IMPLEMENTASI ANALISIS KORELASI, REGRESI, DAN CROSSTAB

MENGGUNAKAN SOFTWARE SPSS

Disusun untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan

Dosen Pengampu: 1. Dr. Nur Miladan, S.T., M.T.

2. Erma Fitria Rini, S.T., M.T.
3. Hakimatul Mukaromah. S.T., M.T.

Disusun Oleh:

Fitri Indriani Suroto

I0620037

PROGRAM STUDI PERENCANAAN WILAYAH DAN KOTA

FAKULTAS TEKNIK

UNIVERSITAS SEBELAS MARET

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.

Data yang digunakan untuk melakukan analisis korelasi:

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

I0620037 l MAP 2021 1

 17. Sukomanunggal 52.265 1.934
18. Sawahan 101.989 3.934
19. Tegalsari 50.130 1.568
20. Genteng 29.836 825
21. Tambaksari 113.911 3.712
22. Kenjeran 85.603 3.443
23. Bulak 22.545 862
24. Simokerto 47.547 1.798
25. Semampir 91.387 3.893
26. Pabean Cantian 37.960 1.592
27. Bubutan 49.880 1.634
28. Krembangan 57.724 2.243
29. Asemrowo 22.997 1.254
30. Benowo 33.946 1.209
31. Pakal 28.680 1.169
Sumber: Kota Surabaya dalam Angka Tahun 2021

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:

- Apabila nilai Sig > 0,05, maka data terdistribusi normal

- Apabila nilai Sig < 0,05, maka data tidak terdistribusi dengan normal

I0620037 l MAP 2021 2

 Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Jumlah Penduduk
.149 31 .079 .863 31 .001
Perempuan
Jumlah Kelahiran .157 31 .051 .859 31 .001

a. Lilliefors Significance Correction

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

I0620037 l MAP 2021 3

 • Statistik Uji

Correlations

Jumlah
Penduduk Jumlah
Perempuan Kelahiran

Jumlah Penduduk Pearson

1 .959**
Perempuan Correlation

Sig. (2-tailed) .000

N 31 31
Jumlah Kelahiran Pearson
.959** 1
Correlation

Sig. (2-tailed) .000

N 31 31

**. Correlation is significant at the 0.01 level (2-tailed).

- Berdasarkan tabel output hasil korelasi diketahui bahwa nilai signifikansi

hubungan antara jumlah penduduk perempuan dengan jumlah kelahiran
berdasarkan nilai Sig. (2-tailed) adalah sebesar 0.000 < 0.05 sehingga Ho
ditolak dan terdapat korelasi.
- Berdasarkan nilai korelasi person antara jumlah penduduk perempuan dengan
jumlah kelahiran adalah 0.959 yang berarti memiliki tingkat hubungan korelasi
sangat kuat dengan arah korelasi yang positif atau searah.

• 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.

I0620037 l MAP 2021 4

 B. ANALISIS REGRESI
Analisis regresi merupakan salah satu metode dalam analisis statistika yang
digunakan untuk menguji hubungan (kasualitas) dan memprediksi nilai antara variabel
terikat (Y) dengan satu atau lebih variabel bebas (X). Jika dalam analisis regresi
menggunakan 2 variabel disebut regresi sederhana, sedangkan jika menggunakan lebih
dari 2 variabel disebut regresi berganda.

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.

Data yang digunakan untuk melakukan analisis regresi:

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

I0620037 l MAP 2021 5

 19. Nusa Tenggara Timur 112 888 263
20. Kalimantan Barat 34 2 528 200
21. Kalimantan Tengah 18 1 349 193
22. Kalimantan Selatan 110 2 579 832
23. Kalimantan Timur 29 3 009 663
24. Kalimantan Utara 10 337 312
25. Sulawesi Utara 181 912 397
26. Sulawesi Tengah 49 1 141 577
27. Sulawesi Selatan 189 4 118 741
28. Sulawesi Tenggara 71 892 333
29. Gorontalo 107 418 865
30. Sulawesi Barat 82 334 252
31. Maluku 38 297 236
32. Maluku Utara 39 267 340
33. Papua Barat 9 333 493
34. Papua 11 419 961
Sumber: BPS, 2019

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

I0620037 l MAP 2021 6

 Model Summaryb

Adjusted R Std. Error of Durbin-

Model R R Square Square the Estimate Watson

1 .569a .324 .303 4786630.679 1.740

a. Predictors: (Constant), Kepadatan Penduduk

b. Dependent Variable: Jumlah Kendaraan

Melalui tabel Model Summary diatas, dapat diketahui bahwa:

- Koefisien Determinasi (R²), kurang dari mendekati 1, hal ini menyatakan
bahwa nilai observasi (sampel) memiliki tingkat kesesuaian model yang
kurang tinggi dalam artian model kurang mencakup keseluruhan variabilitas.
- Adjusted R², kurang dari mendekati 1, hal ini berarti kesesuaian model
regresi dalam menjelaskan keseluruhan populasi (bukan hanya sampel)
kurang tinggi. Hal ini menjelaskan bahwa model ini hanya mampu
menjelaskan 32,4% variasi dari kepadatan penduduk sedangkan sisanya
sebesar 67,6% dijelaskan oleh variabel lain yang tidak ada didalam model.
- Koefisien Korelasi (r), mendekati 1, menunjukan bahwa terdapat hubungan
yang tinggi antara variabel terikat dengan variabel bebasnya.
- Nilai D-W, mendekati atau berada di sekitar 2, hal ini menunjukkan bahwa
residual/error bersifat acak atau random.

