MODUL METODE KUANTITATIF

KORELASI DAN REGRESI

Dosen Pengampuh :
Dr. Hendry Wijaya, SE., M.Si.

Disusun Oleh :
Begin Saputra
(221224097)

Sumber Modul :
Irmanda Syahrani (academia.edu)

PROGRAM STUDI ILMU EKONOMI

SEKOLAH TINGGI ILMU EKONOMI SEKAYU
TAHUN AJARAN 2022/2023
 BAB I
PENDAHULUAN

4.2.1.3.1.1 Latar Belakang

Dalam suatu penelitian, terkadang diperlukan analisis mengenai hubungan antara beberapa
variabel penelitian. Analisis yang dilakukan untuk meneliti variabel-variabel penelitian dapat
dilakukan dengan bantuan statistik. Salah satu cara untuk menganalisis variabel penelitian adalah
dengan menggunakan teknik analisis korelasi dan regresi linear. Karena pentingnya pemahaman dan
pengaplikasian teknik analisis korelasi dan regresi linear, maka dalam praktikum Statistik Industri ini
juga dipelajari dan dilakukan analisis korelasi dan regresi untuk mengetahui hubungan antar variabel
pada studi kasus yang akan dianalisa agar nantinya praktikan dapat menguasai teknik ini dan dapat
memanfaatkan sebagai salah satu teknik analisa hubungan.

4.2.1.3.1.2 Batasan Praktikum

Adapun batasan dalam praktikum analisis korelasi dan regresi adalah sebagai berikut:
1. Data yang diambil merupakan data sekunder.
2. Jumlah data yang digunakan untuk pengolahan regresi sebanyak 30 sampel.

4.2.1.3.1.3 Asumsi Praktikum

Adapun asumsi praktikum analisis korelasi dan regresi adalah nilai α sebesar 0,05.

4.2.1.3.1.4 Tujuan Praktikum

Tujuan dari praktikum analisis korelasi dan regresi ini adalah sebagai berikut:
1. Mengetahuikonsep dan perhitungan secara manual maupun software tentang regresi linear
sederhana berdasarkan studi kasus.
2. Mengetahui konsep dan perhitungan secara manual maupun software tentang regresi linear
berganda berdasarkan studi kasus.
3. Mengetahui konsep dan perhitungan secara manual maupun software tentang korelasi
berdasarkan studi kasus.

4.2.1.3.1.5 Manfaat Praktikum

Manfaat yang diperoleh dari Statistik Parametrik ini adalah sebagai berikut:
1. Praktikan mampu mengetahui konsep dan perhitungan secara manual maupun software
tentang regresi sederhana berdasarkan studi kasus.
2. Praktikan mampu mengetahui konsep dan perhitungan secara manual maupun software
tentang regresi berganda berdasarkan studi kasus.
3. Praktikan mampu mengetahui konsep dan perhitungan secara manual maupun software
tentang korelasi berdasarkan studi kasus.
 BAB II
TINJAUAN PUSTAKA

2.1 Korelasi
Korelasi merupakan salah satu teknik yang dgunakan untuk mengukur kekuatan hubungan
antara dua variabel yang sifatnya kuantitatif (Walpole, 2012:252). Analisis korelasi bertujuan untuk
mengukur seberapa kuat atau derajat kedekatan suatu relasi yang terjadi antar variabel. (Harinaldi,
2005;206)

4.2.1.3.1.6 Macam-macam Korelasi

Menurut Walpole (2012:453), macam-macam korelasi ada dua, yaitu :
1. Korelasi Sederhana
Korelasi sederhana digunakan untuk mengetahui keeratan hubungan antara dua variabel dan
untuk mengetahui arah hubungan yang terjadi. Koefisisen korelasi sederhana menunjukan seberapa
besar hubungan yang terjadi antara dua variabel.
2. Korelasi Parsial
Korelasi parsial adalah pengukuran hubungan antara dua variabel dimana variabel lainnya
dianggap dikendalikan atau dibuat tetap (sebagai variabel kontrol). Melalui koefisien korelasi dapat
diketahui arah hubungan dua variabel acak. Arah hubungan antara dua variabel ( direction of
corellation) dapat dibedakan menjadi tiga macam sebagai berikut.
a. Direct correlation (positive correlation)
Dikatakan berkorelasi positif jika titik-titik pada scatter plot menggerombol mengikuti sebuah garis
lurus dengan kemiringan positif (dari kiri bawah ke kanan atas).
b. Inverse correlation (negative correlation)
Dikatakan berkorelasi negatif jika titik-titik pada scatter plot menggerombol mengikuti sebuah garis
lurus dengan kemiringan negatif (dari kiri atas ke kanan bawah).
c. Korelasi Nihil (Tidak Berkorelasi)
Dikatakan tidak berkorelasi jika titik-titik mengikuti suatu pola acak dengan kata lain tidak ada pola.

4.2.1.3.1.7 Koefisien Korelasi

Koefisien korelasi merupakan indeks atau bilangan yang digunakan untuk mengukur keeratan
(Kuat, lemah, atau tidak ada) hubungan antar variabel (Hasan, 2001:233). Koefisien korelasi (r)
mempunyai nilai akar dari koefisien determinasi dan dirumuskan:
r = ± √R (2-1)
 Sumber : Harinaldi(2005:220)
r = Koefisien korelasi R = Koefisisen determinasi
Tanda r mengikuti tanda kontanta b persamaan regresi (r positif jika b positif dan r negatif jika b
negatif). Dengan demikian r berkisar antara -1 sampai +1.

4.2.1.3.1.8 Jenis-jenis Koefisien Korelasi

Jenis-jenis koefisien korelasi yang sering digunakan adalah koefisien korelasi pearson, koefisien
korelasi rank spearman, koefisien korelasi bersyarat (Kontingensi), dan koefisien penentu (KP) atau
koefisien determinasi (R).
1. Koefisien Korelasi Pearson
Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel yang
datanya berbentuk data interval dan rasio. Disimbolkan r dan dirumuskan sebagai berikut.
n ∑ XY −(∑ X)(∑Y ) (2-2)
r=
√ ¿¿ ¿
Sumber : Hasan (2001:234)
Keterangan :
r = koefisien korelasi Y = skor variabel Y
X = skor variabel X n = besar sampel/banyaknya responden
Nilai dari koefisien korelasi (r) terletak antara -1 dan +1 (-1≤ r ≤ +1).
2. Koefisien Korelasi Rank Spearman
Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel yang
datanya berbentuk data ordinal (data bertingkat). Disimbolkan dengan r s dan dirumuskan sebagai
berikut.

6 ∑ D2
r s=1 – (2-3)
n3−n
Sumber : Hasan (2001:235)
Keterangan :
d = selisih rangking X dan Y n= banyaknya pasangan data rs = koefisien korelasi
3. Koefisien Korelasi Bersyarat
Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel yang
datanya berbentuk data nominal (data kaulitatif). Disimbolkan dengan C dan dirumuskan sebagai
berikut.

C=
√ X2
2
X +n
Sumber : Hasan (2001:236)
(2-4)
Keterangan:
X2 = kai kuadrat c = koefisien korelasi n = jumlah semua frekkuensi
4. Koefisien Penentu (KP) atau Koefisien Determinasi (R)
Apabila koefisien korelasi dikuadratkan, akan menjadi koefisien penentu (KP) atau koefisisen
determinasi, artinya penyebab perubahan pada variabel Y yang datang dari variabel X sebesar
kuadrat koefisien korelasinya. Koefisien penentu ini menjelaskan besarnya pengaruh nilai suatu
variabel (variabel X) terhadap naik/turunya (variasi) nilai variabel lainnya (variabel Y). Dirumuskan
sebagai berikut.
KP = R = KK2 x 100 % (2-5)
Sumber : Hasan (2001:236)
Keterangan :
KP= koefisien penentu R = koefisien determinasi KK2 = kuadrat koefisien korelasi
Nilai koefisien penentu ini terletak antara 0 dan +1 (0 ≤ KP ≤ +1). Jika koefisien korelasinya adalah
koefisien korelasi Pearson (r), maka koefisien penentunya adalah :
KP = R = r2 x 100 % (2-6)
Sumber : Hasan (2001:236)
Keterangan :
KP= koefisien penentu R = koefisien determinasi r2 = kuadrat koefisien korelasi pearson
Dalam bentuk rumus, koefisien penentu (KP) dituliskan:
( n ) (∑ XY )−(∑ X )(∑Y ) (2-7)
KP= ¿¿
Sumber : Hasan (2001:237)

