Implementasi Analisis Korelasi, Regresi, Dan Crosstab Menggunakan Software SPSS
Implementasi Analisis Korelasi, Regresi, Dan Crosstab Menggunakan Software SPSS
Disusun Oleh:
I0620037
FAKULTAS TEKNIK
2021
A. ANALISIS KORELASI
Analisis korelasi merupakan salah satu metode analisis dalam statistika untuk
mengukur dan menyatakan derajat hubungan linear antara 2 atau lebih variabel.
Terdapat 2 hubungan pada analisis korelasi yaitu hubungan searah (korelasi positif) dan
hubungan berlawanan arah (korelasi negatif). Terdapat 3 metode korelasi sederhana,
yaitu Korelasi Pearson, Korelasi Spearman, dan Korelasi Kendal Rank. Perbedaan
antara 3 metode korelasi sederhana ini yaitu pada skala datanya, jika pada Korelasi
Pearson ditujukan untuk mengukur derajat hubungan linier antar dua atau lebih variabel
dengan data berskala interval atau rasio sedangkan Korelasi Spearman dan Kendal
Rank digunakan pada data yang berdasarkan pemeringkatan yaitu data ordinal.
Berikut merupakan contoh penerapan analisis korelasi pada ilmu perencanaan wilayah
dan kota:
Studi Kasus: Seorang perencana kota ingin mengetahui apakah terdapat pengaruh dan
bentuk hubungan antara jumlah penduduk perempuan terhadap tingkat kelahiran atau
fertilitas. Untuk melakukan uji metode analisis korelasinya perencana tersebut
mengambil data di 31 kecamatan di Kota Surabaya tahun 2020.
Rumusan Masalah: Apakah terdapat hubungan antara jumlah penduduk perempuan
dengan tingkat kelahiran/fertilitas di Kota Surabaya?
Tujuan: Mengetahui hubungan antara antara jumlah penduduk perempuan dengan
tingkat kelahiran/fertilitas di Kota Surabaya.
Jumlah
Jumlah
No. Kecamatan Penduduk
Kelahiran
Perempuan
1. Karangpilang 37.427 1.391
2. Jambangan 26.339 1.004
3. Gayungan 22.201 727
4. Wonocolo 40.084 2.121
5. Tenggilis Mejoyo 29.454 1.067
6. Gunung Anyar 29.805 1.074
7. Rungkut 59.272 2.162
8. Sukolilo 55.968 2.031
9. Mulyorejo 43.810 1.397
10. Gubeng 69.238 2.206
11. Wonokromo 80.856 2.843
12. Dukuh Pakis 30.190 1.292
13. Wiyung 36.363 1.270
14. Lakarsantri 30.326 1.338
15. Sambikerep 32.662 1.725
16. Tandes 46.575 1.701
Variabel yang digunakan dalam metode analisis korelasi ini adalah sebagai berikut:
1. Variabel Dependen (Y) : Jumlah kelahiran
2. Variabel Independen (X) : Jumlah penduduk perempuan
Pada analisis korelasi ini menggunakan data jumlah penduduk perempuan dan data
jumlah kelahiran per kecamatan di Kota Surabaya pada tahun 2020 yang bersumber
dari Kota Surabaya dalam Angka Tahun 2021 yang kemudian dianalisis lebih lanjut
menggunakan software SPSS.
INTERPRETASI
• Uji Normalitas
Melalui kolom Kolmogorov-Smirnov pada tabel Test of Normality dilakukan
pengujian terhadap nilai signifikansi dengan ketentuan, sebagai berikut:
Kolmogorov-Smirnova Shapiro-Wilk
Jumlah Penduduk
.149 31 .079 .863 31 .001
Perempuan
Jumlah Kelahiran .157 31 .051 .859 31 .001
Dari tabel uji normalitas diatas dapat diketahui bahwa nilai signifikansi jumlah
penduduk perempuan sebesar 0,079 dan nilai signifikansi jumlah kelahiran sebesar
0,051 sehingga dapat disimpulkan bahwa data pada tabel tersebut telah
terdistribusi normal karena memiliki nilai Sig. > 0,05.
