WKWKW

LAPORAN PRAKTIKUM
STATISTIK
OLEH :
NAMA : MUH SYAFIQ ISRADILLAH
NIM : 17TIA371
KELAS : II D
LABORATORIUM STATISTIK
JURUSAN TEKNIK INDUSTRI AGRO
POLITEKNIK ATI MAKASSAR
2017/2018
i
LEMBAR PENGESAHAN
Nama : Atika Sari

NIM : 17TIA357
Prodi : Teknik Industri Agro (TIA)
Kelas : 2D
Mengetahui:
Pranata Laboratorium Pendidikan

LaboratoriumTeknologi Proses Asisten
Dedy Chrisdianto, A.Md Nurhidayah, A.Md
Menyetujui :
Dosen Pembimbing
Andi Risqa Azis,S.TP.,M.Si
ii
KATA PENGANTAR
Puji syukur kehadiran Allah SWT yang telah memberikan Rahmat dan
HidayahNya kepada kami sehingga dapat menyelesaikan laporan lengkap ini.
Shalawat dan salam kepada Rosullulah SAW, yang telah menerangi dunia dengan
ilmu pengetahuan dan dakwah beliau yang tiada tandingannya.
Penyusunan laporan lengkap praktikum ini dengan judul “Laporan
Lengkap Praktikum Statistik” bertujuan untuk melengkapi persyaratan Tugas
mata kuliah Praktek Statistik.
Dalam penyelesaian laporan lengkap ini, penulis secara langsung atau
tidak langsung telah mendapatkan bantuan dari pihak lain. Untuk itu , pada
kesempatan ini penulis ingin menyampaikan ucapan terima kasih kepada pihak
yang telah membantu pembuatan laporan lengkap ini.
Penulis menyadari dalam penyususunan laporan lengkap ini masih belum
sempurna. Oleh karena itu, Penulis mengharapkan kritik dan saran yang
membangun sehingga dapat memberikan manfaat dan menambah wawasan bagi
yang membutuhkannya.
Makassar, Januari 2018
Muh Syafiq Isradillah
iii
DAFTAR ISI
HALAMAN JUDUL................................................................................................ i
LEMBAR PENGESAHAN .................................................................................... ii
KATA PENGANTAR ........................................................................................... iii
DAFTAR ISI .......................................................................................................... iv
DAFTAR TABEL .................................................................................................. iv
DAFTAR GAMBAR ............................................................................................ ivi
DAFTAR LAMPIRAN ......................................................................................... vii
BAB I STATISTIK DESKRIPTIF ........................ Error! Bookmark not defined.
1.1 PENDAHULUAN ................................... Error! Bookmark not defined.
1.2 LANDASAN TEORI .............................. Error! Bookmark not defined.
1.3 HASIL PERCOBAAN ........................................................................... 23
1.4 PEMBAHASAN .................................................................................... 28
BAB II REGRESI DAN KORELASI ................................................................... 30
2.1 PENDAHULUAN .................................................................................. 30
2.2 LANDASAN TEORI ............................................................................. 32
2.3 HASIL PERCOBAAN ........................................................................... 46
2.4 PEMBAHASAN .................................................................................... 52
BAB III PENGOLAHAN DATA DENGAN SPSS ............................................. 54
3.1 PENDAHULUAN .................................................................................. 54
3.2 LANDASAN TEORI ............................................................................. 56
3.3 HASIL PERCOBAAN ........................................................................... 68
3.4 PEMBAHASAN .................................................................................... 72
BAB IV KESIMPULAN DAN SARAN ............... Error! Bookmark not defined.
4.1 KESIMPULAN ....................................... Error! Bookmark not defined.
4.2 SARAN ................................................... Error! Bookmark not defined.
DAFTAR PUSTAKA ............................................ Error! Bookmark not defined.
LAMPIRAN ........................................................... Error! Bookmark not defined.
LEMBAR ASISTENSI .......................................... Error! Bookmark not defined.
iv
DAFTAR TABEL
Tabel 3. 1 Statistik ................................................. Error! Bookmark not defined.

Tabel 3. 2 Frekuensi .............................................................................................. 69
Tabel 3. 3 Model Summary................................................................................... 70
Tabel 3. 4 Anova ................................................................................................... 71
Tabel 3. 5 Coeficient ............................................................................................. 71
v
DAFTAR GAMBAR
Gambar 3. 1 Variabel View ................................... Error! Bookmark not defined.

Gambar 3. 2 Data View .......................................... Error! Bookmark not defined.
Gambar 3. 3 Analyze Deskriptive Statistics Frequencies .................................... 60
Gambar 3. 4 variabel biaya promosi dan volume penjualan ................................. 60
Gambar 3. 5 Statistics ........................................................................................... 60
Gambar 3. 6 Chats Histogram ............................................................................... 61
Gambar 3. 7 Hasil Output ..................................................................................... 61
Gambar 3. 8 Input Data ......................................................................................... 62
Gambar 3. 9 variabel view .................................................................................... 62
Gambar 3. 10 variabel view .................................................................................. 62
Gambar 3. 11 Variabel Nilai ................................................................................. 63
Gambar 3. 12 Hasil Uji Normalitas....................................................................... 63
Gambar 3. 13 analisis data .................................................................................... 63
Gambar 3. 14 korelasi pearson .............................................................................. 64
Gambar 3. 15 korelasi pearson .............................................................................. 64
Gambar 3. 16 Hasil Korelasi Spearman ................................................................ 64
Gambar 3. 17 Korelasi Partial ............................................................................... 65
Gambar 3. 18 Controlling ..................................................................................... 65
Gambar 3. 19 Hasil Analisis Korelasi Partial ....................................................... 65
Gambar 3. 20 Analyze........................................................................................... 65
Gambar 3. 21 Independent .................................................................................... 66
Gambar 3. 22 Hasil Analisis Korelasi Ganda ....................................................... 66
Gambar 3. 23 Regresi Sederhana .......................................................................... 66
Gambar 3. 24 Dependent....................................................................................... 67
Gambar 3. 25 Hasil Analisis Regresi Sederhana .................................................. 67
Gambar 3. 26 Analisis Regresi Ganda .................................................................. 67
Gambar 3. 27 Histogram ....................................................................................... 70
Gambar 3. 28 Diagram Pencar .............................................................................. 72
vi
DAFTAR LAMPIRAN
Lampiran 1 hasil pengumpulan data Statistik Deskriptif ..... Error! Bookmark not
defined.
Lampiran 2 hasil pengumpulan data Regresi dan Korelasi .. Error! Bookmark not
defined.
vii
viii
BAB I
STATISTIKA DESKRIPTIF
1.1 PENDAHULUAN
1.1.1 Latar Belakang
Statistika adalah cabang ilmu yang mempelajari tentang bagaimana
mengumpulkan, menganalisis dan menginterpretasikan data. Atau
dengan kata lain, statistika menjadi semacam alat dalam melakukan
suatu riset empiris. Dalam menganalisis data, para ilmuwan
menggambarkan persepsinya tentang suatu fenomena. Deskripsi yang
sudah stabil tentang suatu fenomena seringkali mampu menjelaskan
suatu teori. (Walaupun demikian, orang dapat saja berargumentasi
bahwa ilmu biasanya menggambarkan bagaimana sesuatu itu terjadi,
bukannya mengapa). Penemuan teori baru merupakan suatu proses
kreatif yang didapat dengan cara mereka ulang informasi pada teori yang
telah ada atau mengesktrak informasi yang diperoleh dari dunia nyata.
Pendekatan awal yang umumnya digunakan untuk menjelaskan suatu
fenomena adalah statistika deskriptif.
Statistik dalam arti sempit berarti kumpulan data berupa angka,
penyajian data dalam tabel dan grafik, bilangan yang menunjukkan
karakteristik dari kumpulan data. Statistic dalam arti luas yatiu metode
yang digunakan dalam pengumpulan dan analisis data yang berupa
angka-angka sehingga dapat diperoleh informasi yang berguna. Statistika
adalah suatu metode yang menjelaskan tata cara pengumpulan,
penyususnan, penyajian, penganalisaan dan penginterprestasian data
menjadi informasi yang lebih berguna. Menurut Sudjana (1996;7),
Statistika deskriptif adalah fase statistika dimana hanya berusaha
melukiskan atau menganalisis kelompok yang diberikan tanpa membuat
atau menarik kesimpulan tentang populasi atau kelompok yang lebih
besar dinamakan statistika deskriptif.
1
1.1.2 Tujuan Praktikum
a. Praktikan diharapkan dapat membaca dan memahami data-data
statistik.
b. Praktikan diharapkan dapat memahami teknik pengumpulan data,
klasifikasi data dan presentasi data pada statistik deskriptif.
c. Praktikan diharapkan dapat mengolah data dengan perhitungan
manual maupun dengan bantuan program aplikasi pengolah data.
d. Praktikan diharapkan mampu menganalisa output pengolahan dari
perhitungan manual dan perhitungan melalui aplikasi.
1.1.3 Alat-Alat Yang Digunakan

a. Stopwatch
b. Pulpen
c. Komputer/laptop + Software Ms. Excel dan Ms. Word
d. Sepeda motor
e. Buku/kertas
1.1.4 Prosedur Praktikum

a. Siapkan alat-alat yang akan digunakan.
b. Menuju ke depan SPBU Gatot untuk memperoleh informasi.
c. Menghitung jumlah motor yang lewat selama 2 jam didepan SPBU
Gatot
d. Setelah selesai, kita lalu buat tabel untuk hasil pengumpulan data.
e. Kemudian menghitung hasil pengolahan data yang diperoleh.
f. Menghitung ukuran rata-rata mean, median dan modus.
g. Menghitung ukuran letak quartil, desil dan persentil.
h. Menghitung ukuran dispersion yaitu varians dan standar deviasi.
i. Membuat histogram dari hasil pengolahan data.
2
1.2 LANDASAN TEORI
1.2.1 Pengertian Statistik dan Statistika
Statistik adalah hasil-hasil pengolahan dan analisis data. Statistik
dapat berupa mean, modus, median, dan sebagainya. Statistik dapat
digunakan untuk menyatakan kesimpulan data berbentuk bilangan yang
disusun dalam bentuk tabel atau diagram yang menggambarkan
karakteristik data.
Statistika adalah ilmu pengetahuan yang berhubungan dengan cara-
cara pengumpulan dan penyusunan data, pengolahan data, dan
penganalisisan data, serta penyajian data berdasarkan kumpulan dan
analisis data yang dilakukan. Salah satu ilmu yang mendasari dalam
mempelajari statistika adalah peluang atau probabilitas. Berdasarkan
kegiatannya, statistika dikelompokkan menjadi dua macam,
yaitu Statistika deskriptif (statistika deduktif) dan statistika
inferensi (statistika induktif).
1.2.2 Pengertian Statistik Deskriptif

Statistika deskriptif adalah tehnik yang digunakan untuk
mensarikan data dan menampilkannya dalam bentuk yang dapat
dimengerti oleh setiap orang. Hal ini melibatkan proses kuantifikasi dari
penemuan suatu fenomena. Berbagai statistik sederhana, seperti rata-
rata, dihitung dan ditampilkan dalam bentuk tabel dan grafik. Statistika
deskriptif dapat memberikan pengetahuan yang signifikan pada
kejadian fenomena yang belum dikenal dan mendeteksi keterkaitan
yang ada di dalamnya. Statistik merupakan suatu alat pengukuran yang
berhubungan dengan keragaman pada karakteristik objek-objek yang
berbeda.
1.2.3 Metode Statistika

