar 3.52 Hasil Korelasi Persamaan Produksi Padi, pemberian pupuk dan
pemberian peptisida pada Correlation
Dari langkah tersebut didapatkan hasil korelasi produksi padi,
pemberian pupuk dan pemberian peptisida adalah 0.089514204 yang
berarti antara produksi padi dan intensitas air memiliki hubungan yang
tidak erat.

Modul 4 Tugas Besar
Kelompok 2
3. Perhitungan Persamaan dengan Garis Prediksi Terbaik

a. Perhitungan Persamaan Garis Prediksi Terbaik pada Perbandingan
antara Produksi Padi dengan Penanaman Bibit
Tabel 3.15 Perhitungan Y Prediksi Persamaan 1
Produksi Padi Penanaman Bibit
No. Ypred Y-Ypred (Y-Ypred)²
(Y) (X)
1 44 143 30.21876255 13.7812374 189.9225056
2 26 112 31.14902855 -5.14902855 26.51249504
3 24 104 31.3890972 -7.3890972 54.59875741
4 47 122 30.84894275 16.1510573 260.8566504
5 17 182 29.04842791 -12.0484279 145.164615
6 17 123 30.81893417 -13.8189342 190.9629415
7 16 159 29.73862526 -13.7386253 188.7498241
8 34 121 30.87895133 3.12104867 9.740944818
9 24 192 28.7483421 -4.7483421 22.54675271
10 36 144 30.18875397 5.81124603 33.77058039
11 42 116 31.02899423 10.9710058 120.3629676
12 28 105 31.35908862 -3.35908862 11.28347634
13 26 194 28.68832494 -2.68832494 7.227090982
14 49 188 28.86837642 20.1316236 405.2822678
15 30 114 31.08901139 -1.08901139 1.185945812
16 31 138 30.36880546 0.63119454 0.398406552
17 11 196 28.62830778 -17.6283078 310.7572351
18 19 101 31.47912294 -12.4791229 155.7285094
19 20 123 30.81893417 -10.8189342 117.0493365
20 11 137 30.39881404 -19.398814 376.313986
21 48 194 28.68832494 19.3116751 372.9407936
22 34 102 31.44911436 2.55088564 6.50701755
23 35 142 30.24877113 4.75122887 22.57417574
24 14 166 29.5285652 -15.5285652 241.1363371
25 43 119 30.93896849 12.0610315 145.4684811
26 49 107 31.29907146 17.7009285 313.3228713
27 25 171 29.37852229 -4.37852229 19.17145749
28 31 178 29.16846223 1.83153777 3.354530602
29 15 170 29.40853088 -14.4085309 207.605762
30 20 131 30.57886552 -10.5788655 111.9123957
31 11 146 30.12873681 -19.1287368 365.908572
32 43 195 28.65831636 14.3416836 205.6838897
33 14 160 29.70861668 -15.7086167 246.7606381
34 50 179 29.13845365 20.8615464 435.2041161
35 35 156 29.828651 5.171349 26.74285043
36 20 174 29.28849655 -9.28849655 86.27616821
37 50 108 31.26906288 18.7309371 350.8480056

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.15 Perhitungan Y Prediksi Persamaan 1 (Lanjutan)

(Y) (X)
38 23 158 29.76863384 -6.76863384 45.8144041
39 47 131 30.57886552 16.4211345 269.6536576
40 17 182 29.04842791 -12.0484279 145.164615
41 14 181 29.07843649 -15.0784365 227.3592469
42 39 110 31.20904571 7.79095429 60.69896868
43 29 171 29.37852229 -0.37852229 0.143279128
44 27 198 28.56829062 -1.56829062 2.45953546
45 21 158 29.76863384 -8.76863384 76.88893948
46 24 155 29.85865959 -5.85865959 34.32389213
47 46 132 30.54885694 15.4511431 238.7378219
48 43 171 29.37852229 13.6214777 185.5446549
49 13 143 30.21876255 -17.2187626 296.4857839
50 44 198 28.56829062 15.4317094 238.1376545
51 24 124 30.78892559 -6.78892559 46.0895106
52 18 170 29.40853088 -11.4085309 130.1545767
53 10 193 28.71833352 -18.7183335 350.3760098
54 33 193 28.71833352 4.28166648 18.33266784
55 37 191 28.77835068 8.22164932 67.59551751
56 13 170 29.40853088 -16.4085309 269.2398855
57 36 109 31.2390543 4.7609457 22.66660401
58 46 119 30.93896849 15.0610315 226.8346702
59 49 185 28.95840217 20.0415978 401.6656438
60 12 143 30.21876255 -18.2187626 331.923309
61 23 182 29.04842791 -6.04842791 36.58348015
62 13 116 31.02899423 -18.0289942 325.044633
63 39 143 30.21876255 8.78123745 77.1101311
64 46 147 30.09872823 15.9012718 252.8504439
65 35 151 29.97869391 5.02130609 25.21351487
66 43 112 31.14902855 11.8509714 140.4455242
67 50 176 29.22847939 20.7715206 431.4560684
68 13 191 28.77835068 -15.7783507 248.9563502
69 27 121 30.87895133 -3.87895133 15.0462634
70 16 116 31.02899423 -15.0289942 225.8706676
71 14 169 29.43853946 -15.4385395 238.3485005
72 10 113 31.11901997 -21.11902 446.0130046
73 46 166 29.5285652 16.4714348 271.3081644
74 41 160 29.70861668 11.2913833 127.4953372
75 33 167 29.49855662 3.50144338 12.26010576
76 46 147 30.09872823 15.9012718 252.8504439
77 29 173 29.31850513 -0.31850513 0.10144552
78 48 153 29.91867675 18.0813233 326.9342506
79 30 105 31.35908862 -1.35908862 1.847121871

Modul 4 Tugas Besar
Kelompok 2

(Y) (X)
80 17 101 31.47912294 -14.4791229 209.6450011
81 11 188 28.86837642 -17.8683764 319.278876
82 42 154 29.88866817 12.1113318 146.6843588
83 49 139 30.33879688 18.6612031 348.2405021
84 12 120 30.90895991 -18.9089599 357.5487648
85 47 165 29.55857378 17.4414262 304.2033486
86 42 113 31.11901997 10.88098 118.3957264
87 26 180 29.10844507 -3.10844507 9.662430746
88 24 181 29.07843649 -5.07843649 25.79051716
89 33 141 30.27877971 2.72122029 7.405039844
90 31 165 29.55857378 1.44142622 2.077709552
91 17 107 31.29907146 -14.2990715 204.4634445
92 42 137 30.39881404 11.601186 134.5875158
93 41 190 28.80835926 12.1916407 148.6361039
94 10 175 29.25848797 -19.258488 370.889359
95 36 151 29.97869391 6.02130609 36.25612706
96 39 155 29.85865959 9.14134041 83.56410458
97 19 160 29.70861668 -10.7086167 114.6744712
98 45 105 31.35908862 13.6409114 186.0744633
99 20 129 30.63888268 -10.6388827 113.1858247
100 41 168 29.46854804 11.531452 132.9743844
Total 3000 15029 3000 -2.4869E-13 16306.09772
∑(Y − Ŷ2 )
Se = √
n−2
16306.09772
Se = √ 100−2
Se = √166.3888
= 12.89918
Maka, nilai standar error dari persamaan 1 adalah sebesar 12.89918.
b. Perhitungan Persamaan Garis Prediksi Terbaik pada Perbandingan
antara Produksi Padi dengan Pemberian Pupuk
Pemberian
No. Produksi Padi (Y) Ypred Y-Ypred (Y-Ypred)²
Pupuk (X)
1 44 96 28.0771044 15.92289559 253.5386038
2 26 80 29.5904507 -3.59045067 12.89133601
3 24 54 32.0496383 -8.049638334 64.79667731

Modul 4 Tugas Besar
Kelompok 2

Pemberian
Pupuk (X)
4 47 56 31.8604701 15.13952995 229.205367
5 17 100 27.6987679 -10.69876785 114.4636335
6 17 77 29.8742031 -12.87420309 165.7451053
7 16 73 30.2525397 -14.25253966 203.1348867
8 34 91 28.5500251 5.449974881 29.7022262
9 24 68 30.7254604 -6.725460361 45.23181707
10 36 87 28.9283617 7.071638317 50.00806848
11 42 79 29.6850348 12.31496519 151.6583676
12 28 56 31.8604701 -3.860470052 14.90322902
13 26 93 28.3608568 -2.360856838 5.573645007
14 49 68 30.7254604 18.27453964 333.958799
15 30 77 29.8742031 0.125796907 0.015824862
16 31 60 31.4821335 -0.482133489 0.232452701
17 11 71 30.4417079 -19.44170794 377.9800076
18 19 94 28.2662727 -9.266272697 85.86380969
19 20 51 32.3333908 -12.33339076 152.1125276
20 11 91 28.5500251 -17.55002512 308.0033817
21 48 51 32.3333908 15.66660924 245.4426452
22 34 91 28.5500251 5.449974881 29.7022262
23 35 56 31.8604701 3.139529948 9.856648293
24 14 57 31.7658859 -17.76588591 315.6267022
25 43 74 30.1579555 12.84204448 164.9181065
26 49 73 30.2525397 18.74746034 351.4672693
27 25 93 28.3608568 -3.360856838 11.29535868
28 31 73 30.2525397 0.747460344 0.558696965
29 15 77 29.8742031 -14.87420309 221.2419176
30 20 87 28.9283617 -8.928361683 79.71564235
31 11 93 28.3608568 -17.36085684 301.3993501
32 43 68 30.7254604 12.27453964 150.6643233
33 14 67 30.8200445 -16.8200445 282.913897
34 50 65 31.0092128 18.99078722 360.6499991
35 35 77 29.8742031 5.125796907 26.27379394
36 20 99 27.793352 -7.793351992 60.73633527
37 50 84 29.2121141 20.78788589 432.1361999
38 23 92 28.455441 -5.455440978 29.76183627
39 47 95 28.1716886 18.82831144 354.5053118

