Excel-Basic 2

PENGENALAN MS.
EXCEL
Pendahuluan
Microsoft Excel atau Microsoft Office Excel adalah sebuah program aplikasi
lembar kerja spreadsheet yang dibuat dan didistribusikan oleh Microsoft Corporation
untuk sistem operasi Microsoft Windows dan Mac OS. Aplikasi ini memiliki fitur
kalkulasi dan pembuatan grafik yang, dengan menggunakan strategi marketing Microsoft
yang agresif, menjadikan Microsoft Excel sebagai salah satu program komputer yang
populer digunakan di dalam komputer mikro hingga saat ini. Bahkan, saat ini program ini
merupakan program spreadsheet paling banyak digunakan oleh banyak pihak, baik di
platform PC berbasis Windows maupun platform Macintosh berbasis Mac OS, semenjak
versi 5.0 diterbitkan pada tahun 1993. Aplikasi ini merupakan bagian dari Microsoft Office
System, dan versi terakhir adalah versi Microsoft Office Excel 2007 yang diintegrasikan di
dalam paket Microsoft Office System 2007 .
Sebelum mulai memasuki pembahasan Microsoft Excel, ada baiknya kita mengenal
lebih dulu bagaimana tampilan Microsoft Excel itu, beserta beberapa istilah-istilah umum
yang akan digunakan.
Cell Function Bar
Column Heading
Row Heading
Dalam Microsoft Excel terdapat 4 komponen utama yaitu :

1. Row Heading
Row Heading (Kepala garis), adalah penunjuk lokasi baris pada lembar kerja
yang aktif. Row Heading juga berfungsi sebagai salah satu bagian dari penunjuk sel
(akan dibahas setelah ini). Jumlah baris yang disediakan oleh Microsoft Excel adalah
65.536 baris.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
2. Column Heading
Column Heading
(Kepala kolom), adalah penunjuk lokasi kolom pada lembar kerja yang aktif. Sama halnya
dengan Row Heading, Column Heading juga berfungsi sebagai salah satu bagian dari
penunjuk sel (akan dibahas setelah ini). Kolom di simbol dengan abjad A – Z dan
gabungannya. Setelah kolom Z, kita akan menjumpai kolom AA, AB s/d AZ lalu kolom
BA, BB s/d BZ begitu seterus sampai kolom terakhir yaitu IV (berjumlah 256 kolom).
Sungguh suatu lembar kerja yang sangat besar, bukan. (65.536 baris dengan 256 kolom).
3. Cell Pointer
Cell Pointer (penunjuk sel), adalah penunjuk sel yang aktif. Sel adalah perpotongan
antara kolom dengan baris. Sel diberi nama menurut posisi kolom dan baris. Contoh. Sel
A1 berarti perpotongan antara kolom A dengan baris 1.
4. Formula Bar
Formula Bar, adalah tempat kita untuk mengetikkan rumus-rumus yang akan kita
gunakan nantinya. Dalam Microsoft Excel pengetikkan rumus harus diawali dengan tanda
‘=’ . Misalnya kita ingin menjumlahkan nilai yang terdapat pada sel A1 dengan B1, maka
pada formula bar dapat diketikkan =A1+B1 .
Menggerakkan Penunjuk Sel (Cell Pointer)
Cell Pointer berfungsi untuk penunjuk sel aktif. Yang dimaksud dengan sel aktif
ialah sel yang akan dilakukan suatu operasi tertentu. Untuk menggerakan ponter dengan
Mouse dapat dilakukan dengan meng-klik sel yang diinginkan. Untuk sel yang tidak
kelihatan kita dapat menggunakan Scroll Bar untuk menggeser layar hingga sel yang dicari
kelihatan lalu klik sel tersebut. Untuk kondisi tertentu kita lebih baik menggunakan
keyboard. Berikut daftar tombol yang digunakan untuk menggerakan pointer dengan
keyboard :
Tombol Fungsi
←↑→↓ Pindah satu sel ke kiri, atas, kanan atau bawah
Tab Pindah satu sel ke kanan
Enter Pindah satu sel ke bawah
Shift + Tab Pindah satu sel ke kiri
Shift + Enter Pindah satu sel ke atas
Home Pindah ke kolom A pada baris yang sedang dipilih
Ctrl + Home Pindah ke sel A1 pada lembar kerja yang aktif
Ctrl + End Pindah ke posisi sel terakhir yang sedang digunakan
PgUp Pindah satu layar ke atas
PgDn Pindah satu layar ke bawah
Alt + PgUp Pindah satu layar ke kiri
Alt + PgDn Pindah satu layar ke kanan
Ctrl + PgUp Pindah dari satu tab lembar kerja ke tab lembar berikutnya
Ctrl + PgDn Pindah dari satu tab lembar kerja ke tab lembar sebelumnya
Format Worksheets
MENAMBAHKAN BORDER DAN COLOR

Kita dapat menambahkan border pada lembar kerja kita. Caranya adalah dengan memblok
terlebih dahulu cell yang akan kita beri border, kemudian klik tombol pada tab home
Kemudian pilihlah jenis border yang diinginkan.

Microsoft Excel 2007 menyediakan pula style border yang dapat langsung kita gunakan.
Untuk menggunakannya klik tombol CELL STYLES pada tab home :
MERGE CELLS & A LLIGN CELL CONTENTS

Microsoft Excel juga menyediakan fasilitas merge cells dan memiliki fungsi yang sama
seperti pada Microsoft word. Klik tombol berikut pada tab home.
Dan untuk mengatur alignment klik tombol berikut :
o Menggunakan Rumus (Formula)

Rumus merupakan bagian terpenting dari Program Microsoft Excel , karena setiap
tabel dan dokumen yang kita ketik akan selalu berhubungan dengan rumus dan fungsi.
Operator matematika yang akan sering digunakan dalam rumus adalah ;
Lambang Fungsi
+ Penjumlahan
- Pengurangan
* Perkalian
/ Pembagian
^ Perpangkatan

% Persentase
Proses perhitungan akan dilakukan sesuai dengan derajat urutan dari operator ini,
dimulai dari pangkat (^), kali (*), atau bagi (/), tambah (+) atau kurang (-).
o Menggunakan Fungsi
Fungsi sebenarnya adalah rumus yang sudah disediakan oleh Microsoft Excel, yang
akan membantu dalam proses perhitungan. kita tinggal memanfaatkan sesuai dengan
kebutuhan. Pada umumnya penulisan fungsi harus dilengkapi dengan argumen, baik
berupa angka, label, rumus, alamat sel atau range. Argumen ini harus ditulis dengan diapit
tanda kurung ().
Beberapa Fungsi yang sering digunakan:

1. Fungsi Average(…)
Fungsi ini digunakan untuk mencari nilai rata-rata dari sekumpulan data(range).
Bentuk umum penulisannya adalah
=AVERAGE(number1,number2,…), dimana number1, number2, dan seterusnya adalah
range data yang akan dicari nilai rata-ratanya.
2. Fungsi Logika IF(…)

Fungsi ini digunakan jika data yang dimasukkan mempunyai kondisi tertentu.
Misalnya, jika nilai sel A1=1, maka hasilnya 2, jika tidak, maka akan bernilai 0. Biasanya
fungsi ini dibantu oleh operator relasi (pembanding) seperti berikut ;
Lambang Fungsi
= Sama dengan
< Lebih kecil dari
> Lebih besar dari
<= Lebih kecil atau sama dengan
>= Lebih besar atau sama dengan
<> Tidak sama dengan
3. Fungsi Max(…)
Fungsi ini digunakan untuk mencari nilai tertinggi dari sekumpulan data (range).
Bentuk umum penulisannya adalah =MAX(number1,number2,…), dimana number1,
number2, dan seterusnya adalah range data (numerik) yang akan dicari nilai tertingginya.
4. Fungsi Min(…)
Sama halnya dengan fungsi max, bedanya fungsi min digunakan untuk mencari
nilai terendah dari sekumpulan data numerik.
5. Fungsi Sum(…)
Fungsi SUM digunakan untuk menjumlahkan sekumpulan data pada suatu range.
Bentuk umum penulisan fungsi ini adalah =SUM(number1,number2,…). Dimana
number1, number2 dan seterusnya adalah range data yang akan dijumlahkan.
6. Fungsi Left(…)
Fungsi left digunakan untuk mengambil karakter pada bagian sebelah kiri dari
suatu teks. Bentuk umum penulisannya adalah =LEFT(text,num_chars). Dimana text

adalah data yang akan diambil sebagian karakternya dari sebelah kiri, num_chars adalah
jumlah karakter yang akan diambil.
7. Fungsi Mid(…)
Fungsi ini digunakan untuk mengambil sebagian karakter bagian tengah dari suatu
teks. Bentuk umum pemakaian fungsi ini adalah =MID(text,start_num,num_chars).
Artinya mengambil sejumlah karakter mulai dari start_num, sebanyak num_char.
8. Fungsi Right(…)
Fungsi ini merupakan kebalikan dari fungsi left, kalau fungsi left mengambil
sejumlah karakter dari sebelah kiri, maka fungsi mengambil sejumlah karakter dari sebelah
kanan teks.. Bentuk umum penulisannya adalah =RIGHT(text,num_chars). Dimana text
adalah data yang akan diambil sebagian karakternya dari sebelah kanan, num_chars adalah
jumlah karakter yang akan diambil.
9. Fungsi HLOOKUP dan VLOOKUP
Fungsi HLOOKUP dan VLOOKUP digunakan untuk membaca suatu tabel secara
horizontal (VLOOKUP) atau secara vertikal (VLOOKUP). Bentuk umum penulisan fungsi
ini adalah :
=HLOOKUP(Lookup_value, Table_array, Row_index_num,…)
=VLOOKUP(Lookup_value, Table_array, Col_index_num,…)
Dari rumus diatas, dapat dilihat bahwa bedanya hanya pada nomor indeksnya saja,
kalau kita pakai HLOOKUP, maka digunakan nomor indeks baris (Row_index_num), tapi
kalu pakai VLOOKUP digunakan nomor indeks kolom (Col_index_num). Nomor indeks
adalah angka untuk menyatakan posisi suatu kolom/baris dalam tabel yang dimulai dengan
nomor 1 untuk kolom/baris pertama dalam range data tersebut.
o Menggunakan GRAFIK
Salah satu fungsi unggul dalam Ms Excel 2007 adalah grafik dimana dapat melihat
hasil tabel diubah menjadi ke dalam grafik dengan cepat. Dengan fungsi grafik para
ilmuwan dapat menampilkan data mereka. Ms Excel menyediakan berbagai macam bentuk
grafik yang mencakupi Line, XY, Column, Bar, Batang, Area, Stock, dan sebagainya.
Grafik dapat dilihat dalam menu INSERT sebagai berikut.
Setelah klik tombol , maka akan muncul menu sebagai berikut : Klik tombol ini

Setelah masuk ke Insert Chart, maka silakan pilih jenis grafik yang anda inginkan
sesuai selera anda. Jika sudah terpilih jenis Chart yang anda inginkan, silakan klik OK.
Namun, karena membuat grafik perlu sebuah tabel data untuk menampilkan grafiknya.

Analisis Regresi Linear Berganda dan Riskan Simulator
1. Analisis Regresi Linear Berganda
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara
satu atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi
sering disebut variabel bebas, variabel independen atau variabel penjelas. Variabel yang
dipengaruhi sering disebut dengan variabel terikat atau variabel dependen.
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan
satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear berganda dengan
beberapa variabel bebas dan satu buah variabel terikat. Variabel independen adalah
variabel yang menjelaskan atau mempengaruhi variabel lain. Sedangkan variabel dependen
adalah variabel yang dijelaskan atau dipengaruhi oleh variabel independen. Analisis regresi
linear merupakan metode statistik yang paling jamak dipergunakan dalam penelitian-
penelitian sosial, terutama penelitian ekonomi. Program komputer yang paling banyak
digunakan adalah SPSS (Statistical Package For Service Solutions). Model regresi linear
berganda pada umumnya sebagai berikut :
Y = a + b1 X1+b2 X2+b3 X3+…+bn Xn

Keterangan:
Y : variabel terikat (dependent variable)
X1,X2,…,Xn : variabel bebas (independent variable)
a : konstanta
b1,b2,…,bn : koefisien variabel
Tujuan menggunakan analisis regresi ialah

 Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada
nilai variabel bebas.
 Menguji hipotesis karakteristik dependensi
 Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai
variabel bebas diluar jangkaun sample.
Penggunaan regresi linear didasarkan pada asumsi diantaranya sbb:

 Model regresi harus linier dalam parameter
 Variabel bebas tidak berkorelasi dengan disturbance term (Error) .
 Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut:
(E(U/X)=0.
 Varian untuk masing-masing error term (kesalahan) konstan
 Tidak terjadi otokorelasi
 Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam
model yang digunakan dalam analisis empiris.
 Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak
ada hubungan linier yang nyata
Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:
 Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar <
0.05
 Prediktor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation
 Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien
regresi signifikan jika T hitung > T table (nilai kritis)
 Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang
sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku
untuk regresi linier berganda dengan variabel bebas lebih dari satu.
 Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB)
sebesar < 1 dan > 3
 Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin
besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model
regresi semakin baik. Nilai r2mempunyai karakteristik diantaranya: 1) selalu positif,
2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti
kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat
diterangkan oleh model regresi. Sebaliknya jika r 2 sama dengan 0, maka tidak ada
hubungan linier antara X dan Y.
 Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
 Data harus berdistribusi normal.
 Data berskala interval atau rasio.
 Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(disebut juga sebagai variabel predictor) sedang variabel lainnya variabel
tergantung (disebut juga sebagai variabel response).
Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria seperti di
bawah ini:
 Parsimoni: Suatu model tidak akan pernah dapat secara sempurna menangkap
realitas; akibatnya kita akan melakukan sedikit abstraksi ataupun penyederhanaan
dalam pembuatan model.
 Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameter-
parameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan kata
lain, hanya akan ada satu parameter saja.
 Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan
sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan variabel
bebas dalam model. Oleh karena itu, suatu model dikatakan baik jika eksplanasi
diukur dengan menggunakan nilai adjusted r2 yang setinggi mungkin.
 Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran tanpa
teori akan dapat menyesatkan hasilnya.
 Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan kemampuan
prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi
teoritisnya berasal dari pengalaman empiris.
Uji asumsi klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi
linear berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak
berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik
atau regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada
analisis regresi linear, misalnya uji multikolinearitas tidak dapat dipergunakan pada

analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross
sectional.
Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan
untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung
dengan market model, atau market adjusted model. Perhitungan nilai return yang
diharapkan dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.
Setidaknya ada lima uji asumsi klasik, yaitu uji multikolinearitas, uji heteroskedastisitas,
uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang
urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data
yang ada. Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu dilihat
mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut,
dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain.
1. Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak.
Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji
normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya.
Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masing-
masing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada
nilai residualnya bukan pada masing-masing variabel penelitian.
Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas
siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar
berada pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak
normal, atau sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka
kelas tersebut tidak normal atau merupakan kelas unggulan. Pengamatan data yang normal
akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan
mengumpul di tengah. Demikian juga nilai rata-rata, modus dan median relatif dekat.
Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square,
Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik
atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering
menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji
normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan
bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik.
Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi
Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang
mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat
dilakukan beberapa langkah yaitu: melakukan transformasi data, melakukan trimming data
outliers atau menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk
Logaritma natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk
kurva normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah atau menyebar
ke samping kanan dan kiri.
2. Uji Multikolinearitas

Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara
variabel-variabel bebas dalam suatu model regresi linear berganda. Jika ada korelasi yang
tinggi di antara variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap
variabel terikatnya menjadi terganggu. Sebagai ilustrasi, adalah model regresi dengan
variabel bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan variabel terikatnya
adalah kinerja. Logika sederhananya adalah bahwa model tersebut untuk mencari pengaruh
antara motivasi, kepemimpinan dan kepuasan kerja terhadap kinerja. Jadi tidak boleh ada
korelasi yang tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan
kerja atau antara kepemimpinan dengan kepuasan kerja.
Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah
dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas,
atau dengan melihat eigenvalues dan condition index (CI).
Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:
1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.
2. Menambah jumlah observasi.
3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat
atau bentuk first difference delta.
4. Dalam tingkat lanjut dapat digunakan metode regresi bayessian yang masih jarang sekali
digunakan.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari
residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi
persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke
pengamatan yang lain tetap atau disebut homoskedastisitas.
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan

memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang
baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah,
menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik
yang dapat digunakan adalah uji Glejser, uji Park atau uji White.
Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan
mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua
data bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan
variabel yang mengalami gangguan heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan
periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk
melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada
korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah
pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data
tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh
tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model tersebut.

Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu
keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari
apapun, pengeluaran pada bulan Februari akan rendah.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu
dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua
variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada
penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya
memerlukan uji autokorelasi.
Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run
Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange
Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan
mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk
persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan
dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel
bebas, sehingga data observasi menjadi berkurang 1.
5. Uji Linearitas
Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai
hubungan linear atau tidak. Uji ini jarang digunakan pada berbagai penelitian, karena
biasanya model dibentuk berdasarkan telaah teoretis bahwa hubungan antara variabel
bebas dengan variabel terikatnya adalah linear. Hubungan antar variabel yang secara teori
bukan merupakan hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi
linear, misalnya masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak, uji
linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut
bersifat linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat
linear antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil
observasi yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test
atau uji Lagrange Multiplier.
Metode analisis regresi linear dengan variabel moderating :
1. Multiple Regression Analysis (MRA)

Metode ini dilakukan dengan menambahkan variabel perkalian antara variabel bebas
dengan variabel moderatingnya, sehingga persamaan umumnya adalah sebagai berikut: Y
= a + b1 X1 + b2 X2 + b3 X1 X2 dengan Y adalah kinerja, X1 adalah kepuasan kerja, X2
kompensasi dan X1 X2 adalah perkalian antara kepuasan kerja dengan kompensasi.
Hipotesis moderating diterima jika variabel X1 X2 mempunyai pengaruh signifikan
terhadap Y, tidak tergantung apakah X1 dan X2 mempunyai pengaruh terhadap Y atau
tidak. Model ini biasanya menyalahi asumsi multikolinearitas atau adanya korelasi yang
tinggi antara variabel bebas dalam model regresi, sehingga menyalahi asumsi klasik.
Hampir tidak ada model MRA yang terbebas dari masalah multikolinearitas, sehingga
sebenarnya model ini tidak disarankan untuk dipergunakan.

2. Absolut residual
Model ini mirip dengan MRA, tetapi variabel moderating didekati dengan selisih mutlak
(absolut residual) antara variabel bebas dengan variabel moderatingnya. Penerimaan
hipotesis juga sama, dan model ini masih riskan terhadap gangguan multikolinearitas
meskipun risiko itu lebih kecil dari pada dengan metode MRA.
3. Residual
Model ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi jika
terdapat ketidakcocokan dari deviasi hubungan linear antara variabel independen.
Langkahnya adalah dengan meregresikan antara kepuasan kerja terhadap kompensasi dan
dihitung nilai residualnya. Pada program SPSS dengan klik Save pada regreesion, lalu klik
pada usntandardized residual. Nilai residual kemudian diambil nilai absolutnya lalu
diregresikan antara kinerja terhadap absolut residual. Hipotesis moderating diterima jika
nilai t hitung adalah negatif dan signifikan. Model ini terbebas dari gangguan
multikolinearitas karena hanya menggunakan satu variabel bebas.
Output pertama yang dihasilkan oleh analisis regresi adalah Koefisien Korelasi
Pearson Product-Moment. Koefisien ini yang menunjukkan derajat hubungan antara
variabel X (customer experience) dan variabel Y (customer loyalty). Koefisien korelasi
selalu di antara 1 dan -1 (-1 ≤ r ≤ +1).
Untuk menghitung Koefisien Korelasi Pearson Product-Moment secara manual,
yaitu dengan:
Rumus Pearson Product-Moment Correlation:
nΣXY - ΣXΣY
r=
Keterangan Notasi:
r [nΣX= Nilai
2 2
][nΣY 2 Pearson
- (ΣX )Korelasi - (ΣY ) ]
2
X = Jumlah hasil pengamatan variabel X

Y = Jumlah hasil pengamatan variabel Y
XY = Jumlah dari hasil kali pengamatan variabel X dan variabel Y
n
X = Jumlah dari hasil pengamatan variabel X yang telah dikuadratkan
n
Y = Jumlah dari hasil pengamatan variabel Y yang telah dikuadratkan
Tanda positif dan tanda negatif masing-masing menunjukkan hubungan positif dan
hubungan negatif. Hubungan positif yaitu apabila semakin tinggi nilai variabel X
(customer loyalty), maka semakin tinggi pula nilai variabel Y (customer loyalty), atau
sebaliknya. Hubungan negatif yaitu apabila semakin tinggi nilai variabel X (customer
loyalty), maka semakin rendah nilai variabel Y (customer loyalty), atau sebaliknya (Aaker,
2003: 510-511).
Bila ingin menghitung koefisien a dan b secara manual, maka digunakan metode
kuadrat terkecil dengan rumus, (Sudjana, 2005:315):
a 
 Y  X    X  XY 
2
X  Universitas
 X  Padjadjaran ©2010
2 2
Program Magister Manajemen Fakultas
n  Ekonomi
n XY   X  Y 
b
n X 2   X 
2
Keterangan :
n = Banyaknya sampel
∑X = Jumlah hasil pengamatan variabel X
∑Y = Jumlah hasil pengamatan variabel Y
∑XY = Jumlah dari hasil kali pengamatan variabel X dengan variabel Y
∑X2 = Jumlah dari hasil pengamatan variabel X yang telah dikuadratkan
∑Y2 = Jumlah dari hasil pengamatan variabel Y yang telah dikuadratkan
Jika a berharga negatif, maka potongan garis a berada di bawah titik asal pada
sumbu tegak. Koefisien b merupakan koefisien arah regresi, yang menyatakan berubahnya
harga Y untuk setiap penambahan unit X. Jika b positif, maka garis regresinya condong ke
sebelah kanan dan ini menyatakan bahwa rata-rata pertambahan Y untuk setiap unit
pertambahan X. Jika b negatif, maka garis regresinya condong ke sebelah kiri dan ini
menyatakan bahwa rata-rata berkurangnya Y untuk setiap pertambahan unit X, (Sudjana,
2005: 318).
Tabel 1
Pedoman Interpretasi terhadap Koefisien Korelasi
Interval Koefisien Tingkat Hubungan
0,00 – 0,199 Sangat rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0,799 Kuat
0,80 – 1,000 Sangat kuat
Sumber: Sugiyono, 2006:183
Contoh soal :
Dalam menghitung potensi pajak suatu daerah dapat diukur menggunakan variabel Produk
Domestik Regional Bruto (PDRB), jumlah penduduk, mobil penumpang, mobil barang,
dan bus. Dari hasil penelitian diperoleh data pada Tabel 2.
Tentukan :
a) Persamaan regresinya dan interpretasikan artinya.
b) Tentukan koefisien korelasi, koefisien determinasi, dan koefisien non determinasi,
serta interpretasikan artinya.
c) Tentukan persamaan regresi lower bound dan upper bound.
Langkah penyelesaian menggunakan SPSS v16 for windows

1. Buka source data di Desktop, nama file data : data pajak indonesia.xls
2. Buka SPSS v16 for windows.
3. Drag semua data (Pajak, PDRB, Penduduk, Mobil Penumpang, Mobil Barang,
Bus, dan Sepeda Motor), kemudian copy (ctrl+c) dan paste (ctrl+v) pada data
view SPSS.
4. Variabel dengan nama Pajak, PDRB, Penduduk, Mobil Penumpang, Mobil
Barang, Bus, dan Sepeda Motor boleh diganti dengan
Adapun langkah-langkah analisis regresi linier sederhana dengan menggunakan Software

SPSS 16 for Windows adalah sebagai berikut:
1. Pada Data View masukkan data variabel X (customer experience) dan variabel Y
(customerloyalty).
2. Pilih Analyze, kemudian pilih Regression, lalu pilih Linear.
3. Masukkan variabel Y (pajak) ke dalam kotak Dependent.
4. Masukkan variabel X () ke dalam kotak Independent.
5. Pilih kotak Method, biarkan default pada metode Enter.
6. Abaikan kotak Selection Variable, Case Label, dan WLS Weight.
7. Klik Options, dan akan keluar kotak dialog Options.
8. Pada Stepping Method Criteria, pilih Uji F, lalu ketik pada Entry.05
9. Include constant in equation telah terpilih.
10. Pada Missing Values, pilih Exclude case listwise.
11. Klik Continue untuk melanjutkan ke kotak dialog utama.
12. Klik Statistics. Setelah muncul kotak Statistics, biarkan saja Estimates dan Model
Fit yang telah terpilih secara default. Selanjutnya klik Descriptives.
13. Pada Residuals, klik Casewise diagnostics dan klik All Cases.
14. Klik Continue untuk melanjutkan.
15. Klik Plots, dan akan muncul kotak dialog Plots.
16. Klik SDRESID dan masukkan ke pilihan Y. Selanjutnya klik ZPRED, masukkan ke
pilihan X. Lalu klik Next untuk melanjutkan ke pilihan kedua.
17. Masukkan ZPRED ke pilihan Y, lalu masukkan DEPENDENT ke pilihan X. Klik
Next.
18. Pada Standardized Residual Plot, klik kotak di depan Normal Probability Plot.
19. Klik Continue, lalu tekan OK. (Triton, 2006: 120-124)
Dengan Ms. Excel

1. Klik DATA -> Data Analysis -> pilih Regression
2. Kemudian akan keluar dialog box seperti di samping :

 Masukkan nilai Y pada kolom Input Y Range
dan nilai X1 dan X2 pada kolom Input X Range
 Klik pilihan seperti pada gambar
 Pilih OK

3. Akan diperoleh hasil seperti pada gambar di bawah ini :
4. Sehingga diperoleh nilai b0 ,b1 , dan b2 berurutan 4.131236, -0.5221258, dan

0,1490239.
5. Susun persamaan :
Y = 4.131236 – 0.52213 X1 + 0.149024 X2

Riskan Simulator
Pada masa lalu simulasi dijadikan cara terakhir, yang hanya digunakan jika metode analitik
tidak dapat menyelesaikan masalah. Namun pada saat ini simulasi merupakan salah satu
alat yang sering digunakan untuk analisa kuantitatif. Mengapa model simulasi begitu
populer ?
1. Model analitik sulit diperoleh, tergantung dari faktor kerumitan dari setiap spesifikasi
model, misalnya untuk model capital budgeting (penganggaran modal) meliputi tingkat
permintaan yang bersifat tidak pasti, untuk model inventory (persediaan) meliputi
tingkat persediaan yang tidak pasti.
2. Model analitik biasanya hanya digunakan untuk memprediksi/ memperkirakan rata-rata
atau sesuatu yang bersifat “steady-state” (tidak berubah terhadap waktu). Dalam
memodelkan dunia nyata perlu adanya kemungkinan variasi terhadap pengamatan, atau
bagaimana melakukan pengamatan untuk data yang bervariasi.
3. Simulasi dapat dilakukan dengan bermacam-macam software, dari spreadsheet itu
sendiri (Excel, Lotus), spreadsheet add-ins (Crystal Ball, @Risk), bahasa pemrograman
komputer secara umum (PASCAL, C++) sampai dengan bahasa khusus untuk simulasi
(SIMAN).
Kemampuan model simulasi untuk mengatasi kerumitan, variasi pelaksanaan
pengamatan, dan reproduksi perilaku yang berubah-ubah membuat simulasi itu menjadi
alat yang sangat berguna (powerful).
SIMULASI DAN VARIABEL RANDOM

Simulasi adalah proses untuk menyelidiki perilaku sistem nyata dengan menggunakan
model yang meniru perilaku sistem tersebut. Suatu model simulasi dibuat dengan
mengidentifikasi pernyataan matematis dan hubungan logis yang mendeskripsikan
operasional sistem. Secara umum komputer digunakan untuk mengerjakan perhitungan
dalam simulasi. Simulasi berbeda dengan optimisasi. Nilai variabel keputusan pada model
optimisasi merupakan output, yang berarti model menghasilkan sejumlah nilai untuk
variabel tersebut yang akan memaksimumkan (atau meminimumkan) harga dari fungsi
tujuan. Pada model simulasi nilai dari variabel keputusan merupakan input, yang berarti
model mengevaluasi fungsi tujuan untuk beberapa buah nilai masukan.
Model simulasi seringkali digunakan untuk menganalisa suatu keputusan yang berisiko
(decision under risk), dimana perilaku dari satu faktor atau lebih tidak diketahui dengan
pasti. Contoh : permintaan produk untuk bulan depan, kembalinya modal investasi, jumlah
truk yang akan tiba esok hari untuk bongkar muatan selama jam 8:00 dan 9:00 pagi dan
sebagainya.
Pada beberapa kasus, faktor yang tidak diketahui secara pasti dikenal sebagai variabel
random. Perilaku variabel random digambarkan sebagai distribusi peluang (probability
distribution).
Simulasi jenis ini disebut Metode Riskan Simulator, seperti putaran rollet di Riskan
Simulator, dimana dapat dianggap sebagai alat yang menimbulkan kejadian acak atau tidak
pasti.
MENGHASILKAN VARIABEL RANDOM

Ada 2 jenis variabel random :

 Variabel random diskrit : sesuatu yang pasti (contoh bilangan bulat)
 Variabel random kontinu : dapat berupa bilangan pecahan (yang jumlah
kemungkinannya tidak terbatas).
Contoh penghasil variabel random : Game spinner (lihat Gambar 5.1) dapat digunakan
untuk mensimulasikan permintaan. Misalnya 10% peluang permintaan sama dengan 8,
20% peluang permintaan sama dengan 9, 30% peluang permintaan sama dengan 10, 20%
peluang permintaan sama dengan 11, 10% peluang permintaan sama dengan 12, 10%
peluang permintaan sama dengan 13. Pada saat piringan berhenti, lihat sektor yang
ditunjukkan, misalnya 9 berarti tingkat permintaan sama dengan 9.
Gambar Game Spinner
MENGGUNAKAN PEMBANGKIT ANGKA RANDOM PADA SPREADSHEET

Meskipun game spinner mudah dimengerti, metode ini mempunyai kekurangan bila
dilakukan percobaan ribuan kali atau jika prosesnya dilakukan dengan menggunakan
komputer. Untuk alasan tersebut dikembangkan Random Number Generator (RNG)
(pembangkit angka random) pada spreadsheet.
Untuk menghasilkan tingkat permintaan, yang pertama dilakukan adalah menentukan

range dari bilangan random untuk masing-masing permintaan yang mungkin. Total nilai
yang dipilih untuk permintaan harus sama dengan peluang dari permintaan itu (lihat
Tabel).
Tabel
Hubungan Antara Bilangan Random dengan Tingkat Permintaan
Demand Number Demand
0.0-0.09999 8
0.1-0.29999 9
0.3-0.39999 10
0.6-0.69999 11
0.8-0.89999 12
0.9-0.99999 13
RUMUS UNTUK MENGHASILKAN BILANGAN RANDOM

Untuk menghasilkan bilangan random pada Excel digunakan rumus :

INT(x – y +1)*RAND())
Misalnya :
INT (5*RAND()) akan memberikan bilangan random kontinu antara 0 dan 5,
INT (8+5*RAND()) akan menghasilkan bilangan kontinu antara 8 dan 13 (yaitu lebih dari
12.99999…).
Tabel
Menggunakan RAND() Untuk Menghasilkan Permintaan Diskrit
Values for RAND() =INT(8+5*RAND())

0<=RAND()<0.2 8
0.2<=RAND()<0.4 9
0.4<=RAND()<0.6 10
0.6<=RAND()<0.8 11
0.8<=RAND()<1.0 12
RUMUS LAIN
=-20*LN(1-RAND()) akan menghasilkan distribusi bilangan random eksponensial dengan
rata-rata 20.
=NORMINV(RAND(),1000,100) akan menghasilkan bilangan random berdistribusi
normal dengan rata-rata 1000 dan standar deviasi 100 di Excel
SIMULASI DENGAN SPREADSHEET ADD-INS RISKAN SIMULATOR

June Wilson adalah seorang manajer pengembangan produk baru, dimana sedang
mempertimbangkan kemungkinan untuk penambahan dalam daftar alat berat PROTRAC.
Biaya yang diperlukan untuk model G-9 (dimana di dalamnya tercakup pembelian
beberapa peralatan baru, pelatihan karyawan baru dan sebagainya) diperkirakan $150.000.
Produk baru akan dijual dengan harga $35.000 per unit. Biaya perbaikan tiap tahun
diperkirakan $15.000. Variabel biaya sebesar 72% dari revenue tiap tahun. Depresiasi
peralatan baru sebesar $10.000 per tahun setelah 4 tahun masa produksi yang diharapkan
dari G-9. Nilai sisa dari peralatan setelah 4 tahun adalah tidak pasti, June
memperkirakannya sama dengan 0. Biaya modal dari PROTRAC adalah 10% dan tingkat
pajak 34%.
(1) Berapakah expected value dari NPV?
(2) Berapa kemungkinan NPV diasumsikan mempunyai nilai negatif?
SIMULASI DENGAN SPREADSHEET ADD-INS RISKAN SIMULATOR

Untuk menjawab dua pertanyaan diatas, maka perlu dibuat modelnya terlebih dahulu
seperti yang telihat pada gambar 2.

Gambar
Spreadsheet Wilson dengan Permintaan yang Dipilih Secara Random
MENGEVALUASI PROPOSAL
1. Klik pada sel B21 (sel NPV).
2. Klik pada menu ORBS  Define Cell.
3. Klik menu ORBS  Preferences dan ubah “Trial” menjadi 1000.
Gambar
Kotak dialog preferensi
4. Kemudian pilih menu ORBS  Run dan setelah ORBS melakukan 1000 iterasi akan
muncul sheet baru dengan nama Result. Dalam sheet Result terdapat tabel distribusi
frekuensi beserta grafik dan deskriftif statistik.

Gambar
Hasil dari simulasi ORBS
Downside Risk dan Upside Risk

June juga ingin mengetahui kemungkinan terbaik dan terburuk. Pada tampilan yang sama
(Gambar 4), NPV terbesar adalah $49,068 dan yang terkecil adalah (24,156). Hal ini
memberi June ide yang lebih baik tentang jangkauan NPV yang mungkin terjadi ($73,224).
Pada Gambar 5 dapat dilihat berapa persen kemungkinan NPV akan negatif yaitu 19,7%.

Gambar 5
Persentase ORBS
Berikut ini merupakan kesimpulan dan komentar dari beberapa aspek yang telah dibahas
adalah sebagai berikut :
1. Simulator spreadsheet memerlukan parameter dan keputusan sebagai input dan
hasil perhitungan sebagai suatu output.
2. Masing-masing iterasi dari simulator spreadsheet (untuk parameter dan keputusan
yang sama) akan menghasilkan nilai yang berbeda.
3. Penambahan jumlah iterasi dari spreadsheet simulator (untuk parameter yang
sama) biasanya akan memperbaiki akurasi dari estimasi "expected value" pada
hasil perhitungan. Jika digunakan 1000 atau 5000 percobaan pada simulasinya,
maka avarage profit untuk masing-masing jumlah pemesanan akan cenderung
lebih mendekati expected profit yang sebenarnya.
4. Pada simulasi tidak ada keyakinan bahwa telah ditemukan keputusan yang
optimal, meskipun telah digunakan interval keyakinan 95% atau 99% yang secara
statistik berarti telah cukup dilakukan percobaan. Keyakinan yang kurang dari
100% ini disebabkan simulasi hanya dapat memberikan estimasi yang diharapkan
efektif dan bukan nilai eksak karena inputnya berupa bilangan random.
5. Manajemen perlu menaksir empat faktor utama dalam studi simulasi :
a. Apakah model bisa mewakili esensi dari permasalahan yang sebenarnya?
b. Apakah pengaruh kondisi awal dan akhir dari simulasi perlu diperhitungkan ?
c. Apakah percobaan sudah cukup dilakukan untuk masing-masing keputusan
sehingga average value dari perhitungan yang dilakukan merupakan indikasi
bagi expected value yang sebenarnya?
d. Apakah keputusan telah cukup dievaluasi sehingga jawaban terbaik yang
ditemukan cukup dekat ke nilai optimum ?

Membuat scatter diagram perbandingan pajak/jumlah kendaraan dan PDRB per kapita
1. Pada data excel seperti berikut :
2. Buat kolom pajak/kendaraan dan pdrb per penduduk. Isi kolom tersebut dengan rumus
=(c2/d2) kemudian enter. Dan kolom PDRB per penduduk dengan rumus =(e2/f2)
kemudian enter.
3. Hasil perhitungan kemudian ditarik ke bawah untuk semua data.
4. Hitung rata-rata dengan cara =average(data) kemudian enter, dan standar deviasi
dengan cara =stdev(data) kemudian enter.
5. Kurangi hasil angka pajak per kendaraan dan PDRB per penduduk dengan hasil rata-
rata dengan rumus =G2-$G$26 (pajak/kendaraan) dan =H2-$H$26 (pdrb per
penduduk)
6. Untuk membuat scatter diagram dengan cara blok semua data pada kolom I dan J, klik
insert kemudian pilih scatter seperti gambar dibawah ini :

7. Hasil yang diperoleh sebagai berikut :
8. Untuk mengganti layout scatter diagram dengan cara klik gambar kemudian pilih chart
layout seperti pada gambar di bawah ini :
9. Kemudian ganti angka-angka pada dengan nama Kab/Kota sesuai dengan nilai
Kab/Kota pada kolom I dan J. Hasil yang diperoleh sebagai berikut :

Untuk menghitung target PKB untuk setiap jenis kendaraan sebagai berikut :
1. Untuk data PKB seperti pada gambar di bawah ini :
2. Hitung pertumbuhan kendaraan tahun 2007 dengan cara =(B4-B3)/B3, tarik sampai
pertumbuhan 2010.
3. Hitung rata-rata dengan cara =average(pertumbuhan) kemudian enter
4. Hitung standar deviasi dengan cara =stdev(pertumbuhan) kemudian enter
5. Carilah nilai nilai maksimum dari nilai pertumbuhan dengan cara rata-rata+standar
deviasi, dan nilai minimum dengan cara rata-rata – standar deviasi.
6. Hitunglah jumlah pertumbuhan kendaraan maksimum dengan cara nilai maksimum
dikali jumlah kendaraan di tahun akhir (2010).
7. Hitunglah jumlah pertumbuhan kendaraan minimum dengan cara nilai minimum dikali
jumlah kendaraan di tahun akhir (2010).
8. Hitung selisih kendaraan dengan cara jumlah pertumbuhan kendaraan maksimum
dikurangi jumlah pertumbuhan kendaraan minimum.
9. Hitung angka random dengan cara =minimum+(selisih*rand()) kemudian enter.
10. Hitung persamaan regresi dengan cara pilih data kemudian data analysis pilih
regression seperti pada gambar di bawah ini :
11. Masukan nilai X (jumlah kendaraan) dan nilai Y (penerimaan PKB), pilih labels,
constant is zero, confidence level dan output options pilih output range kemudian klik
kolom yang berwarna putih dan tentukan tempat meletakkan hasil perhitungan. Seperti
pada gambar dibawah ini :

12. Hasil regresi yang diperoleh sebagai berikut :
13. Hitung selisih KBM dengan cara upper – lower.

14. Hitung random KBM dengan cara =minimum(selisih*rand()) kemudian enter.
15. Untuk menghitung penambahan PKB dengan cara =random kendaraan*random KBM
16. Untuk menghitung target PKB tahun 2011 dengan cara =penambahan
PKB+(PKB2010*0.9) kemudian enter. 0.9 diperoleh dari konstanta kendaraan yang
tidak daftar ulang.
17. Hasilnya dirunning dengan riskan beta sebagai berikut :
18. Klik riskan beta kemudian akan muncul gambar sebagai berikut dan pilih enable
macros.