Metode statistika adalah bagaimana cara-cara mengumpulkan
data atau fakta, mengolah, menyajikan, dan menganalisa,
penarikan kesimpulan serta pembuatan keputusan yang cukup
3
beralasan berdasarkan fakta dan penganalisaan yang dilakukan.
Metode statistika terbagi dua yaitu :
a. Statistik Deskriptif (deduktif) atau sederhana, yaitu statistik yang
tingkat pengerjaannya mencakup cara-cara menghitung, menyusun
atau mengatur, mengolah, menyajikan, dan menganalisa data agar
dapat memberikan gambaran yang ringkas mengenai suatu keadaan.
b. Statistik Inferensial, yaitu yang menyediakan aturan-aturan atau cara
yang dapat digunakan suatu alat dalam rangka menarik kesimpulan
yang bersifat umum dari suatu data yang telah disusun dan diolah.
1.2.4 Teknik Pengambilan Data

a. Angket
Angket/ kuesioner adalah teknik pengumpulan data yang
dilakukan dengan cara memberikan seperangkat pertanyaan atau
pernyataan kepada orang lain yang dijadikan responden untuk
dijawabnya. Meskipun terlihat mudah, teknik pengumpulan data
melalui angket cukup sulit dilakukan jika respondennya cukup besar
dan tersebar di berbagai wilayah.
Beberapa hal yang perlu diperhatikan dalam penyusunan
angket menurut Uma Sekaran (dalam Sugiyono, 2007:163) terkait
dengan prinsip penulisan angket, prinsip pengukuran dan penampilan
fisik. Prinsip Penulisan angket menyangkut beberapa faktor antara
lain:
1) Isi dan tujuan pertanyaan artinya jika isi pertanyaan ditujukan
untuk mengukur maka harus ada skala yang jelas dalam pilihan
jawaban.
2) Bahasa yang digunakan harus disesuaikan dengan kemampuan
responden. Tidak mungkin menggunakan bahasa yang penuh
istilah-istilah bahasa Inggris pada responden yang tidak mengerti
bahasa Inggris, dsb.
4
3) Tipe dan bentuk pertanyaan apakah terbuka atau terturup. Jika
terbuka artinya jawaban yang diberikan adalah bebas, sedangkan
jika pernyataan tertutup maka responden hanya diminta untuk
memilih jawaban yang disediakan.
b. Observasi
Obrservasi merupakan salah satu teknik pengumpulan data
yang tidak hanya mengukur sikap dari responden (wawancara dan
angket) namun juga dapat digunakan untuk merekam berbagai
fenomena yang terjadi (situasi, kondisi). Teknik ini digunakan bila
penelitian ditujukan untuk mempelajari perilaku manusia, proses
kerja, gejala-gejala alam dan dilakukan pada responden yang tidak
terlalu besar.
1) Participant Observation
Dalam observasi ini, peneliti secara langsung terlibat dalam
kegiatam sehari-hari orang atau situasi yang diamati sebagai
sumber data. Misalnya seorang guru dapat melakukan observasi
mengenai bagaimana perilaku siswa, semangat siswa, kemampuan
manajerial kepala sekolah, hubungan antar guru, dsb.
2) Non participant Observation
Berlawanan dengan participant Observation, Non Participant
merupakan observasi yang penelitinya tidak ikut secara langsung
dalam kegiatan atau proses yang sedang diamati. Misalnya
penelitian tentang pola pembinaan olahraga, seorang peneliti yang
menempatkan dirinya sebagai pengamat dan mencatat berbagai
peristiwa yang dianggap perlu sebagai data penelitian.
Kelemahan dari metode ini adalah peneliti tidak akan
memperoleh data yang mendalam karena hanya bertindak sebagai
pengamat dari luar tanpa mengetahui makna yang terkandung di
dalam peristiwa. Alat yang digunakan dalam teknik observasi ini
antara lain: lembar cek list, buku catatan, kamera photo, dan lain
sebagainya.
5
c. Wawancara
Wawancara merupakan teknik pengumpulan data yang
dilakukan melalui tatap muka dan tanya jawab langsung antara
pengumpul data maupun peneliti terhadap nara sumber atau sumber
data. Adapun pada teknik wawancara terbagi menjadi dua bagian,
yakni wawancara terstruktur dan tidak terstruktur. Berikut penjelasan
terkait kedua teknik wawancara yang dapat anda ketahui yakni di
bawah ini:
1) Wawancara terstruktur artinya peneliti telah mengetahui dengan
pasti apa informasi yang ingin digali dari responden sehingga
daftar pertanyaannya sudah dibuat secara sistematis. Peneliti juga
dapat menggunakan alat bantu tape recorder, kamera photo, dan
material lain yang dapat membantu kelancaran wawancara.
2) Wawancara tidak terstruktur adalah wawancara bebas, yaitu
peneliti tidak menggunakan pedoman wawancara yang berisi
pertanyaan yang akan diajukan secara spesifik, dan hanya
memuat poin-poin penting masalah yang ingin digali dari
responden.
1.2.5 Pembagian Jenis Data

Data merupakan kumpulan keterangan atau fakta yang diperoleh
dari satu populasi atau lebih melalui observasi. Data yang baik, benar
dan sesuai dengan model menentukan kualitas kebijakan / keputusan
yang akan diambil terhadap suatu masalah dari populasi yang dikaji.
Adapun pembagian data adalah sebagai berikut:
a. Menurut Sifatnya
1) Data Kualitatif
Data kualitatif disajikan bukan dalam bentuk bilangan-bilangan
(non-numerik) seperti suku bangsa, jenis kelamin, agama, dan
kualitas barang.
2) Data Kuantitatif
6
Data kuantitatif disajikan dalam bentuk bilangan-bilangan seperti:
potensi pasar untuk produk-produk baru, anggaran belanja
bulanan, junlah mahasiswa menurut jurusan dan data ekspor-
impor suatu negara.
b. Menurut Cara Memperolehnya
1) Data Primer
Data primer merupakan data yang langsung diperoleh dari
lapangan melalui percobaan, survei, dan data observasi. Misalnya
seorang peneliti ingin mengetahui antara besarnya biaya yang
dikeluarkan untuk promosi dan volume penjualan komoditas
tertentu.
2) Data Sekunder
Data sekunder diperoleh dari data primer, biasanya dalam
publikasi berupa tabel-tabel, seperti data harga, data impor-
ekspor, dan data produksi. Data yang dipublikasikan oleh Biro
Pusat Statistik selalu berupa data sekunder.
c. Menurut Waktu
1) Data Silang
Data silang merupakan data yang dikumpulkan dalam waktu yang
sifatnya temporer.Misalnya data hasil penelitian pemasaran
pakaian jadi di Medan pada tahun 2012
2) Data Berkala
Data berkala merupakan data yang dikumpulkan setiap periode
tertentu. Misalnya jumlah impor mobil mewah menurut tahun,
dari tahun 2011 s/d 2012.
d. Menurut Sumbernya
1) Data Internal
Data internal merupakan data yang dikumpulkan oleh unit kerja
tertentu dalam lingkungannya untuk keperluan sendiri. Misalnya
data mahasiswa, dosen, pegawai, keuangan dan peralatan FISIP
USU.
7
2) Data Eksternal
Data eksternal merupakan data yang diambil dari unit lain.
Misalnya data FISIP USU, kemudian digunakan oeh BPS, maka
data tersebut merupakan data eksternal bagi BPS.
e. Skala Pengukuran
Skala Pengukuran/Penilaian adalah satuan – satuan ukuran yang
digunakan untuk mengolah data mentah (raw data) secara statistika.
Skala pengukuran menentukan kesimpulan data setelah diobservasi.
Jenis skala pengukuran ada 4 yaitu:
1) Skala Nominal
Skala nominal digunakan untuk pengukuran hanya
memperhatikan golong atau mengukur data secara kategoris,
seperti anggota kelompok, agama, suku bangsa, dan lain-lain.
2) Skala Ordinal
Skala ordinal digunakan untuk pengukuran yang disamping
memperhatikan golongan juga memperhatikan uruan atau orde,
Misalnya: A= hasil baik; B= hasil cukup dan; C= hasil sedang
3) Skala Interval (selang)
Skala interval digunakan untuk pengukuran yang memperhatikan
golongan, urutan, dan jarak misalnya thermometer.
4) Skala Rasio (nisbah)
Skala bisbah digunakan untuk pengukuran yang memperhatikan
golongan, urutan, panjang, dan perbandingan atau ratio, misalnya
ukuran panjang, berat, dan waktu dengan nol sebagai patokan.
Skala nominal dan skala ordinal digunakan untuk pengukuran
yang bersifat kualitatif, sedangkan skala interval dan skala nisbah
digunakan untuk pengukuran yang sifatnya kuantitatif.
1.2.6 Data Statistik

a. Pengertian Data Statistik
8
Pengertian data adalah suatu kumpulan informasi atau
keterangan yang disampaikan dan diperoleh oleh orang dari suatu
pengamatan baik dalam bentuk angka, lambang ataupun sifat. Syarat
utama dalam analisa data atau pengamatan data secara statistic
adalah dengan mengolah data secara baik untuk mendapatkan hasil
informasi maupun kesimpulan yang baik dan akurat pula.
Data harus memiliki sifat representative atau mewakili,
objektif atau sesuai dengan apa yang terjadi, relevan atau
berhubungan dengan persoalan yang sedang dialami dan yang akan
dipecahkan, dan akurat dengan nilai ketelitian yang tinggi dan
kesalahan atau standart eror yang kecil. Kita juga harus mendapatkan
data internal dan data eksternal untuk mendapatkan hasil akhir data
statistic. Data internal merupakan data yang didapat dari dalam
perusahaan itu sendiri, sedangkan data eksternal didapat dari luar
perusahaan atau organisasi tersebut.
b. Jenis Data Statistik
Beberapa jenis data dalam statistika terdapat 4 tipe data dari
tingkat terendah sampai tertinggi. Berikut beberapa jenisnya.
1) Nominal digunakan untuk mengklasifikasi informasi ataupun
data, contohnya data jenis kelamin. Pada data dilambangkan
dengan angka atau numeric jumlah dari orang berjenis kelamin
laki-laki dan perempuan.
2) Ordinal untuk mengklasifikasikan tingkatan. Tipe ini lebih tinggi
dari nominal karena membentuk suatu tingkatan.
3) Interval ciri dari data ini adalah memiliki kemampuan
mengklasifikasi dan membentuk tingkatan juga ada titik nol
mutlak.
4) Rasio dimana tipe ini memiliki kemampuan dari ketiga tipe
diatas dan angka nol dianggap mutlak.
c. Contoh Data Statistik
9
Contoh dari data statistic adalah adanya suatu data dari suatu
wilayah kabupaten A dimana ada data jumlah siswa pada setiap
jenjang sekolah dari SD, SMP, SMA, SMK. Maka dari data tersebut
disimpulkan bahwa pada kabupaten A terdapat jumlah siswa masing-
masing jenjang SD, SMP, SMA, SMK dan dapat diketahui total dari
keseluruhan siswa sekolah yang ada dalam 1 kabupaten tersebut.
Pembagian dari statistika sendiri dibagi menjadi dua bagian
yaitu statistika deskripsi dan statistika induktif (inferens). Statistika
deskripsi adalah statistika yang mempelajari cara mengumpulkan
data, mengolah, menganalisis, dan menyajikan data. Sedangkan
untuk statistika induktif adalah statistika yang mempelajari cara
mengumpulkan data, mengolah, menyajikan, menganalisis dan
membuat kesimpulan serta keputusan yang akan diambil.
Kegunaan dari data statistika sendiri adalah untuk membantu
dalam pengambilan suatu keputusan yang didasarkan pada
kesimpulan dari analisis suatu data yang sudah dikumpulkan dari
beberapa sampel. Dari statistika kita juga bisa meramalkan keadaan
yang akan datang dengan berdasarkan dari masa yang sudah lalu.
Penggolongan data statistic adalah data kuantitatif dan data
kualitatif. Data kuantitatif adalah data yang berbentuk angka atau
bilangan misalnya luas tanah, jumlah penduduk, dan lainnya. jenis
data ini perlu dilakukan perhitungan atau operasi matematika dan
data kuantitatif ini nilainya bisa berubah sesuai dengan variabelnya.
Data kualitatif adalah data yang tidak berbentuk angka
maupun bilangan. Data ini misalnya data kepuasan para pelanggan
dalam suatu restoran, puas, tidak puas, atau sangat puas. Kita juga
tidak perlu melakukan perhitungan secara matematika dan jenis data
ini disebut dengan data atribut. Data kualitatif bisa dibagi menjadi
data nominal dan data ordinal.
1.2.7 Distribusi Frekuensi
10
Pengertian Distribusi Frekuensi – Distribusi Frekuensi merupakan
susunan data menurut kelas-kelas interval tertentu atau menurut
kategori tertentu dalam sebuah daftar. Distribusi Frekuensi didapat kan
dari keterangan atau gambar sederhanan dan sistematis dari data yang
diperoleh. Sebuah Distribusi Frekuensi akan memiliki bagian-bagain
seperti berikut:
a. Kelas – kelas (class)
Kelas – kelas merupakan kelompok nilai atau variable.
b. Batas Kelas (class limits)
Batas Kelas merupakan nilai-nilai yang membatasi kelas satu dengan
kelas lainnya. Terdapat dua batas kelas, yaitu batas kelas atas (upper
class limits) terdapat di deretan sebelah kanan setiap kelas dan batas
kelas bawah (lower class limits) terdapat di deretan kiri setiap kelas.
c. Tepi Kelas (Class boundary/real limits/true class limits).
Tepi kelas ini disebut juga batas nyata kelas, merupakan batas kelas
yang tidak memiliki lubang untuk angka tertentu antara kelas yang
satu dengan kelas yang lain. Terdapat dua Tepi kelas yaitu:
1) Tepi atas kelas atau batas kelas atas sebenarnya.
2) Tepi bawah kelas atau batas kelas bawah sebenarnya.
Penentuan tepi bawah kelas dan tepi atas kelas bergantung pada
keakuratan pencatatan data. Rumus tepi atas kelas dan tepi bawah
kelas iyalah sebagai berikut;
Tepi atas kelas = batas kelas atas sebenarnya -0,5;
Tepi bawah kelas = batas kelas bawah sebenarnya +0,5;
d. Titik tengah kelas atau randa kelas (class mid point, class marks)
Titik tengah merupakan angka atau nilai data yang terletak di tengah
suatu kelas. Titik tengah kelas merupakan nilai yang mewakili
kelasnya.
e. Interval kelas (class interval).
Interval kelas merupakan selang yang memisahkan kelas yang satu
dengan kelas yang lainnya.
11
f. Panjang Interval kelas atau luas kelas (interval size).
Panjang interval kelas merupakan jarak antara tepi atas kelas serta
tepi bawah kelas.
g. Frekuensi Kelas (class Frekuensi).