4.2.1.3.1.9 Intepretasi Koefisien Korelasi

Penafsiran hasil analisis korelasi dilakukan dengan beberapa tahapan, antara lain :
1. Melihat kekuatan hubungan dua variabel
Untuk melakukan interpretasi kekuatan hubungan antara dua variabel dilakukan dengan
melihat angka koefisien korelasi hasil perhitungan dengan menggunakan kriteria sebagai berikut :
a. Jika R = 0, maka kedua variabel tidak mempunyai hubungan.
b. Jika R mendekati 1, maka kedua variabel mempunyai hubungan semakin kuat.
c. Jika R mendekati 0, maka kedua variabel mempunyai hubungan semakin lemah.
d. Jika R = 1, maka kedua variabel mempunyai hubungan linear sempurna postif.
e. Jika R = -1, maka kedua variabel mempunyai hubungan linear sempurna negatif.
2. Melihat berpengaruh hubungan
 Untuk melihat berpengaruhi hubungan dua variabel, didasarkan pada angka berpengaruh yang
dihasilkan dari perhitungan dengan ketentuan di atas, interpretasi ini akan membuktikan apakah
hubungan kedua variabel tersebut berpengaruh atau tidak. Untuk pengujian dalam SPSS digunakan
kriteria sebagai berikut :
a. Jika sig < 0,05, maka hubungan kedua variabel berpengaruh.
b. Jika sig > 0,05, maka hubungan kedua variabel tidak berpengaruh.
3. Melihat arah hubungan
Dalam korelasi ada dua rah korelasi, yaitu searah dan tidak searah. Pada SPSS hal ini ditandai
dengan pesantwo tailed. Arah korelasi dilihat dari angka koefisien korelasi. Jika koefisien korelasi
positif, maka hubungan kedua variabel searah. Searah artinya jika variabel X nilainya tinggi, maka
variabel Y juga tinggi. Jika koefisien korelasi negatif, maka hubungan kedua variabel tidak searah.
Tidak searah artinya jika variabel x nilainya tinggi, maka variabel Y akan rendah.
Tabel 2.1 Interpretasi koefisien korelasi
Interval Koefisien Korelasi Tingkat Hubungan
0 Tidak ada korelasi
0< KK < 0,20 Korelasi sangat rendah, lemah sekali
0,20 < KK < 0,40 Korelasi rendah, lemah tapi pasti
0 ,40< KK < 0,70 Korelasi cukup berarti
0,70 < KK < 0,90 Korelasi tinggi, kuat
0,90< KK <1,00 Korelasi sangat tinggi, kuat sekali
1 Korelasi sempurna
Sumber: Hasan (2001:234)

2.2 Regresi
Regresi adalah metode untuk menentukan hubungan satu variabel terikat dengan satu atau dua
variabel bebas dalam cara non parametrik. Tujuan utama dalam penggunaan analisis ini adalah
untuk meramalkan atau menduga nilai dari suatu variabel dalam hubungannya dengan variabel yang
lain yang diketahui melalui persamaan garis regresinya. Persamaan regresi juga dapat digunakan
untuk pengoptimalan suatu proses, seperti mencari tingkat maksimal dalam suatu proses
(Montgomery, 2011:402)

2.2.1 Asumsi Regresi

Dalam penggunaan regresi, terdapat beberapa asumsi dasar (Hasan, 2001;280). Asumsi-asumsi
dasar itu dikenal sebagai asumsi klasik, yaitu sebagai berikut:
1. Homoskedatisitas, berarti varians dari variabel bebas itu sama/konstan untuk setiap nilai
tertentu dari variabel bebas lainnya atau variasi residu sama disemua pengamatan.
2. Nonautokorelasi, berarti tidak adapengaruh dari variabel dalam modelnya melalui selang waktu
observasi.
3. Nonmultikolinearitas, berarti antara variabel bebas yang satu dengan variabel bebas lainnya
dalam model regresi tidak terjadi hubungan yang mendekati sempurna atau sempurna.
4. Normalitas, model regresi yang baik di tandai dengan nilai residual yang random. Sesuatu yang
random, biasanya ditandai dengan distribusi yang nornal, dengan demikian, model regresi yang
baik, ditandai dengan nilai error term (residual) yang berdistribusi normal.
5. Linearitas, analisis regresi juga memiliki asumsi linearitas. Linearitas berarti ada hubungan garis
lurus antara variabel bebas dan variabel terikat. Asusmsi ini penting karena analisis regresi
hanya tes untuk hubungan linear antara variabel bebas dan variabel terikat.

2.2.2 Regresi Linear

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu
atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut
varibel bebas. Variabel yang dipengaruhi sering disebut dengan variabel terikat. Regresi linear dapat
dibedakan menjadi dua macam, yaitu regresi linear sederhana dan regresi kinera berganda.

2.2.2.1 Regresi Linear Sederhana

Regresi linear sederhan adalah persamaan regresi dimana hubungan varabel bebas X (satu
variabel independen) dan variabel terikat Y berbentuk garis lurus (Montgomery, 2011;424). Berikut
merupakan bentuk persamaan dari regresi linear sederhana:
n
b i=n ∑ X i Y i−¿ ¿ ¿ ¿, b 0=Y −b1 X (2-8)
i=1

Sumber : Walpole (2011:396)

Sehingga persamaan regresi linear sederhana adalah :
Y^ =b0 +b1 X (2-9)

Sumber : Walpole (2011:392)

Dengan analisis Determinasi R
R2 = r2 x 100 %, dimana r = koefisien korelasi
Kesalahan baku regresinya adalah :

S yx =
√ ∑ r 2 −a ∑ X −b ∑ XY
n−2
(2-10)
 Sumber : Walpole (2011:112)

Sa =
√ ∑ X 2−S yx ¿
n ∑ X −¿ ¿ ¿
2

Sumber : Walpole (2011:112)

Sb =
√∑n
S yx
X 2 −¿ ¿ ¿ ¿
¿ (2-11)

Dimana,
Y^ = Variabel terikat b0 = penduga bagi intercept (α)

X = Variabel bebas b1 = penduga bagi koefisien regresi ( β )

2.2.2.2 Regresi Linear Berganda

Regresi liniear berganda adalah persamaan regresi dimana variabel terikatnya (Y) dihubungkan
oleh lebih dari satu variabel bebas (X1, X2, X3, ...., Xn) namun masih menunjukan diagram hubungan
yang linear (Montgomery, 2011;468). Bentuk umumpersamaan regresi linear berganda dapat
dituliskan sebagai berikut :
Y^ =a+b1 X 1 +b 2 X 2 +…+ bk X k (2-12)

Sumber : Hasan (2001:254)

(∑ X 22 ) ( ∑ X 1 y ) −( ∑ X 1 X 2 )(X 2 y )
b 1=
(∑ X 21)(∑ X 22 )−¿ ¿
(∑ X 21 ) (∑ X 2 y ) −(∑ X 1 X 2 ) (X 1 y ) (2-13)
b 2=
( ∑ X 21)(∑ X 22 )−¿ ¿
Sumber : Kuswanto (2012)
Dimana,
Y^ =variabel terikat a = penduga bafi intercept (α)

b1, b2, b3, ...., bk = koefisien regresi X1, X2, X3, ...., Xk = variabel bebas
Koefisien korelasi antara X1 dan X2 (r12)
n ∑ X 1 X 1− ∑ X 1 ∑ X 2 (2-14)
r 12=
√¿ ¿ ¿
Sumber : Sugiono (2008:248)
Koefisien korelasi antara X1 dan Y (ry,1)
n ∑ X 1 y−∑ X 1 ∑ y (2-15)
ry , 1=
√¿ ¿ ¿
Sumber : Sugiono (2008:248
Koefisien korelasi antara X2 dan Y (ry,2)
n ∑ X 2 y−∑ X 2 ∑ y (2-16)
ry , 2=
√¿ ¿ ¿
 Sumber : Sugiono (2008:248)
Koefisien korelasi berganda (R)

b 1 ( ∑ X 1 y ) −(∑ X 2 y)
R= (2-17)
∑ y 2−n( y 2)
Sumber : Sugiono (2008:248)
Koefisien determinasi (R2)
Standard Error of Estimate

S yx =√ ∑ y 2−¿ ¿ ¿ ¿ (2-18)

Sumber : Nazir (2003:464)

Kesalahan baku untuk koefisien regresi b1 dan b1 :
S yx S yx
Sb 1 = Sb 2 = (2-19)
√ (∑ x −n x )(1−ry ,1 )
2
1
2
1
2
√ (∑ x −n x 22 )(1−ry ,12 )
2
2

Sumber : Nazir (2003:464)

Keterangan :
n = jumlah data ∑x1x2 = jumalah perkalian antara variebel bebas
m = k +1 ∑x = jumlah variabel bebas
k = jumlah variabel bebas ∑y = jumlah variabel terikat
b = koefisien variabel bebas X =¿rata-rata variabel bebas
Y =¿rata-rata variabel terikat

2.2.2 Kriteria Staitistik Regresi

Menurut walpole (2011:483), kriteria statistik regresi terdiri dari tiga macam, yaitu :
1. Uji t
Tujuan dari uji t adalah untuk menguji koefisien regresi secara individual.
r √ n−2
Rumus : t = (2-20)
√ 1−r 2
Sumber : Sugiono (2008:250)
Keterangan :
r = Koefisien korelasi n = jumlah data
2. Uji F
Tabel F digunakan untuk mengetahui pengaruh variabel bebas secara bersama-sama terhadap
variabel terikat.
Rumus :
JKT = ∑y2 = ∑Y2 = nY 2 (2-21)
 JKR = b1(∑x1y)+b2(∑x2y) (2-22)
JKE = JKT – JKR (2-23)
Sumber : Nugroho (2007:143)
Keterangan :
JKT = jumlah kuadrat total regresi dan error JKR = jumlah kuadrat dari regresi
JKE = jumlah kuadrat dari error n = jumlah data
K = jumlah variabel bebas
Tabel 2.2 Tabel Anova Regresi Linear Berganda
Sumber Variasi Jumlah Kuadrat Df Rata-rata F hitung
Kuadrat
JKR
Regresi JKR (k-1) RKR=
k−1
RKR
JKE
Error JKE k(n-1) RKE= RKE
k (n−1)
Total JKT (nk-1)
Sumber : Nugroho (2007:143)
3. R2
R square (R2) merupakan proporsi variabilitas dalam suatu data yang dihitung didasarkan pada
model statistik.

