MODUL V
ANALISIS KORELASI & REGRESI
BAB I PENDAHULUAN 1.1
Latar Belakang Analisis hubungan antar variabel dependen dan independen sangat diperlukan dalam
penelitian maupun dalam kehidupan sehari-hari. Analisis hubungan antar dua variabel atau lebih memerlukan teknik analisis korelasi dan regresi linear, guna mengetahui ada atau tidaknya hubungan maupun pengaruh dari suatu variabel terhadap variabel yang lain. Analisis hubungan tersebut digunakan sebagai bahan pertimbangan dalam pengambilan keputusan yang nantinya diharapkan dapat memberikan hasil yang terbaik. Pada praktikum analisis korelasi dan regresi, data studi kasus yang digunakan untuk regresi linear sederhana berupa analisis faktor-faktor yang mempengaruhi tingkat pendapatan pada industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan. Data tersebut diolah dengan analisis korelasi dan regresi linear sederhana secara manual maupun dengan menggunakan SPSS, guna mengetahui ada atau tidaknya hubungan bahkan pengaruh jumlah tenaga kerja terhadap pendapatan. Sedangkan data studi kasus yang digunakan untuk regresi linear berganda, berupa analisis faktor-faktor yang mempengaruhi pendapatan pedagang kaki lima di pasar pandaan. Data tersebut diolah dengan analisis korelasi dan regresi linear berganda secara manual maupun dengan menggunakan SPSS, guna mengetahui ada atau tidaknya hubungan bahkan pengaruh modal dan jam kerja terhadap pendapatan
bersih.
Dengan
demikian,
diharapkan
dapat
memahami
dan
mampu
mengaplikasikan analisis korelasi dan regresi linear dalam berbagai permasalahan yang ada di lingkungan sekitar. Seperti halnya dalam pertimbangan besar pengeluaran modal pada suatu usaha untuk mencapai pendapatan yang seimbang, dan lain sebagainya.
1.2
Batasan Praktikum Batasan yang digunakan dalam praktikum Analisis Korelasi dan Regresi Linear adalah
sebagai berikut. 1.
Jumlah sampel sebanyak 30 data.
2.
Data yang diambil merupakan data sekunder.
1.3 Asumsi Praktikum Asumsi yang digunakan dalam praktikum Analisis Korelasi dan Regresi Linear adalah tingkat signifikansi sebesar 5%.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
73
ANALISIS KORELASI & REGRESI 1.4
MODUL V
Tujuan Praktikum Tujuan dari pelaksanaan praktikum Analisis Korelasi dan Regresi Linear adalah sebagai
berikut. 1.
Melakukan analisis korelasi sederhana data studi kasus hubungan antara jumlah tenaga kerja dengan pendapatan industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan.
2.
Melakukan analisis korelasi berganda data studi kasus hubungan antara modal dan jam kerja dengan pendapatan bersih pedagang kaki lima di Pasar Pandaan.
3.
Melakukan analisis regresi linear sederhana data studi kasus pengaruh jumlah tenaga kerja terhadap pendapatan industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan.
4.
Melakukan analisis regresilinear berganda data studi kasus pengaruh modal dan jam kerja terhadap pendapatan bersih pedagang kaki lima di Pasar Pandaan.
1.5
Manfaat Praktikum Manfaat dari pelaksanaan praktikum Analisis Korelasi dan Regresi Linear adalah sebagai
berikut. 1.
Dapat mengetahui ada atau tidaknya hubungan antara jumlah tenaga kerja dengan pendapatan industri kerajinan kulit beserta kekuatan hubungannya.
2.
Dapat mengetahui ada atau tidaknya hubungan antara modal dan jam kerja dengan pendapatan bersih pedagang kaki lima beserta kekuatan hubungannya.
3.
Dapat mengetahui ada atau tidaknya pengaruh jumlah tenaga kerja terhadap pendapatan industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan.
4.
Dapat mengetahui ada atau tidaknya pengaruh modal dan jam kerja terhadap pendapatan bersih pedagang kaki lima di Pasar Pandaan.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
74
MODUL V
ANALISIS KORELASI & REGRESI
BAB II TINJAUAN PUSTAKA 2.1
Korelasi Korelasi adalah metode statistik yang digunakan untuk menentukan apakah ada hubungan
antar variabel (Bluman, 2012:534).
2.1.1
Macam-macam Korelasi Macam-macam korelasi ada dua, yaitu:
1.
Korelasi Sederhana Korelasi sederhana digunakan untuk mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua variabel.
2.
Korelasi Parsial Korelasi parsial adalah pengukuran hubungan antara dua variabel dimana satu variabel lainnya dianggap dikendalikan atau dibuat tetap (sebagai variabel kontrol). Melalui koefisien korelasi dapat diketahui arah hubungan dua variabel acak.
2.1.2
Koefisien Korelasi Koefisien korelasi adalah sebuah angka yang menunjukkan arah dan kekuatan hubungan
linear antara variabel dependen (y) dan variabel independen (x) (Walpole, 2011:567).
2.1.2.1
Jenis-jenis Koefisien Korelasi
Berikut jenis-jenis koefisien korelasi secara umum yang digunakan. 1.