19. Akan muncul menu addins pada kanan atas
20. Klik hasil random kemudian klik RISKAN pilih preference, RISKAN pilih define cell,
RISKAN pilih run. Seperti pada gambar dibawah ini :
21. Hasil dapat dilihat pada sheet result sebagai berikut :
22. Untuk menentukan pesimis, moderat dan optimis dengan cara sebagai berikut:
Kelas Batas Bawah Batas Atas Persen

Pesimis 12238311424 14507192320 22.85%

Moderat 14507192320 19044954112 51.10%
Optimis 19044954112 21691981824 26.05%

Analisis Peubah Ganda (Multivariate Analysis)
3.2.2.1 Analisis Komponen Utama (Principal Component Analysis)
Analisis komponen utama merupakan suatu tehnik statistik untuk mengubah dari
sebagian besar variabel asli yang digunakan yang saling berkorelasi satu dengan yang
lainnya menjadi satu set variabel baru yang lebih kecil dan saling bebas (tidak berkorelasi
lagi). Jadi analisis komponen utama berguna untuk mereduksi data, sehingga lebih mudah
untuk menginterpretasikan data-data tersebut (Johnson & Wichern, 1982).
Analisis komponen utama merupakan analisis antara dari suatu proses penelitian
yang besar atau suatu awalan dari analisis berikutnya, bukan merupakan suatu analisis
yang langsung berakhir. Misalnya komponen utama bisa merupakan masukan untuk
regresi berganda atau analisis gerombol. (Johnson & Wichern, 1982).
Secara aljabar linier komponen utama adalah kombinasi linier-kombinasi linier
tertentu dari p peubah acak x1,x2,x3,….,xp. Secara geometris kombinasi linier ini
merupakan sistem koordinat baru yang didapat dari rotasi sistem semula dengan
x1,x2,….,xp sebagai sumbu koordinat. Sumbu baru tersebut merupakan arah dengan
variabilitas maksimum dan memberikan kovariansi yang lebih sederhana.
Komponen utama tergantung kepada matrik ragam peragam  dan matrik korelasi
 dari x1,x2,…,xp, dimana pada analisisnya tidak memerlukan asumsi populasi harus
berdistribusi Normal Multivariate. Apabila komponen utama diturunkan dari populasi
Normal Multivariate interpretasi dan inferensi dapat dibuat dari komponen sampel.
Melalui matrik ragam peragam bisa diturunkan akar ciri-akar cirinya yaitu 1  2  …. 
p  0 dan vektor ciri-vektor cirinya yaitu 1,2,….,p.
Menyusutkan dimensi peubah asal X dapat dilakukan dengan membentuk peubah
baru Y= 11 + 22 +….+ pp atau Y = ’p dimana  adalah matrik transformasi yang
mengubah peubah asal X menjadi peubah baru Y yang disebut komponen utama, karena
itu sering disebut vektor pembobot. Syarat untuk membentuk komponen utama yang
merupakan kombinasi linier dari peubah X agar mempunyai keragaman yang besar adalah
dengan memilih ’= (1 2 … p) sedemikian hingga Var (Y) = ’ maksimum dan ’
=1
Persoalan ini dapat diselesaikan dengan Pengganda Lagrange (Lagrange
Multiplier) dimana:
f  ,     '      '  1
Fungsi ini mencapai maksimum jika turunan parsial pertama f(,) terhadap  dan  sama
dengan nol.
 f  ,  
 0  2    2   0

f  ,  
 0   '  1  0

Jika persamaan di atas digandakan dengan vektor ’ maka:
2'   2'  0
  '   var  ' X   var  Y 
Dalam hal ini  harus sebesar mungkin karena  = Var (Y) sendiri diusahakan maksimum,
sehingga  yang diambil dari akar ciri maksimum dari . Selanjutnya  ditentukan dari
persamaan ( - I)  = 0

Secara umum komponen utama ke-i adalah kombinasi linier terbobot peubah asal
yang mampu menerangkan meragaman data ke-i, bisa ditulis sebagai berikut:
Yi = i11 + i22 + … + ipp
VAR (Yi) = I , i = 1, 2,…, p
Dari persamaan diatas diketahui ’ i-1I = 0, maka Cov (Yi-1-Yi) = 0. Ini
menunjukkan bahwa komponen utama tidak saling berkorelasi dan komponen utama ke-i
memiliki keragaman sama dengan akar ciri ke-i. Oleh karena itu keragaman total yang
mampu diterangkan setiap komponen utama adalah proporsi antara akar ciri komponen
tersebut terhadap jumlah akar ciri atau teras (trace) matrik .
Matrik ragam peragam  yang digunakan dalam masalah ini jika peubah yang
diamati ukurannya pada skala dengan perbedaan tidak besar atau jika satuan ukurannya
sama. Bila peubah yang diamati ukurannya pada skala dengan perbedaan yang sangat lebar
atau satuan ukurannya tidak sama, maka peubah tersebut perlu dibakukan (standardized)
sehingga komponen utama ditentukan dari peubah baku.
Peubah baku (Z) didapat dari transformasi terhadap peubah asal dalam matrik
berikut:
1
Z V 1
2
 X  
V1/2 adalah matrik simpangan baku dengan unsur diagonal utama adalah (ii)1/2 sedangkan
unsur lainnya adalah nol. Nilai harapan E(Z) = 0 dan keragamannya adalah Cov (Z) =
(V1/2)-1  (V1/2)-1 = 
Dengan demikian komponen utama dari Z dapat ditentukan dari vektor ciri yang
didapat melalui matrik korelasi peubah asal . Untuk mencari akar ciri dan menentukan
vektor pembobotnya sama seperti pada matrik . Sementara teras matrik korelasi  akan
sama dengan jumlah p peubah yang dipakai.
Penyusutan dimensi asal dengan cara mengambil sejumlah kecil komponen yang
mampu menerangkan bagian terbesar keragaman data. Apabila komponen utama yang
diambil sebanyak q buah, dimana q < p, maka proporsi keragaman yang bisa diterangkan
adalah: (1 + 2 +… + q ) / i i=1,2,…,p
Sehingga nilai proporsi dari varian total populasi dapat diterangkan oleh komponen
pertama, kedua atau sampai sejumlah q komponen utama secara bersama-sama adalah
semaksimal mungkin. Tidak ada ketetapan berapa besar proporsi keragaman data yang
dianggap cukup mewakili keragaman total. Meskipun jumlah komponen utama berkurang
dari peubah asal tetapi ini merupakan gabungan dari peubah-peubah asal sehingga
informasi yang diberikan tidak berubah.
Pemilihan komponen utama yang digunakan didasarkan pada akar ciri yang
nilainya lebih besar dari 1 (i > 1). Idealnya, banyaknya komponen utama yang secara
kumulatif telah dapat menerangkan sekitar 60 persen atau lebih variasi dalam data,
khususnya untuk data sosial.
Berikutnya kita melakukan penghitungan matrik korelasi dimana digunakan untuk
melihat keeratan hubungan antara peubah yang satu dengan peubah yang lainnya, untuk itu
dapat dilakukan dua cara yaitu:
 Uji Bartlett
Uji ini digunakan untuk melihat apakah matrik korelasi bukan merupakan matrik
identitas. Dipakai bila sebagian besar dari koefisien korelasi kurang dari 0,5. Langkah-
langkahnya adalah:
1. Hipotesis
Ho : Matrik korelasi merupakan matrik identitas
H1 : Matrik korelasi bukan merupakan matrik identitas
2. Statistik uji

 2    N  1 
2 p  5 ln R
 6 
N = Jumlah observasi p = Jumlah peubah

R = Determinan dari matrik korelasi
3. Keputusan
Uji Bartlett akan menolak H0 jika nilai
 2 o b s   2  , p  p  1 / 2
 Uji Kaiser Mayer Olkin (KMO)
Uji ini digunakan untuk mengetahui apakah metode sampling yang digunakan
memenuhi syarat atau tidak. Uji KMO juga digunakan dalam analisis faktor dimana untuk
mengetahui apakah data tersebut dapat dianalisis lebih lanjut atau tidak dengan analisis
faktor. Rumusan uji KMO adalah:
r i j
2
ij
KMO  ; i = 1,2,…,p ; j = 1,2,…,p

r  a
i j
2
ij
i j
2
ij
Dimana: rij = Koefisisen korelasi sederhana antara peubah i dan j

aij = Koefisien korelasi parsial antara peubah i dan j
Penilaian uji KMO dari matrik antar peubah adalah sebagai berikut:
a. 0,9 < KMO  1,00  data sangat baik untuk analisis faktor
b. 0,8 < KMO  0,9  data baik untuk analisis faktor
c. 0,7 < KMO  0,8  data agak baik untuk analisis faktor
d. 0,6 < KMO  0,7  data lebih dari cukup untuk analisis faktor
e. 0,5 < KMO  0,6  data cukup untuk analisis faktor
f. KMO  0,5  data tidak layak untuk analisis faktor
3.2.2.2 Analisis Faktor (Factor Analysis)

Analisis faktor merupakan suatu alat uji banyak variabel dimana untuk mengamati
dan menganalisis suatu fenomena yang dapat dibuat suatu pola. Variabel-variabel yang
banyak dan tidak terobservasi disebut sebagai faktor. Pada dasarnya model faktor ini
adalah pendorong bagi pembentukan suatu argumentasi. Variabel-variabel yang terdapat
dalam model itu akan di kelompokkan berdasarkan hubungan antar variabel tersebut.
Faktor analisis dapat dikatakan sebagai analisis komponen utama yang khusus.
Keduanya dapat ditampilkan sebagai percobaan dari perkiraan covariance matrix . Tetapi
model analisis faktor lebih rumit, pertanyaan utama dari analisis faktor adalah bagaimana
data tersebut dapat konsisten pada struktur model yang sudah ditentukan.
Dalam hal menganalisis sejumlah peubah akan dianalisis interkorelasi antar peubah
untuk menetapkan apakah variasi yang tampak dalam peubah berasal atau berdasarkan
sejumlah faktor dasar yang jumlahnya lebih sedikit dari variasi yang terdapat pada peubah-
nya. Jadi analisis faktor mempunyai karakter khusus yaitu mampu untuk mengurai data.
Jika terdapat korelasi dari sutau set data, maka analisis faktor akan memperlihatkan
bebrapa pola yang mendasari sehingga data yang ada dapat dirancang atau dikurangi

menjadi set faktor atau komponen yang lebih kecil. Analisis faktor ini dikerjakan untuk
memperoleh sejumlah kecil faktor yang mempunyai sifat-sifat sebagai berikut:
1. Mampu menerangkan keragaman data secara maksimum.
2. Terdapatnya kebebasan faktor.
3. Tiap faktor dapat diinterpretasikan dengan sejelas-jelasnya.
Model analisis faktor:
X1 - 1= l11F1 + l11F2 + … +l1mFm + 1
X2 - 2 = l21F1 + l22F2 + … + l2mF m + 2
. .
. .
Xp - p = lp1F1 + lp2F2 + … + lpmF m + m
Atau dalam notasi matriks:
Xpx1 - px1 = LpxmFmx1 + px1
Dimana: X = vektor peubah asal
 = Vektor rata-rata peubah asal
L = Matriks penimbang
F = Vektor faktor bersama
 = Vektor faktor spesifik
Model (X-) = LF +  adalah linier dalam faktor bersama. Bagian dari Var (Xi)
yang dapat diterangkan oleh m faktor bersama disebut communality ke-i. Sedangkan
bagian dari Var (Xi) karena faktor spesifik disebut varian spesifik ke-i.
ii = l2i1 + l2i2 + …+ l2im + i = h2i + i
dimana: h2i = communality ke-i dan i =varian spesifik ke-i
Dalam praktek matrik ragam peragam  ditaksir dengan matrik ragam-peragam
sampel S dan matrik korelasi R. Dalam hal ini paket program SPSS langsung
menggunakan matrik korelasi R sebagai matrik ragam peragam dalam menghitung akar
ciri dan vektor ciri maupun analisis faktornya.
Yang sulit dalam analisis faktor adalah interpretasi dari hasil analisis yang kita
lakukan. Faktor penimbang awal yang diperoleh dari analisis sulit untuk diinterpretasikan
sehingga biasanya dilakukan suatu rotasi sampai struktur yang lebih sederhana diperoleh.
Hal ini dilakukan dengan memanipulasi dengan cara merotasi matrik loading L dengan
memakai metode rotasi tegak lurus varimax, yang menghasilkan matrik loading baru L*.
L*pxq = Lpxq Tqxq
Dimana T adalah matrik transformasi yang dipilih sehingga TT’= T’T = 1
Dari perumusan di atas terlihat jelas bahwa rotasi merupakan suatu upaya untuk
menghasilkan faktor penimbang baru yang lebih mudah untuk diinterpretasikan dengan
cara mengalikan faktor penimbang awal dengan suatu matrik transformasi yang bersifat
ortogonal. Walaupun telah dirotasi, matrik kovarian (korelasi) tidak berubah karena LL’+
 = LTT’L’+  = L*L*’+  , selanjutnya varian spesifik  1 dan communality hi2 juga
tidak berubah.
Rotasi faktor yang sering dipakai adalah rotasi yang ortogonal yaitu rotasi varimax.
Rotasi ini merupakan rotasi yang membuat jumlah varian faktor loading dalam masing-
masing faktor akan menjadi maksimum, dimana nantinya peubah asal hanya akan
mempunyai korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya
mendekati 1) dan tentunya memiliki korelasi yang lemah dengan faktor yang lainnya
(korelasinya mendekati 0).
3.2.2.3 Analisis Gerombol (Cluster Analysis)

Analisis gerombol bertujuan untuk menggerombolkan unit-unit pengamatan ke
dalam beberapa gerombol dimana setiap unit pengamatan dalam satu gerombol akan
mempunyai ciri yang relatif sama sedangkan antar gerombol unit pengamatan memiliki
sifat yang berbeda. Hal-hal yang penting dalam analisis gerombol adalah:
1. Ukuran kesamaan atau kemiripan untuk semua pasangan unit
2. Kriteria dan algoritma penggerombolan
3. Penafsiran hasil penggerombolan
Sebelum melakukan penggerombolan terlebih dulu ditentukan jarak kedekatan
(similarity) antar individu. Ukuran yang digunakan adalah jarak Euclidus. Jarak ini cukup
fleksibel untuk dilakukan modifikasi dalam mengatasi kelemahan data. Misalnya
kelemahan karena unit pengukuran dan atau skala pengukuran yang berbeda bisa
diperbaiki dengan melakukan transformasi baku (Z). Ukuran jarak Euclidus untuk dua
buah unit X dan Y adalah:
d(X,Y) = ((X – Y)’ I (X – Y))1/2
dimana I adalah matrik identitas berukuran p x p.
Konsep jarak ini menempatkan vektor pengamatan di dalam ruang ortogonal
berdimensi p dan memperlakukan semua peubah adalah bebas (tidak berkorelasi).
Transformasi baku yang dilakukan berarti menghilangkan pengaruh keragaman data atau
dengan kata lain semua peubah akan memberikan kontribusi yang sama untuk jarak.
Formula jarak Euclidus setelah ditransformasikan dengan matrik T adalah:
d(X,Y) = ((TX – TY)’(TX – TY))1/2
Jika matrik T ortogonal maka TT’sama dengan matrik identitas. Jadi rumus diatas akan
sama dengan rumus jarak Euclidus biasa.
Analisis gerombol ini dibagi menjadi dua bagian utama, yaitu metode berhirarki
(Hierarchical Clustering Method) dan metode tidak berhirarki (Non Hierarchical
Clustering Method). Metode berhirarki sering digunakan apabila jumlah kelompok yang
dibentuk belum diketahui, sedang metode tak berhirarki dipakai bila banyaknya kelompok
yang akan dibentuk telah ditentukan.
Pada metode analisis gerombol berhirarki terdapat beberapa metode untuk
memperbaharui matrik jarak antara lain:
1. Metode pautan lengkap (complete linkage)
2. Metode pautan rataan (average linkage)
3. Metode pautan tunggal (single linkage)
Dalam penelitian ini digunakan metode pautan rataan, karena metode ini dapat
meminimumkan rataan jarak semua pasangan individu-individu dari penggabungan dua
gerombol. Jarak ini dinyatakan dengan:
1
d  A, B   d
nAnB i k ik
dimana: d(A,B) = jarak antara gerombol A dengan B
nA = jumlah anggota gerombol A
nB = jumlah anggota gerombol B
d ik = jarak antara obyek i di gerombol A dan obyek k di gerombol B

PENGOLAHAN DAN ANALISIS DATA
Sebagai instansi yang mengemban tugas pokok dan fubgsi pengelola data statistik dan
sistem informasi pertanian, pelayanan dalam pengolahan dan analisis data menjadi salah
satu fokus kegiatan utama yang terus dikembangkan. Beberapa layanan pengolahan dan
analisis data meliputi.
1. Time Series Analysis (Analisis Deret Waktu)
Analisis data deret waktu pada dasarnya digunakan untuk melakukan analisis data yang
mempertimbangkan pengaruh waktu. Data-data yang dikumpulkan secara periodik
berdasarkan urutan waktu, bisa dalam jam, hari, minggu, bulan, kuartal dan tahun, bisa
dilakukan analisis menggunakan metode analisis data deret waktu. Analisis data deret
waktu tidak hanya bisa dilakukan untuk satu variabel (Univariate) tetapi juga bisa
untuk banyak variabel (Multivariate). Selain itu pada analisis data deret waktu bisa
dilakukan peramalan data beberapa periode ke depan yang sangat membantu dalam
menyusun perencanaan ke depan.
Beberapa bentuk analisis data deret waktu dapat dikelompokkan ke dalam beberapa
katagori :
a. Metode Pemulusan (Smoothing)
Metode pemulusan dapat dilakukan dengan dua pendekatan yakni Metode Perataan
(Average) dan Metode Pemulusan Eksponensial (Exponential Smoothing). Pada
metode rataan bergerak dapat digunakan untuk memuluskan data deret waktu
dengan berbagai metode perataan, diantaranya : (1) rata-rata bergerak sederhana
(simple moving average), (2) rata-rata bergerak ganda dan (3) rata-rata bergerak
dengan ordo lebih tinggi. Untuk semua kasus dari metode tersebut, tujuannya
adalah memanfaatkan data masa lalu untuk mengembangkan sistem peramalan
pada periode mendatang.
Pada metode pemulusuan eksponensial, pada dasarnya data masa lalu dimuluskan
dengan cara melakukan pembotan menurun secara eksponensial terhadap nilai
pengamatan yang lebih tua. Atau nilai yang lebih baru diberikan bobot yang relatif
lebih besar dibanding nilai pengamatan yang lebih lama. Beberapa jenis analisis
data deret waktu yang masuk pada katagori pemulusan eksponensial, diantaranya :
(1) pemulusan eksponensial tunggal, (2) pemulusan eksponensia tunggal:
pendekatan adaptif, (3) pemulusan eksponensial ganda : metode Brown, (4) metode
pemulusan eksponensial ganda : metode Holt, (5) pemulusan eksponensial tripel :
metode Winter. Pada metode pemulusan eksponensial ini, sudah
mempertimbangkan pengaruh acak, trend dan musiman pada data masa lalu yang
akan dimuluskan. Seperti halnya pada metode rataan bergerak, metode pemulusan
eksponensial juga dapat digunakan untuk meramal data beberapa periode ke depan.
b. Model ARIMA (Autoregressive Integrated Moving Average)

Seperti halnya pada metode analisis sebelumnya, model ARIMA dapat digunakan
untuk analisis data deret waktu dan peramalan data. Pada model ARIMA
diperlukan penetapan karakteristik data deret berkala seperti : stasioner, musiman
dan sebagainya, yang memerlukan suatu pendekatan sistematis, dan akhirnya akan
menolong untuk mendapatkan gambaran yang jelas mengenai model-model dasar
yang akan ditangani. Hal utama yang mencirikan dari model ARIMA dalam
rangkan analisis data deret waktu dibandingkan metode pemulusan adalah perlunya
pemeriksaan keacakan data dengan melihat koefisien autokorelasinya. Model
ARIMA juga bisa digunakan untuk mengatasi masalah sifat keacakan, trend,
musiman bahkan sifat siklis data data deret waktu yang dianalisis.
c. Analisis Deret Berkala Multivariate
Model ARIMA digunakan untuk analisis data deret waktu pada katagori data
berkala ’tunggal’, atau sering dikatagorikan model-model univariate. Untuk data-
data dengan katagori deret berkala berganda (multiple), tidak bisa dilakukan
analisis menggunakan model ARIMA, oleh karena itu diperlukan model-model
multivariate. Model-model yang masuk kelompok multivariate analisisnya lebih
rumit dibandingkan dengan model-model univariate. Pada model multivariate
sendiri bisa dalam bentuk analisis data bivariat (yaitu, hanya data dua deret berkala)
dan dalam bentuk data multivariate (yaitu, data terdiri lebih dari dua deret berkala).
Model-model multivariate diantaranya: (1) model fungsi transfer, (3) model
analisis intervensi (intevention analysis), (4) Fourier Analysis, (5) analisis Spectral
dan (6) Vector Time Series Models.
2. Analisis Regresi
Dalam kehidupan sehari-hari, seringkali dijumpai hubungan antara suatu variabel

dengan satu atau lebih variabel lain. Di dalam bidang pertanian sebagai contoh, dosis
dan jenis pupuk yang diberikan berhubungan dengan hasil pertanian yang diperoleh,
jumlah pakan yang diberikan pada ternak berhubungan dengan berat badannya, dan
sebagainya. Secara umum ada dua macam hubungan antara dua atau lebih variabel,
yaitu bentuk hubungan dan keeratan hubungan. Bila ingin mengetahui bentuk
hubungan dua variabel atau lebih, digunakan analisis regresi. Bila ingin melihat
keeratan hubungan, digunakan analisis korelasi.
Analisis regresi adalah teknik statistika yang berguna untuk memeriksa dan
memodelkan hubungan diantara variabel-variabel. Penerapannya dapat dijumpai secara
luas di banyak bidang seperti teknik, ekonomi, manajemen, ilmu-ilmu biologi, ilmu-
ilmu sosial, dan ilmu-ilmu pertanian. Pada saat ini, analisis regresi berguna dalam
menelaah hubungan dua variabel atau lebih, dan terutama untuk menelusuri pola
hubungan yang modelnya belum diketahui dengan sempurna, sehingga dalam
penerapannya lebih bersifat eksploratif.
Analisis regresi dikelompokkan dari mulai yang paling sederhana sampai yang paling
rumit, tergantung tujuan yang berlandaskan pengetahuan atau teori sementara, bukan
asal ditentukan saja.

a. Regresi Linier Sederhana
Regresi linier sederhana bertujuan mempelajari hubungan linier antara dua variabel.
Dua variabel ini dibedakan menjadi variabel bebas (X) dan variabel tak bebas (Y).
Variabel bebas adalah variabel yang bisa dikontrol sedangkan variabel tak bebas
adalah variabel yang mencerminkan respon dari variabel bebas.
b. Regresi Berganda
Regresi berganda seringkali digunakan untuk mengatasi permasalahan analisis

regresi yang melibatkan hubungan dari dua atau lebih variabel bebas. Pada awalnya
regresi berganda dikembangkan oleh ahli ekonometri untuk membantu meramalkan
akibat dari aktivitas-aktivitas ekonomi pada berbagai segmen ekonomi. Misalnya
laporan tentang peramalan masa depan perekonomian di jurnal-jurnal ekonomi
(Business Week, Wal Street Journal, dll), yang didasarkan pada model-model
ekonometrik dengan analisis berganda sebagai alatnya. Salah satu contoh
penggunaan regresi berganda dibidang pertanian diantaranya ilmuwan pertanian
menggunakan analisis regresi untuk menjajagi antara hasil pertanian (misal:
produksi padi per hektar) dengan jenis pupuk yang digunakan, kuantitas pupuk
yang diberikan, jumlah hari hujan, suhu, lama penyinaran matahari, dan infeksi
serangga.
c. Regresi Kurvilinier
Regresi kurvilinier seringkali digunakan untuk menelaah atau memodelkan

hubungan fungsi variabel terikat (Y) dan variabel bebas (X) yang tidak bersifat
linier. Tidak linier bisa diartikan bilamana laju perubahan Y sebagai akibat
perubahan X tidak konstan untuk nilai-nilai X tertentu. Kondisi fungsi tidak linier
ini (kurvilinier) seringkali dijumpai dalam banyak bidang. Misal pada bidang
pertanian, bisa diamati hubungan antara produksi padi dengan taraf pemupukan
Phospat. Secara umum produksi padi akan meningkat cepat bila pemberian Phospat
ditingkatkan dari taraf rendah ke taraf sedang. Tetapi ketika pemberian dosis
Phospat diteruskan hingga taraf tinggi, maka tambahan dosis Phospat tidak lagi
diimbangi kenaikan hasil, sebaliknya terjadi penurunan hasil. Untuk kasus-kasus
hubungan tidak linier, prosedur regresi sederhana atau berganda tidak dapat
digunakan dalam mencari pola hubungan dari variabel-variabel yang terlibat.
Dalam hal ini, prosedur analisis regresi kurvilinier merupakan prosedur yang sesuai
untuk digunakan.
d. Regresi Dengan Variabel Dummy (Boneka)
Analisis regresi tidak saja digunakan untuk data-data kuantitatif (misal : dosis
pupuk), tetapi juga bisa digunakan untuk data kualitatif (misal : musim panen).
Jenis data kualitatif tersebut seringkali menunjukkan keberadaan klasifikasi
(kategori) tertentu, sering juga dikatagorikan variabel bebas (X) dengan klasifikasi

pengukuran nominal dalam persamaan regresi. Sebagai contoh, bila ingin
meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap harga jual.
Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi nilai 1
(satu) kalau kategori yang dimaksud ada dan nilai 0 (nol) kalau kategori yang
dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus
kemasan ini, bila kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi
nilai 0. Variabel yang mengambil nilai 1 dan 0 disebut variabel dummy dan nilai
yang diberikan dapat digunakan seperti variabel kuantitatif lainnya.
e. Regresi Logistik (Logistic Regression)
Bila regresi dengan variabel bebas (X) berupa variabel dummy, maka
dikatagorikan sebagai regresi dummy. Regresi logistik digunakan jika variabel
terikatnya (Y) berupa variabel masuk katagori klasifikasi. Misalnya, variabel Y
berupa dua respon yakni gagal (dilambangkan dengan nilai 0) dan berhasil
(dilambangkan dengan nilai 1). Kondisi demikian juga sering dikatagorikan sebagai
regresi dengan respon biner. Seperti pada analisis regresi berganda, untuk regresi
logistik variabel bebas (X) bisa juga terdiri lebih dari satu variabel.
3. Analisis Path (Path Analysis) dan Analisis SEM
Analisis Path pada dasarnya ingin melihat hubungan kausalitas antara kejadian satu dan
kejadian lain. Hubungan kausalitas yang ingin dilihat besa berupa hubungan langsung
maupun tidak langsung. Pendekatan analisis yang digunakan pada analisis path tidak
berbeda dengan analisis regresi ganda. Hanya sedikit berbeda pada perhitungan
pendugaan koefisiennya. Pada saat ini jenis analisis ini berkembang pada bidang sosial,
seperti psikologi, pendidikan, dan lain-lain. Apabila peubah yang akan dilihat pola
hubungannya berupa peubah laten (tak terukur), seperti peubah prestasi, kecemasan
dan lainnya, maka lebih cocok menggunakan analisis SEM. Untuk jenis peubah laten
ini, tidak cocok digunakan analisis path.
4. Analisis Peubah Ganda
Analisis peubah ganda dilakukan karena peubah yang digunakan relatif banyak.
Beberapa hal yang melatari analisis ini diantaranya antar peubah satu dengan peubah
lain ada korelasi dan tidak ada keinginan untuk melihat pola hubungan antara peubah
bebas dan peubah tak bebas. Bisanya analisis ini digunakan untuk mereduksi peubah
yang cukup banyak menjadi peubah yang lebih sederhana tapi tidak meninggalkan
informasi peubah asalnya. Selain itu melalui analisis peubah ganda juga bisa dilihat
pengelompokan objek berdasarkan kemiripan peubah-peubah peubah-peubah
penyusunnya. Beberapa jenis analisis yang masuk katagori analisis peubah ganda
diantaranya: Analisis Komonen Utama (Pricipal Component Analysis), Analisis
Gerombol (Cluster Analysis), Analisis Faktor (Factor Analysis), Korelasi Kanonik,
Analisis Biplot, Analisis Diskriminan (Discriminant Analysis) dan Multidimension
Scalling.
5. Conjoint Analysis

Conjoint analysis, bisanya banyak digunakan pada bidang riset pemasaran. Sebagai
contoh bila suatu perusahaan ingin mengeluarkan produk baru, maka melalui analisis
ini bisa dilihat tentang preferensi konsumennya. Untuk bidang pertanian, analisis ini
bisa digunakan oleh pelaku agribisnis baik skala kecil maupun besar yang akan
meluncurkan produk agribisnisnya.

DATA DAN ANALISIS DATA.
PENDAHULUAN
Data dan informasi ilmiah yang termaktub dalam khasanah pengetahuan dan ilmu
semata-mata merupakan hasil rekayasa manusia yang semula diawali kekaguman manusia
terhadap lingkungan di sekitarnya . Kekaguman ini menimbulkan keinginan manusia untuk
mengetahui dan selanjutnya bagaimana alam dapat dikuasai manusia. Fenomena dan
kejadian alam dapat dipelajari karena lazimnya hal-hal yang terjadi secara alamiah akan
berlangsung menurut hukum keteraturan dan konsistensi.
Lazimnya suatu "Ilmu" disusun berdasarkan pengalaman manusia dari hasil
pengamatan manusia terhadap alam, semula menghubungkan satu fenomena satu dengan
lainnya yang bilamana diketahui manusia disebut pengetahuan (knowledge). Pengamatan
adalah suatu tindakan manusia dalam usaha memahami suatu kejadian (gejala), dan dari
hasil pengamatannya manusia berusaha menarik kesimpulan umum (generalisasi). Pada
prinsipnya ada dua pokok kegiatan mental manusia yang memungkinkan tersusunnya ilmu
pengetahuan, yaitu (1) pengamatan, dan (2) inferensia. Keduanya merupakan komponen
dari metoda penelitian ilmiah (scientific research).
Scientific research: kegiatan manusia yang membutuhkan kecer dikan (astute),
pengamatan atau persepsi obyektif dan dan daya evaluasi dan generalisasi yang tajam.
Tujuan dari penelitian ilmiah adalah untuk memperoleh pengertian terhadap suatu
fenomena atau proses dalam penyelidikan spesifik untuk dapat memprediksikan dengan
akurat mengenai apa yang terjadi dalam proses itu sendiri atau memodifikasikan proses
atau dalam mengembangkan proses baru seperti metoda produksi (teknologi) yang lebih
efisien. Dilihat dari segi metodologi, seluruh ilmu pengetahuan didasarkan pada:
(1). Pengamatan dan pengalaman manusia yang terus menerus; dan pengumpulan data
yang sistematis.
(2). Analisis yang digunakan dalam bentuk berbagai cara, antara lain: (a). Analisis
langsung (direct analysis), (b). Analisis perbandingan (comparative analysis), (c).
Analisis matematis dengan meng gunakan model matematis.
(3). Penyusunan model-model atau teori, serta pemuatan peramalan-peramalan dengan
menggunakan model itu.
(4). Penelitian-penelitian untuk menguji ramalan-ramalan tersebut, hasilnya mungkin
benar atau mungkin salah.
Proses penelitian juga dapat diartikan sebagai usaha manusia yang dilakukan secara
sadar dan terencana dengan pentahapan proses secara sistematik untuk : (1) memecahkan
masalah dan menjawab pertanyaan praktis di lapang, atau (2) menambah khasanah ilmu
penge tahuan, baik berupa penemuan teori-teori baru atau penyempurnaan yang sudah ada.
Dengan demikian penelitian juga dapat digunakan sebagai tolok ukur kemajuan
suatu negara, karena melalui penelitian inilah ilmu pengetahuan dan teknologi baru dapat
dihasilkan. Secara umum penelitian (research), dalam pengertian umum dapat dibedakan
antara survai (survey) atau studi kasus (case study) di satu pihak dan penelitian
(experiment) di pihak lain. Untuk dapat melaksanakan penelitian secara baik, diperlukan
penguasaan yang memadai tentang metode penelitian itu sendiri, baik yang menyangkut
pengetahuan teoritikal, ketrampilan dalam praktek dan juga pengalaman-pengalaman.
Lebih dari itu, cara pelaksanaan penelitian yang baik saja sering dirasa belum mencukupi
bila kita tidak berhasil menyebar luaskan dan meyakinkan akan kegunaan hasil penelitian
tersebut kepada masyarakat, melalui publikasi-publikasi dan pertemuan ilmiah.
Sementara orang seringkali mencampur-adukkan pengertian "metode penelitian"
dan "metodologi penelitian". Metodologi penelitian membahas konsep teoritik berbagai
metode, kelebihan dan kelemahannya, serta pemilihan metode yang akan digunakan dalam
suatu penelitian. Sedangkan "metode penelitian" mengemukakan secara teknis tentang
metode-metod yang dipakai dalam suatu penelitian.
Seringkali metodologi penelitian diperkenalkan dalam maknanya yang teknis
belaka, misalnya langsung membahas tentang populasi, teknik sampling, merumuskan
masalah, mendisain dan merancang instrumen kuantifikasi data, dan sebagainya. Selain itu,
banyak peneliti telah tenggelam pada berbagai teknik sampling, teknik instrumentasi,
teknik analisis, tanpa menyadari bahwa dia telah menjadi penganut filsafat ilmu tertentu.
Pengguna metodologi seperti biasnaya akan cenderung menolak cara-cara kerja lainnya
sebagai spekulatif, subyektif, dan sebagainya. Sebaliknya para penganbut filsafat ilmu
yang berbeda memberi cap "bohong", "munafik" pada lanbgkah-langkah kerja penelitian
yang memulai tulisannya dengan "alasan pemilihan judul", dan lainnya. Mereka ini lupa
atau tidak tahu bahwa ada metodologi penelitian berbeda yang menggunakan dasar filsafat
ilmu yang lain, yang memang menuntut langkah kerja seperti itu.
Berdasarkan uraian di atas maka seyogyanya seorang peneliti mengetahui dan
menyadari bahwa dia menggunakan landasan filsafat ilmu yang mana untuk metodologi
penelitian yang digunakannya; sehingga dia menyadari kelebihan dan kelemahan
metodologi yang digunakannya, dan sadar pula bahwa ada metodologi epenelitian lain
yang menggunakan landasan filsafat ilmu yang berbeda.
Metodologi penelitian merupakan ilmu yang mempelajari metode-metode
penelitian, ilmu tentang alat-alat untuk penelitian. Di lingkungan filsafat, logika dikenal
sebagai ilmu tentang alat untuk mencari kebenaran, dan kalau disusun secara sistematis,
metodologi penelitian merupakan bagian dari logika. Kita mengenal lima macam model
logika, yaitu (1) logika formal Aristoteles, (2) Logika matematika deduktif, (3) Logika
matematika induktif, (4) Logika matematik probabilistik, dan (5) Logika reflektif.
Logika formal Aristoteles berupaya menyusun struktur hubungan antara sejumlah
proposisi. Untuk membuat generalisasi, logika Aristoteles mengaksentuasikan pada
prinsip-prinsip relasi formal antar proposisi. Proposisi merupakan penegasan tentang relasi
antar jenis , proposisi juga dapat dimaknakan sebagai hubungan antar konsep.
Logika matematika deduktif membangun konstruksi pembuktian kebenaran
mendasarkan pada proposisi-proposisi kategorik seperti Logika tradisional Aristoteles.
Bedanya ialah kalau Logika Aristoteles mendasarkan pada kebenaran formalnya,
sedangkan Lohgika Matematik deduktif mendasrakan pada kebenaran materiil. Logika
Aristoteles menguji kebenaran formal dari proposisi khusus (yang disebut sebagai premis
minor) berdasar kebenaran proposisi universal (disebut sebagai premis mayor).
Kontradiksi antar keduanya berarti premis minor ditolak. Konstruksi keseluruhan
pembuktiannya menggunakan silogisme: bahwa kalau a termasuk dalam b dan b dalam c,
maka a termasuk dalam c. Logika matematik deduktif menguji kebenaran materiil kasus
berdasarkan dalil, hukum, teori, atau proposisi umum universal lain. Logika Aristoteles
menuntut dipenuhi syarat formal, logika matematika deduktif melihat kebenaran materiil.
Proposisi universal dikenal dengan nama-nama: asumsi, aksioma, postulat, teori, dan tesis.
Asumsi merupakan proposisi universal yang "self evident" benar dan tidak memerlukan
pembuktian. Aksioma merupakan pernyataan tentang sejumlah sesuatu yang mempunyai
hubungan tertentu dan benar; kebenaran ini kalau perlu dapat dibuktikan. Setara dengan

"aksioma", dalam ilmu-ilmu sosial dikenal istilah "postulat". Tesis merupakan pernyataan
yang telah diuji kebenarannya lewat evidensi, mungkin berlandaskan empoiris, atau
berdasarkan argumentasi tergantung pada teori yang dianut. "Teori" merupakan suatu
konstruksi pernyataan yang integratif yang didalamnya terkandung asumsi,
aksioma/postulat, sejumlah tesis, dan sejumlah proposisi. Teori yang valid memuat lebih
banyak tesis daripada proposisi.
Logika matematik induktif dapat dibedakan menjadi dua, yaitu logika matematika
induktif kategorik dan logika matematik probabilistik. Keduanya membangun generalisasi
secara induktif berdasarkan empiri. Logika kategorik menetapkan kebenaran dengan
penetapan yang implisit dan eksplisit terhadap ketegorisasi yang ditetapkan; sedangkan
Logika probabilistik menamplkan proposisi universal relatif yang memberi peluang atas
kemungkinan benar dan salah dalam proposisinya.
Untuk menguji dan memperoleh kebenaran logika reflektif bergerak mondar-
mandir antara induksi dan deduksi. Untuk hal-hal yang deterministik digunakan logika
reflektif kategorik, sedngkan untuk hal-hal yang indeterministik digunakan logika reflektif
probabilistik.
POPULASI DAN SAMPEL
Dalam suatu penelitian survei, sumber informasi diperlukan untuk menjawab

permasalahan penelitian. Sumber informasi ini dapat dibedakan menjadi sumber
informasi utama (primair) dan sumber informasi pendukung (sekunder). Sumber informasi
utama lazimnya juga dikenal sebagai "POPULASI". Dalam konteks ini "populasi"
diartikan sebagai himpunan semua hal yang ingin diketahui, dan biasanya juga disebut
sebagai "universum'. Populasi ini dapat berupa lembaga, individu, kelompok, dokumen,
atau konsep. Dalam penentuan populasi ada empat faktor yang harus diperhatikan, yaitu
(a) Isi, (b) satuan, (c) cakupan (skope), dan (d) waktu.
Suatu teladan adalah :
ISI Semua murid yang berumur 14 tahun

SATUAN Yang bersekolah di SLTP
CAKUPAN Di Jawa Timur
WAKTU Pada tahun 1995.
Populasi juga dapat diartikan sebagai jumlah keseluruhan unit analisis yang ciri-
cirinya akan diduga (akan dianalisis). Dalam konteks ini dapat dibedakan antara
POPULASI TARGET dan POPULASI SURVEI. Populasi target adalah populasi yang
telah kita tentukan sesuai dengan permasalahan penelitian, dan hasil penelitian dari
populasi ini akan disimpulkan. Populasi survei merupakan populasi yang terliput dalam
penelitian. Secara ideal kedua populasi ini sehatrusnya identik, tetapi pada kenyataannya
seringkali berbeda.
SAMPEL atau CONTOH adalah sebagian dari populasi yang diteliti/diobservasi
dan dianggap dapat menggambarkan keadaan atau ciri populasi. Dalam teknik penarikan
sampel dikenal dua jenis, yaitu penarikan sampel probabilita dan non probabilita. Sampel
probabilita adalah teknik poenarikan sampel dimana setiap anggota populasi
diberi/disediakan kesempatan yang sama untuk dapat dipilih menjadi sampel.
1. Sampel Probabilita
Ada empat macam cara yang lazim:

(1). Penarikan sampel Secara Acak Sederhana (Simple Random Sampling)
Sampel acak sederhana adalah sampel ayang diambil sedemikian rupa sehingga
anggota populasi mempunyai kesempatan/peluang yang sama untuk dipilih menjadi
sampel.
(2). Penarikan Sampel Sistematis (Systematic Random Sampling)
Metode pengambilan sampel dimana anggota sampel dipilih secara sistematis dari
daftar populasi. Daftar populasi harus berada dalam keadaan acak atau membaur.
(3). Penarikan Sampel Stratifikasi (Stratified Random Sampling)
Apabila kita akan mengkaji hubungan antar variabel, atau kita melibatkan variabel
bebas dan variabel tidak bebas (terikat), maka diperlukan metode penarikan sampel
berlapis atau berstrata. Suatu kriteria yang jelas harus ditetapkan untuk membatasi
strata. Penarikan sampel dari setiap strata dapat dilakukan secara pro porsional atau
tidak proporsional. Keuntungan dari cara penarikan sampel ini adalah (a) semua ciri
populasi yang heterogen dapat terwakili, (b) dapat dikaji hubungan antar strata, atau
memban dingkannya.
(4). Penarikan Sampel Secara Bergerombol (Cluster Sampling)
Dalam praktek seringkali kita tidak mempunyai daftar populasi yang lengkap. Dalam
kondisi seperti ini diperlukan "POPULASI MINI" yang sifat dan karakternya sama
dengan seluruh POPULASI. Populasi mini seperti ini disebut CLUSTER atau
GEROMBOL. Setelah cluster ditetapkan, barulah memilih sampel secara acak.
Kelemahan cara ini adalah sulit mengetahui bahwa setiap gerombol menggambarkan
sifat populasi secara tuntas.
2. Sampel Tidak Probabilita
(1). Penarikan Sampel Secara Kebetulan (Accidental Sampling)

Peneliti dapat memilih orang atau responden yang terdekat dengannya, atau yang
pertama kali dijumpainya dan seterusnya.
(2). Penarikan Sampel Secara Sengaja (Purposive Sampling)
Peneliti telah menentukan responden menjadi sampel penelitiannya dengan anggapan
atau menurut pendapatnya sendiri.
(3). Penarikan Sampel Jatah (Quota SAmpling)
Populasi dibagi menjadi ebberapa strata sesuai dengan fokus pene litian. Penarikan
sampel jatah dilakukan kalau peneliti tidak mengetahui jumlah yang rinci dari setiap
strata populasinya. Dalam kondisi ini peneliti menentukan jatah untuk setiap strata
yang kurang-lebih seimbang.
(4). Penarikan Sampel Bola Salju (Snowball Sampling)
Bola salju dibuat dengan menggulung salju yang bertebaran di atas rumput, dari
sedikit menjadi banyak dan besar. Pertama kali ditentukan satu atau beberapa
responden untuk diwawancarai, sehingga berperan sebagai titik awal penarikan

sampel. Responden selanjutnya ditetapkan berdasarkan petunjuk dari responden
sebelumnya. Cara ini sering digunakan dalam penelitian-penelitian pemasaran.
PREPOSISI PENELITIAN
1. Konsep dan Variabel
KONSEP adalah merupakan ide-ide, penggambaran hal-hal atau benda-benda atau

gejala sosial, yang dinyatakan dalam istilah atau kata. Konsep dapat dibentuk dengan jalan
abstraksi atau generalisasi. ABSTRAKSI adalah proses menarik intisari dari ide-ide, hal-
hal, benda-benda, atau gejala sosial. Sedangkan GENERALISASI adalah menarik
kesimpulan umum dari sejumlah ide- ide, hal-hal, benda-benda, atau gejala sosial yang
khusus. Ciri dari suatu konsep adalah bersifat umum. Contoh yang mudah dipahami
adalah konsep "meja", "kursi", "masyarakat", "organisasi", "asimilasi", "kebahagiaan" dan
lainnya. Konsep ber-fungsi untuk menyederhanakan pemikiran terhadap ide-ide, hal-hal,
benda-ben-da, atau gejala sosial. Dalam konteks ini konsep harus didefinisikan dengan
jelas dan tegas.
Definisi merupakan pernyataan yang dapat mengartikan atau memberi makna suatu
istilah atau konsep tertentu. Tiga hal pokok dalam membuat definisi adalah (1) apa yang
mendefinisikan sebaiknya tidak mengandung istilah atau konsep yang didefinisikan, atau
mengandung istilah sinonim, atau istilah yang erat bergantung pada apa yang didefinisikan;
(2) definisi tidak dirumuskan dalam kalimat negatif, dan (3) definisi sebaiknya dalam
bahasa yang sederhana dan jelas serta terperinci agar mudah dimengerti oleh orang lain
dan komunikatif.
Dalam penelitian empiris, konsep yang abstrak harus dapat diubah menjadi suatu
konsep yang lebih konkrit agar dapat diamati dan diukur. KOnsep yang lebih konkrit ini
lazim dikenal sebagai VARIABEL, yaitu suatu konsep yang mempunyai variasi nilai.
Misalnya konsep "BADAN" dan variabel "BERAT BADAN".
2. Jenis Preposisi
Preposisi adalah suatu pernyataan yang terdiri dari satu atau lebih dari satu konsep
atau variabel. Preposisi yang hanya terdiri atas satu konsep atau variebal disebut
UNIVARIAT. Preposisi yang menyangkut hubungan antara dua konsep atau variabel
disebut BIVARIAT, dan lebih dari dua konsep atau variabel disebut MULTIVARIAT.
Beberapa jenis preposisi yang lazim digunakan adalah Aksioma, Postulasi, Teori,
Hipotesis, dan Generalisasi Empiris.
Jenis Preposisi Bagaimana dibuat Dapat langsung diuji atau

tidak
Generalisasi Dibuat dari data ya
Empiris
Hipotesis Dibuat secara deduksi atau dari data ya
Teori Dibuat dari aksioma atau postulasi ya
Postulasi Dianggap benar tidak
Aksioma. Benar berdasarkan definisi tidak
3. Teori dan Jenis Teori
Suatu teori berusaha untuk menjawab pertanyaan "mengapa" dan "bagaimana".