2.2.3 Macam-macam Penyimpangan Asumsi Regresi

Penyimpangan yang mungkin terjadi pada regresi adalah sebagai berikut (Walpole:517).

2.2.3.1 Autukorelasi
Autokorelasi adalah hubungan yang terjadi antara residual dari pengamatan dengan
pengamatan yang lain (Duwi, 2012:93). Untuk mendeteksi ada atau tidaknya autokorelasi, maka nilai
Durbin-Watson (DW) akan dibandingkan dengan DW tabel. Kriterianya adalah :

Gambar 2.1 Penyimpangan autokorelasi

Sumber: Lind (2007:259)
Statistik Durbin-Watson digunakan untuk mendeteksi autokorelasi. Statistik Durbin-Watson memiliki
rumus sebagai berikut :
 ∑ (e n−e n−1)
2

d= (2-24)
∑ e 2n
Sumber : Hasan (2002)
Dimana :
en = residual tahun n en-1 = residual satu tahun sebelumnnya (n-1)
Setelah mendapatkan nilai d dari perhitungan rumus tersebut, nilai d dibandingkan dengan
nilai-nilai kritis dari dL dan dU dari tabel statistik Durbin-Watson.
Tabel 2.3 Klasifikasi Nilai d
Nilai dW Keterngan
dW < dL Ada autokorelasi
dL<dW < dU Tidak ada kesimpulan
dU< dW <(4-dU) Tidak ada autokorelasi
(4-dU) Tidak ada kesimpulan
dW >(4-dL) Ada autokorelasi
Sumber : Gurajati (2003:467)

2.2.4.1 Heteroskedatisitas
Heteroskedatisitas adalah varian residual yang tidak sama pada semua pengamatan di dalam
moedel regresi (Duwi, 2012:93). Pengambilan keputusannya, yaitu :
1. Pada scatter plot jika ada pola tertentu, seperti titik-titik yang membentuk suatu pola tertentu
yang teratur 9 bergelombang, melebar kemudian meyempit, maka terjadi heteroskedatisitas.
2. Pada scatter plotdata menyebar pada empat kuadran sehingga data bersifat homogen dan tidak
terjadi penyimpangan heteroskedatisitas.

2.2.4.2 Multikolinearitas
Multikolinearitas adalah keadaan dimana ada hubungan linear secara sempurna atau
mendekati sempurna antara variabel independen dalam model regresi (Duwi, 2012:93). Model
regresi yang baik adalah yang terbebas dari multikolinearitas. Variabel yang menyebabkan
multikolinearitas dapat dilihat dari nilai tolerance< 0,1 atau niali VIF > 10 (Hair et al. 1992)
1
VIF= 2 (2-25)
Rj
Sumber : Lind (2007:144)
Dimana :
2
R j= koefisien determinasi
 BAB III
METODOLOGI PRAKTIKUM

3.1 Diagram Alir Praktikum

Berikut merupakan diagram alir dari praktikum analisis korelasi dan regresi.

Gambar 3.1 Diagram Alir Praktikum

3.2 Prosedur Praktikum

Adapun prosedur yang harus dilakukan, yaitu:
1. Mengidentifikasi masalah dari objek penelitian.
2. Melakukan studi kepustakaan.
3. Melakukan pengumpulan data regresi linear sederhana dan regresi, linear berganda.
4. Melakuakn pengujian asumsi regresi, meliputi normalitas , homogenitas dan linearitas.
5. Melakukan pengujian penyimpangan asumsi regresi, meliputi autokorelasi,
multikolinearitas dan heteroskedatisitas.
6. Melakukan pengolahan data, secara manual dan dengan bantuan software SPSS 20.
7. Melakukan analisis dan intepretasi hasil pengujian kolerasi dan regresi.
8. Membuat kesimpulan dan saran.

BAB IV
HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data

Berikut ini adalah pengumpulan data untuk regresi linear sederhana dan regresi berganda.

4.1.1 Regresi Linear Sederhana

Berikut ini adalah pengumpulan data untuk regresi linear sederhana yaitu pengaruh jumlah
tenaga kesehatan terhadap jumlah puskesmas.
Tabel 4.1 Data regresi linear sederhana
Jumlah tenaga
No Jumlah Puskesmas
kesehatan
1 908 39
2 353 22
3 874 35
4 716 27
5 576 23
6 787 29
7 696 29
8 883 45
9 758 12
10 938 34
11 795 21
12 758 25
13 409 26
14 676 16
15 581 19
16 592 21
17 717 26
18 584 26
19 557 24
20 507 30
21 543 21
 22 876 26
23 682 22
24 756 29
25 150 5
26 367 17
27 206 6
28 802 37
29 233 12
30 199 4
Sumber : Data dasar puskesmas(Desember 2011:102)

4.1.2 Regresi Linear Berganda

Berikut ini adalah pengumpulan data untuk regresi linear berganda yaitu pengaruh jumlah lahan
dan banyak usaha terhadap perkembangan produksi.
Tabel 4.2 Data regresi linear berganda
Perkembangan Jumlah Banyak Perkembangan Jumlah Banyak
No No
Produksi Lahan Usaha Produksi Lahan Usaha
1 1847725 9881,29 164 16 2111756 12412,50 131
2 2445952 9378,20 151 17 566973 24502,28 222
3 465821 25817,49 270 18 640599 13090,61 86
4 664332 24193,80 114 19 284368 10572,91 53
5 3417840 18928,78 129 20 1036870 16443,95 204
6 594518 17230,03 117 21 4595450 10887,36 118

Tabel 4.2 Data regresi linear berganda (lanjutan)

Perkembangan Jumlah Banyak Perkembangan Jumlah Banyak
No No
Produksi Lahan Usaha Produksi Lahan Usaha
7 3149984 10501,31 151 22 427437 13882,82 23
8 1923042 5198,50 91 23 582104 15568,83 207
9 10146860 3486,02 392 24 101265 8618,59 76
10 881546 2448,94 50 25 67011 17090,52 38
11 862626 4687,57 71 26 147498 4313,25 64
12 2061624 6393,77 145 27 28559 6751,14 70
 13 654278 8844,88 127 28 1371 8370,49 47
14 1571127 25962,56 93 29 26575 17218,88 55
15 774355 30202,03 200 30 12451 1524,46 36
Sumber : IP_Semester_2013.pdf(2013:102), Data_Strategis_2013.pdf(2013:66), dan www.bps.go.id

4.2 Pengolahan Data

Data yang didapatkan kemudian diolah menggunakan SPSS dan pengolahan manual yang terdiri
dari pengujian asumsi regresi dan pengujian regresi linear.

4.2.1 Regresi Linear Sederhana

Berikut ini adalah pengolahan data regresi sederhana.

4.2.1.1 Pengujian Asumsi Regresi

Berikut adalah pengujian-pengujian asumsi regresi.

4.2.1.3.1.10 Pengujian Kenormalan Data

Salah satu asumsi praktikum analisis korelasi dan regresi adalah data berdistribusi normal. Uji
kenormalan yang digunakan adalah dengan metode statistik One Sample Kolmogorov-Smirnov. Uji
kenormalan pada regresi dilakukan dengan cara menguji residualnya. Berikut merupakan langkah-
langkah SPSS untuk mengetahui kenormalan data dari nilai residual.
1. Buka SPSS 20.
2. Munculkan nilai residual dari data.
3. Melakukan uji kenormalan data dengan klik analyze – Statistic Descriptive – Explore - Masukan
nilai residual di dalam Dependent– Plot - Centang Normality with test - ok
4. Masukan RES_1 pada test variable list. Centang normal pada test distribution.
5. Lalu klik OK. Maka akan muncul output kenormalan.
Tabel 4.3 Output uji kenormalan regresi linear berganda
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic Df Sig. Statistic df Sig.
Unstandardized Residual .077 30 .200* .981 30 .851
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
H0 = Residual data berdistribusi normal
H1 = Residual data tidak berdistribusi normal
H0 akan diterima jika nilai sig. ≥ α(0,05) Berdasarkan tabel diatas memiliki nilai sig ≥ 0,05, yaitu
sebesar 0,200 sehingga H0 diterima dan dapat disimpulkan bahwa residual data berdistribusi normal.

4.2.1.3.1.11 Pengujian Homogenitas Varian

Pengujian homogenitas varians dalam laporan ini dilakukan dengan melihat persebaran data
yang dilihat dari scatter plot. Berikut adalah scatter plot regresi linear sederhana.