• Korelasi
Selanjutnya dilakukan uji signifikansi korelasi pearson untuk mengetahui apakah
terdapat hubungan antara jumlah penduduk perempuan dengan jumlah kelahiran.
a) Hipotesis
- Ho → Tidak ada hubungan antara jumlah penduduk perempuan dengan
jumlah kelahiran
- Ha → Terdapat hubungan antara jumlah penduduk perempuan dengan
jumlah kelahiran
b) Dasar Pengambilan Keputusan Statistik
Melihat signifikansi dengan ketentuan sebagai berikut:
- Apabila nilai Sig > 0.05, maka Ho diterima
- Apabila nilai Sig < 0.05, maka Ho ditolak
- Nilai signifikansi < 0.05, maka berkorelasi
- Nilai signifikansi > 0.05, maka tidak berkorelasi
c) Pedoman Derajat Hubungan (Interval Koefisien Korelasi)
- Nilai Pearson Corellation 0.00 – 0.199 = sangat rendah
- Nilai Pearson Corellation 0.20 – 0.399 = rendah
- Nilai Pearson Corellation 0.40 – 0.599 = sedang
- Nilai Pearson Corellation 0.60 – 0.799 = kuat
- Nilai Pearson Corellation 0.80 – 1.000 = sangat kuat
Correlations
Jumlah
Penduduk Jumlah
Perempuan Kelahiran
N 31 31
Jumlah Kelahiran Pearson
.959** 1
Correlation
N 31 31
• Kesimpulan
Berdasarkan interpretasi analisis uji korelasi pearson dapat disimpulkan bahwa
terdapat hubungan yang signifikan antara jumlah penduduk perempuan dengan
jumlah kelahiran di Kota Surabaya dengan nilai Sig (2-tailed) sebesar 0.000. Dan
juga terbentuk korelasi positif atau searah dengan tingkat hubungan sangat kuat
dengan nilai 0.959.
Berikut merupakan contoh penerapan analisis regresi pada ilmu perencanaan wilayah
dan kota:
Studi Kasus: Seorang perencana ingin mengetahui apakah terdapat pengaruh antara
kepadatan penduduk terhadap jumlah kendaraan sehingga perencana tersebut dapat
memprediksi nilainya sehingga tercipta rencana tata ruang yang sesuai di masa depan.
Untuk melakukan uji metode analisis regresi tersebut perencana mengambil data di 34
provinsi di Indonesia pada tahun 2019.
Rumusan Masalah: Apakah terdapat pengaruh antara kepadatan penduduk dengan
jumlah kendaraan di Indonesia?
Tujuan: Mengetahui pengaruh dan memprediksi nilai antara kepadatan penduduk
dengan jumlah kendaraan di Indonesia.
Kepadatan
Jumlah
No. Provinsi Penduduk
Kendaraan
(jiwa/km2)
1. Aceh 93 2 157 852
2. Sumatera Utara 200 6 637 388
3. Sumatera Barat 130 2 374 526
4. Riau 80 3 707 460
5. Jambi 72 2 272 956
6. Sumatera Selatan 92 3 631 605
7. Bengkulu 100 1 018 850
8. Lampung 244 3 632 255
Kepulauan Bangka
9. 91 1 039 803
Belitung
10. Kepulauan Riau 267 993 001
11. DKI Jakarta 15900 19 883 246
12. Jawa Barat 1394 15 771 589
13. Jawa Tengah 1058 17 793 289
14. DI Yogyakarta 1227 2 861 419
15. Jawa Timur 831 21 595 399
16. Banten 1338 2 468 196
17. Bali 750 4 358 125
18. Nusa Tenggara Barat 273 1 785 845
Variabel yang digunakan dalam metode analisis korelasi ini adalah sebagai berikut:
1. Variabel Dependen (Y) : Jumlah kendaraan
2. Variabel Independen (X) : Kepadatan penduduk (jiwa/km2)
Pada analisis regresi ini menggunakan data kepadatan penduduk dan jumlah kendaraan
pada 34 provinsi di Indonesia tahun 2019 yang bersumber dari BPS yang kemudian
dianalisis lebih lanjut menggunakan software SPSS.