• 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)

I0620037 l MAP 2021 7

 ANOVAa

Sum of Mean
Model Squares df Square F Sig.

1 Regression 3519072308 3519072308

1 15.359 .000b
93495.500 93495.500

Residual 7331786641 2291183325

32
15396.500 3606.140

Total 1085085895
33
008892.000

a. Dependent Variable: Jumlah Kendaraan

b. Predictors: (Constant), Kepadatan Penduduk

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.

• Analisis Tabel Korelasi

Correlations

Jumlah Kepadatan
Kendaraan Penduduk

Pearson Correlation Jumlah Kendaraan 1.000 .569

Kepadatan Penduduk .569 1.000

Sig. (1-tailed) Jumlah Kendaraan . .000
Kepadatan Penduduk .000 .
N Jumlah Kendaraan 34 34

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.

I0620037 l MAP 2021 8

 • Analisis Tabel Koefisien
Coefficientsa

Standard
ized
Unstandardized Coefficie Collinearity
Coefficients nts Statistics

Std. Tolera
Model B Error Beta t Sig. nce VIF

1 (Constant) 304107 852043.

3.569 .001
6.279 664

Kepadatan 1205.55
307.611 .569 3.919 .000 1.000 1.000
Penduduk 2

a. Dependent Variable: Jumlah Kendaraan

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.

I0620037 l MAP 2021 9

 C. ANALISIS CROSSTAB
Pada dasarnya analisis crosstab merupakan metode yang mudah dipahami dengan
menyilangkan 2 variabel dalam satu tabel. Analisis crosstab bercirikan dengan adanya
dua atau lebih variabel yang memiliki hubungan secara deskriptif dan penyajian
datanya berupa kualitatif dalam bentuk tabulasi berupa baris dan kolom.

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.

Data yang digunakan untuk melakukan analisis crosstab:

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

I0620037 l MAP 2021 10

 22. Semarang 11 1 28716 1
23. Temanggung 9 1 13756 1
24. Kendal 9 1 40314 2
25. Batang 10 1 28835 1
26. Pekalongan 12 1 33509 2
27. Pemalang 13 1 48784 2
28. Tegal 18 1 70246 2
29. Brebes 10 1 89494 2
30. Magelang 76 1 5699 1
31. Surakarta 114 1 22877 1
32. Salatiga 34 1 8203 1
33. Semarang 44 1 98001 2
34. Pekalongan 68 1 11041 1
35. Tegal 69 1 10469 1
36. Pacitan 4 1 8339 1
37. Ponorogo 7 1 22869 1
38. Trenggalek 7 1 17632 1
39. Tulungagung 10 1 27951 1
40. Blitar 9 1 25134 1
41. Kediri 12 1 46061 2
42. Malang 8 1 81532 2
43. Lumajang 6 1 18747 1
44. Jember 8 1 67448 2
45. Banyuwangi 3 1 49252 2
46. Bondowoso 5 1 19473 1
47. Situbondo 4 1 15722 1
48. Probolinggo 7 1 32750 2
49. Pasuruan 11 1 54181 2
50. Sidoarjo 33 1 131444 2
51. Mojokerto 16 1 35701 2
52. Jombang 12 1 52169 2
53. Nganjuk 9 1 26523 1
54. Madiun 7 1 19039 1
55. Magetan 10 1 14283 1
56. Ngawi 7 1 26936 1
57. Bojonegoro 6 1 37012 2
58. Tuban 7 1 32603 2
59. Lamongan 8 1 34984 2
60. Gresik 11 1 56261 2
61. Bangkalan 11 1 43859 2
62. Sampang 8 1 17230 1
63. Pamekasan 11 1 16772 1
64. Sumenep 6 1 18952 1
65. Kediri 46 1 9461 1
66. Blitar 46 1 5244 1

