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.
Column Heading
Row 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
Lambang Fungsi
+ Penjumlahan
- Pengurangan
* Perkalian
/ Pembagian
^ Perpangkatan
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 ().
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
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
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 :
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 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
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
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.
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.
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.
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
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.
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 jenis ini disebut Metode Riskan Simulator, seperti putaran rollet di Riskan
Simulator, dimana dapat dianggap sebagai alat yang menimbulkan kejadian acak atau tidak
pasti.
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.
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
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
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
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.
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 ?
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 :
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 :
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 :
20. Klik hasil random kemudian klik RISKAN pilih preference, RISKAN pilih define cell,
RISKAN pilih run. Seperti pada gambar dibawah ini :
22. Untuk menentukan pesimis, moderat dan optimis dengan cara sebagai berikut:
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.
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 :
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.
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
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.
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
c. Regresi Kurvilinier
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
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.
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.
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
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
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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
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
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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
PREPOSISI PENELITIAN
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.
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.
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.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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.
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.
Dalam hubungan antar variabel seringkali ditemukan adanya variabel antara sbb:
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.
hubungan hubungan
positif positif
Besar-kecilnya kota
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.
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.
Pengertian dan makna "analisis data" dalam hal ini menyangkut berbagai aktivitas
menghimpun, menata, menghitung, mengevaluasi, dan menginter pretasikan data untuk
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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.
2.3. 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.
2.5. 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
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
3. Kalkulus Diferensial
Kalkulus diferensial dapat digunakan untuk menentukan kecepatan perubahan nilai
suatu fungsi relatif terhadap perubahan peubah independen.
3.1. Derivatif
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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). 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.
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
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 ¦
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.
Yij = µ + ßi + j + ij
8. Regresi
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
A1 6 9 2
A2 8 5 4
_________________________________________________________
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.
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.
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
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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
______________________________________________________
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.
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.
dimana a adalah vektor koefisien diskriminan dan x adalah vektor pengukuran yang
dilaukan pada individu yang harus dimasukkan ke dalam salah satu kelompok.
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
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.
(Observasi - Harapan)
X2 = -----------------------------
(Harapan)
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.
Z = (T-µT)/_T,
12 Ri2
H = ---------- ---- - 3(n-1)
n(n+1) i ni
12
Xr = ------------ ri2 - 3b(t+1)
2
bt(t+1) i
6 d i2
rs = 1 - ---------------
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
(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
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.
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.
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.
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).
Sumber:Zaulaela,2006:5
sign test
Ordinal any
sign test
Nominal, ordered any
McNemar’s test
Dichotomous any
Sumber:Zaulaela,2006:6
chi squared
Dichoto- test
mous
chi squared,
Fisher’s
exact test
Sumber:Zaulaela,2006:6
Ditanyakan : Apakah hipotesis nol (Ho) ditolak dan hipotesis alternatif (Hi)
diterima, buktikan.
Jawaban :
(fo fe) 2
Rumus Kai-Kuadrat : X2 =
fe
Rumus : df = (k – 1) (b – 1)
6.3.Korelasi
6.3.1. Korelasi Partial
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 :
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
r 2 ij.k [N (k 1)]
F =
1 r 2 ij.k
0,47 [5 3]
FR =
(1 0,47) (2)
0,47 (2)
=
0,53 (2)
0,94
=
1,06
= 0,88
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.
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
(0.4561) (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
F tabel untuk taraf uji 5% dengan peubah 2 = 3.11
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
F tabel untuk taraf uji 5% dengan peubah 2 = 3.11
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 ]
(0.1691) (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) (0.4157)(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.
(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
(0.4157) (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.
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
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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.
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
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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.
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.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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.
Program Magister Manajemen Fakultas Ekonomi Universitas Padjadjaran ©2010
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.
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
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.
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
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.
r2xy = 0,64
1-r2xy = 0,36
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
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).
b = xy 9 0,90 b = 0
0
x 2 10 90
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
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 :
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 :
xx 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.
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.
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)
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.
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.
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.
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
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.
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
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.
20
Deviasi persamaanini ditunjukkan dalam Snedecor dan Cochran (1967, hal. 388-389)
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).
22
Nilai-nilai R dan R2 dapat sering melambung. Masalah ini akan dibahas dalam Bab 11
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
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.
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)
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
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
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
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)
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.
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
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 = (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
2 2 ( fo fe) 2
Ditanyakan : Hitung x dengan rumus x =
fe
Buktikan Hi diterima & Ho ditolak
Jawab :
fe =
( baris )( kolom)
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
Hi diterima, Ho ditolak
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
=
15697169
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
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
fe =
( baris )( kolom)
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
Jawab :
fe =
( baris )( kolom)
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
fo fe fo - fe (fo-fe)
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
df = (k-1 )(b-1)
= (4-1)(2-1)
= 3
= 5%
x2 tabel = 7,815
x2 perhitungan > x2 tabel
19,63 >7,81 signifikan
Σx = 83
Σy = 877
Σ x2 = 707
Σ y2 = 77.905
Σ xy = 7.406
=
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
=
1819.921
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 :
fe =
( baris )( kolom)
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
fo fe fo - fe (fo-fe)
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
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
=
(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)