INTERPRETASI
• Analisis Model Summary
Ketentuan:
- Jika nilai koefisien determinasi (R²), mendekati 1 → tingkat kesesuaian
model tinggi
- Jika nilai adjusted R², mendekati 1 → kesesuaian model regresi dalam
menjelaskan keseluruhan populasi tinggi
- Jika nilai koefisien korelasi (r), mendekati 1 → hubungan antara variabel
terikat dengan variabel bebas tinggi
- Jika nilai D-W, mendekati/berada di sekitar 2 → residual/error bersifat acak
• Analisis ANOVA
Tabel ANOVA digunakan pada uji serentak untuk mengetahui apakah model telah
teruji signifikan serentak sehingga dapat digunakan untuk memprediksi variabel
lainnya.
Ketentuan: Jika nilai signifikansi < 0.05 → model regresi signifikan (terdapat
pengaruh antara variabel Y dan X)
Sum of Mean
Model Squares df Square F Sig.
Total 1085085895
33
008892.000
Melalui tabel analisis ANOVA diatas, dapat diketahui bahwa nilai sig. < 0.05
(0.000 < 0.05), sehingga dapat disimpulkan bahwa model regresi signifikan dan
terdapat pengaruh antara variabel Y dan variabel X.
Correlations
Jumlah Kepadatan
Kendaraan Penduduk
Kepadatan Penduduk 34 34
Melaui tabel diatas dapat diketahui bahwa koefisien korelasi (r), mendekati 1
dengan nilai 0.569 yang menunjukan bahwa terdapat hubungan yang tinggi antara
variabel terikat dengan variabel bebasnya.
Standard
ized
Unstandardized Coefficie Collinearity
Coefficients nts Statistics
Std. Tolera
Model B Error Beta t Sig. nce VIF
Kepadatan 1205.55
307.611 .569 3.919 .000 1.000 1.000
Penduduk 2
Pada tabel koefisien diatas dapat diketahui bahwa kepadatan penduduk (X) bernilai
3041076.279 dan jumlah kendaraan (Y) bernilai 1205.552. Sehingga, persamaan
regresi model tersebut dapat ditulis:
Y’ = 3041076.279 + 1205.552 X₁
Dapat juga dilihat pada nilai VIF sebesar 1.000 yang berarti kurang dari 5 dan nilai
r sebesar 0.569 yang tidak ada yang lebih besar/kecil dari 0.8 dan -0.8 (batas
toleransi korelansi) maka dapat disimpulkan bahwa tidak ada multikolinieritas.
• Kesimpulan
Dari hasil analisis uji regresi yang dilakukan maka dapat disimpulkan bahwa
terdapat hubungan yang berbanding lurus antara peningkatan faktor kepadatan
penduduk terhadap jumlah kendaraan dengan persamaan regresi Y’ = 3041076.279
+ 1205.552 X₁ yang digunakan untuk memprediksi nilai.
Berikut merupakan contoh penerapan analisis regresi pada ilmu perencanaan wilayah
dan kota:
Studi Kasus: Seorang perencana ingin mengetahui apakah terdapat keterkaitan
kepadatan penduduk terhadap tingkat pengangguran terbuka. Untuk melakukan uji
metode analisis crosstab tersebut perencana mengambil data di 119 kota dan atau
kabupaten di Pulau Jawa pada tahun 2020.
Rumusan Masalah: Apakah terdapat keterkaitan antara kepadatan penduduk dengan
tingkat pengangguran terbuka di Pulau Jawa?
