Tugas Akhir Analisis Regresi Terapan PDF

TUGAS AKHIR
ANALISIS REGRESI TERAPAN
Disusun untuk memenuhi tugas mata kuliah Analisis Regresi Terapan

Dosen Pengampu : Drs. Sugiman, M.Si.
Rombel : 001 (Senin Pagi)
oleh
Hadi Susanto (4111412049)
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2015
TUGAS AKHIR
1. Analisis regresi ganda sekurang-kurangnya 5 variabel dengan menggunakan

a) Metode seleksi maju
b) Metode seleksi mundur
2. Melakukan uji terkait dengan asumsi analisis regresi
a) Uji normalitas
b) Uji multikolinieritas
c) Uji heteroskedastisitas
d) Uji autokorelasi
3. Uji korelasi: Berikan 1 contoh analisis dan pengujian terkait korelasi
a) Product Moment
b) Kendall
c) Spearman
Penyelesaian:
1. ANALISIS REGRESI GANDA
Sumber data: Skripsi Prastanto Jurusan Akuntansi Fakultas Ekonomi Universitas
Negeri Semarang tahun 2013 dengan judul “PENGARUH FINANCING TO
DEPOSIT RATIO (FDR), NON PERFORMING FINANCING (NPF), DEBT TO
EQUITY RATIO (DER), QUICK RATIO (QR), DAN RETURN ON EQUITY
(ROE) TERHADAP PEMBIAYAAN MURABAHAH PADA BANK UMUM
SYARIAH DI INDONESIA”.
Datanya disajikan pada tabel berikut:
NO FDR NPF DER QR ROE MURABAHAH
1 98.44 5.82 22.05 46.78 42.13 4260860
2 90.27 3.23 18.81 36.01 28.74 4275141
3 92.93 7.32 21.36 25.82 8.49 4224625
4 85.82 4.1 23.5 33.94 8.03 4374017
5 99.47 5.85 24.96 25.25 26.86 4739375
6 103.71 3.93 31.37 23.48 19.63 5052662
7 99.68 3.36 26.07 23.48 11.54 4215954
8 91.52 3.51 20.63 23.48 17.78 6121165
9 95.82 3.99 19.74 18.8 21.93 7092993
10 95.71 3.57 17.45 14.81 21.79 8133434
11 92.45 3.71 16.76 13.96 20.02 8764560
12 85.18 1.78 16.63 13.96 20.79 9435965
13 86.85 2.15 20.37 30.01 38.77 5847224
14 87.03 1.92 22.9 22.8 38.21 6798223
15 87.93 2.16 23.95 36.2 40.17 6936820
16 83.07 1.35 21.83 18.03 44.2 7689196
17 83.93 0.66 20.47 30.07 53.1 8569175
18 85.16 0.88 41.42 32.37 60.04 9822006
19 86.31 1.45 22.22 20.89 64.83 10607670
20 82.54 1.29 22.45 19.01 63.58 12255138
21 84.06 1.12 22.23 35.09 74.43 12702188
22 88.52 1.14 19.13 30.2 68.22 14770401
23 89.86 1.26 20.96 33.59 67.03 16324345
24 86.03 0.95 21.34 45.96 64.84 18102709
25 90.23 1.16 53.28 27.47 9.72 2250429
26 85.2 0.98 71.4 8.78 25.32 2499984
27 82.25 1 34.22 10.93 35.11 2686092
28 81.39 1.28 34.03 8.4 39.97 2823858
29 92.43 1.8 48.92 10.23 65.27 2935533
30 86.86 2.02 62.64 8.95 61.27 3022213
31 89.11 2.6 45.74 8.56 37.28 3051150
32 78.17 2.11 43.14 6.58 26.81 2875311
33 79.2 2.64 40.56 6.75 16.43 2677729
34 81.48 2.14 56.57 6.62 18.56 2720300
35 83 2.25 52.19 6.92 16.74 2954155
36 83.08 1.79 48.6 9.93 16.89 3337997
1.1. METODE SELEKSI MAJU

Misalkan
X1 = Financing To Deposit Rasio (FDR)
X2 = Non Performing Financing (NPF)
X3 = Debt To Equity Ratio (DER)
X4 = Quick ratio (QR)
X5 = Return On Equity (ROE)
Y = Pembiayaan Murabahah.
Langkah-langkah mencari persamaan regresi terbaik dengan metode seleksi maju
dengan bantuan SPSS sebagai berikut:
Langkah 1: Memasukkan data di atas ke SPSS.
Langkah 2: Mengkorelasikan semua variabel bebas (X1, X2, X3, X4, X5) dengan
variabel terikat (Y). Caranya sebagai berikut:
 Klik Analyze  Correlate  Bivariate
 Masukkan X1, X2, X3, X4, X5, Y ke kotak “Variables”  Centang
“Pearson”
 Klik OK
Diperoleh output sebagai berikut:
Correlations
X1 X2 X3 X4 X5 Y
X1 Pearson Correlation 1 .650** -.304 .341* -.204 -.016
Sig. (2-tailed) .000 .071 .042 .234 .928
N 36 36 36 36 36 36
X2 Pearson Correlation .650** 1 -.279 .156 -.528** -.311
Sig. (2-tailed) .000 .099 .364 .001 .065
N 36 36 36 36 36 36
X3 Pearson Correlation -.304 -.279 1 -.571** -.130 -.575**
Sig. (2-tailed) .071 .099 .000 .451 .000
N 36 36 36 36 36 36
* ** **
X4 Pearson Correlation .341 .156 -.571 1 .307 .530
Sig. (2-tailed) .042 .364 .000 .068 .001
N 36 36 36 36 36 36
** **
X5 Pearson Correlation -.204 -.528 -.130 .307 1 .640
Sig. (2-tailed) .234 .001 .451 .068 .000
N 36 36 36 36 36 36
** ** **
Y Pearson Correlation -.016 -.311 -.575 .530 .640 1
Sig. (2-tailed) .928 .065 .000 .001 .000
N 36 36 36 36 36 36
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Berdasarkan tabel Correlations, nilai koefisien korelasi yang terbesar antara

semua variabel bebas X1, X2, X3, X4, X5 dengan variabel terikat Y yaitu 0,640
yang merupakan nilai koefisien korelasi dari X5 dengan Y. Sehingga X5 adalah
variabel pertama yang masuk ke dalam model persamaan.
Langkah 3: Meregresikan X5 terhadap Y. Caranya adalah:
 Klik Analyze  Regression  Linear
 Masukkan variabel Y ke dalam kotak “Dependent” dan variabel X5 ke
dalam kotak “Independents”
 Klik OK
Model Summary
Adjusted R Std. Error of the

Model R R Square Square Estimate
1 .640a .409 .392 3.27109E6
a. Predictors: (Constant), X5
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1784568.694 1118880.052 1.595 .120
X5 131868.279 27171.905 .640 4.853 .000
a. Dependent Variabel: Y
Berdasarkan tabel Coefficients pada output diperoleh dugaan persamaan regresi

