BAB I

PENDAHULUAN

A. Latar Belakang

Sering kali kita menghadapi banyak rata-rata (lebih dari dua rata-rata).
apabila kita mengambil langkah pengujian perbedaan rata-rata tersebut satu
persatu (dengan t test) akan memakan waktu, tenaga yang banyak. di samping
itu, kita akan menghadapi risiko salah yang besar. untuk itu, telah ditemikan
cara analisis yang mengandung kesalahan lebih kecil da dapat menghemat
waktu serta tenaga yaitu dengan ANOVA (Analisys of variances).

Korelasi adalah istilah statistik yang menyatakan derajat hubungan

linier antara dua variabel atau lebih. Analisis korelasi pertama kali
dikembangkan oleh Karl Pearson pada tahun 1900. Di dalam teknik analisis
korelasi, hubungan antara dua variabel hanya mengenal hubungan searah
(linier) saja, misalnya: tinggi badan menyebabkan berat badannya bertambah,
tetapi berat badannya bertambah belum tentu menyebabkan tinggi badannya
bertambah pula. Sehingga dari contoh tersebut dapat diketahui bahwa dalam
analisis korelasi dikenal penyebab dan akibatnya.

Regresi artinya peramalan, penaksiran, atau pendugaan pertama kali

di perkenalkan pada tahun 1877 oleh Sir Francis Galton (1822 – 1911).
Sehubungan dengan penelitiannya terhadap tinggi manusia. Penelitian
tersebut membandingkan antara tinggi anak laki-laki dan tinggi badan
ayahnya.

1
B. Rumusan Masalah

1. Apa definisi dari One-Way ANOVA?

2. Apa kriteria Data One-Way ANOVA?

3. Apa kegunaan dari One-Way ANOVA?

4. Bagaimana prosedur Penghitungan One-Way ANOVA menggunakan

SPSS?

5. Bagaimana analisa korelasi?

6. Bagaimana tekhnik dan aplikasi penghitungan korelasi?

7. Apa definisi analisis regresi?

8. Bagaimana contoh kasus regresi linier sederhana?

9. Bagaimana cara menggunakan regresi linier sederhana dengan SPSS?

C. Tujuan

1. Menjelaskan apa yang dimaksud dengan Uji Anova, Korelasi dan Regresi
Sederhana
2. Menjabarkan tekhnik analisa korelasi Uji Anova, Korelasi dan Regresi
Sederhana
3. Mengaplikasikan analisa korelasi Uji Anova, Korelasi dan Regresi
Sederhana

2
 BAB II

PEMBAHASAN

A. Pengertian One-Way ANOVA (Analysis of Variance)

Analisis of variance atau ANOVA merupakan salah satu teknik

analisis multivariate yang berfungsi untuk membedakan rerata lebih dari dua
kelompok data dengan cara membandingkan variansinya. Sedangkan menurut
Teguh Wahyono dalam bukunya, One-Way ANOVA merupakan
prosedur yang digunakan untuk menghasilkan analisis variansi satu arah
untuk variabel dependen dengan tipe data kuantitatif dengan sebuah variabel
independen sebagai variabel faktor.

Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher

(Bapak Statistika Modern). Dalam praktek, analisis varians dapat merupakan
uji hipotesis (lebih sering dipakai) maupun pendughaan (estimasi khususnya
di bidang genetika terapan). Analisis varian dapat dilakukan untuk
menganalisis data yang berasal dari berbagai macam jenis dan desain
penelitian.

B. Kriteria Data One-Way ANOVA

Sebelum menguji dengan ANOVA, data harus berdistribusi normal

dan mempunyai varians yang sama.

Data yang digunakan pada One-way Anova untuk nilai variabel pada
faktor harus integer sedangkan variabel dependen harus berupa data
kuantitatif (tingkat pengukuran interval).