Koefisien Korelasi Pearson Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel yang datanya dibentuk interval atau rasio. Disimbolkan dengan r dan dirumuskan sebagai berikut.
r=
X Y −( X )( Y ) n X −( X ) n− Y −( Y ) n i
2
i i i
i
2
i
i
2
i
(2-1)
2
Sumber: Hasan (2001:234)
Keterangan:
r = koefisien korelasi
X = skor variabel X
Y = skor variabel Y
n = banyak sampel
Nilai dari koefisien korelasi (r) terletak antara -1 dan 1 (-1 ≤ r ≤ +1). 2.
Koefisien Korelasi Rank Spearman Koefisien korelasi ini digunakan untuk mengukur hubungan antara dua variabel yang datanya berbentuk data ordinal (data bertingkat). Disimbolkan dengan r s dan dirumuskan sebagai berikut.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
75
MODUL V
ANALISIS KORELASI & REGRESI r=
6
d
1
2
(2-2)
n (n 2 −1)
Sumber: Hasan (2001:234)
Keterangan: 3.
d = selisih ranking X dan Y
n = banyaknya pasangan data
Koefisien Korelasi Kontingensi Koefisien korelasi ini gunakan untuk mengukur keeratan hubungan antara dua variabel yang datanya berbentuk nominal (data kualitatif). Disimbolkan dengan C dan dirumuskan sebagai berikut.
C=
− x2
(2-3)
x2 n
Sumber: Hasan (2001:235)
Keterangan: 4.
x2 = kai kuadrat
n = jumlah semua frekuensi
Koefisien Penentu (KP) dan Koefisien Determinasi (R) Apabila koefisien korelasi dikuadratkan akan menjadi koefisien penentu atau koefisien determinasi, yang artinya penyebab perubahan pada variabel Y yang datang dari variabel X, sebesar kuadrat koefisien korelasinya. Koefisien penentu ini menjelaskan besarnya pengaruh nilai suatu variabel (variabel X) terhadap naik/turunnya (variasi) nilai variabel lainnya (variabel Y), dirumuskan sebagai berikut. KP = R = (KK)2 x 100%
(2-4)
Sumber: Hasan (2001:236)
Jika koefisien korelasinya adalah koefisien korelasi Pearson, maka: KP = R = r2 x 100%
(2-5)
Sumber: Hasan (2001:236)
Dalam bentuk rumus, koefisien penentu dituliskan:
KP =
n XY −( X)( Y) n x − x n y − y 2
2
2
(2-6)
2
Sumber: Hasan (2001:237)
2.1.2.2
Interpretasi Koefisien Korelasi
Koefisien korelasi ini memiliki nilai antara -1 dan +1 (-1
≤ KK ≤ +1). Berikut
adalah
interpretasi koefisien korelasi (Hasan, 2001:234). 1.
Jika KK (Koefisien Korelasi) bernilai positif, maka variabel-variabel berkorelasi positif. Semakin dekat nilai KK ini ke +1 semakin kuat korelasinya, demikian pula sebaliknya.
2.
Jika KK (Koefisien Korelasi) bernilai negatif, maka variabel-variabel berkorelasi negatif. Semakin dekat nilai KK ini ke -1 semakin kuat korelasinya, demikian pula sebaliknya.
3.
Jika KK (Koefisien Korelasi) bernilai 0 (nol), maka variabel-variabel tidak menunjukkan korelasi.
4.
Jika KK (Koefisien Korelasi) bernilai +1 atau -1, maka variabel menunjukkan korelasi positif atau negatif yang sempurna. Untuk menentukan keeratan hubungan atau korelasi antar variabel tersebut, berikut ini
diberikan nilai-nilai dari KK sebagai patokan (Hasan, 2001:234).
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
76
ANALISIS KORELASI & REGRESI 1.
KK = 0, tidak ada korelasi
2.
6.
0 < KK ≤ 0.20, korelasi sangat rendah atau lemah sekali. 0.20 < KK ≤ 0.40, korelasi rendah atau lemah tapi pasti. 0.40 < KK ≤ 0.70, korelasi yang cukup berarti. 0.70 < KK ≤ 0.90, korelasi yang tinggi atau kuat. 0.90 < KK ≤ 1.00, korelasi sangat tinggi atau kuat sekali.
7.
KK = 1, korelasi sempurna
2.2
Regresi
3. 4. 5.
MODUL V
Analisis regresi digunakan untuk mempelajari dan mengukur hubungan statistik yang terjadi antara dua atau lebih variabel. Dalam analisis regresi, suatu persamaan regresi hendak ditentukan dan digunakan untuk menggambarkan pola atau fungsi hubungan yang terdapat antar variabel (Harinaldi, 2005:206).
2.2.1 Asumsi Regresi Dalam penggunaan regresi, terdapat beberapa asumsi dasar (Hasan, 2012:280). Asumsiasumsi dasar itu dikenal sebagai asumsi klasik, yaitu sebagai berikut: 1.
Homoskedastisitas, berarti varians dari variabel bebas itu sama/konstan untuk setiap nilai tertentu dari variabel bebas lainnya atau variasi residu sama di semua pengamatan.
2.
Nonautokorelasi, berarti tidak pengaruh dari variabel dalam modelnya melalui selang waktu observasi.
3.
Non multikolinearitas, berarti antara variabel bebas yang satu dengan variabel bebas lainnya dalam model regresi tidak terjadi hubungan yang mendekati sempurna atau sempurna.
4.