Y=f(X5) adalah variabel yang signifikan karena nilai sig X5 = 0.000 < 0.05 dan
persamaan regresi kuadrat terkecil yang diperoleh adalah ̂
dengan . Dengan kata lain, X5
mempengaruhi Y sebesar 40,9%. Sehingga X5 dapat dipertahankan dalam model
persamaan.
Langkah 4: Mengkorelasikan variabel X1, X2, X3, X4, Y dengan dikontrol
variabel X5 dengan cara:
 Klik Analyze  Correlate  Partial
 Masukkan X1, X2, X3, X4, Y ke kotak “Variables” dan masukkan X5 ke
kotak “Controlling for”
 Klik OK
Correlations
Control Variabels X1 X2 X3 X4 Y
X5 X1 Correlation 1.000 .652 -.341 .433 .152
Significance (2-tailed) . .000 .045 .009 .382
df 0 33 33 33 33
X2 Correlation .652 1.000 -.413 .393 .041
Significance (2-tailed) .000 . .014 .019 .813
df 33 0 33 33 33
X3 Correlation -.341 -.413 1.000 -.562 -.645
Significance (2-tailed) .045 .014 . .000 .000
df 33 33 0 33 33
X4 Correlation .433 .393 -.562 1.000 .457
Significance (2-tailed) .009 .019 .000 . .006
df 33 33 33 0 33
Y Correlation .152 .041 -.645 .457 1.000
Significance (2-tailed) .382 .813 .000 .006 .
df 33 33 33 33 0
Berdasarkan tabel Correlations nilai koefisien korelasi yang terbesar antara

variabel bebas X1, X2, X3, X4 dengan variabel terikat Y yang dikontrol oleh
variabel X5 yaitu -0.645 yang merupakan nilai koefisien korelasi dari X3 dengan
Y yang dikontrol oleh X5. Sehingga X3 adalah variabel selanjutnya yang masuk
ke dalam model persamaan.
Langkah 5: Meregresikan X3, X5 terhadap Y dengan cara:
 Masukkan Y ke dalam kotak “Dependent” dan X3, X5 ke dalam kotak
“Independents”
 Klik OK
Diperoleh output tabel Model Summary dan tabel Coefficient sebagai berikut:
Model Summary

1 .809a .655 .634 2.53665E6
a. Predictors: (Constant), X5, X3
Coefficientsa
Standardized
1 (Constant) 6706436.602 1334915.158 5.024 .000
X3 -141503.224 29166.053 -.500 -4.852 .000
X5 118501.033 21250.491 .575 5.576 .000
Berdasarkan tabel Coefficients pada output diperoleh dugaan persamaan regresi

Y=f(X5,X3) adalah variabel yang signifikan karena nilai sig X5 = 0.000 < 0.05
dan nilai sig X3 = 0.000 < 0.05 sehingga X5 dan X3 signifikan. Persamaan regresi
kuadrat terkecil yang diperoleh adalah ̂
dengan dengan kata lain, X3 dan
X5 mempengaruhi Y sebesar 65,5% (X3 memberikan kontribusi sebesar 24,6%).
Sehingga X3 dan X5 dapat dipertahankan dalam model persamaan.
Langkah 6: Mengkorelasikan variabel X1, X2, X4, Y dengan dikontrol variabel
X3 dan X5 dengan cara:
 Masukkan X1, X2, X4, Y ke kotak “Variables” dan masukkan X3, X5 ke
 Klik OK
Correlations
Control Variabels X1 X2 X4 Y
X5 & X3 X1 Correlation 1.000 .597 .310 -.094
Significance (2-tailed) . .000 .074 .597
df 0 32 32 32
X2 Correlation .597 1.000 .214 -.324
Significance (2-tailed) .000 . .225 .062
df 32 0 32 32
X4 Correlation .310 .214 1.000 .148
Significance (2-tailed) .074 .225 . .402
df 32 32 0 32
Y Correlation -.094 -.324 .148 1.000
Significance (2-tailed) .597 .062 .402 .
df 32 32 32 0

variabel bebas X1, X2, X4 dengan variabel terikat Y yang dikontrol oleh variabel
X3 dan X5 yaitu -0.324 yang merupakan nilai koefisien korelasi dari X2 dengan
Y yang dikontrol oleh X3 dan X5. Sehingga X2 adalah variabel selanjutnya yang
masuk ke dalam model persamaan regresi.
Langkah 7: Meregresikan X2, X3, X5 terhadap Y dengan cara:
 Masukkan Y ke dalam kotak “Dependent” dan X2, X3, X5 ke dalam
kotak “Independents”
 Klik OK
Model Summary

1 .831a .691 .662 2.43736E6
a. Predictors: (Constant), X2, X3, X5
a
Coefficients
Standardized
1 (Constant) 1.014E7 2190445.018 4.630 .000
X3 -166097.538 30772.589 -.587 -5.398 .000
X5 89451.670 25344.598 .434 3.529 .001
X2 -660277.254 341264.821 -.246 -1.935 .062
Berdasarkan tabel Model Summary diperoleh dugaan persamaan regresi

Y=f(X3,X5,X2). Persamaan regresi kuadrat terkecil yang diperoleh adalah
̂
dengan . Dengan kata lain, X2, X3, X5
mempengaruhi Y sebesar 69,1% (X2 memberikan kontribusi sebesar 3,6%). Dari
tabel Coefficients diketahui bahwa nilai sig X3 = 0.000 < 0.05, nilai sig X5 =
0.001 < 0.05, dan nilai sig X2 = 0.062 > 0.05 sehingga X3, X5 signifikan dan X2
tidak signifikan. Karena X2 tidak signifikan, maka X2 tidak dapat dipertahankan
dalam model persamaan.
Langkah 8: Mengeluarkan X2 dari model persamaan.
Langkah 9: Mengkorelasikan variabel X1, X4, Y dengan dikontrol variabel X3
dan X5 dengan cara:
 Masukkan X1, X4, Y ke kotak “Variabels” dan masukkan X3, X5 ke
 Klik OK
Correlations
Control Variabels X1 X4 Y
X5 & X3 X1 Correlation 1.000 .310 -.094
Significance (2-tailed) . .074 .597
df 0 32 32
X4 Correlation .310 1.000 .148
Significance (2-tailed) .074 . .402
df 32 0 32
Y Correlation -.094 .148 1.000
Significance (2-tailed) .597 .402 .
df 32 32 0

variabel bebas X1, X4 dengan variabel terikat Y yang dikontrol oleh variabel X5
dan X3 yaitu 0.148 yang merupakan nilai koefisien korelasi dari X4 dengan Y
yang dikontrol oleh X3 dan X5. Sehingga X4 adalah variabel selanjutnya yang
masuk ke dalam model persamaan.
 Klik OK
Model Summary

a
1 .814 .663 .631 2.54744E6
Coefficientsa
Standardized
1 (Constant) 5504394.942 1949709.136 2.823 .008
X3 -124587.109 35423.545 -.440 -3.517 .001
X5 113087.044 22273.103 .549 5.077 .000
X4 40263.874 47420.192 .111 .849 .402