Asumsi yang digunakan pada One-way Anova, yaitu setiap kelompok

pada sampel acak independen dari populasi yang normal dan bervarian
homogen.

3
 Dari output uji Anova akan diperoleh nilai F hitung. Jika nilai F
hitung tidak signifikan, berarti rata-rata variabel dependen pada tingkat faktor
yang ditentukan identik. Jika F hitung signifikan berarti terdapat perbedaan
rata-rata variabel dependen pada tingkat faktor yang telah ditentukan.

C. Kegunaan One-Way ANOVA

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.

Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan

untuk berbagai bentuk percobaan yang lebih rumit. Selain itu, analisis ini juga
masih memiliki keterkaitan dengan analisis regresi. Akibatnya,
penggunaannya sangat luas di berbagai bidang, mulai dari eksperimen
laboratorium hingga eksperimen periklanan, psikologi, dan kemasyarakatan.

D. Tutorial Uji ANOVA dengan SPSS

Sebagai bahan uji coba, maka kita gunakan contoh sebuah penelitian
yang berjudul “Perbedaan Pendapatan Berdasarkan Pekerjaan”. Dimana
pendapatan sebagai variabel terikat bertipe data kuantitatif atau numerik.
Sedangkan pekerjaan sebagai variabel bebas berskala data kualitatif atau
kategorik. Yaitu dengan 3 kategori: Tani, Buruh dan Lainnya. (Ingat bahwa
uji One Way Anova dilakukan apabila variabel terikat adalah interval dan
variabel bebas adalah kategorik). (Pelajari juga tentang Pengertian Data)

4
 Langsung Saja: Masuk ke pembahasan Tutorial Uji ANOVA di bawah ini.

Tutorial One Way Anova

 Buka SPSS.
 Buka Tab Variable View, buat 2 variabel: Pekerjaan dan Pendapatan.
 Ubah Type Pekerjaan ke “Numeric”, Decimals “0”, beri label “Pekerjaan”,
ubah measure menjadi “Nominal” dan isi value dengan kategori: 1 = Tani,
2 = Buruh dan 3 = Lainnya.
 Ubah Type Pendapatan ke “Numeric”, Decimals “0”, beri label
“Pendapatan”, ubah measure menjadi “Scale”.

Contoh Data Uji ANOVA

 Buka Data View dan isikan data sebanyak 24 responden sebagai berikut:

5
 Pada menu, pilih Analyze, Compare Means, One-Way ANOVA, sampai
muncul jendela One-Way ANOVA seperti di bawah ini:

 Pilih variabel “Pendapatan” lalu masukkan ke kotak “Dependent List:”

Kemudian pilih variabel “Pekerjaan” lalu masukkan ke kotak “Factor:”
Sehingga nampak seperti di bawah ini:

6
 Klik tombol Options, akan muncul jendela ini: Centang “Descriptive” dan
“Homogenity of variance test“

 Klik Continue
 Masih dijendela One Way ANOVA, klik tombol Post Hoc, sampai muncul
jendela Centang Bonferroni dan Games-Howell serta biarkan significance
level = 0,05.

 Klik Continue.

7
 Lalu Klik OK dan Lihatlah hasil!
Hasil terilhat sebagai berikut:

8
1. Interprestasi Uji ANOVA

Interprestasi Baca adalah sebagai berikut:

 Dari tabel Descriptives nampak bahwa responden yang bekerja sebagai Tani
rata-rata berpendapatan sebesar 195497,50, Buruh rata-rata berpendapatan
sebesar 265080,75 dan Lainnya rata-rata berpendapatan 326423,25.
Selanjutnya untuk melihat uji kita lihat di tabel ANOVA.
 Sebelum melanjutkan uji perlu diingat bahwa salah satu asumsi Anova
adalah variansnya sama. Dari tabel Test of Homegeneity of
Variances terlihat bahwa hasil uji menunjukan bahwa varian ketiga
kelompok tersebut sama (P-value = 0,357), sehingga uji Anova valid untuk
menguji hubungan ini.
 Selanjutnya untuk melihat apakah ada perbedaan pendapatan dari ketiga
kelompok pekerja tersebut. Kita lihat tabel ANOVA , dari tabel itu pada
kolom Sig. diperoleh nilai P (P-value) = 0,037. Dengan demikian pada taraf
nyata = 0,05 kita menolak Ho, sehingga kesimpulan yang didapatkan
adalah ada perbedaan yang bermakna rata-rata pendapatan berdasarkan
ketiga kelompok pekerjaan tersebut.
2. Interprestasi Uji ANOVA: Post Hoc

 Jika hasil uji menunjukan Ho gagal ditolak (tidak ada perbedaan), maka uji
lanjut (Post Hoc Test) tidak dilakukan. Sebaliknya jika hasil uji menunjukan
Ho ditolak (ada perbedaan), maka uji lanjut (Post Hoc Test) harus
dilakukan.
 Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna,
maka uji selanjutnya adalah melihat kelompok mana saja yang berbeda.
 Untuk menentukan uji lanjut mana yang digunakan, maka kembali kita lihat
tabel Test of Homogeneity of Variances, bila hasil tes menunjukan varian
sama, maka uji lanjut yang digunakan adalah uji Bonferroni. Namun bilai
hasil tes menunjukan varian tidak sama, maka uji lanjut yang digunakan
adalah ujiGames-Howell.

9
 Dari Test of Homogeneity menghasilkan bahwa varian ketiga kelompok
tersebut sama, maka uji lanjut (Post Hoc Test) yang digunakan adalah Uji
Bonferroni.
 Dari tabel Post Hoc Test di atas memperlihatkan bahwa kelompok yang
menunjukan adanya perbedaan rata-rata pendapatan (ditandai dengan tanda
bintang “*”) adalah Kelompok “Tani” dan “Lainnya”.
Korelasi PPM atau sering disingkat korelasi saja merupakan salah satu
teknik korelasi yang paling banyak digunakan dalam penelitian sosial.
Besarnya angka korelasi disebut koefisien korelasi yang dinyatakan dengan
lambang r.
Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan
untuk mengukur kekuatan dan arah hubungan linier dari dua variabel. Dua
variabel dikatakan berkorelasi apabila perubahan salah satu variabel disertai
dengan perubahan variabel lainnya, baik dalam arah yang sama atau pun arah
yang sebaliknya. Harus diingat bahwa nilai koefisien korelasi yang kecil (tidak
signifikan) bukan berarti kedua variabel tersebut tidak saling berhubungan.
Mungkin saja dua variabel mempunyai keeratan hubungan yang kuat namun
nilai koefisien korelasinya mendekati nol, misalnya pada kasus hubungan non
linier. Koefisien korelasi hanya mengukur kekuatan hubungan linier dan tidak
pada hubungan non linier. Harus diingat pula bahwa adanya hubungan linier
yang kuat di antara variabel tidak selalu berarti ada hubungan kausalitas,
sebab-akibat
Manfaat Korelasi Pearson Product Moment:
 Untuk menyatakan ada atau tidaknya hubungan antara variabel X dengan
variabel Y.
 Untuk menyatakan besarnya sumbangan variabel satu terhadap yang
lainnya yang dinyatakan dalam persen.
Menurut Riduan dan Kuncoro (2008,61) metode PPM termasuk teknik
statistik parametrik yang menggunakan data interval dan ratio (kuantitatif)
dengan persyaratan tertentu antara lain :
- Data dipilih secara random

