Dosen Pengampuh :
Dr. Hendry Wijaya, SE., M.Si.
Disusun Oleh :
Begin Saputra
(221224097)
Sumber Modul :
Irmanda Syahrani (academia.edu)
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)
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)
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)
S yx =
√ ∑ r 2 −a ∑ X −b ∑ XY
n−2
(2-10)
Sumber : Walpole (2011:112)
Sa =
√ ∑ X 2−S yx ¿
n ∑ X −¿ ¿ ¿
2
Dimana,
Y^ = Variabel terikat b0 = penduga bagi intercept (α)
(∑ 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)
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 :
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
BAB IV
HASIL DAN PEMBAHASAN
Pada gambar scatter plot data menyebar pada empat kuadran dan tidak membentuk suatu pola
yang teratur, maka dapat disimpulkan varians data tersebut homogen.
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.
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
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.
5. Kesimpulan
Karena nilai d 2,272 maka 1,5666<2,272 <2,434 sehingga H0 diterima, kesimpulannya tidak ada
autokorelasi.
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.
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
(∑ x 12 ) ( ∑ x2 y ) −( ∑ x 1 x 2 )( ∑ x 1 y )
b 2=
(∑ x 12)( ∑ x 22)−( ∑ x1 x 2)
2
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
2 y .1
Sb =¿ 3318,521
2
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.