Teori adalah serangkaian konsep dalam bentuk preposisi-preposisi yang saling berkaitan,
bertujuan memberikan gambaran yang sistematis tentang suatu gejala. Untuk melihat
apakah suatu teori dirumus kan secara baik dapat dievaluasi melalui hal-hal (a) dapat diuji,
(b) satuan analisis, (c) kesederhanaan, (d) dapat menjelaskan atau memprediksi suatu
gejala.
4. Sekala Variabel
Ciri-ciri atau karakteristik dari nilai variabel pada dasarnya dapat dibedakan
menjadi empat tingkatan skala, yaitu SEKALA NOMINAL, SEKALA ORDINAL,
SEKALA INTERVAL, DAN SEKALA RASIO.
Sekala Nominal hanya sekedar membedakan satu kategori dengan kategori lainnya
dari suatu variabel. Dasar perbedaannya adalah penggo longan yang tidak saling tumpang
tindih antar kategori. Sekala ordinal mempunyai sifat membedakan dan mencerminkan
adanaya tingkatan. Misalnya jenjang kepangkatan meliter "Mayor", "Kapten", "Letnan".
Sekala interval mempunyai sifat membedakan, mempunyai tingkatan dan mempunyai jarak
yang pasti antara satu kategori dengan kategori lainnya. Misalnya variabel "umur". Sekala
rasio mempunyai sifat membedakan, mempunyai tingkatan dan jarak, dan setiap nilai
variabel diukur dari suatu keadaan atau titik yang sama (titik nol mutlak). Misalnya
variabel "berat badan", keadaan tanpa bobot dapat dipakai sebagai titik nol mutlaknya.
Sifat Sekala Nominal Ordinal Interval Rasio

Membedakan ( =; #) ya ya ya ya
Urutan (<;>) - ya ya ya
Jarak (+; -) - - ya ya
Nol mutlak (x; :) - - - ya
Dalam penelitian, selain "sekala" kita lazim mengenal istilah "indeks", yaitu ukuran
gabungan untuk suatu variabel. Dari beberapa variabel kita menggabungkannya dengan
cara etertentu untuk megukur suatu variabel atau konsep baru. Dalam proses
penggabungan ini dapat digunakan pembobot yang sama atau berbeda untuk setiap
variabel yang digabungkan. Dalam penggabungan ini dapat digunakan cara (1) Summated
Rating, (2) Sekala Likert, dan (3) Sekala Guttman.
Summated Rating: yaitu suatu cara pengelompokkan variabel dengan sekedar
menjumlahkan skor dari nilai sejumlah variabel yang akan dikelompokkan. Sekala
Guttman atau Sekalogram: sekala yang bersifat unidimensional dan
pernyataan/pertanyaan/variabel yang tercakup dalam sekala ini mempunyai bobot yang
berbeda. Sekala Likert: suatu ukuran gabungan yang berusaha untuk mengurangi akibat
dari ukuran yang multidimensional, dengan tujuan untuk memperoleh ukuran yang
unidimensional.
5. Pengukuran Variabel
Indikator adalah hal-hal yang digunakan sebagai kriteria untuk menunjukkan dan
mengukur suatu konsep. Misalnya konsep "status sosial ekonomi" mempunyai indikatro-
indikator "pendidikan", "peker-jaan", dan "penghasilan". Operasionalisasi konsep: upaya
untuk men-jabarkan pengertian suatu konsep yang abstrak dengan menu-runkannya pada
tingkatan yang lebih konkrit, dengan bantuan beberapa variabel sebagai indikator yang
dapat menunjukkan dan mengukur konsep tersebut.

Dunia konsep
(abstrak) -------------------- X -------------------------
Operasionalisasi X1 X2 X3
Dunia nyata/
empiris
konkrit X1.1 X1.2 X2.1 X2.2 X3.1 X3.2
Keterangan:
X = Status sosial ekonomi
X1 = Pendidikan; X2 = pekerjaan; X3 = penghasilan
X1.1 = jenjang pendidikan terakhir
X1.2 = lama waktu pendidikan
X2.1 = jenis pekerjaan utama; X2.2 = jenis pek. sampingan
X3.1 = jumlah penghasilan utama;
X3.2 = jumlah penghasilan sampingan
X1,X2, dan X3 adalah indikator untuk X
X1.1 dan X1.2 adalah indikator untuk X1.
Definisi operasional merupakan petunjuk tentang suatu variabel yang diukur,

sangat membantu dalam komunikasi antara peneliti. Misalnya, "Penduduk yang
tergolong miskin adalah mereka yang mempunyai tingkat pengeluaran senilai kurang
dari 320 kg beras per kapita per tahun untuk penduduk pedesaan dan 480 kg untuk
perkotaan."
6. Hubungan antar variabel
Hubungan antara variabel berdasarkan sifat hubungannya dapat dibedakan menjadi

hubungan simetris dan hubungan asimetris; berdasar kan jumlah variabel yang terlibat
menjadi bivariat dan multivariat; berdasar kan bentuk hubungannya menjadi linear dan
tidak linear; berdasarkan kondisi hubungannya menjadi hubungan yang perlu, hubungan
yang cukup dan hubungan yang perlu dan cukup.
Kaitan antara teori dengan hipotesis dan konsep dengan variabel dapat
diabstraksikan sbb:

.
Teori
Tingkatan KONSEP <-----------------------------> KONSEP
teori | |
| |
| |
| |
| |
| |
| |
| |
Tingkatan  Hipotesis 
empiris VARIABEL <---------------------------> VARIABEL
Dalam hubungan antar variabel seringkali ditemukan adanya variabel antara sbb:
Variabel bebas Variabel antara Var tidk bebas
X --------------------------> Z ------------------> Y
Variabel bebas
X1
Variabel antara Var tdk bebas
Z -------------------------------- > Y
Variabel bebas
X2
Variabel kontrol: variabel yang berperan mengontrol hubungan antara dua variabel,
yaitu hubungan semu atau sejati. Hubungan semu adalah hubungan antara dua variabel
yang hanya ada dalam data, tetapi secara logika sebenarnya tidak ada hubungan. Hubungan
ini ada karena terdapat variabel ke tiga yang berhubungan secara positif dengan kedua
variabel.

Ada-tidaknya Tingkat
kebun binatang X Y kejahatan
hubungan hubungan
positif positif
Besar-kecilnya kota
7. Validitas (Keabsahan) dan Reliabilitas (keterandalan)
Dalam usaha untuk memperoleh kejelasan tentang konsep atau hubungan antar
konsep yang sedang diteliti, langkah penting yang harus dilakukan adalah mengadakan
pengukuran. Dalam konteks pengukuran inilah muncul masalah keabsahan dan
keterandalan.
"Apakah anda betul mengukur apa yang hendak anda ukur?" Suatu penelitian
disebut valid (absah) apabila peneliti memang menukur konsep yang digunakan dalam
penelitiannya sesuai dengan apa yang hendak diukur dan konsep itu diukur secara tepat.
Dengan kata lain keabsahan menyatakan tingkat kesesuaian antara konsep dan hasil
pengukuran atau antara konsep dengan kenyataan empiris.
Keterandalan mencerminkan kecepatan dan kemantapan alat ukur dalam mengukur
suatu konsep, sehingga yang dipermasalahkan adalah kesesuaian antara hasil-hasil
pengukuran di tingkatan kenyataan empiris.

BEBERAPA METODE ANALISIS DATA
1. Pendahuluan
Tujuan pokok suatu penelitian adalah untuk menjawab per-tanyaan dan hipotesis.
Untuk itu peneliti merumuskan hipotesis, mengumpulkan data, memproses data, membuat
analisis dan interpretasi. Analisis data belum dapat menjawab pertanyaan penelitian. Sete-
lah data dianalisis dan diperoleh informasi yang lebih sederhana, hasil analisis tersebut
harus diinterpretasi untuk mencari makna dan implikasi dari hasil-hasil analisis tersebut.
Dalam proses analisis data, peneliti menggolongkan, meng-urutkan, dan
menyederhanakan data. Tujuan analisis data ini adalah untuk menyederhanakan data ke
dalam bentuk yang lebih mudah dibaca dan diinterpretasi. Dalam proses analisis ini
seringkali digunakan metode-metode statistik. Dengan menggunakan metode statistik ini
dapat diperbandingkan hasil yang diperoleh dengan hasil yang terjadi secraa kebetulan.
Sehingga peneliti mampu menguji apakah hubungan yang diamatinya memang betul-betul
terjadi karena hubungan sistematis antara variabel yang diteliti atau hanya terjadi secara
kebetulan.
Proses analisis data tidak berhenti sampai sekian. Hasil analisis harus dapat
diinterpretasikan, artinya diadakan "interferensia" tentang hubungan yang diteliti. Peneliti
melakukan inbterferensi ini dalam usaha untuk mencari makna dan implikasi yang lebih
luas dari hasil-hasil penelitiannya. Interpretasi dapat dilakukan menurut pengertian yang
sempit, hanya melibatkan data dan hubungan-hubungan yang diper-olehnya. Interpretasi
juga dapat dilakukan dalam makna yang lebih luas, openeliti berupaya membandingkan
hasil penelitiannya dengan hasil-hasil peneliti lain serta menghubungkan kembali hasil
inferensinya dengan teori. Beberapa teknik analisis data untuk penelitian sosial dapat
diabstraksikan seperti Tabel 1.

Tabel 1. Beberapa teknik analisis data
Vriabel Variabel Pengaruh

terpe Nominal Ordinal Interval
ngaruh Dikotomi Politomi
Nominal
Dikotomi 1.Uji perbedaan 1. Kruskal-Wallis Regresi ganda
logistik
2.Chi-Square 2.Analisis ragam Analisis
determinan
3.Uji ketepatan dua arah
Fisher Friedman
4. Koefisien Phi
Politomi 1. Chi Squarw 1. Chi
Square
2. Kendall 2. Kendall
Ordinal 1.Mann-Whitney 1.Rank-order Mengubah var.
correlation ordinal menjadi
nominal
2.Smirnov- 2.Kendall dan pakai analisis
Kolmogorov determinan atau
3. Gamma regresi berganda
logistik atau
4. Koefien Ubah var interval
Konkordan menjadi ordinal
dan
analisis
nonparametrik
Interval 1.Analisis ragam Analisis 1.Korelasi &
ragam regresi
dengan
korelasi
inter-kelas
2.Uji beda nyata Regresi 2.Korelasi dan
ganda regresi berganda
peubah
dumy
3.Uji tanda Analisis 3.Path analisis
klasi fikasi
ganda
4.Uji M & Uji-U Analisis 4.Regresi parsial
5.Analisis klasifikasi
klasifikasi silang silang
Pengertian dan makna "analisis data" dalam hal ini menyangkut berbagai aktivitas
menghimpun, menata, menghitung, mengevaluasi, dan menginter pretasikan data untuk
mendapatkan informasi yang dapat menjawab pertanyaan-pertanyaan yang dihadapi.
Sedangkan penafsiran hasil analisis data merupakan tahap selanjutnya dari proses analisis
untuk sampai kepadfa kesimpulan.
Dengan demikian analisis data dan interpretasi hasilnya merupakan dua macam
proses yang tidak dapat dipisah-pisahkan. Oleh karena itu bobot informasi atau kesimpulan
yang diperoleh sangat tergantung pada kejelian penafsiran dan ketajaman dalam
menganalisis data. Atau data yang dianalisis belum memenuhi syarat yang diperlukan
(tidak lengkap).
2. Dasar-dasar Aljabar
Banyak teknik pengambilan keputusan dan metode analisis didasarkan pada aljabar.
Oleh karena itu tidak ada salahnya kalau pada kesempatan ini kita kaji kembali beberapa
prinsip aljabar.
2.1. Peubah dan konstante

Peubah dalam konteks matematik merupakan suatu "entity" yang dapat dinyatakan
sebagai salah satu dari beberapa nilai numerik. Pada kenyataannya peubah ini mempunyai
nilai-spesifik yang dapat berubah-ubah. Konsep tentang konstante jelas berbeda dengan
konsep peubah seperti di atas. Suatu konstante dapat dikonsepsikan sebagai "a fixed
numeral". Dengan demikian harus dapat membedakan antara konstante dengan "nilai
tertentu" dari suatu peubah.
2.2. Operasi Dasar Matematika
Penambahan, pengurangan, perkalian, pembagian, dan pemang katan kadangkala
disebut sebagai operasi matematika. Suatu ekspresi tunggal dapat mewakili beberapa
operasi matematik, baik secara implisit maupun secara eksplisit. Urutan penyelesaian
operasi mate-matik sangat penting dan harus meng ikuti aturan yang telah disepakati
bersama. Aturan mengenai urutan penyelesaian operasi matematika adalah : Pemangkatan,
Perkalian dan pembagian, dan Penambahan dan pengurangan.
2.3. Persamaan
Banyak orang mungkin telah mengetahui dan memahami makna dari tanda " = ".
Suatu pernyataan matematika yang mengandung tanda ini disebut "persamaan". Pada
hakekatnya "persamaan" ini dapat menyatakan hubungan fungsional antara ruas kiri dan
ruas kanan. Dengan demikian nilai dari peubah di ruas kiri dapat dihitung kalau nilai
peubah di ruas kanan diketahui. Proses ini dikenal sebagai evaluasi fungsi atas dasar nilai-
nilai tertentu dari peubah-peubah di ruas kanan. Ada simbol matematika khusus yang
digunakan untuk menya takan suatu fungsi. Misalkan I = f(p,r,t), menyatakan hubungan
fungsional antara I dengan p, r, dan t.
2.4. Peubah Dependent dan Independent

Dalam suatu hubungan fungsional dapat dibedakan antara peubah dependent dan
independent. Nilai dari peubah dependent tergantung pada nilai-nil;ai dari peubah
independent-nya. Untuk mengevaluasi suatu fungsi, nilai dari peubah independent-nya
harus diketahui lebih dahulu.
2.5. Ketidak-samaan
Suatu ketidak-samaan dapat mengandung salah satu dari dua hubungan, yaitu (i)
hubungan lebih besar dari ( dengan simbol > ), atau (ii) hubungan lebih kecil dari (dengan

simbol < ). Perluasan dari konsepsi ini adalah pemaduan tanda "sama dengan" ke dalam
simbol ketidak-samaan.
2.6. Eksponen
Ekspresi m5 mempunyai makna bahwa peubah m nilainya ditingkatkan lima kali
dengan jalan saling mengalikan sesamanya, yaitu m x m x m x m x m. Angka 5 dalam
ekspresi matematik ini disebut eksponen. Sehubungan dengan konsepsi ini ada lima
macam aturan penting, yaitu:
1. X0 = 1 , (X = nilai dari peubah, atau konstante)
2. X1 = X
3. X2 x X3 = X2+3 = X5
4. Xa x Yb = Xa Yb
5. X-a = 1/Xa
2.7. Menggrafikkan Hubungan Aljabar

Dalam banyak kasus ternyata grafik dapat digunakan untuk mengekspresikan
hubungan aljabar.
2.7.1. Menggrafikkan Hubungan Fungsional

Sarana lain untuk menyatakan suatu hubungan fungsio-nal adalah grafik. Dengan
melihat grafik inibiasanya orang akan lebih mudah dan lebih cepat memperoleh
informasintentang perilaku hubungan fungsional yang diwakilinya. Suatu fungsi aljabar : r
= 14 t dapat digrafikkan menjadi seperti Gambar 4.1.
2.7.2. Fungsi-fungsi linear

Suatu fungsi yang grafiknya berupa garis lurus disebut fungsi linear. Fungsi ini
mempunyai konstante yang menyatakan kecepatan naiknya nilai fungsi (peubah
dependent) kalau peubah dependent-nya berubah.
2.7.3. Fungsi-fungsi Kurvilinear

Fungsi ini grafiknya berupa garis lengkung. Slope dari grafik ini tidak konstan.
Salah satu bentuk fungsi ini adalah fungsi kuadratik, misalnya : Y = 4 X2 + 2 X - 3 yang
dapat digrafikkan seperti Gambar 2.
2.7.4. Fungsi Linear tidak homogen (piecewise linear)

Fungsi ini dalam beberapa hal menyerupai fungsi linear dan dalam hal-hal lainnya
menyerupai fungsi kurvi-linear. Fungsi ini dicirikan oleh grafik yang tersusun atas
segmen-segmen yang jelas bedanya, setiap segmen berupa garis linear, dan semua segmen-
seghmen ini mempunyai slope yang berbeda. Grafik dari fungsi ini disajikan dalam
Gambar 3.
3. Kalkulus Diferensial
Kalkulus diferensial dapat digunakan untuk menentukan kecepatan perubahan nilai
suatu fungsi relatif terhadap perubahan peubah independen.
3.1. Derivatif
Pada kenyataannya istilah "diferensial" menyatakan perbedaan yang terjadi pada
nilai suatu fungsi sebagai akibat dari perubahan nilai peubah independent-nya. Alat yang
dapat digunakan untuk menentukan perbedaan tersebut adalah "derivative". Derivatif
suatu fungsi merupakan formula spesial yang dapat diperoleh melalui proses diferensiasi.
Proses ini melibatkan penggunaan aturan-aturan tertentu guna memodifikasi terma-terma
dalam fungsi orisinilnya. Aturan ini didasarkan atas suatu skema klasifikasi yang telah
disepakati bersama dalam kalkulus diferensial. Suatu notasi matematik yang sering
digunakan untuk menya takan suatu derivatif ialah rasio. Pembilang dari rasio ini adalah
fungsi atau peubah dependent (y), sedangkan penyebutnya peubah independent (x). Notasi
rasio ini telah lazim dituliskan sebagai dY/dX.
1. f(X) = C ............... dC/dX = 0

2. f(X) = Xn ............... dXn/dX = nXn-1
3. f(X) = CXn ............... dCXn/dX = C (dXn/dX)
4. Y=f1 (X) = ef2(X) .... dY/dX = ef2(X)(df2(X)/dX)
5. Y=fo (X)= f1 (X) + f2 (X) ...........dY/dX=df1(X)/dX + df2 (X)/dX
3.2. Nilai Ekstrim dari suatu Fungsi

Nilai ekstrim dari suatu fungsi seringkali sangat penting dalam proses pengambilan
keputusan. Tiga macam nilai ekstrim yang telah populer adalah minimum, maksimum dan
titik belok. Langkah-langkah yang lazim digunakan untuk mendapatkan nilai ekstrim
adalah:
(1). Menentukan apakah nilai ekstrim dari suatu fungsi adalah maksimum atau minimum
(2). Menentukan berapa nilai peubah independent yang menyebabkan fungsi mencapai
nilai ekstrim.
(3). Menentukan apakah suatu fungsi mempunyai nilai ekstrim.
3.3. Derivatif Parsial

Banyak fungsi mempunyai banyak peubah independent, dan fungsi seperti ini
dikenal dengan fungsi multivariate (fungsi peubah ganda). Seringkali kita perlu
mengetahui kecepatan perubahan fungsi peubah ganda terhadap perubahan salah satu dari
peubah-peubah independent-nya, sehingga kita harus melakukan proses diferensiasi par-
sial. Hasil dari proses ini disebut derivatif parsiil.
Aturan yang berlaku dalam diferensiasi parsiil serupa dengan diferensiasi biasa,
hanya saja harus diperhatikan bahwa peubah independent yang tidak terlibat diperlakukan
sebagai konstante. Prosedur untuk menemukan nilai ekstrim pada fungsi univariate dapat
diadopsi untuk fungsi multivariat sbb: (1). diferensiasi secara parsiil terhadap peubah
tertentu, (2). tetapkan derivatif parsial sama dengan nol dan selesaikan untuk peubah yang
bersangkutan, (3) evaluasi fungsi orisinal pada nilai ini untuk menentukan nilai-ek-
strimnya.
4. Aljabar Matriks
Aljabar matriks, yang kadangkala juga disebut dengan aljabar linear, terdiri atas
seperangkat aturan untuk melaksanakan operasi matematik atas sekelompok angka-angka
sebagai kesatuan tunggal dan bukan atas angka-angka secara individual. Secara struktural
angka-angka tersebut harus disusun secara runtut hingga membentuk suatu matriks, terdiri

atas baris horisontal dan kolom vertikal. Secara teoritis, angka tunggal dapat dipandang
sebagai suatu matriks yang terdiri atas satu baris dan satu kolom. Pada kenyataannya
tatanan paling sederhana yang dianggap sebagai matriks adalah terdiri atas (1) satu baris
dan beberapa kolom atau (2) satu kolom dan beberapa baris. Istilah "vektor" seringkali
juga digunakan sebagai nama-khusus bagi salah satu dari ke dua tipe matriks ini, yaitu
vektor baris atau vektor kolom. Beberaspa contoh bentuk matriks:
A=¦ 1 2 3 4 5 ¦ M= ¦1 ¦ N = ¦ 1 3 6 12¦
¦2¦ ¦4 8 9 3 ¦
¦3¦ ¦ 9 3 1 21¦
¦4¦ ¦ 22 7 9 5 ¦
Operasi matematika seperti penambahan, pengurangan, perkalian dan pembagian

dapat diimplementasikan pada matriks.
5. Linear Programming (Programasi linear), LP

LP merupakan suatu model yang dapat digunakan dalam banyak macam persoalan
pengambilan keputusan, terutama dalam pemecahan masalah pengalokasian sumberdaya
yang terbatas secara optimal. Masalah timbul kalau seseorang harus memilih atau
menentukan tingkat setiap kegiatan yang akan dilakukannya, dimana masing-masing
kegiatan membutuhkan sumberdaya yang sama sedangkan jumlah total sumberdaya tsb
terbatas.
Kadangkala kata "programming" di sini dikacaukan dengan "computer
programming". Meskipun pada kenyataannya penyelesaian problem LP tanpa komputer
sangat sulit, namun sebenarnya makna "programming" dalam LP ini adalah penetapan
suatu program yang berarti "rencana". Dengan demikian kata "planning" dapat menjadi
substitute kata "programming". "Linear" menyatakan makna bahwa setiap unit
sumberdaya, atau input, yang dilibatkan dalam "rencana" tersebut mempunyai kontribusi
yang sama dengan unit-unit lain dari input yang sama tanpa memperhatikan volume atau
taraf operasinya. Demikian juga setiap unit output mempunyai nilai yang sama tanpa
memperhatikan taraf operasinya sehingga dapat dijumlahkan langsung. Salah satu
contoh persoalan yang dapat diselesaikan dengan model LP adalah pendistribusian bahan
bakar dari beberapa pusat depot ke beberapa tempat stasiun pengisian bahan bakar dalam
rangka untuk meminimumkan total biaya transportasinya. Berbagai persoalan perencanaan
menu gizi bagi formulasi pakan ternak juga dapat diselesaikan dengan model LP.
Dalam memformulasikan model LP diperlukan ekspresi matematik yang dapat
digunakan untuk mmenyatakan (1) fungsi tujuan yang akan dicapai, dan (2) fungsi
pembatas atau fungsi kendala dalam penggunaan sumberdaya atau input untuk mencapai
tujuan. Model LP ini selalu dirumuskan sedemikian rupa sehingga ekspresi tujuan (fungsi
tujuan) dapat dimaksimumkan atau dimini-mumkan dalam proses penemuan penyelesaian
(solution).
Salah satu pendekatan yang dapat digunakan untuk memfor mulasikan problem LP
melibatkan langkah-langkah berikut:
1. Identifikasi tujuan akhir dari pengambil keputusan dan kemudian rumuskan secara
verbal
2. Identifikasi kendala sumberdaya yang ada dalam upaya mencapai tujuan akhir

3. Identifikasi peubah-peubah keputusan yang terkait dengan fungsi kendala dan fungsi
tujuan
4. Identifikasi koefisien dari peubah-peubah yang terkait dengan fungsi tujuan, dan
formulasikan fungsi tujuan secara matematik
5. Identifikasi koefisien dari peubah-peubah yang terkait dengan konsumsi/
penggunaan sumberdaya atau input, dan total jumlah sumberdaya yang tersedia.
Formulasikan fungsi kendala secara matematik.
Prosedur penyelesaiannya serupa dengan menyelesaikan sepe rangkat persamaan
linear simultan. Teknik khusus yang sering digu nakan didasarkan pada prosedur
algoritme simpleks. Biasanya ada banyak sekali "penyelesaian, solution" yang layak bagi
suatu sistem LP, tetapi hanya ada satu penyelesaian (optimal) yang diharapkan dapat
memaksimumkan atau meminimumkan fungsi tujuan. Model LP dapat diselesaikan secara
numerik dan secara grafik.
Maksimumkan Fungsi tujuan: Z = 3X1 + 5X2

dengan menghadapi fungsi kendala:
1. 2 X1 <= 8
2. 3 X2 <= 15 4. X1, X2 >= 0
3. 6 X1 + 5 X2 <= 30
Daerah layak pada Gambar 4 menunjukkan bagian yang memenuhi "persyaratan"

yang ditetapkan oleh ke empat fungsi kendala, yaitu daerah dimana kombinasi (X1,X2 )
memenuhi persyaratan. Langkah selanjutnya ialah mencari suatu titik (kombinasi X1 dan
X2) yang terletak di dalam daerah layak yang dapat memaksimumkan nilai Z.
Hal tersebut di atas dapat dilakukan dengan jalan meng-gambarkan fungsi tujuan
atau dengan membandingkan nilai Z pada setiap alternatif. alam gambar di atas, garis dari
fungsi tujuan dapat digeser ke arah kanan di dalam kisaran daerah layak hingga mencapai
nilai Z yang sebesar-besarnya.
6. Prinsip Dasar Statistik
Banyak model-model kuantitatif mengasumsikan bahwa data yang relevan dapat
ditentukan dengan pasti. Data seperti ini secara teknis disebut "deterministik",
sedangkan data yang tidak dapat ditentukan secara pasti disebut "probabilistik" atau
stokastik". Suatu peubah yang nilainya tidak dapat diperkirakan dengan pasti disebut
"peubah acak". Kadangkala kita perlu membedakan antara peubah acak diskrit dengan
peubah acak kontinyu.
6.1. Peluang subyektif dan obyektif

Dalam fenomena-fenomena stokastik, perihal yang penting ialah bagaimana
menentukan besarnya peluang yang terkait dengan suatu outcome dari peubah acak.
Penentuan peluang ini dapat dilakukan berdasarkan "feeling" dari peneliti sehingga disebut
peluang subyektif, atau berdasarkan pengalaman/outcome obyektif yang terjadi sebe-
lumnya sehingga disebut peluang obyektif. Masalah peluang ini sangat penting artinya
dalam kejadian-kejadian yang berulang. Sehingga seringkali kita kenal istilah "distribusi
frekuensi", yang pada hakekatnya menyatakan setiap nilaidari suatu peubah acak dan
frekuensinya masing-masing (Tabel 4).
6.2. Nilai Harapan

Nilai harapan dari suatu peubah acak pada hakekatnya merupakan rataan terboboti
dari semua nilai yang mungkin terjadi. Pembobot bagi setiap nilai peubah adalah
peluangnya masing-masing.
Tabel 4. Teladan distribusi frekuensi

_________________________________________________________
Kode Nomer Banyaknya hari Peluang munculnya
munculnya nomer kode nomer
_________________________________________________________
152 2 0.067
155 3 0.100
159 7 0.233
160 8 0.266
163 5 0.167
164 3 0.100
167 2 0.067
_________________________________________________________
30 1.00
_________________________________________________________
Teladan sederhana adalah berikut ini:

Jumlah kendaraan Peluang
2 0.20
3 0.80
-----------
1.00
Nilai harapan dari peubah acak (jumlah kendaraan yang terjual dalam suatu hari)
adalah (0.2 x 2 + 0.8 x 3) atau = 2.8 kendaraan. Nilai ini memerlukan interpretasi hati-
hati.
6.3. Variasi dan Analisis Ragam

Variasi di antara berbagai nilai yang mungkin terjadi dari suatu peubah acak
seringkali disebut "dispersi". Ukuran besarnya dispersi dari suatu peubah acak disebut
"ragam, variance". Pada dasarnya ragam ini merupakan rata-rata kuadrat simpangan dari
suatu peubah acak terhadap nilai rata-ratanya (mean). Akar kuadrat dari ragam disebut
"simpangan baku", yang kegunaan utamanya terletak pada kemampuannya untuk
mengekspresikan dispersi dalam bentuk unit ukuran orisinalnya.
Model dasar dari analisis ragam mengasumsikan sejumlah tertentu faktor
independen atau efek-efeknya yang ditambahkan kepada rataan, mampu mendefinisikan
situasi praktis yang dimodel. Dengan demikian suatu eksperimen sederhana dengan t
perlakuan dan diulang r kali dapat didefiniskan dengan model:
Yij = µ + ßi + j + ij
dimana µ adalah rata-rata; ß adalah pengaruh ulangan ke-i (i = 1 - r);  adalah

pengaruh perlakuan ke-j (j = 1 - t), dan  adalah kesalahan acak yang tersebar normal dan
independen dengan rataan nol dan ragam 2.
7. Korelasi
Secara umum dapat dikatakan bahwa "korelasi" merupakan peralatan statistik

yang mengukur kekuatan hubungan antara dua peubah atau lebih. Dengan demikian
dikenal dua macam korelasi, yaitu korelasi sederhana dan korelasi majemuk atau berganda.
Ukuran dari korelasi tersebut adalah (i) koefisien-korelasi (r) yang nilai numeriknya
berkisar antara -1 dan +1, dan (ii) koefisien determinasi (r2 ).
Koefisien determinasi yang merupakan kuadrat dari koefisien korelasi pada
hakekatnya menyatakan sebagian (persentase) dari total variasi (peubah 1) yang dapat
diterangkan oleh variasi peubah 2. Jadi nilai r2 = 0.846 atau 84.6% menyataan bahwa
84.6% dari variasi peubah 1 dapat dijelaskan oleh variasi peubah 2, sedangkan 15.4% dari
total variasi disebabkan olah faktor lainnya..
8. Regresi
Dalam permasalahan pengelolaan dan menejemen seringkali dijumpai kegiatan

peramalan, pendugaan, perkiraan, dan lainnya. Salah satu metode yang dapat digunakan
untuk maksud-maksud ini adalah regresi. Metode analisis ini sangat tepat kalau peubah
yang diramal secara logis "dependent" terhadap peubah lainnya ("independent").
Misalnya ada ketergantungan logis antara "sales" dan "biaya perjalanan salesmen".
Apabila peubah independent-nya hanya satu maka disebut regresi sederhana , dan apabila
peubah independent-nya lebih dari satu maka disebut regresi-berganda.
Dalam rangka untuk dapat mengimplementasikan regresi ini ada dua kriteria yang
harus diperhatikan, yaitu (i) apakah ada peubah lain yang mempunyai hubungan
"prasyarat" logis dengan peubah dependent, dan (ii) apakah bentuk hubungan logis tersebut
linear atau non-linear. Untuk dapat menjawab kriteria pertama tersebut kita harus men-
guasai landasan teoritis yang melatar-belakangi permasalahan yang dihadapi. Hubungan
logis yang menjadi prasyarat tersebut dapat berupa fubungan fungsional atau hubungan
sebab-akibat. Sedangkan bentuk hubungan antara dua peubah dapat dilihat dengan
menggunakan diagram pencar yang melukiskan titik-titik data (Gambar 5).
Hubungan antara dua peubah tersebut di atas dapat dinyatakan dalam bentuk
matematis sbb:
1. Model regresi linear: Y = a + b X
2. Model regresi non linear:
2.1. Kuadratik : Y = a + bX + c X2
2.2. Eksponensial : Y = a (ecX) atau Y = a (e-cX)
2.3. Asimtotis : Y = a - b(e-cX)
2.4. Logistik : Y = a / (1+b rX).
Grafik hubungan-hubungan tersebut dilukiskan dalam Gambar 6.
Model regresi yang melibatkan lebih dari satu peubah in-dependent dinamakan
model regresi berganda, salah satu contoh yang populer adalah Regresi Linear Berganda.
Dua macam penggunaan yang sangat penting dari model regresi ini ialah (i) membangun
persamaan yang melibatkan beberapa peubah independent (Xi) yang dapat digunakan
untuk menduga perilaku peubah independent (Y), dan (ii) menemukan peubah-peubah
independent (Xi) yang berhubungan dengan peubah Y, mengurutkan tingkat kepen
tingannya, dan menginterpretasikan hubungan- hubungan yang ada.
Model matematikanya adalah:
Y = a + b1 X1 + b2X2 + ........ + bn Xn
dimana:
Y = peubah independent
X1 = peubah independent pertama
X2 = peubah independent ke dua
Xn = peubah independent ke n
a = intercept
b1, b2, bn, ....... = koefisien regresi.
9. Teori Permainan
Teori permainan (game theory) merupakan pendekatan matematik untuk

merumuskan situasi persaingan dan konflik antara berbagai kepentingan. Teori ini
dikembangkan untuk menganalisis proses pengambilan keputusan dari situasi-situasi
persaingan yang bebeda-beda dan melibatkan dua atau lebih kepentingan. Misalnya para
pimpinan pemasaran bersaing dalam memperebutkan pangsa pasar, yang semuanya
terlibat dalam usaha untuk memenangkan permainan. Kepentingan-kepentingan yang
bersaing dalam permainan disebut para "pemain". Diasumsikan bahwa setiap pemain
mempunyai kemampuan untuk mengambil keputusan secara bebas dan rasional.
Model-model teori permainan ini dapat diklasifikasikan menurut jumlah pemain,
jumlah keuntungan dan kerugian, serta jumlah strategi yang digunakan dalam permainan.
Telada berikut adalah Permainan dua- pemain-jumlah-nol "(2 person zero sum game)".
Matriks pay-off nya disajikan dalam Tabel 6.
Tabel 6. Matriks pay-off Permainan Dua-Pemain Jumlah-Nol

_________________________________________________________
Pemain B
Pemain A --------------------------------------
B1 B2 B3
_________________________________________________________
A1 6 9 2
A2 8 5 4
_________________________________________________________
Beberapa hal dapat dijelaskan berikut ini:

(1). Angka-angka dalam matriks pay-off (matriks permainan) menunjukkan hasl-hasil
(atau pay off) dari berbagai strategi permainan. Hasil-hasil ini dapat dinyatakan
sebagai ukuran efektivitas seperti jumlah uang, persentase pangsa pasar, atau utilitas.
Dalam teladan ini, bilangan positif dapat menunjukkan keuntungan bagi pemain baris
(maximizing player) dan merupakan kerugian bagi pemain kolom (minimizing
player). Kalau pemain A menggunakan strategi A1 dan pemain B memilih strategi
B2, maka hasilnya ialah A memperoleh keuntungan 9 dan B mengalami kerugian 9.
Asumsinya bahwa matriks permainan diketahui oleh kedua pemain.
(2). Strategi permainan adalah rangkaian kegiatan atau rencana dari seorang pemain,
sebagai reaksi atas aksi yang mungkin dilakukan oleh pemain lawannya.
(3). Aturan permainan melukiskan kerangka dimana para pe-main memilih strateginya
masing-masing.
(4). Nilai permainan adalah hasil yang diperkirakan per-mainan dimana kedua pemain
menggunakan strateginya yang paling baik atau optimal. Suatu permainan disebut
"adil" apabila nilainya nol, dimana tidak ada pemain yang memperoleh keuntungan
atau kemenangan.
(5). Suatu strategi dominan apabila setiap pay-off dalam strategi adalah supe-rior terhadap
setiap pay off yang berhubungan dalam suatu strategi alter-natif.
(6). Strategi optimal adalah rangkaian kegiatan atau rencana yang menyeluruh, yang
menyebabkan seorang pemain dalam posisi yang paling mengun tungkan tanpa
memperhatikan kegiatan para lawannya.
(7). Tujuan dari model permainan adalah menidentifikasikan strategi atau ren-cana optimal
bagi setiap pemain. Dalam teladan di atas, strategi optimal bagi A adalah A2; dan
strategi optimal bagi B adalah B3.
Berdasarkan uraian di atas, konsep teori permainan sangat penting dalam masalah-
masalah:
(1). Pengembangan suatu kerangka untuk analisis pengambilan kepu-tusan dalam kondisi
persaingan (dan juga kerjasama)
(2). Penguraian suatu metode kuantitatif yang sistematis yang memungkinkan para
pemain memilih strategi yang rasional dalam upaya mencapai tujuan
(3). Gambaran dan penjelasan tentang fenomena situasi persaingan atau konflik, seperti
tawar-menawar dan perumusan koalisi.
10. Teori Keputusan
Dalam dunia nyata, para pengambil kebijakan seringkali diha-dapkan pada

kelangkaan informasi yang diperlukan untuk menentukan keputusan. Dalam perihal
akurasi dan variabilitas informasi tersebut pada hakekatnya dapat diklasifikasikan menjadi
tiga kategori, yaitu "kepastian (certainty), risiko (risky), dan ketidak-pastian (uncer-
tainty)."
Model-model keputusan dengan informasi yang pasti (certainty) me-nunjukkan
bahwa setiap rangkaian kegiatan mempunyai hasil tertentu yang tunggal. Modelini
tergolong deterministik. Model keputusan dengan keadaan risiko (model stokastik)
mengandung adanya keacakan. Risiko menggambarkan informasi yang mengiden-
tifikasikan bahwa setiap rangkaian keputusan mempu-nyai sejumlah kemungkinan hasil
dan peluang terjadinya.
Model keputusan dengan keadaan ketidak-pastian menunjukkan bahwa peluang
terjadinya hasil dari keputusan-kepu tusan tidak dapat ditentukan.

Tujuan dari teori keputusan a.l. adalah untuk memaksi mumkan (atau
meminimumkan) "benefits" (atau cost) rata-rata jangka panjang berbagai keputusan yang
menghadapi kondisi risiko. Sedangkan pengambilan keputusan pada kondisi ketidak-
pastian dikaji dalam teori permainan.
10.1. Konsep-konsep Dasar

Model keputusan yang umum terdiri atas komponen-komponen:
(1). Keadaan dasar: sekumpulan kejadian acak yang mungkin dapat mempe ngaruhi hasil
keputusan
(2). Peluang-peluang yang berkaitan dengan keadaan dasar
(3). Keputusan: sekumpulan kegiatan yang mungkin diambil oleh pengambil keputusan
(4). Pay off. Sekumpulan benefit atau cost yang mungkin dapat dihasilkan dari keputusan
dan keadaan dasar yang acak.
10.2. Kriteria keputusan

Keputusan optimal yang dapat diambil tergantung pada sasaran yang ingin dicapai
oleh pengambil keputusan. Beberapa macam kriteria yang sering digunakan untuk
memaksimumkan atau meminimumkan sasaran adalah :
(1). Kriteria Nilai Harapan
Nilai harapan dari suatu peubah acak X adalah samadengan penjumlahan semua nilai
X yang mungkin terjadi dikalikan dengan peluangnya masing-masing. Konsepsinya
adalah memilih keputusan yang mempunyai pay-off yang maksimum atau biaya yang
minimum.
(2). Kriteria Pohon Keputusan
Dalam hal keputusan yang berurutan, pohon keputusan merupakan suatu peralatan
pemodelan konseptual dan skematik yang ampuh. Pohon keputusan adalah
representasi skematik dari suatu masalah keputusan.
(3). Kriteria ragam
Besar-kecilnya risiko diukur dengan ragam; semakin besar ragam berarti semakin
tidak seragam atau dengan kata lain risikonya semakin besar. Kriteria yang diguakan
adalah: Maksimumkan E(Z) - K . Ragam (Z)
dimana E(Z) adalah hasil yang diharapkan dari kegiatan Z, sedangkan K adalah
pembobot yang mencerminkan kepekaan seseorang terhadap risiko. Semakin tidak
senang risiko berarti nilai K semakin besar.
(4). Kriteria Maximax.
Keputusan yang dipulih adalah yang menghasilkan pay-off paling besar tanpa
mempedulikan keadaan dasar yang seharusnya dipilih.
(5). Kriteria Maximin
Keputusan yang dipilih adalah yang mempunyai maksimum dari pay- off yang
minimum. Kriteria ini agak pesimistik.
(6). Kriteria peluang maksimum
Seseorang seharusnya memilih keputusan optimal atau landasan keadaan dasar yang
paling sering terjadi (modus).
(7). Kriteria Laplace
Dalam kondisi tidak tersedia bukti atau data yang kuat, maka setiap keadaan dasar
dianggap mempunyai peluang yang sama besar. Oleh karena itu, seseorang harus
memilih keadaan dasar yang mempunyai benefit rata-rata tertinggi.