Modul 4 Tugas Besar
Kelompok 2

Pemberian
Pupuk (X)
40 17 71 30.4417079 -13.44170794 180.6795123
41 14 68 30.7254604 -16.72546036 279.7410243
42 39 53 32.1442225 6.855777525 47.00168547
43 29 73 30.2525397 -1.252539656 1.568855591
44 27 75 30.0633714 -3.063371374 9.384244178
45 21 99 27.793352 -6.793351992 46.14963129
46 24 96 28.0771044 -4.077104415 16.62278041
47 46 52 32.2388066 13.76119338 189.3704434
48 43 94 28.2662727 14.7337273 217.0827203
49 13 70 30.5362921 -17.53629208 307.5215399
50 44 54 32.0496383 11.95036167 142.8111439
51 24 89 28.7391934 -4.739193401 22.45995409
52 18 78 29.779619 -11.77961895 138.7594226
53 10 92 28.455441 -18.45544098 340.6033017
54 33 56 31.8604701 1.139529948 1.298528502
55 37 93 28.3608568 8.639143162 74.63479458
56 13 78 29.779619 -16.77961895 281.5556122
57 36 86 29.0229458 6.977054176 48.67928497
58 46 97 27.9825203 18.01747973 324.6295757
59 49 96 28.0771044 20.92289559 437.7675597
60 12 71 30.4417079 -18.44170794 340.0965917
61 23 69 30.6308762 -7.63087622 58.23027189
62 13 88 28.8337775 -15.83377754 250.7085113
63 39 73 30.2525397 8.747460344 76.51806246
64 46 82 29.4012824 16.59871761 275.5174264
65 35 64 31.1037969 3.896203075 15.1803984
66 43 68 30.7254604 12.27453964 150.6643233
67 50 82 29.4012824 20.59871761 424.3071673
68 13 56 31.8604701 -18.86047005 355.7173306
69 27 63 31.1983811 -4.198381066 17.62640357
70 16 79 29.6850348 -13.68503481 187.2801778
71 14 86 29.0229458 -15.02294582 225.6889012
72 10 89 28.7391934 -18.7391934 351.1573693
73 46 88 28.8337775 17.16622246 294.6791935
74 41 82 29.4012824 11.59871761 134.5302502
75 33 65 31.0092128 1.990787216 3.96323374

Modul 4 Tugas Besar
Kelompok 2

Pemberian
Pupuk (X)
76 46 69 30.6308762 15.36912378 236.2099658
77 29 95 28.1716886 0.828311444 0.686099849
78 48 86 29.0229458 18.97705418 360.1285852
79 30 76 29.9687872 0.031212767 0.000974237
80 17 91 28.5500251 -11.55002512 133.4030803
81 11 55 31.9550542 -20.95505419 439.1142962
82 42 75 30.0633714 11.93662863 142.4831029
83 49 59 31.5767176 17.42328237 303.5707686
84 12 51 32.3333908 -20.33339076 413.4467797
85 47 54 32.0496383 14.95036167 223.5133139
86 42 96 28.0771044 13.92289559 193.8470215
87 26 95 28.1716886 -2.171688556 4.716231183
88 24 80 29.5904507 -5.59045067 31.25313869
89 33 84 29.2121141 3.787885894 14.34807955
90 31 62 31.2929652 -0.292965207 0.085828612
91 17 93 28.3608568 -11.36085684 129.0690681
92 42 70 30.5362921 11.46370792 131.4165993
93 41 79 29.6850348 11.31496519 128.0284372
94 10 78 29.779619 -19.77961895 391.2333259
95 36 82 29.4012824 6.598717612 43.54307412
96 39 50 32.4279749 6.572025102 43.19151394
97 19 50 32.4279749 -13.4279749 180.3105099
98 45 71 30.4417079 14.55829206 211.9438678
99 20 83 29.3066982 -9.306698247 86.61463226
100 41 14 35.833004 5.166996028 26.69784796
Total 3000 7567 3000 -3.8014E-13 16166.9294
∑(Y − Ŷ2 )
Se = √
n−2
16166.9294
Se = √
100−2
Se = √164.9687
= 12.84401

Modul 4 Tugas Besar
Kelompok 2
c. Perhitungan Persamaan Garis Prediksi Terbaik pada Perbandingan

antara Produksi Padi dengan Pemberian Peptisisda
Produksi Padi Pemberian
(Y) Peptisida (X)
1 44 77 29.90161 14.09839 198.7647298
2 26 25 30.18889 -4.18889 17.54678996
3 24 60 29.99553 -5.99553 35.94632012
4 47 74 29.91818 17.08182 291.7885929
5 17 17 30.23309 -13.2331 175.1145736
6 17 48 30.06182 -13.0618 170.6111728
7 16 44 30.08392 -14.0839 198.3568002
8 34 44 30.08392 3.91608 15.33568323
9 24 89 29.83531 -5.83531 34.05083389
10 36 36 30.12812 5.871883 34.47900562
11 42 81 29.87951 12.12049 146.9063581
12 28 66 29.96238 -1.96238 3.850923165
13 26 55 30.02315 -4.02315 16.18572318
14 49 50 30.05077 18.94923 359.0732484
15 30 61 29.99 0.01 9.99935E-05
16 31 15 30.24414 0.755864 0.57133086
17 11 95 29.80216 -18.8022 353.5212638
18 19 69 29.9458 -10.9458 119.8106005
19 20 66 29.96238 -9.96238 99.24895384
20 11 57 30.0121 -19.0121 361.4599104
21 48 43 30.08944 17.91056 320.7879948
22 34 77 29.90161 4.098395 16.79683815
23 35 90 29.82978 5.170215 26.73112775
24 14 26 30.18336 -16.1834 261.9012764
25 43 50 30.05077 12.94923 167.6825103
26 49 91 29.82426 19.17574 367.7090094
27 25 50 30.05077 -5.05077 25.51029603
28 31 77 29.90161 1.098395 1.206470658
29 15 41 30.10049 -15.1005 228.0249179
30 20 91 29.82426 -9.82426 96.51608206
31 11 84 29.86293 -18.8629 355.810228
32 43 18 30.22756 12.77244 163.1351816
33 14 26 30.18336 -16.1834 261.9012764
34 50 62 29.98448 20.01552 400.6212152
35 35 78 29.89608 5.103919 26.04999185
36 20 69 29.9458 -9.9458 98.91899477
37 50 46 30.07287 19.92713 397.090488
38 23 82 29.87398 -6.87398 47.25162866
39 47 74 29.91818 17.08182 291.7885929

Modul 4 Tugas Besar
Kelompok 2

(Y) Peptisida (X)
40 17 97 29.79111 -12.7911 163.6125406
41 14 50 30.05077 -16.0508 257.6272762
42 39 83 29.86846 9.131543 83.38507158
43 29 22 30.20546 -1.20546 1.453140838
44 27 94 29.80769 -2.80769 7.883099709
45 21 46 30.07287 -9.07287 82.31698006
46 24 85 29.85741 -5.85741 34.30922806
47 46 31 30.15574 15.84426 251.0405503
48 43 88 29.84083 13.15917 173.163652
49 13 31 30.15574 -17.1557 294.3194417
50 44 66 29.96238 14.03762 197.0548618
51 24 100 29.77454 -5.77454 33.34528608
52 18 13 30.25519 -12.2552 150.1895606
53 10 88 29.84083 -19.8408 393.6586906
54 33 86 29.85188 3.148117 9.910638869
55 37 12 30.26071 6.73929 45.41803332
56 13 80 29.88503 -16.885 285.1042845
57 36 41 30.10049 5.899506 34.8041715
58 46 94 29.80769 16.19231 262.1910382
59 49 60 29.99553 19.00447 361.1700697
60 12 31 30.15574 -18.1557 329.6309232
61 23 88 29.84083 -6.84083 46.7970087
62 13 18 30.22756 -17.2276 296.7888801
63 39 99 29.78006 9.219938 85.00724899
64 46 73 29.9237 16.0763 258.4472884
65 35 11 30.26623 4.733766 22.40853663
66 43 48 30.06182 12.93818 167.3964709
67 50 87 29.84636 20.15364 406.1692617
68 13 98 29.78559 -16.7856 281.7559343
69 27 82 29.87398 -2.87398 8.259772589
70 16 25 30.18889 -14.1889 201.3245673
71 14 80 29.88503 -15.885 252.3342217
72 10 77 29.90161 -19.9016 396.0738982
73 46 52 30.03972 15.96028 254.7304591
74 41 28 30.17231 10.82769 117.2387663
75 33 81 29.87951 3.120493 9.737478492
76 46 52 30.03972 15.96028 254.7304591
77 29 93 29.81321 -0.81321 0.661311333
78 48 48 30.06182 17.93818 321.7782591
79 30 63 29.97895 0.021049 0.000443062
80 17 18 30.22756 -13.2276 174.968387
81 11 100 29.77454 -18.7745 352.4832673

