MATEMATIKA TERAPAN
NIM 20202000075
PASCASARJANA
FAKULTAS TEKNIS
SEMARANG
2021
1. Sebuah penelitian untuk mengetahui pengaruh Tingkat Kebisingan dan
Pencahayaan Lampu Kantor terhadap Produktifitas Kerja Pegawai.
Berdasarkan 10 responden yang digunakan sebagai sumber penelitian, hasilnya
diperoleh sebagai berikut :
No. Responden X1 X2 Y
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19
Keterangan:
X1 = Tingkat Kebisingan
X2 = Pencahayaan Lampu Kantor
Y = Produktivitas
Perumusan Hipotesis
H1 = Terdapat pengaruh Tingkat Kebisingan (X1) terhadap Produktivitas (Y).
H2 = Terdapat pengaruh Pencahayaan Lampu Kantor (X2) terhadap
Produktivitas (Y).
H3 = Terdapat pengaruh Tingkat Kebisingan (X1) dan Pencahayaan Lampu
Kantor (X2) terhadap Produktivitas (Y).
ɑ = 5%; n = 10; k=2
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 3,919 2,418 1,621 ,149
Kebisingan (X1) 2,491 ,703 1,024 3,544 ,009
Pencahayaan (X2) -,466 1,016 -,133 -,459 ,660
a. Dependent Variable: Produktivitas
• Dasar pengambilan keputusan untuk uji t
- Sig. < 0,05 / thitung > ttabel maka terdapat pengaruh variable X terhadap
variable Y.
- Sig > 0,05 / thitung < ttabel maka tidak terdapat pengaruh variable X terhadap
variable Y.
ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 227,512 2 113,756 17,899 ,002b
Residual 44,488 7 6,355
Total 272,000 9
a. Dependent Variable: Produktivitas
b. Predictors: (Constant), Pencahayaan (X2), Kebisingan (X1)
Tabel ANOVAa menunjukan bahwa nilai sig. sebesar 0,002 < 0,005 dan nilai
Fhitung 17,899 > Ftabel 4,46. Maka, dapat disimpulkan bahwa H3 diterima.
Yaitu, terdapat pengaruh Tingkat Kebisingan (X1) dan Pencahayaan Lampu
Kantor (X2) terhadap Produktivitas (Y).
2. Seorang manajer ingin memprediksi kebutuhan konsumsi bahan bakar
kendaraan yang ada di kantornya. Data selama 8 tahun tercatat sebagai berikut
:
Tahun 2011 2012 2013 2014 2015 2016 2017 2018
X 1 2 4 5 7 9 10 12
Y 2 4 5 7 8 10 12 14
Jika X = % Peningkatan jumlah kendaraan bermotor
Y = % Konsumsi pemakaian bahan bakar
a. Menentukan nilai Korelasi ( r )
Correlations
% Peningkatan %
Jumlah Kendaraan Pemakaian
Bermotor Bahan Bakar
% Peningkatan Pearson 1 ,992**
Jumlah Correlation
Kendaraan Sig. (2-tailed) ,000
Bermotor N 8 8
% Pemakaian Pearson ,992** 1
Bahan Bakar Correlation
Sig. (2-tailed) ,000
N 8 8
**. Correlation is significant at the 0.01 level (2-tailed).
Output SPSS Adjusted R Square sebesar 0,984, yang berarti bahwa pengaruh
sumbangan peningkatan jumlah kendaraan bermotor X terhadap pengingkatan
konsumsi pemakaian bahan bakar Y adalah sebesar ૢૡ, %.
ܻ = ܽ + ܾܺ
ܻ = 1,267 + 1,037ܺ
Persamaan garis prediksinya dapat menggunakan persamaan linear
sederhana jika pada tabel Anova nilai Sig. < , .
ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 115,649 1 115,649 374,842 ,000b
Residual 1,851 6 ,309
Total 117,500 7
a. Dependent Variable: % Pemakaian Bahan Bakar
b. Predictors: (Constant), % Peningkatan Jumlah Kendaraan Bermotor
Nilai Sig. < 0,05 maka garis prediksi dapat digunakan persamaan ܻ =
1,267 + 1,037ܺ
Ujilah hipotesis bahwa skor rata-rata hasil kualitas Green Building ketiga
kota/kabupaten tersebut adalah sama pada ߙ = 5%
• Langkah pertama dengan menggunakan program SPSS adalan melakukan uji
Normalitas Shapiro Wilk.
Tests of Normality
Kolmogorov-
Smirnova Shapiro-Wilk
Kota/Kabupaten Statistic df Sig. Statistic df Sig.
Skor Kualitas A ,193 6 ,200* ,919 6 ,497
Green B ,308 6 ,077 ,857 6 ,178
Building C ,254 6 ,200 * ,888 6 ,308
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
• Formulasi H0 dan H1
Menentukan nilai H0 dan H1
Jika Sig > . , maka H0 diterima
Jika Sig < . , maka H0 ditolak
ܪ0 ∶ µ = ܣµ = ܤµܥ
ܪ1 ∶ µ ≠ ܣµ ≠ ܤµܥ
Hasil output SPSS Anova nilai Signifikansi (Sig.) 0,000 < 0,05 maka H0 ditolak
sehingga paling sedikit terdapat satu pasang data yang berbeda dari 3 variabel
tersebut.
• Menentukan persamaan regresinya
Persamaan regresi linear berganda (nilai a dan b) pada tabel Coefficients
ܻ = ܽ + ܾଵ ܺଵ + ܾଶ ܺଶ + ܾଷ ܺଷ
ܻ = 3,541 − 0,081 ܺଵ + 0,092 ܺଶ + 0,027 ܺଷ
Dimana :
Y = Tingkat Kerusakan Infrastruktur
X1 = Banjir Genangan di Rumah Penduduk
X2 = Banjir Genangan di Pekarangan
X3 = Banjir Genangan di Jalan dan Saluran
• Hasil analisis
Hasil analisis data uji hipotesis menunjukkan bahwa banjir di Rumah
Penduduk dan banjir di Jalan dan Kanal tidak akan mempengaruhi jumlah
kerusakan infrastruktur bangunan, tetapi jumlah kerusakan bangunan dan
infrastruktur dipengaruhi oleh banjir di pekarangan.