Gambar 4.1 Output scatter data regresi linear sederhana

Pada gambar scatter plot data menyebar pada empat kuadran dan tidak membentuk suatu pola
yang teratur, maka dapat disimpulkan varians data tersebut homogen.

4.2.1.3.1.12 Pengujian Linearitas Data

Pengujian linearitas data dilakukan dengan melihat pola data pada output Normal P-Plot of
Regression Standarized Plot. Berikut adalah plots data.
 Gambar 4.2 uji normal p-plot of regression standarized residual
Pada gambar di atas nampak titik-titik persebaran berada di sekitar garis lurus, maka data
tersebut dikatakan linear.
4.2.1.2 Pengujian Penyimpangan Asumsi Regresi
Berikut ini adalah pengujian penyimpangan asumsi regresi.
4.2.1.2.1 Pengujian Asumsi Autokorelasi
Pengujian penyimpangan autokorelasi pada laporan ini dilakukan dengan Ujiurbin-Watson.
Berikut adalah langkah-langkah pengujian autokorelasi dengan Uji Durbin-Watson.
1. Menentukan formulasi hipotesis
H0 = Tidak ada autokorelasi dalam model regresi.
H1 = Ada autokorelasi dalam model regresi.
2. Menentukan nilai α dan nilai d tabel
α = 0,05 n = 30 k = 1 dU = 1,489 dL = 1,284
3. Menetukan kriteria pengujian
H0 diterima apabila 1,489 (dU) < d < 2,511(4 – dU)
H1 diterima apabila d ≤ 489(dU) ; d ≥ 2,511 (4 – dU)
4. Menentukan Uji statistik
Tabel 4.4 Uji statistik autokorelasi
N X1 Y Y^ E e2 en – e n-1 (en – en-1)2
o
1 39 908 894,9008 13,0992 171,5891 13,0992 171,5891
2 22 353 586,9865 -233,9865 54749,6808 -247,0857 61051,3419
3 35 874 822,4504 51,5496 2657,3638 285,5361 81530,8768
4 27 716 677,5495 38,4505 1478,4389 -13,0992 171,5878
5 23 576 605,0991 -29,0991 846,7578 -67,5496 4562,9452
 6 29 787 713,7747 73,2253 5361,9388 102,3244 10470,2754
7 29 696 713,7747 -17,7747 315,9414 -91,0000 8281,0000
8 45 883 1003,576 -120,5764 14538,6768 -102,8017 10568,1888
9 12 758 405,8604 352,1396 124002,2720 472,7160 223460,4155
10 34 938 804,3378 133,6622 17865,5919 -218,4773 47732,3448
11 21 795 568,8739 226,1261 51133,0172 92,4639 8549,5688
12 25 758 641,3243 116,6757 13613,2154 -109,4504 11979,3953
13 26 409 659,4369 -250,4369 62718,6515 -367,1126 134771,6655
14 16 676 478,3109 197,6891 39080,9957 448,1261 200816,9659
15 19 581 532,6487 48,3513 2337,8502 -149,3378 22301,7839
16 21 592 568,8739 23,1261 534,8169 -25,2252 636,3113
17 26 717 659,4369 57,5631 3313,5080 34,4370 1185,9049
18 26 584 659,4369 -75,4369 5690,7291 -133,0000 17689,0000
19 24 557 623,2117 -66,2117 4383,9904 9,2252 85,1045
20 30 507 731,8873 -224,8873 50574,3180 -158,6756 25177,9575
21 21 543 568,8739 -25,8739 669,4582 199,0135 39606,3550
22 26 876 659,4369 216,5631 46899,5671 242,4370 58775,6844
23 22 682 586,9865 95,0135 9027,5657 -121,5496 14774,2994
24 29 756 713,7747 42,2253 1782,9726 -52,7882 2786,5985
25 5 150 279,0722 -129,0722 16659,6314 -171,2975 29342,8182
26 17 367 496,4235 -129,4235 16750,4338 -0,3513 0,1234
27 6 206 297,1848 -91,1848 8314,6679 38,2387 1462,1956
28 37 802 858,6756 -56,6756 3212,1222 34,5092 1190,8858
29 12 233 405,8604 -172,8604 29880,7306 -116,1848 13498,9192
30 4 199 260,9596 -61,9596 3838,9906 110,9008 12298,9981
∑ 708 18479 18479 0,0000 592405,4840 -61,9596 1044931,1007
d=∑ ¿ ¿ ¿ ¿
5. Kesimpulan
Dari hasil tabel diatas dapat disimpulkan bahwa nilai Durbin Watson sebesar 1,763. Lebih besar
dari dU (1,489) dan lebih kecil dari 4-dU (2,511). Maka H0 diterima sehingga tidak ada autokorelasi.

4.2.1.2.2 Pengujian Asumsi Heteroskedatisitas

 Berdasarkan Gambar 4.1 di atas, titik pada scatter plot tersebut menyebar pada empat kuadran
dan tidak membentuk suatu pola yang teratur, maka dapat disimpulkan varians data tersebut
homogen.

4.2.1.3 Pengujian Regresi LinearSederhana

Berikut ini adalah pengujian regresi linear sederhana dengan SPSS dan perhitungan manual.

4.2.1.3.1 Pengolahan dengan SPSS

Berikut ini adalah pengolahan data menggunakan SPSS.

4.2.1.3.1.13 Analisis Korelasi

Berikut ini merupakan langkah-langkah pengujian regresi linear sederhana pada pengolahan
SPSS.
1. Masukan data yang di uji ke dalam Data View.
2. Klik Analyze – regression– Linear. Lalu masukan variable bebas ke dalam independent dan
variabel terikat ke dalamdependent.
3. Klik Statistic. Lalu centang Estimates, Model Fit, R squared change, Descriptives, dan Durbin-
Watson. Lalu continue.
4. Kemudian klik Plots. Masukan ZRESID pada Y dan Zpred pada X. Klik Normal Probability Plot
pada Standardized Residual Plot. Klik continue-OK.
5. Maka akan meuncul output sebagai berikut
Tabel 4.5 Output correlation regresi linear sederhana pada SPSS
Correlations
Jumlah_Tenag Jumlah_Total_
a_Kesehatan Puskesmas
Jumlah_Tenaga_Kesehat
1.000 .776
Pearson Correlation an
Jumlah_Total_Puskesmas .776 1.000
Jumlah_Tenaga_Kesehat
. .000
Sig. (1-tailed) an
Jumlah_Total_Puskesmas .000 .
Jumlah_Tenaga_Kesehat
30 30
N an
Jumlah_Total_Puskesmas 30 30
 Korelasi antara jumlah tenaga kesehatan dengan jumlahtotal puskesmas
H0 = Tidak ada korelasi antara jumlah tenaga kesehatan dengan jumlah total puskesmas.
H1 = Adanya korelasi antara jumlah tenaga kesehatan dengan jumlah total puskesmas.
Angka sig pada tabel 0,000> α(0,05) berarti H 0 ditolak maka dapat disimpulkan bahwa adanya
korelasi antara jumlah tenaga kesehatan dengan jumlah total puskesmas. Nilai pearson
corelationpada outputadalah 0,776 maka dari itu kedua variabel memiliki korelasi tinggi dan kuat.

4.2.1.3.1.14 Analisis Regresi

Dari langkah sebelumnya didapatkan pula output sebagai berikut.
Tabel 4.6 Output model summary
Model Summaryb
Mo R R Adjusted Std. Error Change Statistics Durbin-
del Squar R Square of the R Square F df1 df2 Sig. F Watson
e Estimate Change Chang Change
e
42.41
1 .776a .602 .588 145.456 .602 1 28 .000 1.764
2
a. Predictors: (Constant), Jumlah_Total_Puskesmas
b. Dependent Variable: Jumlah_Tenaga_Kesehatan

