TUGAS ANALISIS KORELASI DAN REGRESI

“PENGARUH PELATIHAN DAN PRESTASI KERJA

TERHADAP PENEMPATAN KARYAWAN PADA HOTEL
BANGUN JAYA PERDANA PASURUAN”

Nama Anggota:
1. Aldian Irwanto (1961201002702)
2. Jihad Maulana Akbar (1961201002748)
3. Mohammad Porwito (1961201002762)
4. Sukmawan Dwi A (1961201002789)

UNIVERSITAS MERDEKA PASURUAN

FAKULTAS EKONOMI
2020/2021
 ANALISIS KORELASI

Hipotesis 1
H0 : Tidak ada hubungan antara X1 dengan Y
H1 : Ada hubungan antara X1 dengan Y
Hipotesis 2
H0 : Tidak ada hubungan antara X2 dengan Y
H1 : Ada hubungan antara X2 dengan Y

Output SPSS

Correlations
X1 X2 Y
X1 Pearson Correlation 1 -.007 .316
Sig. (2-tailed) .970 .078
N 32 32 32
X2 Pearson Correlation -.007 1 -.010
Sig. (2-tailed) .970 .959
N 32 32 32
Y Pearson Correlation .316 -.010 1
Sig. (2-tailed) .078 .959
N 32 32 32

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

Hipotesis 1
Nilai koefisien korelasi X1 ~ Y = 0.316
P-Value/Nilai Sig. = 0.078
Keputusan = Menerima H0
Kesimpulan = Tidak Ada hubungan antara X1 ~ Y
Hipotesis 2
Nilai koefisien korelasi X2 ~ Y =- 0.010
P-Value/Nilai Sig. = 0.959
Keputusan = Terima H0
Kesimpulan = Tidak ada hubungan antara X2 ~ Y

Karena ada hubungan antara X1 ~ Y maka tidak dapat dilanjutkan dengan analisis regresi.

ANALISIS REGRESI
1. HIPOTESIS
Uji simultan
H01 : Tidak ada pengaruh antara X1 dan X2 secara simultan terhadap Y
H11 : Ada pengaruh antara X1 dan X2 secara simultan terhadap Y

Uji parsial
H02 : Tidak ada pengaruh antara X1 terhadap Y
H12 : Ada pengaruh antara X1 terhadap Y
H03 : Tidak ada pengaruh antara X2 terhadap Y
H13 : Ada pengaruh antara X2 terhadap Y

2. ANALISIS
Asumsi Linearitas

ANOVA
Y - X1
Sum of Squares df Mean Square F Sig.
Between Groups (Combined) .820 8 .102 1.482 .218
Linear Term Weighted .241 1 .241 3.482 .075
Deviation .579 7 .083 1.197 .344
Within Groups 1.591 23 .069
Total 2.411 31
 ANOVA
Y - X2
Sum of Squares df Mean Square F Sig.
Between Groups (Combined) .765 9 .085 1.136 .380
Linear Term Weighted .000 1 .000 .003 .957
Deviation .765 8 .096 1.278 .304
Within Groups 1.646 22 .075
Total 2.411 31

Karena nilai deviation from linearity dari Y ~ X2 > 0.05 maka hubungan Y ~ X2 linear.
Asumsi Normalitas
 Secara Visual

Jika titik -titik pengamatan berada pada garis diagonal maka dikatakan residual
berdistribusi normal → asumsi normalitas terpenuhi

 Secara Numerik

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 32
Normal Parametersa,b Mean .0000000
Std. Deviation .26455410
Most Extreme Differences Absolute .182
Positive .127
Negative -.182
Test Statistic .182
Asymp. Sig. (2-tailed) .008c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Jika nilai asymp sig > 0.05 maka residual berdistribusi normal.
Asumsi Heterokesdastisitas

Karena titik – titik pengamatan pada scatter plot tidak membentuk pola tertentu maka
dapat dikatakan bahwa asumsi heterokesdastisitas terpenuhi.

Asumsi Non Autokorelasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
a
1 .316 .100 .038 .27352 2.584
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y
Statistik durbin Watson (d) = 2.584
dL = 1.3093
dU = 1.5736
4 – d = 1.584

karena d < dU maka ada autokorelasi positif

karena (4 – d) > dU maka tidak ada autokorelasi negative
→ asumsi non autokorelasi tidak terpenuhi
 Asumsi Non Multikolinieritas

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) .958 .555 1.728 .095
X1 .076 .042 .316 1.794 .083 1.000 1.000
X2 -.007 .177 -.007 -.042 .967 1.000 1.000
a. Dependent Variable: Y

Keterangan
Jika nilai VIF < 10 dan nilai tolerance > 0.10 maka tidak ada multikolinearitas
Jika nilai VIF > 10 dan nilai tolerance < 0.10 maka ada multikolinearitas

VIF = 1.000 < 10 dan Nilai Tolerance = 1.000 > 0.10 maka tidak ada mulitikolinieritas →
asumsi non multikolinearitas terpenuhi.
.
KELAYAKAN MODEL

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
a
1 .316 .100 .038 .27352 2.584
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y

R – Square Adjusted = 0.192

Artinya : Keragaman dari Y dapat dijelaskan oleh X1 dan X2 sebesar 19.2% sedangkan
sisanya 80.8% dijelaskan oleh variabel lain yang tidak dilibatkan dalam penelitian ini.

UJI SIMULTAN
H01 : Tidak ada pengaruh antara X1 dan X2 secara simultan terhadap Y
H11 : Ada pengaruh antara X1 dan X2 secara simultan terhadap Y
 ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression .241 2 .120 1.610 .217b
Residual 2.170 29 .075
Total 2.411 31
a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1

Karena nilai sig. < 0.05 maka H0 ditolak

Kesimpulan : Ada pengaruh antara X1 dan X2 secara simultan terhadap Y

UJI PARSIAL
H02 : Tidak ada pengaruh antara X1 terhadap Y
H12 : Ada pengaruh antara X1 terhadap Y

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) .958 .555 1.728 .095
X1 .076 .042 .316 1.794 .083 1.000 1.000
X2 -.007 .177 -.007 -.042 .967 1.000 1.000
a. Dependent Variable: Y

Untuk pengujian X1 :
Karena nilai sig. < 0.05 maka H0 ditolak
Kesimpulan : Ada pengaruh antara X1 terhadap Y
Untuk pengujian X2 :
Karena nilai sig. < 0.05 maka H0 ditolak
Kesimpulan : Ada pengaruh antara X2 terhadap Y
 MODEL REGRESI
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) .958 .555 1.728 .095
X1 .076 .042 .316 1.794 .083 1.000 1.000
X2 -.007 .177 -.007 -.042 .967 1.000 1.000
a. Dependent Variable: Y

Model : Y = 0.634 + 0.110X1 + 0.425X2 + e

Artinya
Jika X1 naik 1 tingkat maka Y akan naik sebesar 0.110, dengan syarat X2 konstan
Jika X2 naik 1 tingkat maka Y akan naik sebesar 0.425, dengan syarat X1 konstan