Normalitas, model regresi yang baik ditandai dengan nilai residual yang random. Sesuatu yang random, biasanya ditandai dengan distribusi normal, dengan demikian, model regresi yang baik, ditandai dengan nilai error term (residual) yang berdistribusi normal.
5.
Linearitas, berarti ada hubungan garis lurus antara variabel bebas dan variabel terikat. Asumsi ini penting karena analisis regresi hanya tes untuk hubungan linear antara variabel bebas dan variabel terikat.
2.2.2
Regresi Linear Regresi linear adalah suatu persamaan regresi dimana hubungan variabel bebas dan
variabel tak bebas berbentuk garis lurus (Fauzy, 2008:272). Variabel bebas adalah variabel yang mempengaruhi. Variabel terikat adalah variabel yang dipengaruhi. Regresi linear dapat dibedakan menjadi dua macam, yaitu regresi linear sederhana dan regresi linear berganda.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
77
MODUL V
ANALISIS KORELASI & REGRESI 2.2.2.1
Regresi Linear Sederhana
Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel terikat. Persamaan umumnya adalah sebagai berikut:
Y =
+
Sumber: Bluman (2009:552)
Konstanta dan koefisien regresi linear sederhana yaitu a dan b dapat dihitung dengan rumus berikut:
= −− X2
Y
N
( X) ( XY )
X2
(
X) 2
(2-8)
Sumber: Bluman (2009:553)
=
N
XY −( X)( Y) N X −( X) 2
(2-9)
2
Sumber: Bluman (2009:553)
Kesalahan baku regresinya adalah sebagai berikut:
=
Y 2 −a
Y −b XY n −2
(2-10)
Sumber: Hasan (2001:223)
=
X2
n
=
X 2 −S yx
− X
2
Se X2
X 2 −
(2-11)
n
Sumber: Hasan (2001:223)
2.2.2.2
Regresi Linear Berganda
Analisis regresi linear berganda sama dengan analisis regresi linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:
+ + …
= + Y
1 1
(2-12)
2 2
Sumber: Patrino & Idrus (2010:50)
Koefisien korelasi X1-X2
1.2
=
x x −( x )( x ) n. x − x .n. x − x n
1
1 2
2
1
1
2
2
2
2
2
2
(2-13)
Sumber: Hasan (2001:262)
Koefisien korelasi Y-X1
.1
=
x y−( x )( y) n. x − x .n. y − y n
1
1
1
2
1
2
2
2
(2-14)
Sumber: Hasan (2001:262)
Koefisien korelasi Y-X2
.2
=
x y−( x )( y) n. x − x .n. y − y n
2
2
2
2
2
2
2
2
(2-15)
Sumber: Hasan (2001:262)
Konstanta dan koefisien persamaan regresi dapat dihitung dengan rumus sebagai berikut:
1
=
x y x − x y x x x x − x x 1
1
1
2
2
2
2
2
1 2
1 2 2
(2-16)
Sumber: Patrino&Idrus (2010:50)
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
78
MODUL V
ANALISIS KORELASI & REGRESI Standard Error Of Estimate adalah sebagai berikut:
= − − 2
( 1(
))
)+ 2 ( ( +1) 1
2
(2-17)
Kesalahan baku regresinya adalah sebagai berikut:
= 1
(
1
2
− )(1− 1
2
12
(2-18)
2)
Sumber: Hasan (2001:223)
2.2.3
Kriteria Statistik Regresi Berikut adalah macam-macam kriteria atau uji statistik regresi.
1.
Uji t Tujuan dari uji t adalah untuk menguji koefisien regresi secara individual.
t =
Rumus:
− 1−r
r n 2
(2-19)
2
Sumber: Hasan (2001:241)
Keterangan: 2.
r = koefisien korelasi
n = jumlah data
Uji F Tabel F digunakan untuk mengetahui pengaruh variabel bebas secara bersama-sama terhadap variabel terikat. Tabel 2.1 Anova Regresi Linear Berganda Jumlah Kuadrat Df Rata-rata Kuadrat JKR JKR (k - 1) RKR = k 1
Sumber Variasi Regresi Error
JKE
(n - k)
Total
JKT
(n - 1)
− JKE RKE = k(n − 1)
F hitung
RKR RKE
Sumber: Hasan (2001:264)
Rumus:
y = Y − n Y JKR = b x + b x y 2
JKT =
1
2
1
2
2
(2-20) (2-21)
2
JKE = JKT – JKR
(2-22)
Sumber: Hasan (2001:264)
3.
R2 R Square (R2) merupakan koefisien determinasi yang akan menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan oleh perubahan atau variasi pada variabel yang lain (Santosa&Ashari, 2005:125). Rumus:
R2 =
b 1
x +b x y y 1
2 2
2
(2-23)
Sumber: Hasan (2001:265)
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
79
MODUL V
ANALISIS KORELASI & REGRESI 2.2.4
Macam-macam Penyimpangan Asumsi Regresi Penyimpangan terhadap asumsi-asumsi dasar dalam regresi akan menimbulkan beberapa
masalah. Menurut Damodar Gujarati (1991), penyimpangan dalam regresi meliputi autokorelasi, heteroskedastisitas dan multikolinearitas.