Pada tabel 4.6 Nilai dW= 1,764 karena nilai dW terletak di antara dU<dW<(4-dU) yaitu
1,489<1,764<2,511 maka tidak ada autokorelasi. R = 0,776 merupakan nilai dari hubungan antar
variabel. Nilai semakin mendekati 1 menunjukan bahwa antar varibel memiliki hubungan yang cukup
berarti. Sedangkan R2 bernillai 0,602 yang artinya 60,2% jumlah puskesmas mempengaruhi jumlah
tenaga kerja medis. Sedangkan Adjust R Square sebesar 0,588 memiliki arti 58,8% variable
dependent dipengaruhi oleh variable independent, sedangkan 41,2 % dipengaruhi oleh faktor lain
Tabel 4.7 Output ANOVA
ANOVAa
Model Sum of Df Mean Square F Sig.
Squares
Regression 897327.483 1 897327.483 42.412 .000b
1 Residual 592405.484 28 21157.339
Total 1489732.967 29
 a. Dependent Variable: Jumlah_Tenaga_Kesehatan
b. Predictors: (Constant), Jumlah_Total_Puskesmas
H0 = Tidak ada pengaruh jumlah puskesmas terhadap model regresi.
H1 = Ada pengaruh jumlah puskesmas terhadap model regresi.
H0 diterima jika nilai sig. ≥ 0,05. Berdasarkan tabel 4.7 Nilai sig. = 0,000 < α(0,05), sehingga H 0
ditolak dan dapat disimpulkan bahwa ada pengaruh jumlah tenaga kesehatan dengan jumlah
puskesmas.
Tabel 4.8 Output Coefficient
Coefficientsa
Model Unstandardized Standardiz T Sig. Collinearity
Coefficients ed Statistics
Coefficient
s
B Std. Error Beta Toleran VIF
ce
(Constant) 188.509 70.806 2.662 .013
1 Jumlah_Total_Pusk
18.113 2.781 .776 6.512 .000 1.000 1.000
esmas
a. Dependent Variable: Jumlah_Tenaga_Kesehatan
Hipotesis untuk variable jumlah total puskesmas
H0 = Koefisien jumlah puskesmas tidak berpengaruh terhadap model regresi.
H1 = Koefisien jumlah puskesmas berpengaruh terhadap model regresi.
Dilihat dari signya = 0,000 < α(0,05), sehingga H 0 ditolak yang artinya koefisien jumlah
puskesmas berpengaruh terhadap model regresi.
Hipotesis untuk koefisien konstanta
H0 = Koefisien konstanta tidak berpengaruh terhadap model regresi.
H1 = Koefisien jumlah puskesmas berpengaruh terhadap model regresi.
Dilihat dari signya = 0,013 ≥ α(0,05), sehingga H0 ditolak yangartinya koefisien jumlah
puskesmasberpengaruh terhadap model regresi.
Karena variabel jumlah puskesmas dapat mempengaruhi model regresi maka dapat disimpulkan
bahwa persamaan model regresi adalah Y = 188,509+ 18,113X yang artinya setiap pertambahan satu
satuan variable X akan mempengaruhi Y 18,113 satuan.

4.2.3.2 Pengolahan Manual

Berikut adalah pengolahan manual data regresi linear sederhana.
Tabel 4.9 Pengolahan manual regresi linear sederhana
No X Y XY X2 Y2
1 39 908 35412 1521 824464
2 22 353 7766 484 124609
3 35 874 30590 1225 763876
4 27 716 19332 729 512656
5 23 576 13248 529 331776
6 29 787 22823 841 619369
7 29 696 20184 841 484416
8 45 883 39735 2025 779689
9 12 758 9096 144 574564
10 34 938 31892 1156 879844
11 21 795 16695 441 632025
12 25 758 18950 625 574564
13 26 409 10634 676 167281
14 16 676 10816 256 456976
15 19 581 11039 361 337561
16 21 592 12432 441 350464
17 26 717 18642 676 514089
18 26 584 15184 676 341056
19 24 557 13368 576 310249
20 30 507 15210 900 257049
21 21 543 11403 441 294849
22 26 876 22776 676 767376
23 22 682 15004 484 465124
24 29 756 21924 841 571536
25 5 150 750 25 22500
26 17 367 6239 289 134689
27 6 206 1236 36 42436
28 37 802 29674 1369 643204
29 12 233 2796 144 54289
30 4 199 796 16 39601
∑ 708 18479 485646 19444 12872181
3. Koefisien Korelasi Regresi Linear Sederhana (r)
n ∑ xy−∑ x ∑ y
r=
√ ( n ∑ x ²−(∑ x ) ² ) ¿ ¿ ¿
30 x 485646−708 x 18479
r=
√ (30 x 1944−( 708 ) ) (30 x 12872181−( 18479 ) )
2 2

14568,380−13083,132
r=
√ (30 x 19444−( 708 ) ) (30 x 12872181−( 18479 ) )
2 2

1486,248
r=
√ ( 82056 ) x (44691989)
r =0,776
4. Analisis Determinasi
R2 = r2 x 100% = (0,776 )2 x 100% = 60,2%
5. Persamaan Regresi Sederhana

( )(∑ )
n n n
n ∑ XiY i− ∑ Xi Yi
i=1 i=1 i=1 ( 30 ×6485646 ) −( 708 x 18479 )
b 1= =

(∑ ) ( 30 x 19444−( 708 )2 )
n n 2

n∑ xi −
2
xi
i=1 i=1

1486,248
b 1=
82,056
b 1=18,113
a=Y −b X
a = (615,967) – (18,112)(23,6)
a = 188,509
6. Kesalahan Baku
a. Untuk Regresi

S y , x=
√ ∑ Y 2−a ∑ Y −b ∑ XY =
n−2 √ 12872181−188,509 x 615,967−18,113 x 585646
30−2

S y , x=
√ 592405,5
28
=
12462855,1495
28 √
=√ 445101,9696

S y , x =¿ 667,1596
b. Untuk Koefisien a

c.
Sa =
√ ∑ X 2−S y , x ¿
n ∑ X 2 −¿ ¿ ¿ ¿
Untuk Koefisien b
 √ √ √
S yx 667,1596 667,1596
Sb = = = =0,0343
(∑ X )
2
( 708 )
2
566611,2
n∑ X −
2 ( 19444 )−
n 30
7. Pengujian Hipotesis Regresi Linear sederhana
a. Formulasi Hipotesis
H0 : β1=0, Jumlah puskesmas tidakberpengaruh terhadap jumlah tenaga medis
H1 : β1≠0 , Jumlahpuskesmas tidak berpengaruh terhadap jumlah tenaga medis
b. Menentukan taraf nyata (α) dan F tabel
α = 5%, α/2 = 2,5% = 0,025; Db = n – 2 = 30 – 2 = 28
T tabel (α;Db) = (0,025;28)= 2,048

c. Menentukan kriteria pengujian

H0 diterima jika Thitung ≤ 2,048
H0ditolak jika Thitung>2,048
d. Menentukan uji statistic nilai t
r √n−2 0,776 √30−2 4,106
t= = = =6,517
√ 1−r ² √ 1−0,776 2 0,63
e. Membuat Kesimpulan
Karena Thitung=6,517 >2,048maka H0 ditolak, sehinggadapat diketahui bahwa,
jumlahpuskesmas berpengaruh terhadap jumlah tenaga medis.

4.2.2 Regresi Linear Berganda

Berikut ini adalah pengolahan data regresi linear berganda.

4.2.2.1 Pengujian Asumsi Regresi

Berikut adalah pengujian-pengujian asumsi regresi.

4.2.2.1.1 Pengujian Kenormalan Data

Salah satu asumsi praktikum analisis korelasi dan regresi adalah data berdistribusi normal. Uji
kenormalan yang digunakan adalah dengan metodeStatistic Descriptive. Uji kenormalan pada regresi
dilakukan dengan cara menguji residualnya. Berikut merupakan langkah-langkah SPSS untuk
mengetahui kenormalan data dari nilai residual.
1. Buka SPSS 20.
2. Munculkan nilai residual dari data.
3. Melakukan uji kenormalan data dengan klik analyze – Statistic Descriptive – Explore - Masukan
nilai residual di dalam Dependent–Plot- Centang Normality with test - ok
4. Masukan RES_1 pada test variable list. Centang normal pada test distribution.
5. Lalu klik OK. Maka akan muncul output kenormalan.
Tabel 4.10 Output uji kenormalan regresi linear berganda
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic Df Sig. Statistic df Sig.
Unstandardized Residual .113 30 .200* .948 30 .153
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
H0 = Residual data berdistribusi normal
H1 = Residual data tidak berdistribusi normal
H0 akan diterima jika nilai sig. = 0,200 ≥ α(0,05) Berdasarkan tabel diatas memiliki nilai sig ≥ 0,05,
yaitu sebesar 0,200 sehingga H0 diterima dan dapat disimpulkan bahwa residual data berdistribusi
normal.

4.2.2.1.2 Pengujian Homogenitas Varian

Pengujian homogenitas varians dalam laporan ini dilakukan dengan melihat persebaran data
yang dilihat dari scatter plot. Berikut adalah scatter plot regresi linear berganda.

Gambar 4.3 Output Scatter plotdata regresi linear berganda

Pada gambar scatter plot data menyebar pada empat kuadran dan tidak membentuk suatu pola
yang teratur, maka dapat disimpulkan varians data tersebut homogen.
4.2.2.1.3 Pengujian Linearitas Data
Pengujian linearitas data dilakukan dengan melihat pola data pada output Normal P-Plot of
Regression Standarized Plot. Berikut adalah plots data.

Gambar 4.4 Uji normal p-plot of regression standarized residual dependent variable
Pada gambar di atas nampak titik-titik persebaran berada di sekitar garis lurus, maka data
tersebut dikatakan linear.

4.2.2.2 Pengujian Penyimpangan Asumsi Regresi

Berikut ini adalah pengujian penyimpangan asumsi regresi.