̂
dan mempunyai nilai . Dengan kata
lain X3, X4, X5 mempengaruhi Y sebesar 66,3% (X4 memberikan kontribusi
sebesar 0,8%). Dari tabel Coefficients diketahui bahwa nilai sig X3 = 0.001 <
0.05, nilai sig X5 = 0.000 < 0.05, dan nilai sig X4 = 0.402 > 0.05, maka X3, X5
signifikan dan X4 tidak signifikan. Karena X4 tidak signifikan, maka X4 tidak
dapat dipertahankan dalam model persamaan.
Langkah 12: Mengkorelasikan variabel X1 dan Y dengan dikontrol variabel X3
dan X5 dengan cara:
 Masukkan X1, Y ke kotak “Variables” dan masukkan X3, X5 ke kotak
“Controlling for”
 Klik OK
Correlations
Control Variabels X1 Y
X3 & X5 X1 Correlation 1.000 -.094
Significance (2-tailed) . .597
df 0 32
Y Correlation -.094 1.000
Significance (2-tailed) .597 .
df 32 0
Berdasarkan tabel Correlations nilai koefisien korelasi antara variabel bebas X1

dengan variabel terikat Y yang dikontrol oleh variabel X5, X3 yaitu -0.094.
Sehingga X1 adalah variabel selanjutnya yang masuk ke dalam model persamaan.
 Klik OK
Model Summary

1 .811a .658 .626 2.56457E6
Coefficientsa
Standardized
1 (Constant) 1.063E7 7473449.959 1.423 .164
X3 -147213.991 31364.399 -.520 -4.694 .000
X5 115443.783 22233.279 .560 5.192 .000
X1 -41256.436 77216.038 -.060 -.534 .597

̂
dan mempunyai
nilai . Dengan kata lain X1, X4, X5 mempengaruhi Y sebesar 65,8%
(X1 memberikan kontribusi sebesar 0,3%). Dari tabel Coefficients diketahui
bahwa nilai sig X3 = 0.000 < 0.05, nilai sig X5 = 0.000 < 0.05, dan nilai sig X1 =
0.597 > 0.05, maka X3, X5 signifikan dan X1 tidak signifikan. Karena nilai sig
X1 = 0.597 > 0.05 maka X1 tidak signifikan. Karena X1 tidak signifikan, maka
X1 tidak dapat dipertahankan pada model persamaan.
Langkah 15: Stop
Proses selesai karena tidak ada variabel yang dapat dimasukkan atau dikeluarkan
lagi sehingga model persamaan terbaiknya adalah Y=f(X5,X3).
MODEL PERSAMAAN REGRESI TERBAIK
Coefficientsa
Standardized
1 (Constant) 6706436.602 1334915.158 5.024 .000
X3 -141503.224 29166.053 -.500 -4.852 .000
X5 118501.033 21250.491 .575 5.576 .000
KESIMPULAN
Jadi dapat disimpulkan bahwa dengan metode seleksi maju diperoleh model
persamaan regresi terbaik untuk data “PENGARUH FINANCING TO DEPOSIT
RATIO (FDR), NON PERFORMING FINANCING (NPF), DEBT TO EQUITY
RATIO (DER), QUICK RATIO (QR), DAN RETURN ON EQUITY (ROE)
TERHADAP PEMBIAYAAN MURABAHAH PADA BANK UMUM SYARIAH DI
INDONESIA” yaitu:
̂
1.2. METODE SELEKSI MUNDUR
Langkah-langkah pemilihan model persamaan terbaik dengan metode seleksi
mundur dengan bantuan SPSS yaitu:
Langkah 1: Meregresikan semua variabel bebas (X1, X2, X3, X4, X5) dengan
variabel terikat Y. Caranya adalah:
 Masukkan Y ke dalam kotak “Dependent” dan X1, X2, X3, X4, X5 ke
dalam kotak “Independents”
 Klik OK
Diperoleh output tabel coefficients sebagai berikut:
Model Summary

a
1 .843 .710 .662 2.43856E6
a. Predictors: (Constant), X5, X3, X1, X4, X2
a
Coefficients
Standardized
1 (Constant) 5554277.937 7746253.127 .717 .479
X1 41667.090 94146.541 .061 .443 .661
X2 -867670.228 426093.732 -.323 -2.036 .051
X3 -144128.434 35050.900 -.509 -4.112 .000
X4 56950.198 47779.779 .157 1.192 .243
X5 75757.274 27184.648 .368 2.787 .009
Berdasarkan output di atas, dihasilkan persamaan regresi berganda ̂
dan
mempunyai . Dengan kata lain, X1, X2, X3, X4, X5 mempengaruhi Y
sebesar 71%.
Berdasarkan tabel coefficients pada output menunjukkan bahwa:
 X1 tidak signifikan karena sig X1 = 0.661 > 0.05
 X3 signifikan karena sig X3 = 0.000 < 0.05
Karena X1, X2 dan X4 tidak signifikan maka yang mempunyai nilai sig terbesar
harus dikeluarkan dari model persamaan yaitu X1.
Langkah 3: Meregresikan variabel bebas X2, X3, X4, X5 dengan variabel terikat
Y dengan cara:
 Masukkan Y ke dalam kotak “Dependent” dan X2, X3, X4, X5 ke dalam
 Klik OK
Model Summary

a
1 .842 .708 .671 2.40672E6
a. Predictors: (Constant), X5, X3, X4, X2
a
Coefficients
Standardized
1 (Constant) 8812710.270 2376751.539 3.708 .001
X2 -759813.003 344957.876 -.283 -2.203 .035

X3 -143811.534 34586.092 -.508 -4.158 .000
X4 61870.075 45861.968 .170 1.349 .187
X5 76753.308 26737.653 .372 2.871 .007
dan mempunyai . Dengan kata lain X2, X3, X4, X5

mempengaruhi Y sebesar 70,8%.
Berdasarkan tabel Coefficients pada output menunjukkan bahwa:
Karena X2 dan X4 tidak signifikan maka yang mempunyai nilai sig terbesar harus
dikeluarkan dari model persamaan yaitu X4.
Langkah 5: Meregresikan variabel bebas X2, X3, X5 dengan variabel terikat Y
dengan cara:
 Klik OK
Model Summary

a
1 .831 .691 .662 2.43736E6

a
Coefficients
Standardized
1 (Constant) 1.014E7 2190445.018 4.630 .000
X2 -660277.254 341264.821 -.246 -1.935 .062
X3 -166097.538 30772.589 -.587 -5.398 .000
X5 89451.670 25344.598 .434 3.529 .001
dan mempunyai Dengan kata lain, X2, X3, X5

mempengaruhi Y sebesar 69,1%.
Karena X2 tidak signifikan maka X2 dikeluarkan dari model persamaan.

Langkah 7: Meregresikan variabel bebas X3, X5 dengan variabel terikat Y
dengan cara:
“Independents”
 Klik OK
Model Summary
a
1 .809 .655 .634 2.53665E6
a. Predictors: (Constant), X5, X3
a
Coefficients
Standardized
1 (Constant) 6706436.602 1334915.158 5.024 .000
X3 -141503.224 29166.053 -.500 -4.852 .000
X5 118501.033 21250.491 .575 5.576 .000

dan
mempunyai . Dengan kata lain X3, X5 mempengaruhi Y sebesar
65,5%.
Karena sig X3, X5 signifikan maka proses berhenti.