Frekuensi Kelas merupakan banyaknya data yang termasuk ke dalam
kelas tertentu.
1.2.8 Pengertian Pemusatan

Ukuran pemusatan data adalah sembarang ukuran yang
menunjukkan pusat segugus data, yang telah diurutkan dari yang
terkecil sampai yang terbesar atau sebaliknya dari yang terbesar sampai
yang terkecil Salah satu kegunaan dari ukuran pemusatan data adalah
untuk membandingkan dua (populasi) atau contoh, karena sangat sulit
untuk membandingkan masing-masing anggota dari masing-masing
anggota populasi atau masing-masing anggota data contoh. Nilai ukuran
pemusatan ini dibuat sedemikian sehingga cukup mewakili seluruh nilai
pada data yang bersangkutan.
Ukuran pemusatan yang paling banyak digunakan adalah median,
mean, dan modus. Masing-masing dari ukuran pemusatan data tersebut
memiliki kekurangan. Nilai tengah akan sangat dipengaruh nilai
pencilan. Median terlalu bervariasi untuk dijadikan parameter populasi.
Sedangkan modus hanya dapat diterapkan dalam data dengan ukuran
yang besar. Jenis-jenis ukuran pemusatan data
a. Mean (Rata – Rata Hitung)
Dalam istilah sehari – hari, mean dikenal dengan sebutan angka
rata – rata, ada dua macam mean yang di bicarakan yaitu : mean
untuk data yang tidak dikelompokkan dan mean untuk data yang
dikelompokan. Mean adalah total semua data dibagi jumlah data.
Mean digunakan ketika data yang kita miliki memiliki sebaran
normal atau mendekati normal (berbentuk setangkup, nilai yang
12
paling banyak berada ditengah dan makin besar semakin sedikit,
makin kecil makin sedikit pula, nilai-nilai ekstrim yang besar
maupun yang kecil hampir tidak ada).
1) Rumus rata-rata data tak berkelompok yaitu :
̅
X = ∑ Xi / n
i=1
Keterangan:
̅
X = rata-rata hitung sampel
Xi = nilai unsur ke-i dari sampel
n = Jumlah objek dari sampel
i = 1,2,3,4, .........,n
2) Rumus rata-rata data berkelompok yaitu :
k
̅
X = ∑ fiXi / n
i=1
Keterangan:
̅ = rata-rata hitung
X
fi = frekuensi kelas data ke-i
Xi = nilai tengah kelas data ke-i
i = 1,2,3,4,.........,k
n = jumlah seluruh sampel
b. Median (Nilai Tengah)
Ukuran pemusatan yang menempati posisi tengah jika data
diurutkan menurut besarnya. Median adalah nilai yang berada
ditengah-tengah data setelah diurutkan dari yang terkecil sampai
terbesar. Median cocok digunakan bila data yang kita miliki tidak
menyebar normal atau memiliki nilai yang berbeda-beda secara
signifikan.
1) Rumus median data tak berkelompok yaitu :
Median dengan n yang ganjil
13
n+1
Md = angka yang ke-( )
2
Median n yang genap

n+1 n+1
(angka ke − ( 2
− ½) + angka ke − (2
+ ½)
Md =
2
2) Rumus median data berkelompok yaitu :

Dengan acuan tepi bawah kelas
1⁄ n−fks
2
Md = Tb + ×c
fm
Keterangan:
Md = median data
Tb = tepi bawah kelas median
n = jumlah objek, individu
fks = frekuensi kumulatif kurang daripada sebelum ½n
fm = frekuensi kelas median
c = lebar kelas
Dengan acuan tepi atas kelas
1⁄ n − F𝑘𝑠
Md = Ta − 2 ×𝑐
𝑓𝑚
Keterangan:
Md = median data
Ta = tepi atas kelas median
n = jumlah objek, individu
Fks = frekuensi kumulatif lebih daripada sesudah ½n dicapai
fm = frekuensi kelas median
c = lebar kelas
c. Modus (Data Yang Sering Muncul)
14
Modus adalah suatu angka atau bilangan yang paling sering
terjadi atau muncul tetapi kalo pada data distribusi frekuensi interval
modus terletak pada frekuensi yang paling besar. Rumus modus data
berkelompok yaitu :
d1
Mo = Tb + d1+d2 × c
Keterangan:
Tb = Tepi bawah kelas modus
d1 = frek. kelas modus dikurangi frek. kelas sebelumnya
d2 = frek. kelas modus dikurangi frek. kelas sesudahnya
c = lebar kelas
Dan :
𝑑1 𝑀𝑜 − 𝐿1
=
𝑑2 𝐿2 − 𝑀𝑜
Keterangan:
Mo = modus
d1 = frek. kelas modus dikurangi frek. kelas sebelumnya
d2 = frek. kelas modus dikurangi frek. kelas sesudahnya
L1 = tepi bawah kelas modus
L2 = tepi atas kelas modus
d. Kuartil
Kuartil adalah suatu harga yang membagi histogram frekuensi
menjadi 4 bagian yang sama, sehingga disini akan terdapat 3 harga
kuartil yaitu kuartil I ( K1), kuartil II (K2) dan kuartil III (K3),
dimana harga kuarti II sama dengan harga median. Rumus untuk
kuartil yaitu:
Data tunggal
Keterangan:
15
Q1 = Kuartil ke-i
n = Banyaknya data
Data berkelompok
Keterangan:
Qi = kuartil ke-i
Tb = tepi bawah kelas kuartil
p = panjang kelas
n = banyak data
F = frekuensi kumulatif sebelum kelas kuartil
f = frekuensi kelas kuartil
e. Desil
Untuk kelompok data dimana n ≥ 10, dapat ditentukan 9 nilai
bagian yang sama, misalnya D1, D2, … Q9, artinya setiap bagian
mempunyai jumlah observasi yang sama, sedemikian rupa sehingga
nilai 10% data/observasi sama atau lebih kecil dari D1, nilai 20%
data/observasi sama atau lebih kecil dari D2, dan seterusnya. Nilai
tersebut dinamakan desil pertama, kedua dan seterusnya sampai desil
kesembilan. Rumus untuk mencari desil adalah :
𝑖
𝑛−𝐹
10
𝐷𝑖 = 𝑇𝑏 + ( )𝑐
𝑓
Keterangan:
Tb = Tepi bawah desil ke-i
F = Jumlah frek. sebelum frek. kuartil ke-i
f = Frek. Kuartil ke-i dengan i=1-9
n = Jumlah seluruh frek.
c = Panjang interval kelas
f. Persentil
16
Untuk kelompok data dimana n ≥ 100, dapat ditentukan 99 nilai,
P1, P2, … P99, yang disebut persentil pertama, kedua dan ke-99, yang
membagi kelompok data tersebut menjadi 100 bagian,masing-masing
mempunyai bagian dengan jumlah observasi yang sama, dan
sedemikian rupa sehingga 1% data/observasi sama atau lebih kecil
dari P1, 2% data/observasi sama atau lebih kecil dari P2. Rumus
mencari persentil adalah :
𝑖
𝑛−𝐹
𝑃𝑖 = 𝑇𝑏 + (10 )𝑐
𝑓
Keterangan:
Pi = Tepi bawah presentil ke-i
F = Jumlah frek. sebelum frek. kuartil ke-i
f = Frek. Kuartil ke-i dengan i=1,2,3,.....99
n = Jumlah seluruh frek.
c = Panjang interval kelas
1.2.9 Ukuran Penyimpangan

Ukuran penyimpangan adalah suatu ukuran yang menunjukkan
tinggi rendahnya perbedaan data yang diperoleh dari rata-ratanya.
Ukuran penyimpangan digunakan untuk mengetahui luas
penyimpangan data atau homogenitas data. Dua variabel data yang
memiliki mean sama belum tentu memiliki kualitas yang sama,
tergantung dari besar atau kecil ukuran penyebaran datanya. Pada
kesempatan ini ukuran penyimpangan yang di hitung ada beberapa,
diantaranya yaitu Varians dan standar deviasi serta error of mean,
varians dan standar deviasi sendiri adalah sebuah ukuran penyebaran
yang menunjukkan standar penyimpangan atau deviasi data terhadap
penyimpangan rata-ratanya. Varians adalah rata-rata hitung deviasi
kuadrat setiap data terhadap rata-rata hitungnya. Pada kesempatan ini
ukuran penyimpangan yang di hitung ada beberapa, diantaranya yaitu:
a. Range
17
Range adalah perbedaan antara data terbesar dengan data terkecil
yang terdapat pada sekelompok data. Range adalah salah satu ukuran
statistik yang menunjukan jarak penyebaran data antara nilai
terendah (Xmin) dengan nilai tertinggi (Xmax).
1) Range Untuk Data Tidak Berkelompok
Jarak (range) = Nilai Terbesar – Nilai Terkecil
2) Range Untuk Data Berkelompok
Range=batas atas kelas tertinggi – batas bawah kelas terendah
b. Deviasi
Deviasi rata-rata adalah rata-rata penyimpangan data-data dari
rata-rata (mean)-nya. Di dalam menghitung deviasi rata-rata harus
kita cari rata-rata dari harga mutlak selisih antara tiap-tiap data
dengan meannya.
1) Deviasi Untuk Data Tidak Berkelompok
∑|𝑋 − 𝑋̅|
𝑀𝐷 =
𝑁
Keterangan:
MD = deviasi rata-rata
X = nilai setiap data pemgamatan
𝑥̅ = nilai rata-rata hitung dari seluruh nilai pengamatan
N = jumlah data atau pengamatan dalam sampel/pipulasi
││ = lambang nilai mutlak
∑ = lambang penjumlahan
2) Deviasi Untuk Data Berkelompok
∑ 𝑓|𝑋 − 𝑋̅|
𝑀𝐷 =
𝑁
Keterangan:
MD = deviasi rata-rata
f = jumlah frekuensi setiap kelas
18
X = nilai setiap data pemgamatan
x̅ = nilai rata-rata hitung dari seluruh nilai pengamatan
N = jumlah data atau pengamatan dalam sampel/pipulasi
││ = lambang nilai mutlak
∑ = lambang penjumlahan
c. Varians dan Standar Deviasi
Varians dan Standar deviasi adalah sebuah ukuran penyebaran
yang menunjukkan standar penyimpangan atau deviasi data terhadap
penyimpangan rata-ratanya. Varians adalah rata-rata hitung deviasi
kuadrat setiap data terhadap rata-rata hitungnya. Standar Deviasi
adalah akar kuadrat dari varians dan menunjukkan standar
penyimpangan data terhadap nilai rata-ratanya.
1) Varians Dan Standar Deviasi Untuk Data Tidak Berkelomok
Rumus Varians Data Tidak Berkelomok
∑(𝑥−𝜇)2 ∑𝑥
𝜎2 = 𝜇=
𝑁 𝑁
Keterangan:
σ = varians populasi
X = nilai setiap data/ pengamatan data populasi
µ = nilai rata-rata hitung dalam populasi
N = jumlah total data / pengamatan dalam populasi
∑ = simbol oprasi penjumlahan
Rumus Standar Deviasi Data Tidak Berkelomok
∑(𝑥 − 𝜇)2
𝜎= √
𝑁
2) Varians Dan Standar Deviasi Untuk Data Berkelomok
Rumus Varians Data Berkelomok
∑ 𝑓(𝑥−𝑥̅ )2
𝑠2 = 𝑛−1
19
Keterangan:
S = varians sampel
f = jumlah frekunsi setiap kelas
x = nilai setiap data/ pengamatan data sampel
x̅ = nilai rata-rata hitung dalam sampel
n = jumlah total data/ pengamatan dalam sampel
∑ = simbol operasi penjumlahan
Rumus Standar Deviasi Data Tidak Berkelomok
∑ 𝑓(𝑥 − 𝑥̅ )2
𝑠=√
𝑛−1
1.2.10 Skewness dan Kurtosis