11. Analisis Jaringan Kerja
Analisis jaringan kerja juga sering dikenal dengan istilah "network planning atau
network analysis". Analisis ini sering digunakan untuk perencanaan, penyelenggaraan
dan evaluasi proyek-proyek kegiatan. Dua metode yang telah populer adalah "PERT
(Programme Evaluation and Review Technique) dan CPM (Critical Path Method)".
Metode PERT menganggap bahwa proyek terdiri atas peristiwa-peristiwa yang
susul-menyusul, sedangkap CPM menganggap proyek terdiri atas kegiatan-kegiatan yang
saling berhubungan membentuk lintasan-lintasan tertentu. Visualisasi suatu proyek
menurut kedua metode ini adalah berupa diagram network.
Beberapa simbol yang lazim digunakan dalam diagram network adalah (i) anak
panah, yang melambangkan kegiatan, (ii) lingkaran, yang melambangkan peristiwa dan
(iii) anak panah terputus-putus, yang melam bangkan hubungan antara dua peristiwa.
Diagram network merupakan visualisasi proyek berdasarkan analisis jaringan
kerja, biasanya diagram ini terdiri atas simbol kegiatan, simbol peristiwa, dan simbol
hubungan antar-peristiwa. Diagram ini menyatakan logika ketergantungan antar kegiatan
yang ada dalam proyek dan menyatakan urutan peristiwa yang terjadi selama penyeleng-
garaan proyek. Salah satu implementasi metode analisis ini ialah dalam analisis waktu,
analisis sumberdaya, dan analisis biaya pada suatu proyek.
13. Data Enumerasi

Salah satu metode untuk analisis data enumerasi adalah "chi-kuadrat". Data
enumerasi lazimnya melibatkan peubah-peubah diskrit yang lebih mengarah kepada ciri
kualitatif daripada kuantitatif. Dengan demikian data berupa jumlah individu yang
tergolong ke dalam kelas-kelas tertentu. Misalnya, suatu populasi diambil contohnya dan
kemudian dihitung banyaknya individu jantan dan betina dari contoh tersebut. Dalam suatu
populasi atau dalam suatu contoh, individu dapat diklasifikasikan menurut beberapa
peubah. Misalnya penduduk di suatu kampung dapat dikelompokkan atas dasar kebiasaan
merokok, dan kemudian dikelompokkan lagi berdasarkan kerentanan terhadap penyakit
kanker. Berdasarkan kriteria di atas maka dapat disusun tabel dua arah seperti Tabel 7.
Tabel 7. Tabel kontingensi dua arah
Perokok Tidak merokok Jumlah

Rentan Kanker 200 300 500
Tidak rentan kanker 180 310 490
Jumlah 380 610 990
Dengan data seperti di atas kita dapat melakukan analisis lebih lanjut untuk
mengetahui apakah ada hubungan antara kebiasaan merokok dengan kerentanan terhadap
penyakit kanker. Kriteria uji Chi-kuadrat dapat dihitung dan kemudian dibandingkan
dengan nilai Chi-kuadrat dalam tabel standar. Teladan lain misalnya hasil percobaan
pemberian pakan kepada tikus (Tabel 8)
Data ini dapat dianalisis untuk mengetahui pengaruh bahan pakan terhadap
kehidupan tikus, atau untuk mengetahui apakah sebenarnya peluang tikus untuk hidup
sama besar setelah diberi kedua macam bahan pakan tersebut. Data binomial dalam tabel
yang dimensinya lebih dari dua mengisyaratkan problematik statistik dan interpretasinya
yang rumit. Suatu teladan sederhana berikut ini adalah hasil percobaan pemberian pakan
konsentrat terhadap kesehatan tubuh dua jenis kelinci (Tabel 9). Tujuan dari percobaan ini
adalah untuk mengetahui apakah pengaruh konsentrat terhadap kesehatan tubuh kelinci
jenis A berbeda dengan jenis B. Untuk menjawab pertanyaan tersebut data dapat dianalisis
dengan menggunakan teknik-teknik Chi-kuadrat . Kriteria uji dapat dikembangkan dengan
melibatkan peluang di masing-masing "Cel" dari tabel kontingensi.
Tabel 8. Tabel kontingensi dua arah (Hasil percobaan pemberian pakan pada tikus)
_________________________________________________________
Perlakuan pakan Jumlah tikus yang:
Hidup Mati Total
_________________________________________________________
Kaldu standar 8 12 20
Campur penisilin 48 62 110
_________________________________________________________
Total 56 74 130
______________________________________________________
14. Data Multivariate

Dalam perihal-perihal tertentu ternyata para pakar telah membuat pembedaan
antara "variable" dan "variate". Suatu "variable" adalah "kuantita yang mempunyai
nilai berbeda untuk individu yang berbeda, atau mempunyai nilai berbeda untuk individu
yang sama pada kondisi yang berbeda". Sedangkan suatu "variate" didefinisikan sebagai
"suatu kuantita yang dapat mempunyai salah satu nilai dari gugus nilai tertentu yang
mempunyai frekuensi relatif atau peluang tertentu". "Variate" ini kadangkala juga
dipandang sebagai peubah-acak, tetapi harus dipandang bukan hanya nilainya saja, tetapi
juga harus dilibatkan fungsi peluangnya.
Tabel 9. Tabel kontingensi tiga arah

_________________________________________________________
Kelinci A Kelinci B Total
Sehat Sakit Sehat Sakit
_________________________________________________________
Kelinci A 12 15 20 10 57
Kelinci B 15 15 18 20 68
_________________________________________________________
Total 27 30 38 30 125
_________________________________________________________
Dalam bidang ekologi atau ilmu lingkungan, seringkali suatu model analisis harus
mampu menangkap perilaku lebih dari satu variate. Model-model seperti ini secara
kolektif disebut "multivariate", dan teknik analisisnya disebut "multivariate analysis".
Pada hakekatnya analisis ini adalah analiis data multi variate dalam pengertian bahwa
setiap anggota mempunyai nilai-nilai p variates. Teladan data seperti ini disajikan dalam
Tabel 10.
Tabel 10. Karakteristik tanah dari beberapa lokasi

_________________________________________________________
No. Kadar Fosfor Nitrogen Kepadatan Kerikil
Tanah air
_________________________________________________________
1 68 15 2.1 45 15
2 72 10 1.8 56 21
3 72 12 2.2 44 26
4 65 22 2.1 50 18
5 60 15 2.3 49 20
6 45 17 3.1 30 21
7 50 22 2.8 42 23
8 70 28 2.5 29 18
9 76 21 2.1 43 10
10 54 23 1.9 50 6
_________________________________________________________
14.1. Model-model deskriptif

Model-model ini tidak melibatkan pendugaan variate degan menggu-nakan variate
lainnya.
(a). Analisis Komponen Utama ("Principal Component Analysis, PCA")

Model ini merupakan bentuk yang cukup sederhana untuk mempelajari variasi
multivariate. Analisis ini dapat digunakan untuk menganalisis data yang memenuhi
syarat sbb:
1. Untuk setiap individu unit contoh diukur dan dicatat peubah- peubah yang sama.
Dengan demikian semua pengukuran harus dilakukan untuk setiap individu unit
pengamatan,
2. Peubah-peubah yang dipilih untuk analisis harus kontinyu atau kalau diskrit maka
intervalnya harus cukup kecil sehingga dapat dianggap kontinyu
3. Tidak ada manipulasi peubah orisinal untuk membentuk peubah baru yang juga
dilibatkan dalam analisis.
Metode analisis ini dilakukan untuk mencapai tujuan :

1. Pemeriksaan korelasi antara peubah-peubah yang separate
2. Reduksi dimensi variabilitas yang diekspresikan oleh unit-unit sampling individual
hingga menjadi paling sedikit tetapi masih bermakna
3. Eliminasi peubah-peubah yang sumbangan informasinya kecil
4. Pemeriksaan pengelompokkan unit-unit sampling yang paling informatif
5. Penentuan pembobot obyektif bagi peubah-peubah dalam rangka untuk menyusun
indeks variasi
6. Identifikasi unit-unit samling yang meragukan asal-usulnya
Metode analisis ini pada hakekatnya melibatkan ekstraksi eigenvalue dan eigenvector
dari matriks koefisien korelasi peubah-peubah orisinalnya.
(b). Analisis Gerombol ("cluster analysis")

Analisis ini pada hakekatnya melibatkan berbagai macam teknik untuk menemukan
struktur dari gugusan data yang sangat kompleks. Persyaratan database sama dengan

analisis PCA. Tujuannya tidak lain adalah untuk mengelompokkan unit-unit data atau
peubah ke dalam gerombol-gerombol (kelompok) sehingga elemen-elemen dalam
suatu gerombol mempunyai derajat "asosiasi alamiah" yang cukup tinggi, dan
gerombol yang satu berbeda dengan gerombol lainnya. Hasil analisis gerombol ini
dapat disajikan dalam bentuk dendrogram seperti Gambar 17.
14.2. Model Prediktif
(a). Fungsi diskriminan

Model klasik Fisher tentang fungsi diskriminan berkaitan dengan permasalahan
bagaimana mendiskriminasikan antara dua kelompok "a priori", dimana setiap individu
anggota dalam kelompok mempunyai beberapa peubah yang telah diukur. Model ini
menyediakan fungsi linear dari pengukuran setiap peubah sedemikian rupa sehingga
individu dapat dimasukkan ke dalam salah satu kelompok dengan tepat.
Fungsi diskriminan ini ditulis sbb:
z = a1x1 + a2x2 + .......+ amxm
dimana a adalah vektor koefisien diskriminan dan x adalah vektor pengukuran yang
dilaukan pada individu yang harus dimasukkan ke dalam salah satu kelompok.
(b). Canonical Variate

Kalau kelompok (gerombol) yang dilibatkan lebih dari dua, maka analisis di atas
perlu dikembangkan lebih lanjut dengan membentuk lebih dari satu fungsi diskriminan.
Metode analisis seperti ini dikenal dengan nama "Canonical variate". Dengan demikian
tujuannya adalah menderivasikan seperangkat fungsi deskriminan yang berbentuk:
d = a1x1 + a2x2 + a3x3 + ............. + apxp
dimana a1,a2,a3, ..... ap adalah koefisien deskriminan yang dihitung sedemikian

rupa untuk meminimumkan konfuse di antara satu gerombol dengan gerombol lainnya.
16. Statistik Non-Parametrik
Dalam penelitian seringkali kita menghadapi data yang distribusinya tidak mudah
atau sulit sekali diketahui. Untuk ini kita memerlukan statistik distribusi-bebas, sehingga
kita memerlukan pro-sedur analisis yang tidak tergantung pada distribusi tertentu. Statistik
non parameterik membandingkan distribusi dan bukan membandingkan parameter.
Beberapa keuntungan dari statistik non-parameterik ini adalah:
(1). Kalau dimungkinkan untuk membuat asumsi yang lemah mengenai sifat distribusi
data maka statistik non-parametrik sangat sesuai. Statistik ini digunakan untuk
sekelompok besar distribusi bukan untuk distribusi tunggal,
(2). Kadangkala dimungkinkan untuk bekerja sedikit lebih banyak daripada
mengkategorisasikan data karena skala pengukurannya sangat lemah/tidak memadai.
Dalam hal ini, uji non-parametrik dapat dilakuan. Pada kesempatan lain, kategorisasi

merupakan cara untuk mengumpulkan data yang banyak secara cepat, datanya
sedemikian banyaknya sehingga diperlukan uji non parametrik,
(3). Kalau dimungkinkan untuk me-ranking data, maka teredia prosedur-prosedur non-
parametrik,
(4). Karena statistik non-parametrik menggunakan data enumerasi, ranking, atau tanda dari
perbedaan untuk observasi yang berpasangan, maka seringkali dapat lebih cepat dan
mudah digunakan.
Efisiensi teknik-teknik non-parametrik dibandingkan dengan metode parametrik

ternyata snagat tinggi untuk sampel kecil ( n < 10), efisiensi menurun kalau jumlah sampel
semakin besar.
16.1. Uji X2 Goodness of Fit
Seringkali kita ingin mengetahui bukan parameter dari distribusi yang diasumsikan
melainkan ingin mengetahui bentuk distribusinya. Dengan kata alain kita ingin menguji
hipotesis bahwa sampel data berasal dari suatu distribusi tertentu. Kriteria uji X2 adalah:
(Observasi - Harapan)
X2 =  ----------------------------
(Harapan)
Kriteria ini sesuai untuk data yang tersebar dalam kategori. Tidak diperlukan skala
untuk mendefinisikan kategori, meskipun ada sekala dan dapat digunakan. Peluang
diperlukan untuk menghitung nilai-nilai harapan, peluang ini dapat diperoleh dari teori atau
diduga dari data.
16.2. Uji Kolmogorov-Smirnov: Sampel Tunggal

Uji ini digunakan untuk menguji hipotesis mengenai distribusi kontinyudengan
parameter-parameter tertentu. Uji ini dianggap konservatif, yaitu bahwa, P(tolak Ho|Ho
benar) < nilai  tabel, kalau parameter-parameter diestimasi. Uji ini juga dapat digunakan
untuk menguji hipotesis mengenai distribusi diskrit.
16.3. Uji Tanda

Dalam uji ini, kita berhubungan dengan median dan bukan dengan mean (rata-
rata). Uji tanda ini didasarkan pada tanda-tanda dari perbedaan di antara nilai-nilai yang
berpasangan. Ini berarti bahwa uji ini juga dapat digunakan kalau observasi yang
berpasangan diranking secara sederhana.
Untuk menguji hipotesis nol bahwa setiap perbedaan berasal distribusi peluang
yang mempunyai median 0 maka kriteria uji yang dapat digunakan adalah:
(Observasi - Harapan)
X2 =  -----------------------------
(Harapan)
Formula berikut ini sesuai untuk menguji Ho: p = 0.5 :

(n1-n2)2
X2 = -------------
n1 + n2
dimana nilai-nilai n1 dan n2 adalah banyaknya tanda plus dan minus.
Uji ini mempunyai kerugian karena tidak mamapu mendeteksi informasi mengenai
besarnya perbedaan. Sehingga tidak memungkinkan untuk mendeteksi penyimpangan
dari hipotesis nol kalau banyaknya pasangan observasi kurang dari enam. Untuk pasangan
observasi lebih dari 20, uji ini sangat berguna.
16.4. Uji Rank Wilcoxon

Uji ini merupakan pengembangan dari Uji-Tanda dalam upaya untuk mendeteksi
perbedaan-perbedaan riil pada perlakuan yang berpasangan. Tahapan dalam prosedur ini
adalah:
(1). Menyusun Rank perbedaan-perbedaan di antara nilai-nilai yang berpasangan mulai
terkecil hingga terbesar tanpa memperhatikan tandanya.
(2). Memberi tanda pada Rank sesuai dengan perbedaan orisinalmnya
(3). Menghitung jumlah Rank positif T+ dan menjumlah rank negatif T-. Ini berhubungan
dengan persamaan T+ + T- = n(n+1)/2.
Pilihlah di antara T+ dan T- yang secara numerik lebih kecil, dan ini disebut dengan
T.
(4). Membandingkan jumlah yang diperoleh pada tahap (3) dengan nilai kritis.
Uji signifikasi dapat dilakukan dengan n sama dengan ba-nyaknya pasangan:
Z = (T - µT)/µT,
n(n+1) n(n+1)(2n+1)
µT = -----------------, µ T = µ ------------------
4 24
.
16.5. Uji Kolmogorov-Smirnov: Dua Sampel
Untuk menguji dua sampel independen dan menguji hipotesis nol bahwa mereka
berasal dari distribusi yang identik. Kalau sampel-sampel tersebut adalah Y11 , ...... Y1n1
dan Y21, .... Y2n2, maka kita mempunyai Ho: F1(Y) = F2(Y), dimana F i adalah benar
tetapi fungsi distribusi kumulatifnya tidak spesifik. Kriteria uji mensyaratkan bahwa dua
fungsi distribusi sampel dibandingkan. Ini berarti kita mencari perbedaan numerik maksi-
mum di antaranya. Langkah-langkah prosedurnya adalah:
(1). Ranking semua observasi bersama-sama
(2). Tentukan fungsi-fungsi distribusi komulatif dari sampel, Fn(Y1) dan Fn(Y2 )
(3). Hitunglah |F n(Y1 ) - Fn(Y2)| pada masing-masing nilai Y
(4). Carilah D dan bandingkan dengan nilai kritis.
Kalau H1: F1(Y) > F2(Y) maka kriteria ujinya adalah:
D+ = |Fn(Y1) - Fn(Y2 )| untuk Fn(Y1) > Fn(Y2)
Kalau H1: F1(Y) < F2(Y) maka kriteria ujinya adalah:

D- = |Fn(Y1) - Fn(Y2 )| untuk Fn(Y1) < Fn(Y2)
16.6. Uji Wilcoxon-Mann-Whitney: Dua Sampel

Uji Wilcoxon ini dikembangkan untk menguji lokasi dua sampel independen yang
ukurannya sama. Uji ini diperluas oleh Mann dan Whitney untuk sampel yang ukurannya
tidak sama. Uji untuk observasi yang tidak berpasangan adalah sebagai berikut, untuk n1 <
n2:
(1). Susun Rank observasi dari kedua sampel bersama-sama mulai dari terkecil hingga
terbesar,
(2). Tambahkan Rank-rank untuk sampel yang lebih kecil, sebutlah ini dengan T
(3). Hitunglah T' = n1(n1 + n2 + 1)-T, , nilai yang ingin anda peroleh untuk sampel yang
lebih kecil kalau observasi telah diranking dari terbesar hingga terkecil. (Ini bukan
jumlah rank-rank untuk sampel lainnya).
(4). Bandingkanlah jumlah rank yang lebih kecil dengan nilai tabel.
Kalau tidak tersedia tabel uji, dapat digunakan formula berikut:
Z = (T-µT)/_T,
n1(n1+n2+1) n1n2 (n1+n2+1)

µT = ------------------ , µ T = µ --------------------
2 12
Bandingkanlah nilai Z-hitung dengan Z-tabel.
16.7. Uji Median

Uji ini dapat digunakan untuk menguji dua sampel independen. Ia menguji
hipotesis nol bahwa dua distribusi kontinyu mempunyai median bersama. Prosedurnya
adalah:
(1). Urutkanlah dua sampel dari terkecil hingga terbesar.
(2). Carilah mediannya
(3). Untuk setiap sampel, amatilah banyaknya observasi-observasi yang lebih besar dari
median
(4). Gunakan dua besaran ini dan dua ukuran sampel untuk melengkapi tabel kontingensi
2 x 2.
(5). Ujilah signifikansinya dengan X2 dengan satu derajat bebas kalau ukuran kedua
sampel lebih besar dari 10.
16.8. Uji Kruskal-Wallis: k - Sampel

Kruskal dan Wallis telah mengembangkan suatu kriteria uji berdasarkan atas rank-
rank yang sesuai untuk rancangan acak lengkap. Untuk k = 2, setara dengan uji Wilcoxon-
Mann-Whitney. Kalau untuk uji rank yang lainnya, kita asumsikan abwha semua populasi
yang disampel adalah kontinyu dan identik, kecuali hanya lokasinya. Hipotesis nol adalah
bahwa semua populasi mempunyai lokasi sama. Prosedurnya adalah sbb:
(1). Susun Rank semua observasi bersama-sama dari yang terkecil hingga terbesar.
(2). Jumlahkanlah rank-rank untuk setiap sampel
(3). Hitunglah kriteria uji dan bandingkanlah dengan nilai tabel.
Kriteria uji adalah:
12 Ri2
H = ----------  ---- - 3(n-1)
n(n+1) i ni
Di sini ni adalah banyaknya observasi dalam sampel ke i, dimana i = 1, .... k, n =

_ni, dan Ri adalah jumlah rank untuk sampel ke i. H tersebar seperti X2 dengan derajat
bebas k-1 ka;lau ni tidak terlalu kecil.
16.9. Uji Friedman: Klasifikasi Dua Arah

Rancangan percobaan yang banyak digunakan adalah Acak Kelompok dengan
lebih dari dua ulangan. Friedman telah mengusulkan uji berikut ini:
(1). Susunlah rank perlakuan-perlakuan dalam setiap ulangan dari terkecil hingga terbesar
(2). Carilah jumlah rank untuk setiap perlakuan
(3). Ujilah hipotesis nol bahwa populasi-populasi di dalam suatu ulangan adalah identik
melawan hipotesis alternatif bahwa paling tidak satu perlakuan berasal dari populasi
yang mempunyai perbedaan lokasi pada satu arah. Kriteria uji yang digunakan
adalah:
12
Xr = ------------  ri2 - 3b(t+1)
2
bt(t+1) i
dengan derajat bebas t-1, dimana t adalah banyaknya perlakuan, b adalah

banyaknya ulangan, dan ri adalah jumlah rank untuk perlakuan ke i. Perhatikan bahwa 12
dan 3 adalah konstante yang tidak tergantung pada ukuran eksperimen. Kriteria uji ini
mengukur homogenitas t jumlah-jumlah dan tersebar seperti X2.
16.10. Koefisien Korelasi Rank Spearman

Koefisien korelasi, r, dapat digunakan untuk distreibusi normal bivariate, suatu
distribusi yang tidak terlalu lazim. Koefisien korelasi rank Spearman berlaku untuk data
dalam bentuk rank. Dapat dapat dihimpun sebagai rank-rank atau dapat diranking setelah
observasi pada sekala lain. Ia mengukur korespondensi antara rank-rank, sehingga tidak
memerlukan ukuran korelasi linear. Prosedurnya adalah:
(1). Rankinglah observasi untuk setiap variabel
(2). Carilah perbedaan dalam rank-rank untuk observasi berpasangan. Misalnya di =
perbedaan untuk pasangna ke i
(3). Estimasilah rho dengan formula:
6  d i2
rs = 1 - ---------------
(n-1) n (n+1)
dimana rs adalah koefisien korelasi rank Spearman dan n adalah banyaknya perbedaan
d.
(4). Kalau pasangan sangat banyak, estimasi dapat diuji dengan menggunakan kriteria:
n-2
t = rs  -------
1 - rs2
tersebar seperti t - Student dengan derajat bebas n-2.
16.11. Uji Olmstead-Tukey: Asosiasi

Uji ini digunakan untuk asosiasi dua variabel kontinyu, dan lazim disebut sebagai
uji jumlah-kuadrat. Nilai-nilai ekstrim seringkali menjadi indikator terbaik dari asosiasi
antara variabel dan uji ini memberinya pembobot khusus. Perhitungannya sbb:
(1). Plot observasi yang berpasangan
(2). Gambarkanlah median untuk setiap variabel
(3). Mulailah dari bagian atas, hitung ke bawah banyaknya observasi (dengan
menggunakan sumbu Y) yang nampak, hingga perlu melintasi median vertikal.
Catatlah angka ini bersama dengan tanda kuadrannya.
(4). Ulangilah seperti tahap (3) dari kanan, dengan menggunakan median horisontal
(5). Ulangilah dari bawah dan dari kiri
(6). Hitunglah jumlah kuadran dan bandingkanlah dengan nilai- nilai tabel.
Kalau banyaknya pasangan ganjil, setiap median melalui suatu titik yang agaknya
berbeda. Misalnya saja titik ini (Xm,Y) dan (X,Ym). Untuk menghitung jumlah kuadran,
gantilah dua pasangan ini dengan pasangan tunggal (X,Y), sehingga akan meghasilkan
jumlah pasangan yang genap. Pengujian dilakukan dengan jalan membandingkan jumlah
kuadran dengan nilai tabel.
DAFTAR PUSTAKA
Agrawal, R.C. dan E.O. Heady. 1972. Operations Research Methods for Agricultural
Decisions. The Iowa State University Press, Ames.
France, J. dan J.H.M. Thornley. 1984. Mathematical Models in Agriculture. A

Quantitative Approach to Problems in Agriculture and Related Sciences.
Butterwoths, London.
Frenkiel, F.N. dan Goodall, D.W. 1976. Simulation Modelling of Environmental

Problems. John Wiley and Sons New York, USA.

Nasendi, B.D. dan Affendi Anwar. 1985. Program Linear dan Variasinya. PT. Gramedia,
Jakarta.
Nasoetion, A.H. 1988. Metode Statistik Untuk Penarikan Kesimpulan, Gramedia.
Ott, W.R. 1978. Environmental Indices. Theory and Practice.Ann Arbor Science
Publishers Inc., Michigan.
Pangestu Subagyo, Marwan Asri, dan T. Hani Handoko. 1986. Dasar-dasar Operations
Research. BPFE Yogyakarta.
Tubagus Haedar Ali. 1990. Prinsip-prinsip Network Planning. PT Gramedia, Jakarta.
van Roermund, H.; W.H. Nugroho dan Leo Stroosnijder. 1987. Introduction to Modelling
and Theory of Crop Growth Simulation. Communication Soil Science Unibraw
No. 16. Jurusan Tanah FAPERTA Unibraw, Malang.
Wischmeier, W.H. dan D.D. Smith. 1960. A Universal Soil Loss Equation to Guide
Conservation Farm Planning. 7th. Int. Congr. Soil Sci. Vol. 1: 418-425.

BAB VI
ANALISIS DATA
6.1. PEMILIHAN ALAT ANALISIS DATA
Banyak cara atau metode untuk melakukan analisis data, diantara metode yang
akan dibahas dalam bagian ini adalah dengan menggunakan metode statistik. Metode
statistik adalah prosedur-prosedur yang digunakan dalam pengumpulan, peringkasan,
penyajian, analisis dan penafsiran data. Statistika yang memberikan informasi mengenai
data yang dipunyai dan sama sekali tidak menarik inferensi atau kesimpulan apapun
tentang himpunan data induknya yang lebih besar disebut statistika deskriptif.
Penyusunan tabel, diagram, grafik, dan besaran-besaran lain di majalah atau di koran-
koran, termasuk dalam kategori statistika deskriptif ini. Walaupun penyajian data statistik
dalam bentuk tabel dan diagram mempunyai banyak kegunaan, namun tujuan akhir telaah
statistika adalah membuat keputusan dan menarik kesimpulan mengenai sehimpunan data
induk yang lebih besar (populasi), yang karena suatu dan lain hal kita hanya memiliki
pengetahuan parsial, berdasarkan hanya sebagian data (sampel). Hal ini membawa kita
pada bidang statistika inferensia (Lihat: Zulaela, 2006:2)
Setelah data terkumpul, peneliti umumnya mempunyai dua tujuan yaitu:
memperoleh informasi secara deskriptif tentang karakteristik suatu populasi berdasarkan
data sampel yang diambil dari populasi tersebut (mean, median, percentiles and standard
deviation) dan melakukan pengujian hipotesis tentang parameter dari populasi tersebut.
Uji-uji statistik (independent t test, paired t test, Chi-square test, Fisher’s exact test, Mann-
Whitney U test, Wilcoxon matched-pairs test, ANOVA, Kruskal-Wallis test) yang sesuai
yang digunakan untuk melakukan pengujian hipotesis tersebut tergantung pada besar
kecilnya ukuran sampel, normal tidaknya populasi, disamping tipe skala pengukuran.
Secara umum, analisis dimulai dari yang sederhana (cross tabulations, t test) ke yang
lebih kompleks (multiple linear regression, logistic regression). Tabel 6.1; Tabel 6.2 dan
Tabel 6.3 berikut dapat digunakan sebagai acuan dalam pemilihan uji statistik yang sesuai
dengan pengujian hipotesis penelitian (Lihat, Zulaela, 2006:4-5).
Table 6.1: Methods for comparing two populations

Type of data Size of sample Method
Interval large Normal Distribution for means
small, with Normal t Distribution for means

Distribution
small, non_Normal Mann-Whitney U test

Distribution
Ordinal any Mann-Whitney U test
Nominal, ordered large, most expected chi-squared for trend

frequencies > 5
Nominal, not ordered large, most expected chi-squared test

frequencies > 5

small, more than 20% reduce number of categories by
expected frequencies < 5 combining or excluding as
appropriate
Dichotomous large, all expected Confidence interval for

frequencies > 5 proportions, chi-squared test
small, at least one expected chi-squared test with Yates’

frequency < 5 correction, Fisher’s exact test
Sumber:Zaulaela,2006:5

Table 6.2: Methods for differences in one or paired sample
Type of data Size of sample Method
Interval large Normal Distribution
small, Normal differences Paired t method
small, non-Normal differences Wilcoxon matched-pairs test
sign test
Ordinal any
sign test
Nominal, ordered any
McNemar’s test
Dichotomous any

Table 6.3: Methods for relationships between variables
Interval, Interval, Ordinal Nominal, Nominal Dichotomo
normal non-normal ordered us
Interval, regression regression, rank rank correlation analysis of t test,
normal , rank correlation variance normal test
correlatio correlation
n rank correlation analysis of
Interval, rank variance large
non- rank correlation by ranks sample
normal correlation normal test,
Mann
rank correlation analysis Whitney U
variance test
Ordinal rank by ranks
correlation chi squared test Mann
for trend chi Whitney U
squared test
Nominal, test
ordered chi squared
chi test for
squared trend
Nominal test
chi squared
Dichoto- test
mous
chi squared,
Fisher’s
exact test

6.2. KAI-KUADRAT (X2)
Salah satu alat uji statistik yang dapat digunakan untuk analisis data yang bersifat
kualitatif, khususnya yang berupa data kategorik, seperti tingkat pendapatan: tinggi,
sedang/menengah, dan rendah; partisipasi dalam membayar: ikut membayar, dan tidak ikut
membayar; frekuensi kecelakaan: sering, dan jarang; dan berbagai data yang bersifat
kualitatif lainnya dapat kita gunakan uji kai-kuadrat (x2). Uji kai-kuadrat ini cukup
sederhana, dan mudah dihitung dari hasil tabel silang. Dan apabila kita menggunakan
program SPSS, dapat dikeluarkan dengan program descriptive statistics. Berikut ini ada
beberapa contoh perhitungan sederhana uji kai-kuadrat.
Contoh 1
Diketahui : Frekuensi hasil penelitian hubungan pendidikan dengan partisipasi
dalam membayar PBB, seperti berikut :
Partisipasi Dalam Pendidikan
Membayar PBB Tidak Tamat SD Tamat SD
Ikut membayar 40 30
Tidak ikut membayar 6 20
Ditanyakan : Apakah hipotesis nol (Ho) ditolak dan hipotesis alternatif (Hi)
diterima, buktikan.
Jawaban :
(fo  fe) 2
Rumus Kai-Kuadrat : X2 = 
fe
(jumlah baris) (jumlah kolom)

Rumus fe : fe =
N (total)
Keterangan : fo = frekuensi kategori
fe = frekuensi harapan
Partisipasi Dalam Pendidikan

Jumlah
Membayar PBB Tidak Tamat SD Tamat SD
Ikut membayar 40 (fe1) 30 (fe3) 70
Tidak ikut membayar 6 (fe2) 20 (fe4) 26
Jumlah 46 50 96

70  46 26  46
fe1 = = 33,54 fe2 = = 12,46
96 96
70  50 26  50
fe3 = = 36,46 fe4 = = 13,54
96 96
TABEL KERJA :
(fo – fe)2
fo fe fo – fe (fo – fe)2
fe
40 33,54 6,46 41,73 1,24
6 12,46 – 6,46 41,73 3,35
30 36,46 – 6,46 41,73 1,14
20 13,54 6,46 41,73 3,08
8,81
Rumus : df = (k – 1) (b – 1)
df atau dk = derajat kebebasan

k = jumlah kolom
b = jumlah baris
k = 2; b = 2
dk = (2 – 1) (2 – 1) = 1.untuk dk (df) = 1 dan alpha = 0,05 maka X2 0,05 adalah 3,841
(seperti tertera pada cuplikan tabel berikut)
df X2 0,05 X2 0,025 X2 0,01 X2 0,005 df
1 3,841 5,024 6,635 7,879 1
2 5,991 7,378 9,210 10,597 2
3 7,815 9,348 11,345 12,838 3
4 9,488 11,143 13,277 14,860 4
5 11,070 12,832 15,086 16,750 5
dst dst dst dst dst dst
(Tabel selengkapnya lihat lampiran Tabel Kai Kuadrat)

Jadi : x2 perhitungan > x 2 tabel
Yaitu : 8,81 > 3,841
Kesimpulan : Ho (tidak ada hubungan antara pendidikan dengan partisipasi
membayar PBB) ditolak.
Hi (ada hubungan antara pendidikan dengan partisipasi membayar
PBB) diterima.
Mengukur kuatnya hubungan : Untuk mengukur kuatnya hubungan dapat
digunakan contingency coefficient, yang rumusnya sebagai berikut :
x2
Cc =
x2  n
n = besarnya sampel
6.3.Korelasi
6.3.1. Korelasi Partial

Diketahui : Frekuensi dari penelitian hubungan antara pendidikan (X1) pendapatan
(X2) dan partisipasi dalam pemilihan Kades (Y)
X1 X2 Y
8 5 10
7 6 7
6 8 8
9 7 10
10 9 9
Ditanyakan : a. Apakah ada korelasi yang signifikan antara variabel X1 terhadap

variabel Y.
b. Apakah ada korelasi yang signifikan antara variabel X2 terhadap
variabel Y, dengan dikontrol oleh variabel X1.
c. Apakah ada korelasi yang signifikan antara variabel X1 dan X2
(secara bersama-sama) terhadap variabel Y.

Jawaban : TABEL KERJA
X1 X2 Y X1.Y X2.Y X12 X22 Y2 X1.X2
8 5 10 80 50 64 25 100 40
7 6 7 49 42 49 36 49 42
6 8 8 48 64 36 64 64 48
9 7 10 90 70 81 49 100 63
10 9 9 90 81 100 81 81 90
40 35 44 357 307 330 225 394 283
Rumus Korelasi Pearson :
N xy  (x) (y)

r =
[N x 2  ( x) 2 ] [N y 2  (y) 2 ]
A. Menghitung semua korelasi

N x 1 .y  (x 1 ) (y)
a. ry.x1 =
2
[N x 1  (x 1 ) 2 ] [N y 2  (y) 2 ]
5 (357)  (40) (44)
=
[ 5 (330)  (40) 2 ] [ 5 (394)  (44) 2 ]
1785  1760
=
(1650  1600) (1970  1936)
25
=
(50) (34)
25 25
= =
1700 41,23
= 0,61.
Rumus significant F tes (hubungan 2 variabel)
r 2 (N  2)
F =
1 r2
(0,61) 2  (5,2) 2 0,3721 (3)

F = 2
=
1  (0,61) 1  (0,3721)
1,1163
= = 1,7778
0,6279
F tabel untuk taraf uji 5%, peubah 1 dan responden 5 adalah 6,61 (seperti
tertera pada cuplikan Tabel F berikut):
TABEL: F
5% (deretan atas) dan 1 % (deretan bawah)
d.b d.b untuk kuadrat rerata pembagi
untuk K.R 1 2 3 4 5 6 7 8
Pembagi
161 200 216 225 230 234 237 238
1
4052 4999 5403 5625 5764 5859 5928 5981
1851 19,00 19,16 19,25 19,30 19,33 19,36 19,37
2
98,49 99,00 99,17 99,25 99,30 99,33 99,34 99,36
10,13 9,55 9,28 9,12 9,01 8,94 8,88 8,84
3
34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49
7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04
4
21,20 18,00 16,69 15,98 15,52 15,21 14,98 14
6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82
5
16,26 13,27 12,06 11,39 10,97 10,67 10,45 10,27
dst
(Tabel F selengkapnya lihat lampiran)

Fo < F tabel (1,7778 < 6,61)
 Tidak ada hubungan yang signifikant.

N x 2 .y  (x 2 ) (y)
b. ry.x2 =
2
[N x 2  (x 2 ) 2 ] [N y 2  (y) 2 ]
5 (307)  (35) (44)
=
[ 5 (255)  (35) 2 ] [ 5 (394)  (44) 2 ]
1535  1540
=
(1275  1225) (1970  1936)
5
=
(50) (34)
5 5
= =
1700 41,23
= – 0,12.
N x 1 .x 2  (x 1 ) (x 2 )
c. rx1.x2 =
2 2
[N x 1  (x 1 ) 2 ] [N x 2  (x 2 ) 2 ]
5 (283)  (40) (35)
=
[ 5 (330)  (40) 2 ] [ 5 (255)  (35) 2 ]
1415  1400
=
(1650  1600) (1275  1225)
15
=
(50) (50)
15 15
= =
2500 50
= 0,3.
B. Menghitung Korelasi Parsial
rij  (rik ) (rjk )
Rumusnya : rij.k =
1  r 2 ik . 1  r 2 jk
k = k = variabel kontrol j i
i = t = variabel tergantung
j = b = variabel bebas k
ryx 2  (ryx 1 ) (rx 2 x 1 )
 ryx2.x1 =
(1  r 2 yx 1 ) . (1  r 2 x 2 x 1 )
(0,12)  (0,61) (0,3)
=
[ 1  (0,16) 2 ] . [1  (0,3) 2 ]
(0,12)  (0,183)  0,303
= =
1  0,37 . 1  0,09 (0,79) (0,95)
 0,303
= = – 0,40
0,75
 Rumus F tes Korelasi Parsial :
r 2 ij.k [N  (k  1)]
F =
1  r 2 ij.k
(0,40) 2 . [5  (1  1)] ( 0,16) (3) 0,48

F = 2
= = = 0,574
1  (0,40) 1  0,16 0,84
6.3.2. Menghitung Korelasi Ganda
Rumusnya : R2i.jk = r2ij + r2ik.j (1 – r2ij)
R2 y.x1 x2 = r2yx1 + r2 yx2.x1 (1 – r2 yx1)

= (0,61)2 + (– 0,40)2 (1 – 0,612)
= 0,37 + (0,16) (1 – 0,37)
= 0,37 + (0,16) (0,63) = 0,37 + 01
= 0,47
Ry.x1x2 = 0,47 = 0,69

 Rumus F tesnya :
R 2 [N  (k  1)]
FR =
(1  R 2 ) (k)
0,47 [5  3]
FR =
(1  0,47) (2)
0,47 (2)
=
0,53 (2)
0,94
=
1,06
= 0,88

Beberapa Aplikasi Korelasi Product Moment
Matriks Korelasi Product Moment Antara Lima Variabel (dari perhitungan Komputer)
X1 X2 X3 X4 X5(Y)
X1 1.00 0.3159 0.1234 0.3375 0.3349
X2 1.00 0.3411 0.3567 0.4561
X3 1.00 0.08464 0.1691
X4 1.00 0.4157
X5(Y) 1.00
a. r5.1 = rY X1 = 0.3349
r 2 ( N  2) (0.3349) 2 (80  2)
F0 = F5.1 = 
1 r2 1  (0.3349) 2
0.11215(78) 8.7477
=   9.8527
1  0.1121215 0.88785
F tabel untuk taraf uji 0.05 adalah 3.96 (peubah 1).
Jadi F0 > F tabel (9.8527) > 3.96
Berarti significant dan mempunyai pengaruh yang berarti antara Motivasi dan
Semangat Kerja.
b. r5.2 = rY X2 = 0.4561
(0.4561) 2 (80  2) (0.2080)(78)
F0 = F5.2 = 
1  (0.4561) 2 1  0.2080
16.224
=  20.4848
0.7920
Berarti significant dan mempunyai pengaruh yang significant (berarti) antara
Kepemimpinan terhadap variabel Semangat Kerja.
c. r5.3 = rY X3 = 0.1691
(0.1691) 2 (80  2) (0.0286)(78)
F0 = F5.3 = 
1  (0.1691) 2 1  0.0286
2.2308
=  2.2965
0.9714
Berarti tidak significant pada taraf uji 0.05
Tapi kalau di teskan dengan F tabel tingkat kepercayaan (uji) 0.30 maka akan
significant, karena F0 lebih besar dari F tabel 0.30 (2.2965 > 2.21).
d. r5.4 = rY X4 = 0.4175
(0.4175) 2 (80  2) (0.1728)(78)
F0 = F5.4 = 
1  (0.4175) 2 1  0.1728
13.4784
=  16.2940
0.8272
Jadi F0 > F tabel (16.2940 > 3.96)
Berarti mempunyai pengaruh yang significant dari variabel Kondisi Fisik Tempat
Kerja terhadap variabel Semangat Kerja.

Beberapa Aplikasi Korelasi Parsial
0.3349  (0.4561)(0.3159)
a. r51.2 =
[ (1)  (0.4561) 2 ] [ (1)  (0.3159) 2 ]
0.3349  (0.1441) 0.1908
= 
(0.7920)(0.9002) 0.7129
0.1908
=  0.2259
0.8443
r 2 51.2 [ N  (k  1)] (0.2259) 2 (78)
F0 = F51.2 = 
1  r 2 51.2 1  (0.2259) 2
(0.0510)(78) 3.978
=   4.1918
1  0.0510 0.949
F tabel untuk taraf uji 5% dengan peubah 2 = 3.11
F0 > F tabel (4.1918) > 3.11)
Berarti hubungan antara variable Motivasi dan Semangat Kerja adalah murni
walaupun dikontrol oleh Kepemimpinan.
0.3349  (0.1691)(0.1234
b. r51.3 =
[ (1)  r 2 51.3 ] [ (1)  r 2 1.3 ]
0.3349  0.0534 0.2815
= 
(1  0.0278)(1  0.0152) 0.9574
0.2815
=  0.2876
0.9735
(0.2876) 2 (78) (0.0827)(78)
F0 = F 51.3 = 
1  (0.2876) 2 1  0.0827
6.4505
=  7.0321
0.9173
F0 > F tabel (7.0321 > 3.11)
Berarti hubungan antara variabel Motivasi dan Semangat kerja adalah murni
walaupun dikontrol dengan variabel Komunikasi.
0.3349  (0.4157)(0.3375)
c. r51.4 =
[ (1)  (0.1691) 2 ] [ (1)  (0.1234) 2 ]
0.3349  0.1313 0.2036
=   0.2128
(0.9714)(0.9848) 0.9566
(0.2128) 2 (78) (0.0452)(78) 3.5256
F0 = F 51.4 =    3.6925
1  (0.2128) 2 1  0.0452 0.9548
F0 > F tabel (3.6925 > 3.11)
Berarti hubungan antara variabel Motivasi dan Semangat kerja adalah murni
walaupun dikontrol dengan variabel kondisi Fisik tempat kerja.
Dengan perhitungan komputer :
r52.134 = 0.16071

(0.19071) 2 (76) (0.0285)(76)
F0 = F51.234 = 
1  (0.19071) 2 1  0.058
1.9608
=  2.0127
0.9742
F tabel untuk taraf uji 5% dengan peubah 4=2.48
F0 < F tabel (2.0127 < 2.48)
Ini berarti hubungan variabel Motivasi dan Semangat Kerja, walaupun dikontrol
secara bersama-sama oleh variabel Kepemimpinan, Komunikasi, dan Kondisi fisik
tempat kerja, ternyata tidak menguatkan variabel motivasi dan Semangat Kerja.
(0.4561)  (0.3349)(0.3159) 2
d. R52.1 =
[ (1)  (0.3349) 2 ] [ (1)  (0.3159) 2 ]
0.4561  0.10579 0.35031
= 
(1  0.11215)(1  0.09979) 0.79925
0.35031
=  0.3918
0.8940
(0.3918) 2 (78) (0.1535)(78)
F0 = F 52.1 = 
1  (0.3918) 2 1  0.1535
11.9730
=  14.1441
0.8465
F0 > F tabel (14.1441 > 3.11)
Berarti hubungan antara variabel Kepemimpinan dan Semangat Kerja adalah murni
walaupun dikontrol variabel Motivasi.
(0.4561)  (0.1691)(0.3411)
e. R52.3 =
[ (1)  (0.1691) 2 ] [ (1)  (0.3411) 2 ]
0.4561  0.0577 0.3984
= 
(1  0.0286)(1  0.1163) 0.8584
0.3984
=  0.4300
0.9265
(0.4300) 2 (78) (0.1849)(78)
F0 = F 52.3 = 
1  (0.4300) 2 1  0.1849
14.4222
=  17.6938
0.8151
F0 > F tabel (17.6938 > 3.11).
Berarti hubungan antara variabel Kepemimpinan dan semangat Kerja adalah murni
walaupun dikontrol variabel Komunikasi.
(0.4561)  (0.4157)(0.3567)
f. R52.4 =
[ (1)  (0.4561) 2 ] [ (1)  (0.3567) 2 ]

0.4561  0.1483 0.3078
= 
(1  0.2080)(1  0.1272) 0.6913
0.3078
=  0.3702
0.8314
(0.3702) 2 (78) (0.1370)(78)
F0 = F 52.4 = 
1  (0.3702) 2 1  0.1370
10.686
=  12.3824
0.863
F0 > F tabel (12.3824 > 3.11)
Berarti hubungan antara variabel Kepemimpinan dan semangat Kerja adalah murni
walaupun dikontrol variabel Kondisi fisik tempat Kerja.

r52.234 = 0.30560
(0.30560) 2 (76) (0.0934)(76)
F0 = F52.134 = 
1  (0.30560) 2 1  0.0934
7.0984
=  7.8297
0.9066
F tabel untuk taraf uji 5% dengan peubah 4=2.48
F0 > F tabel (7.297 > 2.48)
Ini berarti apabila hubungan variabel Kepemimpinan dan Semangat Kerja, apabila
dikontrol secara bersama-sama oleh variabel Motivasi, Komunikasi, dan Kondisi
fisik Tempat kerja, maka ternyata menguatkan hubungan variabel Kepemimpinan
dan Semangat Kerja.
(0.1691)  (0.3349)(0.1234)
g. R53.1 =
[ (1)  (0.3349) 2 ] [ (1)  (0.1234) 2 ]
0.1491  0.0413 0.1278
= 
(1  0.1125)(1  0.0152) 0.87435
0.1278
=  0.1367
0.9351
(0.1367) 2 (78) (0.0187)(78)
F0 = F 53.1 = 
1  (0.1367) 2 1  0.0187
1.4586
=  1.4864
0.9813
F0 < F tabel (1.4864 < 3.11)
Ini berarti apabila hubungan variabel Komunikasi dan semangat Kerja adalah
menjadi tidak murni kalau dikontrol oleh variabel Motivasi.
(0.1691)  (0.4561)(0.3411)
h. R53.2 =
[ (1)  (0.4561) 2 ] [ (1)  (0.3411) 2 ]

0.1691  0.1556 0.0135
= 
(1  0.2880)(1  1163) 0.6999
0.0135
=  0.0161
0.8366
(0.0161) 2 (78) (0.00026)(78)
F0 = F 53.2 = 
1  (0.0161) 2 1  0.00026
0.0203
=  0.0203
0.99978
F0 < F tabel (0.0203 < 3.11)
Ini berarti apabila hubungan variabel Komunikasi dan semangat Kerja tidak murni
kalau dikontrol oleh variabel Kepemimpinan.
(0.1691)  (0.4157)(0.08464)
i. R53.4 =
[ (1)  (0.4157) 2 ] [ (1)  (0.08464) 2 ]
0.1691  0.0352 0.1339
= 
(1  0.1728)(1  0.0072) 0.8212
0.1339
=  0.1478
0.9062
(0.1478) 2 (78) (0.0218)(78)
F0 = F 53.4 = 
1  (0.1478) 2 1  0.0218
1.7004
=  1.7383
0.9782
F0 < F tabel (1.7383 < 3.11)
Ini berarti apabila hubungan variabel Komunikasi dan semangat Kerja menjadi
tidak murni apabila dikontrol oleh variabel Kondisi fisik Tempat Kerja.

r53.124 = 0.02612
(0.02612) 2 (76) (0.00068)(76)
F0 = F53.124 = 
1  (0.02612) 2 1  0.00068
0.05168
=  0.0517
0.99932
F0 < F tabel (0.0517 < 2.48)
Ini berarti hubungan variabel Komunikasi dan Semangat Kerja, walaupun dikontrol
secara bersama-sama oleh variabel Motivasi, Kepemimpinan, dan Kondisi Fisik
Tempat kerja, ternyata tidak menguatkan hubungan variabel Komunikasi dan
Semangat Kerja.
(0.4157)  (0.3349)(0.3375)
j. R54.1 =
[ (1)  (0.3349) 2 ] [ (1)  (0.3375) 2 ]
0.4157  0.1130 0.3027
= 
(1  0.11215)(1  0.1139) 0.7867

0.3027
=  0.3413
0.8870
(0.3413) 2 (78) (0.1165)(78)
F0 = F 54.1 = 
1  (0.3413) 2 1  0.1165
9.078
=  10.2852
0.8835
F0 > F tabel (10.2852 > 3.11)
Ini berarti hubungan antara variabel Kondisi Fisik tempat Kerja dan semangat
Kerja adalah murni walaupun dikontrol oleh variabel Motivasi.

