DAFTAR ISI

Halaman
JUDUL ............................................................................................................. i
IDENTITAS PERKULIAHAN ....................................................................... ii
KATA PENGANTAR ..................................................................................... iii
DAFTAR ISI.................................................................................................... iv
BAB I PENDAHULUAN ........................................................................... 1
1. Pengertian Statistik........................................................................ 1
2. Pentingnya Statistik....................................................................... 2
3. Analisis Data Statistik ................................................................... 2
BAB II UJI BEDA DUA MEAN DAN TEKNIK T-TEST.......................... 3
1. T-Test Sampel-Sampel Independen (Uncorrelated T-Test) .......... 3
2. T-Test Sampel-Sampel Berpasangan (Paired Samples T-test) ..... 6
BAB III UJI HUBUNGAN DAN ANALISIS KORELASI ........................... 8
1. Korelasi Product-Moment ............................................................. 8
2. Korelasi Jenjang ............................................................................ 10
BAB IV ANALISIS VARIANS ..................................................................... 12
1. Analisis Varians Satu Jalan (One Way Anova) ............................ 12
2. Analisis Varians Dua Jalan ( Two Way Anova) ........................... 14
BAB V ANALISIS REGRESI...................................................................... 17
1. Analisis Regresi Sederhana (Simple Regression) ......................... 17
2. Analisis Regresi Ganda (Multiple Regression) ............................. 20
 BAB I
PENDAHULUAN

TUJUAN
Mahasiswa memahami pengertian statistik, pentingnya statistik dan
analisis data secara statistik.

MATERI
1. Pengertian Statistik
Istilah statistik mempunyai dua pengertian, pertama istilah statistik
menunjuk pada kumpulan fakta yang umumnya berbentuk angka yang
menggambarkan suatu persoalan. Terkait dengan pengertian ini, kita mengenal
adanya statistik kelahiran, statistik kecelakaan kereta api, statistik penerimaan
mahasiswa baru, dsb. Kedua, istilah statistik merujuk pada pengetahuan yang
berupa seperangkat teknik matematik yang disiapakan untuk mengumpulkan,
mengolah, dan menganalisis data, menarik kesimpulan serta pembuatan keputusan
berdasarkan fakta dan analisis yang dilakukan. Untuk pengertian yang kedua biasa
disebut sebagai statistika.
Mempelajari statistika mempunyai dua orientasi yaitu teoritis dan praktis.
Orientasi teoritis bermaksud membahas aturan-aturan, dalil, rumus, menciptakan
model dan segi-segi lain yang bersifat teoritis dan matematis. Sedang pada
orientasi praktis, dimaksudkan menerapkan aturan-aturan dan rumus-rumus yang
telah diciptakan oleh statistika teoritis. Pada statistik yang berorientasi praktis ini
tidak dipersoalkan bagaimana lahirnya atau diperolehnya suatu rumus atau aturan
tertentu, melainkan ditekankan pada bagaimana cara-cara atau metode statistika
tersebut digunakan. Dalam perkuliahan Statistik II ini akan mengacu pada
orientasi yang kedua.
2. Pentingnya Statistika dalam Penelitian
Penggunaan statistika dalam kegiatan penelitian sangat penting, terutama
dalam penelitian kuantitatif. Beberapa alasan yang dapat dikemukakan adalah :
a. Statistika memungkinkan data penelitian secara eksak.
b. Statistik memaksa peneliti menganut pola pikir dan tata kerja yang definit dan
eksak.
c. Statistik menyediakan cara-cara meringkas data ke dalam bentuk yang lebih
banyak artinya.
d. Statistik memberi dasar-dasar untuk menarik konklusi melalui proses yang bisa
dipertanggungjawabkan.
e. Statistik memberi landasan untuk membuat prediksi.