10
 - Data berdistribusi normal
- Data yang dihubungkan berpola linear
- Data yang dihubungkan mempunyai pasangan yang sama sesuai dengan
subjek yang sama
F. Teknik dan Aplikasi Penghitungan Korelasi
Langkah 1 : Perumusan Hipotesis
Jika diduga bahwa suatu variabel mempunyai hubungan yang positif dengan
variabel lain, maka rumusan hipotesisnya adalah
 Ho : r = 0 (tidak ada hubungan antara suatu variabel yang positif dengan
variabel lain)
 Ha : r > 0 (terdapat hubungan yang positif dan signifikan anatara suatu
variabel dengan variabel lainnya)

Langkah 2 : Menentukan taraf nyata (level of signifance)

Yaitu menentukan nilai α, misalnya 5% atau α = 0,05

Langkah 3 : Menentukan Uji Hipotesis

Membuat Ha dan Ho dalam bentuk statistik :
Ha : r ≠ 0
Ho : r = 0

Langkah 4 : Menghitung
Membuat tabel penolong untuk menghitung Korelasi PPM:
dengan rumus ;
Atau
Keterangan :
n = jumlah data
x = data yang mempengaruhi
y = data yang dipengaruhi
X=x–x
Y=y–y

11
Langkah 5 : Mencari besarnya sumbangan (konstribusi) variabel X
terhadap Y
Dengan rumus :
KP = r2 x 100%
Langkah 6 : Cari r table
Dengan rumus : dk = n-2

Langkah 7 : Tentukan kriteria pengujian

Jika –rtabel≤rhitung≤+rtabel, maka Ho diterima

Langkah 8 : Membandingkan thitung dengan ttabel

Menguji signifikansi dengan rumus thitung :

Kaidah pengujian :
Jika thitung ≥ ttabel, maka tolak Ho artinya signifikan dan
thitung ≤ ttabel, terima Ho artinya tidak signifikan.

Langkah 9 : Membuat kesimpulan

Contoh “Hubungan Antara Umur dengan Tekanan Darah Pasien di
Ruang Rawat Inap Penyakit Dalam RSUD Banjarbaru”
Berikut adalah data usia, berat, dan tekanan darah.
Individual Age Systolic Pressure
A 34 108
B 43 129
C 49 126
D 58 149
E 64 168
F 73 161
G 78 174

12
 Langkah-langkah :
1. Perumusan Hipotesis
Ha : ada hubungan yang signifikan antara umur dengan tekanan darah
Ho : Tidak ada hubungan yang signifikan antara umur dengan tekanan
darah
2. Menentukan taraf nyata
Untuk kasus ini, kita ingin melihat apakah terdapat hubungan linier antara
usia dengan tekanan darah sistolik. Taraf nyata yang digunakan adalah 5%.
Di dapat α=0,05
3. Menentukan uji hipotesis dalam statistic
Ha : r ≠ 0
Ho : r = 0
4. Menghitung
No Age (X) Systolic Pressure (Y) X2 Y2 XY
1 34 108 1156 11664 3672
2 43 129 1849 16641 5547
3 49 126 2401 15876 6174
4 58 149 3364 22201 8642
5 64 168 4096 28224 10752
6 73 161 5329 25921 11753
7 78 174 6084 30276 13572
Jumlah 399 1015 24279 150803 60112
Rata-rata 57 145