2.2.4.1 Autokorelasi Autokorelasi berarti terdapatnya korelasi antar anggota sampel atau data pengamatan yang diurutkan berdasarkan waktu, sehingga munculnya suatu datum dipengaruhi oleh datum sebelumnya (Hasan, 2001:285). Tes Durbin Watson dapat digunakan untuk menguji ada tidaknya autokorelasi. Rumus yang digunakan sebagai berikut:
= − − e t e t 1 2 e t 2
(2-24)
Sumber: Supranto (2009:273)
Untuk mendeteksi ada atau tidaknya autokorelasi, maka nilai Durbin-Watson (DW) akan dibandingkan dengan DW tabel. Kriterianya adalah: Autokorelasi Positif d
2.2.4.2
Daerah Keragu-raguan dl
Tidak Ada Autokorelasi Daerah Keragu-raguan Korelasi Negatif du 4-du 4-dl 4 Gambar 2.1 Penyimpangan autokorelasi Sumber: Lind (2007:259)
Heteroskedastisitas
Heteroskedastisitas berarti variasi (varians) variabel tidak sama untuk semua pengamatan. Pada heteroskedastisitas, kesalahan yang terjadi tidak random (acak) tapi menunjukkan hubungan yang sistematis sesuai dengan besarnya satu atau lebih variabel bebas. Analisis residual dapat digunakan untuk membuktikannya (Mann, 2010:184). Terdapat beberapa metode untuk menguji heteroskedastisitas diantaranya Uji Park, Uji Spearman, Uji Glejser dan Uji Chi-Square.
2.2.4.3
Multikolinearitas
Menurut Hasan (2001:292), multikolinearitas berarti antara variabel bebas yang satu dengan variabel bebas yang lain dalam model regresi saling berkorelasi linear. Menurut Sunyoto (2010:97) dalam menentukan ada tidaknya multikoleniaritas dapat menggunakan: 1.
Nilai Tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik ( ).
2.
Nilai Variance Inflation(VIF) adalah faktor inflasi penyimpangan baku kuadrat. Jika VIF < 10 dan tolerance > 0.1 maka tidak terjadi multikolinearitas. Nilai tolerance ()
dan Variance Inflation (VIF) dapat dicari dengan menggabungkan kedua nilai tersebut sebagai berikut:
= 1/VIF
Sumber: Sunyoto (2010:97)
VIF = 1/
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
(2-25)
80
ANALISIS KORELASI & REGRESI
MODUL V
BAB III METODOLOGI PRAKTIKUM 3.1
Diagram Alir Praktikum Berikut adalah diagram alir praktikum Analisis Korelasi dan Regresi.
Gambar 3.1 Diagram alir praktikum analisis korelasi dan regresi
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
81
ANALISIS KORELASI & REGRESI 3.2
MODUL V
Prosedur Praktikum Berikut adalah prosedur praktikum Analisis Korelasi dan Regresi.
1.
Mengumpulkan data regresi linear sederhana dan berganda dengan jumlah sampel sebanyak 30 data.
2.
Melakukan uji asumsi data regresi linear sederhana dan berganda.
3.
Melakukan perhitungan dan pengolahan data dengan analisis regresi linear sederhana dan berganda secara manual maupun dengan menggunakan SPSS.
4.
Melakukan analisa dan interpretasi hasil pengolahan data .
5.
Menarik kesimpulan dari data tersebut.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
82
ANALISIS KORELASI & REGRESI
MODUL V
BAB IV HASIL DAN PEMBAHASAN 4.1
Pengumpulan Data Berikut adalah data studi kasus analisis regresi linear sederhana, berupa pengaruh jumlah
tenaga kerja terhadap pendapatan industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan; dan data studi kasus analisis regresi linear berganda, berupa pengaruh modal dan jam kerja terhadap pendapatan bersih pedagang kaki lima di Pasar Pandaan.
4.1.1
Data Regresi Linear Sederhana Berikut adalah data studi kasus regresi linear sederhana, berupa pengaruh jumlah tenaga
kerja terhadap pendapatan industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan. Tabel 4.1 Pengaruh Jumlah Tenaga Kerja Terhadap Tingkat Pendapatan Pendapatan Tenaga Pendapatan Tenaga Pendapatan Tenaga No. (Puluhan ribu) Kerja (Puluhan ribu) Kerja (Puluhan ribu) Kerja 1 800 2 1250 2 13000 14 2 400 1 5800 6 6000 7 3 3375 5 1000 2 6000 7 4 1250 2 1200 2 10000 10 5 2450 4 5000 6 600 2 6 500 1 1000 2 6000 7 7 3000 5 300 1 8450 8 8 500 1 300 1 250 1 9 700 2 5000 6 1000 2 10 2000 4 3300 5 1500 2 Sumber: Erdinia Puspita W. 2010. Analisis faktor-faktor yang mempengaruhi pendapatan industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan.