3. Analisis Data Statistik

a. Analisis Deskriptif
Analisis statistik deskriptif mempunyai tugas yang terbatas pada
sekumpilan data, atau dengan perkataan lain, membatasi generalisasinya pada
kelompok individu yang diobservasi.

b. Analisis Inferensial
Analisis statistik inferensial memiliki tugas mengambil kesimpulan
tentang sesuatu hal yang diselidiki dari bahan-bahan (data) yang diperoleh dari
sample untuk digeneralisasikan pada populasi. Oleh karena itu statistik inferensial
selalu melibatkan proses sampling.
Penerapan metode statistik dalam analisis data penelitian yang melibatkan
variabel bebas dan variabel terikat harus memperhatikan jenis data penelitian yang
dimiliki. Jelasnya, dalam penelitian suatu teknik statistik perlu
mempertimbangkan jenis data untuk variabel bebas dan jenis data untuk variabel
terikatnya. Persyaratan jenis data dan tugas yang dijalankan oleh masing-masing
teknik statistik akan dibicarakan pada bab berikut.
 BAB II
UJI BEDA DUA MEAN DAN TEKNIK T-TEST

TUJUAN PEMBELAJARAN
Mahasiswa mampu menerapkan teknik analisis t-test untuk menguji
signifikansi perbedaan mean dua kelompok.

MATERI
A. T-Test Sampel-Sampel Independen (Uncorrelated T-Test)
Teknik t-test mempunyai tugas untuk menguji signifikansi perbedaan dua
buah mean. Kalau dua kelompok sampel menunjukkan dua buah mean yang
berbeda, tidak boleh kita langsung mengatakan bahwa kelompok yang satu lebih
baik dari kelompok yang lain, karena perbedaan mean tersebut belum tentu
signifikan. Sebagai contoh, mahasiswa FIP UNNES menunjukkan skor
kecerdasan emosional : 65, 74, 68, 65 (diperoleh mean sebesar 68). Sedang
mahasiswa FIS UNNES menunjukkan skor kecerdasan emosional 70, 64, 65, 69
(diperoleh mean sebesar 67). Sebelum diketahui signifikansi kedua mean tersebut,
tidak boleh dikatakan mahasiswa FIP lebih bagus kecerdasan emosionalnya
dibanding mahasiswa FIS. Boleh jadi perbedaan mean tersebut hanya karena
kesalahan sampling.
Data penelitian yang dianalisis dengan teknik t-test, sudah barang tentu
untuk data pada variabel bebas berupa data diskrit atau data kategorik, sedang data
untuk variabel bebas berupa data interval. Dari contoh di atas, variabel terikatnya
adalah kecerdasan emosional, sedang variabel bebasnya adalah asal Fakultas. Data
kecerdasan emosional berupa data interval, sedang data asal Fakultas berupa data
diskrit.

Rumus :
 Mx = Mean dari kelompok satu;
My = Mean dari kelompok yang lainnya;
SB = Simpang Baku (Standar Deviation);
SBbM = Simpang Baku beda Mean;

SBbm diperoleh dari :

SB2 diperoleh dari :

SB2Mx diperoleh dari :

M (mean) diperoleh dari :

Contoh komputasi :
Data motivasi berprestasi mahasiswa program penyetaraan dan program
reguler yang berhasil dikumpulkan seorang peneliti sbb :
JENIS Nomor Subyek
PROGRAM 1 2 3 4 5 6 7 8 9 10
REGULER 9 8 8 8 8 7 7 7 6 6
PENYETARAAN 9 7 7 6 6 5 5 5 5 5

Statistik Induk (Belanja Statistik) :

BAHAN MHS. REGULER MHS. PENYETARAAN
N 10 10
∑X 9+8+8+8+8+7+7+7+6+6=74 9+7+7+6+6+5+5+5+5+5=60
92+82+82+82+82+72+72+72+62+62 92+72+72+62+62+52+52+52+52+52
∑X2
= 556 =376
MEAN 7,4 6

REGULER PENYATARAAN
2
SB
 SB2M

= 0,520683307

Selanjutnya, kita lakukan pengujian terhadap signifikansi t empiris kita dengan

menggunakan tabel t. Sebagai acuannya adalah db (derajat bebas)= N1 + N2 – 2 =
10 + 10 – 2 = 18. Ternyata pada t.s. 5% = 2,101 dan pada 1% = 2,878.
Berarti t empiris kita signifikan (karena t empiris lebih besar daripada t Tabel).
Sebagai konsekuensinya, hipotesis nihil (yang menyatakan tidak ada perbedaan)
ditolak. Dan sebaliknya hipotesis kerja diterima.
Interpretasinya : ada perbedaan signifikan dalam motivasi berprestasi antara
mahasiswa program reguler dengan program penyetaraan, dan karena Mean
kelompok reguler lebih tinggi dibanding penyetaraan maka dapat dikatakan bahwa
motivasi berprestasi program reguler lebih baik dari program penyetaraan.