Modul 4 Tugas Besar
Kelompok 2

(Y) Peptisida (X)
82 42 66 29.96238 12.03762 144.9043695
83 49 21 30.21099 18.78901 353.0269871
84 12 13 30.25519 -18.2552 333.2517812
85 47 85 29.85741 17.14259 293.8684617
86 42 64 29.97343 12.02657 144.6384754
87 26 26 30.18336 -4.18336 17.50053592
88 24 64 29.97343 -5.97343 35.68182153
89 33 28 30.17231 2.827685 7.995803455
90 31 50 30.05077 0.949228 0.901034128
91 17 95 29.80216 -12.8022 163.89533
92 42 98 29.78559 12.21441 149.1918825
93 41 18 30.22756 10.77244 116.0454282
94 10 33 30.14469 -20.1447 405.8085922
95 36 84 29.86293 6.137067 37.66359571
96 39 50 30.05077 8.949228 80.08868492
97 19 88 29.84083 -10.8408 117.5236801
98 45 15 30.24414 14.75586 217.7355316
99 20 82 29.87398 -9.87398 97.49552072
100 41 16 30.23861 10.76139 115.8074931
Total 3000 5919 3000 -7.1E-14 16381.7625
∑(Y − Ŷ2 )
Se = √
n−2
16381.7625
Se = √
100−2
Se = √167.1608
= 12.92907
d. Perhitungan Persamaan Garis Prediksi Terbaik pada Perbandingan
antara Produksi Padi dengan Intensitas Air
No. Produksi Padi (Y) Intensitas Air (X) Ypred Y-Ypred (Y-Ypred)²
1 44 395 29.24892 14.75108 217.5942648
2 26 380 29.0226 -3.0226 9.136137628
3 24 573 31.93457 -7.93457 62.95745339
4 47 593 32.23633 14.76367 217.9659009
5 17 456 30.16929 -13.1693 173.4301064
6 17 423 29.67139 -12.6714 160.5639996

Modul 4 Tugas Besar
Kelompok 2

7 16 578 32.01001 -16.01 256.3205132
8 34 419 29.61103 4.388967 19.26302796
9 24 566 31.82896 -7.82896 61.29258095
10 36 580 32.04019 3.959811 15.68010516
11 42 583 32.08545 9.914547 98.29825191
12 28 429 29.76191 -1.76191 3.104336005
13 26 540 31.43667 -5.43667 29.5574012
14 49 459 30.21455 18.78545 352.8931225
15 30 320 28.11733 1.882671 3.544449515
16 31 458 30.19946 0.800538 0.640860573
17 11 416 29.56577 -18.5658 344.6878015
18 19 475 30.45596 -11.456 131.2389505
19 20 420 29.62612 -9.62612 92.66221138
20 11 445 30.00332 -19.0033 361.126146
21 48 407 29.42998 18.57002 344.845705
22 34 346 28.50962 5.490385 30.14432621
23 35 472 30.41069 4.589307 21.06173669
24 14 451 30.09385 -16.0938 259.0119071
25 43 400 29.32436 13.67564 187.0230508
26 49 391 29.18857 19.81143 392.492696
27 25 448 30.04858 -5.04858 25.48819139
28 31 504 30.89351 0.106493 0.01134082
29 15 353 28.61523 -13.6152 185.3745033
30 20 397 29.2791 -9.2791 86.1016803
31 11 569 31.87422 -20.8742 435.7331278
32 43 506 30.92368 12.07632 145.837443
33 14 355 28.64541 -14.6454 214.4879288
34 50 600 32.34195 17.65805 311.8068295
35 35 490 30.68228 4.317724 18.64274217
36 20 498 30.80298 -10.803 116.7043592
37 50 525 31.21035 18.78965 353.050832
38 23 376 28.96225 -5.96225 35.54845796
39 47 319 28.10224 18.89776 357.1252864
40 17 301 27.83066 -10.8307 117.3031667
41 14 563 31.78369 -17.7837 316.2597752
42 39 407 29.42998 9.570022 91.58531485
43 29 532 31.31597 -2.31597 5.363710159

Modul 4 Tugas Besar
Kelompok 2

44 27 342 28.44926 -1.44926 2.100364481
45 21 491 30.69736 -9.69736 94.03886336
46 24 397 29.2791 -5.2791 27.86888742
47 46 335 28.34365 17.65635 311.7467668
48 43 387 29.12822 13.87178 192.4262833
49 13 324 28.17768 -15.1777 230.3619957
50 44 510 30.98403 13.01597 169.4153646
51 24 467 30.33525 -6.33525 40.13543838
52 18 471 30.39561 -12.3956 153.6510308
53 10 312 27.99663 -17.9966 323.8785395
54 33 367 28.82646 4.173539 17.4184239
55 37 400 29.32436 7.675637 58.91540528
56 13 574 31.94966 -18.9497 359.0896603
57 36 363 28.76611 7.23389 52.32916773
58 46 476 30.47104 15.52896 241.1484462
59 49 515 31.05947 17.94053 321.8624786
60 12 304 27.87592 -15.8759 252.0449124
61 23 483 30.57666 -7.57666 57.40578221
62 13 302 27.84575 -14.8457 220.3961911
63 39 407 29.42998 9.570022 91.58531485
64 46 543 31.48194 14.51806 210.7741924
65 35 431 29.79209 5.207912 27.1223428
66 43 350 28.56997 14.43003 208.2258582
67 50 372 28.9019 21.0981 445.1297784
68 13 364 28.7812 -15.7812 249.0462009
69 27 497 30.78789 -3.78789 14.34812021
70 16 435 29.85244 -13.8524 191.8900975
71 14 427 29.73174 -15.7317 247.4875413
72 10 599 32.32686 -22.3269 498.4886442
73 46 598 32.31177 13.68823 187.367604
74 41 435 29.85244 11.14756 124.2680911
75 33 398 29.29419 3.705813 13.73304976
76 46 599 32.32686 13.67314 186.9547778
77 29 328 28.23803 0.761967 0.580594432
78 48 504 30.89351 17.10649 292.6321126
79 30 364 28.7812 1.218802 1.485479046
80 17 572 31.91949 -14.9195 222.5910438

Modul 4 Tugas Besar
Kelompok 2

81 11 558 31.70825 -20.7083 428.8318033
82 42 375 28.94716 13.05284 170.3765058
83 49 343 28.46435 20.53565 421.7128655
84 12 387 29.12822 -17.1282 293.3759168
85 47 510 30.98403 16.01597 256.5111592
86 42 362 28.75102 13.24898 175.5354218
87 26 469 30.36543 -4.36543 19.05697436
88 24 373 28.91699 -4.91699 24.17678077
89 33 483 30.57666 2.42334 5.87257501
90 31 432 29.80718 1.192824 1.422828229
91 17 435 29.85244 -12.8524 165.1852172
92 42 488 30.6521 11.3479 128.7748351
93 41 480 30.5314 10.4686 109.5916572
94 10 355 28.64541 -18.6454 347.6511801
95 36 384 29.08296 6.917044 47.84549589
96 39 599 32.32686 6.673141 44.5308074
97 19 487 30.63701 -11.637 135.4200494
98 45 375 28.94716 16.05284 257.6935168
99 20 354 28.63032 -8.63032 74.48239716
100 41 468 30.35034 10.64966 113.4152254
Total 3000 44478 3000 3.91E-14 16224.36979
∑(Y − Ŷ2 )
Se = √
n−2
16224.36979
Se = √
100−2
Se = √165.55478
= 12.866681
Produksi Pemberian Pemberian
Padi (Y) Pupuk Peptisida
1 44 96 77 28.0674528 15.93254722 253.8460609
2 26 80 25 29.6134243 -3.613424345 13.0568355
3 24 54 60 32.0468828 -8.046882807 64.75232291
4 47 56 74 31.8486942 15.15130581 229.5620679

Modul 4 Tugas Besar
Kelompok 2

5 17 100 17 27.7290637 -10.72906373 115.1128086
6 17 77 48 29.8817132 -12.88171318 165.9385345
7 16 73 44 30.2622755 -14.26227546 203.4125013
8 34 91 44 28.5616064 5.43839358 29.57612473
9 24 68 89 30.7050305 -6.705030474 44.95743366
10 36 87 36 28.9448045 7.055195473 49.77578316
11 42 79 81 29.6710044 12.32899562 152.004133
12 28 56 66 31.8539658 -3.85396584 14.8530527
13 26 93 55 28.3653947 -2.365394669 5.595091939
14 49 68 50 30.7307298 18.26927021 333.7662341
15 30 77 61 29.8731467 0.126853258 0.016091749
16 31 60 15 31.5096462 -0.509646181 0.259739229
17 11 71 95 30.4176319 -19.41763189 377.0444283
18 19 94 69 28.2616877 -9.261687661 85.77885833
19 20 51 66 32.3263739 -12.32637391 151.9394937
20 11 91 57 28.55304 -17.55303998 308.1092126
21 48 51 43 32.3415299 15.65847009 245.1876855
22 34 91 77 28.5398608 5.460139153 29.81311957
23 35 56 90 31.8381509 3.161849122 9.99728987
24 14 57 26 31.7858425 -17.7858425 316.3361933
25 43 74 50 30.1638401 12.83615989 164.7670008
26 49 73 91 30.2313045 18.76869551 352.263931
27 25 93 50 28.3686895 -3.368689452 11.34806863
28 31 73 77 30.2405299 0.759470112 0.576794851
29 15 77 41 29.8863259 -14.88632588 221.6026981
30 20 87 91 28.9085619 -8.908561906 79.36247523
31 11 93 84 28.3462849 -17.34628492 300.8936006
32 43 68 18 30.7518164 12.2481836 150.0180014
33 14 67 26 30.8410264 -16.84102636 283.6201689
34 50 65 62 31.0062671 18.99373285 360.7618877
35 35 77 78 29.8619445 5.138055522 26.39961455
36 20 99 69 27.7892796 -7.789279594 60.67287659
37 50 84 46 29.2216598 20.7783402 431.7394215
38 23 92 82 28.4420844 -5.44208445 29.61628316
39 47 95 74 28.1639113 18.83608874 354.7982389
40 17 71 97 30.416314 -13.41631398 179.9974808
41 14 68 50 30.7307298 -16.73072979 279.9173192