4.2.2.2.1 Pengujian Asumsi Autokorelasi

Pengujian penyimpangan autokorelasi pada laporan ini dilakukan dengan Ujia Durbin-Watson.
Berikut adalah langkah-langkah pengujian autokorelasi dengan Uji Durbin-Watson.
1. Menentukan formulasi hipotesis
H0 = Tidak ada autokorelasi dalam model regresi.
H1 = Ada autokorelasi dalam model regresi.
2. Menentukan nilai α dan nilai d tabel
α = 0,05 n = 30 k = 2 dU = 1,567 dL = 1,284
3. Menetukan kriteria pengujian
H0 diterima apabila 1,567 (dU) < d < 2,433(4 – dU)
H1 diterima apabila d ≤ 1,54 (dU) ; d ≥ 2,433 (4 – dU)
4. Menentukan Uji statistik
Tabel 4.11 Uji Statistik
N X1 X2 Y Y^ E e2 en – e n-1 (en – en-1)2
o
1 9881,2 164 184772 2470929, - 388383395 - 3883833950
9 5 136 623204,1 096 623204,1 96
36 36
2 9378,2 151 244595 2257121, 188830,8 356570771 812034,9 6594007637
2 184 163 89 52 37
3 25817, 270 465821 3174988, - 733958618 - 8398391714
49 064 2709167, 0636 2897997, 270
064 880
4 24193, 114 664332 221697,8 442634,1 195924995 3151801, 9933850929
8 441 559 945 220 557
5 18928, 129 341784 981766,2 2436073, 593445509 1993439, 3973801237
78 0 946 705 8192 550 663
6 17230, 117 594518 892809,5 - 889778662 - 7476753509
03 792 298291,5 30 2734365, 760
792 285
7 10501, 151 314998 2158486, 991497,1 983066511 1289788, 1663554852
31 4 894 059 004 685 243
8 5198,5 91 192304 1433467, 489574,9 239683584 - 2519258989
2 098 019 524 501922,2 14
04
9 3486,0 392 101468 7557334, 2589525, 670563987 2099950, 4409790534
2 60 971 029 3523 127 646
1 2448,9 50 881546 861277,7 20268,28 410803476 - 6601080201
0 4 126 745 2569256, 726
741
1 4687,5 71 862626 1081429, - 478750512 - 5715540656
1 7 682 218803,6 43 239071,9 1
82 69
1 6393,7 145 206162 2400148, - 114598918 - 1433310318
2 7 4 621 338524,6 859 119720,9 4
 208 39
1 8844,8 127 654278 1827668, - 137684503 - 6970008740
3 8 403 1173390, 7358 834865,7 09
403 82
1 25962, 93 157112 - 1921519, 369223909 3094910, 9578470380
4 56 7 350392,9 997 7275 399 153
966
1 30202, 200 774355 1400747, - 392366974 - 6491855692
5 03 029 626392,0 592 2547912, 550
295 026
1 12412, 131 211175 1593732, 518023,0 268347904 1144415, 1309685926
6 5 6 927 73 145 102 743
1 24502, 222 566973 2337912, - 313622682 - 5239349809
7 28 533 1770939, 7870 2288962, 436
533 606
1 13090, 86 640599 641135,4 - 287725 1770403, 3134327250
8 61 003 536,4002 132 676
793
1 10572, 53 284368 207346,9 77021,08 593224719 77557,48 6015163179
9 91 172 279 4 3
2 16443, 204 103687 2688397, - 272754225 - 2987879337
0 95 0 25 1651527, 6595 1728548, 839
25 333
2 10887, 118 459545 1469683, 3125766, 977041354 4777293, 2282253150
1 36 0 926 074 9888 324 1732
2 13882, 23 427437 - 1106137, 122353986 - 4078900128
2 82 678700,3 364 7113 2019628, 278
636 711
2 15568, 207 582104 2824788, - 502963479 - 1121460940
3 83 728 2242684, 0600 3348822, 3154
728 092
2 8618,5 76 101265 835424,9 - 538990831 1508524, 2275647008
4 9 495 734159,9 519 779 144
495
 2 17090, 38 67011 - 729738,0 532517659 1463898, 2142997428
5 52 662727,0 757 137 025 345
757
2 4313,2 64 147498 975385,3 - 685397539 - 2426197108
6 5 953 827887,3 378 1557625, 083
953 471
2 6751,1 70 28559 880356,4 - 725558893 - 571690654
7 4 487 851797,4 693 23910,05
487 3
2 8370,4 47 1371 281696,3 - 785822781 571472,1 3265804078
8 9 078 280325,3 87 41 92
078
2 17218, 55 26575 - 363202,7 131916202 643528,0 4141282981
9 88 336627,7 011 069 09 93
011
3 1524,4 36 12451 664631,8 - 425339850 - 1031003738
0 6 417 652180,8 283 1015383, 944
417 543
∑ 38440 369 420919 42091917 0 5281565145 -652181 1200061726
4 5 17 0538 95362
d=∑ ¿ ¿ ¿ ¿

5. Kesimpulan
Karena nilai d 2,272 maka 1,5666<2,272 <2,434 sehingga H0 diterima, kesimpulannya tidak ada
autokorelasi.

4.2.2.2.2 Pengujian Asumsi Heteroskedatisitas

 Gambar 4.5 Pengujian asumsi heteroskedastisitas
Berdasarkan Gambar 4.5di atas, titik pada scatter plot tersebut menyebar pada empat kuadran
dan tidak membentuk suatu pola yang teratur, maka dapat disimpulkan varians data tersebut
homogen.

4.2.2.2.3 Pengujian Asumsi Multikolinearitas

Berikut ini merupakan pengujian asumsi multikolinearitas dari regresi linear berganda:
Tabel 4.12 Output Coefficient
Coefficientsa
Model Unstandardized Standardi t Sig. 95,0% Confidence Collinearity
Coefficients zed Interval for B Statistics
Coefficie
nts
B Std. Beta Lower Upper Tolera VIF
Error Bound Bound nce
-
(Constan 438962. 578493. 1625934.
.759 .455 748008.8
t) 742 995 375
92
1 jumlah_l - -
34.715 -.395 .006 -174.475 -32.018 .933 1.072
ahan 103.247 2.974
Banyakus 18568.7 3318.52 11759.71 25377.80
.743 5.595 .000 .933 1.072
aha 56 1 3 0
a. Dependent Variable: Perkembangan_produksi
 Berdasarkan tabel (4.12), dapat dilihat nilai VIF dari perhitungan software menggunakan SPSS
1 1
sebesar 1,0720 dan nilai VIF dari perhitungan manual adalah VIF= = =1,072. Nilai
1−r 12 0,2595
2

tolenrance sebesar 0,933. Karena nilai VIF = 1,000 ≤ 10 dan nilai tolenrance = 1,000> 0,1. Maka dapat
disimpulkan bahwa tidak terjadi multikolinearitas pada data yang sedang diuji tersebut.

4.2.2.3 Pengujian Regresi Linear Berganda

Berikut pengolahan secara manual maupun software tentang regresi linear berganda.

4.2.2.3.1 Pengolahan dengan SPSS

Berikut ini adalah pengolahan data menggunakan SPSS.

4.2.2.3.1.1 Analisis Korelasi

Berikut ini merupakan langkah-langkah pengujian regresi linear sederhana pada pengolahan
SPSS.
1. Masukan data yang di uji ke dalam Data View.
2. Klik Analyze – regression– Linear. Lalu masukan variable bebas ke dalam independent dan
variabel terikat ke dalamdependent.
3. Klik Statistic. Lalu centang Estimates, Model Fit, R squared chage, Descriptives, dan Durbin-
Watson. Lalu continue.
4. Kemudian klik Plots. Masukan ZRESID pada Y dan Zpred pada X. Klik Normal Probability Plot
pada Standardized Residual Plot. Klik continue-OK.
5. Maka akan munculoutput sebagai berikut.
Tabel 4.13 Output correlation regresi linear berganda pada SPSS
Correlations
Perkemabnga jumlah_lahan Banyakusaha
n_produksi
Perkembangan_produksi 1.000 -.202 .641
Pearson Correlation jumlah_lahan -.202 1.000 .260
Banyakusaha .641 .260 1.000
Perkembangan_produksi . .142 .000
Sig. (1-tailed) jumlah_lahan .142 . .083
Banyakusaha .000 .083 .
N Perkembangan_produksi 30 30 30
 jumlah_lahan 30 30 30
Banyakusaha 30 30 30
Ho:Tidak terdapat korelasi antara jumlah lahanterhadap perkembangan produksi
Ho : Tidak terdapat korelasi antara banyak usaha terhadap perkembangan produksi.
H1: Terdapat korelasi antara jumlah lahanterhadap perkembangan produksi
H1 : Terdapat korelasi antara banyak usaha terhadap perkembangan produksi.
Angka Sig. pada tabel 0,000 < α (0,05) berarti H0ditolak. Maka dapat disimpulkan bahwa
terdapat korelasi antara jumlah lahanterhadap perkembangan produksi dan terdapat korelasi antara
banyak usaha terhadap perkembangan produksi.Dilihat dari tabel diatas, nilai Pearson
Correlationuntuk banyak usaha adalah -0,202 artinya memiliki korelasi negatif yang rendah, lemah
tapi pasti. Nilai Pearson Correlation pada banyak usaha adalah sebesar 0,641 artinya memiliki
korelasi cukup berarti.