Langkah 8: Stop.
Proses selesai, sehingga model persamaan terbaiknya adalah Y=f(X3,X5).
MODEL PERSAMAAN REGRESI TERBAIK

a
Coefficients
Standardized
1 (Constant) 6706436.602 1334915.158 5.024 .000

X3 -141503.224 29166.053 -.500 -4.852 .000
X5 118501.033 21250.491 .575 5.576 .000
Berdasarkan tabel Coefficients di atas pada kolom Unstandardized Coefficients B

dapat diperoleh model persamaan regresi terbaiknya adalah:
̂
KESIMPULAN
Jadi dapat disimpulkan bahwa dengan metode seleksi mundur diperoleh model
persamaan regresi terbaik untuk data “PENGARUH FINANCING TO DEPOSIT
RATIO (FDR), NON PERFORMING FINANCING (NPF), DEBT TO EQUITY
RATIO (DER), QUICK RATIO (QR), DAN RETURN ON EQUITY (ROE)
TERHADAP PEMBIAYAAN MURABAHAH PADA BANK UMUM SYARIAH DI
INDONESIA” yaitu:
̂
2. UJI ASUMSI KLASIK ANALISIS REGRESI

Sumber data: Skripsi Aditya Budi Pratama Jurusan Pendidikan Ekonomi Fakultas
Ekonomi Universitas Negeri Semarang tahun 2013 dengan judul “PENGARUH
KOMPETENSI PROFESIONAL GURU DAN CARA BELAJAR SISWA
TERHADAP HASIL BELAJAR KOMPETENSI DASAR MENGGUNAKAN
PERALATAN KANTOR SISWA KELAS X SMK ANTONIUS SEMARANG”.
Data disajikan pada tabel berikut:
No X1 X2 Y
1 51 48 45
2 57 45 50
3 60 44 58
4 52 45 55
5 40 64 73
6 62 57 70
7 73 44 70
8 74 37 75
9 57 45 50
10 71 47 73
11 59 33 50
12 55 64 75
13 59 37 50
14 69 56 78
15 66 34 49
16 63 33 50
17 61 66 78
18 57 52 50
19 58 41 50
20 67 47 78
21 45 48 61
22 64 41 63
23 73 57 78
24 51 49 58
25 43 41 62
26 52 48 59
27 73 58 78
28 49 49 62
29 57 54 62
30 70 63 76
31 75 50 82
32 59 63 70
33 69 64 78
34 74 62 98
35 62 49 70
36 71 47 74
37 60 57 68
38 60 65 77
39 63 43 75
40 45 56 60
41 59 61 70
42 71 53 50
43 62 36 55
44 69 45 65
45 69 33 70
46 74 56 73
47 67 48 65
48 59 40 60
Keterangan:
X1: Kompetensi Profesional Guru
X2: Cara Belajar Siswa
Y: Hasil Belajar
2.1. UJI NORMALITAS

Uji normalitas dapat dilakukan diantaranya dengan
 Melihat Histogram
 Uji Liliefors
 Uji Chi Kuadrat
 Uji Kolmogorov Smirnov
Namun dalam hal ini, penulis hanya melakukan Uji Normalitas menggunakan Uji
Histogram dan Uji Kolmogorov-Smirnov.
UJI NORMALITAS DENGAN MELIHAT HISTOGRAM

Langkah-langkah uji normalitas sebagai berikut:
 Masukkan data ke SPSS.
“Independent”
 Klik Plot  centang “Histogram” dan “Normal probability plot”
 Klik Continue
 Klik OK
Diperoleh output histogram dan normal P-P plot of regression standardized
residual sebagai berikut:
Berdasarkan grafik Histogram, diketahui bahwa sebaran data yang menyebar ke
semua daerah kurva normal. Dapat disimpulkan bahwa data mempunyai distribusi
normal. Demikian juga dengan Normal P-Plot. Data menyebar di sekitar garis
diagonal dan mengikuti garis diagonal yang menandakan normalitas data.
UJI NORMALITAS DENGAN UJI KOLMOGOROV-SMIRNOV

Hipotesis:
: Data residual terdistribusi normal
: Data residual tidak terdistribusi normal
Langkah-langkah uji normalitas dengan uji Kolmogorov-Smirnov sebagai berikut:
“Independents”
 Klik Save  centang “Unstandardized” pada Residuals.
 Klik Continue
 Klik OK
 Selanjutnya pada data SPSS akan muncul kolom RES_1 seperti yang
terlihat pada gambar di bawah ini. RES_1 merupakan residual regresi.
 Klik Analyze  Nonparametric test  1-sample K-S
 Masukkan variable RES_1 ke kotak “Test Variable List”
 Klik OK
Diperoleh output tabel One-Sample Kolmogorov-Smirnov Test sebagai berikut:
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 48
Normal Parametersa,,b Mean .0000000
Std. Deviation 7.61634417

Most Extreme Differences Absolute .104
Positive .087
Negative -.104
Kolmogorov-Smirnov Z .724
Asymp. Sig. (2-tailed) .672
a. Test distribution is Normal.
b. Calculated from data.
diterima jika nilai sig (2-tailed) > 5%. Besarnya nilai Kolmogorov-Smirnov
hasil pengolahan SPSS adalah 0,724 dan nilai signifikan 0,672 > 0,05 hal ini
berarti diterima yang berarti data terdistribusi normal dan model persamaan
regresi memenuhi asumsi normalitas.
KESIMPULAN
Berdasarkan langkah-langkah uji normalitas yang telah dilakukan dengan melihat
histogram, normal P-P plot of regression standardized residual dan One-Sample
Kolmogorov-Smirnov Test menunjukkan bahwa data berdistribusi normal. Jadi
dapat disimpulkan bahwa data berdistribusi normal.
2.2. UJI MULTIKOLINIERITAS

Ada beberapa cara mendeteksi ada tidaknya multikolinearitas, yaitu dengan:
 Melihat nilai Variance Inflation Factor (VIF) dan Tolerance (TOL) pada
model persamaan regresi
 Membandingkan nilai koefisien determinasi individual (r2) dengan nilai
determinasi secara serentak (R2)
 Melihat nilai Eigenvalue dan Condition Index
 Nilai R2 tinggi tetapi hanya sedikit variabel independen yang signifikan
 Korelasi parsial antar variabel independen
Namun dalam hal ini, penulis hanya mendeteksi multikolinieritas dengan melihat
nilai Variance Inflation Factor (VIF) dan Tolerance (TOL) pada model
persamaan regresi.
UJI MULTIKOLINIERITAS DENGAN MELIHAT NILAI TOLERANCE
DAN VIF
Langkah-langkah pengujiannya sebagai berikut:
 Inputkan data di SPSS
 Masukkan Y ke dalam kotak “Dependent” dan X1 dan X2 ke dalam kotak
“Independent”
 Klik Statistics  centang “Collinearity diagnostics”  klik Continue
 Klik OK
Coefficientsa
Standardized Collinearity
Unstandardized Coefficients Coefficients Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -7.475 9.889 -.756 .454
X1 .618 .126 .481 4.887 .000 1.000 1.000
X2 .706 .119 .584 5.932 .000 1.000 1.000
a. Dependent Variable: Y
Berdasarkan kolom Collinearity Statistics pada tabel Coefficients yang terdapat

dalam output dapat diketahui bahwa:
 Nilai variance inflation factor (VIF) ketiga variabel yaitu:
X1 = 1 < 10
X2 = 1 < 10
 Nilai tolerance (TOL) ketiga variabel yaitu:
X1 = 1 > 0,1
X2 = 1 > 0,1
Dapat dilihat bahwa setiap variabel bebas mempunyai nilai tolerance > 0,1 dan
nilai VIF < 10, sehingga dapat disimpulkan bahwa tidak ada multikolinieritas
antar variabel bebas dalam model regresi ini.
KESIMPULAN:
Berdasarkan langkah-langkah multikolinieritas dengan melihat nilai Variance
Inflation Factor (VIF) dan Tolerance (TOL) pada model persamaan regresi
menunjukkan bahwa tidak ada multikolinieritas antar variabel bebas dalam model
regresi ini. Jadi dapat disimpulkan bahwa tidak terjadi persoalan multikolinearitas
pada data yang diuji.
2.3. UJI HETEROSKEDASTISITAS

Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu:
 Uji Park
 Uji Glesjer
 Melihat grafik Scatterplots
 Uji koefisien korelasi Spearman
 Uji Goldfeld-Quandt
 Uji White
 Uji Breusch-Pagan-Godfrey
Namun dalam hal ini, penulis hanya menggunakan uji dengan mengamati grafik
Scatterplots dan Uji Glejser.
UJI HETEROSKEDASTISITAS DENGAN MENGAMATI GRAFIK

SCATTERPLOTS
Langkah-langkahnya sebagai berikut:
 Masukkan data ke SPSS
 Pada kotak dialog Linear Regression, masukkan variabel Y ke kotak
“Dependent”, kemudian masukkan variabel X1 dan X2 ke kotak
“Independents”
 Klik tombol Plots, maka akan terbuka kotak dialog “Linear Regression:
Plots”
 Klik *SRESID (Studentized Residual) lalu masukkan ke kotak Y dengan
klik tanda penunjuk. Kemudian klik *ZPRED (Standardized Predicted
Value) lalu masukkan ke kotak X
 Klik tombol Continue
 Klik tombol OK
Diperoleh hasil output pada grafik Scatterplot sebagai berikut:
Berdasarkan grafik scatterplot di atas menunjukkan bahwa titik-titik menyebar

secara acak serta tersebar secara baik di atas maupun di bawah angka nol pada
sumbu Y, maka dapat disimpulkan bahwa dalam model regresi antar variabel
bebas tidak terjadi heteroskedastisitas.
UJI HETEROSKEDASTISITAS DENGAN UJI GLEJSER

Uji heteroskedastisitas dilakukan dengan metode pengujian Glejser. Langkah-
langkahnya sebagai berikut:
 Input data ke SPSS
 Masukkan Y ke dalam kotak “Dependent” dan X1 dan X2 ke dalam kotak
“Independent”
 Klik Save  centang “Unstandardized” pada Residuals.
 Klik Continue
 Klik OK
 Selanjutnya pada data SPSS akan muncul kolom RES_1 ini merupakan
residual regresi
 Kemudian absolutkan nilai residual tersebut dengan cara klik menu
Transform  pilih Compute Variable  pada kolom “target variable”
ketikkan ABS_RES_1, kemudian pada kotak Numeric Expression
ketikkan ABS(RES_1), Klik OK. Sehingga muncul kolom ABS_RES_1
 Setelah variabel RES_1 diabsolutkan maka langkah selanjutnya adalah
klik Analyze  Regression  Linear, Masukkan variabel ABS_RES_1
ke kotak “Dependent”, masukkan variabel X1 dan X2 kotak
“Independents”, klik Save dan hilangkan centang Unstandardized pada
kolom Residuals  klik continue
 Klik OK

a
Coefficients
Standardized

1 (Constant) 8.759 6.585 1.330 .190
X1 .011 .084 .019 .131 .896
X2 -.078 .079 -.145 -.986 .329
a. Dependent Variable: ABS_RES1
Ketentuan:
1. Tidak terjadi heteroskedastisitas jika nilai sig > 0.05
2. Terjadi heteroskedastisitas jika nilai sig < 0.05
ANALISIS
Berdasarkan tabel coefficients pada output, diperoleh nilai:
 Sig X1 = 0,896 > 0,05
 Sig X2 = 0,329 > 0,05
Karena Sig X1 dan Sig X2 lebih dari 0,05, sehingga dapat disimpulkan bahwa
pada data ini tidak terjadi heteroskedastisitas.
KESIMPULAN
Berdasarkan langkah-langkah uji heteroskedastisitas yang telah dilakukan dengan
mengamati grafik scatterplots dan uji Glejser menunjukkan bahwa data tidak
mengalami heteroskedastisitas.
2.4. UJI AUTOKORELASI

Ada beberapa cara mendeteksi autokorelasi, diantaranya:
 Uji Durbin-Watson
 Statistic Q: Box Pierce dan Ljung Box
 Uji Breusch-Godfrey (Uji BG) atau uji Lagrange-Multiplier (uji LM)
 Uji Run Test
Namun dalam hal ini, penulis hanya menggunakan Uji Run Test.
UJI AUTOKORELASI DENGAN RUN TEST
Langkah-langkah pengujiannya sebagai berikut:
“Independent”
 Klik Save  centang “Unstandardized” pada Residuals
 Klik Continue
 Klik OK
 Selanjutnya pada data SPSS akan muncul kolom RES_1 ini merupakan
residual regresi
 Klik Analyze  Nonparametric Test  Runs
 Masukkan RES_1 ke kolom Test Variable List
 Klik OK
Runs Test
Unstandardized
Residual
a
Test Value -.63915
Cases < Test Value 24
Cases >= Test Value 24
Total Cases 48
Number of Runs 26
Z .146
Asymp. Sig. (2-tailed) .884
a. Median
Ketentuan:
 Jika Asymp. Sig. signifikansinya > 0.05 maka tidak terdapat masalah
autokorelasi pada data yang diuji.
 Jika Asymp. Sig. signifikansinya < 0.05 maka terdapat masalah
autokorelasi pada data yang diuji.
ANALISIS
Berdasarkan tabel Runs Test pada output, nilai Asymp. Sig. = 0.884 > 0.05.
Artinya, tidak terdapat masalah autokorelasi pada data yang diuji.
KESIMPULAN:
Berdasarkan langkah-langkah uji autokorelasi menggunakan Uji Run Test
disimpulkan tidak ada masalah autokorelasi pada data tersebut. Jadi dapat
disimpulkan bahwa tidak terjadi masalah autokorelasi pada data yang diuji.
3. UJI KORELASI
3.1. UJI KORELASI PRODUCT MOMENT
(Menghitung Korelasi Product Moment dapat dilakukan dengan Simpangan,
dengan Angka Kasar, dan dengan SPSS).
Sebuah Pabrik Penggilingan Padi ingin diketahui kemampuan mesin produksinya.
Data diamati dalam setiap jam untuk jangka waktu 20 hari. Data pengamatan
disajikan sebagai berikut:
Hari Waktu (Jam) Hasil (Ton)
1 2 10
2 4 15
3 6 18
4 8 20
5 10 30
6 2 9
7 4 16
8 6 19
9 8 21.5
10 10 29.75
11 2 10.5
12 4 14
13 6 18
14 8 21
15 10 31.5
16 2 11
17 4 13
18 8 22
19 10 29.5
20 2 10.5
Menghitung Korelasi Product Moment dengan Simpangan