Modul 4 Tugas Besar
Kelompok 2

42 39 53 83 32.1262084 6.873791585 47.24901075
43 29 73 22 30.2767725 -1.276772509 1.63014804
44 27 75 94 30.0403644 -3.040364397 9.243815664
45 21 99 46 27.8044356 -6.804435599 46.30034382
46 24 96 85 28.0621811 -4.062181126 16.5013155
47 46 52 31 32.2549558 13.74504422 188.9262406
48 43 94 88 28.2491675 14.75083252 217.58706
49 13 70 31 30.5542867 -17.55428674 308.1529829
50 44 54 66 32.0429291 11.95707093 142.9715453
51 24 89 100 28.7136681 -4.713668069 22.21866666
52 18 78 13 29.8102951 -11.81029505 139.4830692
53 10 92 88 28.4381307 -18.43813071 339.9646641
54 33 56 86 31.8407867 1.159213295 1.343775463
55 37 93 12 28.3937298 8.606270191 74.0678866
56 13 78 80 29.766145 -16.76614495 281.1036165
57 36 86 41 29.0359914 6.964008643 48.49741638
58 46 97 94 27.9617689 18.0382311 325.3777811
59 49 96 60 28.078655 20.92134496 437.7026747
60 12 71 31 30.4598051 -18.45980513 340.7644053
61 23 69 88 30.6112078 -7.611207817 57.93048444
62 13 88 18 28.8621841 -15.86218414 251.6088855
63 39 73 99 30.2260328 8.77396716 76.98249973
64 46 82 73 29.3928312 16.60716881 275.7980557
65 35 64 11 31.1343556 3.865644446 14.94320698
66 43 68 48 30.7320477 12.2679523 150.5026536
67 50 82 87 29.3836058 20.6163942 425.0357098
68 13 56 98 31.8328792 -18.83287922 354.6773399
69 27 63 82 31.1820512 -4.182051238 17.48955256
70 16 79 25 29.707906 -13.70790596 187.9066858
71 14 86 80 29.010292 -15.01029204 225.3088672
72 10 89 77 28.7288241 -18.72882407 350.7688512
73 46 88 52 28.8397796 17.16022039 294.473164
74 41 82 28 29.4224842 11.57751575 134.038871
75 33 65 81 30.993747 2.006253032 4.025051228
76 46 69 52 30.6349303 15.36506974 236.0853681
77 29 95 93 28.1513911 0.848608915 0.72013709
78 48 86 48 29.0313787 18.96862134 359.8085956

Modul 4 Tugas Besar
Kelompok 2

79 30 76 63 29.9663104 0.033689558 0.001134986
80 17 91 18 28.5787393 -11.5787393 134.0672037
81 11 55 100 31.9260429 -20.92604292 437.8992725
82 42 75 66 30.0588152 11.94118481 142.5918948
83 49 59 21 31.6001741 17.39982595 302.753943
84 12 51 13 32.3612986 -20.36129861 414.5824813
85 47 54 85 32.0304089 14.96959111 224.088658
86 42 96 64 28.0760192 13.92398078 193.8772408
87 26 95 26 28.1955412 -2.195541188 4.820401106
88 24 80 64 29.587725 -5.587725032 31.22267103
89 33 84 28 29.233521 3.766478979 14.1863639
90 31 62 50 31.2976195 -0.297619468 0.088577348
91 17 93 95 28.3390364 -11.3390364 128.5737465
92 42 70 98 30.5101366 11.48986336 132.0169601
93 41 79 18 29.7125187 11.28748134 127.4072351
94 10 78 33 29.7971159 -19.79711592 391.9257987
95 36 82 84 29.3855827 6.61441733 43.75051661
96 39 50 50 32.4313988 6.568601172 43.14652135
97 19 50 88 32.4063585 -13.40635847 179.7304475
98 45 71 15 30.4703484 14.52965157 211.1107746
99 20 83 82 29.292419 -9.29241897 86.34905032
100 41 14 16 35.8551414 5.14485856 26.4695696
Total 3000 7567 5919 3000 1.74083E-13 16166.89782
∑(Y − Ŷ2 )
Se = √
n−2
16166.89782
Se = √
100 − 2
Se = √164.9683
= 12.91003678
Maka, nilai standar error dari produksi padi, pemberian pupuk, dan
pemberian peptisida adalah sebesar 12.844.

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.20 Rekapitulasi Perhitungan

No. Persamaan Regresi Koefisien Korelasi Standard Error
1. Y= 34.50999 - 0.030009X −0.068955 12.89918
2. Y= 37.1571819 - 0.09458X −0.1151 12.84401
3. Y= 30.32701 - 0.00552X −0.01169 12.92907
4. Y= 23.2891427 + 0.01508792X 0.098707 12.866681
Y= 37.18842734 - 0.094481613X1-
5. 0.089514204 12.910036
0.000658957X2
Berdasarkan table diatas, dapat dilihat bahwa dari 5 persamaan, persamaan 4
memiliki koefisien korelasi paling besar dan standar error paling sedikit. Hal ini
menunjukkan bahwa persamaan 4 yang memberikan garis regresi dengan predikisi
terbaik adalah persamaan Y= 23.2891427 + 0.01508792X.
3.2.3 Perhitungan Kasus Analisa Varians
1. Perhitungan Kasus Pertama Analisa Varians
a. Perhitungan Kasus Pertama Analisa Varians Secara Manual
a) ANOVA satu arah dengan menggunakan tingkat signifikasi 0.05
Tabel 3.21 Rekap Data Pengolahan Kasus Pertama
Umur SD (9-12) SMP (14-16) SMA (16-20)
75 23 80
70 56 80
80 76 70
75 40 50
80 70 54
75 90 75
75 95 80
Nilai
70 48 80
Matematika
75 65 89
92 84 89
75 87 89
75 79 90
75 85 85
80 69 76
80 40 60
75 60 70
80 35 64
80 75 64
Nilai 80 60 80
Matematika 75 78 65
75 85 69
89 75 60
90 85 89

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.21 Rekap Data Pengolahan Kasus Pertama (Lanjutan)

Umur SD (9-12) SMP (14-16) SMA (16-20)
90 83 90
83 79 90
85 84 89
80 75 90
80 75 89
80 54 89
73 76 90
75 50 89
75 34 89
96 40 50
76 50 79
75 50 75
75 70 62
80 80 50
75 79 75
88 82 65
75 45 89
85 75 90
71 80 89
68 74 72
69 70 89
75 70 69
Uji Hipotesis
H0=µ1=µ2=µ3 (Umur tidak mempengaruhi hasil pembelajaran
Matematika)
H1≠µ1≠µ2≠µ3 (Umur mempengaruhi hasil pembelajaran
Matematika)
Mencari Fhitung :
𝑇𝑖 2 𝑇2
JKK = (∑ )-
𝑛𝑖 𝑁
35252 30352 34672 100272
=( + + )–
45 45 45 135
= 747932-744746.1
= 3185.837
𝑇2
JKT = (∑𝑖𝑗 2 ) –
𝑁
100272
= 770473 -
135
= 770473 – 744746.1

Modul 4 Tugas Besar
Kelompok 2
= 25726.86
JKS = JKT –JKK
= 25726.86 – 3185.837
= 22541.02
V1 = k-1
= 3-1
=2
V2 = N-k
= 135-3
= 132
𝐽𝐾𝐾
S12 =
𝑉₁
3185.837
=
2
= 1592.919
𝐽𝐾𝑆
S22 =
𝑉2
22541.02
=
132
= 170.7653
𝑠₁2
Maka : Fhitung =
𝑠₂2
1592.919
=
170.7653
= 9.328115
Tabel 3.22 Hasil Perhitungan Manual Pada Kasus Pertma
Sumber Derajat Jumlah Varian F.hitung F.tabel
keseragman bebas kuadrat
Antar kolom 3 3185.837 1592.919 9.328115 3.064761
Antar kolom 132 22541.02 170.7653

sisaan
135 25726.86
Dari hasil yang didapatkan maka diperoleh F hitung sebesar
9.328115dan F table sebesar 3.064761, maka dapat disimpulkan F
hitung > F tabel yang berarti H1 diterima yang menyatakan bahwa umur
mempengaruhi hasil pembelajaran matematika.