I0620037 l MAP 2021 11

 67. Malang 58 1 45242 2
68. Probolinggo 42 1 8572 1
69. Pasuruan 59 1 6867 1
70. Mojokerto 66 1 4712 1
71. Madiun 58 1 8195 1
72. Surabaya 82 1 154896 2
73. Batu 16 1 7097 1
74. Pandeglang 5 1 48470 2
75. Lebak 4 1 63527 2
76. Tangerang 32 1 239788 2
77. Serang 9 1 85538 2
78. Tangerang 123 1 97344 2
79. Cilegon 25 1 25976 1
80. Serang 26 1 29846 1
Tangerang
81. 92 1 70572 2
Selatan
82. Bogor 20 1 390731 2
83. Sukabumi 7 1 110098 2
84. Cianjur 6 1 131016 2
85. Bandung 21 1 147402 2
86. Garut 8 1 103607 2
87. Tasikmalaya 7 1 67290 2
88. Ciamis 9 1 38425 2
89. Kuningan 11 1 58513 2
90. Cirebon 23 1 122145 2
91. Majalengka 11 1 38798 2
92. Sumedang 8 1 63062 2
93. Indramayu 9 1 86661 2
94. Subang 8 1 78183 2
95. Purwakarta 12 1 47885 2
96. Karawang 15 1 133898 2
97. Bekasi 25 1 212435 2
98. Bandung Barat 14 1 91557 2
99. Pangandaran 4 1 12476 1
100. Bogor 88 1 65203 2
101. Sukabumi 72 1 16995 1
102. Bandung 146 1 147081 2
103. Cirebon 89 1 17166 1
104. Bekasi 123 1 161311 2
105. Depok 103 1 118032 2
106. Cimahi 145 1 39055 2
107. Tasikmalaya 42 1 27441 1
108. Banjar 18 1 6610 1
109. Kep. Seribu 27 1 794 1
110. Jakarta Selatan 144 1 122390 2

I0620037 l MAP 2021 12

 111. Jakarta Timur 166 2 128739 2
112. Jakarta Pusat 202 3 50444 2
113. Jakarta Barat 196 2 160554 2
114. Jakarta Utara 127 1 109859 2
115. Kulon Progo 7 1 10005 1
116. Bantul 19 1 24783 1
117. Gunungkidul 5 1 8591 1
118. Sleman 2 1 35843 2
119. Yogyakarta 115 1 22624 1
Sumber: Provinsi Jawa Tengah, Jawa Timur, Jawa Barat, Banten, DKI Jakarta, dan
Yogyakarta dalam Angka Tahun 2021

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.

I0620037 l MAP 2021 13

 INTERPRETASI

• Analisis Case Processing Summary

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

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

Rendah Tinggi Total

Klasifikasi Kepadatan Rendah Count 50 66 116

Penduduk Expected Count 48.7 67.3 116.0

% within Klasifikasi
100.0% 95.7% 97.5%
Pengangguran Terbuka

Sedang Count 0 2 2

Expected Count .8 1.2 2.0

% within Klasifikasi
0.0% 2.9% 1.7%
Pengangguran Terbuka

Tinggi Count 0 1 1

Expected Count .4 .6 1.0

% within Klasifikasi
0.0% 1.4% 0.8%
Pengangguran Terbuka

Total Count 50 69 119

Expected Count 50.0 69.0 119.0

% within Klasifikasi
100.0% 100.0% 100.0%
Pengangguran Terbuka

I0620037 l MAP 2021 14

 Berdasarkan output dari tabel analisis crosstab diatas, dapat diketahui bahwa
terdapat 50 kota/kabupaten dengan klasifikasi kepadatan penduduk rendah dan
klasifikasi pengangguran terbuka rendah, 66 kota/kabupaten dengan klasifikasi
kepadatan penduduk rendah dan klasifikasi pengangguran terbuka tinggi, 2
kota/kabupaten dengan klasifikasi penduduk sedang dan klasifikasi pengangguran
terbuka tinggi, 1 kota/kabupaten dengan klasifikasi penduduk tinggi dan klasifikasi
pengangguran terbuka tinggi. Dengan total data sebesar 119 dan persentase 100%.

• Analisis Chi Square

Rumusan Hipotesis Penilaian:
- Ho: Tidak ada hubungan antara kepadatan penduduk dengan jumlah
pengangguran terbuka di Pulau Jawa
- Ha: Terdapat hubungan antara kepadatan penduduk dengan jumlah
pengangguran terbuka di Pulau Jawa
Pengambilan Keputusan:
Opsi 1
- Jika Nilai Asymp sig (2-sided) > 0.05 → Ho diterima
- Jika Nilai Asymp sig (2-sided) < 0.05 → Ha diterima
Opsi 2
- Jika X² hitung > X² tabel → Ho ditolak
- Jika X² hitung < X² tabel → Ho diterima
(X² tabel dapat dilihat pada tabel chi-square)

Chi-Square Tests

Asymptotic
Significance (2-
Value df sided)

Pearson Chi-Square 2.230a 2 .328

Likelihood Ratio 3.326 2 .190
Linear-by-Linear Association 1.960 1 .162
N of Valid Cases 119

a. 4 cells (66.7%) have expected count less than 5. The minimum expected count is .42.

Berdasarkan output analisis chi-square tests diatas dapat diketahui bahwa:

- Berdasarkan ketentuan angka signifikansi: nilai signifikansi sebesar 0.328 >
0.05, maka Ho diterima.

I0620037 l MAP 2021 15

 - Berdasarkan ketentuan angka chi-square (X²): X² hitung sebesar 2.230 < 5.99,
maka Ho diterima.

• 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.

I0620037 l MAP 2021 16