(0.4157)  (0.4561)(0.3567)
R54.2 =
[ (1)  (0.4561) 2 ] [ (1)  (0.3567) 2 ]
0.4157  0.1612 0.253
= 
(1  0.2080)(1  0.1272) 0.6913
0.253
=  0.3043
0.8314
(0.3043) 2 (78) (0.0926)(78)
F0 = F 54.2 = 
1  (0.3043) 2 1  0.0926
7.2228
=  7.9599
0.9074
F0 > F tabel (7.9599 > 3.11)
Ini berarti hubungan antara variabel Kondisi Fisik tempat Kerja dan semangat
Kerja adalah murni walaupun dikontrol oleh variabel Kepemimpinan.
(0.4157)  (0.1691)(0.08464)
k. R54.3 =
[ (1)  (0.1691) 2 ] [ (1)  (0.08464) 2 ]
0.4157  0.0143 0.4014
= 
(1  0.0286)(1  0.0072) 0.9644
0.4014
=  0.4088
0.9820
(0.4088) 2 (78) (0.1671)(78)
F0 = F 54.3 = 
1  (0.4088) 2 1  0.1671
13.0338
=  15.6487
0.8329
F0 > F tabel (15.6487 > 3.11)
Ini berarti hubungan variabel Kondisi Fisik Tempat Kerja dan Semangat Kerja
menjadi adalah murni walaupun dikontrol oleh variabel Komunikasi.

r54.123 = 0.26305
(0.26305) 2 (76) (0.0692)(76)
F0 = F54.123 = 
1  (0.26305) 2 1  0.0692
5.2592
=  5.6502
0.9308
F0 > F tabel (5.6502 > 2.48)
Ini berarti apabila hubungan variabel Kondisi Fisik Tempat Kerja dan Semangat
Kerja, apabila dikontrol secara bersama-sama oleh variabel Motivasi, Komunikasi,
dan Kepemimpinan, maka ternyata menguatkan hubungan variabel Kondisi Fisik
Tempat Kerja dan Semangat Kerja.
Beberapa Aplikasi Korelasi Majemuk

Dengan perhitungan komputer didapat koefisien korelasi majemuk:
R1.2345 = 0.5483
(0.5483) 2 (75) 22.5475
F0 = F R1.2345 = 2

1  (0.5483) (4) (0.6994)(4)
22.5475
=  8.0596
2.7976
F0 > F tabel (8.0596 > 2.33)
Berarti significant pengaruh variable bebas (Motivasi, Kepemimpinan,
Komunikasi, dan kondisi Fisik Tempat Kerja) terhadap variabel Tergantung
(Semangat Kerja)..
Beberapa Aplikasi Koefisien Determinasi

Dari perhitungan komputer hasilnya adalah :
R21.2345 = 0.3006 = 30.06%
Ini berarti Semangat Kerja berubah 30.06% karena pengaruh variabel Motivasi,
kepemimpinan, Komunikasi, dan kondisi Fisik Tempat kerja.
Sedangkan peubahan variabel Semangat Kerja yang tidak disebabkan oleh pengaruh
Motivasi, kepemimpinan, Komunikasi dan kondisi fisik tempat kerja, sebesar : 1 –
0.3006 = 0.6994 = 69.94%.
6.4. SIFAT DASAR ANALISIS REGRESI GANDA
Kemajuan-kemajuan yang pesat telah terjadi dalam analisis data pendidikan,

psikologi dan sosiologi pada dekade akhir-akhir ini. Kemajuan pesat bidang komputer
telah memungkinkan untuk menganalisa dalam jumlah yang besar dari data yang kompleks
yang relatif mudah. Konsepsi dasar dari analisis data juga telah maju, meskipun mungkin
tidak secepat teknologi komputer. Banyak dari pemahaman dan penguasaan tentang
analisis yang bertambah melalui perkembangan dan kajian yang meluas tentang dan
kesimpulan statistik, teristimewa dari analisis varian. Penggambaran analisis varian dipilih
dengan baik. Contoh sifat dasar dari hampir semua analisis data merupakan : pembagian,
pemisahan dan identifikasi dari dalam satu variabel tergantung yang disebabkan oleh
variabel bebas yang berbeda. Dalam hal ini, analisis varian dari alat analisa bagi para ahli
ilmu perilaku( Catatan: Kajian pada bagian ini, yakni halaman 24-100, merupakan
adaptasi dari Karya: Kerlinger & Padhazur, Multiple Regression in Behavioral Research,
1973, halaman 1-100).
Bagian lain dari teknik statistik dikenal sebagai analisis multi varian yang juga
telah berkembang pesat, sungguhpun tujuan-tujuan, cara kerja dan kegunaannya tidak
sepopuler analisis varian. Dari metode ini, dua khususnya analisis regresi ganda, telah
digunakan dengan cukup luas. Dalam buku ini kami memusatkan pada analisis regresi
ganda, yaitu satu cabang terpenting dari analisis multivarian.1
1
Pembahasan yang sempurna tentang penjelasan analisis multi varian bermakna analisis dengan lebih dari
satu variabel tergantung. Suatu metode satu varian hanya mempunyai satu variabel tergantung. Kami lebih
senang untuk mempertimbangkan semua metode analisis yang mempunyai lebih dari satu variabel tergantung
atau kedua-keduanya seperti metode multivarian. Perlu dijelaskan lebih dini untuk menghindari kebingungan
para pembaca. Jadi, regresi ganda adalah satu metode multivarian. Meskipun masalah itu tidak semuanya
penting.
Kita akan menemukan bahwa ini adalah alat analisa yang ampuh yang dapat
dipakai dengan luas dalam berbagai jenis yang berbeda dari masalah-masalah penelitian.
Hal tersebut dapat digunakan secara efektif dalam sosiologi, psikologi, ekonomi, politik
dan penelitian kependidikan. Dapat digunakan sama baiknya dalam eksperimen dan non
eksperimen. Dapat menangani variabel penelitian yang kontinyu dan katagonis. Metode ini
dapat menangani dua, tiga, empat atau lebih variabel bebas. Pada prinsipnya, analisis itu
sama. Akhirnya bila kita akan dengan berlebihan menunjukkan bahwa regresi ganda dapat
melakukan apapun yang dapat dilakukan oleh analisis varian, misalnya penjumlahan,
perkuadratan, rata-rata perkuadratan, F rasio dan lainnya, maka ditangani dengan
pengetahuan, pemahaman, dan ketelitian. Sungguhpun hal tersebut merupakan satu alat
analisis yang umum dan ampuh bagi para ahli ilmu perilaku.
Regresi Ganda dan Penelitian Ilmiah

Regresi ganda adalah suatu metode analisis kontribusi kolektif atau tersebar dari
dua atau lebih variabel bebas (Xi) terhadap variasi dari satu variabel tergantung (Y). Tugas
ilmu pengetahuan yang mendasar adalah menjelaskan fenomena. Braithwaite (1953)
berkata, tujuan dasar dari ilmu pengetahuan adalah menemukan atau menciptakan
penjelasan-penjelasan yang umum dari kejadian-kejadian alam. Jadi tujuan ilmu
pengetahuan itu adalah teori. Sebuah teori adalah seperangkat konstruk atau variasi yang
saling berhubungan yang menyajikan satu cara pandang yang sistematis dari fenomena
dengan menspesifikasikan hubungan antara variabel-variabel, dengan tujuan menjelaskan
fenomena (Kerlinger, 1964, hal. 11). Akan tetapi cara pandang dari ilmu pengetahuan ini
dekat dengan definisi regresi ganda.
Fenomena alam adalah kompleks. Fenomena dan konstruk dari ilmu-ilmu perilaku
(belajar, prestasi, kegelisihan keinginan, konservatif, kelas sosial, agresi, penguatan,
otoriter dan sebagainya) istimewa kompleksnya. Komplek dalam kaitan ini bermakna
bahwa satu fenomena mempunyai banyak aspek dan penyebab. Dalam kaitan analisis
penelitian, kompleks bermakna bahwa satu fenomena mempunyai beberapa sumber
variasi. Untuk mempelajari konstruk atau variabel yang berbeda-beda. Hal ini
dimaksudkan bahwa bila kita menggunakan satu instrumen yang mengukur variabel dari
sampel individu, kita akan mendapatkan lebih banyak atau lebih sedikit ukuran-ukuran
yang berbeda dari masing-masing instrumen. Pembicaraan kita adalah tentang varian dari
Y atau varian dari rata-rata nilai fakultas (satu ukuran dari prestasi), atau varian dari satu
skala kesukuan.
Dapat dinyatakan bahwa semua ilmuwan harus bekerja dengan varian. Bila variabel
tidak berbeda (jika mereka tidak mempunyai varian) maka ilmuwan tidak dapat
mengerjakan pekerjaannya. Bila dalam sebuah sampel, semua individu mendapat nilai
yang sama da;am satu tes bakat matematik, maka variannya adalah nol, dan tidak mungkin
untuk menjelaskan tentang bakat matematik. Pada ilmu-ilmu perilaku, varian adalah
fenomena itu sendiri dari keingintahuan dan kepentingan ilmiah. Varian yang besar pada
intelegensia dan prestasi anak-anak, misalnya perbedaan yang sungguh-sungguh diantara
sekolah-sekolah dan kelompok-kelompok ekonomi dan sosial dalam variabel kependidikan
yang kritis adalah fenomena dari kepentingan yang mendesak bagi ahli ilmu-ilmu perilaku.
Dalam buku ini akan banyak digunakan ekspresi varian dan kovarian karena kepentingan
dan mendasar dari varian.
Tugas regresi ganda adalah untuk membantu menjelasakan varian dari variabel
tergantung, dengan cara memperkirakan kontribusi pada varian ini dari dua atau lebih
variabel bebas. Para peneliti bidang kependidikan mencoba untuk menjelaskan perbedaan

dari prestasi sekolah dengan mempelajari berbagai hubungan dari prestasi sekolah
(kecerdasan, bakat, kelas, sosial, ras, latar belaka keluarga, lingkungan sekolah, karakter
guru dan sebagainya). Ilmuwan politik mencoba untuk menjelaskan perilaku pemilihan
dengan mempelajari variabel-variabel yang dianggap berpengaruh pada perilaku itu (jenis
kelamin, usia, pendapatan, pendidikan, afiliasi politik, motivasi, tempat tinggal, dan
lainnya). Ahli psikologi mencoba untuk menjelaskan perilaku dengan ambil beresiko,
dengan menyelidiki variabel kovarian, diantaranya : Komunikasi, diskusi kelompok, norma
kelompok, jenis keputusan, interaksi kelompok, penyebaran dari tanggungjawab (Kogan &
Wallach, 1967).
Pandangan tradisional tentang jumlah penelitian, dalam mempelajari hubungan
diantara satu variabel bebas dan satu variabel tergantung, mempelajari hubungan di antara
variabel bebas lainnya dari variabel tergantung, dan sebagainya, kemudian mencoba
meletakkan unsur-unsur itu bersama-sama model penelitian tradisional juga disebut
kelompok percobaan klasik dan tipe kelompok pengontrol. Selama seseorang tidak
mengatakan bahwa pandangan tersebut tidak absah, ia dapat mengatakan bahwa dalam
ilmu-ilmu perilaku adalah usang bahkan kuno (Campel & Stanley, 1963; Kerlinger, 1964,
1969). Seorang tidak dapat dengan mudah mengerti dan menjelaskan fenomena dalam hal
ini, karena interaksi yang kompleks dari varian bebas pada saat mereka mereka mengenai
variabel tergantung.
Gunakan satu contoh yang sederhana. Kita hendak mempelajari pengaruh metoda
itu pada anak laki-laki, pada anak-anak perempuan, pada anak-anak kelas menengah, anak-
anak kelas buruh, pada anak-anak kelas yang tinggi, kelas menengah dan kelas rendah
tingkat kecerdasannya. Ini tentu saja suatu ejekan yang mendramatisir kegagalan yang
dekat dari mempelajari satu variabel pada satu waktu. Pekerjaan itu tidak hanya tanpa
akhir, bahkan merupakan kegagalan sendiri karena metode-metode mungkin berbeda
keefektifannya pada jenis-jenis anak-anak yang berbeda, dan seseorang tidak dapat
mempelajari variabel-variabel itu secara bersama-sama.
Analisis regresi ganda disesuaikan dengan baik untuk mempelajari pengaruh dari
beberapa variabel bebas, termasuk variabel eksperimen (manipulasi) terhadap satu variabel
tergantung. Mari kita lihat tiga contoh dari kegunaannya pada penelitian yang sebenarnya
dan membesarkan lebih dari nihil dan abstrak sekali dari pembahasan ini.
Contoh Penelitian
Sebelum membeberkan kegunaan ilustratif dari regresi ganda, suatu kata prediksi
mungkin berguna. Banyak bahkan mungkin hampir semuanya dari kegunaan regresi ganda
telah menegaskan prediksi dari dua variabel bebas atau lebih (Xi) terhadap satu variabel
tergantung (Y). Hasil dari analisis regresi ganda menjadi baik ke dalam satu kerangka kerja
prediksi. Namun demikian prediksi adalah sungguh-sungguh satu kasus dari eksplanasi,
dapatlah digolongkan ke dalam teori dan penjelasan. Lihatlah pada cara ini : Penjelasan
ilmiah menentukan hubungan di antara kegiatan-kegiatan empiris. Kita menyebutkan : jika
p dan q di bawah syarat r, s, dan t. 2. Hal ini tentu saja merupakan penjelasan. Hal ini juga
prediksi dari p (r, s, dan t) terhadap q. Dalam buku ini, kata prediksi akan sering
digunakan. Ini untuk dimengerti dalam pengertian ilmiah yang lebih luas, namun terkecuali
umumnya dalam kajian praktis dimana penelitiannya tertarik pada prediksi yang tepat
terhadap satu kreasi, kira-kira nilai rata-rata atau penampilan kemampuan.
2
Kapanpun kita mengatakan jika p, maka p dalam buku ini, kita selalu mengartikan. Jika p maka mungkin q.
Sisipan kata mungkin adalah sejalan dengan pendekatan probabilitas kita dan tidak berpengaruh kepada
logika dasar
Contoh I: Kajian Holtzman & Brown : Prediksi Prestasi Sekolah Menengah
Holtzman & Brown (1968), dalam satu kajian tentang prediksi nilai rata-rata kelas
menengah (GPA), menggunakan kebiasaan dan sikap (SHA) serta bakat ilmiah (SA)
sebagai variabel bebas. Korelasi antara sekolah menengah GPA (Y) dan SHA (X1) adalah
0,55; diantara GPA dan SA (X2) adalah 0,61.3
Dengan menggunakan SHA sendiri, maka 0,50 2 = 0,30, yang berarti bahwa 30 persen dari
varian GPA disebabkan oleh SHA. Dengan menggunakan SA sendiri maka 0,612 = 37
persen dari varian GPA yang disebabkan oleh SHA. Karena terjadi tumpang tindih diantara
varianya (korelasi diantara mereka adalah 0,32) kita tidak dapat menambah dengan mudah
kedua r2 secara bersama-sama untuk menentukan jumlah varian yang disebabkan oleh
SHA dan SA secara bersama-sama. Dengan menggunakan regresi ganda Holtzman &
Brown menemukan bahwa dalam 1684 sampel ke dalam tujuh tingkat, korelasi diantara
SHA dan SA di satu pihak serta GPA di lain pihak adalah 0,72 atau (0,72)2 = 0,52. Jadi 52
persen dari varian GPA disebabkan oleh SHA dan SA. Dengan menambah bakat ilmiah
terhadap prestasi dan kebiasaan sekolah, Holtzman dan Brown menaikkan kekuatan
prediksi : 30 persen menjadi 52 persen.4
Jelaslah dengan menggunakan kedua variabel bebas dan penggabungan hubungan terhadap
GPA cukup menguntungkan.
Contoh 2: Penelitian Coleman

Laporan Coleman yang luas dan penting dalam persamaan kesempatan pendidikan
(Coleman et.al, 1966), berisi contoh-contoh yang banyak dan efektif dari analisis regresi
ganda. Satu dari tujuan dasar dalam penelitian itu adalah untuk menjelaskan prestasi
sekolah atau Ketidaksamaan dalam prestasi sekolah. Meskipun kita tidak dapat pada sisi
ini berlaku adil dalam penelitian ini, kita dapat dengan penuh harapan memberikan kepada
pembaca satu perkiraan bagi penggunaan regresi ganda dalam penjelasan suatu fenomena-
fenomena :Pendidikan, psikhologi dan sosiologi, yang kompleks. Menjelang akhir dari
buku ini, kita akan meneliti laporan itu lebih terinci.
Para peneliti memilih sebagai variabel tergantung yang paling penting adalah
kemampuan lisan atau prestasi (VA). Sebagai dari 60 ukuran variabel bebas dari jenis yang
berbeda dikorelasikan dengan VA. Melalui kombinasi tertentu dari ukuran-ukuran ini
dalam analisis regresi ganda. Coleman dan rekan-rekannya dapat memisahkan pengaruh-
pengaruh nisbi dari jenis-jenis perbedaan variabel bebas terhadap variabel tergantung
(prestasi lisan). Sebagai contoh mereka menemukan bahwa apa yang mereka sebut sebagai
variabel sikap dan berperilaku, misalnya kepentingan siswa di sekolah, konsepsi mereka
sendiri (dalam kaitannya dengan belajar dan keberhasilan di sekolah) dan pengertian
mereka tentang pengawasan lingkungan, menyebabkan lebih banyak dari varian prestasi
lisan dari pada variabel latar belakang keluarga, variabel-variabel sekolah (ibid. hal 319-
325). Mereka dapat menarik kesimpulan ini dengan mengkombinasikan kembali variabel
bebas yang berbeda dalam analisis regresi ganda, hasil itu yang dikenal dengan kontribusi
nisbi dari variabel individu dan gugus-gugus variabel. Ini merupakan keadaan dimana data
sudah tidak menghasilkan kesimpulan dengan metode lain.
Contoh 3: Penelitian Lave dan Seskin
3
Variabel tergantung selalu dinyatakan dengan Y dan variabel-variabel bebas dinyatakan dengan X1-, X2 …
Xk
4
Lihat lagi satu atau dua poin dari statistik dasar. Kuadrat dari koefisien korelasi r2xy
Dalam suatu analisa tentang dampak polusi udara terhadap kesehatan manusia,
Lave & Seskin (1970) menggunakan bronchitis, kanker paru-paru, radang paru-paru dan
tingkat penyebab kematian lainnya sebagai variabel tergantung, serta polusi udara dan
status sosial ekonomi (kepadatan penduduk atau kelas sosial) dengan variabel bebas.5
Kedua variabel bebas dihubungkan berbagai indeks kematian dalam suatu rangkaian
analisis regresi ganda. Bila polusi udara adalah suatu determinan, kira-kira kematian dari
bornkhitis atau kanker paru-paru, korelasinya seharusnya bersifat penting, teristimewa bila
dibandingkan dengan korelasi diantara polusi udara dan satu variabel, yang mungkin
seharusnya tidak dipengaruhi oleh polusi udara, misalnya kanker lambung.
Sejumlah analisis menghasilkan hasil yang mirip; polusi udara menempati posisi
yang penting terhadap varian indeks kematian dan bukan kepadatan penduduk. Penulis
berkesimpulan bahwa polusi udara satu variabel penjelas yang berarti, dan variabel sosial
ekonomi diragukan kesignifikansiannya.
Analisis Regresi Ganda dan Analisis Varian

Mahasiswa seharusnya sadar di awal kajiannya tentang hampir semua identitas
yang sebenarnya dari analisis regresi ganda dan analisis varian, seperti kita sebutkan pada
kata pengantar. Bagian kedua dari buku ini akan menjelaskan bagaimana analisis varian
dan dikerjakan dengan analisis regresi ganda. Akan ditunjukkan juga bahwa analisis
regresi ganda tidak hanya memberikan lebih banyak informasi tentang data, tetapi juga
dapat dipakai untuk lebih banyak jenis data.
Analisis varian dirancang untuk menganalisa data yang dihasilkan melalui
percobaan. Bila ada lebih dari satu variabel eksperimen, satu dari kondisi yang harus
dipenuhi untuk menggunakan analisis varian yaitu variabel eksperimen menjadi bebas.
Dalam satu pola faktor, misalnya, peneliti, melakukan usaha untuk memenuhi kondisi ini
dengan menentukan secara random satu bilangan yang sama dari subjek kepada sel dari
pola. Karena beberapa alasan, ia tidak mempunyai bilangan yang sama di dalam sel, maka
variabel bebas akan dikorelasikan dan analisis varian yang biasa dibicarakan dengan teliti,
menjadi tidak tepat guna.
Kita sudah berbicara bertele-tele sebagai latar belakang dalam satu problema
analitis yang penting. Banyak, mungkin hampir semua problema penelitian ilmu-ilmu
perilaku adalah tentang pembeberan macam-macam fakta yang meminjamkan sendiri
terhadap manipulasi ekperimental dan memilih dengan sembarangan penetapan dari
bilangan-bilangan yang sama dari subjek terhadap kelompok-kelompok. Sebagai pengganti
kelompok-kelompok yang lengkap yang sudah ada yang harus digunakan. Kondisi dimana
tidak ada korelasi diantara variabel bebas dilanggar dengan sistematis, demikian juga
(untuk menyatakan), melalui problema dan situasi penelitian yang sangat alami. Apakah
kelas sosial merupakan satu variabel bebas dalam penelitian ini? Untuk menggunakan
analisis varian seseorang harus mempunyai bilangan-bilangan yang sama tentang masalah
kelas menengah dan kelas buruh dalam kebersamaan sel terhadap pembagian kelas-kelas
sosial. (diasumsikan bahwa ada sekurang-kurangnya satu variabel bebas lainnya dalam
penelitian ini). Hal ini begitu pentinya, teristimewa untuk pembahasan berikutnya, karena
itu perlu untuk menjelaskan apa maksudnya.
5
Penandaan sosial ekonomi itu agak menyesatkan. Dalam hubungan yang dilaporkan di sini, penandaan
benar-benar bermakna dalam hampir semua analisa ialah kepadatan penduduk meskipun Lave & Seskin tidak
menguraikan masalah itu, dapat diperkirakan bahwa semakin padat tingkat populasi maka akan semakin
tinggi angka kematian.
Pada umumnya, ada dua macam variabel bebas, yaitu aktif dan atribut
(Kerlinger,1973,Bab. 3). Variabel aktif adalah variabel manipulatif. Sebagai contoh, jika
seorang peneliti menghadiahi satu kelompok anak-anak karena beberapa macam
penampilan, dan tidak menghadiahi kelompok lainnya, maka ia sudah memanipulasi
variabel ganjaran. Variabel atribut adalah variabel yang diukur, kecerdasan, bakat, kelas
sosial, dan banyak variabel lainnya yang mirip tidak dapat dimanipulasi, banyak subjek
yang datang ke ajang penelitian, juga untuk membicarakan dengan variabel-variabel itu.
Mereka dapat ditentukan ke dalam kelompok-kelompok dasar dari posisi mereka dari
kecerdasan yang tinggi atau rendah atau pada dasar anggota-anggota keluarga kelas
menengah ataupun kelas buruh. Bila ada dua variabel atau lebih seperti itu dalam
penelitian, untuk tujuan-tujuan dari analisis varian, subjek-subjek itu ditetapkan ke dalam
subgroup-subgrup berdasarkan status mereka dalam variabel-variabel itu, besar
kemungkinannya, tanpa menggunakan alat-alat tiruan, untuk mempunyai bilangan-
bilangan subjek-subjek yang sama dalam sel dari pola. Hal ini disebabkan oleh variabel
dikorelasikan tidak bebas. Variabel intelegensia dan kelas sosial, misalnya mempunyai
korelasi, untuk memahami apa maksudnya dan kesulitan-kesulitan dasar yang terlibat,
andai kata kita berharap untuk mempelajari hubungan antara kecerdasan dan kelas sosial
pada satu pihak, dan prestasi sekolah-sekolah di pihak lain. Skor kecerdasan yang lebih
tinggi akan cenderung merupakan anak-anak kelas menengah, dan tingkat kecerdasan yang
lebih rendah merupakan anak-anak kelas buruh (tentu saja banyak perkecualian, tetapi
mereka tidak dapat mengubah argumen ini). Oleh karena itu bilangan-bilangan subjek akan
menjadi tidak sama dalam sel yang sesungguhnya dari pola, dikarenakan korelasi diantara
inteligensia dan kelas sosial.
Gambar 6.1. Menunjukkannya dalam cara yang sederhana. Kecerdasan dibagi
menjadi kecerdasan yang tinggi dan rendah. Kelas sosial dibagi ke dalam kelas menengah
dan kelas buruh. Karena subjek kelas menengah cenderung mempunyai inteligensia yang
lebih tinggi dibandingkan dengan kelas buruh, akan lebih banyak subjek pada sel a dari
pada sel b. Demikian juga akan lebih banyak kelas buruh pada sel d dan c. Ketidaksamaan
dari subjek menunjukkan adanya hubungan antara inteligensia dan kelas sosial.
Para peneliti umumnya membagi variabel kontinyu ke dalam kelompok tinggi dan
rendah; atau kelompok tinggi, menengah dan rendah, inteligensia tinggi-inteligensia
rendah, sifat otoriter tinggi sifat otoriter rendah dan sebagainya-dalam rangka
menggunakan analisis varian. Meskipun berguna untuk mengkonsepsikan problema disain,
dengan cara ini, akan tetapi hal itu tidak bijaksana dan juga tidak tepat untuk
menganalisanya. Cara seperti ini, untuk sesuatu hal, membuang informasi. Bila seseorang
membagi dua satu variabel yang dapat diambil pada satu jarak dari nilai, maka seseorang
akan kehilangan varian yang dapat dipertimbangkan. 6 Hal ini dapat berarti bahwa korelasi
yang dikurangi dengan variabel lainnya dan bahwa hasilnya tidak signifikan bila pada
6
Kemudian kita akan mendefinisikan macam-macam dari variabel. Untuk saat itu, nominal atau variabel
kategori merupakan variabel yang telah dibagi-pembagi adalah subgugus dari gugus yang terpotong dan
lengkap (kemeny, Snell & Thompson, 1966, hal. 84) pembagi yang terpisah yang tidak bermakna kuantitatif
kecuali yang tentang perbedaan kualitatif. Bilangan-bilangan itu ditetapkan dalam pembagi yang seperti itu,
dengan perkataan lain, adalah label yang sungguh-sungguh yang tidak mempunyai bilangan yang bermakna.
Dibicarakan dengan teliti, mereka tidak dapat diurut atau ditambah, sekalipun kita akan memperlakukannya
seolah-olah mereka mempunyai arti bilangan. Variabel kontinyu adalah yang mempunyai arti bilangan.
Variabel kontinyu adalah yang mempunyai arti bilangan sesungguhnya. Kata kontinyu bermakna penyebaran
atas rangkaian kesatuan linear, bahwa berkemampuan dalam satu kontinum yang ada perubahan kecil.
Namun demikian untuk meyakinkan, kita menggunakan kontinyu untuk memasukkan skala-skala dengan
nilai yang berlainan.
kenyataannya hubungan diujikan mungkin signifikan. Ringkasnya, para peneliti dapat
kecanduan terhadap metode yang luwes dan ampuh seperti analisis varian (analisis faktor
atau analisis regresi ganda) dan memaksa analisis data penelitian pada landasan yang tegas
dari metode itu.
Inteligensi Tinggi Inteligensi Rendah

Kelas Menengah a b
Kelas Buruh c d
Gambar 6.1.
Problema-problema seperti ini sesungguhnya hilang dengan menggunakan analisis
regresi ganda. Dalam hal ini variabel yang dibagi dua, satu yang sederhana
memasukkannya sebagai variabel-variabel bebas yang juga disebut variabel dumi, dimana
1 dan 0 ditentukan terhadap subjek tergantung pada apakah mereka mempunyai
karakteristik atau tidak dalam questioner. Bila subjeknya kelas menengah tandai ia satu,
bila ia kelas buruh tandai ia nol. Bila subjek laki-laki tandai ia satu, sadar mengikuti
gerakan liberal. Pada kasus variabel kontinyu bahwa dalam analisis variabel akan dapat
dibagi, yang sederhana memasukkannya sebagai variabel kontinyu yang bebas. Masalah-
masalah ini akan dijelaskan kemudian. Masalah yang utama sekarang yaitu analisis regresi
ganda mempunyai kemampuan yang menguntungkan untuk menangani macam-macam
variabel yang berbeda dengan fasilitas-fasilitas yang sama, laporan eksperimen juga
dianggap sebagai variabel. Walaupun problem pertidaksamaan, pada satuan menganalisa
data eksperimen dengan analisis regresi ganda, tidak hilang, begitu banyak kekurangan
satu problema karena hampir selalu dapat diabaikan.
Catatan Untuk Memahami Bagian ini

Dalam Bagian ini, kitamencoba memberikan satu intuisi dan perkiraan umum
untuk analisis regresi ganda dan posisinya dalam analisis data penelitian ilmu-ilmu
perilaku. Akan terlalu banyakberharap pengertian yang cukup dalam. Kita hanya
memenuhi dengan menyusun langkah-langkah untuk apa-apa yang terjadi. Kita seharusnya
berpegang teguh pada ide-ide tertentu bila kita memasuki lebih mendalam kajian kita.
Pertama : Regresi ganda digunakan seperti metode analisis lainnya. Untuk membantu kita
memahami fenomena alami dengan menandai sifat dan besaran hubungan diantara
fenomena dengan fenomena lainnya.
Kedua : Fenomena-fenomena itu dinamai oleh para ilmuwan dan menyebytnya knstruk-
konstruk atau variabel-variabel. Malah hubungan-hubungan diantara konstruk-konstruk
atau variabel-variabel ini yang kita cari.
Ketiga : Kunci teknis untuk mengerti hampir semua metode statistik adalah varian dan
kovarian. Hubungan adalah gugusan dari pasangan-pasangan tersusun, dan bila kita
berharap untuk mengkaji hubungan-hubungan, kita bagaimanapun harus mengobservasi
ataupun membuat gugusan tersusun. Tentu bagaimanapun observasi saja tidak cukup.
Gugusan-gugusan dari pasangan-pasangan yang tersusun adalah melalui definisi suatu
hubungan, hanya mengobservasi gugusan itu saja tidak cukup. Kita harus mengerti banyak
dari dua komponen kovarian gugusan itu. Apakah dua komponen kira-kira dalam urutan
rangking yang sama ? Apakah skor inteligensia yang tinggi itu umumnya berpasangan
dengan skor prestasi yang tinggi dan yang rendah dengan yang rendah ?
Setelah menentukan petunjuk dari kovariasi, seseorang kemudian harus
menentukan apa tingkat komponen kovariasi. Dalam tambahan seseorang harus menjawab
pertanyaan : Bila kovariasi tidak sempurna, yaitu bila urutan rangking dari kedua

komponen tidak sama, terhadap tingkat mana mereka tidak sama ? Apakah ada sumber-
sumber lainnya tentang variasi skor prestasi, dengan anggapan bahwa prestasi berharap
untuk menjelaskan ? Bila ya, apa itu ? Bagaimana mereka berkovariasi dengan prestasi dan
dengan inteligensia ?Apakah mereka mengkontribusi sebanyak, lebih banyak atau lebih
sedikit terhadap variasi dari prestasi dari pada inteligensia? Pertanyaan-pertanyaan seperti
apakah ilmu pengetahuan dan analisa itu. Analisa regresi ganda merupakan pembantu yang
ampuh dalam menjawabnya.
Ide-ide dasar ini cukup sederhana. Hanya saja cara-cara pengimplimentasinya yang
tidak sederhana. Pada bab-bab bagian pertama kami meletakkan dasar untuk memahami
dan menguasai regresi ganda. Cara-cara untuk mengimplementasikan ide-ide dan
menjawab pertanyaan-pertanyaan itu. Kami menguji dan mengkaji regresi linear sederhana
dengan terinci, regresi dengan hanya satu variabel bebas dan kemudian memperluas kajian
kita kepada teori dan praktek tentang regresi ganda serta teori dan praktek kontrol statistik,
menggunakan apa yang dikenal sebagai korelasi parsial dan korelasi semi parsial.
Kerangka referensi yang konstan adalah penelitian ilmiah dan problema-problema
penelitian. Bagaimana mungkin, problema penelitian yang tersusun dan nyata akan
digunakan untuk menjelaskan diskusi sehingga mahasiswa berpikir tentang problema-
problema penelitian lebih dari menjadi terpenuhi semata-mata dengan mate-matika,
aritmatika, dan statistik.
Pembaca pertama mendekati jenis-jenis hal yang akan kita kaji, bahkan pembaca
yang memahami persoalan statistik dengan baik, hampir merasakan satu arti yang bersifat
misterius dan magis tentang prosedur-prosedur dan hasil-hasilnya tentu saja tidak ada yang
misterius ataupun magis. Kita setuju bahwa prosedur kadang-kadang nampak bersifat
magis, teristimewa pada Bagian Kedua, dimana kita mencoba menunjukkan bagaimana
dan mengapa analisis varian dilakukan dengan analisis regresi ganda. Tetapi mereka
merasa agak berterus terang, hampir tidak ada aspeknya yang tidak dapat dinyatakan dan
dimengerti, sugguhpun adakalanya kita harus meyakininya. Kami menganjurkan bahwa
pembaca yang masuk kajian tentang subjek itu, menyetujui untuk bekerja melalui contoh-
contoh itu. Kami akan mencoba menjelaskan-langkah-langkah dan pemikiran yang
mengarah ke suatu problema. Kami juga akan mencoba untuk merefleksikan kebingungan
dan kesulitan kita masih segar dalam ingatan kita dan sehingga mungkin menolong
mahasiswa dengan memanfaatkan aturan-aturannya dan bekerja dari sana.

6.5. RELASI, KORELASI DAN REGRESI LINEAR SEDERHANA1
Relasi dan korelasi

Satu korelasi adalah satu hubungan. Karena satu korelasi merupakan satu
gugus pasangan yang tersusun, korelasi juga satu gugus pasangan yang tersusun.
Namun demikian korelasi berarti lebih dari hal ini. Ia juga berarti kovari dari dua
variabel. Pada gambar 6.2 diberikan satu gugus pasangan yang tersusun; Gambar
6.2 melukiskan satu hubungan. Garis-garis itu menghubungkan pasangan-
pasangan dari bilangan-bilangan dalam menunjukkan pasangan yang tersusun.
Seperti dijelaskan dalam Bab I definisi relasi yang demikian, walaupun
bersifat umum dan jelas, tidak dapat memuaskan ilmuwan untuk mengerti relasi.
Apa sifat relasi? Apa petunjuknya? Apa besarannya? Apakah dua bilangan sub
gugus X dan Y, menunjukkan beberapa kovariasi yang sistematis? Bagaimana
mereka saling mempengaruhi satu sama lainnya? Dalam contoh yang sederhana
ini, jelaslah bahwa X dan Y saling mempengaruhi satu sama lainnya. Bila X
menjadi lebih besar, maka demikian pula yang terjadi pada Y, dengan satu
perkecualian. Kegunaan istilah korelasi agak luwes. Ia kadang-kadang berarti
kovariasi dari bilangan-bilangan dua subgugus dari gugus pasangan yang
tersusun, seperti yang baru dilukiskan. Ia kadang-kadang berarti petunjuk, positi8f
ataupun negatif, dan besaran relasi adalah apa yang disebut koefisien korelasi.
Dalam kasus ini, misalnya, koefisien korelasinya adalah 0,80.
Koefisien korelasi adalah satu indeks dari petunjuk dan besar relasi.
Koefisien korelasi Product Momen (r) didefinisikan dengan berbagai rumus,
semuanya sepadan. Disini ada tiga rumus yang kadang-kadang kita gunakan:
0 0
1 1
2 2
X Y
Gambar 6.2.
 xy
rxy  (2.1)
2
 y2
x
 Z r Zy
rxy  (2.2)
N
1
Dinyatakan dalam pendahuluan bahwa pengetahuan statistik yang mendasar diambil. Satu
eksposisi korelasi yang lengkap akan membutuhkan satu Bab secara keseluruhan. Kita
membatasidiri untuk hanya mendiskusikan aspek-aspek korelasi ini yang memperjelas teori dan
analisis korelasi yang mendasar dan perkiraan statistik berikut, seperti : varian, standard deviasi,
standar error, estimasi,skor standard, dan asumsi-asumsi di belakang korelasi statistik

 xy Zy
rxy  (2.3)
NS x S y
Dimana x dan y merupakan deviasi dari rata-rata X dan Y, atau = X – dan Y = Y
– Y, dimana X dan Y adalah bilangan kasar dan X dan Y merupakan rata-rata dari
X dan Y subgugus; Zx merupakan skor standard X atau Zx = (X-X)/sz, diman sx
= standard deviasi C.
Ada cara-cara lain untuk menggambarkan relasi. Satu cara yang terbaik,
yang terlalu sering dilupakan oleh para peneliti, adalah mendigram dua gugus
nilai. Bila kita akan segera melihat, mendiagram adalah penting dalam analisis
regresi. Suatu diagram menyusun satu gugus dari pasangan yang tersusun dalam
satu plot yang sering dapat memberikan kepada para peneliti bukan saja mengenai
petunjuk dan besarnya relasi tapi juga mengenai sifat dan relasi-misalnya, linear
atau kurva linear-sesuatu hal yang menyimpang, hal-hal yang terutama muncul
untuk mempertinggi atau menyangkal relasi. Satu diagram merupakan relasi itu
sendiri karena pengaruh gugus pasangan yang tersusun. Cara lain untuk
menjelaskan hubungan adalah dengan pecahan silang atau pembagian silang dari
jumlah frekwensi, simbol-simbol dan diagram-diagram. Ringkasnya, bermacam-
macam cara untuk menggambarkan relasi pada prinsipnya sama : merupakan
semuanya pasangan yang tersusun.
Untuk menggunakan dan memahami ide-ide ini dan lainnya yang mirip,
kita sekarang harus memeriksa rumus-rumus dan istilah-istilah tertentu yang
sangat diperlukan, seperti jumlah kuadrat perkalian silang, serta varian dan
kovarian. Kita kemudian kembali kepada korelasi dan interpretasi dari koefisien
korelasi. Alat-alat dan ide ini akan membantu kita pada bagian pertengahan dari
Bab II ini sewaktu kita mulai dengan resmi membahas regresi.
Jumlah Kuadrat dan Perkalian Silang

Jumlah kuadrat dari beberapa gugus bilangan didefinisikan dalam dua cara
: Dengan metode skor kasar dan dengan metode skor deviasi, metode skor kasar
dari jumlah kudrat (JK) yang akan sering kita hitung yaitu ∑ X2i dimana I =
1,2,….N; N merupakan cacah kasus. Dalam gugus pasang yang tersusun dari
gambar 2.1., ∑ X 2 = 0 2 + 12 +3 2 = 14 dan ∑ Y2 = 2 2 + 12 +3 2 + 4 2 = 30. Deviasi
jumlah kudrat didefinisikan sebagai:
( X )
 x2   X 2  (2.4)
N
Untuk selanjutnya kita maksud deviasi jumlah kuadrat bila kita mengatakan
jumlah kuadrat, kecuali kalau kemungkinan ada arti ganda, yang dalam hal ini
akan kita sebut “deviasi jumlah kuadrat. Jumlah kudrat X dan Y dari Gambar 2.1.
adalah ∑x2 = 14 – 6 2/4 =5 dan ∑ y2 = 30 – 102/4 = 5
Jumlah kuadrat diberi simbol ss, dengan subikrip yang tepat
Jumlah perkalian silang adalah jumlah perkalian pasangan yang tersusun
dari gugus pasangan yang tersusun. Bentuk skor kasar adalah ∑ X Y atau ∑ Xi Yi
dan bentuk skor deviasi adalah ∑ xy. Rumus akhirnya adalah:
(  X )( Y )
 xy   XY  (2.5)
N

Dengan menggunakan pasangan tersusun dari Gambar 2.1. lagi, kita menghitung
∑ XY = (0) (2) + (1) (1) + (2) (3) + (3) (4) = 19, dan ∑XY= 19 – (6) (10)/4=4.
untuk selanjutnya, bila kita menyebut jumlah perkalian silang, yang kita maksud
adalah ∑ XY atau ∑ Xi Xj.
Jumlah kudrat dan jumlah perkalian silang adalah materi pokok analisis
regresi. Mahasiswa harus memahaminya secara menyeluruh, dapat
menghitungnya pada kalkulator meja secara rutin, dan dengan penuh harapan,
dapat memprogram perhitunganya pada komputer2 Dengan prkataan lain,
perhitungan demikian, dengan tangan atau komputer, harus menjadi alam yang
kedua bagi para penelitimodern. Sebagai tambahanhampir tidak boleh tidak ia
paling kurang mengetahui unsur dasar dari aljabar matriks. Kekuatan aljabar
matriks yang bersifat varian yang rumit dan sulit menjadi lebih mudah dan lebih
dapat dipahami. Jumlah kudrat dan perkalian silang, misalnya, dapat digambarkan
secara sederhana dan singkat. Jika kitamemisahkan x menjadi N dengan k atriks
data, t erdiri dari ukuran-ukuran pada variabel k dan N individu lalu XX
menggambarkan seluruh jumlah kudrat dan perkalian silang. Atau untuk bentuk
diviasi seseorang menulis XX. Satu matriks deviasi jumlah kuadrat dan perkalian
silang, dengan k=3, diberikan dalam tabel 6.1.
Kita sering akan menemui matriks-matrik yang begitu dalam buku ini 3.
Hampir untuk seluruh bagian kita akan menulis simbol-simbo statistik seperti
∑X2, ∑ XY, dan sebagainya dari simbol-simbol matriks.
Tabel 6.1
Deviasi Jumlah Kudrat Dan Perkalian Silang
Matriks k = 3
 x 12 x 1 x 2 x 1 x 3 
 
 x 1 x 2 x 2 x 2 x 3   x ' x
 2 
 x 3 x 1 x 3 x 2 x 1 
Namun demikian kadang-kadang simbol matriks akan harus digunakan karena
menuliskan semua simbol-simbol statistik dapat melelahkan dan membosankan.
Selain itu perhitungan-perhitungan dan konsep-konsep tertentu mungkin tanpa
aljabar matrik.
Varian dan Kovarian

Varian adalah rata-rata kuadrat deviasi dari rata-rata gugus dari ukuran.
Dengan menggunakan angka-angka dalam gambar 2.1 lagi; varian dari
subgugus X dan Vx = ∑x2/N=5/4 = 1,25. varian lain dari subgusus Y adalah Vy =
2
Program komputer untuk analisis regresi ganda, MULR, diberikan pada lampiran C di akhir buku
ini. Kebiasaan untuk menghitung jumlah kuadrat dan perkalian silang diberikan dalam statemen
300-05,400-420, dan 500-510. program Fotran dapat ditemukan dalam Cooley dan Lohnes (1971,
bab. 1-2).
3
Pembaca akan mendapat pelajaran dari pandangan sekelas tentang aljabar matriks pada bagian
pertama Lampiran A

∑y2/N=5/4 = 1,25 4)
(standar deviasi tentu saja merupakan akar kuadrat dari
2
varian = SDx = x / N  1.25  1.12 )
Kovariasi adalah varian dari interseksi subgugus atau X ∩ Y. Hal ini
diselesaikan dengan menghitung aritmatika rata-rata dari perkalian silang, atau
CoVxy = ∑xy/N=4/4 = 1 (lihat perhitungan dikerjakan dengan persamaan 2.5 di
atas), kovarian menggambarkan hubungan diantara X dan Y dengan cara yang
lain. Bila kita membandingkannya kepada rata-rata varian X dan Y, kita
mendapatkan gagasan tentang makna dari hubungan. Cara yang terbaik
mengerjakan perhitungan ini pada rumus yang lain bagi koefisien korelasi :
C 0 Vxy
rxy  (2.6)
Vx.Vy
yang sepadan dengan rumus-rumus (2,1); (2.2) dan (2.3).
Korelasi dan Varian Biasa

Bila koefisien korelasi dikuadratkan, jumlah hasilnya dapat diartikan
dalam satu cara yang berguna kemudian, rxy2 menggambarkan varian yang dibagi
besama-sama dengan X dan Y. ia menggambarkan secara kuantitatif interseksi
dari dua sub, gugus X ∩ Y 5. Dalam contoh di atas r2xy = 0,802 = 0,64 yang
bermakna seperti kita lihat dalam Bab , bahwa 64 persen varian adalah biasa
untuk X dan Y. ini dapat dikonsepsikan dengan merubah rumus (2.6) menjadi :
(C 0 Vxy ) 2
r 2 xy  (2.7)
Vx.Vy
dengan menggantikan nilai-nilai yang telah dihitung sebelumnya, kita
mendapatkan :
12
r 2 xy  = 0,64 (2.7)
(1,25).(1,25).
operasi yang sejalan terjadi lagi dan juga dalam diskusi setelah itu tentang
regresi biasa dan ganda serta teristimewakan dalam pembicaraan tentang
korelasi ganda.
Lebih dari menggunakan varian yang sudah kita lakukan untuk alasan-
alasan yang konsepsiaonal, kita akan menggunakan deiasi jumlah kuadrat karena
materi tambahan dan membolehkan kita untuk menyatakan relasi tertentu secara
jelas dan terang. Lagi pula, kegunaannya akan memungkinkan kita membuat satu
peralihan yang lancar untuk menganalisa operasi varian. Rumus jumlah kuadrat
sejalan dengan rumus (2.7) adalah :
4
untuk contoh-contoh yang sederhana ini N digunakan dalam angka-angka sebutan. Kemudian
N-1 akan digunakan untuk menghitung parameter atau nilai populasi. N-1 digunakan untuk
mengitung statistik atau cacah sampel karena menghasilkan satu estimasi para meter yang tidak
bias.
5
∩ berarti interseksi dari, jadi X ∩ Y dibaca X interseksi dari Y, atau interseksi dari X dan Y.
Interseksi gugus-gugus X dan Y terdiri elemen-elemen umum dari kedua gugus. Gagasan itu
dapat dialihkan ke pemikiran varian : Varian umum dari X dan Y atau Kovarian.