Modul 4 Tugas Besar
Kelompok 2
b) ANOVA satu arah dengan menggunakan tingkat signifikasi 0.01

Tabel 3.23 Rekap Data Pengolahan Kasus Pertama
Umur SD (9-12) SMP (14-16) SMA (16-20)
75 23 80
70 56 80
80 76 70
75 40 50
80 70 54
75 90 75
75 95 80
Nilai
70 48 80
Matematika
75 65 89
92 84 89
75 87 89
75 79 90
75 85 85
80 69 76
80 40 60
75 60 70
80 35 64
80 75 64
80 60 80
75 78 65
75 85 69
89 75 60
90 85 89
90 83 90
83 79 90
85 84 89
80 75 90
Nilai 80 75 89
Matematika 80 54 89
73 76 90
75 50 89
75 34 89
96 40 50
76 50 79
75 50 75
75 70 62
80 80 50
75 79 75
88 82 65
75 45 89
85 75 90

Modul 4 Tugas Besar
Kelompok 2
Tabel 3.23 Rekap Data Pengolahan Kasus Pertama (Lanjutan)

Umur SD (9-12) SMP (14-16) SMA (16-20)
71 80 89
68 74 72
69 70 89
75 70 69
Uji Hipotesis
H0=µ1=µ2=µ3 (Umur tidak mempengaruhi hasil pembelajaran
Matematika)
H1≠µ1≠µ2≠µ3 (Umur mempengaruhi hasil pembelajaran
Matematika)
Mencari Fhitung :
𝑇𝑖 2 𝑇2
JKK = (∑ )-
𝑛𝑖 𝑁
35252 30352 34672 100272
=( + + )–
45 45 45 135
= 747932-744746.1
= 3185.837
𝑇2
JKT = (∑𝑖𝑗 2 ) –
𝑁
100272
= 770473 -
135
= 770473 – 744746.1
= 25726.86
JKS = JKT –JKK
= 25726.86 – 3185.837
= 22541.02
V1 = k-1
= 3-1
=2
V2 = N-k
= 135-3
= 132
𝐽𝐾𝐾
S12 =
𝑉₁
3185.837
=
2

Modul 4 Tugas Besar
Kelompok 2
= 1592.919
𝐽𝐾𝑆
S22 =
𝑉2
22541.02
=
132
= 170.7653
𝑠₁2
Maka : Fhitung =
𝑠₂2
1592.919
=
170.7653
= 9.328115
Tabel 3.24 Hasil Perhitungan Manual Pada Kasus Pertma
Sumber Derajat Jumlah Varian F.hitung F.tabel
Antar kolom 3 3185.837 1592.919 9.328115 4.76964
Antar kolom 132 22541.02 170.7653

sisaan
135 25726.86
Dari hasil yang didapatkan maka diperoleh F hitung sebesar
9.328115dan F table sebesar 4.76964, maka dapat disimpulkan F hitung
> F tabel yang berarti H1 diterima yang menyatakan bahwa umur
mempengaruhi hasil pembelajaran matematika.
b. Perhitungan Kasus Pertama Analisa Varians Dengan
a) ANOVA satu arah dengan menggunakan tingkat signifikasi 0.05
Data terdiri dari umur, dan nilai matematika. Berikut adalah
rekapan data.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.53 Rekap Data Umur dan Nilai Matematika

Setelah dilakukan pengelompokan, maka selanjutnya adalah
melakukan pengujian ANOVA satu arah dengan memilih menu
data>data analysis dan kemudian pilih ANOVA: single factor.
Gambar 3.54 Melakukan Uji ANOVA Satu Arah

Langkah selanjutnya adalah menginput data kedalam input range,
dengan cara memblok data protein yang telah diurutkan. Setelah
memasukan data ke kolom input range, selanjutnya masukkan alphanya
sebesar 0.05, klik kotak labels in first rows dan masukkan output range
dengan mengklik di sembarang sel, lalu klik Ok, seperti gambar berikut.
Gambar 3.55 Menginput Data

Tampilan hasil yang didapatkan menggunakan software adalah
sebagai berikut.

Modul 4 Tugas Besar
Kelompok 2
Gambar 3.56 Hasil Pengolahan Software Data Uji ANOVA Satu Arah
Dari hasil yang didapatkan maka diperoleh F hitung (warna ungu)
sebesar 9.32811 dan F crit (warna pink) sebesar 3.06476, maka dapat
disimpulkan F hitung > F crit yang berarti H1 diterima yang menyatakan
bahwa umur mempengaruhi hasil pembelajaran matematika.
b) ANOVA satu arah dengan menggunakan tingkat signifikasi 0.01.
Data terdiri dari umur, dan nilai matematika. Berikut adalah
rekapan data.
Gambar 3.57 Rekap Data Umur dan Nilai Matematika

Setelah dilakukan pengelompokan, maka selanjutnya adalah
melakukan pengujian ANOVA satu arah dengan memilih menu
data>data analysis dan kemudian pilih ANOVA: single factor.
Gambar 3.58 Melakukan Uji ANOVA Satu Arah

Langkah selanjutnya adalah menginput data kedalam input range,
dengan cara memblok data protein yang telah diurutkan. Setelah
memasukan data ke kolom input range, selanjutnya masukkan alphanya
sebesar 0.01, klik kotak labels in first rows dan masukkan output range
dengan mengklik di sembarang sel, lalu klik Ok, seperti gambar berikut.

Modul 4 Tugas Besar
Kelompok 2

sebagai berikut.
Gambar 3.60 Hasil Pengolahan Software Data Uji ANOVA Satu Arah
Dari hasil yang didapatkan maka diperoleh F hitung (warna ungu)
sebesar 9.32811 dan F crit (warna pink) sebesar 4.76964, maka dapat
disimpulkan F hitung > F crit yang berarti H1 diterima yang menyatakan
bahwa umur mempengaruhi hasil pembelajaran matematika.
2. Perhitungan Kasus Kedua Analisa Varians
a. Perhitungan Kasus Kedua Analisa Varians Secara Manual
Tabel 3.25 Rekap Data Pengolahan Kasus Kedua
Metode Penanaman
A B C D E
I 2 2.4 2.5 2.1 3
Jenis Pepaya II 2.7 4 2.4 2.2 2
III 3.1 4.3 3.5 3.4 3
IV 2.8 2.5 2.7 2.3 3.1
V 3.1 1.8 2 3 4
Uji Hipotesis
H0=µ1= µ2= µ3 (Metode dan jenis pepaya tidak mempengaruhi berat
pepaya)
H1≠ µ1≠ µ2≠ µ3 (Metode dan jenis pepaya mempengaruhi berat pepaya)
Modul 4 Tugas Besar
Kelompok 2
Mencari F hitung:
𝐵𝑖 2 𝑇2
JKB = ∑ 𝑟𝑛 − 𝑁
122 13.32 17.32 13.42 13.92 69.92
=( + + + + )−( )
5 5 5 5 5 25
= (28.8 + 35.378 + 59.858 + 35.912 + 38.642) – 195.4404

= 3.1496
𝑇𝑖 2 𝑇2
JKK = ∑ 𝑘𝑛 − 𝑁
13.72 152 13.12 132 15.12 69.92
=( + + + + )−( )
5 5 5 5 5 25
= (37.538 + 45 + 34.322 + 33.8 + 45.602) – 195.4404

= 0.8216
𝑇2
JKT = ∑𝑋𝑖𝑗 2 − 𝑁
69.92
= 206.35 − 25
= 206.35 – 195.4404
= 10.9096
JKS = JKT – JKB – JKK
= 10.9096 – 3.1496 – 0.8216
= 6.9384
V1 = r-1
= 5-1
=4
V2 = k-1
= 5-1
=4
V3 = (r-1) (k-1)
= (5-1) (5-1)
= 16
V4 = rk-1
=5x5-1
= 25 - 1
= 24
𝐽𝐾𝐵
S12 = 𝑉₁

Modul 4 Tugas Besar
Kelompok 2
3.1496
= = 0.7874
4
𝐽𝐾𝐾
S22 = V₂
0.8216
= = 0.2054
4
𝐽𝐾𝑆
S32 = V₃
6.9384
= = 0.43365
16
𝐽𝐾𝑇
S42 =
𝑉₄
10.9096
= = 0.436384
25
Maka Fhitung :
𝑠₁2
= 𝑠₃2
0.7874
= 0.43365
= 1.81575
𝑠₂2
= 𝑠₃2
0.2054
= 0.43365
= 0.473654
Tabel 3.26 Hasil Perhitungan Manual Kasus Kedua
Sumber Derajat Jumlah
Varian F.hitung F.tabel
Blok 4 3.1496 0.7874 1.81575 3.006917
0.8216 0.2054
Antar kolom 4 0.473654 3.006917
interaksi 16 6.9384 0.43365

10.9096
Total 24
Dari hasil yang didapatkan maka diperoleh pada blok F hitung

sebesar 1.81575 dan F table sebesar 3.006917, maka dapat disimpulkan
pada rows F hitung < F tabel yang berarti H0 diterima yang menyatakan
bahwa metode dan jenis papaya tidak mempengaruhi berat pepaya,
sedangkan hasil yang didapatkan pada antar kolom F hitung sebesar
0.473654 dan F table sebesar 3.006917, maka dapat disimpulkan bahwa F
hitung < F tabel yang berarti H0 diterima yang menyatakan bahwa metode
dan jenis papaya tidak mempengaruhi berat pepaya.
b. Perhitungan Kasus Kedua Analisa Varians Dengan Menggunakan
Software
Modul 4 Tugas Besar
Kelompok 2
Pada kasus kedua pengolahan datanya menggunakan pengujian

ANOVA dua arah. Berikut adalah langkah-langkah pengolahan datanya.
Langkah Pertama yaitu menginputkan data ke dalam Microsoft Excel.
Gambar 3.61 Rekap Data Kasus Kedua

Setelah menginput data, maka selanjutnya adalah melakukan
pengujian ANOVA dua arah dengan memilih menu data>data analysis dan
kemudian pilih ANOVA: two-factor without replication, lau klik OK
seperti berikut ini.
Gambar 3.62 Melakukan Uji ANOVA Dua Arah

Langkah selanjutnya adalah memasukan data campuran makanan
dan jenis kambing kedalam input range. Caranya adalah dengan memblok
data campuran makanan dan jenis kambing. Setelah memasukan data ke
kolom input range, selanjutnya masukkan alphanya sebesar 0.05, klik
kotak labels dan masukkan output range dengan mengklik di sembarang
sel, lalu klik Ok, seperti gambar berikut.