Uji normalitas data selanjutnya adalah dengan menggunakan analisa
dari nilai skewness dan kurtosis data. Skewness dan kurtosis adalah
ukuran yang lebih cenderung untuk melihat distribusi data secara
grafik.
a. Skewness (Kecondongan)
Kecondongan suatu kurva dapat dilihat dari perbedaan letak
mean, median dan modusnya. Jika ketiga ukuran pemusatan data
tersebut berada pada titik yang sama, maka dikatakan simetris atau
data berdistribusi normal. Sedangkan jika tidak berarti data tidak
simetris atau tidak berdistribusi normal. Ukuran kecondongan data
terbagi atas tiga bagian, yaitu :
1) Kecondongan data ke arah kiri (condong negatif) dimana nilai
modus lebih dari nilai mean (modus > mean).
2) Kecondongan data simetris (distribusi normal) dimana nilai mean
dan modus adalah sama (mean = modus).
3) Kecondongan data ke arah kanan (condong positif) dimana nilai
mean lebih dari nilai modus (mean > modus).
20
Gambar 1. 1 Skewness
Nilainya dapat diukur dengan menggunakan koefisien
kecondongan Pearson dan koefisien kecondongan Momen. (Akan
dibahas khusus pada materi berikutnya).
b. Kurtosis (Keruncingan)
Keruncingan dinilai sebagai bentuk distorsi dari kurva normal.
Tingkat keruncingan diukur dengan membandingkan bentuk
keruncingan kurva distribusi data dengan kurva normal. Terbagi atas
tiga, yaitu :
1) Leptokurtic, yaitu bagian tengah distribusi data memiliki puncak
yang lebih runcing (nilai keruncingan lebih dari 3).
2) Platykurtic, yaitu bagian tengah distribusi data memiliki puncak
yang lebih datar (nilai keruncingan kurang dari 3).
3) Mesokurtic, yaitu bagian tengah distribusi data memiliki puncak
diantara Leptokurtic dan Platykurtic (nilai keruncingan sama
dengan
Gambar 1. 2 Kurtosis
21
Selanjutnya, untuk melihat apakah data berdistribusi normal atau
tidak dengan menggunakan skewness dan kurtosis, dapat digunakan
formula sebagai berikut :
Z-Skewness = Skewness / sqrt(6/N)
Interpretasi pada tingkat signifikansi (alpha) 5% :
1) Jika data memiliki nilai Z-Skewness < -1,96 berarti data
memiliki kecondongan kanan.
2) Jika data memiliki nilai Z-Skewness > +1,96 berarti data
memiliki kecondongan kiri.
3) Jika data memiliki nilai Z-Skewness antara -1,96 dan +1,96,
berarti data mendekati simetris.
Z-Kurtosis = Kurtosis / sqrt(24/N)
Interpretasi pada tingkat signifikansi (alpha) 5% :
1) Jika data memiliki nilai Z-Kurtosis < -1,96, berarti data memiliki
keruncingan Leptokurtik.
2) Jika data memiliki nilai Z-Kurtosis > +1,96, berarti data memiliki
keruncingan Platikurtik.
3) Jika data memiliki nilai Z-Kurtosis antara -1,96 dan +1,96,
berarti data memiliki keruncingan Mesokurtik.
22
1.3 HASIL PERCOBAAN
Lokasi pengumpulan data kami dilakukan di Taman SPBU
G.Bawakaraeng .Sumber datanya sendiri berasal dari jumlah sepeda motor
yang lewat di depan taman SPBU G.Bawakaraeng dalam setiap menitnya
selama 2 jam, maka diperoleh hasil pengolahan data sebagai berikut:
A. Jumlah Kelas
k = 1 + 3,3 log n
= 1 + 3,3 log 120
= 1 + 3,3 (2,08)
= 1 + 6,86
= 7,86 ≈ 8
Jadi, jumlah kelas adalah dari pengolahan data adalah 8
B. Range
R = Nilai Tertinggi − Nilai Terendah
= 78-7 = 71
Jadi, jumlah dari nilai tertinggi dikurangi dengan terendah adalah 71
C. Interval Kelas
R 71
I= = = 8,87 ≈ 9
k 8
Jadi, jumlah dari nilai tertinggi dan nilai terendah dibagi dengan
jumlah kelas adalah 9
Tabel 1.1 Data Frekuensi

KELAS fi mi Fkum fi mi mi-x (mi-x)^2 i(mi-x)^2
7 14 39 10.5 39 409.5 -6.2 38.44 1499.16
15 22 59 18.5 98 1091.5 1.8 3.24 191.16
23 30 14 26.5 112 371 9.8 96.04 1344.56
31 38 0 34.5 112 0 17.8 316.84 0
39 46 0 42.5 112 0 25.8 665.64 0
47 54 0 50.5 112 0 33.8 1142.44 0
55 62 0 58.5 112 0 41.8 1747.24 0
63 70 0 66.5 112 0 49.8 2480.04 0
71 78 8 74.5 120 596 57.8 3340.84 26726.72
total 120 382.5 929 2468 232.2 9830.76 29761.6
23
1.3.2 Ukuran Rata-Rata
A. Mean
∑ 𝑓𝑖. 𝑚𝑖
𝑥̅ =
𝑛
1872
=
120
= 15,6
Jadi, jumlah mean (rata-rata) adalah 15,6
B. Median
n
− Fkum
Me = B + 2 ×i
fi
120
− Fkum
2
=B+ ×9
fi
60 − 39
= 14,5 + ×9
59
21
= 14,5 + ×9
59
189
= 14,5 +
59
= 14,5 + 3,20
= 17,7
Jadi, jumlah perhitungan dari median atau nilai tengah adalah
mendapatkan hasil 17,7
C. Modus
d1
Mo = B + ×i
d1 + d2
20
= 14,5 + ×9
20 + 45
180
= 14,5 +
65
= 14,5 + 2,76
= 17,26
Jadi, jumlah perhitungan dari modus atau ukuran data yang sering
muncul adalah mendapatkan hasil 17,26
24
1.3.3 Ukuran Letak
A. Quartil
1. Quartil 1
n
− Fkum
Q1 = B + 4 ×i
fi
120
− Fkum
4
= 14,5 + ×9
39
30 − 39
= 14,5 + ×9
39
−9
= 14,5 + ×9
39
−351
= 14,5 +
39
= 14,5 − 9
= 5,5
Jadi, jumlah perhitungan dari Quartile 1 atau letak adalah
2. Quartil 2
𝑛
− 𝐹𝑘𝑢𝑚
𝑄2 = 𝐵 + 2 ×𝑖
𝑓𝑖
120
2
=𝐵+ ×9
𝑓𝑖
60 − 39
= 14,5 + ×9
59
21
= 14,5 + ×9
59
189
= 14,5 +
59
= 14,5 + 3,20
= 17,7
Jadi, jumlah perhitungan dari Quartile 2 atau letak adalah
mendapatkan hasil 17,7.
25
3. Quartil 3
3𝑛
4
𝑄3 = 𝐵 + ×𝑖
𝑓𝑖
3(120)
4
=𝐵+ ×9
𝑓𝑖
90 − 98
= 14,5 + ×9
59
−8
= 14,5 + ×9
59
−72
= 14,5 +
59
= 14,5 − 1,2
= 13,3
Jadi jumlah perhitungan dari Quartile 3 atau letak adalah
B. Desil
𝑖.𝑛
( 10 ) − 𝐹𝑘𝑢𝑚
𝐷𝑖 = 𝐵 + ×𝑖
𝑓𝑖
3.120
( ) − 𝐹𝑘𝑢𝑚
10
= 14,5 + ×9
𝑓𝑖
36 − 39
= 14,5 + ×9
39
−3
= 14,5 + ×9
39
−27
= 14,5 +
39
= 14,5 + −0,69
= 13,81
Jadi, jumlah perhitungan dari desil adalah mendapatkan hasil 13,81
26
C. Persentil
𝑖.𝑛
(100) − 𝐹𝑘𝑢𝑚
𝑃𝑖 = 𝐵 + ×𝑖
𝑓𝑖
71.120
( ) − 𝐹𝑘𝑢𝑚
100
=𝐵+ × 71
𝑓𝑖
85,2 − 39
= 14,5 + × 71
39
46,2
= 14,5 + × 71
39
3280,2
= 14,5 +
39
= 14,5 + 84,10
= 98,6
Jadi, jumlah perhitungan dari persentil adalah mendapatkan hasil
98,6
1.3.4 Ukuran Dispersion

A. Variansi
1
𝑆2 = (∑𝑓𝑖(𝑚𝑖 − 𝑥)2 )
𝑛−1
1
= (29.761,6)
120 − 1
1
= (29.761,6)
119
= 250,1
Jadi, jumlah perhitungan dari Variansi adalah mendapatkan hasil
250,1
B. Standar Deviasi
𝑆 = √𝑆 2
= √250,1
= 15,81
Jadi, jumlah perhitungan dari Standar Deviasi adalah mendapatkan
hasil 15,81
27
1.3.5 Histogram
70
60
50
Frekuensi
40
30
20
10
0
7 - 14 15 - 2223 - 3031 - 3839 - 4647 - 5455 - 6263 - 7071 - 78
Kelas
Gambar 1.3 Grafik Pengolahan Data
1.4 PEMBAHASAN
Dari hasil pengumpulan dan pengamatan data yang telah dilakukan
pada lokasi di spbu jl.gatot subroto adapun jumlah kelas yang diperoleh
yaitu 9 kelas, adapun selisih antara nilai tertinggi dan nilai terendah
yaitu 78 sedangkan interval yang diperoleh yaitu 7.
1.4.2 Ukuran Rata-Rata

Untuk menentukan ukuran rata-rata ada tiga yaitu mean, median
dan modus.Mean (nilai rata rata) yang diperoleh adalah 15,6. Median
yang diperoleh adalah 17,7. Sedangkan modus yang diperoleh adalah
17,26.
1.4.3 Ukuran Letak

Ukuran letak dibagi menjadi tiga yaitu Quartil, Desil dan
Persentil.Untuk menentukan Quarti juga terbagi tiga yaitu Q1, Q2, Q3.
Q1 diperoleh 5,5. Q2 diperoleh 17,7 dan Q3 diperoleh 13,3 . Desil
dihitung berdasarkan nilai kelompok dan yang diperoleh adalah 13,81
28
Persentil dihitung berdasarkan nilai stambuk dan hasil yang diperoleh
adalah 98,6
1.4.4 Ukuran Dispersion

Untuk mencari ukurn dispersion menggunakan variansi dan standar
deviasi. Variansi diperoleh nilai 250,1 dan hasil standar deviasi
diperoleh 15,81.
1.4.5 Histogram
Pada histogram hasil pengolahan data diketahui pada kelas 7-14
menghasilkan frekuensi sebesar 39, pada kelas 15-22 frekuensi yang
dihasilkan sebesar 59, Pada kelas 23-30 frekuensi yang dihasilkan
sebesar 14, Pada kelas 31-38 frekuensi yang dihasilkan sebesar 0, Pada
kelas 39-46 frekuensi yang dihasilkan sebesar 0, Pada kelas 47-54
frekuensi yang dihasilkan sebesar 0, Pada kelas 55-62 frekuensi yang
dihasilkan sebesar 0, pada kelas 63-70 frekuensi yang dihasilkan
sebesar 0, dan pada kelas 71-78 frekuensi yang dihasilkan sebesar 8.
Jadi kesimpulan dari histogram tersebut yaitu kita dapat mengetahui
bahwa nilai frekuensi pada tiap kelas berbeda-beda.
29
BAB II
REGRESI DAN KOLERASI
2.1 Pendahuluan
2.1.1 Latar Belakang
Analisis regresi digunakan untuk melihat pengaruh variable
prediktor terhadap variable respon dengan terlebih dahulu melihat
pola hubungan variable tersebut. Hal ini dapat dilakukan melalui dua
pendekatan yaitu pendekatan parametric dan pendekatan
nonparametric. Pendekatan yang paling umum dan seringkali
digunakan adalah pendekatan parametrik. Pendekatan parametrik
menggunakan bentuk model yang sudah ditentukan. Apabila tidak
ada informasi apapun tentang bentuk dari fungsi regresi, maka
pendekatan nonparametric ( Hardle, 1994). Karena pendekatan
memberikan fleksibilitas yang lebih besar.
Analisis korelasi bertujuan untuk mengukur seberapa kuat
suatu relasi antara variable, dalam hal ini kekeratan hubungan antara
berat spesimen dan harga spesimen terhadap harga penjualan.
Dengan demikian regresi dan korelasi digunakan sebagai perankat
analisis dalam pengambilan keputusan agar keputusan tersebut dapat
relevan dengan objek yang diamati, dan juga mengetahui apakah ada
kaitan antara variable-variable dalam populasi.

