A. PENDAHULUAN
Peneliatian yang mengaitkan dua variabel, misalkan saja variabel X dan variabel Y.
sebagai contoh X adalah penghasilan dan Y adalah tabungan, jika kita ingin mengaitkan X
dengan Y, karena ingin mengetahui seberapa kuat hubungannya atau seberapa besar
pengaruhnya, maka X disebut variabel bebas (independent variabel) yang
mempengaruhi Y sebagai variabel tak bebas (dependent variabel). Ini artinya X
mempengaruhi Y, atau Y dipengaruhi oleh X atau dengan lain kata Y tergantung pada X.
Contoh untuk memberi gambaran pertanyaan (Why), maka penelitian antara dua
variabel X dan Y untuk diketahui seberapa kuat hubungannya atau seberapa besar
pengaruhnya dapat dijelaskan. Misalnya mengapa variabel Y naik, karena X juga naik. Ini
artinya kenaikan penghasilan bisa menaikkan tabungan. Untuk pertanyaan lainnya
(Why) misalkan:
Jika X naik 1 unit, berapa kenaikan Y?
Jika penghasilan mencapai Rp.15.000.000,-, berapa rupiah tabungan akan
bertambah?
Dan lain sebagainya
Analisis yang melibatkan dua variabel saja yaitu X dan Y, disebut analisis bivariate. Di
dalam hubungan dua variabel X dan Y, akan dibuat analisis korelasi dan regresi linear
sederhana (simple linear regression).
Analisis korelasi bertujuan untuk mengetahui kuatnya hubungan antara variabel X dan Y
sebagai variabel bebas dan tak bebas. Jika X dan Y berkorelasi kuat, analisis dilanjutkan
dengan analisis regresi yang bertujuan untuk:
1. Mengetahui besarnya pengaruh dari perubahan X terhadap Y jika X naik 1 unit
(satu satuan). Dengan lain kata: jika X naik 1 unit, berapa kali kenaikan Y.
Sebagai catatan:
Misalkan dalam penelitian, misalkan X konstan, tidak mempengaruhi Y. Ini
artinya tidak menjadi masalah, karena bisa jadi Y dipengaruhi banyak faktor
bukan hanya X saja.
2. Memperkirakan/meramalkan nilai Y jika variabel X yang berkorelasi dengan Y
sudah diketahui.
B. KORELASI
KOEFISIEN KORELASI
Besar kecilnya hubungan antara dua variabel dinyatakan dalam bilangan yang disebut
Koefisien Korelasi, yaitu:
a. Besarnya Koefisien korelasi antara -1 0 +1
b. Besaran koefisien korelasi -1 & 1 adalah korelasi yang sempurna
c. Koefisien korelasi 0 atau mendekati 0 dianggap tidak berhubungan antara dua
variabel yang diuji
ARAH HUBUNGAN
a. Positif (Koefisien 0 s/d 1)
b. Negatif (Koefisien 0 s/d -1)
c. Nihil (Koefisien 0)
1. KORELASI PEARSON
Bentuk korelasi Pearson digunakan untuk data interval dan rasio, memiliki distribusi data
normal, dan terdiri dari dua variabel:
1 Variabel X (Independen)
1 Variabel Y (dependen)
CONTOH:
Berikut adalah data hasil belajar mahasiswa (jumlah kehadiran dan nilai tugas) PGSD
semester Ganjil tahun akademik 2021/2022.
Tabel 1 Data Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022
Hipotesa:
H0 : Tidak ada hubungan antara Intensitas belajar dengan prestasi mata kuliah
statistik pendidikan.
H1 : Ada hubungan antara Intensitas belajar dengan prestasi mata kuliah
statistikprobabiltas.
INPUT DATA KE SPSS
SPSS
Ada dua view dalam SPSS
a. Data View : digunakan untuk memasukkan data yang akan dianalisis
b. Variabel View : digunakan untuk memberi nama variabel dan pemberian tipe
data.
UJI NORMALITAS
INTERPRESTASI NORMALITAS
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Untuk melihat hasil tes uji normalitas apakah data normal atau tidak adalah dengan
melihat Sig. Kolmogorof-Smirnov:
Normal apabila Sig. > 0,05
Tidak Normal apabila Sig. < 0,05
Hasil uji normalitas data Sig. Kolmogorof-Smirnov bernilai 0,053, sehingga data
kehadiran mahasiswa normal.
TAHAP ANALISIS
Correlations
hadir nilai
N 18 18
**
nilai Pearson Correlation .767 1
N 18 18
Perhatikan koefisien pearson korelasi bernilai 0.767 dan Sig. (2-tailed) 0.000.
Hasil interpretasi dengan melihat Sig. (2-tailed) = 0.000 bernilai < 0,05, maka ada
korelasi yang signifikan (H1 diterima). Artinya ada hubungan intensitas belajar dengan
prestasi mata kuliah statistik pendidikan.
Arah hubungan:
Dilihat dari tanda koefisien korelasi
1. Tanda (-) berarti apabila variabel X tinggi maka variabel Y rendah
2. Tanda (+) berarti apabila variabel X tinggi maka variabel Y juga tinggi
2. KORELASI SPEARMAN
a. Digunakan untuk jenis data ordinal.
b. Cara analisis dan interpretasi sama dengan Pearson.
c. Perbedaan hanya pada waktu memilih box yang diaktifkan adalah box
spearman.
Gambar 6 Korelasi Bivariate Spearman
Correlations
hadir Nilai
N 18 18
N 18 18
Perhatikan koefisien Spearman korelasi bernilai 0.973 dan Sig. (2-tailed) 0.000.
3. KORELASI PARTIAL
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen
dengan satu variabel dependen dan dilakukan pengendalian pada salah satu variabel
independennya.