( xy) 2
r 2 xy  = 0,64 (2.8)
X 2 .Y 2
dengan mengganti lagi nilai yang telah dihitung di atas, kita mendapatkan :
r2xy = 42/(5)(5) = 0,64
r2 disebut satu koefisien determinasi karena ia menggambarkan proporsi
varian Y yang ditentukn oleh X dengan mempertimbangkan variabel bebas X dan
variabel tergantung Y. karena r adalah akibat relasi antar skor standar varian
adalah 1.00; dan mudah untuk melihat bahwa koefisien determinasi adalah
proporsi dari varian Y yang ditentukan oleh X.
Mudah juga untuk menghitung proporsi varian Y yang tidak disebabkan
oleh X : 1- r2 xy = 1 – 0,64 = 0,36. Jumlah ini kadang-kadang disebut koefisien,
nondeterminasi atau koefisien alienasi. Satu istilah yang lebih baik, yang
digunakan kemudian adalah varian residu.
Mari kita mengungkapkan kerangka statistik dengan variabel-variabel
penelitian. Andaikan X adalah sifat otoriter dan Y adalah etnosentris. Maka 4
persen dari varian etnosentris ditentukan oleh sifat otoriter, dan 36 persen tidak.
Bahwa dalam menjelaskan etnosetris, kita dapat mengatakan bahwa 64 persen
dari variannya ditentukan oleh sifat otoriter. Jangan sampai bingung. Kita tidak
mengatakan secara langsung bahwa X menyebabkan Y, bila kita mengatakan
“ditentukan oleh”. Maknanya mengatakan lebih hati-hati bahwa kedua variabel
memberikan 64 persen dari keseluruhan varian. Dan 36 persen dari varian Y tidak
ditentukan dan diperkirakan semestinya ditentukan sumber lainnya, variabel
bebas dan kesalahan. Walaupun ada peringatan-peringatan ini, kita akan melihat
kemudian bahwa perlu secara terbatas membuat kesimpulan sebab-akibat. Ini
seharusnya tidak banyak mengganggu kita, banyak karya ilmiah merupakan
kesimpulan sebab akibat yang teliti. (Lihat, Blalock, 1964).
Gagasan tentang varian bisa begitu penting dalam teori dan analisis
korelasi dan regresi sehingga kita menjelaskan contoh di atas dengan cara yang
agak berbeda. Secara mendasar apa yang dilakukan dalam analisis regresi adalah
untuk menjelaskan sumber-sumber varian Y (variabel tergantung). Dalam kasus
di atas, dua variabel X dan Y (sifat otoriter dan etnosentris) berkorelasi 0,80. Bila
koefisien ini dikuadratkan (0,80) 2 = 0,64; satu perkiraan dari proporsi Y yang
ditentukan oleh X bertambah. Sebagai tambahan, bila total varian Y
dilambangkan 1, maka 1,00 – 0,64 = 0,36 menggambarkan proporsi varian Y
yang tidak disebabkan oleh X di gambar dalam Gambar 6.3.
Keseluruhan lingkaran menggambarkan varian Y (Vy). Bagian yang dinaungi
menggambarkan bahwa bagian dari varian y yang ditentukan oleh X. Sedangkan
bagian yang tidak dinaungi adalah sisa dari varian Y. yang tidak ditentukan oleh
variabel X, yang disebut varian residu.
r2xy = 0,64
1-r2xy = 0,36
Vy Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program
Gambar 6.3
Korelasi Palsu dan Kausalitas

Beberapa mahasiswa bidang statistik dasar telah mendengar bahwa
seseorang tidak dapat kausalitas dari korelasi. Banyak mahasiswa dalam ilmu-
ilmu perilaku memacu diri mereka bahwa mereka harus menggunakan atau
bahkan tentang kata-kata kausal sekalipun dalam penelitian ilmiah. Ini adalah
satu pola pandang yang ekstrim. Para ilmuwan bagaimanapun juga mengikuti
kasus-kasus yang menggunakan pemikiran kausalitas. Sungguhpun
membicarakan secara teliti, ilmuwan tidak dapat mengatakan bahwa X
menyebabkan Y, hanya karena ia tidak dapat mengatakan bahwa bukti-bukti
ilmiah membuktikan apapun yang dianggap hukum kausal (Blalock, 1964, hal
12). Pemikiran kausal merupakan pengetahuan yang teliti secara teoritis dan
empiris dalam kenyataan alami bersifat probabilitas. Namun demikian, kita tidak
perlu takut atau mengelakkan kata kausal. Kita harus sungguh-sungguh berhati-
hati dengannya, teristimewa bila mengerjakan dan menginterpretasikan korelasi.
Mari kita melihat beberapa contoh korelasi palsu yang mengurangi sedikit
pembahasan tersebut. Satu contoh yang terkenal tentang korelasi palsu, yang
penting adalah menduga menghitung korelasi diantara jumlah sangkar burung
bangau di daerah sekitar Stockholm (termasuk kawasan pedesaan) dengan jumlah
kelahiran bayi di daerah tersebut. Andaikan r = 0,80. oleh karena itu bangau
membawa bayi (anggaplah bahwa korelasi sungguh-sungguh 0,80, apa yang
mesti kita jelaskan ?). Disini ada contoh yang lebih menyolok, yaitu korelasi
diantara jumlah mesin-mesin pemadam kebakaran dan kerusakan yang
disebabkannya, korelasi adalah 0,90; oleh karena itu mesin-mesin pemadam
kebakaran penyebab kerusakan (!?).
Satu contoh dari pengarang-pengarang buku ini mungkin bermanfaat.
Kami ingin mengetahui mengenai kualitas karya kami, terutama ingin mengetahui
tentang kemurniannya. Kami memberitahukan, bahwa kami berdua merokok
lebih banyak ketika menulis, satu merokok dengan pipa yang lainya dengan
sigaret (ingat : Merokok sigaret menyebabkan kanker paru-parul; merokok pipa
menyebabkan kankur mulut dan bibir). Kami telah tiga kali menilai tingkat
keabsahan pada skala lima-poin. 20 sampel tulisan kami, secara random dipilih
dari naskah-naskah Bab yang lengkap dari buku ini. Kami juga telah mencatat
beberapa banyak kami merokok ketika menulis bab dami bab itu. Korelasi
antara angka kemurnian dan jumlah rokok adalah 0,74 oleh karena itu ……..(!?).
Beberapa contoh ini cukup jelas. Mari kita menggunakan satu atau dua
contoh korelasi palsu yang mungkin dari data penelitian yang aktual. Wilson
(1967) menemukan bahwa para mahasiswa Negro di sekolah yang disatukan
belajar lebih baik daripada yang belajar di sekolah yang dipisahkan. Akan tetapi
hubungan ini nyata-nyata palsu karena ketika Wilson menerima laporan tentang
perkembangan kognisi siswa-siswa Sekolah Dasar (diukur melalui satu tes
kedewasaan mental pada tingkat pertama) dan pengaruh rumah kediaman
(misalnya jumlah penghuni rumah), relasi benar-benar menghilang. Dengan
perkataan lain, kedewasaan mental dan lingkungan rumah kediaman yang

dianggap mempengaruhi prestasi dan bukan dipengaruhi apakah sekolahnya
disatukan atau tidak.
Bahkan satu masalah yang lebih sulit dari penelitian. Persamaan
kesempatan pendidikan (Coleman, et.al, 1966 Bagian 9.10, hal 91. dan 119).
Korelasi dihitung diantara pemilikan sebuah ensiklopedia oleh keluarga dan
kemampuan lisan guru. Sampel orang-orang negro Selatan korelasinya adalah
0,46; sedangkan sampel orang-orang kulit putih selatan korelasinya adalah -0,05,
mendekati nol. Jika seseorang mengatakan bahwa korelasi itu adalah nol,
seseorang hampir tidak akan terkejut. Tetapi dengan korelasi sampel orang-orang
negro, terutama untuk jenis variabel ini adalah mendasar. 6
Jelaslah seseorang hampir tidak akan membicarakan tentang satu korelasi
kausal diantara pemilikan ensiklopedia oleh orang tua dan kemampuan lisan
guru. Tetapi apakah ada variabel lainnya, atau lebih dari satu variabel,
mempengaruhi kedua variabel-variabel ini? Dengan jelas mesinya ada. Itu
mungkin kelas sosial. Tetapi bila ada, mengapa korelasi itu mendekati nol
diantara siswa kulit putih.
Tujuan dari contoh ini mempunyai dua maksud: untuk menunjukkan
bahwa satu korelasi diantara dua variabel dapat menjadi kokoh bila dalam fakta
mungkin tidak ada relasi langsung dan relasi kausal yang pasti diantara variabel-
variabel; untuk menunjukkan juga bahwa satu korelasi yang kokoh dalam satu
sampel barangkali nol dalam sampel lainnya, yang tentu saja barangkali
merupakan satu petunjuk untuk menggarisbawahi hubungan itu.
Regresi liner sederhana

Gagasan tentang regresi tentu saja berkaitan dengan korelasi tersebut.
Sesungguhnya korelasi digunakan untuk menunjukkan koefisien korelasi yang
nyata-nyata bermakna regresi Y dan X. bagaimana skor Y kembali ke pola
bagaimana mereka “tergantung kepada” skor X itu ? Galton, orang yang pertama
menyusun gagasan tentang korelasi mendapatkan ide dari gagasan “regresi
terhadap keadaan”, satu fenomena diamati dalam kajian tentang keturunan. Laki-
laki yang tinggi cenderung mempunyai putera yang lebih pendek; dan laki-laki
yang pendek cenderung mempunyai putera yang tinggi. Tingginya anak laki-laki
mengarah kepada regress (kemunduran), atau kembali kepada rata-rata populasi
itu.
Secara statistik, jika kita mau memprediksi Y dari X dan korelasi diantara
X dan Y adalah nol, maka prediksi yang terbaik adalah pada nilai rata-rata.
Untuk jumlah yang diberikan pada X, sebut saja X 5 kita hanya dapat memprediksi
pada nilai rata-rata Y. Namun demikian korelasi yang tinggi merupakan korelasi
yang lebih baik. Bila r = 1,00; maka prediksi sempurna. Tingkat korelasi itu
berkurang dari 1,00 untuk itu tingkat prediksi X terhadap Y kurang dari
sempurna dan mundur dari rata-rata itu. Oleh karena itu kita mengatakan bahwa
6
Pada sempel orang-orang Negro Selatan, korelasinya r=0,59 dan keseluruhan sampel orang
Negro, r = 0,64, meninggalkan sedikit keraguan karena kenyataannya dari korelasi itu. Orang
putih selatan r = 0,13 dan keseluruhan orang-orang kulit putih r= 0,03. selain itu diantara orang-
orang Puerto Rico dan Mexico Amerika r = 0,35 dan r = 0,52

r = 0, yang terbaik hanyalah prediksi rata-rata. Bila nilai X dan Y digambarkan r
= 1,00; mereka semuanya akan terletak di atas garis lurus. Korelasi yang lebih
tinggi, apakah positif atau negatif, adalah yang lebih mendekati nilai bidang.
Akan merupakan garis regresi.
Dua contoh : Korelasi antara Hadir dan Absen

Untuk menjelaskan dan menggambarkan regresi statistik, kita
menggunakan dua contoh yang bersifat fiktif dengan jumlah-jumlah sampel.7
Contoh-contoh ini diberikan dalam tabel 2.2. Perlu dicatat jumlah kedua sampel
adalah sama persis, hanya saja disusun secara berbeda. Pada contoh sebelah kiri
(label A), korelasi antara X dan Y, nilainya 0,90 sementara itu contoh sebelah
kanan (label B) korelasinya nol. Perhitungan tertentu yang perlu bagi analisis
regresi juga diberikan pada tabel : jumlah dan rata-rata, deviasi jumlah kuadrat X
dan Y [∑x2 =∑x2 –(∑ x)2/n], deviasi perkalian silang [∑xy2 =∑XY –(∑ XY)/n],
dan regresi tertentu dijelaskan dengan singkat.
Pertama, catat perbedaan antara skor gugu A dan B. Mereka hanya
berbeda dalam susunan skor kedua atau kolom X. Susunan-susunan yang
berbeda ini menghasilkan korelasi yang sangat berbeda antara skor X dan Y
pada gugus A, r = 0,90 dan pada gugus B, r = 0,00. kedua catatan statistik di
bawah tabel. ∑ x2 dan ∑Y2 sama baik pada A dan B tetapi ∑ xy adalah 9 pada A
dan 0 pada B.
Persamaan pokok regresi liner sederhana adalah8 :
Tabel 6.2. ANALISIS REGRESI DARI SKOR-SKOR GUGUS YANG

BERKORELASI DAN TIDAK BERKORELASI
(A) r = 0,90 (B) r = 0,00
Y X X Y’ d Y X X Y’ d
Y Y
1 2 2 1,2 -2 1 5 5 3 -2
2 4 8 3,0 -1,0 2 2 4 3 -1
3 3 9 2,1 0,9 3 3 12 3 0
7
Contoh-contoh ini diambil dari Kerlinger (1964, hal 250 : 251), dimana mereka digunakan
untuk menggambarkan pengaruh pada jumlah kuadrat F tes dari korelasi antara kelompok-
kelompok eksperimental.
8
Karena hampir semua alasan-alasan dan analisis dalam buku ini didasarkan pada relasi liner,
definisi liner/relasi.regresi liner adalah tepat. Liner tentu saja menghubungkan garis-garis lurus.
Persamaan liner merupakan sesuatu yang tingkat istilahnya paling tinggi dalam variabel
merupakan tingkat yang pertama. Persamaan Y = a + 2 x merupakan tingkat pertama karena x
adalah kekuatan pertama. Ini menggambarkan satu hubungan liner. Jika nilai X dan Y yang
berbeda digunakan, maka mereka akan membentuk satu garis lurus. Pada sisi lain Y = a + 2 x 2
merupakan satu persamaan pada tingkat yang kedua. Hal tersebut menggambarkan satu hubungan
non linear. Satu regresi linear yang sederhana bemakna satu regresi persamaannya merupakan
tingkat pertama. Penting untuk mengetahui apakah relasi liner atau non linear. Bila metode linear
digunakan untuk data non linear, maka akan menghasilkan hasil yang keliru. Sesungguhnya kita
menghadapi relasi non linear kemudian jika melihat problema tersebut maka tidak sulit, sekurang-
kurangnya seperti yang akan kita bicarakan. Untuk pembahasan yang menyeluruh tentang macam-
macam relasi (fungsi-fungsi) dan persamaan-persamaan, lihat Guildford (1954, Bab 3).

4 5 20 3,9 0,1 4 4 24 3 1
5 6 30 4,8 0,2 5 5 15 3 2
∑: 20 69 0 15 2 60 0
15 0
M: 3 4 3 4
∑2:5 90 ∑d2 = 1,9 ∑d2 = 10,0
5 0
∑Y2= 55- (15) 2 ∑Y = 55 (15) 2
 10 2
-  10
5 5
2
∑X = 90- ( 20) 2 ∑X = 90 ( 20) 5
 10 2
-  10
5 5
∑XY = 69 (15)(20) 9 ∑XY = 60 (15)(20) 0
 
5 5
b = xy 9 0,90 b = 0
   0
x 2 10 90
a = Y x bx = 3 - (0,90) (4) = 60 a = 3- (0)(4) =3

Y= a+bx = - 0,60 + 0,90 Y‘= 3 + (10) x
x
dimana y’ = skor yang diprediksi dari variabel tergantung ; X = skor dari

variabel bebas; a = konstan intersep; b= koefisien regresi. Bila kita melihat
terdahulu, persamaan regresi adalah prediksi; Nilai Y diprediksi dari nilai X.
Korelasi diantara nilai X dan Y yang di observasi menentukan bagaimana
prediksi bekerja. Konstan intersep (a) dan koefisien regresi (b) akan dijelaskan
dengan singkat.
Kedua nilai gugus X dan Y dari tabel 6.2 digambarkan dalam gambar 6.4. kedua
alur itu agak berbeda. Garis digambarkan melintasi poin-poin yang dibidangi.
Jika ada cara penempatan garis-garis ini sehingga mereka serentak mungkin
mendekati seluruh poin, kemudian garis itu harusnya menggambarkan relasi
diantara X dan Y regresi Y terhadap X9. Metode untuk menempatkan garis itu
merupakan bagian dari analisis regresi. Garis pada bidang bagian atas, dimana r =
0,90, bergerak mendekati poin XY yang digambar. Pada bidang bagian bawah,
dimana r=0,00 poin tersebut adalah dalam pengaruh terpancar secara acak.
6 6 B:R = 0,000
A:R = 0,90
5 Y’= -0,60+0,90x 5
Y 4 Y 4
Y’=3=(0)x
3,60
3 9
Pemabahasan yang lengkap b  tentang regresi akantermasuk3pengkajian dan makna regresi X
2 4,00 X. kita tidak akan mengarah
terhadap Y. Sebaik regresi Y terhadap 2 sejauh itu, karena tujuan kita
tidaklah mengharuskan mengerjakan hal seperti itu. Kita akan selalu membicarakan tentang Y
1 3,60 1
1 sebagai
2 3 variabel
4 5 tergantung
6 Xdan ada sedikit poin untuk meluaskan pembahasan tersebut.
Mahasiswa pada tingkat statistik dasar, telah mempelajari bahwa kedua regresi biasanya berbeda.
4,00 Hays (1963, Bab 15) bagi satu pembahasan yang lengkap. 1 2 3 4 5 6
Lihat X

Gambar 6.4

Slope B menunjukkan perubahan pada Y dengan satu perubahan dari satu satuan
X. dalam contoh A kita meramalkan satu perubahan 0,90 pada Y dengan
perubahan X satu satuan. Slope tersebut dapat digambarkan secara trigonometris,
panjang garis berlawanan dengan sudut yang dibuat garis regresi dengan sumbu
X dibagi oleh panjang garis yang berdampingan terhadap sudut. Dalam gambar
2,3 bila kita menarik garis tegak lurus dari lingkaran kecil pada garis regresi, poin
dimana X dan Y berpotongan, paga garis yang digambar secara horizontal dari
titik dimana garis regresi memotong sumbu Y, atau pada Y = -0,60 maka
3,60/4.00 = 0,90. perubahan X satu satuan berarti Y beruabah 0,90.
Nilai X dan Y dari contoh B (gambar 6.4) sangat berbeda. Pada A,
seorang dapat menarik dengan mudah dan secara visual satu garis melalui titik-
titik serta mencapai perkiraan yang cukup tetap kepada garis regresi yang
sesungguhnya. Tapi pada B ini hampir tidak mungkin. Garis tersebut dapat
digambarkan dengan menggunakan garis petunjuk lainnya, yang akan kita bahas
secara singkat. Juga penting untuk dicatat bahwa perpancaran atau penyebaran
poin-poin yang digambar melingkupi kedua garis regresi. Pada A mereka melekat
dengan rapat ke garis regresi. Jika r = 1.00 maka mereka semuanya ada pada
garis, seperti yang kita katakan sebelumnya. Bila r = 0,00 pada sisi yang lainnya,
maka mereka terpancar secara melebar di sekitar garis. Korelasi yang rendah,
maka akan semakin besar penyebarannya.
Untuk menghitung statistik regresi dari dua contoh itu, maka kita harus
menghitung deviasi jumlah kuadrat dan perkalian silang. Hal tersebut telah
dikerjakan pada tabel 6.2 di bawah. Rumus untuk slope itu, atau koefisien regresi
(b) adalah :
xy
b (2.10)
x 2
nilai kedua b adalah 0,90 dan 0,00. pada gambar 2.3 contoh A, nilai b telah
dihitung sebagai tangen dari sudut itu; sisi yang berlawanan di atas sisi yang
berdekatan, seperti yang dijelaskan sebelumnya. Konstan yang berpotongan (a)
dihitung dengan rumus :
a = Y – bX (2.11)
nilai a untuk kedua contoh itu adalah – 0,60 dan 3, misalnya untuk contoh A : a =
3 – (0,90) (4) = - 0,60. konstan yang berpotongan merupakan titik dimana garis
regresi memotong sumbu Y. untuk menggambarkan garis regresi, letakkan
penggaris di antara konstan yang berpotongan pada sumbu Y dan titik dimana
rata-rata Y dan rata-rata X berpotongan (dalam gambar 6.2), titik ini ditunjukkan
dengan lingkaran kecil.
Langkah terakhir dalam proses ini, sekurang-kurangnya sejauh yang akan
ditunjukkan disini, adalah menuliskan persamaan regresi dan kemudian dengan
menggunakan persamaan tersebut menghitung nilai prediksi dari Y atau Y’ yang
diberikan oleh nilai X. kedua persamaan itu diberikan dalam baris terakhir dari
tabel 6.4. pertama-tama lihat persamaan regresi untuk r = 0,00 : Y’ 3 + (0)X. hal
ini maksudnya tentu saja bahwa semua Y prediksi adalah 3, rata-rata Y. bila r =
0 maka prediksi yang terbaik adalah nilai rata-rata tersebut sebagai indikasi awal.
Bila r = 1,00 pada perbedaan yang lain, maka pembaca dapat melihat bahwa
seorang dapat memprediksi dengan persis : Seseorang secara sederhana

memprediksi bahwa skor Y sesuai dengan skor X. Bila r = 0,90, maka prediksi
kurang dari sempurna dan seseorang memprediksi nilai Y’ dihitung dengan
persamaan regresi. Sebagai contoh untuk memprediksi skor Y’ yang pertama kita
menghitung :
Y’ = -0,60 + (0,90) (2) = 1,20

Skor yang diramal dari gugus A dan B sudah diberikan dalam Tabel 6.4. (Lihat
kolom label Y’). catat sebagai satu hal yang penting : Sebagai contoh bila kita
menggambarkan X dan Y prediksi (Y’), maka titik-titik yang digambarkan
semuanya terletak pada garis regresi. Yaitu garis regresi dari gambar yang
mewakili gugus nilai Y, diberikan nilai X dan korelasi diantara X dan nilai Y
observasi.
Korelasi yang lebih tinggi, akan berakibat prediksi yang lebih tepat.
Ketepatan prediksi dari dua gugus dapat dengan jelas ditunjukkan dengan
menghitung perbedaan diantara nilai Y asli dan Y prediksi, atau Y-Y’ = d; dan
kemudian menghitung jumlah kuadrat dari perbedaan-perbedaan tersebut.
Perbedaan-perbedaan ini disebut residu. Dalam tabel 6.2., kedua gugus residu dan
jumlah kuadratnya telah dihitung (lihat label kolom d). kedua nilai ∑d2, 1,90 bagi
A dan 10.00 untuk B, agak berbeda hanya karena kedua alur itu dalam Gambar
2.3 agak berbeda. Pada B, atau r=0,00 gugus lebih besar daripada gugus A, atau r
= 0,90; sehingga korelasi yang lebih tinggi akan mengakibatkan deviasi dari
prediksi lebih kecil, jadi prediksinya lebih tepat.
Regresi Sederhana, Analisa Varian dan Tes Signifikansi

Tes signifikansi untuk regresi sederhana dan ganda mirip dengan tes-tes
signifikansi analisis varian. Oleh karena itu dalam tambahan untuk
menggambarkan tes seperti itu kita menggunakan tersebut bagi meletakkan satu
dasar untuk perkembangan-perkembangan kemudian. Pada bagian kedua dari
buku ini, kami akan menunjukkan relasi yang erat diantaranya regresi ganda dan
analisis varian. Namun demikian sebagian dari konsep-konsep dasar dan statistik
dapat diperkenalkan sekarang, dikembangkan dengan baik pada Bagian ini.
Dalam analisis varian, keseluruhan varian dari gugus ukuran-ukuran
variabel tergantung dapat dipecahkan menjadi varian sistematis dan varian
kesalahan. Bentuk yang paling sederhana dari pemecahan yang seperti itu
adalah: Varian diantara kelompok-kelompok (varian kesalahan), yang merupakan
bagian-bagian dari keseluruhan varian. Sesungguhnya para ahli statistik bekerja
dengan jumlah kuadrat karena mereka merupakan bahan tambahan. Dalam
analisis regresi, kita sebenarnya mengerjakan hal yang sama. Perbedaan pokok
adalah bahwa pendekatan regresi lebih bersifat umum. Hal tersebut cocok dan
dapat dipakai pada hampir semua masalah-masalah penelitian dengan satu
variabel tergantung.
Persamaan pokok analisis varian adalah :
sst = ssb + ssw
dimana sst = total jumlah kuadrat; ssb = antara kelompok jumlah kuadrat dan ss w
= dalam kelompok jumlah kuadrat. Transisi terhadap analisis regresi adalah
langsung. Yang kita tulis :

sst = ssreg + ssres (2.12)
dimana sst = total jumlah kuadrat Y ; ssreg = jumlah kuadrat yang disebabkan
regresi; ssres = jumlah kuadrat dari residu atau deviasi dari regresi.
Sebelum memberikan rumus-rumus regresi untuk jumlah kuadrat yang
berbeda, kita menghitung jumlah-jumlah kuadrat tersebut dengan menggunakan
data dan statistik dari Tabel 2.2. Total jumlah kuadrat (sst) didapat secara
sederhana dengan menghitung jumlah kuadrat kolom Y dari Tabel 2.2 : ∑y12 =
∑Y2 – (∑Y)2/N – (12+ 22+32+4 2+5 2) – 152/5 =55 – 45 = 10, baik untuk A maupun
untuk B. Jumlah kuadrat untuk kolom-kolom Y’ adalah (1,22 + 3,02 +2,1 2 +3,92
+4,82)- 152/5= 53,10 – 45 = 8,10 untuk A; dan (3 2+3 2+32+32+32)- 45 = 0 untuk B.
kita sekarang mengulang persamaan simbolis dan mengikutinya dengan nilai-
nilai numerik A dan B.
sst = ssreg + sses
A: 10 = 8,10 + 1,90
B: 10 = 0 + 10
Inilah dasar-dasar dari perkembangan yang paling lanjut. Kita mempunyai total
jumlah kuadrat Y, ukuran-ukuran variabel tergantung jumlah kuadrat dan residu
jumlah kuadrat , sepadan dengan “ dalam kelompok-kelompok atau kesalahan
jumlah kuadrat”. Maka sesungguhnya analisis varian dan analisis regresi ganda
sama. Jika hal ini memang demikian, maka kita juga seharusnya dapat
menghitung dan mengitepretasikan F ration dan signifikansi statistik untuk regresi
seperti halnya dalam analisis varian. Rumus analisis varian yang satu arah adalah :
ss / df 1
F b (2.13)
ss res / df 2
Derajat kebebasan adalah df1 = k; dimana k = 1; df2 = N – k – 1 = 5 – 1 -1 = 3
sehingga :
8,10 /11 8,1
F   12,80
1,90 / 3 0,633
yang signifikan pada tingkat 0,05 (lihat lampiran D untuk tabel distribusi F);
jadi, kita dapat mengatakan bahwa dalam contoh A regresi Y terhadap X adalah
siginifikan secara statistik.
Tes signifikan dapat dilakukan dengan dua atau tiga cara. Pertama :
Korelasi 0,90 dapat diperiksa untuk signifinaksi dalam tabel signifikan pada lebel
0,05. tapi pendekatan ini tidak berguna bila kita ingin melakukan tes yang mirip
dengan lebih dari satu variabel bebas. Cara yang kedua adalah menggunakan t tes
(Snedecor & Cochran, 1967, hal. 184-185). Tes yang seperti itu dapat dilakukan
dengan dua cara : Dengan menguji signifikansi dari koefisien regresi atau dengan
menguji signifinaksi r secara langsung. Sesungguhnya kedua tes itu merupakan
hal yang sama.
Dalam menggunakan F tes di atas, jumlah kuadrat yang dihitung dari
nilai-nilai pada Tabel 2.2. Cara lain, satu cara yang lebih berguna seperti yang
akan dibahas berikut ini, adalah dengan menghitung total jumlah kuadrat Y dari
nilai Y observasi dan kemudian menghitung regresi jumlah kuadarat dengan
rumus sebagai berikut :

(xy) 2
ss reg  (2.14)
x 2
Rumus tersebut membutuhkan perkalian silang dari skor deviasi x = x- x .
Perkalian silang dari skor X dan Y diberikan dalam Tabel 2.2 Jumlahnya untuk
data A adalah 69. jadi ∑xy = ∑xy – (∑x) (∑y)/N = 69 – (15) (20/5) = 9, sehingga :
92 81
ss reg  
10 10  8,10
Residu jumlah kuadrat didapat melalui pengurangan :
Ssreg = sst – ssreg
= 10 – 8,10 = 1,90
Nilai-nilai ini tentu saja sesuai dengan yang dihitung sebelumnya. Masih ada
metode lain yang dapat digunakan dengan tepat, yang akan dipelajari berikutnya.
Skor-skor Standar dan Bobot-bobot Regresi

Meskipun dalam buku ini kita akan menegaskan penggunaan skor-skor
kasar dan analisis varian dari model statistik – jumlah kuadrat rata-rata kuadrat. F
rasio sebagai contoh - kita : juga harus mempelajari dan cukup mengetahui
tentang skor standar dan kegunaannya dalam teori dan analisis regresi.
Selanjutnya kita juga harus mengetahui perbedaan antara korelasi dan regresi.
Skor-skor Standar
Kita mengingat bahwa skor standar merupakan skor deviasi. Bila kita
memisahkan dari rata-rata, x =  x  x , melalui standar deviasi dari gugus skor
(s). kita mendapatkan skor standar. Berikut ini adalah rumusnya :
xx x
zx   (2.15)
sx sx
dimana zx = skor standar ; X = skor kasar, X = rata-rata skor X, sx = standar
deviasi dari gugus skor X ; dan x = X - X (skor deviasi). Skor standar seperti
yang didevinisikan dalam rumus (2.15) mempunyai satu rata-rata nol dan standar
deviasi.10
Adalah mungkin dan memuaskan secara statistik untuk menggunakan skor
standar dalam mengembangkan analisis regresi. Hays (1963 bab 15), juga
melakukan hampir secara sendiri. Snedecor dan Cochrankan (1967, bab 6 dan 13)
tidak demikian. Dalam buku ini, kita menggunakan skor kasar dan skor deviasi
hampir untuk seluruh bagian sebab semua penelitian yang menggunakan regresi
ganda melakukan hal yang demikian. Para peneliti harus menggunakan keduanya.
Tujuan utama dari bagian ini adalah secara sederhana memperkenalkan skor
standart sehingga bahasan kita berikutnya (bobot regresi) dapat dijelaskan.
Selanjutnya dalam buku ini perbedaan antara dua macam skor itu akan dijelaskan
lebih jauh.
10
Skor Standar bukan skor yang normal. Bahwa Rumus (2.15) di atas tidaklah merubah bentuk
dari distribusi skor. Skor yang normal yang distribusinya dibuat normal dengan suatu operasi
khusus. Skor-skor merupakan transformasi yang sederhana dari skor kasar.

Bobot Regresi (b dan β)
Ada dua bahkan tiga macam bobot regresi. Dalam pembicaraan ilmiah β
(beta) adalah bobot regresi populasi yang tidak diketahui . Bobot regresi sampel
(b) dipertimbangkan untuk menjadi satu perkiraan β. Terlebih dahulu kita
menuliskan persamaan regresi sebagai : Y’ = a + bx. Bentuk populasi dari
persamaan adalah :
Y’ = α + βx. (2.16)
Dimana α (alpha) = rata-rata dari populasi yang sesuai dengan x = 0, dan β =
bobot regresi dalam populasi, atau slope dari garis regresi. Ring kasnya, β
merupakan koefisien regresi populasi yang tidak dikenal dan mesti diperkirakan
dengan data yang keliru. Perkiraan β adalah b, yang dihitung dengan rumus
(2.10). untuk data A dan Tabel 2.3., b = 9/10 = 0,90. Penggunaan b dan β ini tidak
perlu menahan kira; ada kegunaan lainnya, yang akan kita rujuk secara singkat.
Dalam kegunaan yang kedua ini, b didefinisikan seperti dalam rumus
(2.10), dan β didefinisikan :
s s
g b x  x (2.17)
sy sy
Dimana sy = standar deviasi dari skor Y; dan sx = standard deviasi dari skor x,
kita melihat kemudian rumus lainnya untuk b jika β diketahui, adalah :
sy
b  rxy (2.19)
sx
Jadi β = rxy (bila hanya x dan y yang dilibatkan). Tetapi bukanlah merupakan
kebenaran yang umum bahwa b sama dengan r. pada kasus dari data Tabel 2.2. b
sama dengan r (0,90) hanya karena sy = sx .
Rumus-rumus (2.17). (2.18) dan (2.19) mengatakan kepada kita sesuatu
yang lebih mengenai relasi diantara b dan β. β merupakan bobot regresi dalam
bentuk skor standar. Bahwa, bila kita pertama-tama menghitung skor-skor standar
dan kemudian menggunakan rumus (2.10), dengan merubah simbol-simbol yang
sesuai ditunjukkan lebih baik dengan menggunakan satu contoh sederhana.
Dalam tabel 6.3 kita telah menggunakan data A dari Tabel 2.2 dengan merubah
sedikit skor-skor x (direndahkan skor pertama dengan 1 dan dinaikkan skor
kelima dengan 1) sehingga standar deviasi dari X dan Y berbeda. Perhitungan
untuk korelasi dan statistik regresi dimasukkan dalam tabel. Skor-skor tersebut
dihitung dengan rumus (2.15) juga diberikan jumlah-jumlah, rata-rata jumlah
kuadrat, dan standar deviasi segera diberikan di bawah skor kasar, deviasi dan z
skor. Jumlah perkalian silang dan x, y dan zx serta Zy, Σ zx , zy juga diberikan.

TABEL 6.3. DATA FIKTIF PERHITUNGAN-PERHITUNGAN
KORELASI DAN REGRESI UNTUK MENUNJUKKAN
HUBUNGAN DIANTARA r, b DAN β
Y y xy X X zx
1 -2 -1,4142 1 -3 -1,5000
2 -1 -1,7071 4 0 0
3 0 0 3 -1 -0,5000
4 1 0,7071 5 1 0,5000
5 2 1,4142 7 3 1,5000
Σ Y = 15 Σ X= 20
Y= 3 X= 4 Σ XY = 73
(15)( 20)
ΣY2 = 55 ΣX2= 100 Σ xy = 73 -  13
5
Σy2 = 10 Σx2= 20 Σ zxzy = 4,5962
xy 13
a). rxy = = = 0,9192
x 2 y 2 (20)(10)
z x z y 4,5962
b). rz x z x  = = 0,9192
N 5
 xy 13
c). b =   0,65
x 2 20
s 2,4962
d). β = b x  (0,65)( )  0,9192
sy 1,5811
z x z y4,5962
e). β = 2
=  1,9192
z x 5,0000
perhitungan penting untuk menunjukkan hubungan (relasi) dari r, b dan β
diberikan pada tabel di bawah. Dalam garis (a), r xy dihitung = 0,9192; r juga
dihitung dengan rumus skor standard yaitu :
z x z y
rxy  (2.20)
N
dengan menggantikan Σ zxzy = 4,5962 dan N = 5 dalam rumus ini tentu saja
menghasilkan 0,9192. Koefisien regresi (b) dihitung dalam garis c dengan rumus
(2.10), b = 0,65. dalam garis (d), β dihitung dengan rumus (2.17) adalah 0,9192.
jadi kita melihat bahwa rxy = β. Akhirnya dalam garis (e) β dihitung dengan z
skor ; dengan menggunakan rumus yang sepadan dengan rumus (2.10).
z x z y
 (2.21)
z x
contoh yang sederhana ini menunjukkan relasi antara r, b dan β agak lebih jelas.
Pertama : Dengan satu variabel bebas rxy = β. Kedua : β adalah koefisien regresi
yang digunakan dengan skor standard. Dengan perkataan lain, hal tersebut dalam
bentuk skor standar. Persamaan regresi dalam bentuk skor standard adalah :
z’y = βzx (2.22)

(catatan bahwa : Konstan intersep = a, tidak diperlukan sebab rata-rata skor z
adalah nol). Dalam bab berikut, kita akan menemukan bahwa bobot β kedua
menjadi penting baik dalam menghitung persoalan-persoalan maupun dalam
interpretasi.