4.2.2.3.1.2 Analisis Regresi

Dari langkah sebelumnya didapatkan pula output sebagai berikut.
Tabel 4.14 Output Model Summary
Model Summaryb
Mo R R Adjusted Std. Error Change Statistics Durbin-
del Squar R Square of the R Square F df1 df2 Sig. F Watson
e Estimate Change Chang Change
e
1386716.
1 .746a .556 .523 .556 16.897 2 27 .000 2.200
200
a. Predictors: (Constant), Banyakusaha, jumlah_lahan
b. Dependent Variable: Perkemabngan_produksi
Pada tabel 4. Nilai dW= 2,200 karena nilai dW terletak di antara dU<dW<(4-dU) yaitu
1,567<2,200<2,433maka tidak ada autokorelasi. Nilai R = 0,746 merupakan nilai dari hubungan antar
variabel. Nilai R semakin mendekati 1 menunjukan bahwa antar variablememiliki hubungan yang
semakin kuat. Sedangkan R2 bernilai 0,556 yang artinya sebanyak 55,6% banyak usaha dan jumlah
lahan mempengaruhi perkembangan produksi. Sedangkan Adjust R Square sebesar 0,523 memiliki
arti 52,3% variable dependent dipengaruhi oleh variable independent, sedangkan 47,7 % dipengaruhi
oleh faktor lain.
 Tabel 4.15 Output Anova
ANOVAa
Model Sum of Df Mean Square F Sig.
Squares
64984153216 32492076608
Regression 2 16.897 .000b
575.510 287.754
51920509111 19229818189
1 Residual 27
645.164 49.821
11690466232
Total 29
8220.670
a. Dependent Variable: Perkembangan_produksi
b. Predictors: (Constant), Banyakusaha, jumlah_lahan
H0 = Tidak ada pengaruh banyak usaha dan jumlah lahan secara bersama-sama terhadap
perkembangan produksi dalam model regresi.
H1 = Ada pengaruh banyak usaha dan jumlah lahan secara bersama-sama terhadap perkembangan
produksi dalam model regresi.
H0 diterima jika nilai sig. ≥ 0,05. Berdasarkan tabel 4. Nilai sig. = 0,000 < α(0,05), sehingga H 0
ditolak dan dapat disimpulkan bahwa ada pengaruh banyak usaha dan jumlah lahan secara bersama-
sama terhadap perkembangan produksi.
Tabel 4.16 Output Coefficient
Coefficientsa
Model Unstandardized Standardi T Sig. 95,0% Confidence Collinearity
Coefficients zed Interval for B Statistics
Coefficie
nts
B Std. Beta Lower Upper Tolera VIF
Error Bound Bound nce
1 -
(Constan 438962. 578493. 1625934.
.759 .455 748008.8
t) 742 995 375
92
jumlah_l - 34.715 -.395 - .006 -174.475 -32.018 .933 1.072
ahan 103.247 2.974
 Banyaku 18568.7 3318.52 11759.71 25377.80
.743 5.595 .000 .933 1.072
saha 56 1 3 0
a. Dependent Variable: Perkembangan_produksi
Hipotesis untuk variable jumlah lahan
H0 = Koefisien jumlah lahan tidak berpengaruh terhadap model regresi.
H1 = Koefisien jumlah lahan berpengaruh terhadap model regresi.
Dilihat dari signya = 0,006 < α(0,05), sehingga H0 ditolak yang artinya ada pengaruh variabel
jumlah lahan terhadap model regresi.
Hipotesis untuk variable banyak usaha
H0 = Koefisien banyak usaha tidak berpengaruh terhadap model regresi.
H1 = Koefisien banyak usaha berpengaruh terhadap model regresi.
Dilihat dari signya = 0,000 < α(0,05), sehingga H0 ditolak yang artinya ada pengaruh jumlah total
puskesmas terhadap jumlah tenaga kerja.
Hipotesis untuk koefisien konstanta
H0 = Koefisien constant tidak berpengaruh terhadap model regresinya.
H1 = Koefisien constant berpengaruh terhadap model regresinya.
Dilihat dari signya = 0,455 ≥ α(0,05), sehingga H0 diterima yang artinya tidak ada pengaruh
variable contant terhadap model regresinya.
Karena variabel banyak usaha dan jumlah lahan dapat mempengaruhi model regresi. Dari
pengaruh variabel banyak usaha dan jumlah lahan dapat disimpulkan bahwa persamaan model
regresi adalah Y= 438962,742 + (-103,247)X1 + 18568,756X2. Yang artinya setiap pertambahan satu
satuan variableX1 akan mempengaruhi Y sebesar -103,247 satuan dan setiap pertambahan satu
satuan variable X2 akan mempengaruhi Y sebesar 18568,756 satuan.

4.2.2.3.2 Pengolahan Manual

Berikut adalah pengolahan manual data regresi linear berganda.
Tabel 4.17 Pengolahan manual regresi linear berganda
N X1 X2 Y X1Y X2Y X1X2 X12 X22 Y2
o
1 9881,2 184772 162053 182579065 3030269 9763989 2689 34140876756
164
9 5 2 65 00 2 6 25
2 244595 141610 229386270 3693387 8795063 2280 59826811863
9378,2 151
2 8 46 52 5 1 04
3 25817, 270 465821 697072 120263290 1257716 6665427 7290 21698920404
 49 2 09 70 90 0 1
4 24193, 275809 160727155 7573384 5853399 1299 44133700622
114 664332
8 3 42 8 58 6 4
5 18928, 341784 244181 646955414 4409013 3582987 1664 11681630265
129
78 0 3 35 60 12 1 600
6 17230, 201591 102435629 6955860 2968739 1368 35345165232
117 594518
03 4 76 6 34 9 4
7 10501, 314998 158569 330789584 4756475 1102775 2280 99223992002
151
31 4 8 79 84 12 1 56
8 192304 999693383 1749968 2702440 36980905337
5198,5 91 473064 8281
2 7 22 2 64
9 3486,0 101468 136652 353721568 3977569 1215233 1536 10295876785
392
2 60 0 97 120 5 64 9600
1 2448,9 215885326 4407730 77712335011
50 881546 122447 5997307 2500
0 4 1 0 6
1 4687,5 404361975 6124644 2197331 74412361587
71 862626 332817 5041
1 7 9 6 3 6
1 6393,7 206162 131815496 2989354 4088029 2102 42502935173
145 927097
2 7 4 82 80 5 5 76
1 8844,8 112330 578701039 8309330 7823190 1612 42807970128
127 654278
3 8 0 7 6 2 9 4
1 25962, 157112 241451 407904790 1461148 6740545 24684400501
93 8649
4 56 7 8 05 11 22 29
1 30202, 604040 233870929 1548710 9121626 4000 59962566602
200 774355
5 03 6 41 00 16 0 5
1 12412, 211175 162603 262121713 2766400 1540701 1716 44595134035
131
6 5 6 8 50 36 56 1 36
1 24502, 543950 138921311 1258680 6003617 4928 32145838272
222 566973
7 28 6 98 06 25 4 9
1 13090, 112579 838583167 5509151 1713640 41036707880
86 640599 7396
8 61 2 5 4 70 1
1 10572, 300659727 1507150 1117864
53 284368 560364 2809 80865159424
9 91 1 4 26
2 16443, 204 103687 335456 170502384 2115214 2704034 4161 10750993969
0 95 0 6 37 80 92 6 00
2 10887, 459545 128470 500323185 5422631 1185346 1392 21118160702
118
1 36 0 8 12 00 08 4 500
2 13882, 593403093 1927326 18270238896
23 427437 319305 9831051 529
2 82 2 91 9
2 15568, 322274 906267821 1204955 2423884 4284 33884506681
207 582104
3 83 8 8 28 68 9 6
2 8618,5 7428009
76 101265 655013 872761516 7696140 5776 10254600225
4 9 4
2 17090, 114525283 2920858
38 67011 649440 2546418 1444 4490474121
5 52 6 74
2 4313,2 1860412
64 147498 276048 636195749 9439872 4096 21755660004
6 5 6
2 6751,1 4557789
70 28559 472580 192805807 1999130 4900 815616481
7 4 1
2 8370,4 7006510
47 1371 393413 11475942 64437 2209 1879641
8 9 3
2 17218, 2964898
55 26575 947038 457591736 1461625 3025 706230625
9 88 28
3 1524,4
36 12451 54881 18981051 448236 2323978 1296 155027401
0 6
Σ 38440 369 420919 519904 448942399 8181321 6636468 6423 17596231155
3,8 5 17 87 062 082 655 27 2717
Dicari :
∑Y 42091917 ∑ x1 384403,8 ∑ x2
Y= = =1403063,9 ;X̅ 1 = = =12813,5; X̅ 2= =
n 30 n 30 n
3695
=123,1667
30
∑ y2 =∑ Y 2−n Y 2=175962311552717−30 ⨉ ( 1403063,9 )2=¿ 116904662328221¿
∑ x 12=∑ X 12−n X 12=6636468655,2−30 ( 12813,5 )2=1710926965
∑ x 22=∑ X 22−n X 22=642327−30(123,1667)2=187226,1667

∑ x 1 y=¿ ∑ X 1 Y −n X 1 Y =448942399062,4−30 ( 12813,5 )( 1403063,9 ) =¿−9040639618¿ ¿

∑ x 2 y=¿ ∑ X 2 Y −n X 2 Y =8181321082−30 ( 123,1667 ) ( 1403063,9 )=2996999972 ¿
 ∑ x 1 x2=¿ ∑ X 1 X 2−n X 1 X 2=51990487,2−30(12813,5)( 123,1667 ) =¿ 4644757 ¿ ¿