5. Menentukan besarnya sumbangan variable X terhadap Y dengan rumus :

KP = r2 x 100% = 0,962 x 100% = 92,16%
6. Menentukan rtabel
dk = n-2
= 7-2 = 5

13
 Didapat rtabel = 0,754
7. Menentukan kriteria pengujian
Didapat rhitung > rtabel = 0,9656 > 0,754 maka Ha diterima
8. Membandingkan thitung dan ttabel
Didapat thitung > ttabel = 5,46 >2,57
9. Membuat Kesimpulan
- rxy sebesar 0,956 kategori kuat
- KP = r2 x 100% = 0,962 x 100% = 92,16%
- Ternyata thitung lebih dari ttabel atau 5,46 >2,57, maka Ho ditolak,
artinya ada hubungan yang signifikan antara umur dengan tekanan
darah.
Tutorial Uji Korelasi dengan menggunakan SPSS
1. Buka program SPSS, klik Variable View. Selanjutnya, pada bagian Name
tulis saja X1, X2 dan Y, pada Decimals ubah semua menjadi angka 0, pada
bagian Label tuliskan Motivasi, Minat dan Prestasi. Pada bagian Measure
ganti menjadi Scale.
2. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2)
dan Prestasi (Y) yang sudah dipersiapkan tadi ke program SPSS.
3. Selanjutnya, dari menu utama SPSS, pilih menu Analyze, lalu klik
Correlate, dan klik Bivariate.
4. Muncul kotak dialog dengan nama “Bivariate Correlations”. Masukkan
variabel Motivasi (X1), Minat (X2) dan Prestasi (Y) pada kotak Variables.
Selanjutnya, pada kolom “Correlation Coefficient” pilih Pearson, lalu
untuk kolom “Test of Significant” pilih Two-tailed, dan centang pada Flag
Significant Correlations, terakhir klik Ok untuk mengakhiri perintah.
Setelah selesai, maka akan muncul tampilan output SPSS “Correlations”
tinggal kita interpretasikan saja.
Interpretasi Analisis Korelasi Bivariate Pearson
1. Berdasarkan Nilai Signifikansi Sig (2-tailed): Dari tabel output di atas
diketahui nilai Sig (2-tailed) antara Motivasi (X1) dengan Prestasi (Y)
adalah sebesar 0,002 < 0,05 yang berarti terdapat korelasi yang signifikan

14
 antara variabel Motivasi dengan Variabel Prestasi. Selanjutnya, hubungan
antara Minat (X2) dengan Prestasi (Y) memiliki nilai Sig (2-tailed) sebesar
0,000 < 0,05, yang berarti terdapat korelasi yang signifikan antara
Variabel Minat dengan Variabel Prestasi.
2. Berdasarkan Nilai r hitung (Pearson Correlations): Diketahui nilai r hitung
untuk hubungan Motivasi (X1) dengan Prestasi (Y) adalah sebesar adalah
sebesar 0,796 > r tabel 0,576, maka dapat disimpulkan bahwa ada
hubungan atau korelasi antara variabel Motivasi dengan Variabel Prestasi.
Selanjutnya, diketahui nilai r hitung untuk hubungan Minat (X2) dengan
Prestasi (Y) adalah sebesar adalah sebesar 0,908 > r tabel 0,576, maka
dapat disimpulkan bahwa ada hubungan atau korelasi antara variabel
Minat dengan variabel Prestasi. Karena r hitung atau Perason Correlations
dalam analisis ini bernilai positif maka itu artinya hubungan antara kedua
variabel tersebut bersifat positif atau dengan kata lain semakin
meningkatnya Motivasi dan Minat maka akan meningkat pula Prestasi
belajar siswa.
3. Berdasarkan Tanda Bintang (*) SPSS: Dari output di atas diketahui bahwa
nilai Pearson Correlations antara masing-masing variabel yang
dihubungkan mempunyai dua tanda bintang (**), ini bearti terdapat
korelasi antara variabel yang dihubungkan dengan taraf signifikansi 1%.

G. Definisi Regresi Linier Sederhana

Analisis regresi linier sederhana adalah hubungan secara linear antara
satu variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dengan variabel
dependen apakah 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.
Rumus regresi linear sederhana sebagi berikut:
Y’ = a + bX

15
 Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y’ apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)

H. Contoh Kasus Regresi Linier Sederhana

Contoh kasus:
Seorang mahasiswa bernama Hermawan ingin meneliti tentang pengaruh
biaya promosi terhadap volume penjualan pada perusahaan jual beli motor.
Dengan ini di dapat variabel dependen (Y) adalah volume penjualan dan
variabel independen (X) adalah biaya promosi. Dengan ini Hermawan
menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear
sederhana. Data-data yang di dapat ditabulasikan sebagai berikut:

Tabel. Tabulasi Data Penelitian (Data Fiktif)

No Biaya Promosi Volume Penjualan

1 12,000 56,000
2 13,500 62,430
3 12,750 60,850
4 12,600 61,300
5 14,850 65,825
6 15,200 66,354
7 15,750 65,260
8 16,800 68,798
9 18,450 70,470
10 17,900 65,200
11 18,250 68,000

16
 12 16,480 64,200
13 17,500 65,300
14 19,560 69,562
15 19,000 68,750
16 20,450 70,256
17 22,650 72,351
18 21,400 70,287
19 22,900 73,564
20 23,500 75,642

i. Cara menggunakan Regresi Linier Sederhana dengan SPSS

Langkah-langkah pada program SPSS
Ø Masuk program SPSS
Ø Klik variable view pada SPSS data editor
Ø Pada kolom Name ketik y, kolom Name pada baris kedua ketik x.
Ø Pada kolom Label, untuk kolom pada baris pertama ketik Volume
Penjualan, untuk kolom pada baris kedua ketik Biaya Promosi.
Ø Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Ø Buka data view pada SPSS data editor, maka didapat kolom variabel y dan
x.
Ø Ketikkan data sesuai dengan variabelnya
Ø Klik Analyze - Regression - Linear
Ø Klik variabel Volume Penjualan dan masukkan ke kotak Dependent,
kemudian klik variabel Biaya Promosi dan masukkan ke kotak Independent.
Ø Klik Statistics, klik Casewise diagnostics, klik All cases. Klik Continue
Ø Klik OK, maka hasil output yang didapat pada kolom Coefficients dan
Casewise Diagnostics adalah sebagai berikut:

Tabel. Hasil Analisis Regresi Linear Sederhana

17
Persamaan regresinya sebagai berikut:

Y’ = a + bX
Y’ = -28764,7 + 0,691X
Angka-angka ini dapat diartikan sebagai berikut:
- Konstanta sebesar -28764,7; artinya jika biaya promosi (X) nilainya adalah 0,
maka volume penjulan (Y’) nilainya negatif yaitu sebesar -28764,7.
- Koefisien regresi variabel harga (X) sebesar 0,691; artinya jika harga
mengalami kenaikan Rp.1, maka volume penjualan (Y’) akan mengalami
peningkatan sebesar Rp.0,691. Koefisien bernilai positif artinya terjadi
hubungan positif antara harga dengan volume penjualan, semakin naik harga
maka semakin meningkatkan volume penjualan.

18
 Nilai volume penjualan yang diprediksi (Y’) dapat dilihat pada tabel
Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual
(unstandardized residual) adalah selisih antara Volume Penjualan dengan
Predicted Value, dan Std. Residual (standardized residual) adalah nilai
residual yang telah terstandarisasi (nilai semakin mendekati 0 maka model
regresi semakin baik dalam melakukan prediksi, sebaliknya semakin
menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi
dalam melakukan prediksi).
- Uji Koefisien Regresi Sederhana (Uji t)
Uji ini digunakan untuk mengetahui apakah variabel independen (X)
berpengaruh secara signifikan terhadap variabel dependen (Y). Signifikan
berarti pengaruh yang terjadi dapat berlaku untuk populasi (dapat
digeneralisasikan).
Dari hasil analisis regresi di atas dapat diketahui nilai t hitung seperti
pada tabel 2. Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ho : Ada pengaruh secara signifikan antara biaya promosi dengan
volume penjualan
Ha : Tidak ada pengaruh secara signifikan antara biaya promosi dengan
volume penjualan
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan a = 5% (signifikansi 5% atau 0,05
adalah ukuran standar yang sering digunakan dalam penelitian)
3. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar 10,983
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat
kebebasan (df) n-k-1 atau 20-2-1 = 17 (n adalah jumlah kasus dan k
adalah jumlah variabel independen). Dengan pengujian 2 sisi
(signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2,110 (Lihat