6.6. DASAR-DASAR TEORI DAN ANALISIS REGRESI GANDA:
DUA VARIABEL BEBAS
Kita sekarang siap untuk memperluas analisis teori regresi kepada yang luas dari satu variabel
bebas. Dalam Bab ini dua variabel bebas diperbincangkan. Dalam Bab ini juga teori dan
metode tersebut diperluas pada sejumlah variabel bebas. Keuntungan memilah-milah
pembahasan dari dua dan tiga variabel atau lebih terletak pada perhitungan dan ide yang
secara relatif sederhana dengan hanya dua variabel bebas. Dengan tiga variabel atau lebih,
kompleksitas konsepsi dan perhitungan meningkat sehingga dapat mengganggu pemahaman.
Pembahasan tentang analisis regresi dengan dua variabel harusnya memberikan kepada kita
fondasi yang kokoh dalam memahami kasus variabel.
Tema Dasar
Dalam Bab enam ini, satu persamaan pokok regresi linear yang sederhana diberikan dengan
rumus (2.9). Rumus tersebut diulang lagi disini dengan satu bilangan yang baru (Untuk
meyakinkan para pembaca, kami akan menjelaskan prosedur pengulangan rumus tersebut,
tetapi dengan membubuhkan angka-angka baru).
Y’ = a + bX (3.1)
dimana Y’ = skor y (kasar) yang diprediksi; a = konstan intersep; b = bobot/ koefisien regresi;
dan X = skor kasar dari satu variabel bebas).17
Persamaan tersebut bermakna bahwa dengan mengetahui nilai-nilai dari konstan-konstan a
dan b, kita dapat memprediksi dari X terhadap Y dengan menggunakan nilai a dan b.
Ide dasar tersebut dapat dikembangkan pada sejumlah angka dari variabel bebas (variabel
X) :
Y’ = a + b1 X1 + b2 X2 + …… + bk Xk (3.2)
dimana b1, b2 . . . . . . . bk adalah koefisien-koefisien regresi yang dihubungkan dengan variabel-
variabel X1, X2, . . . . . . ., Xk. Disini kita memprediksi variabel X terhadap Y dengan
menggunakan nilai a dan b.
C. Prinsip Kuadrat Terkecil
D. Dalam regresi yang sederhana, menghitung a dan b mudah. Dalam semua problema
regresi, baik sederhana maupun ganda, maka prinsip kuadrat terkecil dipergunakan.
Dalam beberapa prediksi tentang satu variabel dari variabel lainnya ada kesalahan
prediksi. Seluruh data ilmiah mungkin keliru. Data dari ilmu-ilmu perilaku lebih
memungkinkan membuat kesalahan daripada data-data ilmu alam. Hal ini sungguh-
sungguh bermakna bahwa kesalahan-kesalahan prediksi lebih besar dan lebih
menyolok mata dalam analisis. Dalam satu makna, bahwa kesalahan varian jauh
lebih besar. Prinsip kuadrat terkecil mengatakan kepada kita bahwa sebenarnya
untuk menganalisa data juga yang kuadrat kesalahan prediksi diminimalisir.
E. Untuk beberapa kelompok dan N individu, dan N’ prediksi, Yi (i bergerak dari 1
sampai N). Bahwa kita mau memprediksi dari nilai X yang kita punyai, X observasi,
skor Y dari semua individu. Dengan melakukan hal yang demikian, kita akan
17
Dalam seluruh teks ini kami menggunakan huruf besar untuk menandai variabel-variabel dalam bentuk skor kasar,
sebagai contoh adalah X dan Y. Skor-skor dalam bentuk deviasi atau X-X, dimana X = rata-rata dari satu gugus
skor, akan ditandai dengan huruf-huruf kecil (x dan y) Jika skor-skor standard yang dimaksud, kita akan
menggunakan z dengan subskrip yang tepat. Cara menulis subskrip akan dijelaskan bila kita menyetujui.

menambahkan dan mengurangi kesalahan. Prinsip kuadrat terkecil menyuruh kita
untuk menghitung Y prediksi, sehingga kesalahan kuadrat dari prediksi minimum.
Dengan perkataan lain, kita akan meminimalkan  (Yi – Y’i)2, dimana i = 1, 2, . . . .,
N; Y i = gugus skor variabel tergantung observasi; dan Y’i = gugus skor variabel
tergantung prediksi. Jika pembaca akan kembali pada Tabel sebelumnya, maka ia
akan menemukan bahwa kolom keempat dan kelima dari contoh-contoh A dan B, Y’
dan kolom-kolom d, menggambarkan gagasan-gagasan menurut pembahasan. Teks
Bab ini menjelaskan perhitungan dari jumlah kuadrat deviasi prediksi (ssreg) atau 
d2, merupakan jumlah kuadrat yang diminimalisir.
F. Tidaklah perlu untuk membahas prinsip kuadrat terkecil secara matemtis dan
terinci. Cukuplah untuk tujuan yang ada ini bila kita mempunyai satu pegangan yang
kokoh dan intuitif dari prinsip tersebut. Ide itu adalah untuk menghitung a
(konstan intersep) dan b (koefisien regresi), untuk memenuhi prinsip tersebut. Dalam
Bab ini, rumus yang berikut digunakan untuk menghitung a :
a = Y - bX (3.3)
G. Konstan dihitung dengan rumus ini untuk membantu mengurangi kesalahan-
kesalahan prediksi. Dalam rumus regresi ganda untuk a hanyalah merupakan satu
pengembangan dari rumus (3.3) :
a = Y - B1 X 1 - . . . . – bx X k (3.4)
Rumus ini akan memerlukan makna lebih lanjut apabila data dari satu masalah dianalisa.
Satu dari masalah perhitungan yang utama dari regresi ganda adalah memecahkan
persamaan (3.2) untuk nilai b (koefisien regresi). Hanya dengan dua variabel bebas, masalahnya
tidak sulit. Kami menunjukkan bagaimana hal itu dikerjakan kemudian dalam Bab ini. Namun
demikian dengan lebih dari dua variabel X, sungguh lebih sulit. Metode tersebut didiskusikan
dalam Bab 4. Kita pertama-tama akan menggunakan satu problema yang bersifat fiktif dengan
dua variabel bebas, melalui seluruh proses perhitungan. Kedua : Kita akan menginterprestasikan
sebanyak analisis yang kita dapat sampai pada poin tersebut.18 Adalah penting untuk memeriksa,
sebelum melangkah lebih jauh tentang prinsip-prinsip dan interpretasi-interpretasi yang
didiskusikan dengan menggunakan dua variabel bebas, yang juga berlaku untuk masalah-
masalah yang lebih dari dua variabel bebas.
Satu Contoh Dua Variabel Bebas

Misalkan kita mempunyai prestasi membaca, bakat verbal dan skor motivasi berprestasi pada
20 murid tingkat 8. (Tentu saja mungkin dalam kenyataannya lebih dari 20 subjek). Kita ingin
menghitung regresi Y (prestasi membaca) pada bakat verbal dan motivasi berprestasi. Kita
telah mengerti bahwa disebabkan korelasi diantara bakat lisan dan prestasi membaca
merupakan hal penting untuk kita dapat memprediksi prestasi membaca dari bakat verbal
menjadi lebih baik. Namun demikian kita heran apakah kita dapat secara substansial
mengembangkan prediksi tersebut bila kita dapat secara substansial mengembangkan prediksi
tersebut bila kita mengetahui sesuatu tentang motivasi berprestasi siswa. Penelitian tertentu
(misalnya McClelland, et.al., 1953) telah menunjukkan bahwa motivasi berprestasi mungkin
18
Dalam Bab 4 metode alternatif dan yang lebih efisien tentang perhitungan daripada yang digunakan dalam Bab
ini, akan digambarkan dan diilustrasikan. Perhitungan tersebut dipergunakan dalam Bab ini agak janggal. Tetapi
mereka mempunyai beberapa kebaikan yang membantu untuk membuat ide-ide pokok regresi ganda menjadi lebih
jelas.

membantu dalam meramal prestasi sekolah. Kami memutuskan untuk menggunakan baik
ukuran bakat verbal maupun motivasi berprestasi.
Perhitungan Statistik Dasar

Misalkan, ukuran yang didapat untuk 20 siswa diberikan dalam Tabel 6.4.19 Untuk
mengerjakan suatu analisis regresi dengan sempurna, maka bilangan-bilangan statistik harus
dihitung. Jumlah, rata-rata, dan jumlah kuadrat dari skor kasar pada tiga gugus skor diberikan
dalam tiga garis di bawah tabel. Tetapi dalam tambahan kita akan memerlukan statistik
lainnya : Deviasi jumlah kuadrat dari tiga variabel, deviasi perkalian silangnya, dan standard
deviasinya. Hal-hal tersebut dihitung seperti di bawah ini :
 y2 =  y2 - (  y )2 (-110 )2
= 770 - =
N 20
650 165,00
=
700 -
19
Kita berusaha mempunyai skor fiktif ini dan lainnya dalam Bab ini menjadi berguna seperti yang kita inginkan.
Kita dapat dengan mudah menggunakan koefisien korelasi, suatu alternatif yang lebih mudah. Akan tetapi,
mengerjakan hal yang demikian, akan menghilangkan kesempatan tertentu yang menguntungkan buat kita sebagai
pelajaran. Walaupun kita telah mencoba untuk membuat contoh-contoh tersebut serealistik mungkin – yaitu secara
empirik dan masuk akal, secara kokoh serta berkaitan dengan hasil yang didapat dalam penelitian yang aktual – kita
tidak akan selalu berhasil dengan sempurna. Selain itu, seperti yang kita tunjukkan sebelumnya, kita hanya ingin
menggunakan bilangan-bilangan yang sederhana dan sangat sedikit dari perhitungan tersebut. Penekanan seperti itu
kadang-kadang membuat hal tersebut menjadi sulit untuk menghasilkan yang benar.

 y21 =  y12 - (  X1 )2 ( 99 )2
= 625 - =
N 20
490,05 134,95
=
625 -
 y22 =  x22 - (  X2 )2 ( 104 )2
= 600 - =
N 20
540,80 59,20
=
600 -
 y1 y =  X-1Y (  X1) ( X) - (99) (110) =
N 645 - 544,5020 = 100,50

= 645
 x2 y =  X-2Y (  X2) ( X) - (104) (110) =
611
N 611 - 572 20 = 39,00
 x1x2 =  X1X2- = -
(  X1) ( X2) (99) (104) =
530
N 538 - 514,80 20 = 23,20
2
y 165
sy =   8,6842 = 2,9469
N 1 20  1
2
 X1 134,95
sx1 =   7,1026 = 2,6651
N 1 20  1
2
 X2 59, 20
sx2 =   3,1158 = 1,7652
N 1 20  1
Statistik ini merupakan materi pokok dari analisis multivarian dan hampir selalu dihitung dengan
program komputer. Kita memisahkan hasil-hasil perhitungan secara bersama-sama untuk
meyakinkan secara visual dalam Tabel 3.2. Karena korelasi diantara variabel-variabel tersebut
akan diperlukan kemudian. Kami telah memisahkannya di bawah diagonal utama dari matriks
(0,6735; 0,3946; dan 0,2596).
Ada lebih dari satu cara untuk menghitung statistik pokok dari analisis regresi ganda. Pada
akhirnya kami akan mencakup hampir semuanya. Akan tetapi saat ini kami hanya
memusatkan pada perhitungan yang menggunakan jumlah kuadrat.
Jumlah kuadrat mempunyai keuntungan-keuntungan menjadi materi tambahan yang intuitif
dan dapat dipahami; lagipula mereka bersumber langsung dari data. Kegunaan hal-hal tersebut
juga untuk memudahkan kita menjaga pembahasan kita berkaitan erat dengan perhitungan dan
prosedur analisis varian.
TABEL 6.4 : CONTOH FIKTIF : SKOR-SKOR PRESTASI MEMBACA (Y), BAKAT
VERBAL (X1) & SKOR MOTIVASI BERPRESTASI (X2)
Y X1 X2 Y’ Y – Y’ = d
2 2 4 3,0305 - 1,0305
1 2 4 3,0305 - 2,0305
1 1 4 2,3534 - 1,3534
1 1 3 1,9600 - 0,9600

5 3 6 4,4944 0,5056
4 4 6 5,1715 - 1,1715
7 5 3 4,6684 2,3316
6 5 4 5,0618 0,9382
7 2 4 3,0305 - 1,0305
8 6 3 5,3455 2,6545
3 4 5 4,7781 - 1,7781
3 3 5 4,1010 - 1,1010
6 6 9 7,7059 - 1,7059
6 6 8 7,3125 - 1,3125
10 8 6 7,8799 2,1201
9 9 7 8,9504 0,0496
6 10 5 8,8407 - 2,4807
6 9 5 8,1636 - 2,1636
9 4 7 5,5649 - 3,4351
10 4 7 5,5649 4,4351
Σ: 110 99 104
M: 5.50 4.95 5,20
Σ: 770 625 600 Σ S2 = 81,6091
TABEL 6.5 DEVIASI JUMLAH KUADRAT & PERKALIAN KUA, DRAT,

KOEFISIEN KORELASI DAN STANDARD DEVIASI DATA DARI
TABEL SEBELUMNYA
Y x1 x2
Y 165,00 100,50 39,00
x1 0,6736 134,95 23,20
x2 0,3946 0,2596 59,20
s 2.9469 2,6651 1,7652
Alasan-alasan Perhitungan
Sebelum meneruskan dengan perhitungan-perhitungan tersebut kami perlu memberikan
tinjauan mengapa kita mengerjakan semua ini. Pertama : Kami ingin mengisi konstan
persamaan prediksi, Y’ = a + b1 X1 + b2 X2, dimana kami harus menghitung a, b1, dan b2
sehingga kami dapat, jika kita ingin menggunakan nilai X individual dan Y prediksi. Hal ini
maksudnya, dalam contoh kita, yang apabila kita mempunyai skor individual tentang bakat
lisan dan motivasi berprestasi, maka kita dapat dengan mudah memasukkannya ke dalam
persamaan dan mendapatkan nilai Y prediksi, dan skor bakat verbal prediksi.
Kedua : Kita ingin mengetahui proporsi varian yang menyebabkan persamaan regresi. Oleh
karena itulah, kita ingin mengetahui bagaimana besar total varian Y (prestasi membaca),
disebabkan oleh regresi Y pada variabel X (bakat lisan/motivasi berprestasi) atau hubungan
diantara satu kombinasi linear dari bebas dan variabel tergantung. Dalam Bab 2, kita melihat
bahwa jumlah kuadrat yang disebabkan regresi (dan melibatkan kuadrat rata-rata atau varian)
menggambarkan hubungan ini. Koefisien korelasi ganda kuadrat (R2), akan dijelaskan dengan
singkat, juga penggambarannya.

Ketiga : Kita perlu mengetahui kepentingan yang nisbi tentang nilai X yang berbeda dalam
melakukan prediksi terhadap Y. Kita perlu mengetahui, dalam hal ini, kepentingan yang nisbi
dari X1 dan X2 (bakat verbal dan motivasi berprestasi) dalam persamaan prediksi. Bobot
regresi (b1 dan b2) akan menjawab persamaan sebagian, meskipun kita akan melihat kemudian
bahwa ada ukuran-ukuran lain yang lebih tepat dan dapat diinterprestasikan dengan mudah
untuk tujuan ini. Jawaban tersebut juga akan dijawab dengan perhitungan tertentu dan jumlah
kuadrat dan nilai R2.
Akhirnya kita ingin agar dapat menyebut apakah regresi Y pada nilai X, hubungan diantara Y
dan kombinasi linear yang terbaik dari nilai X adalah bermakna secara statistik.
Perhitungan Statistik Regresi

Regresi nilai b dari persamaan regresi dikerjakan lebih mekanis dengan rumus untuk dua
variabel X. Yaitu :
2
(x 2 )(x 1 y)  (x 1 x 2 )(x 1 x 2 y)
b1  2 2
(x 1 )(x 2 )  (x 1 x 2 ) 2
2
(x 2 )(x 2 y)  (x 1 x 2 )(x 1 y)
b2  2 2
(3.5)
(x 1 )(x 2 )  (x 1 x 2 ) 2
Dengan menggunakan nilai-nilai yang tepat dari Tabel 3.1 dan menggantikan mereka dalam
rumus, kita menghitung b :
(59,20)(100,50)  (23,20)(39,00) 5949,60  904,80
b1  2

(134,95)(59,20)  (23,20) 7989,04  538,24
(134,95)(39)  (23,20)(100,50) 5263,05  2331,60
= 2

(134,95)(59,20)  (23,20) 7989,04  538,24
293,45
  0,3934
7450,80
Sekarang hitung nilai a. Rumus untuk dua variabel bebas – satu kasus yang khusus dari rumus
(3.4) adalah :
a = Y  b1 X 1  b 2 X 1
Dengan menggantikan nilai-nilai yang tepat, didapat :

a = 5,50 – (0,6771)(4,95)-(0,3934)(5,20) = 0,1027
Keseluruhan persamaan regresi ini dapat ditulis dengan menghitung nilai-nilai a dan b :
Y’ = 0,1027 + 0,6771 X1+0,3934 X2
Seperti contoh-contoh dari kegunaan persamaan dalam prediksi, hitung nilai Y prediksi untuk
kelima dan kelima dan kedua puluh subjek dari Tabel 3.1. :
Y’5 = 0,1027 + (0,6771)(9) + (0,3934) (7) = 8,9804
Y’20 = 0,1027 + (0,6771)(4) + (0,3934) (7) = 5,5649
Nilai Y yang didapat adalah : Y5 = 5 dan Y20 = 10. Deviasi skor prediksi dari skor-skor yang
didapat, atau d = Y – Y’, adalah :
d5 = 9 – 8,9504 = 0,0496
d10 = 10– 5,5649 = 4,4351

Satu deviasi agak kecil, sedangkan yang lainnya agak lebih besar. Pada kenyataannya, hal
tersebut merupakan deviasi-deviasi yang terkecil dan yang terbesar dalam gugus 20 deviasi.
Nilai Y prediksi dan deviasi atau residu (d), diberikan dua kolom yang terakhir dari Tabel 6.4.
Hampir setengah skor d adalah positif dan setengahnya lagi bernilai negatif, serta hampir
semuanya adalah relatif kecil. Tentu saja hal ini seperti yang seharusnya. Nilai a dan b dari
persamaan regresi, diulang, dihitung untuk memenuhi prinsip kuadrat terkecil, yaitu untuk
meminimalkan kuadrat kesalahan prediksi. Jika kita mengkuadratkan masing-masing residu
atau nilai d dan menambahkannya seperti yang kita kerjakan dalam Bab ini, maka kita
mendapatkan :
 d2 = 81,6091 (Catat bahwa  d = 0). Hal ini dapat disimbolkan sebagai  y2res atau ssres’
seperti yang telah kami tunjukkan terdahulu. Ringkasnya deviasi atau residu jumlah kuadrat
menggambarkan bahwa porsi dari total Y jumlah kuadrat ( yt2), hal tersebut disebabkan
regresi. Sesungguhnya, seperti yang akan segera kita lihat, tidaklah perlu dengan perhitungan-
perhitungan yang dilibatkan ini. Deviasi atau residu jumlah kuadrat dapat dihitung dengan
jauh lebih mudah. Kita menggunakan perhitungan yang panjang untuk menunjukkan dengan
jelas apa jumlah kuadrat tersebut.
Regresi jumlah kuadrat dihitung dengan rumus umum berikut :
ssreg = b1Σ x1 y +…. (3.6)
dimana k = bilangan X atau variabel bebas. Dalam kasus dua variabel X = k = 2, rumus
tersebut menjadi20 :
ssreg = b1Σ x1 y + b2Σ x2 y (3.7)
Dengan menggunakan nilai b yang dihitung sebelumnya dan mendapatkan deviasi jumlah
perkalian kuadrat dari Tabel 6.5. kita menggantikan dalam rumus (3.7) :
ssreg = (0,6771)(100,50) + (0,3934)(39,00) = 83,3912
Ini adalah porsi dan total jumlah kuadrat Y, atau  y2 t, yaitu disebabkan regresi Y pada dua
variabel X. Catat bahwa total jumlah kuadrat Y adalah 165,00 (dari Tabel 6.5). Apabila
regresi jumlah kuadrat ditambahkan pada residu jumlah kuadrat, jumlah persamaan total
jumlah kuadrat Y seperti persamaan (212) dari Bab 2 yang ditunjukkan. Kita menuliskan
persamaan ini lagi dengan satu bilangan baru dan kemudian menggantikan nilai yang kita
hitung :
sst = ssreg + ssres (3.8)
sst = 83,3912 + 81,6091 = 165.0003
Tentu saja hal tersebut nilainya sama dengan yang diberikan pada Tabel 3.2, dengan
kesalahan pembuatan.
Koefisien Korelasi Ganda dan Kuadratnya

Satu statistik yang paling bernilai dari regresi ganda adalah koefisien korelasi ganda R.
Kuadrat dari koefisien tersebut (R2), bahkan lebih berharga buat alasan-alasan yang diberikan
saat ini. Perhitungan R2 adalah sederhana.
Satu rumus yang berguna secara khusus dan dapat diinterprestasikan dengan mudah adalah :
ss reg
R2  (3.9)
ss t
20
Deviasi persamaanini ditunjukkan dalam Snedecor dan Cochran (1967, hal. 388-389)

Tentu saja akar kuadrat R2 menghasilkan R. Dengan menggantikan jumlah kuadrat yang
dihitung di atas, kita mendapat :
83,3912
R2   0,5054
165,0000
R = 0,5054  0,7109
R merupakan korelasi product moment Y prediksi (Y’1), yang tentu saja adalah kombinasi
linear dari nilai X, dan nilai Y yang didapat (observasi). Hal tersebut ditunjukkan dengan
menggunakan satu rumus dari Snedecor dan Cochran (1967, hal. 402) :
(yy' ) 2
R2  (3.10)
y 2 y 2
yy
R (3.11)
y 2 y 2
Harga persamaan (3.10) dapat dihitung dari kolom Y dan Y’ Tabel 3.1. Kita telah mempunyai
 y2 = 165. Nilai  Y’2 yang dapat dibandingkan dihitung :
2 2 (y) 2 (110) 2
y  y   688,3969   83,3969
N 20
Jumlah perkalian silang deviasi adalah :
(y)(y)' (110)(110)
yy '  y '   688,3969   83,3969
N 20
(Perbedaan 0,003 pada kedua jumlah kuadrat disebabkan kesalahan pembulatan.
Sesungguhnya  y2 harus sama dengan  yy. Kita akan menggunakan harga yang dihitung
seperti apa adanya. Namun demikian karena hal tersebut membuat tidak ada perbedaan dalam
perhitungan R2). Dengan memasukkan dalam persamaan (3.10), maka R2 yang didapat :
(83,3939) 2 (6954,5426) 2
R2    0,5054
(83,3969)(165) (13760,4885)
dan :
R  0,5054  0,7109
Akhirnya, kita menghitung F rasio, pertama-tama dengan mengulang rumus yang diberikan
pada Bab 2 :
R2 / k
F (3.12)
(1  R 2 ) /( N  k  1)
dimana k = jumlah variabel bebas, maka :

0,5054 / 2 0,2527
F   8,684
(1  5054) /(20  2  1) 0,0291
Tentu saja kita dapat menghitung F dengan menggunakan jumlah kuadrat yang tepat. Rumus
tersebut adalah :
ss reg / df reg
F
ss res / df res
Derajat kebebasan dihubungkan dengan ssreg adalah k = 2, jumlah variabel bebas, Derajat
kebebasan dihubungkan dengan ssreg adalah N – K – 1 = 17. Oleh karena itu :

83,3912 / 2 41,6956
F   8,686
81,6091 / 19 4,8005
Hal tersebut sesuai dengan F yang dihitung dengan menggunakan R2 (dalam kesalahan
pembulatan) signifikan pada level 0,0121.
Membuat Grafik Regresi

Untuk membantu pengertian yang mendalam tentang masalah dan analisanya, dan
terutama untuk menunjukkan sifat regresi secara grafis, nilai-nilai Y prediksi dan observasi
dari Tabel 3.1. maka dibuat grafiknya dalam Gambar 6.5. Y’ (nilai Y prediksi) diplot. Y’
absis dan Y ordinat. Hal-hal tersebut jenis plotnya sama, kita akan menggunakannya jika kita
memplot grafik satu korelasi dua variabel yang sederhana dan problema regresi. Perbedaan itu
adalah bahwa variabel bebas tersebut (Y’) merupakan suatu gabungan regresi dari X1 dan X2
menggantikan X yang tunggal.
10
9
8
Y
6
7
5
4
3
2 1 2 3 4 5 6 7 8 9 10 X
1
Gambar 6.5
Ry.12 = 0,71; suatu korelasi yang cukup besar. Kita berharap bahwa titik X dan Y yang diplot
terletak cukup dekat dengan garis regresi. Ry.12 = 0,71 menggambarkan secara simbolik dan
kuantitas apa-apa yang ditunjukkan oleh plot secara grafis. Untuk menjelaskan bahwa titik-
titik tersebut terletak dekat dengan garis regresi (digambarkan dengan membuat satu garis
lurus yang melalui a, konstan intersep diplot pada sumbu Y, dan titik dimana kedua rata-rata
itu, Y’ = 5,50 dan Y = 5,50, bertemu), besaran R adalah tinggi. Jika semua titik yang
diplot ada pada garis resgresi, maka R = 1,00. Bila titik-titik tersebut disebar pada grafik
secara acak, maka R akan mendekati nol. Dengan perkataan lain, kita dapat banyak
menginterpretasikan grafik Y’ dan Y, seperti kita menginterpresikan satu grafik biasa.
Interpretasi Analisis
Sebagai besar kesempatan telah digunakan dan perhitungan yang teliti telah mencoba untuk
menjelaskan problema dasar dari analisis regresi ganda. Bahkan juga, tidak hanya bersifat
mungkin tapi diperlukan sekali, terutama bila kita menjadi bisa untuk menginterpretasikan
21
Mahasiswa yang jeli mungkin heran apakah cukup prosedur kuadarat terkecil elaborasi benar-benar perlu.
Mengapa bukan penambahan sederhana X1 dan X2 dan menggunakan kombinasi tersebut ? Apabila kita
mengerjakan hal yang seperti itu, maka dalam hal ini kita dapatkan r = 0,70, suatu harga yang hampir sama dengan
R. jawabnya, bahwa R yang dihitung dengan prosedur kuadarat terkecil, seperti yang terdahulu, R maksimum
mungkin diberikan oleh data. Dalam beberapa hal kuadarat terkecil dapat lebih tinggi sekali daripada R yang
dihitung dengan cara-cara lainnya. (Masalah lain tentu saja adalah bila variabel bebas yang berbeda mempunyai
matriks yang berbeda).

kajian-kajian tertentu dengan signifikansi tinggi, yang dipublikasikan akhir-akhir ini. Namun
demikian kita harus berhenti sebentar untuk menginterpretasikan apa yang telah kita kerjakan.
F rasio mengatakan kepada kita bahwa regresi Y terhadap X1 dan X2 adalah signifikan secara
statitik. Kemungkinan F rasio yang besar ini terjadi dengan peluang lebih kecil dari 0,01
(kira-kira 0,003). Hal ini bermakna bahwa korelasi diantara Y dan satu kombinasi linear
kuadrat terkecil dari X1 dan X2 mungkin dapat tidak disebabkan oleh peluang. Ia mengatakan
kepada kita sedikit atau tidak ada sama sekali mengenai besarnya hubungan. Jadi jika F rasio
tidak signifikan secara statistik, pada sisi lain, kita tidak harus bertanya mengenai besarnya
hubungan tersebut.
Ukuran-ukuran R dan R2, terutama yang terakhir, mengatakan kepada kita secara eksplisit
tentang besarnya hubungan. Dalam hal ini R2 = 0,51 bermakna bahwa kira-kira 51 persen
varian Y disebabkan oleh X1 dan X2 secara bersama (Ingat lagi bahwa R2 disebut koefisien
determinasi). R = 0,71 dapat banyak diinterpretasikan seperti suatu koefisien korelasi biasa,
kecuali bahwa jarak nilai R adalah antara 0 sampai 1,00 tidak menyerupai r, yang jarak
nilainya adalah dari –1,00 lewat 0 sampai + 1,00. Kita kebanyakan akan bekerja dengan
R2 dalam buku ini karena interprestasinya sudah jelas22.
Kembali kepada hakekat dari suatu masalah penelitian yang asli, ingat kembali bahwa Y =
prestasi membaca; X1 = bakat verbal dan X2 = motivasi berprestasi. R2 = 0,51; dan F = 8,686;
yang menyatakan bahwa total varian prestasi membaca dari 20 anak yang dijadikan sampel,
51 persen disebabkan oleh satu kombinasi linear bakar lisan dan motivasi berprestasi. Dengan
perkataan lain, sebagian prestasi membaca anak dijelaskan oleh bakat verbal dan motivasi
berprestasi.
Sebegitu jauh terdapat sedikit kesukaran. Sekarang kita masuk pada satu masalah yang sedikit
lebih sulit : Apa kontribusi relatif dari X1 dan X2 (bakat verbal dan motivasi berprestasi)
terhadap Y (prestasi membaca) ? Pertanyaan ini dapat dijawab dalam dua atau tiga cara. Pada
akhirnya kita akan membahas keseluruhannya. Namun sekarang kita hanya mempelajari b 1
dan b2 (koefisien regresi). Sayangnya tidak gampang untuk menginterpretasikan koefisien b
dalam analisis regresi ganda. Untuk kita membelokkan pembaca dari tujuan utama
pembahasan kami, kami hanya akan menginterpretasikan nilai b secara agak kasar. Kemudian,
kami akan memberikan analisis dan interpretasi yang lebih tepat dan teliti.
Dalam Bab ini, dikatakan bahwa suatu koefisien tunggal b dalam persamaan Y’ = a + bX
menunjukkan bahwa bila X berubah satu unit, maka Y berubah b unit. Koefisien regresi
b disebut slope. Kita menyebut bahwa slope dari garis regresi adalah pada tingkat b unit
Y untuk satu unit X. Jika persamaan regresi : Y : 4 + 0,50 X, maka b = 0,50; dan hal ini akan
bermakna X berubah satu unit, maka Y berubah setengah unit. Dalam regresi ganda, pada sisi
lain, interpretasi plot menjadi rumit karena kita mempunyai lebih dari satu b. Pada umumnya,
bila misalnya skala X1 dan X2 sama atau kira-kira sama, semua 20 nilai dalam tiap kasus
berjarak 1 sampai 10, seperti garapan kita, maka nilai b merupakan bobot yang menunjukkan
secara kasar kepentingan relatif dari variabel-variabel yang berbeda dalam memprediksi Y. Ini
terlihat lewat kajian persamaan regresi semata dengan nilai b yang dihitung terdahulu :
X1 = bakat verbal, berbobot lebih besar daripada X2 (motivasi berprestasi). Tetapi

situasi tersebut lebih rumit daripada yang terlihat. Kami hanya memberikan penjelasan
22
Nilai-nilai R dan R2 dapat sering melambung. Masalah ini akan dibahas dalam Bab 11

tersebut untuk tujuan-tujuan pendidikan saat ini. Pernyataan itu tidak benar untuk semua
kasus23.
Interpretasi, Analisis dan Perhitungan Alternatif

Untuk memantapkan pengertian kita tentang regresi ganda, maka kita perlu memperhatikan
agak teliti pada berbagai jumlah kuadrat. Dengan mengerjakan hal yang demikian, kita dapat
melihat agak jelas secara terpisah dan secara terpisah dan secara bersama-sama apakah X1 dan
X2 menambah pada regresi. Satu pertanyaan penting yang harus kita tanyakan adalah :
Apakah penambahan X2 pada persamaan regresi menambah signifikan pada Y prediksi kita ?
Dalam contoh yang kami berikan, bagaimana efektifnya X2 (motivasi berprestasi) dalam
menambah ketepatan prediksi ? Tujuan pokok dari penambahan variabel bebas tentunya
adalah untuk menambah tepatnya prediksi. Dalam hal ini, apakah penambahan X2 terhadap X1
secara material mengurangi sisa jumlah kuadrat ?
Mengingat bahwa total jumlah kuadrat; kita harus bekerja sama dengan jumlah kuadrat skor
Y, atau  yt2 = 165,00 (Lihat perhitungan terdahulu yang dikerjakan ketika pertama kali
memperkenalkan masalah tersebut). Tidaklah menjadi masalah berapa banyak atau sedikit
variabel X yang kita punyai,  yt2 selalu sama (165,00). Dan mengingat bahwa regresi jumlah
kuadrat dan residu jumlah kuadrat selalu berarti pada jumlah kuadrat.
Kita sekarang mengerjakan regresi sederhana Y pada X secara sendiri dengan menggunakan
nilai-nilai dari Tabel 6.4. dan dengan menghitung b, ssreg dan ssres :
x y 100,50
b = 12   0,7447
x 1 134,95
(x 1 y ) 2 (100,50) 2
ssreg = 2
  74,8444
x 1 134,95
2
ssreg = y 1  ss reg  165  74,8444  90,1556
Dan kita menghitung lagi R2, R dan F rasio, dengan menggunakan rumus (3.9) dan (3.12) :
ss reg 74,8444
R 2 y.1    0,4536
ss t 165,00000
R 2 y.1  R 2 y.1  0,4536  0,6735
R 2 y.1 / k 0,4536 / 1 0,4536
F= 2
 
(1  R y.1 ) /( N  k  1) (1  0, 4536) /(20  1  1) 0,0304
Atau dengan rumus (3.13) dan dfreg = k = 1 dan dfres = N-k-1 = 20-1-1 = 1824
23
Kepentingan relatif X1 dan X2 sesungguhnya berbeda dengan indikasi bobot b di atas. Bila X1 dan X2 diberikan
secara teratur, maka kontribusi mereka terhadap R2 adalah kira=kira 0,45 dan 0,05. namun demikian bila variabel
bebas dibalik maka kontribusinya kira-kira 0,16 untuk X2 dan 0,3 untuk X1 dalam hal ini juga terbukti bahwa
Kontribusi X1 lebih dari X2 . Kemudian kontribusi relatif dari variabel bebas akan dipelajari dengan teliti.
24
Kesenjangan diantra F rasio yang dihitung dengan dua metode adalah disebabkan oleh kesalahan pembulatan.
Nilai F rasio seperti yang dihitung dengan komputer besar adalah 14,94325; kedua dari dua nilai di atas. Secara
tetap kita akan dihadapkan dengan kesenjangan kecil seperti itu. Pembaca tidak seharusnya terganggu oleh hal-hal
tersebut. Konsentrasi yang penuh diarahkan kepada pemahaman tentang konsep dasar regresi. Tentu saja dalam
penggunaan yang sebenarnya perhitungan akan dikerjakan dengan komputer dan hampir semua nilai akan

ss reg / df reg 74,8444 74,8444
F    14,9432
ss reg / df res 90,1556 / 18 5,0086
F rasio signifikan pada level 0,01. Oleh karena itu, regresi Y terhadap X1 sendiri adalah
signifikan secara statistik. Karena R2 = 0,45; kita dapat mengatakan bahwa 54 persen varian Y
(prestasi membawa) disebabkan oleh X1 (bakat verbal). Dengan catatan bahwa hal tersebut
merupakan model regresi ganda yang membahas tentang korelasi biasa. Korelasi diantara X1
dan Y, atau rxy = 0,67; oleh karenanya r2x1 y = 0,45. Dengan perkataan lain bahwa kita dapat
menyebut korelasi dua variabel biasa dan regresi sebagai kasus khusus dari korelasi ganda
regresi ganda.
Regresi hitunglah regresi Y terhadap X2 sendiri dan R2, R dan F rasio :
x y 39
b = 22   0,6588
x 2 59
(x 2 y ) 2 (39) 2
ssreg = 2
  25,6926
x 2 59, 20
2
ssreg = y t  ss reg  165  25,6926  139,3074
ss reg 25,6926
R 2 y.2    0,1557
ss t 165,00000
R y.2  0,1557  0,3946
ss reg / df reg 25,6926 / 1
F   3,320(n.s)
ss res / df res 139,3074 / 20  1  1
Sementara R2y.2 = 0,16 dan Ry.2 = 0,39, kedua-keduanya cukup besar jumlahnya, F rasio dari
3,32 tidak signifikan pada level 0,05. Karena kemungkinan itu sebenarnya adalah 0,08 (soal
yang tidak tentu), kita dapat meneruskan masalah tersebut lebih jauh. 25 Namun
demikian jelaslah bahwa X1 merupakan prediktor Y yang lebih baik daripada X2, dengan
mempertimbangkannya secara terpisah. Jika kita harus memilih, katakanlah, diantara X1 dan
X2, tidak akan ada pertanyaan yang akan kita pilih – asal saja keinginan kita adalah hal
tersebut dalam prediksi.
Kita tidak cukup siap untuk menjawab satu pertanyaan yang lebih menarik, meskipun kita
dapat menggerumis pada pinggiran-pinggirannya: Apakah X2 dapat menambah signifikan
pada prediksi bila ditambahkan pada X1 ? Jawabannya ialah hal tersebut menambah kepada
prediksi : R2 y.1 = 0,45; seperti yang baru kita lihat; dan R2y.12 = 0,51 seperti yang kita lihat
terdahulu. Tambahan kepada R2 adalah 0,50 (Gambar sebenarnya adalah : 0,5054 – 0,4536 =
0,0518). Hal ini merupakan kontribusi tambahan kepada regresi, akan tetapi tidak signifikan
secara statistik. Sekarang catat satu hal penting; yaitu bila kita menghitung R2 dari regresi Y
menjadi cukup tepat. Untuk pembahasan tentang kesalahan pembulatan, lihat Draper & Smith (1966, hal, 52-53
dan hal 143-144.
25
Seharusnya ditegaskan bahwa biasanya regresi secara terpisah Y terhadap X2 tidak akan dihitung. Hal tersebut
dikerjakan di sini, untuk membuat satu poin X1 dan untuk meletakkan dasar bagi suatu bentuk yang mirip tetapi
lebih tepat dari analisis berikut dalam buku ini.

terhadap X2 sendiri, maka kita mendapat nilai 0,16. Namun, bila kita menghitung kontribusi
tambahan X2 sesudah X1, maka kita mendapatkan 0,05. Kita mengulang karakteristik dan
dasar dan yang penting dari regresi ini pada akhir Bab.
Perhitungan Regresi Tambahan

Meskipun X2 tidak menambah signifikan pada prediksi, kita menarik satu kesimpulan
bersama tentang analisis regresi pada Tabel-tabel 6.6, 6.7, dan Tabel 6.8, kita sekarang
mendapat 20 skor Y dan Y prediksi serta skor deviasi (Y’) dan d = Y – Y’, untuk dua
regresi (Y terhadap X1 dan Y terhadap X1 dan X2. Skor yang didapat (Y) diberikan dalam
kolom pertama. Skor Y prediksi dari regresi Y terhadap Y1, diberikan pada kolom kedua.
Deviasi dari regresi (d1) ditulis pada kolom ketiga. Pada kolom keempat dan kelima, skor-skor
Y prediksi pada dasar dari X1 dan X2 serta Y12; dan dengan menyertai skor deviasi (d 12)
dicatat.
TABEL 6.6. SKOR-SKOR VARIABEL TERGANTUNG (Y) DAN SKOR PREDIKSI
(Y”) DARI DAN DUA VARIABEL BEBAS (X1,X2) DATA DARI TABEL
SEBELUMNYA
Y Y1 d1 Y12 d12
2 3.3031 -1.3031 3.0305 -1.0305
1 3.3031 -2.3031 3.0305 -.2.0305
1 2.5584 -1.5584 2.3534 -1.3534
1 2.5584 -1.5584 1.9600 -0.9600
5 4.0478 0.9522 4.4944 0.5056
4 4.7925 -0.7925 5.1715 -1.1715
7 5.5372 4.4628 6.0226 01.9774
8 6.2819 1.7181 5.3455 2.6545
3 4.7925 -1.7925 4.7784 -1.7781
3 4.0478 -1.0478 4.1010 -1.1010
6 6.2819 -0.2819 7.7059 -1.7059
6 6.2819 -0.2819 7.3125 -.1.3125
10 7.7713 2.2287 7.8799 2.1201
9 8.5160 0.4840 8.9504 0.0496
6 9.2607 -3.2607 8.8407 -2.5407
6 8.5160 -2.5160 8.1636 -2.1636
9 4.7925 4.2075 5.5649 3.4351
10 4.7925 5.5075 5.5649 4.4351
Σ : 110 110 0 110 0
Σ2 : 770 679.8326 688.3669
ss : 165 74.8326 90.1556 83.3969 81.6091
Tiga baris terakhir dari Tabel menunjukkan jumlah () dan jumlah kuadrat (ss) dari kolom.
Persamaan untuk regresi Y terhadap X1 secara sendiri dan Y terhadap X1 dan X2 secara-sama
adalah :
Y1 = 0,8137 + 0,7447 x1 (3.14)
Y12 = 0,1027+ 0,6771 x1 + 0,3934 (3.15)

TABEL 6.7. JUMLAH KUADRAT DAN REDUKSI PADA RESIDU JUMLAH
KUADRAT ANALISIS REGRESI TAMBAHAN (X2 TERHADAP X1
Y Y1 d1 Y12 d12
1 165.0000 74.8494 90.1556
1+2 165.0000 83.3912 81.6091 8.5464
Nilai persamaan (3.14) dihitung seperti berikut (lihat Tabel 3.1. untuk rata-rata dan Tabel 3.2.
untuk jumlah kuadrat dan perkalian silang :
x y 100,50
b1  1 2   0,7447
x 1 134,895
a = y – b1 x 1  5,50  (0,7447)(4,95)  1,8137
Untuk menghitung 20 skor Y prediksi, secara sederhana melalui nilai X1 pada Tabel 3.1.
dalam persamaan (3.14). Untuk contoh :
Y'1 = 1,8137 + (0,7447)(2) = 3,3031
Y'B = 1,8137 + (0,7447)(2) = 5,5327
Sekarang hitunglah d yang mengikuti nilai-nilai berikut :
d = Y – Y’
d’ = 2 – 3,3031 = - 1,3031
d8 = 6 – 5,5372 = 0,4628
Untuk menghitung Y prediksi dan regresi Y terhadap X1 dan X2 memasukkan kedua nilai X1
dan X2 dari Tabel 3.1 dalam persamaan (3.15). [Nilai persamaan (3.15) dihitung terdahulu].
Sebagai contoh (Y’1 dan Y’8), nilai yang dapat dibandingkan untuk hal tersebut adalah yang
dihitung buat regresi Y terhadap X1 secara sendiri, adalah :
Y'1 = 0,1027 + (0,6771)(2) + (0,3934)(4)
Y'1 = 0,1027 + 1,3542 + 1,5736 = 3,0305
Y'B = 0,1027 + (0,6771)(5) + (0,3934)(4)
Y'1 = 0,1027 + 3,3855 + 1,5736 = 5,0618
TABEL 3.8. ANALISIS VARIAN DAN NILAI R2 DARI DUA REGRESI Y TERHADAP
X1 DAN X2 SERTA Y TERHADP X1
Sumber Df ss me F P R2
X1, X2 2 83,3909 41,69 8,686 0,003 0,5054
Deviasi 17 81.6091 4.805
X1 1 74,8444 74,4 14,92 0,001 0,4536
Deviasi 18 90,1556 5,086
Total 19 165,0000
Skor residunya adalah :

d1 = 2 – 3,0305 = - 1,0305
d8 = 6 – 5,0618 = 0,9382
Mungkin kita harus berhenti pada poin ini, hanya untuk menekankan apa yang sedang kita
kerjakan. Kita sedang mencoba dengan sejujur-jujur mungkin menunjukkan, apa yang

termasuk analisis regresi ganda. Para mahasiswa bidang ilmu pendidikan dan ilmu-ilmu
perilaku yang non eksakta sering bingung bila dihadapkan dengan persamaan-
persamaan regresi, bobot regresi, nilai R2 dan F rasio. Kami sedang mencoba menjelaskan
sekurang-kurangnya beberapa dari bermacam-macam kebingungan tersebut dengan
menghitung banyak dari jumlah tertentu dari analisis regresi ganda secara agak langsung.
Kami tidak akan menggunakan metoda-metoda tersebut dalam praktek yang sesungguhnya.
Metoda-metoda tersebut terlalu tidak praktis, tetapi mereka baik untuk tujuan-tujuan
pedagogis karena mereka mendekati regresi ganda secara langsung dengan kerja sebanyaknya
mungkin, dengan data yang asli dan jumlah kuadrat dihasilkan dari daya yang asli. Dengan
penuh pengharapan, seseorang dapat melihat dimana jumlah yang bermacam-macam itu
berasal.
Karena sebagian dari perhitungan Tabel 6.6. dijelaskan terdahulu dalam kaitannya dengan
Tabel sebelumnya., kita hanya memerlukan sentuhan di atas mereka. Poin utama kita, yaitu
penambahan X2 terhadap regresi dikurangi residu atau deviasi jumlah kuadrat dari 90,1556 ke
81,609 dan menambah regresi jumlah kuadrat 74,8326 ke 83,3969 (dua gambar terakhir ini,
diambil dari garis bawah Tabel 3.3., yang agak berbeda dikarenakan kesalahan pembulatan.
Nilai yang lebih tepat adalah 74,8444 dan 83,3909, seperti yang dihitung dengan komputer).
Kemudian baris terakhir dari tabel adalah satu hal yang penting. Hal itu memberikan jumlah
kuadrat untuk Y, Y’1, d1, Y”12. Kecuali untuk  y’12, jumlah kuadrat ini dihitung terdahulu.
Jumlah kuadrat dari Tabel 3.3. digunakan bersama-sama untuk kecocokan dalam Tabel 3.4.
Lagi pula, pengurangan dalam jumlah kuadrat dari residu, atau sebaliknya, penambahan
dalam regresi jumlah kuadrat, diberikan dalam Tabel (yaitu : 8,55). Pendeknya tabel
menunjukkan bahwa penambahan X2 pada regresi mengurangi deviasi dari regresi (residu)
dengan 8,55 – atau penambahan X2 menambah regresi jumlah kuadrat 8,55. Seperti kita lihat
terdahulu, hal tersebut adalah pengurangan (atau penambahan) 5 persen : 8,55/165,00 = 0,05.
Tabel 3.4. dan gambarnya dapat menunjukkan secara agak pantas apa maksud koefisien
korelasi ganda tersebut – dalam jumlah kuadrat. Pikirkan kasus yang istimewa ini. Apabila
kita mempunyai sejumlah variabel bebas (X1, X2, ….Xk), dan mereka secara lengkap
menjelaskan varian Y (variabel tergantung), kemudian R2y.12 …k = 1,00; dan jumlah kuadrat
(yakni 165) dan residu jumlah kuadrat akan menjadi nol. Tetapi kita belum mengetahui semua
variabel bebas tersebut, kita hanya mengerti dua dari variabel X1 sendiri adalah 74,84.
Proporsi varian variabel tergantung adalah : 74,84/165,00 = 0,45. Jumlah kuadrat regresi Y
terhadap X1 dan X2 adalah 83,39. Proporsi dari varian Y adalah : 83,39/165,00 = 0,51.
Jumlah-jumlah 0,5 dan 0,51 tentu saja merupakan nilai R2.
Dalam Tabel 3.5. analisis varian dari kedua regresi tersebut disingkat pada bagian atas tabel,
analisis varian dan regresi Y terhadap X1 dan X2 diberikan. Bagian yang lebih bawah dari
tabel memberikan analisis varian bagi regresi Y terhadap X1 secara sendiri. (Nilai-nilai
tersebut diberikan dalam Tabel 6.8. yang diambil dari hasil komputer. Beberapa diantaranya
agak sedikit berbeda dari nilai Tabel 6.6. dan 6.7, lagi-lagi disebabkan kesalahan pembuatan).
Terbukti dari analisis-analisis tersebut bahwa X2 tidak menambah banyak terhadap X1. Hal itu
menambah kekuatan prediksi kita dengan hanya 5 persen. Kembali kepada hakekat
permasalahan dan variabel-variabel kita, bakat verbal (X1) secara sendiri menyebabkan kira-
kira 45 persen dari varian prestasi membaca (Y). Apabila motivasi berprestasi (X2)
ditambahkan kepada persamaan regresi, jumlah dari varian prestasi membaca disebabkan oleh
bakat verbal dan motivasi berprestasi secara bersama-sama (X1 dan X2) kira-kira 51 persen,
satu penambahan kira-kira 5 sampai 6 persen.