a. Untuk mengetahui kolerasi antar variable bebas (independen) dan
variable bebas (dependen)
b. Untuk memahami aplikasi dari penggunaan analisis regresi,baik
regresi linear sederhana maupun berganda.
c. Mengerti dan memahami karakteristik regresi dan kolerasi.
30
d. Mampu melakukan pengolahan data regresi dan kolerasi
e. Mampu melakukan interperetasi dan analisa dari hasil

pengolahan.
2.1.3 Alat yang Digunakan

a. Computer /laptop
b. Buku
c. Pulpen
d. Kalkulator
e. Stopwatch

a. Siapkan alat-alat yang akan digunakan
b. Mencari data harga dan pendapatan
c. Menghitung nilai koefisien regresi dan konstanta pada korelasi
d. Menghitung nilai prediksi dari 24 data
e. Mencari nilai koefisien determinasi
f. Menghitung nilai kesalahan baku estimasi dan kesalahan baku
koefisien regresi
g. Menghitung nilai uji f dan uji t.
h. Menghitung nilai dari korelasi
31
2.2 Landasan Teori
2.2.1 Pengertian Regresi
Regresi adalah suatu metode analisis statistik yang digunakan
untukmelihat pengaruh antara dua atau lebih variabel. Hubungan
variabel tersebut bersifat fungsional yang diwujudkan dalam suatu
model matematis. Pada analisis regresi, variabel dibedakan menjadi
dua bagian, yaitu variabel respons (response variable) atau biasa juga
disebut variabel bergantung(dependent variable) dan variabel
explanory atau biasa disebut penduga (predictor variable) atau
disebut juga variabel bebas (independent variabel). Jenis- jenis
regresi terbagi menjadi beberapa jenis, yaitu regresi sederhana (linier
sederhana dan nonlinier sederhana) dan regresi berganda (linier
berganda atau nonlinier berganda). Metode ini berdsarkan pada
hubungan sebab akibat atas terjadinya variansi dari suatu variable,
dan hubungan sebab akibat itu Nampak dalam fungsi persamaan
regresi. Sedangkan kolerasi merupakan merupakan alat pembantu
yang berguna untuk mengetahui sejauh mana intensitas hubungan
yang terjadi antara vaariabel-variabel yang bersangkutan.
Pada dasarnya regresi merupakan bentuk hubungan antara
peubah tak bebas atau independen degan peubah bebas atau
dependen. Hubungan ini biasa dinyatakan dalam bentuk persamaan
matematis yang bentuknya bisa linear maupun non linear. Uji
regresii digunakan untuk memprediksi besar Variable Tergantung
(Dependent Variable) dengan menggunkan dataVariabel Bebas
(Independent Variable) yang sudah dikethui besarnya.
Rumus umum :
𝑦̂ = 𝑎 + 𝑏𝑥
Dimana : 𝑦̂ = variabel terikat
a = penduga intercept
32
b = penduga bagi koefisien
x = variabel bebas
Penduga bagi koefisien ( koefisien regresi)
𝑛 ∑ 𝑥𝑖𝑦𝑖 − (∑ 𝑥𝑖)(∑ 𝑦𝑖)

𝑏=
𝑛 ∑ 𝑥𝑖 2 − ((∑ 𝑥𝑖)2 )
Dimana : xi = nilai data pada variabel x
yi = nilai data pada variabel y
n = jumlah pengamatan
Penduga intercept
∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖
𝑎=
𝑛
Dimana : xi = nilai data pada variabel x
yi = nilai data pada variabel y
b = nilai koefisien regresi
n = jumlah pengamatan
2.2.2 Jenis-jenis Regresi
a. Regresi Linear Sederhana
Regresi linear sederhana bertujuan mempelajari hubungan linier
antara dua variabel. Dua variabel ini dibedakan manjadi dua variabel
bebas (X) dan variabel tak bebas (Y). Variable bebas adalah variabel
yang bisa dikontrol sedangkan variabel bebas adalah variabel yang
mencerminkan respon dari variabel bebas.
33
b. Regresi Berganda
Regresi berganda biasanya digunakan untuk mengatasi
permasalahan analisis regresi yang melibatkan hubungan dua atau lebih
variabel bebas. Pada awalnya regresi berganda dikembangkan oleh ahli
ekonometri untuk membantu meramalkan akibat dari aktivitas-aktivitas
ekonomi dari berbagai segmen ekonomi. Misalkan laporan tentang
peramalan masa depan perekonomian juranl-jurnal ekonomi (Bussiness
week, wall street jurnal, dll) yang didasarkan model-model ekonometrik
dengan analisis berganda sebagain alatnya. Salah satu contoh
penggunaan regresi berganda dalam bidang pertanian diantaranya
ilmuwan pertanian menggunakan analisis regresi untuk menjajagi antara
hasil pertanian (misal” produksi padi per hektar) dengan jenis pupuk yag
digunakan, kuantitas pupuk yang diberikan, jumlah hari hujan, suhu,
lama penyinaran matahari, dan infeksi serangga.
1. Regresi Kurvilinier
Regresi kurvilinier seringkali digunakan untuk menelaah
atau memodelkan hubungan fungsi variabel terikat (Y) dan variabel
bvebas (X) yang tidak bersifat linier. Tidak linier bisa diartikan
bilamana laju perubahan Y sebagai alat perubahan X tidak
mkonstan untuk nilai-nilai X tertentu. Kondisi fungsi tidakm linier
ini (Kurvilinier)seringkali dijumpai dalam banyak bidang.
Misalnya dalam bidang pertanian, bisa diamati hubungan antara
produksi padi dengan taraf penggunaan pupuk Phospat. Secara
34
umum produksi padi akan meningkat apabila pemberian pupuk
Phospat ditingkatkan dari taraf rendah ke taraf sedang. Namun
ketika pemberian pupuk Phospat terus ditingkatkan hingga ke taraf
tinggi, maka penggunaan pupuk Phospat tidak lagi diimbangi
dengankenaikan hasil,sebaliknya malah terjadi penurunan hasil.
Untuk kasus-kasus hubungan tidak linier, prosedur regresi
sederhana atau bergandatidak dapat digunakan dalam mencari pola
hubungan dari variable-variable yang terlibat. Dalam hal ini,
prosedur analisis regresi kurvilinier merupakan prosedur regresi
yang tepat untuk digunakan.
2. Regresi Dengan Variabel Dummy (Boneka)
Analisis regresi tidak hanya digunakan untuk data-data
kuantitatif (misal: dosis pupuk) tetapi juga digunakan untuk data
kualitatif (misal: musim panen). Jenis data kualitatif tersebut
seringkali menunjukkankeberadaan klasifikasi (kategori) tertentu,
sering juga dikategorikan variabel bebas (X)dengan klasifikasi
pengukuran nominal dalam persamaan regresi. Sebagai contoh,
untuk meregresikan pengaruh kondisi kemasan produk dodol nenas
terhadap harga jual. Pada umunya cara yang dipakai untuk
penyelesaiannya adalah dengan memberi nilai 1 (satu) jika kategori
yang dimaksudkan ada dan nilai (0) apabila kategori yang
dimaksudkan tidak ada (bisa juga sebaliknya, tergantung tujuannya).
35
Dalam kasus ini, bila kemasannya menarik diberi nilai 1 dan apabila
tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0
disebut variabel dummy dan nilai yang diberikan dapat digunakan
seperti variabel kuantitatif lainnya.
3. Regresi Logistik (Logistic Regression)
Bila regresi terhadap variabel bebas (X) merupakan variabel
dummy, maka dikategorikan regresi dummy. Regresi logistik
digunakan apabila variale terikatnya (Y) berupa variabel masuk
kategori klasifikasi. Misalnya, variable Y yang berupa dua respon
yakni gagal. (dilambangkan dengan nilai 0) dan berhasil
(dilambangkan dengan nilai 1). Kondisi demikian juga sering
dikategorikan sebagai dengan respon biner. Seperti ada analisis
regresi berganda, untuk regresi variabel bebas (X) bisa juga terdiri
lebih dari sat variabel.
2.2.3 Pengertian Korelasi
Secara sederhana, korelasi dapat diartikan sebagai hubungan.
Namun ketika dikembangkan lebih jauh, korelasi tidak hanya dapat
dipahami sebatas pengertian tersebut. Korelasi merupakan salah satu
teknik analisis dalam statistik yang digunakan untuk mencari
hubungan antara dua variable yang bersifat kuantitatif. Hubungan dua
variabel tersebut dapat terjadi karena adanya hubungan sebab akibat
atau dapat pula terjadi karena kebetulan saja. Dua variable dikatakan
berkolerasi apabila perubahan pada variabel yang satu akan diikuti
36
perubahan pada variabel yang lain secara teratur dengan arah yang
sama (korelasi positif) atau berlawanan (korelasi negatif).
Dalam Matematika, korelasi merupakan ukuran dari seberapa dekat
dua variable berubah dalam hubungan satu sama lain. Sebagai contoh, kita
bisa menggunakan tinggi badan dan usia siswa SD sebagai variable dalam
korelasi positif. Semakin tua usia siswa SD, maka tinggi badannya pun
menjadi semakin tinggi. Hubungan ini disebut korelasi positif karena kedua
variabel mengalami perubahan ke arah yang sama, yakni dengan
meningkatnya usia, maka tinggi badan pun ikut meningkat. Sementara itu,
kita bisa menggunakan nilai dan tingkat ketidak hadiran siswa sebagai contoh
dalam korelasi negatif. Semakin tinggi tingkat ketidak hadiran siswa di kelas,
maka nilai yang diperolehnya cenderung semakin rendah. Hubungan ini
disebut korelasi negative karena kedua variabel mengalami perubahan ke arah
yang berlawanan, yakni dengan meningkatnya tingkat ketidak hadiran, maka
nilai siswa justru menurun. 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 variable dihasilkan
oleh matahari tidak dapat diatur oleh manusia. Sedangkan tinggi tanaman
37
merupakan variabel dependen karena perubahan tinggi tanaman dipengaruhi
langsung oleh intensitas cahaya matahari sebagai variabel indipenden.
𝑛 ∑ 𝑥𝑦 − (∑ 𝑥)(∑ 𝑦)
𝑟=
√𝑛{∑ 𝑥 2 − (∑ 𝑥)2 }√𝑛{∑ 𝑦 2 − (∑ 𝑦)2 }
Dimana :
n = Banyaknya pasangan data x dan y
∑x = Total jumlah dari variabel x
∑y = Total jumlah dari variabel y

∑x2 = Kuadrat dari total jumlah dari variabel x
∑y2 = Kuadrat dari total jumlah dari variabel y
∑xy = Hasil perkalian dari total jumlah variabel x dan y
Uji kolerasi digunakan untuk mengetahui apakah diantara dua

variable terdapat hubungan,dan jika ada hubungan, bagaimana arah hubungan
dan seberapa besar hubungan tersebut. Data yang digunakan bisa kualitatif
ataupun kuantitatif, yang masing-masing mempunyai ukuran kolerasi sendiri-
sendiri. Untuk analisis data diperlukan, perhitungan :
1. Persamaan Regresi
2. Nilai Prediksi
3. Koefisien determinasi
2
∑(𝑌 − 𝑌)2
𝑅 =1−
∑(𝑌 − 𝑌̅)2
Koefisien determinasi disesuaikan (adjusted)
𝑃(1 − 𝑅 2 )
2
𝑅=𝑅 −
𝑁−𝑃−1
4. Kesalahan baku estimasi; digunakan untuk mengukur tingkat kesalahan
dari model regresi yang dibentuk
∑(𝑌 − 𝑌)2
𝑆𝑒 = √
𝑛−𝑘
38
5. Kesalahan baku koefisien regresi;digunakan untuk mengukur besarnya
tingkat kesalahan dari koefisien regresi
𝑆𝑒
𝑆𝑏 =
(∑𝑋)2
√∑𝑋 2 −
𝑛
6. Uji F; digunakan untuk uji ketepatan model,apakah nilai prediksi mampu