CONTOH
Diberikan data olahan penulis tentang biaya promosi (juta rupiah), jumlah outlet (unit),
dan hasil penjualan (juta rupiah), adalah sebagai berikut:
Hipotesa:
H0 : Tidak ada hubungan antara biaya promosi dengan penjualan apabila jumlah
outlet dikendalikan
H1 : Ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet
dikendalikan
ANALISIS
Pada perhitungan SPSS pastikan data variabel dependent list (penjualan) sudah normal
dengan uji normalitas.
KORELASI PARTIAL
Variabel penjualan dan biaya promosi masukkan ke kolom Variables, sedangkan variabel
outlet masukkan ke kolom Controlling for.
OUTPUT PARTIAL
Correlations
df 0 7
df 7 0
Perhatikan koefisien partial korelasi bernilai 1.000 dan Significance. (2-tailed) 0.000.
Hasil interpretasi dengan melihat Significance. (2-tailed) = 0.000 bernilai < 0,05, maka
ada korelasi yang signifikan (H1 diterima). Artinya Ada hubungan antara biaya promosi
dengan penjualan apabila jumlah outlet dikendalikan.
C. REGRESI
Analisis regresi linear sederhana merupakan salah satu metode regresi yang dapat
dipakai sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel
bebas (independen) terhadap variabel terikat (dependen). Uji Regresi linear sederhana
ataupun regresi linier berganda pada intinya memiliki beberapa tujuan, yaitu:
Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada
nilai variabel bebas.
Menguji hipotesis karakteristik dependensi.
Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel
bebas diluar jangkaun sample.
Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai
disturbance term sebesar 0 atau dengan simbol sebagai berikut: E (U / X) = 0,
Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory)
tidak ada hubungan linier yang nyata,
Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar <
0.05, Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation,
Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien
regresi signifikan jika T hitung > T table (nilai kritis),
Model regresi dapat diterangkan dengan menggunakan nilai koefisien
determinasi (KD = R Square x 100%) semakin besar nilai tersebut maka model
semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik,
Residual harus berdistribusi normal,
Data berskala interval atau rasio,
Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel
bebas (variabel predictor) sedang variabel lainnya variabel terikat (variabel
response).
Analisis regresi mempelajari bentuk hubungan antara satu atau lebih variabel bebas (X)
dengan satu variabel tak bebas (Y). Dalam penelitian variabel bebas (X) biasanya variabel
yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama penyimpanan,
kadar zat pengawet, umur ternak dan sebagainya. Disamping itu variabel bebas bisa juga
berupa variabel tak bebasnya, misalnya dalam pengukuran panjang badan dan berat
badan sapi, karena panjang badan lebih mudah diukur maka panjang badan dimasukkan
kedalam variabel bebas (X), sedangkan berat badan dimasukkan variabel tak bebas (Y).
Sedangkan variabel tak bebas (Y) dalam penelitian berupa respon yang diukur akibat
perlakuan/variabel bebas (X). Misalnya jumlah sel darah merah akibat pengobatan
dengan dosis tertentu, jumlah mikroba daging setelah disimpan beberapa hari, berat
ayam pada umur tertentu dan sebagainya.
Bentuk hubungan antara variabel bebas (X) dengan variabel tak bebas (Y) bisa dalam
bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinom derajat
tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya
eksponensial, logaritma, sigmoid dan sebagainya. Bentuk-bentuk ini dalam analisis
regresi-korelasi biasanya dilakukan transformasi supaya menjadi bentuk polinom.
Dalam bentuk yang paling sederhana yaitu satu variabel bebas (X) dengan satu variabel
tak bebas (Y) mempunyai persamaan:
Y =a +bx
Disini a disebut intersep dan b adalah koefisien arah atau koefisien beta.
Dalam pengertian fungsi persamaan garis Y + a + bx hanya ada satu yang dapat dibentuk
dari dua buah titik dengan koordinat yang berbeda yaitu ( X 1, Y1) dan X2,Y2). Hal ini
berarti kita bisa membuat banyak sekali persamaan garis dalam bentuk lain melalui dua
buat titik yang berbeda koordinatnya/tidak berimpit.
REGRESI SEDERHANA
Perhatikan kembali data jumlah kehadiran dan nilai tugas mahasiswa PGSD Tahun
2021/2022 (Tabel 1).
Tabel 8 Data Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022
Untuk menghitung regresi sederhana menggunakan SPSS 17.0, panggil kembali data
jumlah kehadiran dan nilai tugas mahasiswa PGSD Tahun 2021/2022 seperti latihan
sebelumnya (Lihat Gambar 1).
Tabel 9 Model Summary Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022
Model Summary
Tabel 10 Anova Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022
ANOVAb
Total 5750.000 17
Tabel Anova digunakan untuk melihat signifikan model persamaan regresi. Untuk
melihat signifikan persamaan regresi dapat dilihat dari nilai F = 22,911 dan dibandingkan
dengan F tabel:
Apabila nilai F < F tabel maka persamaan garis regresi tidak dapat digunakan
untuk prediksi
Apabila nilai F > F tabel maka persamaan garis regresi dapat digunakan
untuk prediksi
Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi apabila
nilai Sig. < 0,05. Hasil perhitungan nilai Sig. = 0.000, artinya (<0,05), sehingga dapat
digunakan untuk memprediksi.
Tabel 11 Coefficients Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun2021/2022
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Tabel Coefficients digunakan untuk persamaan garis regresi. Untuk membuat persamaan
garis regresi dapat dilihat dari kolom B.
Constan = 4,200 dan hadir = 11,040
Berarti persamaan garisnya adalah Y = 4,200 + 11,040 X.