B. T-Test Sampel-Sampel Berpasangan (Paired Samples T-Test)

Dalam penelitian eksperimen, uji beda dua mean dilakukan pada dua
kelompok yang telah disetarakan (matching), atau membandingkan skor-skor pre-
test dan post test. Dalam hal ini peneliti menghadapi sampel-sampel yang
berpasangan.
RUMUS :

Md = Perbedaan Mean
∑d = Jumlah Perbedaan

Contoh Komputasi
Seorang peneliti bermaksud menguji efektivitas model konseling behavior untuk
meningkatkan asertivitas. Data yang berhasil dikumpulkan sbb :
Nomor Subyek
1 2 3 4 5 6 7 8
PRE-TEST 34 83 48 82 10 70 20 57
POST-TEST 37 84 48 84 14 71 24 60

TABEL KERJA
Nomor Pre-Test Post-Test D D d2
Subyek (Beda) (D-Mean D)
1 34 37 3 0,75 0,5625
2 83 84 1 -1,25 1,5625
3 48 48 0 -2,25 5,05625
4 82 84 2 -0,25 0,0625
5 10 14 4 1,75 3,0625
6 70 71 1 -1,25 1,5625
7 20 24 4 1,75 3,0625
8 57 60 3 0,75 0,5625
∑ 404 422 18 --- 15,44375
M = 50,5 M = 52,75 M = 2,25
 = 4,277
Selanjutnya, kita lakukan pengujian terhadap signifikansi t empiris kita dengan
menggunakan tabel t. Sebagai acuannya adalah db (derajat bebas) = ∑ pasangan –
1 = 8 – 1 = 7. Ternyata pada t.s. 5% = 2,365 dan pada 1% = 3,499.
Berarti t empiris kita signifikan (karena t empiris lebih besar daripada t tabel).
Sebagai konsekuensinya, hipotesis nihil (yang menyatakan tidak ada perbedaan)
ditolak, dan sebaliknya hipotesis kerja diterima.
Interpretasinya : ada perbedaan signifikan dalam asertivitas antara sebelum diberi
perlakuan dan setelah diberi perlakuan, dan karena mean post-test lebih tinggi
dibanding mean pada pre-test maka dapat dikatakan bahwa model konseling
behavioral efektif untuk meningkatkan asertivitas.
 BAB III
UJI HUBUNGAN DAN ANALISIS KORELASI

TUJUAN PEMBELAJARAN
Mahasiswa mampu menerapkan teknik analisis korelasi untuk menguji
signifikansi dua variabel.

MATERI
Korelasi mempunyai arti hubungan atau pertalian. Hubungan antara dua
variabel X dan Y dimana nilai kenaikan variabel X selalu diikuti oleh kenaikan
variabel Y, atau sebaliknya turunnya nilai variabel X diikuti oleh turunnya nilai
variabel Y, dinamakan korelasi positif. Sebaliknya jika kenaikan nilai variabel X
diikuti oleh turunnya nilai variabel Y, atau sebaliknya turunnya nilai variabel X
diikuti oleh naiknya nilai variabel Y, korelasi semacam ini disebut korelasi
negatif.
Tugas analisis korelasi adalah menguji derajat hubungan antar variabel.
Ukuran yang dipakai untuk menentukan derajat hubungan tersebut dinamakan
koefisien korelasi. Koefisien korelasi bergerak antara -1 sampai dengan
+1. Koefisien korelasi negatif menunjukkan arah korelasi negatif, sedangkan
koefisien korelasi positif menunjukkan arah korelasi positif.

1. Korelasi Product Moment

Teknik korelasi product moment dikembangkan oleh Karl Pearson,
digunakan untuk menganalisis hubungan antar dua variabel yang masing-masing
berkala interval. Artinya data yang dikumpulkan dari kedua variabel tersebut
berupa interval. Indeks korelasi product moment dilambangkan dengan huruf r.
CONTOH KOMPUTASI :
Data tentang kecerdasan emosional (KE) dan keputusan dalam komunikasi (KK)
yang berhasil dikumpulkan oleh seorang peneliti sbb :

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
KE 2 5 3 2 4 4 3 5 4 2 3 4 1 5 4
KK 14 18 16 10 14 18 16 18 16 14 14 19 12 18 16