Modul 4 Tugas Besar
Kelompok 2

sebagai berikut.
Gambar 3.64 Hasil Pengolahan Software Data Uji ANOVA Dua Arah
Dari hasil yang didapatkan maka diperoleh pada rows F hitung
(warna hijau) sebesar 1.81575 dan F crit (warna ungu) sebesar 3.006917,
maka dapat disimpulkan pada rows F hitung < F crit yang berarti H0
diterima yang menyatakan bahwa metode dan jenis papaya tidak
mempengaruhi berat pepaya, sedangkan hasil yang didapatkan pada
columns F hitung (warna hijau) sebesar 0.473654 dan F crit (warna ungu)
sebesar 3.006917, maka dapat disimpulkan bahwa F hitung < F crit yang
berarti H0 diterima yang menyatakan bahwa metode dan jenis pepaya tidak
mempengaruhi berat pepaya.

Modul 4 Tugas Besar
Kelompok 2
BAB IV
ANALISA
4.1 Analisa Uji Hipotesis
4.1.1 Analisa Perhitungan Manual
Pengolahan data manual dalam praktikum ini yaitu berdasarkan
prosedur pengujian hipotesis. Pertama menentukan Formulasi Hipotesis,
yaitu penyusunan hipotesis awal dan hipotesis nol (H0) dan penyusunan
hipotesis tandingan / alternatif (H1). Menentukan Jenis Uji Statistik (z atau t)
yaitu sampel data yang dimiliki berjumlah besar, sebanyak 40 data, maka
digunakan Uji mean Z. Menentukan arah pengujian (1 atau 2) dengan melihat
formulasi hipotesis tertulis dalam bentuk lebih besar (˃) atau lebih kecil (˂)
maka digunakan pengujian 1 arah, sedangkan bila ditulis dengan sama
dengan(=) dan tidak sama dengan (≠), maka digunakan uji 2 arah. Pada kasus
ini digunakan uji 2 arah pada Kota Pontianak dan Lampung. Sedangkan pada
kota Bandung menggunakan uji 1 arah karena terdapat banyak populasi di
kota tersebut.
Perhitungan secara manual pada Kota Pontianak, Taraf signifikasi yang
digunakan dalam pengolahan data ini yaitu 0.05 dibagi 2 dan mendapatkan
hasil 0.025. Pada Tabel distribusi normal 0.025 bernilai 1.96. Maka
disimpulkan bahwa H0 diterima dan H1 yang ditolak. Hal ini terjadi karena
nilai Z kota Pontianak yang didapatkan yaitu 0.070304 sehingga memenuhi
kriteria -1,96 < 0.070304 < 1,96. Maka dapat disimpulkan bahwa angka
kelahiran di Pontianak sama dengan 46 kali per tahun.
Perhitungan secara manual pada Kota Bandung, Taraf signifikasi yang
hasil 0.05. pada Tabel distribusi normal 0.05 bernilai 1,645. Maka
disimpulkan bahwa H0 diterima dan H1 ditolak. Hal ini terjadi karena nilai Z
pada Kota Bandung yang didapatkan yaitu 0,523458 sehingga 0,523458 <
1,645 maka dapat disimpulkan bahwa angka kelahiran di Pontianak sama
Perhitungan secara manual pada Kota Lampung, Taraf signifikasi yang
hasil 0.1. pada Tabel distribusi normal 0.1 bernilai 1,28. Maka disimpulkan
bahwa H0 ditolak dan H1 yang diterima hal ini terjadi karena nilai Z pada
Modul 4 Tugas Besar
Kelompok 2
Kota Lampung terdapat diluar taraf signifikasi yaitu -1,30326 sehingga -1.28
> -1,30326 < 1.28, maka dapat disimpulkan bahwa angka kelahiran di
Pontianak tidak sama dengan 46 kali per tahun.
Dari pernyataan diatas diketahui bahwa pada perhitungan manual nilai
z diketahui berdasarkan nilai mean yang nilainya tegak lurus dengan nilai Z
yang artinya semakin besar nilai mean maka nilai Z yang didapat semakin
besar juga, nilai µo yang berbanding terbalik dengan nilai Z yang berarti
semakin besar nilai µo maka nilai Z semakin kecil, nilai standar deviasi
berbanding terbalik dengan nilai Z dan berbanding lurus dengan jumlah data
yang akan diuji.
4.1.2 Analisa Perhitungan Menggunakan Software
Perhitungan data menggunakan software dicari dengan menggunakan
nilai mean, variansi, standar deviasi, sigma, wilayah, nilai z, nilai z
probabilitas dan nilai p value. Nilai mean digunakan untuk mencari rata-rata
dari data Kota Pontianak, Kota Bandung dan Kota Lampung dicari dengan
menggunakan rumus average pada microsoft excel. Nilai variansi dicari Kota
Pontianak, Kota Bandung dan Kota Lampung merupakan data sampel yang
diambil dari sebuah populasi. Nilai Standar deviasi menggunakan rumus
stdev.s karena data Kota Pontianak, Kota Bandung dan Kota Lampung
merupakan data sampel yang diambil dari sebuah populasi. Nilai sigma dan
uji mean z sudah diketahui atau nilai sigma dapat dicari menggunakan
distribusi t. Nilai yang telah didapat tersebut akan digunakan untuk mencari
nilai z yang berkaitan dengan z(prob) dan P value.
Perhitungan Kota Pontianak dengan menggunakan software microsoft
excel diketahui bahwa nilai p value yang bernilai 0,7452 lebih besar daripada
taraf nyata 0,05 maka dapat disimpulkan bahwa H0 diterima dan H1 ditolak
dan dapat disimpulkan bahwa angka kelahiran di Pontianak sama dengan 46
kali per tahun. Perhitungan Kota Bandung diketahui bahwa nilai p value
yang bernilai 0,600656 lebih besar daripada taraf nyata 0,1 maka dapat
disimpulkan bahwa H0 diterima dan H1 ditolak dan dapat disimpulkan bahwa
angka kelahiran di Bandung sama dengan 46 kali per tahun. Perhitungan Kota
Lampung diketahui bahwa nilai p value yang bernilai 1,807515 lebih besar
daripada taraf nyata 0,2 maka dapat disimpulkan bahwa H0 ditolak dan H1

Modul 4 Tugas Besar
Kelompok 2
diterima, dapat disimpulkan bahwa angka kelahiran di Lampung tidak sama

4.1.3 Analisa Perbandingan Perhitungan Software dan Manual
Pada perbandingan perhitungan software dengan perhitungan manual
yaitu pada perhitungan manual yaitu dengan melihat nilai Z. untuk
menghitung Z yang dibutuhkan adalah nilai mean, nilai µo, dan jumlah data
yang diuji. Bila nilai Z tidak terletak di wilayah titik kritis maka H0 ditolak
dan H1 di terima. Bila niai Z terletak di wilayah titik kritis maka H0 diterima
dan H1 ditolak. Sedangkan pada perhitungan dengan menggunakan software
yaitu dengan melihat nilai P value, untuk mendapatkan nilai P value
dibutuhkan nilai Z. H0 diterima jika nilai P value lebih besar dari taraf
signifikansi, sedangkan H0 ditolak jika nilai P value lebih kecil dari taraf
signifikansi.
4.2 Analisa Uji Korelasi dan Regresi
4.2.1 Analisa Regresi Menggunakan Perhitungan Manual
Perhitungan manual perbandingan antara produksi padi dengan
pemberian bibit diketahui hasil perhitungan dengan menggunakan rumus
diatas bahwa besar a adalah 34.50999, nilai b adalah -0.030009 nilai itu
didapat dari hasil perhitungan dengan menggunakan rumus a dan b dengan
∑Y (jumlah produksi padi) adalah 3000, nilai ∑X (jumlah pemberian pupuk)
adalah 15029, nilai ∑XY (jumlah produksi padi dikalikan jumlah pemberian
bibit) adalah 448274, nilai X2 adalah 2345217. Maka persamaan regresi yang
didapat adalah Y= 34.50999 - 0.030009X. Jika pemberian bibit mencapai 10
kali maka akan diprediksikan terdapat 34.2099 produksi padi yang dihasilkan.
Perhitungan manual perbandingan antara Produksi padi dengan
pemberian pupuk .Diketahui hasil perhitungan dengan menggunakan rumus
diatas bahwa besar a adalah 37.1571819, nilai b adalah -0.09458 nilai itu
∑Y ( jumlah produksi padi ) adalah 3000, nilai ∑X ( jumlah pemberian
pupuk) adalah 7567, nilai ∑XY (jumlah produksi padi dikalikan jumlah
pemberian pupuk) adalah 224715,nilai X2 adalah.596859 Maka persamaan
regresi yang didapat adalah Y= 37.1571819-0.09458 X. Jika pemberian
pupuk sebanyak 10 kali maka akan diprediksikan terdapat 36.2113 produksi
padi yang dihasilkan.
Modul 4 Tugas Besar
Kelompok 2
Perhitungan manual perbandingan antara Produksi Padi dengan