4.1.2
Data Regresi Linear Berganda Berikut adalah data studi kasus regresi linear berganda, berupa pengaruh modal dan jam
kerja terhadap pendapatan bersih pedagang kaki lima di Pasar Pandaan. Tabel 4.2 Pengaruh Modal dan Jam Kerja Terhadap Pendapatan Bersih Pendapatan Modal Jam Pendapatan Modal Jam Pendapatan Modal Jam No. (puluhan (puluhan Kerja (puluhan (puluhan Kerja (puluhan (puluhan Kerja ribu) ribu) (jam) ribu) ribu) (jam) ribu) ribu) (jam) 1 509 500 45 574 980 51 774 1750 60 2 714 1150 60 779 1650 60 744 1450 61 3 549 750 47 799 1650 65 709 1005 60 4 554 800 48 754 1250 60 729 1750 57 5 709 1100 55 799 1850 54 669 1250 58 6 544 600 49 779 1650 65 744 1475 59 7 734 1250 58 659 1000 49 764 1650 61 8 519 750 45 724 1475 56 634 1100 58 9 759 1475 67 769 1750 63 684 1250 54 10 659 1100 58 724 1650 65 619 900 47 Sumber: Achmad Muchlis. 2007. Analisis faktor-faktor yang mempengaruhi pendapatan bersih pedagang kaki lima di Pasar Pandaan.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
83
MODUL V
ANALISIS KORELASI & REGRESI 4.2
Pengolahan Data Berikut adalah pengolahan data studi kasus analisis regresi linear sederhana,
berupaanalisis faktor-faktor yang mempengaruhi pendapatan industri kerajinan kulit di Kelurahan Selosari, Kecamatan Magetan, Kabupaten Magetan; dan data studi kasus analisis regresi linier berganda, berupa analisis faktor-faktor yang mempengaruhi pendapatan bersih pedagang kaki lima di Pasar Pandaan, secara manual maupun dengan menggunakan SPSS.
4.2.1
Regresi Linear Sederhana Berikut adalah pengolahan data studi kasus analisis regresi linear sederhana, berupa
pengaruh jumlah tenaga kerja terhadap pendapatan pada industri kerajinan kulit di Kelurahan Selosari,
Kecamatan
Magetan,
Kabupaten
Magetan,
secara
manual
maupun
dengan
menggunakan SPSS. 4.2.1.1
Pengujian Asumsi Regresi
Berikut adalah pengujian asumsi regresi linear sederhana yang meliputi uji kenormalan, homogenitas dan linearitas, dengan menggunakan SPSS.
4.2.1.1.1
Pengujian Kenormalan Data
Berikut adalah pengujian kernomalan data regresi linear sederhana dengan menggunakan SPSS. 1.
Masukkan data ke dalam Data View.
2.
Pilih Analyze >>>Regression>>>linier , masukkan pendapatan pada Dependent dan tenaga kerja pada Independent .
3.
Pilih save, kemudian centang pada unstandardized pada kolom residuals, lalu klik continue, kemudian pilih OK.
4.
Klik OK, maka akan muncul output berupa RES_1.
5.
Pilih Analyze>>>Descriptive Statistics >>> Explore.
6.
Masukkan RES_1 pada Dependent kemudian klik Plots kemudian centang Normality Plots with Test . Klik Continue.
7.
Klik OK, maka akan muncul output uji kenormalan residual data sebagai berikut. Tabel 4.3 Output Uji Kenormalan Residual Tests of Normality Kolmogorov-Smirnov Shapiro-Wilk Statistic df Sig. Statistic df Sig. Unstandardized Residual .124 30 .200* .975 30 .678
H0 : Residual data berdistribusi normal H1 : Residual data tidak berdistribusi normal H0 akan diterima jika nilai Sig. ≥ 0.05 dan ditolak jika nilai Sig. < 0.05
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
84
ANALISIS KORELASI & REGRESI
MODUL V
Berdasarkan nilai Sig. uji kenormalan residual Kolmogorov-Smirnov atau Shapiro-Wilk sebesar
0.200 atau 0.678 ≥ 0.05 maka H0 diterima, berarti residual data berdistribusi normal. 4.2.1.1.2
Pengujian Homogenitas Varians
Berikut adalah pengujian homogenitas varians data regresi linier sederhana dengan menggunakan SPSS. 1.
Masukkandata ke dalam Data View.
2.
Pilih Analyze >>>Regression >>> linier , masukkan pendapatan pada Dependent dan tenaga kerja pada Independent .
3.
Klik Plots, masukkan ZPRED ke X dan ZRESID ke Y. Klik Normal Probability Plot pada Standardized Residual Plot. Klik Continue.
4.
Klik Ok. Maka akan muncul output uji homogenitas varians sebagai berikut.
Gambar 4.1 Output uji homogenitas varians
Dari grafik diatas dapat dilihat bahwa data tersebar ke empat kuadran, hal ini menunjukan bahwa data studi kasus regresi linear sederhana memiliki variansi yang homogen.
4.2.1.1.3
Pengujian Linearitas Data
Berikut adalah pengujian linearitas data regresi linier sederhana dengan menggunakan SPSS. Dengan langkah yang sama dengan uji homogenitas varians maka didapatkan output sebagai berikut.
Gambar 4.2 Output uji linearitas data
Dari grafik diatas dapat dilihat bahwa data tersebar lurus mengikuti garis linear grafik, hal ini menunjukan bahwa variabel bebas dan variabel terikat memiliki hubungan yang linear.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
85
MODUL V
ANALISIS KORELASI & REGRESI 4.2.1.2
Pengujian Penyimpangan Asumsi Regresi
Berikut adalah pengujian penyimpangan asumsi regresi linear sederhana yang meliputi uji autokorelasi dan heteroskedastisitas, dengan menggunakan SPSS.
4.2.1.2.1
Pengujian Autokorelasi
Berikut adalah pengujian autokorelasi data regresi linear sederhana secara manual, dengan menggunakan uji Durbin Watson. 1.