TABEL KERJA
No Subyek X Y X2 Y2 XY
1 2 14 4 196 28
2 5 18 25 324 90
3 3 16 9 256 48
4 2 10 4 100 20
5 4 14 16 196 56
6 4 18 16 324 72
7 3 16 9 256 48
8 5 18 25 324 90
9 4 16 16 258 64
10 2 14 4 196 28
11 3 14 9 196 42
12 4 19 16 361 76
13 1 12 1 144 12
14 5 18 25 324 90
15 4 16 16 256 64
∑ 51 233 195 3709 828

Bahan belanja statistik tersebut dapat dicari lewat kalkulator (fx-3800P). Pertama,
pilih mode LR (mode – 2). Selanjutnya masukkan data tiap subyek, data X
melalui xd yd dan data Y melalui DATA. Setelah data semua subyek dimasukkan,
selanjutnya kita tinggal mengambil bahan belanja statistik yang dibutuhkan :
N = Kout 3 ∑X = Kout 2 ∑X2 = Kout 1
∑Y = Kout 5 ∑Y2 = Kout 4 ∑XY = Kout 6
INDEKS KORELASI dapat diambil lewat INV atau SHIFT 9

= 0,813
Selanjutnya indeks korelasi tersebut kita uji signifikansinya dengan melihat tabel r
product moment. Dengan N sebanyak 15, untuk 1% = 0,641 dan 5% = 0,514.
Karena r empiris > dari r pada tabel maka r empiris kita itu signifikan. Berarti,
hipotesis nihil yang menyatakan tidak ada hubungan antara kecerdasan emosional
dan kepuasan dalam komunikasi ditolak, sebaliknya hipotesisi kerja diterima.
Interpretasinya, ada korelasi positif yang signifikan antara kecerdasan emosional
dengan kepuasan dalam kominikasi.

2. Korelasi Jenjang
Teknik analisis korelasi jenjang dikembangkan oleh Charles Spearman,
dipergunakan untuk menganalisis hubungan antara dua variabel yang bersakala
ordinal. Indeks korelasi dilambangkan dengan σ (Rho).

CONTOH KOMPUTASI :
Seorang peneliti hendak menguji apakah prestasi belajar bahasa berkorelasi
dengan prestasi lomba karya tulis.

No X (R1) Y (R2) B B2
Subyek (beda R1 dan
R2)
1 1 1 0 0
 2 4 5 1 1
3 5 6 1 1
4 3 2 1 1
5 6 4 2 4
6 2 3 1 1
∑ 21 21 -- 8

= 1 – 0,22857
= 0,771
Selanjutnya menguji signifikansi rho tentu dengan menggunakan tabel rho.
 BAB IV
ANALISIS VARIANS

1. ANALISIS VARIANS SATU JALAN (One Way Anova)

Tugas analisis varians adalah menguji signifikansi F yaitu signifikansi
perbedaan mean dua kelompok atau lebih. Seperti pada tabel T-Test, analisis
varians disediakan untuk menguji pengaruh variabel bebas (yang datanya berupa
data dikskrit) terhadap variabel terikat (yang datanya berupa data interval).
Bedanya, pada analisis varians, kita dapat menguji perbedaan mean dua kelompok
atau lebih sekaligus.
Analisis varians berpijak pada asumsi bahwa data berdistribusi normal,
dan variansinya homogen.

CONTOH KOMPUTASI :
Seorang peneliti hendak mengetahui perbedaan dorongan berprestasi pada empat
kelompok pekerjaan orang tua. Data yang berhasil dikumpulkan sbb :

PEKERJAAN ORANG TUA Skor Dor. Berprestasi Masing-Masing

Subyek
PNS 3, 7, 6, 4, 4, 5, 7, 6, 4, 6
Wiraswasta 4, 9, 6, 6, 8, 7, 6, 5, 9, 5
Petani 2, 5, 4, 4, 1, 3, 4, 5, 2, 6
TNI 6, 3, 4, 5, 5, 4, 5, 6, 4, 4

STATISTIK INDUK (BELANJA STATISTIK)

BAHAN PNS WIRASWASTA PETANI TNI TOTAL
N 10 10 10 10 40
∑X 46 65 36 52 199
∑X2 220 449 152 288 1109

Menghitung Jumlah Kuadrat Total (JK Total)