pemberian peptisida. diketahui hasil perhitungan dengan menggunakan
rumus diatas bahwa besar a adalah 30.32701, nilai b adalah -0.00552. nilai itu
∑Y ( jumlah produksi padi ) adalah 3000, nilai ∑X ( jumlah banyak
pemberian peptisida) adalah 5919 , nilai ∑XY (jumlah produksi padi
dikalikan jumlah banyak pemberian peptisida) adalah 177165 ,nilai X2
adalah 423653. Maka persamaan regresi yang didapat adalah Y= 30.32701-
0.00552X. Jika pemberian peptisida sebanyak 10 kali maka akan
diprediksikan terdapat 30.27181 produksi padi yang dihasilkan.
Perhitungan manual perbandingan antara Produksi padi dengan
Intensitas air. Diketahui hasil perhitungan dengan menggunakan rumus diatas
bahwa besar a adalah 44.0986, nilai b adalah -0.05323. Nilai itu didapat dari
hasil perhitungan dengan menggunakan rumus a dan b dengan ∑Y (jumlah
produksi panas) adalah 3000, nilai ∑X (jumlah intensitas air) adalah 44478,
nilai ∑XY (jumlah produksi padi dikalikan jumlah intensitas air) adalah
1344920, nilai X2 adalah 20484148, maka persamaan regresi yang didapat
adalah Y= 44.098+ 0.05323X. Jika lama perendaman selama 30 menit maka
akan diprediksikan terdapat 44.098 produksi padi yang dihasilkan.
4.2.2 Analisa Regresi Menggunakan Software
4.2.3 Perbandingan Analisa Regresi Secara Manual dan Menggunakan
Software
Perhitungan regresi menggunakan software dilakukan dengan
Microsoft excel. Fungsi regresi dihitung secara otomatis dengan
memanfaatkan data analysis. Tampilan yang ditunjukan berupa summary
output, residual output. Hasil summary output terdiri atas tabel regression
statistic dan tabel anova, sedangkan hasil dari residual output berupa tabel
pengamatan dan perkiraan suatu variabel Y. Persamaan regresi dihitung
secara manual dengan menggunakan rumus.
Berdasarkan hasil perhitungan antara software dan manual, hasil yang
didapat antara kedua cara perhitungan menunjukan hasil yang sama. Hasil
perhitungan software dapat dilihat pada tabel regresi dilihat pada kolom
koefisien dengan baris intercept sebagai hasil konstanta a dan dibawah nilai
konstanta a adalah nilai koefisien regresi b. Hasil perhitungan manual
Modul 4 Tugas Besar
Kelompok 2
dihitung dengan cara menentukan variabel independen dan variabel

dependen. Persamaan umum regrsi adalah Y= a+bX. Nilai konstanta a
dihitung menggunakan rumus 2.4 sedangkan nilai koefisien regresi b dihitung
dengan menggunkan rumus 2.5. Diambil salah satu contoh hasil regresi pada
perihitungan manual antara produksi padi dan penanaman bibit adalah Y=
34.50999 - 0.030009X. Sedangkan hasil regresi pada perhitungan software
antara produksi padi dan penanaman bibit adalah sama, akan tetapi hasil yang
lebih akurat menggunakan software.
4.2.4 Analisa Korelasi Menggunakan Perhitungan Manual
Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi padi dan penanaman bibit, yaitu −0.068955, hasil tersebut
menunjukkan bahwa antara produksi padi dan penanaman bibit memiliki
hubungan yang tidak erat. Pada perhitungan analisis korelasi pada
perbandingan hubungan antara produksi padi dan pemberian pupuk, yaitu
−0.1151, hasil tersebut menunjukkan bahwa antara produksi padi dan
pemberian pupuk tidak erat. Pada perhitungan analisis korelasi pada
perbandingan hubungan antara produksi padi dan pemberiaan peptisida, yaitu
−0.01169, hasil tersebut menunjukan bahwa antara produksi padi dan
pemberian peptisida memiliki hubungan yang tidak erat. Pada Perhitungan
analisis korelasi pada perbandingan hubungan antara produksi padi dan
intensitas air, yaitu 0.098707, hasil tersebut menunjukan bahwa antara
produksi kaca dan derajat panas memiliki hubungan yang tidak erat.
4.2.5 Analisa Korelasi Menggunakan Software
Megetahui dimana letak kesalahan maupun untuk memperdalam lagi
mengenai analisis regresi dan korelasi dapat menggunakan software, maka
perlu adanya dibuat suatu bentuk analisa agar dapat lebih memahami
permasalahan yang ada. Pada perhitungan korelasi hubungan antara produksi
padi dan penanaman bibit, maka didapatkan nilai korelasi antara variabel X
(penanaman bibit) dengan variabel Y (produksi padi) adalah sebesar -
0.068954895, yang berarti hubungan antara variabel X dan Y memiliki
hubungan yang tidak erat. Pada perhitungan korelasi hubungan antara
produksi padi dan pemberian pupuk, maka didapatkan nilai korelasi antara
variabel X (pemberian pupuk) dengan variabel Y (produksi padi) adalah
sebesar -0.0115104032, yang berarti hubungan antara variabel X dan Y
Modul 4 Tugas Besar
Kelompok 2
memiliki hubungan yang tidak erat. Pada perhitungan korelasi hubungan

antara produksi padi dan pemberian peptisida, maka didapatkan nilai korelasi
antara variabel X (pemberian peptisida) dengan variabel Y (produksi padi)
adalah sebesar -0,011686142, yang berarti hubungan antara variabel X dan Y
memiliki hubungan yang tidak erat. Pada perhitungan korelasi hubungan
antara produksi padi dan intensitas air, maka didapatkan nilai korelasi antara
variabel X (intensitas air) dengan variabel Y (produksi padi) adalah sebesar
0.09870706914, yang berarti hubungan antara variabel X dan Y memiliki
hubungan yang tidak erat. Pada perhitungan korelasi hubungan antara
produksi padi, pemberian pupuk dan pemberian peptisida, maka didapatkan
nilai korelasi antara variabel Y (produksi padi) dengan variabel X1
(pemberian pupuk) dan X2 (pemberian peptisida) adalah -0.115104032, -
0.011686142, dan 0.089514204. Akan tetapi diambil nilai korelasi yang
terbesar yaitu 0.089514204, yang berarti hubungan antara Y dengan variabel
X1 dan X2 memiliki hubungan yang tidak erat.
4.2.6 Perbandingan Analisa Korelasi Secara Manual dan Menggunakan
Software
Berdasarkan hasil perhitungan antara software dan manual, hasil
yang didapat antara kedua cara perhitungan menunjukan hasil yang berbeda.
Hasil perhitungan software dapat dilihat pada tabel correlation sedangkan
yang manual dihitung menggunakan rumus. Hasil korelasi berganda yang
berbeda, hal ini disebabkan karena pada korelasi berganda software,
hubungan korelasinya dihitung per item. Jadinya pada korelasi berganda
terdapat 3 hasil korelasi, sedangkan pada korelasi berganda manual hubungan
korelasi antara 3 item tersebut dihitung menjadi satu.
4.2.7 Analisa Persamaan Regresi Terbaik
Dari persamaan hasil perhitungan regresi untuk penginputan data
produksi padi dan penanaman bibit di dapatkan garis regresi yaitu Y=
34.50999 - 0.030009X dengan koefisien korelasinya sebesar -0.068955, dan
standar errornya adalah 12.89918, membuktikan bahwa antara produksi padi
dan penanaman bibit memiliki hubungan yang tidak terlalu signifikan.
Persamaan kedua hasil untuk penginputan data produksi padi dan pemberian
pupuk didapatkan garis regresi yaitu Y= 37.1571819 - 0.09458X dengan
koefiesien korelasinya sebesar -0.1151, dan standar error adalah 12.84401,
Modul 4 Tugas Besar
Kelompok 2
membuktikan bahwa antara produksi padi dan pemberian pupuk memiliki