Menentukan formulasi hipotesis H0 = tidak terjadi autokorelasi antara jumlah tenaga kerja dengan pendapatan H1 = terjadi autokorelasi antara jumlah tenaga kerja dengan pendapatan
2.
Menentukan nilai dan nilai d tabel
3.
= 0.05
n = 30
k=1
dU = 1.42
df = 4 - dU
Menentukan kriteria pengujian H0 diterima apabila dW< dU < 4-dU dan ditolak apabila dU < dW dan dU > 4-dU
4.
Menentukan nilai uji statistik
Dimana :Persamaan regresi linier sederhana,Y = 1012.934X – 987.569 Tabel 4.4 Perhitungan Uji Autokorelasi Manual 2 et 1 et − et et = (Y − Y)
No
Y
X
Y
1
800
2
1038.299
-238.2986
56786.2228
-
-
-
2
400
1
25.3646
374.6354
140351.683
-238.2986
612.934
375688.09
3
3375
5
4077.101
-702.1006
492945.253
374.6354
-1076.74
1159360.4
4
1250
2
1038.299
211.7014
44817.4828
-702.1006
913.802
835034.1
5
2450
4
3064.167
-614.1666
377200.613
211.7014
-825.868
682057.95
6
500
1
25.3646
474.6354
225278.763
-614.1666
1088.802
1185489.8
7
3000
5
4077.101
-1077.1006
1160145.7
474.6354
-1551.74
2407884.6
8
500
1
25.3646
474.6354
225278.763
-1077.1006
1551.736
2407884.6
9
700
2
1038.299
-338.2986
114445.943
474.6354
-812.934
660861.69
10
2000
4
3064.167
-1064.1666
1132450.55
-338.2986
-725.868
526884.35
11
1250
2
1038.299
211.7014
44817.4828
-1064.1666
1275.868
1627839.2
12
5800
6
5090.035
709.9654
504050.869
211.7014
498.264
248267.01
13
1000
2
1038.299
-38.2986
1466.78276
709.9654
-748.264
559899.01
14
1200
2
1038.299
161.7014
26147.3428
-38.2986
200
40000
15
5000
6
5090.035
-90.0346
8106.2292
161.7014
-251.736
63371.014
16
1000
2
1038.299
-38.2986
1466.78276
-90.0346
51.736
2676.6137
17
300
1
25.3646
274.6354
75424.6029
-38.2986
312.934
97927.688
18
300
1
25.3646
274.6354
75424.6029
274.6354
0
0
19
5000
6
5090.035
-90.0346
8106.2292
274.6354
-364.67
132984.21
20
3300
5
4077.101
-777.1006
603885.343
-90.0346
-687.066
472059.69
21
13000
14
13193.51
-193.5066
37444.8042
-777.1006
583.594
340581.96
22
6000
7
6102.969
-102.9686
10602.5326
-193.5066
90.538
8197.1294
23
6000
7
6102.969
-102.9686
10602.5326
-102.9686
0
0
24
10000
10
9141.771
858.2294
736557.703
-102.9686
961.198
923901.6
−
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
−1
(et − et 1 )2
−
86
MODUL V
ANALISIS KORELASI & REGRESI
No
Y
X
Tabel 4.4 Perhitungan Uji Autokorelasi Manual (Lanjutan) 2 et 1 et − et et = (Y − Y) Y
25
600
2
1038.299
-438.2986
192105.663
26
6000
7
6102.969
-102.9686
27
8450
8
7115.903
28
250
1
29
1000
30
Σ
−
(et − et 1 )2
858.2294
−1
-1296.53
1680984.9
10602.5326
-438.2986
335.33
112446.21
1334.0974
1779815.87
-102.9686
1437.066
2065158.7
25.3646
224.6354
50461.0629
1334.0974
-1109.46
1230905.9
2
1038.299
-38.2986
1466.78276
224.6354
-262.934
69134.288
1500
2
1038.299
461.7014
213168.183
-38.2986
500
250000
91925
120
91925
0.002
8361424.91
-461.699
700
20167481
e − e − d= e t
5.
t 1 2 t
2
=
20167481 8361424.91
−
= 2.41196
Kesimpulan Berdasarkan hasil perhitungan, diperoleh dW = 1.489 < d = 2.41196 < 4 - dU = 2.511 sehingga H0 diterima. Maka dapat disimpulkan bahwa tidak ada autokorelasi antara jumlah tenaga kerja dengan pendapatan.
4.2.1.2.2
Pengujian Heteroskedastisitas
Uji Heteroskedastisitas dapat dilihat dari Uji Homogenitas Varians. Berdasarkan uji homogenitas varians yang telah dilakukan sebelumnya, maka dapat diketahui bahwa data tidak memenuhi uji heteroskedastisitas, artinya variansi data bersifat homogen.
4.2.1.3
Pengujian Regresi Linear Sederhana
Berikut adalah pengujian regresi linear sederhana secara manual maupun dengan menggunakan SPSS.
4.2.1.3.1
Pengolahan SPSS
Berikut adalah pengolahan regresi linear sederhana dengan menggunakan SPSS. 1.
Masukkandata ke dalam Data View.
2.
Pilih Analyze >>> Regression >>> linier , masukkan pendapatan pada Dependent dan tenaga kerja pada Independent .
3.
Klik Statistics, centang Explore, model fit , R squared change, descriptive, collinearity diagnostics, dan Durbin-Watson >>> klik Continue.