menggambarkan kondisi sesungguhnya
Ho : diterima jika –thitung ≤ thitung ≤ ttabel
Ha : diterima jika thitung > ttabel atau – thitung < - ttabel
𝑏𝑗
thitung= 𝑠𝑏𝑗
2.2.4 Jenis-jenis Korelasi
Korelasi sebagai sebuah analisis memiliki berbagai jenis
menurut tingkatannya. Beberapa tingkatan korelasi yang telah dikenal
selama ini antara lain adalah korelasi sederhana, korelasi parsial, dan
korelasi ganda. Berikut ini adalah penjelasan dari masing-masing
korelasi dan bagaimana cara menghitung hubungan dari masing-
masing korelasi tersebut.
a. 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
39
bentuk hubungannya adalah apakah bentuk korelasinya linear
positif ataupun linear negatif.
Di antara sekian banyak teknik-teknik pengukuran asosiasi,
terdapat dua teknik korelasi yang sangat populer sampai sekarang,
yaitu Korelasi Pearson Product Moment dan Korelasi Rank
Spearman. Lalu apa perbedaan di antara keduanya? Korelasi
Pearson Product Moment adalah korelasi yang digunakan untuk
data kontinu dan data diskrit. Korelasi pearson cocok digunakan
untuk statistik parametrik. Ketika data berjumlah besar dan
memiliki ukuran parameter seperti mean dan standar deviasi
populasi. Korelasi Pearson menghitung korelasi dengan
menggunakan variasi data. Keragaman data tersebut dapat
menunjukkan korelasinya.
Korelasi ini menghitung data apa adanya, tidak membuat
ranking atas data yang digunakan seperti pada korelasi Rank
Spearman. Ketika kita memiliki data numeric seperti nilai tukar
rupiah, data rasio keuangan, tingkat pertumbuhan ekonomi, data
berat badan dan contoh data numeric lainnya, maka Korelasi
Pearson Product Moment cocok digunakan. Sebaliknya, Koefisien
Korelasi Rank Spearman digunakan untuk data diskrit dan
kontinu namun untuk statistik nonparametrik. Koefisien korelasi
Rank Spearman lebih cocok untuk digunakan pada statistic
nonparametrik. Statistik nonparametric adalah statistik yang
40
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 menghitung korelasi dengan
menghitung ranking data terlebih dahulu. Artinya korelasi dihitung
berdasarkan orde data. Ketika peneliti berhadapan dengan data
kategorik seperti kategori pekerjaan, tingkat pendidikan, kelompok
usia, dan contoh data ketegorik lainnya, maka Korelasi Rank
Spearman cocok digunakan. Korelasi Rank Spearman pun cocok
digunakan pada kondisi dimana peneliti dihadapkan pada data
numerik (kurs rupiah, rasio keuangan, pertumbuhan ekonomi),
namun peneliti tidakmemiliki cukup banyak data (data kurang dari
30).
b. 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 variable 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). Berikut adalah pedoman
41
untuk memberikan interpretasi serta analisis bagi koefisien
korelasi menurut Sugiyono:
0.0 - 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
c. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan
untuk melihat hubungan antara tiga atau lebih variabel (dua atau
lebih variabel independen dan satu variable dependent. Korelasi
ganda berkaitan dengan interkorelasi variabel-variabel
independen sebagaimana korelasi mereka dengan variable
dependen. Korelasi ganda adalah suatu nilai yang memberikan
kuatnya pengaruh atau hubungan dua variabel atau lebih secara
bersama-sama dengan variabel lain. 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
42
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.
2.2.5 Diagram Pencar
a. Kegunaan Diagram Pencar
Diagram pencar digunakan untuk mengetahui antara dua
variabel dalam menentukan karakteristik mutu serta untuk
memastikan hubungan antara sebab dan akibat. Contohnya untuk
mengetahui seberapa besar dimensi komponen mesin akan
bervariasi dengan perubahan kecepatan mesin bubut (yang
diubah-ubah kecepatan mesin bubutnya).
Gambar 2.2 Diagram pencar
43
b. Langkah membuat diagram pencar yaitu :
1) Kumpulkan pasangan data (x,y) yaitu hal-hal yang ingin
dipelajari keterkaitannya dan atur data dalam sebuah tabel
dengan data paling sedikit 30 pasangan data.
2) Carilah nilai maksimum dan minimum untuk kedua x dari y.
Tetapkan skala pada sumbu horizontal dan vertikal sehingga
panjang keduanya mendekati sama, sehingga diagram akan
lebih mudah terbaca.
3) Gambar data pada kertas. Bila didapatkan nilai data yang
samadari pengamatan yang berbed, tunjukkan titik ini dengan
menggambar lingkaran sepusat atau gambar titik kedua dalam
daerah terdekat dari yang pertama.
4) Masukkan semua item yang diperlukan.pastikan item berikut
termasuk sehingga setiap orang di luar yang membuat
diagram dapat mengerti secara sepintas.
a) Selang waktu
b) Jumlah pasangan data
c) Judul dan unit setiap sumbu
d) Judul grafik
c. Jenis-jenis Diagram Pencar
a. Linear positif
Diagram pencar ini memiliki hubungan yang saling
sejalan/searah dan membentuk garis lurus dari persamaan
44
yang didapatkan. Dimana apabila nilai x naik maka nilai y
juga ikut naik.
b. Linear negatif
Diagram pencar ini memiliki hubungan yang
berhubungan dengan kedua variabelnya. Dimana apabila nilai
x meningkat maka nilai y nya menurun. Dan persamaannya
membentuk garis lurus. Oleh karena itu dikatakan diagram
pencar linear negatif.
c. Curve linear postif
Diagram pencar hampir sama dengan linear positif
hanya saja garis yang dihasilkan membentuk kurva karena
persamaannya kuadrat.
d. Curve linear negatif
Diagram pencar hampir sama dengan linear negatif
hanya saja garis yang dihasilkan membentuk kurva karena
persamaannya dari persamaan kuadrat.
e. Curve linear
Diagram pencar ini menggambarkan kondisi dimana
didapatkan hubungan antara variabel x dan variabel y yang
meningkat, namun saat mencapai keadaan maksimum
keduanya mengalami penurunan. Jadi garis yang dihasilkan
membentuk kurva persamaan kuadrat juga.
45
f. Tak tentu
Diagram pencar ini menggambarkan seolah-olah tidak
ada hubungan antara variabel x dan y seolah-olah keduanya
tidak saling mempengaruhi. Karena diagram yang didapatkan
tersebar secara acak dan tidak berpola.
2.3 Pengumpulan Data

Berdasarkan hasil pengumpulan data yang telah diakukan tentang data
harga dan pendapatan perusahaan selama 2 tahun dan diperoleh data yang
dapat dilihat pada lampiran 2, kemudian dari data tersebut akan diolah sebagai
berikut:
2.3.1 Regresi
a. Rumus umum regresi
𝑦̂ = a + b𝑥
Tabel 2.1 hasil pengolahan data harga dan pendapatan
x y x2 y2 xy
16 260 256 67600 4160
20 300 400 90000 6000
15 220 225 48400 3300
7 200 49 40000 1400
71 360 5041 129600 25560
26 400 676 160000 10400
21 310 441 96100 6510
25 480 625 230400 12000
30 420 900 176400 12600
71 440 5041 193600 31240
38 500 1444 250000 19000
33 420 1089 176400 13860
39 520 1521 270400 20280
71 490 5041 240100 34790
10 150 100 22500 1500
13 180 169 32400 2340
18 190 324 36100 3420
22 210 484 44100 4620
71 230 5041 52900 16330
28 260 784 67600 7280
29 290 841 84100 8410
11 160 121 25600 1760
685 6990 30613 2534300 246760
31.13636 317.7273
46
1. Koefisien Regresi
𝑛. (∑ 𝑥. 𝑦) − (∑ 𝑥). (∑ 𝑦)
𝑏=
𝑛. (∑ 𝑥 2 ) − (∑ 𝑥)2
24(265860)−(748)(7600)
= 24(32638)−(748)2
695840
= 223808 = 3,10
2. Konstanta
∑ 𝑦 − 𝑏. (∑ 𝑥)
𝑎=
𝑛
7600 − 3,10 (748)
= 24
5281,2
= =220,05
24
Jadi, rumus umum regresi dari data harga dan pendapatan penjualan
sepatu adalah 169,37
b. Nilai Prediksi
1) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂16 = 220,05 + 3,10(16)
= 269,65
2) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂20 = 220,05 + 3,10(20)
= 282,05
3) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂15 = 220,05 + 3,10(15)
= 266,55
4) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂7 = 220,05 + 3,10(7)
= 241,75
5) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂71 = 220,05 + 3,10(71)
= 440,15
47
6) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂26 = 220,05 + 3,10(26)
= 300,65
7) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂21 = 220,05 + 3,10(21)
= 285,15
8) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂25 = 220,05 + 3,10(25)
= 297,55
9) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂30 = 220,05 + 3,10(30)
= 313,05
10) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂38 = 220,05 + 3,10(38)
= 337,85
11) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂33 = 220,05 + 3,10(36)
= 331,65
12) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂39 = 220,05 + 3,10(33)
= 322,35
13) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂10 = 220,05 + 3,10(39)
= 340,95
14) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂13 = 220,05 + 3,10(10)
= 251,05
15) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂18 = 220,05 + 3,10(13)
= 260,35
48
16) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂22 = 220,05 + 3,10(18)
= 275,85
17) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂28 = 220,05 + 3,10(22)
= 288,25
18) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂22 = 220,05 + 3,10(27)
= 303,75
19) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂29 = 220,05 + 3,10(28)
= 306,85
20) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂11 = 220,05 + 3,10(29)
= 309.95
21) 𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖
𝑦̂11 = 220,05 + 3,10(11)
= 254,15
c. Koefisien Determinasi
Tabel 2.2 Hasil Pengolahan Regresi
y ŷ (y - y )̂ (y - y )̂ ^2 (y - y )̅ (y - y )̅ ^2
260 269.65 -9.65 93.12 -56.67 3211.49
300 282.05 17.95 322.20 -16.67 277.89
220 266.55 -46.55 2166.90 -96.67 9345.09
200 241.75 -41.75 1743.06 -116.67 13611.89
360 440.15 -80.15 6424.02 43.33 1877.49
400 300.65 99.35 9870.42 83.33 6943.89
310 285.15 24.85 617.52 -6.67 44.49
480 297.55 182.45 33288.00 163.33 26676.69
420 313.05 106.95 11438.30 103.33 10677.09
440 440.15 -0.15 0.02 123.33 15210.29
500 337.85 162.15 26292.62 183.33 33609.89
450 331.65 118.35 14006.72 133.33 17776.89
420 322.35 97.65 9535.52 103.33 10677.09
400 340.95 59.05 3486.90 83.33 6943.89
490 440.15 49.85 2485.02 173.33 30043.29
150 251.05 -101.05 10211.10 -166.67 27778.89
180 260.35 -80.35 6456.12 -136.67 18678.69
190 275.85 -85.85 7370.22 -126.67 16045.29
210 288.25 -78.25 6123.06 -106.67 11378.49
230 440.15 -210.15 44163.02 -86.67 7511.69
260 303.75 -43.75 1914.06 -56.67 3211.49
280 306.85 -26.85 720.92 -36.67 1344.69
290 309.95 -19.95 398.00 -26.67 711.29
160 254.15 -94.15 8864.22 -156.67 24545.49
7600 7600 0 207991.12 -0.08 298133.33
49
∑(𝑦 − 𝑦̂)2
𝑅2 = 1 −
∑(𝑦 − 𝑦̅)2
207991,12
𝑅 2 = 1 − 298133,33 =
𝑅 2 = 1 − 0,7 = 0,3
Jadi, nilai pada koefisien determinasi adalah 0,3
Koefisien determinasi disesuaikan (adjusted):
𝑃(1 − 𝑅 2 )
𝑅𝑎𝑑𝑗 = 𝑅 2 −
𝑁−𝑃−1
1(1−0,3)
𝑅𝑎𝑑𝑗 = 0,3. − 24−1−1
0,7
= 0,3 − 22 = 0,03
= 0,3 – 0,03
= 0,27
Jadi, nilai yang diperoleh Radj adalah 0,27
d. Kesalahan Baku Estimasi(k=2)
∑((𝑦 − 𝑦)2 )
𝑆𝑒 = √
𝑛−𝑘
298133,33
𝑆𝑒 = √ = √13551,51
24−2
= 116,41
Jadi, nilai yang diperoleh Se adalah 116,41
e. Kesalahan Baku Koefisien

𝑆𝑒
𝑆𝑏 = 2
√∑ 𝑥 2 −(∑ 𝑥)
𝑛
116,41
= 2
√32638− (748)
24
116,65
= 9325,33 = 0,012
50
Jadi, nilai yang diperoleh Sb adalah 0,012
f. Uji F
𝑅2
𝑘−1 0,3/(2−1)
𝐹= 𝑅2
= 1−(0,3)/(24−2)
1−
𝑛−𝑘
0,3
= 0,99
= 0,30
Jadi, nilai yang diperoleh F hitung adalah 0,30
g. Uji T
𝑏𝑗
𝑇=
𝑆𝑏𝑗
3,10
𝑇 = 0,01 = 31
Jadi, nilai pada uji t adalah 31

2.3.2 Korelasi
𝑛 ∑ 𝑥. 𝑦 − (∑ 𝑥) ∑ 𝑦)
𝑟=
√[𝑛∑𝑥 2 − (∑𝑥)2 ][𝑛. (∑ 𝑦 2 ) − (∑𝑦)2 ]
24(265860) − (748 x 7600)

𝑟=
√[24(32638 − (748)2 ][24(2704800) − (7600)2 ]
695840
𝑟=
√1601391001600
695840
𝑟 = 1265460,79 =
𝑟 = 0,55
Jadi, pengaruh nilai x terhadap y yaitu 0,55 yang artinya kuat
51
Gambar 2.2 Diagram Pencar Harga dan Pendapatan
2.4 PEMBAHASAN
2.4.1 Regresi
Berdasarkan hasil pengumpulan data yang telah dilakukan dapat
diambil kesimpulan bahwa nilai pada koefisien regresi diperoleh 3,10
dimana nilai konstanta sebesar 169,37. Pada nilai prediksi yang diperoleh
sebanyak 24 data. Nilai pada koefisien determinasi yaitu (R2) 0,3 yang
menunjukkan seberapa besar variabel x mempengaruhi variabel y dan
sisanya dipengaruhi oleh faktor lain yang tidak kami teliti serta nilai pada
Radj sebesar 0,27. Sedangkan pada kesalahan baku estimasi diperoleh
116,41 dan pada kesalahan baku koefisien regresi sebesar 0,012. Dimana
nilai pada Uji f (F hitung) adalah 0,30 sedangkan nilai F tabel 4,30 dan pada
uji t (T hitung) adalah 31 sedangkan T tabel adalah 2,07 sehingga dapat
dikatakan bahwa:
Fhitung > Ftabel maka model regresi diterima sedangkan,
Thitung > Ttabel maka variabel bebas berpengaruh pada variabel terikat.
52
2.4.2 Korelasi
Korelasi merupakan alat pembantu yang berguna untuk
mengetahui sejauh mana intensitas hubungan yang terjadi antara
variabel-variabel yang bersangkutan.
Dari hasil pengolahan data yang telah dilakukan diperoleh nilai
korelasi yaitu 0,55. Jadi, pengaruh nilai harga (x) terhadap pendapatan
(y) yaitu 0,55 yang artinya kuat.