Rumus ini memerlukan suatu perhitungan rata-rata dari masing-masing kelompok,
yang selanjutnya perlu perhitungan selisih masing-masing skor dengan rata-
ratanya, serta kuadrat simpangan skor dengan rata-ratanya, maupun hasil kali
simpangan masing-masing kelompok.
Langkah-langkah untuk menyelesaikan Rumus Korelasi Product Moment dengan
Simpangan adalah:
 Jika Waktu Penggilingan merupakan variabel X, maka Hasil Produksi
merupakan variabel Y.
 Buatlah tabel penolong yang mengandung unsur-unsur atau faktor-faktor
yang diperlukan dalam perhitungan korelasi sesuai dengan kebutuhan tabel
Korelasi Product Moment dengan Simpangan.
 Menjumlahkan subyek penelitian
 Menjumlahkan skor X dan skor Y
 Menghitung Mean variabel X dengan rumus: dan hasilnya
menjadi 116/20 = 5,8
 Menghitung Mean variabel Y dengan rumus: dan hasilnya
menjadi 369,25/20 = 18,4625

 Menghitung deviasi masing-masing skor X dengan rumus: X
baris ke 1, kolom ke 4 kita isi menjadi, contohnya: x = 8-5,8 = 2,2, dan
seterusnya.
 Menghitung deviasi masing-masing skor Y dengan rumus: Y
baris ke 1, kolom ke 5 kita isi menjadi, contohnya: y = 30 - 18,4625 =
11,5375, dan seterusnya.
 Mengalikan deviasi X dengan Y.
 Menguadratkan seluruh deviasi X dan menjumlahkannya
 Menguadratkan seluruh deviasi Y dan menjumlahkannya
 Menyelesaikan rumus Korelasi Product Moment dengan Simpangan,
yaitu:
Hari X Y X y xy x^2 y^2

1 2 10 -3.8 -8.4625 32.1575 14.44 71.6139
2 4 15 -1.8 -3.4625 6.2325 3.24 11.9889
3 6 18 0.2 -0.4625 -0.0925 0.04 0.21391
4 8 20 2.2 1.5375 3.3825 4.84 2.36391
5 10 30 4.2 11.5375 48.4575 17.64 133.114
6 2 9 -3.8 -9.4625 35.9575 14.44 89.5389
7 4 16 -1.8 -2.4625 4.4325 3.24 6.06391
8 6 19 0.2 0.5375 0.1075 0.04 0.28891
9 8 21.5 2.2 3.0375 6.6825 4.84 9.22641
10 10 29.75 4.2 11.2875 47.4075 17.64 127.408
11 2 10.5 -3.8 -7.9625 30.2575 14.44 63.4014
12 4 14 -1.8 -4.4625 8.0325 3.24 19.9139
13 6 18 0.2 -0.4625 -0.0925 0.04 0.21391
14 8 21 2.2 2.5375 5.5825 4.84 6.43891
15 10 31.5 4.2 13.0375 54.7575 17.64 169.976
16 2 11 -3.8 -7.4625 28.3575 14.44 55.6889
17 4 13 -1.8 -5.4625 9.8325 3.24 29.8389
18 8 22 2.2 3.5375 7.7825 4.84 12.5139
19 10 29.5 4.2 11.0375 46.3575 17.64 121.826
20 2 10.5 -3.8 -7.9625 30.2575 14.44 63.4014
Jml 116 369.25 0 0 405.85 175.2 995.034
Mean(X): 5.8
Mean(Y): 18.4625
Dari tabel di atas diperoleh:
Jadi
√( )( ) √( )( )
Menghitung Korelasi Product Moment dengan Angka Kasar

angka kasar adalah:
 Buatlah tabel penolong yang mengandung unsur-unsur atau faktor-faktor
yang diperlukan dalam perhitungan korelasi sesuai dengan kebutuhan
tabel Korelasi Product Moment dengan angka kasar
 Menjumlahkan subyek penelitian
 Menjumlahkan variabel X dan variabel Y
 Mengalikan antara variabel X dan variabel Y
 Mengkuadratkan variabel X dan menjumlahkannya
 Mengkuadratkan variabel Y dan menjumlahkannya
 Menyelesaikan rumus Korelasi Product Moment dengan angka kasar
untuk mencari koefisien korelasinya, yaitu:
Hari X Y XY X^2 Y^2
1 2 10 20 4 100
2 4 15 60 16 225
3 6 18 108 36 324
4 8 20 160 64 400
5 10 30 300 100 900
6 2 9 18 4 81
7 4 16 64 16 256
8 6 19 114 36 361
9 8 21.5 172 64 462.25
10 10 29.75 297.5 100 885.063
11 2 10.5 21 4 110.25
12 4 14 56 16 196
13 6 18 108 36 324
14 8 21 168 64 441
15 10 31.5 315 100 992.25
16 2 11 22 4 121
17 4 13 52 16 169
18 8 22 176 64 484
19 10 29.5 295 100 870.25
20 2 10.5 21 4 110.25
Jml 116 369.25 2547.5 848 7812.31
Dari tabel di atas, diperoleh:
Dengan demikian, maka hasil perhitungan Korelasi Product Moment dengan

Angka Kasar sebagai berikut:
( )( )
√( ( ) )( ( ) )
( )( ) ( )( )
√( ( ) )( ( ) )
Menghitung Korelasi Product Moment dengan SPSS

SPSS adalah:
 Input data tersebut ke SPSS
 Klik Analyze  Correlate  Bivariate  Masukkan variabel waktu dan
hasil ke dalam “Variabels”  Centang “Pearson”
 Klik OK.
Correlations
X Y
X Pearson Correlation 1 .972**
Sig. (2-tailed) .000
N 20 20
Y Pearson Correlation .972** 1
Sig. (2-tailed) .000
N 20 20
**. Correlation is significant at the 0.01 level (2-

tailed).
Dari perhitungan di atas diperoleh sebesar 0,972, ini menunjukkan terdapat

hubungan searah dan sebesar 0,972 berada di antara 0,8000 s/d 1,000, maka
korelasi antara variabel X dan variabel Y tergolong sangat tinggi atau sangat kuat.
Uji Keberartian Analisis Korelasi

1. Menentukan hipotesis
Hipotesis yang digunakan dalam menganalisis koefisien korelasi adalah:
(Tidak ada hubungan antara waktu penggilingan dengan hasil
produksi)
(Ada hubungan antara waktu penggilingan dengan hasil produksi)
2. Menentukan taraf signifikansi
Taraf signifikansi yang digunakan adalah
3. Kriteria
Jika , maka ditolak atau terima
Jika , maka diterima atau tolak
4. Menghitung statistik uji
Statistik uji yang digunakan adalah:
√
dengan nilai koefisien korelasi diperoleh nilai , yaitu:

√ √ √ ( )
√ ( ) √ √
√
5. Analisis Interpretasi Kesimpulan

Dengan , dk (n-2) = 18, maka dari tabel distribusi t diperoleh
. Karena ( ) ( ), maka
ditolak atau terima . Artinya ada hubungan yang berarti (signifikan) antara
waktu penggilingan dengan hasil produksi.
Interpretasi dengan Menggunakan Tabel Nilai R Product Moment