 = 1109 – 990,025 = 118,975
Menghitung Jumlah Kuadrat Antar Kelompok (JK antar) :

Menghitung Jumlah Kuadrat dalam (Jkdalam)

Jkdal = JK T – JK ant
= 118,975 – 44,075
= 74, 9
Menghitung derajat kebebasan (d.b) : d.b antar = banyaknya kelompok dikurangi
satu; db total = N dikurangi satu; d.b. dalam = d.b total dikurangi d.b. antar.
Menghitung mean kuadrat (MK): MK antar = JK antar dibagi d.b. antar; MK
dalam = JK dal dibagi d.b. dalam.
Menghitung F :
= MKant dibagi Mkdalam
Penghitungan selanjutnya dilakukan dengan menggunakan bantuan tabel
rangkuman anava.
Sumber JK d.b. MK (Mean F F tabel
Variasi Kuadrat)
Antar 44,075 4 - 1 = 3 44,075 : 3= 14,69 : 2,08 d.b. 3 & 36
14,69 =7,061 1% = 4,38
5% = 2,86
Dalam 74,9 39 – 3 = 36 74,9 : 36 =2,08 -- --
Total 118,975 40 – 1 = 39 -- -- --
Pengujian terhadap F ternyata signifikan (7,061 > 4,38), berarti hipotesis nihil
ditolak dan hipotesis kerja diterima.
Interpretasinya, terdapat perbedaan yang signifikan dalam dorongan berprestasi
antara anak keluarga PNS, Wiraswasta, Petani, dan TNI.
2. ANALISIS VARIANS DUA JALAN (Two Way Anova)
Kalau pada anava satu jalan kita hanya memperhitungkan pengaruh satu
variabel bebas terhadap suatu variabel terikat, maka pada anava dua jalan kita
memperhitungkan pengaruh dua variabel bebas terhadap satu variabel terikat.

CONTOH KOMPUTASI
Seorang peneliti hendak menguji efektivitas teknik motivasi price & blame, dan
pelatihan atribusi kausal pada siswa pria dan wanita, dengan menggunakan
satu kelompok kontrol.
Data penelitian yang berhasil dikumpulakan sbb :
Price & Blame (A1) Pelatihan Atribusi Kontrol (A3)
Kausal (A2)
Pria (B1) 5, 1, 3, 2, 2 6, 5, 9, 6, 7 4, 7, 6, 6, 3
Wanita (B2) 2, 4, 6, 1, 2 7, 6, 9, 7, 6 6, 4, 6, 1, 2

Statistik Induk
Simple Effect TOTAL Main Effect
A1B1 A1B2 A2B1 A2B2 A3B1 A3B1 A1 A2 A3 B1 B2
N 5 5 5 5 5 5 30 10 10 10 15 15
∑X 13 15 33 35 26 19 141 28 68 45 72 69
2
∑X 43 61 227 251 146 93 821 - - - - -

Menghitung JK T :

= 158,3

Menghitung JK Antar klasifikasi A (JKA) : Lihat bahan pada main effect !

= 80,6
Menghitung JK antar klasifikasi B (JKB) : Lihat bahan pada main effect !

= 0,3
Menghitung JK interaksi AB (JKAB) : Lihat bahan pada simple effect !

= 749 – 662,7 – 80,6 -0,3

= 5,4
Menghitung Jkdalam :
Jkdal = JKT – JKA – JKB – JKAB
Menghitung d.b interaksi AB = d.b. A dikalikan d.b. B
Penghitungan selanjutnya menggunakan bantuan tabel rangkuman :
Sumber JK d.b. MK F F tabel
Variasi
Antar A 80,6 3–1=2 40, 3 13,415 d.b. 2 & 24
1% = 5,61; 5% = 3,40
Antar B 0,3 2–1=1 0,3 0,099 d.b. 1 & 24
1% = 6234; 5% = 249
Interaksi 5,4 2x1=2 2,7 0,0899 d.b. 2 & 24
AB 1% = 99,46; 5% =19,45
Dalam 72,1 29 – 5 =24 3,004166667
Total 158,3 30 – 1 = 29