Berdasarkan diagram pencar yang telah dibuat, maka dapat
dikatakan bahwa x dan y memiliki hubungan Positif (korelasi Positif)
yang artinya makin tinggi nilai harga maka nilai pendapatan juga
semakin tinggi.
Diagram pencar ini memiliki hubungan yang saling sejalan/searah
dan membentuk garis lurus dari persamaan yang didapatkan. Dimana
apabila nilai x naik maka nilai y juga ikut naik.
53
BAB III
PENGOLAHAN DATA DENGAN SPSS
3.1 PENDAHULUAN
3.1.1 Latar belakang
SPSS adalah sebuah program aplikasi yang memiliki kemampuan
analisis statistik cukup tinggi serta sistem manajemen data pada
lingkungan grafis dengan menggunakan menu-menu deskriptif dan
kotak dialog yang sederhana sehingga mudah untuk dipahami cara
pengoperasiannya. Beberapa aktivitas dapat dilakukan dengan mudah
dengan menggunakan pointing dan clicking mouse (Hartatik, 2011).
SPSS banyak digunakan dalam berbagai riset pemasaran,
pengendalian dan perbaikan mutu (quality improvement), serta riset-
riset sains. SPSS pertama kali muncul dengan versi PC (bisa dipakai
untuk komputer desktop) dengan nama SPSS/PC+ (versi DOS).
Pada awalnya SPSS dibuat untuk keperluan pengolahan data
statistik untuk ilmu-ilmu social, sehingga kepanjangan SPSS itu sendiri
adalah Statistikal Package for the Social Sciens. Sekarang kemampuan
SPSS diperluas untuk melayani berbagai jenis pengguna (user), seperti
untuk proses produksi di pabrik, riset ilmu sains dan lainnya. Dengan
demikian, sekarang kepanjangan dari SPSS Statistical Product and
Service Solutions.
SPSS dapat membaca berbagai jenis data atau memasukkan data
secara langsung ke dalam SPSS Data Editor. Bagaimanapun struktur
dari file data mentahnya, maka data dalam Data Editor SPSS harus
dibentuk dalam bentuk baris (cases) dan kolom (variables).
Pada 1986, Norman H. Nie C. Hadlai (Tex) Hull dan Dale
H.Bent , tiga orang pemuda dari latar belakang profesional berbeda,
memperkembangkan sistem perangkat halus yang berdasarkan gagasan
statistika menggunakan untuk mengubah data mentah (RAW)menjadi
informasi esensial untuk membuat keputusan . Sistem perangkat halus
54
statistik revolusioner ini disebut SPSS, yang menjadi calon Statistical
Package untuk ilmu pengetahuan Sosial.
Nie, Hull, dan Bent membangun SPSS dari keperluan untuk
dengan cepat menganalisa volume data ilmu pengetahuan sosial yang
dikumpulkan lewat berbagai metode penelitian. Dilakukan kerja petama
di SPSS di Stanford University dengan maksud untuk membuatnya
tersedia hanya untuk konsumsi lokal dan tak ada distribusi
internasional. Nie, seorang ilmuan sosial dan stanford doktoral calon,
mengambil target sasaraan dan menetapkan kebutuhan (requirements) :
Bent, Dotoral calon stanford University pada penelitian pelaksanaan,
mempunyai keahlian analisa dan mendesain struktur berkas sistem
SPSS : dan Hull, yang baru tamat dari stanford dengan gelar MBA-nya,
memperogram SPSS.
Sekarang ini SPSS yang berkembang sudah berbasis windows
sehingga dikenal dengan SPSS for windows. Perama kali muncul versi
windows adalah SPSS for windows 6.00, hingga kini SPSS yang paling
terbaru SPSS 20. SPSS memiliki banyak kegunaan bagi pengguna
seperti peneliti pasar, peneliti kesehatan, perusahaan survei, pemerintah,
peneliti pendidikan, organisasi pemasaran, dan sebagainya.

1. Dapat memahami dan mengolah data kedalam software data
kedalam software SPSS.
2. Dapat melakukan penyuntingan data.
3. Dapat memberikan keterampilan dalam menganalisis data
menggunakan paket program SPSS.
3.1.3 Alat-Alat yang Digunakan

a. Komputer/laptop
b. Kertas
c. Pulpen
d. Aplikasi SPSS
55
a. Menyiapkan komputer, laptop atau notebook yang memiliki
software SPSS
b. Menyiapkan observation sheet yang berisi data percobaan statistik
deskriptif, regresi dan korelasi, serta data statistik inferensia
c. Menginput data sesuai dengan metode pengolahan yang akan
digunakan
d. Mengolah data
e. Menganalisis output dari data yang telah diolah.
3.2 LANDASAN TEORI

3.2.1 Pengertian SPSS
SPSS adalah kependekan dari Statistical Program for Social
Science merupakan sebuah aplikasi yang digunakan untuk melakukan
analisis statistika tingkat lanjut, analisis data dengan algoritma machine
learning, analisis string, serta analisis big data yang dapat diintegrasikan
untuk membangun platform data analisis. SPSS adalah kependekan
dari Statistical Package for the Social Sciences. SPSS sangat populer di
kalangan peneliti dan statistikawan untuk membantu melakukan
perhitungan terkait analisis data. SPSS menyediakan library untuk
perhitungan statistika dengan antarmuka interaktif yang menjadikannya
sebagai software analisis data tingkat lanjut paling populer di berbagai
universitas, instansi, dan perusahaan.
Statistik yang termasuk software dasar SPSS:
a. Statistik Deskriptif: Tabulasi Silang, Frekuensi, Deskripsi,
Penelusuran, Statistik Deskripsi Rasio
b. Statistik Bivariat: Rata-rata, t-test, ANOVA, Korelasi (bivariat,
parsial, jarak), Nonparametric tests
c. Prediksi Hasil Numerik: Regresi Linear
d. Prediksi untuk mengidentivikasi kelompok: Analisis Faktor,
Analisis Cluster (two-step, K-means, hierarkis), Diskriminan.
56
Berbagai fitur dalam SPSS dapat diakses melalui menu pull-down
atau dapat diprogram dengan bahasa perintah sintaks proprietary 4GL.
Pemrograman perintah sintaks memiliki keuntungan di bidang
reproduktivitas serta pengendalian manipulasi data kompleks dan
analisis. Perhubungan menu pull-down juga menghasilkan sintaks
perintah, walaupun pengaturan awalnya harus diubah terlebih dahulu
agar sintaks dapat dilihat oleh user. Program dapat berjalan secara
interaktif, atau tanpa pengendalian menggunakan Fasilitas Kerja
Produksi. Sebagai tambahan, bahasa makro juga dapat digunakan untuk
menulis perintah subrutin dan ekstensi program Python dapat
mengakses informasi di dalam kamus data dan data, kemudian secara
dinamis membuat program perintah sintaks.
SPSS meletakkan batasan-batasan pada struktur file internal, tipe
data, pengolahan data dan pencocokan file, yang memudahkan
pemrograman. SPSS datasets memiliki struktur tabel 2 dimensi dimana
bagian baris menunjukkan kasus-kasus (seperti pribadi atau rumah
tangga) dan bagian kolom menampilkan ukuran-ukuran (seperti umur,
jenis kelamin, pendapatan rumah tangga). Hanya 2 tipe data yang
digambarkan: numerik dan teks (string).
Seluruh pengolahan data dilakukan berurutan kasus per kasus
melalui file. File dapat dipasangkan satu per satu atau satu-banyak, tapi
tidak dapat banyak per banyak. User interface grafis memiliki 2 jenis
tampilan yang dapat dipilih dengan cara meng-klik salah satu dari dua
tombol di bagian bawah kiri dari window SPSS.
SPSS dapat membaca dan menulis data dari file teks ASCII
(termasuk file hierarkis), paket statistik lainnya, spreadsheets dan
database. SPSS dapat membaca dan menulis ke dalam tabel database
eksternal relasional melalui ODBC dan SQL.
Output statistik memiliki format file proprietary (file.spo, men-
support tabel poros) yang mana, sebagai tambahan atas penampil dalam
paket, disediakan pembaca stand-alone.
57
Output proprietary dapat diubah ke dalam bentuk teks atau
Microsoft Word. Selain itu, output dapat dibaca sebagai data
(menggunakan perintah OMS), sebagai teks, teks dengan pembatasan
tabulasi, HTML, XML, dataset SPSS atau pilihan format image grafis
(JPEG, PNG, BMP, dan EMP).
3.2.2 Kelebihan dan Kelemahan SPSS

Kelebihan yang dimiliki oleh software SPSS antara lain:
a. Mampu mengakses data dari berbagai macam format yang tersedia,
seperti pada dBase, Lotus, Text file, dll. Sehingga data yang sudah
ada dari berbagai format data dapat langsung digunakan untuk
dianalisis.
b. SPSS memberikan tampilan data yang lebih informatif
c. Memberikan informasi lebih akurat dengan memberikan kode
alasan jika terjadi missing data
d. Mudah digunakan, pengguna tidak perlu belajar bahasa
pemrograman.
Sedangkan kekurangan dari software SPSS antara lain:
a. Meskipun tergolong program yang mudah digunakan, namun untuk
dapat menjalankan program ini, pengguna minimal harus
mengatahui dasar ilmu statistik terlebih dahulu
b. Berkembangnya versi terbaru dengan cepat dan tampilan secara
fisik yang terkadang berbeda dengan versi yang lama membutuhkan
adaptasi dengan pengguna untuk dapat menjalankan program ini.
Dan jangan lupa pilih seri SPSS yang sesuai dengan spesifikasi
komputer yang Anda gunakan.
3.2.3 Langkah Pengolahan dengan SPSS

A. Statistik Deskriptif
Statistik deskriptif adalah metode yang berhubungan dengan
pengumpulan dan penyajian suatu kumpulan data sehingga
menampilkan ringkasan statistik (mean, median, standar deviasi,
58
variansi, modus, dll) dan representasi yang menarik melalui grafik.
Dimana Statistik Deskriptif bertujuan untuk memberikan gambaran
umum jelas dari data yang digunakan dalam studi kasus atau
penelitian.
Langkah-langkah analisis deskriptif:
1. Persiapkan data yang akan digunakan
2. Buka Aplikasi SPSS
3. Setelah lembar kerja SPSS terbuka, Buatlah nama variabel
serta tipe data dari data yang akan digunakan dengan cara klik
pada Variabel View.
Gambar 3. 1 Variabel View
4. Setelah itu lakukan entri data pada masing-masing variabel

yang telah dibuat, dengan klik Data View kemudian entri data.
Gambar 3. 2 Data View
5. Lakukan analisis deskriptif dengan cara klik pada

menu Analyze - Deskriptive Statistics – Frequencies
59
Gambar 3. 3 Analyze Deskriptive Statistics Frequencies
6. Pindahkan variabel biaya promosi dan volume penjualan

dengan blok ke dua variabel terlebih dahulu kemudian klik
tanda ( > ) dan centang Display
Gambar 3. 4 variabel biaya promosi dan volume penjualan
7. Setelah itu klik pada Statistics dan centang pada Quartiles,

Percentile (s):(25, 50, 75), Mean, Median, Mode, Sum, Std.
Deviation, Variance, Minimum, Maximum,Skewness dan
Kurtosis. Selanjutnya klik Continue.
Gambar 3. 5 Statistics
8. Selanjutnya untuk menampilakan representasi grafik,
klik Chats - Histograms - centang Show normal curve on
histogram - Continue. Lalu klik Ok
60
Gambar 3. 6 Chats Histogram
9. Tampilan Hasil Output
Gambar 3. 7 Hasil Output
B. Regresi dan Korelasi