Jika dikonsultasikan dengan tabel angka kritik “r” Product Moment pada α = 0,05
dan N = 20 diperoleh sebesar 0,444. Dengan demikian
( ) Hal ini berarti terdapat hubungan positif yang berarti
(signifikan) antara variabel X (waktu penggilingan) dengan variabel Y (hasil
produksi).
Selanjutnya melihat tingkat keberartian hubungan kedua variabel tersebut
diperoleh dengan perhitungan uji t sebagai berikut:
Untuk melihat besarnya kontribusi variabel X terhadap variabel Y dapat
digunakan rumus sebagai berikut:
diperoleh nilai r adalah sebesar 0,972 sehingga besarnya kontribusi variabel X

terhadap variabel Y adalah:
( )
Berdasarkan hasil perhitungan nilai Koefisien Determinasi, diperoleh nilai
kontribusi variabel X terhadap variabel Y adalah sebesar 94,5%. Nilai 94,5%
menunjukkan bahwa waktu penggilingan memberikan nilai kontribusi besar yaitu
sebesar 94,5% terhadap hasil produksi, dan sisa sebesar 5,5% menunjukkan
bahwa ada variabel lain yang mempengaruhi variabel Y (hasil produksi).
KESIMPULAN:
Berdasarkan analisis korelasi Product Moment di atas, dapat disimpulkan bahwa
ada hubungan yang berarti (signifikan) antara variabel X (waktu penggilingan)
dengan variabel Y (hasil produksi) dengan hubungan yang sangat kuat dan arah
hubungan positif (searah).
3.2. UJI KORELASI KENDALL

Seorang peneliti ingin mengetahui hubungan antara kepribadian dan kemampuan
manajemen seseorang untuk memimpin organisasi. Data diambil dari 20
responden dan disusun berdasarkan peringkat untuk masing-masing pengamatan
sebagai berikut:
No Kemampuan
Responden Kepribadian Manajemen
1 1 2
2 10 8
3 2 13
4 11 20
5 9 9
6 3 14
7 20 1
8 16 19
9 8 10
10 19 18
11 17 3
12 15 15
13 6 7
14 14 11
15 7 17
16 5 4
17 18 16
18 13 6
19 12 12
20 4 5
Model yang digunakan dalam analisis korelasi Kendall sekaligus digunakan
sebagai statistik uji. Model itu dinyatakan sbagai berikut:
( )
Keterangan:
= Koefisien korelasi Kendall (besarnya antara -1 s/d 1)
S = Selisih jumlah rank X dan Y
n = Banyaknya sampel
Hipotesis:
Hipotesis yang digunakan dalam menganalisis koefisien korelasi Kendall adalah:
(X dan Y saling bebas atau independen)
(X dan Y tidak saling bebas)
Kriteria penolakan :
 Tolak jika
 Terima jika
Analisis secara Manual:

 Konsep dasar: pembuatan ranking dari pengamatan terhadap objek dengan
pengamatan yang berbeda  Untuk mengetahui kesesuaian terhadap urutan
objek yang diamati.
 Bila diberikan urutan (ranking) pasangan data ( ) sehingga kedua variabel
tersebut dapat berpasangan.
Data di atas diurutkan berdasarkan rangking X

Rangking Rangking Jml > Jml <
No X Y
X Y y y
1 1 1 2 2 18 1
2 2 2 13 13 7 11
3 3 3 14 14 6 11
4 4 4 5 5 13 3
5 5 5 4 4 13 2
6 6 6 7 7 11 3
7 7 7 17 17 3 10
8 8 8 10 10 7 5
9 9 9 9 9 7 4
10 10 10 8 8 7 3
11 11 11 20 20 0 9
12 12 12 12 12 4 4
13 13 13 6 6 5 2
14 14 14 11 11 4 2
15 15 15 15 15 3 2
16 16 16 19 19 0 4
17 17 17 3 3 2 1
18 18 18 16 16 1 1
19 19 19 18 18 0 1
20 20 20 1 1 0 0
Total 210 210 111 79
Diperoleh
Menghitung t
( )
( ) ( ) ( )
Analisis dengan SPSS:

 Masukkan data dalam editor SPSS
 Masukkan variabel X dan Y ke dalam “Variabels”  Centang “Kendall’s
tau-b”
 Klik OK.
Correlations
X Y
Kendall's tau_b X Correlation Coefficient 1.000 .168
Sig. (2-tailed) . .299
N 20 20
Y Correlation Coefficient .168 1.000
Sig. (2-tailed) .299 .
N 20 20
Diperoleh
Dengan mengambil maka dari tabel distribusi diperoleh
Karena ( ) ( ), maka terima .
Artinya tidak terdapat korelasi yang nyata antara kepribadian dan kemampuan
manajemen.
Dari tabel di atas dapat diketahui bahwa korelasi Kendall antara variabel
kepribadian (X) dengan kemampuan manajemen (Y) adalah sebesar 0,168 dengan
arah positif. Hal ini berarti perubahan yang dialami oleh kepribadian akan diikuti
secara positif oleh kemampuan manajemen. Hubungan antara kedua variabel
tersebut tidak signifikan karena nilai P atau Sig. sebasar 0,299 atau lebih besar
dari tingkat kesalahan yang dipasang 0,05 (5%).
KESIMPULAN:
Berdasarkan analisis korelasi dengan korelasi Kendall dan uji keberartian analisis
korelasi dapat disimpulkan bahwa tidak ada hubungan yang berarti (signifikan)
antara kepribadian dengan kemampuan manajemen.
3.3. UJI KORELASI SPEARMAN

Sebuah penelitian dilakukan untuk mengetahui korelasi antara motivasi belajar
dengan prestasi belajar statistika. Hasil pengumpulan data dapat dilihat pada tabel
di bawah. . Hasil uji normalitas, data tidak terdistribusi normal.
Misalkan Skor Motivasi adalah variabel X, maka Nilai Statistika adalah variabel
Y. Datanya disajikan pada tabel berikut:
No X Y
1 64 42
2 56 46
3 50 40
4 68 55
5 76 65
6 84 88
7 90 86
8 66 56
9 85 62
10 90 92
11 75 55
12 92 81
Langkah-langkah Uji Rank Spearman:

 Berikan peringkat pada nilai-nilai variabel X dari 1 sampai n. Jika terdapat
angka-angka sama, peringkat yang diberikan adalah peringkat rata-rata dari
angka-angka yang sama.
 Berikan peringkat pada nilai-nilai variabel Y dari 1 sampai n. Jika terdapat
angka-angka sama, peringkat yang diberikan adalah peringkat rata-rata dari
angka-angka yang sama.
 Hitung untuk tiap-tiap sampel
 Kuadratkan masing-masing dan jumlahkan semua
 Hitung Koefisien Korelasi Spearman ( )
Kekuatan korelasi
 0,000-0,199: sangat lemah
 0,200-0,399: lemah
 0,400-0,599: sedang
 0,600-0,799: kuat
 0,800-1,000: sangat kuat
Arah korelasi
 Positif (+): Searah, semakin besar nilai semakin besar pula nilai
 Negatif (-): Berlawanan arah, semakin besar nilai semakin kecil
nilai
Dibuat tabel bantuan seperti berikut:

No X Y Rank x Rank y di di^2
1 64 42 3 2 1 1
2 56 46 2 3 -1 1
3 50 40 1 1 0 0
4 68 55 5 4.5 0.5 0.25
5 76 65 7 8 -1 1
6 84 88 8 11 -3 9
7 90 86 10.5 10 0.5 0.25
8 66 56 4 6 -2 4
9 85 62 9 7 2 4
10 90 92 10.5 12 -1.5 2.25
11 75 55 6 4.5 1.5 2.25
12 92 81 12 9 3 9
Jml 896 768 78 78 0 34
Dari tabel di atas diperoleh:
Sehingga
( )
Keterangan:
= koefisien korelasi spearman
d = selisih peringkat untuk masing-masing pasangan
n = jumlah pengamatan / observasi
Dari perhitungan koefisien Korelasi Spearman, dapat diketahui bahwa dalam
penelitian ini hubungan antara Skor Motivasi dengan Nilai Statistika adalah
sangat kuat yaitu sebesar 0,881.
Analisis dengan Menggunakan SPSS

 Masukkan variabel X dan Y ke dalam “Variabels”  Centang
“Spearman”
 Klik OK
Correlations
X Y
**
Spearman's X Correlation Coefficient 1.000 .881
rho
Sig. (2-tailed) . .000
N 12 12
**
Y Correlation Coefficient .881 1.000
Sig. (2-tailed) .000 .
N 12 12
**. Correlation is significant at the 0.01 level (2-tailed).
Korelasi rank Spearman antara variabel motivasi belajar dengan prestasi belajar
statistika adalah sebesar 0,881 dengan arah positif. Hal ini berarti semakin besar
nilai semakin besar pula nilai . Hubungan antara kedua variabel tersebut
signifikan karena nilai Sig. sebesar 0,000 atau lebih kecil dari tingkat kesalahan
yang ditetapkan 0,05 (5%). Tanda bintang dua ** juga menunjukkan hubungan
kedua variabel tersebut sangat signifikan.
Uji Keberartian Analisis Korelasi

Langkah selanjutnya uji keberartian analisis korelasi dengan cara sebagai berikut:
1. Menentukan hipotesis
(ada hubungan antara variabel X dan variabel Y)
(tidak ada hubungan antara variabel X dan variabel Y)
2. Menentukan taraf signifikansi
Taraf signifikansi yang digunakan adalah
3. Kriteria
Jika , maka ditolak atau diterima
jika , maka diterima atau ditolak
4. Menghitung statistik uji
Tentukan nilai pada , diperoleh

5. Analisis Interpretasi Kesimpulan
Karena nilai ( ) ( ), maka ditolak dan
diterima berarti ada korelasi yang positif antara motivasi belajar dengan
prestasi belajar statistika.
KESIMPULAN
Berdasarkan analisis korelasi dengan korelasi Spearman dan uji keberartian
analisis korelasi dapat disimpulkan bahwa ada hubungan yang berarti (signifikan)
antara skor motivasi dengan nilai statistika.

Tugas Akhir Analisis Regresi Terapan PDF

Diunggah oleh

Informasi Dokumen

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

Tugas Akhir Analisis Regresi Terapan PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS AKHIR

ANALISIS REGRESI TERAPAN

Disusun untuk memenuhi tugas mata kuliah Analisis Regresi Terapan

1. Analisis regresi ganda sekurang-kurangnya 5 variabel dengan menggunakan

1.1. METODE SELEKSI MAJU

X1 Pearson Correlation 1 .650** -.304 .341* -.204 -.016

Sig. (2-tailed) .000 .071 .042 .234 .928

X2 Pearson Correlation .650** 1 -.279 .156 -.528** -.311

Sig. (2-tailed) .000 .099 .364 .001 .065

X3 Pearson Correlation -.304 -.279 1 -.571** -.130 -.575**

Sig. (2-tailed) .071 .099 .000 .451 .000

Sig. (2-tailed) .042 .364 .000 .068 .001

Sig. (2-tailed) .234 .001 .451 .068 .000

Sig. (2-tailed) .928 .065 .000 .001 .000

*. Correlation is significant at the 0.05 level (2-tailed).

Berdasarkan tabel Correlations, nilai koefisien korelasi yang terbesar antara

Diperoleh output sebagai berikut:

Adjusted R Std. Error of the

1 .640a .409 .392 3.27109E6

Model B Std. Error Beta t Sig.

1 (Constant) 1784568.694 1118880.052 1.595 .120

X5 131868.279 27171.905 .640 4.853 .000

Berdasarkan tabel Coefficients pada output diperoleh dugaan persamaan regresi

X5 X1 Correlation 1.000 .652 -.341 .433 .152

Significance (2-tailed) . .000 .045 .009 .382

X2 Correlation .652 1.000 -.413 .393 .041

Significance (2-tailed) .000 . .014 .019 .813

X3 Correlation -.341 -.413 1.000 -.562 -.645

Significance (2-tailed) .045 .014 . .000 .000

X4 Correlation .433 .393 -.562 1.000 .457

Significance (2-tailed) .009 .019 .000 . .006

Y Correlation .152 .041 -.645 .457 1.000

Significance (2-tailed) .382 .813 .000 .006 .

Berdasarkan tabel Correlations nilai koefisien korelasi yang terbesar antara

Adjusted R Std. Error of the

1 .809a .655 .634 2.53665E6

a. Predictors: (Constant), X5, X3

Model B Std. Error Beta t Sig.

1 (Constant) 6706436.602 1334915.158 5.024 .000

X3 -141503.224 29166.053 -.500 -4.852 .000

X5 118501.033 21250.491 .575 5.576 .000

Berdasarkan tabel Coefficients pada output diperoleh dugaan persamaan regresi

X5 & X3 X1 Correlation 1.000 .597 .310 -.094

Significance (2-tailed) . .000 .074 .597

X2 Correlation .597 1.000 .214 -.324

Significance (2-tailed) .000 . .225 .062

X4 Correlation .310 .214 1.000 .148

Significance (2-tailed) .074 .225 . .402

Y Correlation -.094 -.324 .148 1.000

Significance (2-tailed) .597 .062 .402 .

Berdasarkan tabel Correlations nilai koefisien korelasi yang terbesar antara

Adjusted R Std. Error of the

1 .831a .691 .662 2.43736E6

a. Predictors: (Constant), X2, X3, X5

Model B Std. Error Beta t Sig.

1 (Constant) 1.014E7 2190445.018 4.630 .000

X3 -166097.538 30772.589 -.587 -5.398 .000

X5 89451.670 25344.598 .434 3.529 .001

X2 -660277.254 341264.821 -.246 -1.935 .062

Berdasarkan tabel Model Summary diperoleh dugaan persamaan regresi

X5 & X3 X1 Correlation 1.000 .310 -.094

Significance (2-tailed) . .074 .597

X4 Correlation .310 1.000 .148

X2 Pearson Correlation .650 1 -.279 .156 -.528 -.311

X3 Pearson Correlation -.304 -.279 1 -.571 -.130 -.575