Uji signifikansi F antar A signifikan. Interpretasinya, berarti ada perbedaan yang

signifikan dalam motivasi berprestasi antara anak yang diberikan teknik price &
blame, pelatihan atribusi kausal, dan kelompok kontrol.
Uji signifikansi F antar B tidak signifikan. Interpretasinya, berarti tidak ada
perbedaan yang signifikan dalam motivasi berprestasi antara subyek penelitian
siswa pria dan siswa wanita.
Uji signifikansi F interaksi AB tidak signifikan. Interpretasinya, tidak ada efek
interaksi antara jenis teknik motivasi dan jenis kelamin subyek penelitian.
Catatan :
Jika uji F ternyata signifikan, dapat diteruskan dengan post hoc test pasca anava.
 BAB V
ANALISIS REGRESI

1. ANALISIS REGRESI SEDERHANA (Simple Regression)

Tugas analis regresi adalah membuat prediksi nilai suatu variabel
(Kriterium) berdasarkan nilai variabel lain (Prediktor) yang sudah diketahui.

CONTOH KOMPUTASI :
Seorang peneliti hendak mengetahui pengaruh tingkat intelegensi terhadap
pencapaian indeks prestasi. Data penelitian yang berhasil dikumpulkan sbb :
No. Sub 1 2 3 4 5 6 7 8 9 10
Var
IQ 9 8 4 5 7 7 7 9 6 8
IP 3,5 3,7 2,5 2,6 3,0 2,8 2,9 3,7 2,7 2,9

Membuat Statistik Induk

0 X Y
0 10 ∑X ∑Y
X ∑X2 ∑XY
Y ∑Y2

0 X Y
0 10 70 30,3
X 514 217,7
Y 93,59

Membuat Matriks Dispersi

X Y
X

Y
 X Y
X ∑x2 = 24 ∑xy = 5,6
Y ∑y2 = 1,781
Mencari korelasi X dan Y (Untuk regresi dengan satu prediktor) :

= 0,856545517
Indeks korelasi sebesar 0,856545517 selanjutnya di uji signifikansi dengan tabel r
product moment. Dengan N sebesar 10 diketahui taraf signifikansi 5% = 0,635;
dan 1% = 0,765. Berarti r xy sebesar 0,856545517 adalah signifikan. Ini
menunjukkan bahwa untuk data tersebut, kita dibenarkan untuk membuat prediksi
terhadap Y (indeks prestasi) berdasarkan data X (IQ). Untuk regresi ganda,
keputusan ini perlu mendasarkan pada hasil uji signifikansi F regresi. Pada data
tersebut juga dapat dilakukan penghitungan F regresi dan selanjutnya di uji
signifikansinya.

Pertama jika dihitung JK total = ∑y2 ; JK regresi = ;

JK Residu = JK total dikurangi JK Regresi; Jika perhitungannya langsung dibuat

pada tabel rangkuman regresi adalah sebagai berikut :

Sumber JK d.b MK F T.S. (Taraf

Variasi Signifikansi)
Regresi 1,306666667 Cacah 1,306666667 22,037948 1% = 11,26;
prediktor 5% = 5,32
=1 (F signifikan)
Residu 0,474333333 9–1=8 0,059291666
Total 1,781 10 – 1 = 9

Ternyata dari perhitungan di atas tampak bahwa F regresi kita signifikan, ini
menunjukkan bahwa kita dapat membuat prediksi terhadap Y berdasarkan data X.
MEMBUAT PERSAMAAN GARIS REGRESI
Salah satu tugas analisis regresi adalah membuat prediksi nilai suatu
variabel berdasarkan variabel lain yang sudah diketahui nilainya. Setelah korelasi
r xy terbukti signifikan (pada regresi sederhana) atau F regresi terbukti signifikan
(pada regresi sederhana dan regresi ganda), langkah selanjutnya adalah membuat
persamaan garis regresi. Untuk regresi sederhana, persamaan garis regresinya
adalah Y = a X + K ; di mana Y adalah kriterium (yang dipredik), a adalah
koefisien prediktor dari variabel X, dan K adalah bilangan konstan. Pada tahap
sekarang ini yang menjadi tugas kita adalah mencari harga a dan harga K. Harga
a dan harga K tersebut dapat dicari melalui persamaan (dengan menggunakan
bahan-bahan dari statistik induk) sbb :