19
 pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell
kosong ketik =tinv(0.05,17) lalu enter.
5. Kriteria Pengujian
Ho diterima jika –t tabel < t hitung < t tabel
Ho ditolak jika -thitung < -t tabel atau t hitung > t tabel
6. Membandingkan t hitung dengan t tabel
Nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak,
artinya bahwa ada pengaruh secara signifikan antara biaya promosi
dengan volume penjualan. Jadi dalam kasus ini dapat disimpulkan bahwa
biaya promosi berpengaruh terhadap volume penjualan pada perusahaan
jual beli motor.

BAB III

PENUTUP

A. Kesimpulan

20
 Analisis of variance atau ANOVA merupakan salah satu teknik analisis
multivariate yang berfungsi untuk membedakan rerata lebih dari dua
kelompok data dengan cara membandingkan variansinya. Sebelum menguji
dengan ANOVA, data harus berdistribusi normal dan mempunyai varians
yang sama serta diambil dari populasi yang homogen. One-way Anova
digunakan untuk menganalisis varians variabel dependen yang kuantitatif dari
satu faktor yang bervariabel independen. Dalam teknik One-Way ANOVA
menggunakan metode pengujian hubungan antara satu variabel tergantung
yang berskala interval atau rasio (parametrik) dengan satu atau lebih variabel
berskala nominal (non-parametrik).

Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan

untuk mengukur kekuatan dan arah hubungan linier dari dua variable.
Manfaat Korelasi Pearson Product Moment:
- Untuk menyatakan ada atau tidaknya hubungan antara variabel X dengan
variabel Y.
- Untuk menyatakan besarnya sumbangan variabel satu terhadap yang
lainnya yang dinyatakan dalam persen.
Regresi artinya peramalan penaksiran atau pendugaan pertama kali
diperkenalkan pada tahun 1877 oleh Sir Francis Galtoon (1822-1911).
Analisis regresi digunakan untuk menentukan bentuk dari hubungan antar
variabel. Tujuan utama dalam penggunaan analisis itu adalah untuk
meramalkan atau memperkirakan nilai dari suatu variabel dalam
hubungannya dengan variabel yang lain. Regresi linear adalah alat statistik
yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa
variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering
disebut variabel bebas, variabel independen atau variabel penjelas. Variabel
yang dipengaruhi sering disebut dengan variabel terikat atau variabel
dependen. Regresi linear hanya dapat digunakan pada skala interval dan ratio

B. Saran

21
 Agar strategi pembelajaran statistik berjalan dengan baik, harusnya
setiap materi di bahas dengan sedetail mungkin, agar perkuliahan ini berjalan
dengan lancar.

DAFTAR PUSTAKA

Usman, Husaini. 2006. Pengantar Statistika. Jakarta: Bumi Aksara.

22
Wahyono, Teguh. 2009. 25 Metode Anlisis dengan Menggunakan SPSS
17. Jakarta : Gramedia.

http://solusisekripsi.blogspot.com/2012/10/pengertian-oneway-anova-analisis-
varian.html

http://teorionline.wordpress.com/2011/02/06/one-way-anova-analysis-of-
variance/Hendry/

Hidayat, A. Aziz Alimul. 2011. Metode Penelitian Keperawatan dan Teknik

Analisis Data. Jakarta: Salemba Medika
Hasan, Ikbal. 2003. Pokok-pokok Materi Statistik 2. Jakarta: Bumi Aksara.

http://www.jonathansarwono.info/regresi/regresi.htm di akses pada tanggal 1 juli

2019 pukul 12.30

http://www.konsultanstatistik.com/2009/03/regresi-linear.htm di akses pada

tanggal 1 juli 2019 pukul 09.00

23