Tujuan: Mengetahui keterkaitan antara kepadatan penduduk dengan tingkat
pengangguran terbuka di Pulau Jawa.
Klasifikasi
Kepadatan Klasifikasi Jumlah
Jumlah
No. Kab. /Kota Penduduk Kepadatan Pengangguran
Pengangguran
(jiwa/ha) Penduduk Terbuka
Terbuka
1. Cilacap 9 1 80811 2
2. Banyumas 13 1 52689 2
3. Purbalingga 15 1 30513 2
4. Banjarnegara 10 1 28994 1
5. Kebumen 11 1 38484 2
6. Purworejo 7 1 15936 1
7. Wonosobo 9 1 22991 1
8. Magelang 12 1 33080 2
9. Boyolali 11 1 30650 2
10. Klaten 19 1 34992 2
11. Sukoharjo 19 1 33831 2
12. Wonogiri 6 1 24868 1
13. Karanganyar 12 1 30722 2
14. Sragen 10 1 22906 1
15. Grobogan 7 1 33496 2
16. Blora 5 1 24058 1
17. Rembang 7 1 15986 1
18. Pati 9 1 30244 2
19. Kudus 20 1 28336 1
20. Jepara 11 1 45521 2
21. Demak 13 1 45290 2
Keterangan:
Kepadatan Penduduk (Berdasarkan SNI 03-1733-2004)
1. Rendah : < 150 jiwa/ha
2. Sedang : 151-200 jiwa/ha
3. Tinggi : 201-400 jiwa/ha
4. Padat : > 400 jiwa/ha
Jumlah Pengangguran Terbuka (Berdasarkan BPS)
1. Rendah : < 30.000 jiwa
2. Tinggi : > 30.000 jiwa
Variabel yang digunakan dalam metode analisis crosstab ini adalah sebagai berikut:
1. Variabel Dependen (Y) : Jumlah pengangguran terbuka
2. Variabel Independen (X) : Kepadatan penduduk (jiwa/ha)
Pada analisis crosstab ini menggunakan data kepadatan penduduk dan data jumlah
pengangguran terbuka per kota dan atau kabupaten di Pulau Jawa pada tahun 2020 yang
bersumber dari Provinsi Jawa Tengah, Jawa Timur, Jawa Barat, Banten, DKI Jakarta,
dan Yogyakarta dalam Angka Tahun 2021 yang kemudian dianalisis lebih lanjut
menggunakan software SPSS.
Cases
Klasifikasi Kepadatan
Penduduk *
119 100.0% 0 0.0% 119 100.0%
Klasifikasi
Pengangguran Terbuka
Berdasarkan output dari tabel diatas dapat diketahui bahwa terdapat 119 data (N)
yang semuanya di proses dalam analisis dengan tingkat validasi sebesar 100%.
sehingga tidak terdapat data missing atau hilang.
• Analisis Crosstabulation
Klasifikasi Kepadatan Penduduk * Klasifikasi Pengangguran Terbuka Crosstabulation
Klasifikasi Pengangguran
Terbuka
% within Klasifikasi
100.0% 95.7% 97.5%
Pengangguran Terbuka
Sedang Count 0 2 2
% within Klasifikasi
0.0% 2.9% 1.7%
Pengangguran Terbuka
Tinggi Count 0 1 1
% within Klasifikasi
0.0% 1.4% 0.8%
Pengangguran Terbuka
% within Klasifikasi
100.0% 100.0% 100.0%
Pengangguran Terbuka
Chi-Square Tests
Asymptotic
Significance (2-
Value df sided)
a. 4 cells (66.7%) have expected count less than 5. The minimum expected count is .42.
• Kesimpulan
Berdasarkan hasil analisis uji crosstab yang telah dilakukan dengan hasil analisis
chi-square tests yang menyatakan bahwa Ho diterima, maka dapat disimpulkan
bahwa tidak terdapat hubungan antara kepadatan penduduk dengan jumlah
pengangguran terbuka di Pulau Jawa.