Statistik Induk :
0 X Y
0 N ∑X ∑Y
X ∑X2 ∑XY
Y ∑Y2

K a

0 X Y
0 10 70 30,3
X 70 514 217,7
Y 93,59

(1) K.N + a∑X =∑Y

(2) K.∑ X + a ∑ X2 = ∑ XY

(1) K. 10 + a. 70 = 30,3 dibagi 10-an

(2) K. 70 + a. 514 = 217,7 dibagi 70-an
(3) K + (a) (7) = 3,03
(4) K + (a) (7,342857143) = 3,11
+ (a) (0,342857143) = 0,08
a = 0,23333
Setelah dikemukakan harga a, selanjutnya dicari harga K dengan melalui
persamaan (3) sbb :
(3) K + (0,23333) (7) = 3,03
K + 1,63331 = 3,03
K = 1,39666667
Jadi persamaan garis regresinya adalah :
Y = 0,23X + 1,397

ANAREG GANDA DENGAN DUA PREDIKTOR

Kalau pada anareg sederhana kita mempredik nilai suatu variabel dengan satu
prediktor, maka pada anareg ganda kita mempredik nilai suatu variabel dengan
menggunakan lebih dari satu prediktor (kali ini dengan dua prediktor).

CONTOH KOMPUTASI
Seorang peneliti hendak mempredik Performansi Kerja karyawan berdasarkan
Indeks Prestasi ketika lulus kuliah dan Motivasi Kerja. Data penelitian yang
berhasil dikumpulkan sbb :

Nomor Motivasi Indeks Performansi

Subyek Kerja Prestasi Kerja
1 57 3,00 27
2 93 2,85 34
3 79 3,20 27
4 26 2,49 24
5 69 3,07 35
6 24 2,38 18
7 76 3,74 33
8 61 2,62 39
9 82 2,53 35
10 29 3,17 25
MEMBUAT STATISTIK INDUK
0 X1 X2 Y
0 10 596 29,05 297
X1 41214 1765,99 18787
X2 85,9537 867,75
Y 9199

MEMBUAT MATRIKS DISPERSI

x1 x2 y
x1 5692,4 34,61 1085,8
x2 34,61 1,56345 4,965
y 378,1

MENCARI a1 dan a2 (dengan persamaan simultan, bahan dari matriks dispersi) :

(1) ∑ x12 a1 + ∑x1x2 a2 = ∑x1y
(2) ∑ x1x2 a1 + ∑x22 a2 = ∑x2y
A B C
(1) 5692,4 a1 + 34,61 a2 = 1085,8
(2) 34,61 a1 + 1,56345 a2 = 4,965
D E F
Catt : kita akan mencari komponen a1 lebih dahulu, sehingga lebih dahulu kita
hilangkan komponen a2, dengan jalan : AE – DB = CE- FB, berarti :
(5692,4 x 1,56345) – (34,61 x 34,61) a1 = (1085,8 x 1,56345) – (4,965 x 34,61)
a1 = 0,198100375
Untuk mencari a2 kita tempuh dengan menggunakan persamaan (2) sbb :
(2) 34,61 a1 + 1,56345 a2 = 4,965
(34,61 x 0,198100375) + 1,56345 a2 = 4,965
a2 = -1,20966708

MENCARI Ry (1,2) & INDEKS DETERMINASI (R2) :

 = 0,744
R2 = 0,553005529
MENCARI F Regresi :
JKreg = R2 x ∑y2
= 0,553005529 x 378,1
= 209,0913907
JKtotal = ∑y2 = 378,1
JKresidu = JK total – Jkregresi

TABEL RANGKUMAN ANAREG

Sumber JK d.b. MK F T.s
Variasi
Regresi 209,0913907 2 104,545695 4,330 1% = 9,55; 5% = 4,74
Jadi, F tidak signifikan
Residu 169,0086093 7 24,14408705
Total 378,1 9

Karena F reg tidak signifika, maka sesungguhnya tidak ada dasar untuk
mempredik Y (performansi kerja) berdasar X1 dan X2 yang kita miliki tersebut
karena korelasi Y dengan kedua variabel X tersebut tidak signifikan. Namun
komputasi tetap dilanjutkan pada pembuatan persamaan garis regresi, sekedar
untuk memberikan contoh langkah-langkah komputasinya.

MEMBUAT PERSAMAAN GARIS REGRESI (2 Prediktor)

Y = a1X1 + a2X2 + K
Jadi persamaan garis regresinya adalah :
Y = 0,198 X1 – 1,209 X2 + 21,407