Sebelum membuat analisa, laptop / komputer harus diinstal
SPSS terlebih dahulu. SPSS yang saya gunakan adalah IBM SPSS
Statistics 20 [Portable]. Setelah diinstal, lakukan langkah-langkah
sebagai berikut :
1) Input data ke SPSS.
Ada 2 view dalam SPSS, yaitu Data View dan Variable
View. Data di input ke Data View.
61
Gambar 3. 8 Input Data
Sementara Variable View digunakan untuk memberi

nama variabel.
Gambar 3. 9 variabel view
2) Langkah selanjutnya yaitu Uji Normalitas. Untuk

melakukannya, pilih menu Analyze, kemudian pilih
Descriptive Statistics, lalu Explore.
Gambar 3. 10 variabel view
Setelah muncul kotak dialog, pindahkan variabel Nilai

Impor dan Pendapatan Nasional ke kotak Dependent List.
62
Kemudiakn klik Plots. Lalu aktifkan box Normality plots with
tests, klik Continue lalu OK.
Gambar 3. 11 Variabel Nilai
Gambar 3. 12 Hasil Uji Normalitas
Ini hasil Uji Normalitas

3) Tahap selanjutnya adalah tahap analisis. Pilih menu Analyze,
lalu Correlate dan klik Bivariate.
Gambar 3. 13 analisis data

Impor dan Pendapatan Nasional ke kotak Variables. Aktifkan
box Pearson dan klik OK.
63
Gambar 3. 14 korelasi pearson
Gambar 3. 15 Hasil analisis Korelasi Pearson
4) Untuk melakukan analisis Korelasi Spearman, caranya sama

seperti melakukan analisis Korelasi Pearson. Hanya saja, box
yang diaktifkan saat kotak dialog muncul adalah box
Spearman. Kemudian klik OK.
Gambar 3. 16 Hasil Korelasi Spearman
Ini hasil analisis Korelasi Spearman

5) Untuk melakukan analisis Korelasi Partial. Pilih menu
Analyze, lalu Correlate dan klik Partial.
64
Gambar 3. 17 Korelasi Partial

Impor dan Pendapatan Nasional ke kotak Variables, dan
variabel Tahun ke kotak Controlling for. Klik OK.
Gambar 3. 18 Controlling
Gambar 3. 19 Hasil Analisis Korelasi Partial
6) Sela
njutnya yaitu analisis Korelasi Ganda. Karena tidak ada menu
khusus korelasi ganda di SPSS, maka menggunakan regresi.
Pilih menu Analyze, lalu Regression dan klik Linear.
Gambar 3. 20 Analyze
65
Impor ke kotak Dependent dan variabel Pendapatan Nasional
ke kotak Independent(s). Lalu klik OK.
Gambar 3. 21 Independent
Gambar 3. 22 Hasil Analisis Korelasi Ganda
7) Tahap selanjutnya yaitu analisis regresi. Untuk melakukan

analisis Regresi Sederhana, pilih menu Analyze, lalu
Regression dan klik Linear.
Gambar 3. 23 Regresi Sederhana
66
Impor ke kotak Dependent dan variabel Pendapatan Nasional
ke kotak Independent(s). Klik OK.
Gambar 3. 24 Dependent
Gambar 3. 25 Hasil Analisis Regresi Sederhana
8) Untuk melakukan analisis Regresi Ganda. Pilih menu

Analyze, lalu Regression dan klik Linear. Setelah muncul
kotak dialog, pindahkan variabel Tahun ke kotak Dependent,
sedangkan variabel Nilai Impor dan Pendapatan Nasional ke
kotak Independent(s). Klik Statistics. Aktifkan box
Collinearity diagnostics dan klik Continue. Klik OK.
Gambar 3. 26 Analisis Regresi Ganda
67
3.3 HASIL PERCOBAAN
3.3.1 Statistika Deskriptif
A. Statistik
Statistik adalah sekumpulan prosedur untuk mengumpulkan,
mengukur, mengklasifikasi, menghitung, menjelaskan, mensintesis,
menganalisis, dan menafsirkan data kuantitatif yang diperoleh
secara sistematis. Secara garis besar, statistik dibagi menjadi dua
komponen utama, yaitu Statistik Deskriptifdan Statistik inferensial.
Statistik Deskriptif, yaitu statistik yang digunakan untuk analisa
data dengan cara mendeskripsikan atau menggambarkan data yang
telah terkumpul sebagaimana adanya tanpa ada tujuan membuat
kesimpulan untuk generalisasi.
Tabel 3. 1 Statistik
B. Frekuensi
Frekuensi adalah banyaknya putaran ulang data yang terjadi
dalam suatu periode tertentu, atau bisa juga diartikan sebagai
banyaknya pengulangan suatu data selama satu kurun waktu tertentu
dan biasa terjadi secara konstan.
68
Tabel 3. 2 Frekuensi
C. Histogram
Histogram adalah tampilan grafis dari tabulasi frekuensi yang
digambarkan dengan grafis batangan sebagai manifestasi data
binning.
69
Gambar 3. 27 Histogram
3.3.2 Regresi dan Korelasi

A. Koefisien Determinasi
Pada model summary disini kita dapat memperoleh informasi
tentang besarnya pengaruh dari seluruh variabel independen
terhadap variabel dependen.
Tabel 3. 3 Model Summary
B. Uji F
Analisis varians (ANOVA) adalah kumpulan dari model
statistik yang digunakan untuk menganalisis perbedaan rata-rata
antara kelompok dan prosedur terkait (seperti “variasi “ antara
kelompok) yang dikembangkan oleh ahli statistik dan evolusi
biologi Ronald Fisher.
70
Tabel 3. 4 Anova
C. Uji Multikolinieritas Dan Uji T

Pada tabel coeficient kita disajikan berbagai informasi penting
dan tidak penting, informasi pentingnya terdiri atas nama-nama
variabel, nilai konstanta, nilai t dan nilai signifikansi. Informasi
tidak pentingnya adalah standard error dan nilai beta pada kolom
standarized coeficient.
Tabel 3. 5 Coeficient
D. Uji Normalitas
Diagram pencar adalah gambaran yang menunjukkan
kemungkinan hubungan (kolerasi) antara pasangan dua macam
variabel dan menunjukkan keeratan hubungan anatara dua variabel
tersebut yang sering diwujudkan sebagai koefisisen kolerasi.
71
Gambar 3. 28 Diagram Pencar
3.4 PEMBAHASAN
3.4.1 Statistik Deskriptif
Pada hasil pengolahan data kami terhadap perhitungan jumlah
motor kami mendapatkan nilai mean 17,28 untuk median 16,81 dan
untuk modus adalah 13, nilai-nilai tersebut didapat berdasarkan tabel
statistik deskriptif dari program SPSS.
Pada tabel frekuensi kita dapat memperoleh informasi dari hasil
perhitungan menggunakan software SPSS didapatkan jumlah data valid
= 120 dan tidak ada data yang hilang, percent sebesar 100,0, valid
percent sebesar 100,0, dan cumulativ a percentile sebesar 100,0. Pada
tabel histogram kita dapat memperoleh informasi bahwa frekuensi yang
dihasilkan tiap data berbeda-beda.
3.4.2 Regresi dan Korelasi

Pada table model summary kita dapat memperoleh informasi dari
hasil perhitungan menggunakan software SPSS didapatkan data R =
0,55 yang berarti pengaruh X terhadap Y sangat rendah, dan R Square =
72
0,30 × 100 = 30% yang berarti pengaruh X terhadap Y adalah 30% dan
sisanya dipengaruh oleh factor lain.
Pada table anova kita dapat memperoleh informasi bahwa nilai F
yang didapatkan dari Fhitung atau anova adalah F = 9,535 yang berarti
data yang kami hasilkan tidak signifikan karena lebih kecil
dibandingkan Ftabel yaitu 4.30 dan nilai signifikan pada uji tabel F
yang kami peroleh adalah 0,716 yang berarti tidak signifkan, karena
0,716 lebih besar dari 0,005.
Pada table Coeficient kita dapat memperoleh informasi yaitu nilai
Tolerance = 1,000 lebih besar dari 0,1, dan nilai VIF adalah 1,000 lebih
kecil dari 10 sehingga dapat disimpulkan pada data tersebut tidak terjadi
multikolinieritas. Thitung yang diperoleh yaitu 0,05 dan Ttabel yaitu -
2.07. Thitung ≤ Ttabel artinya Variabel bebas berpengaruh terhadap
variabel terikat.
Dari hasil Scatterplot menyatakan bahwa diagram pencar tersebut
masuk kedalam diagram pencar positif, dimana diagram pencar ini
memiliki hubungan yang saling sejalan atau searah dan
membentukgaris lurus dari persamaan yang didapatkan, dimana apabila
X naik maka Y juga ikut naik.
73
BAB IV
PENUTUP
4.1 KESIMPULAN
4.1.1 Statistika Deskriptif
Dari proses pengumpulan data dan pengolahan data yang

telah dilakukan dapat disimpulkan bahwa :
1. Praktikan dapat membaca dan memahami data – data

statistik yang diperoleh dengan melakukan pengumpulan
data dengan cara menghitung jumlah kendaraan roda yang
melintas setiap menitnya selama 2 jam
2. Praktikan dapat memahami teknik pengumpulan data,
klasifikasi data dan presentasi data pada statistika deskriptif
yaitu dengan melakukan pengumpulan data dengan metode
observasi secara langsung yang mengumpulkan sebanyak
120 data.
3. Praktikan dapat mengolah data perhitungan manual maupun
dengan bantuan program aplikasi pengolah data seperti MS
Excel. Pada pengolahan data yang dilakukan dapat
diketahui bahwa nilai rata-rata (Mean) sebesar 15,6
74

WKWKW

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

WKWKW

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM

Nama : Atika Sari

Pranata Laboratorium Pendidikan

Dedy Chrisdianto, A.Md Nurhidayah, A.Md

Andi Risqa Azis,S.TP.,M.Si

Makassar, Januari 2018

Muh Syafiq Isradillah

Tabel 3. 1 Statistik ................................................. Error! Bookmark not defined.

Gambar 3. 1 Variabel View ................................... Error! Bookmark not defined.

1.1.3 Alat-Alat Yang Digunakan

1.1.4 Prosedur Praktikum

1.2.2 Pengertian Statistik Deskriptif

1.2.3 Metode Statistika

1.2.4 Teknik Pengambilan Data

1.2.5 Pembagian Jenis Data

1.2.6 Data Statistik

1.2.7 Distribusi Frekuensi

g. Frekuensi Kelas (class Frekuensi).

1.2.8 Pengertian Pemusatan

1) Rumus rata-rata data tak berkelompok yaitu :

Median n yang genap

2) Rumus median data berkelompok yaitu :

1.2.9 Ukuran Penyimpangan

Jarak (range) = Nilai Terbesar – Nilai Terkecil

2) Range Untuk Data Berkelompok

Range=batas atas kelas tertinggi – batas bawah kelas terendah

Rumus Varians Data Tidak Berkelomok

2) Varians Dan Standar Deviasi Untuk Data Berkelomok

Rumus Varians Data Berkelomok

1.2.10 Skewness dan Kurtosis

Tabel 1.1 Data Frekuensi

1.3.4 Ukuran Dispersion

Gambar 1.3 Grafik Pengolahan Data

1.4.2 Ukuran Rata-Rata

1.4.3 Ukuran Letak

1.4.4 Ukuran Dispersion

2.1.2 Tujuan Praktikum

variable bebas (dependen)

b. Untuk memahami aplikasi dari penggunaan analisis regresi,baik

regresi linear sederhana maupun berganda.

c. Mengerti dan memahami karakteristik regresi dan kolerasi.

e. Mampu melakukan interperetasi dan analisa dari hasil

2.1.3 Alat yang Digunakan

2.1.4 Prosedur Praktikum

Dimana : 𝑦̂ = variabel terikat

Penduga bagi koefisien ( koefisien regresi)

𝑛 ∑ 𝑥𝑖𝑦𝑖 − (∑ 𝑥𝑖)(∑ 𝑦𝑖)

Dimana : xi = nilai data pada variabel x

yi = nilai data pada variabel y

Dimana : xi = nilai data pada variabel x

yi = nilai data pada variabel y

b = nilai koefisien regresi

2.2.2 Jenis-jenis Regresi

a. Regresi Linear Sederhana

Regresi linear sederhana bertujuan mempelajari hubungan linier

yang bisa dikontrol sedangkan variabel bebas adalah variabel yang

mencerminkan respon dari variabel bebas.

Regresi berganda biasanya digunakan untuk mengatasi

permasalahan analisis regresi yang melibatkan hubungan dua atau lebih

variabel bebas. Pada awalnya regresi berganda dikembangkan oleh ahli

ekonometri untuk membantu meramalkan akibat dari aktivitas-aktivitas

ekonomi dari berbagai segmen ekonomi. Misalkan laporan tentang