hubungan yang tidak terlalu signifikan. Persamaan ketiga hasil untuk
penginputan data produksi padi dan pemberian peptisida didapatkan garis
regresi yaitu Y= 30.32701 - 0.00552X dengan koefiesien korelasinya sebesar
-0.01169, dan standar error adalah 12.92907, membuktikan bahwa antara
produksi padi dan pemberian peptisida memiliki hubungan yang tidak terlalu
signifikan. Persamaan keempat hasil untuk penginputan data produksi padi
dan intensitas air didapatkan garis regresi yaitu Y= 23.2891427 +
0.01508792X dengan koefiesien korelasinya sebesar 0.098707, dan standar
error adalah 12.866681, membuktikan bahwa antara produksi padi dan
intensitas air memiliki hubungan yang signifikan. Persamaan kelima hasil
untuk penginputan data produksi padi, pemberian pupuk, dan pemberian
peptisida didapatkan garis regresi yaitu Y= 37.18842734 - 0.094481613X1-
0.000658957X2 dengan koefiesien korelasinya sebesar 0.089514204, dan
standar error adalah 12.910036, membuktikan bahwa antara produksi padi,
pemberian pupuk, dan pemberian peptisida memiliki hubungan yang tidak
terlalu signifikan. Berdasarkan lima persamaan perhitungan regresi, yang
merupakan perhitungan persamaan dengan garis prediksi terbaik adalah
persamaan keempat, sebab pada persamaan regresi Y= 23.2891427 +
0.01508792X, memiliki standar error yang paling kecil yakni 12.866681 dan
koefisien korelasi yang besar yaitu 0.089514204.
4.3 Analisa Uji ANOVA
4.3.1 Analisa Kasus Pertama dengan Perhitungan Manual
4.3.2 Analisa Kasus Pertama dengan Perhitungan Software
4.3.3 Analisa Kasus Pertama Perbandingan Perhitungan Manual dan
Software
4.3.4 Analisa Kasus Kedua dengan Perhitungan Manual
Kasus kedua yaitu analisi untuk mengetahui pengaruh metode
penanaman dan jenis pepaya mempengaruhi berat pepaya. Hipotesis awal
adalah Metode penanaman dan jenis pepaya tidak mempengaruhi berat
pepaya. Perhitungan manual ini menggunakan rumus ANOVA dua arah tanpa
replikasi karena dipengaruhi oleh dua faktor yaitu 4 metode penanaman dan
jenis pepaya yang mempengaruhi berat pepaya. Dari perhitungan manual
tersebut didapat hasil F hitung sebesar 1.81575 dan 0.473654. Hasil tersebut
Modul 4 Tugas Besar
Kelompok 2
didapat dari hasil perhitungan Jumlah kuadrat antarkolom, jumlah kuadrat

antar baris dan jumlah kuadrat sisaan yang menghasilkan tiga varian yaitu
0.8216, 3.1496 dan 6.9384. Dari kedua hasil F hitung tersebut diketahui
bahwa H0 diterima, karena hasil F tabel sebesar 3.006917dan lebih besar dari
F hitung sebesar 1.81575 dan 0.473654 . sehingga dapat disimpulkan bahwa
metode dan jenis pepaya tidak mempengaruhi berat pepaya.
4.3.5 Analisa Kasus Kedua dengan Perhitungan Software
Perhitungan software pada kasus dua menggunakan Microsoft excel,
penggunaan data analisis di Microsoft excel untuk menghitung data analisis
varians. Kasus dua menggunakan metode ANOVA dua arah sehingga
kesimpulan yang diambil ada dua buah. Jenis ANOVA yang digunakan
adalah ANOVA dua arah tanpa replikasi, karena pada permasalahan kasus
dua menunjukan bahwa metode penanaman A, B, C, D, dan E diberikan
perlakuan I hanya satu kali, begitu pula dengan perlakuan II, III, IV, dan V.
Berdasarkan permasalahan yang ada diketahui bahwa taraf signifikan 0.05.
Hipotesis yang diuji pada permasalahan kasus kedua adalah metode dan jenis
pepaya tidak mempengaruhi berat papaya.
Berdasarkan hasil yang didapatkan maka diperoleh pada rows F hitung
(warna hijau) sebesar 1.81575 dan F crit (warna ungu) sebesar 3.006917.
Hasil perhitungan tersebut didapat dari F tabel (v1 dan v3) dimana derajat
bebas v1 sebesar 4 dan v3 sebesar 16, maka dapat disimpulkan pada rows F
hitung < F crit yang berarti H0 diterima yang menyatakan bahwa metode dan
jenis papaya tidak mempengaruhi berat pepaya, sedangkan hasil yang
didapatkan pada columns F hitung (warna hijau) sebesar 0.473654 dan F crit
(warna ungu) sebesar 3.006917. Hasil perhitungan tersebut didapat dari F
tabel (v2 dan v3) dimana derajat bebas v2 sebesar 4 dan v3 sebesar 16, maka
dapat disimpulkan bahwa F hitung < F crit yang berarti H0 diterima yang
menyatakan bahwa metode dan jenis pepaya tidak mempengaruhi berat
pepaya.
4.3.6 Analisa Kasus Kedua Perbandingan Perhitungan Manual dan Software
Analisa perbandingan antara perhitungan manual dengan perhitungan
menggunakan software berisi tentang perbandingan antara hasil perhitungan
secara manual dengan perhitungan menggunakan software. Pada perhitungan
dengan menggunakan manual tahapan perhitungan yang dilakukan adalah
Modul 4 Tugas Besar
Kelompok 2
menghitung perhitungan jumlah kuadrat baris, perhitungan jumlah kuadrat

kolom sedangkan pada software perhitungan dilakukan untuk mencari besar
F hitung dan F tabel.
Perhitungan manual pada blok hasil F hitung yang diperoleh sebesar
0.319934 dan F tabel sebesar 3.862548. Sedangkan pada software diperoleh
pada rows F hitung (warna ungu) sebesar 0.319934 dan F crit (warna pink)
sebesar 3.862548, hasil perhitungan tersebut didapat dari F tabel (v1 dan v3)
dimana derajat bebas v1 sebesar 3 dan v3 sebesar 9.
Perhitungan manual pada antar kolom hasil F hitung yang diperoleh
sebesar 1.635255 dan F tabel sebesar 3.862548. Sedangkan pada software
diperoleh pada columns F hitung (warna ungu) sebesar 1.635255 dan F crit
(warna pink) sebesar 3.862548, hasil perhitungan tersebut didapat dari F tabel
(v1 dan v3) dimana derajat bebas v1 sebesar 3 dan v3 sebesar 9. Sehingga dapat
di simpulkan bahwa perhitungan secara manual dan perhitungan yang
menggunakan software hasilnya sama.

Modul 4 Tugas Besar
Kelompok 2
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
5.2 Saran


Praktikum Statistika Industri Modul 4 Tugas Besar Kelompok 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Praktikum Statistika Industri Modul 4 Tugas Besar Kelompok 2

Diunggah oleh

Hak Cipta:

Praktikum Statistika Industri

Modul 4 Tugas Besar

Program Studi Teknik Industri

Program Studi Teknik Industri

parameter populasi. Sebuah teknik yang dipakai untuk membandingkan dua

Batasan pada laporan praktikum modul 4 antara lain ;

Program Studi Teknik Industri

Gambar 1.1 Flowchart Praktikum

Program Studi Teknik Industri

4. Pengumpulan data historis

Program Studi Teknik Industri

Program Studi Teknik Industri

Program Studi Teknik Industri

Hipotesis alternatif adalah hipotesis yang di rumuskan sebagai lawan

Gambar 2.1 Formulasi Hipotesis

Program Studi Teknik Industri

pengujian (critical region of a test) atau daerah penolakan (region of

Bila 𝜎 tidak diketahui maka dapat menggunakan rumus berikut ini:

Program Studi Teknik Industri

µo = Rata-rata dari populasi

variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu

untuk statistik nonparametrik. Koefisien korelasi Rank Spearman lebih

explanatory). Variabel pertama disebut juga sebagai variabel tergantung

3. Hubungan antara suhu ruangan dengan cacat produksi yang dihasilkan.

Berikut ini adalah Langkah-langkah dalam melakukan analisis regresi

Y’ = Variabel dependen (nilai yang diprediksikan)

Program Studi Teknik Industri

Merupakan jumlah kuadrat selisih antara skor individual dengan rata-

3) Derajat kebebasan untuk JKG

Prosedur analisis varians (Analysis of Variance—ANOVA)

Program Studi Teknik Industri

Program Studi Teknik Industri

hubungan antara produksi padi dengan faktor-faktor yang

Program Studi Teknik Industri

Tabel 3.4 Hasil Pengamatan Produsi Padi dan Faktor-faktornya (Lanjutan)

Program Studi Teknik Industri

Tabel 3.4 Hasil Pengamatan Produsi Padi dan Faktor-faktornya (Lanjutan)

Program Studi Teknik Industri

Tabel 3.4 Hasil Pengamatan Produsi Padi dan Faktor-faktornya (Lanjutan)

Program Studi Teknik Industri

Umur SD (9-12) SMP (14-16) SMA (16-20)

Program Studi Teknik Industri

Tabel 3.6 Hasil Pengamata Pertumbuhan Berat Pepaya

Program Studi Teknik Industri

b. Menentukan Jenis Uji Statistik (z atau t)

z <  z dan z > z atau :

2. Perhitungan daerah Bandung

Program Studi Teknik Industri

e. Menentukan Wilayah Kritis

z <  z dan z > z atau :

kecil daripada taraf signifikasi, maka 0,523458 < 1,645 adalah

Program Studi Teknik Industri

Langkah- langkah untuk menyelesaikan uji hipotesis secara manual adalah

z <  z dan z > z atau :

Program Studi Teknik Industri

Gambar 3.1 Data Daerah Pontianak

Gambar 3.2 Perhitungan Mean Daerah Pontianak

Program Studi Teknik Industri

c. Lakukan perhitungan variansi pada daerah Pontianak dengan

Gambar 3.3 Perhitungan Variansi Daerah Pontianak

Gambar 3.4 Perhitungan Standar Devisiasi Daerah Pontianak

Gambar 3.5 Perhitungan Nilai Z Daerah Pontianak

Gambar 3.6 Perhitungan nilai Z Probabilitas Daerah Pontianak

Gambar 3.7 Perhitungan P-value Daerah Pontianak

Gambar 3.8 Hasil Perhitungan Daerah Pontianak

Gambar 3.9 Perhitungan Mean Daerah Bandung