Satu Demonstrasi Teori Gugus dan Gagasan Regresi Ganda Tertentu
Dalam banyak keadaan bisa ditemukan bahwa regresi Y terhadap masing-masing variabel
bebas, bila ditambah secara terpisah atau bersama-sama pada persamaan regresi setelah
variabel dimasukkan, mungkin akan menambah sedikit pada R2. Alasannya yaitu variabel
bebas dikorelasikan secara terpisah. Bila korelasi diantara X1 dan X2, misalnya nol, maka r2
diantara X1 dan Y dapat ditambahkan pada r2 terhadap korelasi diantara X1 dan Y untuk
mendapatkan R2y.12. Dengan demikian maka kita dapat menuliskan persamaan tersebut :
R2y.12 = r2y.1 + r2y. (bila r12 = 0)

Akan tetapi kasus yang seperti itu hampir tidak pernah terjadi pada situasi analisis regresi
biasa, r12 akan jarang bernilai nol, sekurang-kurangnya dengan variabel dari model diskusi di
bawah. Umumnya, semakin besar r12 maka akan semakin kecil penambahan efektif X2 pada
persamaan regresi. Bila kita menambahkan variabel ketika (X3), dan dikorelasikan dengan Y –
masih akan menambah lebih kecil pada prediksi. Bila data dari Tabel sebelumnya sungguh di
dapat dalam satu kajian akan bermakna bahwa bakat-bakat verbal (X1) memprediksi prestasi
membawa (Y) secara sendiri, hampir sebaik dari bakat verbal (X1) dan motivasi berprestasi
(X2). Faktanya, penambahan motivasi berprestasi tidak signifikan secara statistik, seperti yang
ditunjukkan terdahulu.
Ide-ide tersebut mungkin dapat dijelaskan dengan Gambar 6.6. dimana masing-masing gugus
lingkaran mewakili jumlah kuadrat (atau jika bisa varian) dari satu variabel Y dan dua
variabel X (X1 dan X2). Gugus sebelah kiri, label (a) adalah suatu keadaan yang sederhana
dimana Ry.1 = 0,50; Ry.2 = 0. Jika kita mengkuadratkan koefisien korelasi X1 dan X2 dengan Y
dan menambahkannya [ (0,50)2 + (0,50)2 = 0,25 + 0,25 = 0,50 ] kita mendapatkan varian
Y yang disebabkan oleh X1 dan X2 secara bersama-sama, atau Ry.12 = 0,50.
Tetapi sekarang pelajari situasi (b). Kita tidak dapat menambah Ry.1 dan r2y.2 tidak sama
dengan 0 (Tingkat korelasi diantara dua variabel ditunjukkan oleh jumlah dari lingkaran-
lingkaran yang saling melingkupi.
y y
2 2
r y 1 .` 0,25 r y. 2  0, 25
r 2 y.1  0,25 r 2 y. 2  0, 25
X1 X1
X1 X1 r 2
12  0,25
r 2 .12  0 r 2(b)
12  0,25
(a)
Gambar 6.6
Bidang yang diarsir dari perpotongan, menggambarkan yang biasa pada pasangan variabel-
variabel yang digambarkan. Satu dari dua bidang yang diarsir menunjukkan bahwa bagian Y
yang biasa pada variabel X1 dan X2. Atau hal itu adalah bagian dari r2y.1; bagian r2y.2; dan

bagian dari r2. Oleh karena itu, untuk menentukan secara tepat bahwa sebagian dari Y
ditentukan oleh X1 dan X2, perlu untuk mengurangi dua bidang arsir yang saling melingkupi
sehingga tidak akan dihitung dua kali26.
Kajian yang cermat dari Gambar 6.6 dan relasi, hal-hal yang melukiskan tersebut seharusnya
membantu mahasiswa untuk memahami prinsip yang disebutkan terdahulu. Lihat sisi kanan
dari gambar tersebut. Bila kita ingin memprediksi Y lebih banyak, juga untuk mengatakan hal
tersebut, maka kita harus menemukan variabel lainnya yang lingkaran varianya akan
memotong lingkaran Y dan pada saat yang sama tidak saling memotong satu sama lain, atau
sekurang-kurangnya saling memotong secara minimal. Dalam praktek, tidak mudah untuk
melakukan hal tersebut. Kelihatannya bahwa banyak kenyataan yang dikorelasikan, terutama
kenyataan jenis-jenis variabel yang sedang kita bicarakan.
Sekali-kali menemukan satu atau dua variabel yang berkorelasi secara mendasar dengan
prestasi sekolah, sebutlah kemudian, hal tersebut menjadi bertambah sulit untuk mendapatkan
variabel lainnya yang berkorelasi
Asumsi-asumsi
Seperti semua teknik statistik, analisis regresi ganda mempunyai beberapa asumsi yang
melatarbelakanginya, yang harus dimengerti oleh para peneliti. Sayangnya masalah asumsi
nampaknya menakutkan mahasiswa, atau lebih jelek lagi membosankan mereka. Banyak
mahasiswa terlalu dibebani oleh para instruktur yang bersemangat dengan teguran-teguran
bila analisis varian (katakanlah) dapat atau tidak dapat digunakan, sampai pada kesimpulan
keliru yang dapat digunakan, sampai pada kesimpulan-kesimpulan keliru yang dapat
digunakan. Kami tidak senang melihat mahasiswa membelok dari analisis dan statisik
dengan teguran-teguran dan perintah yang membingungkan yang biasanya tidak banyak
berarti. Namun demikian mereka kadang-kadang berguna. Selain itu kegunaan intelegensia
dari metode analisis mengharuskan pengetahuan rasional, dan jadi asumsi-asumsi yang
melatarbelakangi metoda-metoda tersebut. Oleh karena itu kami melihat selintas pada
asumsi-asumsi tertentu yang melatarbelakangi analisis regresi27.
Pertama, dalam analisis regresi diasumsikan bahwa skor Y didistribusikan secara normal
pada setiap nilai X. (tidak ada asumsi normal tentang nilai X). Pembahasan tentang hal-hal
ini dan yang lainnya serta pembahasan tentang tes signifikansi statisik dibicarakan dalam
buku ini. Kebenaran satu F tes, misalnya, tergantung kepada asumsi yang skor variable
tergantungnya didistribusikan secara normal dalam populasi. Asumsi tersebut tidak
diperlukan untuk menghitung ukuran-ukuran korelasi dan regresi (Lihat McNemer, 1960).
Tidak ada perlunya untuk mengasumsikan sesuatu untuk menghitung nilai r, b dan
sebagainya (satu perkecualian ialah bila distribusi X dan Y, atau nilai X dan Y yang
dikombinasikan tidak mirip, maka susunan r tidak boleh dari -1 ke +1). Hal tersebut hanya
26
Teori Gugus membantu kita untuk menjelaskan keadaan seperti. Misalnya V(Y) = Varian Y, V (X) = Varian X
dan V (X2) = Varian X2 .X1αy, X2 ∩Y dan X1 ∩X2 menunjukkan tiga bagian interseksi dari tiga variabel. X1 ∩X2 ∩
menunjukkan interseksi dari tiga variabel secara keseluruhannya. Maka V (X1 ∩Y) yang biasanya tiga variabel
semuanya. Sekarang kita dapat menuliskan persamaan berikut : Vy =V(X1 ∩ Y)+ V(X2 ∩ Y)- V(X1 – X2∩ Y)
2 2
dimana Vy = varian yang disebabkan oleh X1 dan X 2 sesungguhnya V2 =R 1.2
27
Pembaca akan menemukan pembahasan yang baik tentang asumsi dengan beberapa contoh sederhana dalam
Snedecor & Conhcarn (1967, hal. 141 -143)

bisa saja bila kita membuat kesimpulan dari satu sampel ke populasi yang harus kita
tinggalkan dan kemudian berfikir tentang asumsi.
Asumsi kedua ialah skor Y mempunyai varian yang sama pada masing-masing poin X.
Maka skor Y diasumsikan menjadi distribusi normal dan mempunyai varian yang sama pada
masing-masing poin X.
Catatlah persamaan berikut :
Y = a + b1X1 +…+ bkXk (3.16)
dimana e = kesalahan atau residu. Kesalahan-kesalahan tersebut diasumsikan menjadi
random dan didistribusikan secara normal dengan varian yang sama pada masing-masing
poin X. Poin yang kemudian dapat disebut : Distribusi deviasi dari regresi (residu) sama
pada semua poin X. Asumsi-asumsi tentang nilai e tersebut tentunya digunakan dalam
prosedur estimasi statistik.
Telah ditunjukkan dengan meyakinkan bahwa F dan t tes merupakan statistik yang kuat dan
kokoh, yang bermakna bahwa mereka menolak pelanggaran asumsi (Anderson, 1961, Baker,
Hardyck & prosedur estimasi statistik..
Telah ditunjukkan dengan meyakinkan bahwa F dan t tes merupakan statisik yang kuat dan
kokoh, yang bermakna bahwa mereka menolak pelanggaran asumsi (Anderson, 1961;
Boneau, 1961; Games & Lucas, 1966; Lindquist, 1953, hal-hal 78-86). Pada umumnya
mudah untuk mengatakan bahwa kita biasanya dapat meneruskan dengan analisis varian dan
analisis regresi ganda tanpa khawatir terlalu banyak tentang asumsi. Namun demikian para
peneliti harus hati-hati bahwa pelanggaran yang serius dari asumsi dan terutama tentang
kombinasinya, dapat mengubah hasil. Kami menyarankan para mahasiswa untuk memeriksa
data terutama dengan memplot, dan bila asumsi tersebut muncul menjadi dilanggar, untuk
memperlakukan hasil yang didapat bahkan dengan perhatian yang luar dari biasanya.
Mahasiswa juga harus menahan dalam pemikiran kemungkinan mengubah data yang
melawan arus, dengan menggunakan satu arah atau lebih dari transformasi yang tesedia dan
yang Mungkin membuat data lebih dapat dipertanggungjawabkan untuk analisa dan
kesimpulan (LIhat : Kirk, 1968,hal. 63-67; Monsteller & Bush, 1954).
Ulasan Lebih Lanjut Tentang Regresi Ganda Dan Penelitian Ilmiah

Para pembaca seharusnya mengerti sekarang, sekurang-kurangnya kepada satu
pengembangan yang terbatas tentang kegunaan dari analisis regresi ganda dalam penelitian
ilmiah. Uraian dalam bagian ini ; telah cukup banyak subjek yang disajikan untuk
memungkinkan kita sekarang melihat isu lebih luas dan prosedur yang lebih kompleks.
Dengan perkataan lain, kita sekarang dapat menyamarkan regresi ganda kepada kasus k
variabel. Akan tetapi satu bahaya berat dalam mempelajari subjek seperti regresi ganda, yaitu
kita menjadi begitu keasyikan dengan rumus-rumus, bilangan-bilangan, dan bilangan
manipulasi, kita kehilangan tatapan dari tujuan yang lebih luas. Hal ini terutama benar untuk
prosedur analisis yang kompleks seperti analisis varian, analisis faktor dan analisis regresi
ganda. Kita menjadi dibingungkan, teknik dan manipulasi yang kita jadikan pembantu dari
metoda daripada sebagai tuan. Sementara itu kami dipaksa untuk membawa diri kami
sendiri dan para pembaca lewat sebagian besar bilangan dan symbol manipulasi, kita terus
khawatir kehilangan arah. Paragraf yang sedikit ini adalah untuk mengingatkan kita apa dan
mengapa yang sedang kita lakukan.
Dalam Bab I, kita mengembangkan tentang dua tujuan utama dari analisis regresi ganda,
prediksi dan eksplanasi, serta kita mengatakan bahwa prediksi sungguh-sungguh merupakan

kasus khusus dari eksplanasi. Mahasiswa sekarang harusnya mempunyai wawasan yang
agak lebih mendalam ke dalam pernyataan ini.
Untuk menggambar garis dengan jelas, juga dengan lebih sederhana, bila kita hanya tertarik
pada prediksi, kita Mungkin hanya puas dengan R2 dan signifikansi serta besaran statistik.
Keberhasilan di sekolah dilanjutkan seperti diprediksikan dengan tes-tes tertentu
merupakan kasus klasikal. Banyak penelitian tentang keberhasilan sekolah, perhatian hanya
prediksi dari kriteria. Seseorang tidak perlu menyelidiki terlalu mendalam kepada sebab
akibat dari keberhasilan di sekolah lanjutan; seseorang terutama ingin untuk dapat
memprediksi dengan tepat. Dan tentu ini saja tidak berarti prestasi menjadi agak diabaikan.
Namun demikian dalam banyak hal penelitian ilmiah prediksi berhasil atau tidak tentu tidak
cukup. Kita ingin mengetahui “mengapa”; kita ingin menjelaskan kriteria dari penampilan,
fenomena dibalik kajian. Hal ini merupakan tujuan utama dari ilmu. Dan lagi untuk
menjelaskan satu fenomena kita harus mengetahui hubungan diantara variabel bebas. Ini
tentu saja bermakna bahwa R2 dan besaran serta signifikasi statisik adalah tidak cukup; fokus
perhatian kita lebih mengarah pada keseluruhan persamaan regresi dan koefisien regresi.
GUnakan satu fenomena psikhologis dan pendidikan yang sulit dan penting, pemecahan
masalah. Para pendidik telah menyatakan bahwa banyak pengajar harus diarahkan pada
pemecahan masalah daripada hanya pada pengajaran yang sesungguhnya. (Bloom, 1969;
Dewey, 1916; terutama Bab XII, 1933; Gagne, 1970). Hal tersebut telah dipaparkan, tapi
dengan maksud untuk tidak diselesaikan, yang juga disebut instruksi penamuan mengarah
kepada kemampuan memecahkan masalah yang lebih baik. Disini ada satu bidang penelitian
yang sangat rumit dan yang tidak akan menghasilkan pendekatan-pendekatan yang terlalu
sederhana. Juga tidak menghasilkan suatu pendekatan prediksi yang tepat. Bahkan bila
peneliti dapat menemukan variabel bebas yang memprediksi dengan baik pada pemecahan
masalah yang berhasil, ia harus menjadi memungkinkan untuk menyatakan dengan layak
kehususan dan ketepatan apa variabel bebas mengarah pada apa jenis dari perilaku
pemecahan masalah. Tambahan lagi, interaksi dan interelasi dari variabel bebas seperti itu
dalam pengaruhnya pada pemecahan masalah mesti dimengeti (Lihat : Bab 10 & Berlinier
dan Cohen, 1973; Croncbach & Snow, 1969).
Disini, misalnya ada beberapa variabel yang Mungkin menolong untuk menjelaskan
perilaku pemecahan masalah : Prinsip-prinsip mengajar atau penemuannya (Kersh &
Wittrock, 1962), kecerdasan, berfikir konvergen dari divergen (Guilford, 1967, Bab 6 & 7),
keinginan (Sarason, ed., 1960), abstrak-konkrit (Harvy, Hut, & Schroder, 1961). Bahwa
variabel-variabel tersebut pengaruh-mempengaruhi dalam cara-cara yang rumit, jarang
disebut. Bahwa kajian dari pengaruh-pengaruh hal itu pada kemampuan dan perilaku
memecahkan masalah perlu untuk merefleksikan keruwetan tersebut perlu dikatakan.
Seharusnya jelas bahwa prediksi untuk pemecahan masalah yang berhasil tidaklah cukup.
Akanlah perlu mendorong ke arah penjelasan tentang pemecahan masalah dengan
menggunakan variabel-variabel ini dan variabel-variabel lainnya dalam kombinasi yang
berbeda.
Semua hal ini bemakna bahwa para peneliti harus mengarahkan pada penjelasan dari
prediksi, sekurang-kurangnya diarahkan pada fenomena yang rumit seperti pemecahan
masalah, prestasi, kreativitas, sifat otoriter, prasangka, perilaku, organisasi, dan sebagainya.
Dalam satu kata, bahwa teori yang menyatakan baik penjelasan maupun prediksi, adalah
perlu bagi pengembangan ilmiah. Dan sementara itu regresi ganda serasi buat analisis
prediktif yang mempunyai orientasi yang lebih fundamental untuk analisis eksplanasi. Kami

tidak mengarahkan variabel secara sederhana ke dalam persamaan regresi; kami
memasukkannya dimana mungkin, pada ketentuan teori inperetasi yang layak dari penamuan-
penemuan penelitian empiris.
Apa yang sedang kita kerjakan disini adalah menetapkan tahapan bagi kajian tentang
masalah-masalah analitis dan teknis dari Bab 4 dan 5 dengan memfokuskan pada hubungan
diantara penelitian ilmiah yang prediktif dan eksplanatif dengan analisis regresi ganda.
Pendeknya, kita berkeyakinan bahwa masalah-masalah analitis dipecahkan dan lebih dikuasai
dengan memahami tujuan mereka daripada dengan mempelajari secara sederhana aspek-
aspek teknisnya. Kajian dan penguasaan aspek-aspek teknisnya. Kajian dan penguasaan
aspek-aspek teknis penelitian perlu, tetapi kondisinya tidak cukup bagi penyelesaian masalah
penelitian. Memahami tujuan-tujuan dan teknis-teknis adalah juga kondisi yang perlu.
Dalam Bagian berikut, kajian kita diperluas pada variabel bebas k dan penyelesaian umum
dari persamaan regresi. Baik kegunaan analisis regresi yang bersifat prediktif dan eksplanatif
akan diuji dalam kedalaman dan kompleksitasnya yang lebih besar. Dalam Bagian berikutnya
juga, kita menggali beberapa pengertian dasar dari keruwetan analisis yang bersifat
eksplanatif dengan mencoba memperdalam pengetahuan kita tentang statistik kontrol dalam
kerangka kerja regresi ganda.
Beberapa Aplikasi Regresi Majemuk

Matrik Koefisien Regresi Majemuk
(dari perhitungan Komputer)
Standard Error
Variabel Koefisien Regresi Nilai T
koefisien Regresi
X1 0.06360 0.04510 1.41013
X2 0.29623 0.10657 2.77955
X3 0.01957 0.08647 0.22631
X4 0.24837 0.10518 2.36124
a. Pengaruh Variabel Motivasi terhadap Semangat Kerja
t0 = 1.41013
t tabel s\dengan taraf uji 5%, 78 = 1.67
t0 < t tabel (1.41013 < 1.67)
berarti tidak significant pengaruh Motivasi terhadap Semangat Kerja pada taraf uji 5 %.
Tapi pada t tabel dengan taraf uji 10 % yang besar nilainya = 1.30; t0 > t tabel (1.41013 >
1.30).
Berarti significant pengaruh Motivasi terhadap Semangat Kerja pada taraf uji 10 %.
Sedang dengan melihat besarnya koefisien regresi dapat diartikan bahwa variabel
Motivasi berpengaruh terhadap variabel Semangat Kerja sebesar 0.06360 = 6.36%.
Yang berarti setiap peubahan variabel Motivasi 100% maka variabel Semangat
Kerja akn berubah 6.36%.
b. Pengaruh Variabel Kepemimpinan terhadap Semangat Kerja.

t0 = 2.77955
t tabel taraf uji 5%, 78 = 1.67

t0 > t tabel (2.77955 > 1.67)
Berarti significant pengaruh variabel kepemimpinan terhadap Semangat Kerja.
kepemimpinan berpengaruh terhadap semangat kerja sebesar 0.29623 = 29.623%.
Maksudnya adalah setiap peubahan variabel kepemimpinan 100% maka variabel
semangat kerja akan berubah 29,62%.
c. Pengaruh Variabel Komunikasi terhadap Semangat Kerja.

t0 = 0.22631
Berarti tidak significant pengaruh komunikasi terhadap semangat kerja pada taraf uji 5%.
Tapi pada tabel t tabel dengan taraf uji 45% yang besar nilainya = 0.126;
t0 > t tabel (0.22631 > 0.126).
Berarti significant pengaruh komunikasi terhadap semangat kerja pada taraf uji 45%.
Sedang dengan melihat koefisien regresi (walaupun sangat kecil) dapat diartikan bahwa
variabel komunikasi berpengaruh terhadap variabel semangat kerja sebesar 1.957% atau
dibulatkan menjadi 2%.
d. Pengaruh Variabel Kondisi Fisik Tempat Kerja terhadap Semangat Kerja.

t0 = 2.36124
t0 > t tabel (2.36124 > 1.67)
Berarti significant pengaruh variabel Kondisi Fisik Tempat kerja terhadap Semangat
Kerja.
Kondisi Fisik Tempat Kerja berpengaruh terhadap variabel Semangat Kerja 0.24837 =
24.837%.
Ketepatan Prediksi
Syarat ketepatan prediksi adalah : S Y > S Eest.
Dari perhitungan komputer didapat :
SY = 2.32539
S Eest = 1.99591
Jadi S Y > S Eest (2.32539 > 1.99591)
Ini berarti bahwa hipotesa dalam penelitian ini terbukti, dengan terpenuhinya ketepatan
prediksi.
Dengan demikian maka variabel-variabel Motivasi, Kepemimpinan, Komunikasi, dan
Kondisi Fisik Tempat Kerja mempunyai pengaruh significant terhadap variabel Semangat
Kerja.

LATIHAN-LATIHAN
1. Diketahui : Data primer dari sebuah penelitian disajikan sebagai berikut :
Frekuensi berkendaraan
Sering Tidak
Kecelakaan Wanita Pria Wanita Pria Jumlah
Banyak 70 fe1 120 fe3 40 fe5 30 fe7 260
Tidak 30 fe2 80 fe4 110 fe6 70 fe8 290
Jumlah 100 200 150 100 550
Angka Kai Kuadrat Tabel ( = 5% & df = 3 ) adalah 7,81

Ditanyakan : Buktikan Hi diterima Ho ditolak
Jawab :
260x100 260x150
fe1 = = 47,27 fe5 = = 70,91
550 550
290x100 290x150
fe2 = = 52,73 fe6 = = 79,.9
550 550
260x 200 260x100
fe3 = = 94,55 fe7 = = 47,27
550 100
290x 200 290x100
fe4 = = 105,45 fe8 = = 52,73
550 550
TABEL KERJA
2 ( fo  fe) 2
fo fe fo - fe (fo-fe)
fe
70 47,27 22,73 516,62 10,9298
30 52,73 -22,73 516,62 9,7980
120 94,55 25,46 647,70 6,8500
80 105,45 -25,46 647,70 6,1422
40 70,91 30,91 955,43 13,4738
110 79,09 -30,91 955,43 12,0803
30 47,27 17,27 298,25 6,3095
70 52,73 -17,27 298,25 5,6562
71,2398
Angka Kai Kuadrat Tabel  = 5% & df = 3 adalah 7,81

Jadi x2 perhitungan > x2 tabel
71,24 > 7,81  Hi diterima

2. Diketahui : Data primer dan sebuah penelitian disajikan sebagai berikut :
Frekuensi Berkendaraan
Sering Tidak
Kecelakaan Laki-laki Wanita Laki-laki Wanita Jumlah
Banyak 80 fe1 50 fe3 80 fe5 50 fe7 260
Tidak 20 fe2 80 fe4 80 fe6 20 fe8 200
Jumlah 100 130 160 70 460
Ditanyakan : Buktikan Hi diterima & Ho ditolak
Jawab :
fe = 
( baris )( kolom)
N (total )
260x100 260x160
fe1 = = 56,52 fe5 = = 90,43
460 460
200x100 200x160
fe2 = = 43,48 fe6 = = 69,57
460 460
260x130 260x70
fe3 = = 73,48 fe7 = = 39,57
460 460
200x130 200x70
fe4 = = 56,52 fe8 = = 30,43
460 460
TABEL KERJA
fo fe fo - fe (fo-fe)2 ( fo  fe) 2
fe
80 56,52 23,48 551,31 9,75
20 43,48 -23,48 551,31 12,68
50 73,48 -23,48 551,31 7,50
80 56,54 23,48 551,31 9,75
80 90,43 -10,43 108,79 1,20
80 69,57 10,43 108,79 1,56
50 39,57 10,43 108,79 2,75
20 30,43 -10,43 108,79 3,58
48,77
( fo  fe) 2
Rumus : x2 =  fe

df = (k – 1) (b-1)
k = Σ kolom k = 4
b = Σ baris b=2
df = (4-1)(2-1) = 3
Syarat : Hipotesa kerja (Hi) diterima adalah angka x2 perhitungan > angka x2 tabel
Angka x2 perhitungan = 48,77
Angka x2 tabel =  = 5% , df = 3  7,81
48,77 > 7,81
Hi diterima
3. Diketahui : Data Primer dari sebuah penelitian disajikan seperti berikut :

Sering Tidak
Kecelakaan Wanita Pria Wanita pria Jumlah
Banyak 100 fe1 60 fe3 90 fe5 80 fe7 330
Tidak 50 fe2 110 fe4 90 fe6 40 fe8 290
Jumlah 150 170 180 120 620
2 2 ( fo  fe) 2
Ditanyakan : Hitung x dengan rumus x = 
fe
Buktikan Hi diterima & Ho ditolak
Jawab :
fe = 
N (total )
330x150 330x180
fe1 = = 79,84 fe5 = = 95,81
620 620
290x150 290x180
fe2 = = 70,16 fe6 = = 84,19
620 620
330x170 330x120
fe3 = = 90,52 fe7 = = 63,87
620 620
290x170 290x120
fe4 = = 79,52 fe8 = = 56,13
620 620

TABEL KERJA
fo fe fo - fe (fo-fe)2 ( fo  fe) 2
fe
100 79,84 20,16 406,43 5,09
50 70,16 -20,16 406,43 5,79
60 90,48 -30,48 929,03 10,27
110 79,52 30,48 929,03 11,68
90 95,81 -5,81 33,76 0,35
90 84,19 5,81 33,76 0,40
80 63,87 16,13 260,18 4,07
40 56,13 -16,13 260,18 4,64
42,29
Angka x2 perhitungan = 42,29

Angka x2 tabel =  = 5% , df = 3  7,81
x2 perhitungan > x2 tabel
42,29 > 7,81
Hi diterima, Ho ditolak
4. Diketahui : Data penelitian sebagai berikut :

x y
Nomor Responden (Hasil Tes) (Kinerja Tahun I)
1 28 90
2 22 80
3 30 100
4 24 84
5 20 80
6 20 80
7 30 100
8 28 80
9 29 85
10 30 100
Ditanyakan : a. Koefisien Korelasi dan Uji Signifikasi dengan = 5%

b. Persamaan Regresinya
Jawab :
No x y x2 y2 xy
1 28 90 784 8100 2520
2 22 80 484 6400 1760
3 30 100 900 10000 3000
4 24 84 576 7056 2016
5 20 80 400 6400 1600
6 20 80 400 6400 1600
7 30 100 900 10000 3000

8 28 80 784 6400 2240
9 29 85 841 7225 2465
10 30 100 900 10000 3000
261 879 6.969 77.981 23.201
Σ
Σ x = 261
Σ y = 879
Σ x2 = 6.969
Σ y2 = 77.981
Σ xy =23.201
x = 26,1
y = 87.9
r xy = 0,772550096
= 0,8
a. r xy =
N  xy   ( x)( y)
   
N  x 2  (  x) 2  N  y 2  (  y ) 2
=
10(23.201)  (261)(879)
  
10(6969)  (261)2  10(77.981)  (879) 2 
=
(232.010)  (229.419)
69690  68.121  (779.810)  (772.641)
2591
=
15697169
2591
=
11.248.161
2591
= = 0,772550096
3353,827813
= 0,8
Uji Signifikasi :
r 2 ( N  2) (0,8) 2 (10  2) 0,64(8) 5,12
F= 2
= 2
= =
1 r 1  (0,8) 1  0,64 0,36
= 14,2
F tabel tarafuji 5%, perubah 1 x N = 10 adalah 4,96
F tes > F tabel (14,2 > 4,96)  SIGNIFIKAN
N  xy  ( x )( y )
b. b=-
N  X 2  ( x )2
10(23.201)  (261)(879)
=-
10(6969)  (261) 2
232.010  229.419
=-
69.690  68.121

= - 2591 = 1,6513703 = 1,69
1569
a = y –bx
= 87,9 – 1,65(26,1)
= 87,9 – 43,065 = 44,835
= 44,88
Persamaan Regresi :
y = a + bx
y = 44,88 + 1,65x
5. Diketahui : Data Primer dari sebuah penelitian disajikan sebagai berikut :

Sering Tidak
Banyak 90 fe1 70 fe3 100 fe5 60 fe7 320
Tidak 50 fe2 90 fe4 80 fe6 50 fe8 270
Jumlah 140 160 180 110 590
Ditanyakan : Hitung Kai Kuadrat dan Uji Signifikannya dengan  = 5%

Jawab :
fe = 
N (total )
320x140 320x190
fe1 = = 75,93 fe5 = = 97,63
590 590
270x140 270x180
fe2 = = 64,07 fe6 = = 82,37
590 590
320x160 320x110
fe3 = = 86,78 fe7 = = 59,66
590 590
270x160 270x110
fe4 = = 73,22 fe8 = = 50,34
590 590
TABEL KERJA
( fo  fe) 2
fo fe fo - fe (fo-fe)2
fe
90 76,93 14,07 197,96 2,61
50 64,07 -14,07 197,96 3,09
70 86,78 -16,78 291,57 3,24
90 73,22 16,78 291,57 3,85
100 97,63 2,37 5,62 0,06
80 82,37 -2,37 5,62 0,007
60 59,66 0,34 5,62 0,002
50 50,34 -0,34 5,62 0,0002
12,924

df = (k-1 )(b-1)
= (4-1)(2-1)
= 3
 = 5%
x2 tabel = 7,815
12,924 >7,815  signifikan
6. Diketahui : Data primer dari sebuah penelitian sebagai berikut :

Sering Tidak
Banyak 70 fe1 50 fe3 80 fe5 50 fe7 250
Tidak 40 fe2 80 fe4 60 fe6 30 fe8 210
Jumlah 110 130 140 80 460
Ditanyakan : Hitung Kai Kuadrat dan Uji Signifikannya dengan  = 5%
Jawab :
fe = 
N (total )
250x110 250x140
fe1 = = 59,78 fe5 = = 76,09
460 460
210x110 210x140
fe2 = = 50,22 fe6 = = 63,91
460 460
250x130 250x80
fe3 = = 70,65 fe7 = = 43,48
460 460
210x130 210x80
fe4 = = 59,35 fe8 = = 36,52
460 460
TABEL KERJA
2 ( fo  fe) 2
fe
70 59,78 10,22 104,45 1,747
40 50,22 -10,22 104,45 2,080
50 70,65 -20,65 426,42 6,036
80 59,35 20,65 426,42 7,185
80 76,09 3,91 15,29 0,201
60 63,91 -3,91 15,29 0,239
50 43,48 6,52 42,51 0,978
30 36,52 -6,52 42,51 1,164

19,63
df = (k-1 )(b-1)
= (4-1)(2-1)
= 3
 = 5%
x2 tabel = 7,815
19,63 >7,81  signifikan

x y
Nomor Responden
(Hasil Tes) (Kinerja Tahun I)
1 8 90
2 7 80
3 10 100
4 7 84
5 6 68
6 8 80
7 10 100
8 9 90
9 8 85
10 10 100

Jawab :
No x y x2 y2 xy
1 8 90 64 8100 720
2 7 80 49 6400 560
3 10 100 100 10000 1000
4 7 84 49 7056 588
5 6 68 36 4624 408
6 8 80 64 6400 640
7 10 100 100 10000 1000
8 9 90 81 8100 810
9 8 85 64 7225 680
10 10 100 100 10000 1000
83 877 707 77.905 7.406
Σ
Σx = 83
Σy = 877
Σ x2 = 707
Σ y2 = 77.905
Σ xy = 7.406

x = 8,3
y = 87.3
r xy = 0,946988292 = 0,95
a. r xy =
N  xy   ( x)( y)
   
N  x 2  (  x) 2  N  y 2  (  y ) 2
=
10(7406)  (83)(877)
  
10(707)  (83) 2  10(77.905)  (877)2 
=
(74.060)  (72.791)
7.070  6889  77.050  769.129
1269
=
1819.921
1269
=
1.795.701
1269
=
1340,037686
= 0,946988292
= 0,95
Uji Signifikasi :
r 2 ( N  2) (0,95) 2 (10  2) 0,9025(8) 7,22
F= 2
= = =
1 r 1  (0,95) 2 1  0,9025 0,0975
= 74,05128205
= 74,05
F tabel tarafuji 5%, perubah 1 x N = 10 adalah 4,96
F tes > F tabel (74,05>4,96)  SIGNIFIKAN
N  xy  ( x )( y )
b. b=
N  X 2  ( x )2
10(7406)  (83)(877)
=
10(707)  (83)2
74.060  72.791
=
7.070  6.889
1269
= = 7,0011049724 = 7,01
181
a = y –bx
=87,7-(7,01)(8,3)
= 87,7 – 58,183
= 29,517
Persamaan Regresi :

y = a + bx
y = 29,517+ 7,01 x
8. Diketahui : Data primer dari sebuah penelitian sebagai berikut :

Sering Tidak
Kecelakaan Wanita Pria Wanita pria Jumlah
Banyak 60 fe1 40 fe3 60 fe5 40 fe7 200
Tidak 30 fe2 70 fe4 40 fe6 20 fe8 160
Jumlah 90 110 100 60 360
Ditanyakan : Hitung Kai Kuadrat dan Uji Signifikasinya dengan  = 5%

Jawab :
fe = 
N (total )
200x90 200x100
fe1 = = 50 fe5 = = 55,56
360 360
160x90 160x100
fe2 = = 40 fe6 = = 44,44
360 360
200x110 200x60
fe3 = = 61,11 fe7 = = 33,33
360 360
160x110 160x 60
fe4 = = 48,89 fe8 = = 26,67
360 360
TABEL KERJA
2 ( fo  fe) 2
fe
60 50,00 10,00 100 2
30 40,00 -10,00 100 2,5
40 61,11 -21,11 445,6321 7,2923
70 48,89 21,11 445,6321 9,1150
60 55,56 4,44 19,7136 0,3548
40 44,44 -4,44 19,7136 0,4436
40 33,33 6,67 44,4889 1,3348
20 26,67 -6,67 44,4889 1,6681
24,7086
df = (k-1 )(b-1)
= (4-1)(2-1)
= 3
 = 0,05 , df = 7,81
24,7086 >7,81  signifikan

x y
Nomor Responden
(Hasil Tes) (Kinerja Tahun I)
1 7 80
2 6 70
3 6 70
4 10 100
5 6 60
6 7 70
7 9 90
8 8 80
9 8 80
10 9 90

Jawab :
No x y x2 y2 xy
1 7 80 49 6400 560
2 6 70 36 4900 420
3 6 70 36 4900 4220
4 10 100 100 10000 1000
5 6 60 36 3600 360
6 7 70 49 4900 490
7 9 90 81 8100 810
8 8 80 64 6400 640
9 8 80 64 6400 640
10 9 90 81 8100 810
76 790 596 63.700 6.150
Σ
Σx = 76
Σy = 790
Σ x2 = 596
Σ y2 = 63.700
Σ xy = 6.150
x = 7,6
y = 79
r xy = 0,947652488 = 0,95

a. r xy = N  xy   (  x )(  y ) 
N  x 2
 ( x ) 2
N  y 2
 ( y )2 
=
10 ( 6250 )   ( 76 )( 790 ) 
10 (596 )  ( 76 ) 10 ( 637 .000 )  ( 790 ) 
2 2
=
(6.150 )  (60 .040 )
5.960  5.776 637 .000  624 .100 
1460
=
184 12900 
1460 1460
= = = 0,947652488 = 0,95
2 .373 .600 1.540,649214
Uji Signifikasi :
r 2 ( N  2) (0,95) 2 (10  2) 0,9025(8) 7,22
F= 2
= 2
= =
1 r 1  (0,95) 1  0,9025 0,0975
= 74,05128205
= 74,05
N  xy  ( x )( y )
b. b =
N  X 2  ( x )2
10(6150)  (76)(790)
=
10(596)  (76) 2
61.500  60.040
=
5.960  5.776
1460
= = 7,934782609 = 7,935
184
a = y–b x
= 79-(7,935)(7,6)
= 79-60,306
= 18,694
Persamaan Regresi :
y = a + bx
y = 18,694 + 7,935 (x)

Excel-Basic 2

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Excel-Basic 2

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGENALAN MS.

Cell Function Bar

Dalam Microsoft Excel terdapat 4 komponen utama yaitu :

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Kemudian pilihlah jenis border yang diinginkan.

MERGE CELLS & A LLIGN CELL CONTENTS

Dan untuk mengatur alignment klik tombol berikut :

o Menggunakan Rumus (Formula)

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Beberapa Fungsi yang sering digunakan:

2. Fungsi Logika IF(…)

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Y = a + b1 X1+b2 X2+b3 X3+…+bn Xn

Tujuan menggunakan analisis regresi ialah

Penggunaan regresi linear didasarkan pada asumsi diantaranya sbb:

Uji asumsi klasik

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Metode analisis regresi linear dengan variabel moderating :

1. Multiple Regression Analysis (MRA)

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

X = Jumlah hasil pengamatan variabel X

Langkah penyelesaian menggunakan SPSS v16 for windows

Adapun langkah-langkah analisis regresi linier sederhana dengan menggunakan Software

Dengan Ms. Excel

2. Kemudian akan keluar dialog box seperti di samping :

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

4. Sehingga diperoleh nilai b0 ,b1 , dan b2 berurutan 4.131236, -0.5221258, dan

Y = 4.131236 – 0.52213 X1 + 0.149024 X2

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

SIMULASI DAN VARIABEL RANDOM

MENGHASILKAN VARIABEL RANDOM

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Gambar Game Spinner

MENGGUNAKAN PEMBANGKIT ANGKA RANDOM PADA SPREADSHEET

Untuk menghasilkan tingkat permintaan, yang pertama dilakukan adalah menentukan

RUMUS UNTUK MENGHASILKAN BILANGAN RANDOM

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Values for RAND() =INT(8+5*RAND())

SIMULASI DENGAN SPREADSHEET ADD-INS RISKAN SIMULATOR

SIMULASI DENGAN SPREADSHEET ADD-INS RISKAN SIMULATOR

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Downside Risk dan Upside Risk

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

1. Pada data excel seperti berikut :

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

13. Hitung selisih KBM dengan cara upper – lower.

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

21. Hasil dapat dilihat pada sheet result sebagai berikut :

Kelas Batas Bawah Batas Atas Persen

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010

N = Jumlah observasi p = Jumlah peubah

KMO  ; i = 1,2,…,p ; j = 1,2,…,p

Dimana: rij = Koefisisen korelasi sederhana antara peubah i dan j