1. Koefisien korelasi
Korelasi antara X1 dan X2
n ∑ X 1 X 2−∑ X 1 ∑ X 2
r 12=
√¿ ¿ ¿
(30 x 51990487)−(384404 x 3695)
¿
√¿ ¿ ¿
Korelasi antara X1 dan Y

ry , 1=
∑ X1 Y
√ ∑ X 12 ∑ Y 2
=
(30 x 448942399062)−(384404 x 42091917)
√¿ ¿ ¿
Korelasi antara X2 dan Y

ry , 2=
∑ X 2Y
√ ∑ X 12 ∑ Y 2
(30 x 8181321082)−(3695 x 42091917)
=
√¿ ¿ ¿
2. Analisis determinasi
2
R =¿¿
3. Persamaan regresi berganda

(∑ x 22 ) ( ∑ x1 y ) −( ∑ x 1 x 2 )( ∑ x 2 y )
b 1=
( ∑ x 12)( ∑ x 22)−( ∑ x1 x 2)
2

( 187226,1667 )(−90400639618 )−( 4644757 )( 2996999972 )

¿
( 1710926965 ) ( 187226,1667 )−( 4644757 )2
b 1= -103,2469

(∑ x 12 ) ( ∑ x2 y ) −( ∑ x 1 x 2 )( ∑ x 1 y )
b 2=
(∑ x 12)( ∑ x 22)−( ∑ x1 x 2)
2

( 1710926965 )( 2996999972 )− ( 4644757 ) (−9040639618 )

¿
( 1710926965 ) (187226,1667 ) – ¿ ¿
b 2= 18568,756
a=Y −b1 X 1−b2 X 2
= 1403063,9−¿ (-103,246)x(12813,46 ¿−¿(18568,756)x(123,1667 )
a = 438962,741
 Jadi, persamaannya adalah Y =438962,741 – (−103,246) X 1 +18568,756 X 2
4. Kesalahan baku
Standart Eror of Estimate

Se =
√ ∑ y 2 − ( b1 ( ∑ x 1 y ) + b2 ( ∑ x 2 y ) )
n−m

¿
√ ( 116904662328221 ) — (103,246 x (−9040639618 ) )+(18568,756 x ( 2996999972) )
30−3
Se =1386716,2
Kesalahan baku untuk koefisien regresi b1
Se
Sb = = 1386716,2
1

√ (∑ X 1
2
−n X 1 )( 1−r
2
y .1
2
) √¿¿ ¿

Sb =34,7146
1

Kesalahan baku untuk koefisien regresi b2

Se 1386716,2
Sb = =
√ (∑ X 2
−n X 2 )( 1−r
2 2
) √187226,1667−( 30 x 123,1667 ¿¿¿ 2 ) x ¿ ¿ ¿
2

2 y .1

Sb =¿ 3318,521
2

a. Pengujian hipotesis serentakFormulasi Hipotesis

H0 : Tidak ada pengaruh antara koefisien banyak usaha dan koefisienjumlah lahan secara
bersama-sama terhadap koefisien perkembangan produksi.
H1 : Ada pengaruh antara koefisien banyak usaha dan koefisienjumlah lahan secara bersama-
sama terhadap koefisien perkembangan produksi.
b. Penentuan nilai α (taraf nyata) dan nilai F tabel
α = 0,05; df = 2; 27;F0,05(2)(27) = 3,35
c. Kriteria Pengujian
H0 diterima jika F0 ≤ Fα(v1;v2)
H0 ditolak jika F0>Fα(v1;v2)
d. Uji statistik

JKT =∑ y 2=∑ Y 2−n Y 2=116904662328221−( 30 ⨉ ( 1403063,9 )2)

JKT =1169046623288221
JKR=b1 ( ∑ x 1 y ) +b2 ( ∑ x 2 y )
JKR=(−103,2469 ) (−9040639618 ) +18568,756 ( 2996999972 )
JKR=64984153216576
JKE=JKT−JKR = 1169046623288221−64984153216576=51920509111645
 Tabel 4.18 Tabel Anova regresi linear berganda
Sumber Rata-Rata
Jumlah Kuadrat Df F hitung
Variasi Kuadrat

Regresi JKR=64984153216576 2
32492076608288
F=16,89671545
Error JKE=51920509111645 27 1922981818950
29
Total JKT=116904662328221

e. Kesimpulan
Dari hasil perhitungan diatas dapat disimpulkan bahwa F hitung(16,89671545)>Ftabel(3,35) maka H0
ditolak. Sehingga ada pengaruh antara koefisien banyak usaha dan koefisienjumlah lahan secara
bersama-sama terhadap koefisien perkembangan produksi.
5. Pengujian Hipotesis Individual
Pengujian Hipotesis Individual (b 1)
a. Formulasi Hipotesis
H0 = Tidak ada pengaruh antara jumlah lahan terhadap perkembangan produksi dalam model
regresi.
H1 = Ada pengaruh antara jumlah lahan terhadap perkembangan produksi dalam model regresi.
b. Penentuan nilai α (taraf nyata)
(α) = 0,05 dant0,025(28) = 2,048
c. Menentukan kriteria pengujian
H0 diterima jika -2,048 ≤ t0≤ 2,048
H0 ditolak jika -2,048 <t0atau t0< 2,048
d. Menentukan nilai uji statistik
b1−B1 (−103,2469)−0
t 1= = =−2,974
Sb1
34,714
e. Kesimpulan
H0 ditolak dan H1 diterima karena t1 < ttabelatau (−2,974 )<2,048. Sehingga Ada pengaruh antara
jumlah lahan secara parsial terhadap perkembangan produksi.
6. Pengujian Hipotesis Individual (b2)
a. Formulasi Hipotesis
H0 : Tidak ada pengaruh antara banyak usaha terhadap perkembangan produksi dalam model
regresi.
H1 : Ada pengaruh antara banyak usahaterhadap perkembangan produksi dalam model regresi.
b. Penentuan nilai α (taraf nyata)
(α) = 0,05 dan t0,025(28) = 2,048
c. Menentukan kriteria pengujian
H0 diterima jika -2,048 ≤ t0≤ 2,048
H0 ditolak jika -2,048 <t0atau t0< 2,048
d. Menentukan nilai uji statistik
b2−B2 18568,756−0
t 2= = =5,59
Sb
2
3318,521
e. Kesimpulan
Karena tb > ttabel = 5,59 >2,048 maka Ho ditolak yang artinya ada pengaruh antara banyak usaha
secara parsial terhadap perkembangan produksi dalam model regresi.
Dari semua perhitungan di atas, kita dapat menarik kesimpulan bahwa hasil pengolahan secara
manual menunjukkan hasil yang sama dengan hasil pengolahan dengan SPSS yaitu terdapat
pengaruh banyak usaha dan luas lahan mempengaruhi perkembangan produksi.
 BAB V
PENUTUP

5.1 Kesimpulan
Pada praktikum modul V ini, dapat disimpulkan:
1. Regresi Linear Sederhana dengan studi kasus pengaruh jumlah tenaga kesehatan terhadap
jumlah puskesmas. Dimana didapatkan persamaan regresi sederhana Y = 188,509+ 18,113X
yang artinya ketika ditambahkan jumlah tenaga kesehatan sebesar satu satuan maka
mendapatkan kenaikan jumlah total puskesmas sebesar 18,113 satuan.
2. Regresi Linear Berganda dengan studi kasus pengaruh jumlah lahan dan banyak usaha terhadap
perkembangan produksi. Dimana didapatkan persamaan regresi linear berganda Y= 438962,741
+ (-103,246X1) +18568,75X2 yang artinya ketika ditambahkan jumlah lahan sebesar satu satuan
maka mendapatkan perkembangan produksi sebesar -103,246 satuan dan ketika ditambahkan
banyak usaha sebesar satu satuan maka mendapatkan perkembangan produksi sebesar
18568,75 satuan.
3. Dari data tabel pada analisa korelasi linear sederhana dapat dilihat nilai Pearson Correlation
adalah 0,776 termasuk korelasi positif maka jumlah tenaga kesehatan terhadap jumlah
puskesmas memiliki hubungan korelasi yang cukup kuat. Sedangkan pada tabel analisa korelasi
linear berganda nilai Pearson Correlation adalah untuk perkembangan produksi terhadap
jumlah lahan adalah -0,202 termasuk korelasi lemah tapi pasti negatif, perkembangan produksi
terhadap banyak usaha adalah 0,641, dan jumlah lahan terhadap banyak usaha adalah
0,260termasuk korelasi positif maka perkembangan produksi terhadap banyak usaha dan
jumlah lahan terhadap banyak usaha memiliki hubungan korelasi cukup kuat.

5.2 Saran
Berikut ini merupakan saran yang dapat diberikan, yaitu:
1. Data yang memenuhi semua asumsi sulit ditemukan oleh karena itu lebih baik menggunakan
data primer, agar pengerjaan lebih cepat sesuai jadwal yang ditentukan.
2. Data yang digunakan cukup besar yaitu 30, lebih baik dikurangi agar mengerjaan lebih mudah
dan input data tidak terlalu lama.