Gambar 4.3Uji regresi linear
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
87
MODUL V
ANALISIS KORELASI & REGRESI 4.
Klik Plots, masukkan ZPRED ke X dan ZRESID ke Y. Klik Normal Probability Plot pada Standardized Residual Plot. Klik Continue kemudian OK.
4.2.1.3.1.1 Analisis Korelasi Tabel 4.5 Output Correlations Uji Regresi Linear Sederhana Correlations pendapatan tenaga_kerja Pearson Correlation Sig. (1-tailed) N
Pendapatan tenaga_kerja Pendapatan tenaga_kerja Pendapatan
1.000 .986 . .000 30
.986 1.000 .000 . 30
tenaga_kerja
30
30
H0 : Tidak ada hubungan antara jumlah tenaga kerja dengan pendapatan H1 : Ada hubungan antara jumlah tenaga kerja dengan pendapatan H0diterima jika nilai Sig. ≥ 0.05 dan ditolak jika nilai Sig. < 0.05 Berdasarkan tabel diatas, dapat dilihat nilai Sig. sebesar 0.000 < 0.05 berarti H0 ditolak, maka dapat disimpulkan bahwa ada hubungan antara variabel independen jumlah tenaga kerja dengan variabel dependen pendapatan. Dan dapat dilihat nilai Pearson Correlation sebesar 0.986, maka dapat disimpulkan bahwa variabel indepeden jumlah tenaga kerja dengan variabel dependen pendapatan memiliki hubungan korelasi positif yang sangat kuat.
Model
R
1
.986a
Tabel 4.6 Output Model Summary Uji Regresi Linear Sederhana Model Summary Change Statistics Std. Adjusted Error R R R of the Square F Square squared Estimate Change Change df1 df2 .972
.971
546.463
.972
989.538
1
28
Sig. F Change
Durbin Watson
.000
2.412
Berdasarkan tabel diatas dapat disimpulkan, nilai R sebesar 0.986 berarti bahwa variabel indepeden jumlah tenaga kerja dengan variabel dependen pendapatan memiliki hubungan korelasi positif yang sangat kuat. Dan nilai R square sebesar 0.972 berarti bahwa 97.2% variabel independen jumlah tenaga kerja mempengaruhi variabel dependen pendapatan. Serta nilai Adjusted R square sebesar 0.971 berarti bahwa 97.1% variabel independen jumlah tenaga kerja mempengaruhi variabel dependen pendapatan dengan tambahan faktor-faktor lain. Berdasarkan tabel diatas dapat disimpulkan pula, nilai Durbin Watson 1.489 < d = 2.412 < 2.511 sehingga dapat disimpulkan bahwa tidak ada autokorelasi antara variabel independen jumlah tenaga kerja dengan variabel dependen pendapatan.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
88
MODUL V
ANALISIS KORELASI & REGRESI 4.2.1.3.1.2 Analisis Regresi
Tabel 4.7 Output ANOVA Uji Regresi Linear Sederhana ANOVAb Model Sum of Squares df Mean Square F Sig. Regression 2.955E8 1 2.955E8 989.538 .000a 1 Residual Total
8361424.913 28 3.039E8 29
298622.318
H0 :Tidak ada pengaruh variabel independen jumlah tenaga kerja terhadap model regresi H1 :Ada pengaruh variabel independen jumlahtenaga kerja terhadap model regresi H0diterima jika nilai Sig. ≥ 0.05 dan ditolak jika nilai Sig. < 0.05 Berdasarkan tabel diatas, dilihat dari nilai Sig.0.000 < 0.05 sehinggaH 0 ditolak, maka dapat disimpulkan bahwa ada pengaruh variabel independenjumlah tenaga kerja dengan model regresi.
Model
1
(Constant)
Tabel 4.8 Output Coefficients Uji Regresi Linear Sederhana Coefficientsa Unstandardized Standardized CorreCollinearity Coefficients Coefficients Lations Statistics T Sig. Std. ZeroB Beta Partial Part Tolerance VIF Error order -987.569 162.924
tenaga_kerja 1012.934 32.201
a.
-6.062 .000 .986
31.457 .000 .986
.986
.986
1.000
1.000
Koefisien Konstanta H0 : Tidak ada pengaruh koefisien konstanta terhadap model regresi H1 : Ada pengaruh koefisien konstanta terhadap model regresi H0 diterima apabila nilai Sig. ≥ 0.05 dan ditolak jika nilai Sig. < 0.05 Berdasarkan tabel diatas, dilihat dari nilai sig. 0.000 < 0.05 sehingga H 0 ditolak, maka dapat disimpulkan bahwaada pengaruh koefisien konstanta terhadap model regresi.
b. Koefisien Variabel H0 : Tidak ada pengaruh koefisien variabel jumlah tenaga kerja terhadap model regresi H1 : Ada pengaruh koefisien variabel jumlah tenaga kerja terhadap model regresi H0 diterima apabila nilai Sig. ≥ 0.05 dan ditolak apabila nilai Sig. < 0.05 Berdasarkan tabel diatas, dilihat dari nilai Sig. 0.000 < 0.05 sehingga H0 ditolak, maka dapat disimpulkan bahwa ada pengaruh koefisien variabel jumlah tenaga kerja terhadap model regresi. Berdasarkan tabel diatas, dapat diperoleh persamaan regresi linear sederhana adalah Y = - 987.569 + 1012.934X, dimana koefisien variabel X sebesar 1012.934 menunjukkan naik turunnya nilai variabel dependen Y tiap satu satuan nilai dari variabel independen X.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
89
MODUL V
ANALISIS KORELASI & REGRESI 4.2.1.3.2
Pengujian Manual
Berikut adalah pengolahan regresi linear sederhana secara manual.
NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Σ
1.
Tabel 4.9Pengolahan Regresi Linear Sederhana Pendapatan (10 4) Tenaga Kerja XY Y 2 (Y) (X) 800 2 1600 640000 400 1 400 160000 3375 5 16875 11390625 1250 2 2500 1562500 2450 4 9800 6002500 500 1 500 250000 3000 5 15000 9000000 500 1 500 250000 700 2 1400 490000 2000 4 8000 4000000 1250 2 2500 1562500 5800 6 34800 33640000 1000 2 2000 1000000 1200 2 2400 1440000 5000 6 30000 25000000 1000 2 2000 1000000 300 1 300 90000 300 1 300 90000 5000 6 30000 25000000 3300 5 16500 10890000 13000 14 182000 169000000 6000 7 42000 36000000 6000 7 42000 36000000 10000 10 100000 100000000 600 2 1200 360000 6000 7 42000 36000000 8450 8 67600 71402500 250 1 250 62500 1000 2 2000 1000000 1500 2 3000 2250000 91925 120 659425 585533125
Koefisien korelasi liner sederhana ( r ) r=
n∑XY − ∑X∑Y
(n∑X2 – (∑X)2 )(n∑Y2 − (∑Y)2 )
=
x2 4 1 25 4 16 1 25 1 4 16 4 36 4 4 36 4 1 1 36 25 196 49 49 100 4 49 64 1 4 4 768
− 120.91925 (30.768 − (120) )(30.585533125 − (91925) ) 30. 659425 2
2
r = 0.986145326 2. Koefisien determinasi ( R2 ) 2
R2 = (r)2 × 100% = (0.986145326) x 100% = 97.9737 % 3. Persamaan Regresi Linier Sederhana b=
n∑XY − (∑X)(∑Y) n ∑
X2
) − (∑
X)2
=
− 120.91925 = 1012.934 30.768 − (120)
30.659425
2
= 3064.167 – (1012.934)(4) = -987.569 a= Y − bX
Jadi, persamaan regresi linier sederhana adalah Y = 1012.934 X - 987.569 (dalam puluhan ribu rupiah)
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
90
MODUL V
ANALISIS KORELASI & REGRESI 4. Pengujian Persamaan Regresi Linier Sederhana dengan Uji F a.
Menentukan formulasi hipotesis H0 : Tidak ada pengaruh jumlah tenaga kerja terhadap model regresi H1 : Ada pengaruh jumlah tenaga kerja terhadap model regresi
b. Menentukan taraf signifikansi
α = 0.05 ; α/2 = 0.025 c.
db = n – k - 1 = 28
Menentukan kriteria pengujian H0 diterima apabila F hitung ≤ Ftabel= 4.196 dan ditolak apabila Fhitung> Ftabel = 4.196
d. Menentukan uji statistik nilai F
∑
2
∑
2
=
∑X 2 −
=
∑Y 2 −
∑X)2 n
= 768 −
∑Y)2 n
120)2 30
= 288
= 585533125 −
91925)2 30
= 303859604
= ∑XY − ∑X)n ∑Y) = 659425 − 9192530× 120 = 291725 ∑ 291725 b= = = 1012.934028 288 ∑ ∑ = ∑ = 1012.934028 × 291725 = 295498179.3 ∑ = ∑ − ∑ = 303859604 − 295498179.3 = 8361424.913 ∑
2
2
2
2
Tabel 4.10 Analisis ANOVA Sumber Variasi
Regresi
Error
Total
e.
Jumlah Kuadrat
= 295498179.3
2
= 8361424.913
+
2
= 303859604.2
Rata-rata kuadrat
Db
1
F tabel
= 1 1
2
= 295498179.3
(n-2 )=28
F hitung
= −2 = 298622.3183 2
2
1 2
2 2
4.195971707
= 989.5381595
n-2 + 1 =29
Kesimpulan Berdasarkan hasil perhitungan diatas, diperoleh F hitung = 989.538 > Ftabel = 4.196 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh variabel independen jumlah tenaga kerja terhadap model regresi.
5. Pengujian Koofisien Korelasi Regresi Linear Sederhana dengan Uji T a.
Menentukan formulasi hipotesis H0 : Tidak ada pengaruh jumlah tenaga kerja terhadap model regresi H1 : Ada pengaruh jumlah tenaga kerja terhadap model regresi
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
91
MODUL V
ANALISIS KORELASI & REGRESI b. Menentukan taraf signifikansi
α = 0.05 ; α/2 = 0.025 c.
n = 30
db = n – k - 1 = 28
Kriteria pengujian H0 diterima apabila t hitung ≤ t tabel dan ditolak apabila t hitung> t tabel = 2.048
d. Menentukan uji statistik nilai uji t
t= e.
− 2 = 0.986 30 − 2 = 31.4569 1 − r 1 − 0.972
r n
2
Menarik kesimpulan Berdasarkan hasil perhitungan diatas, diperoleh t hitung = 31.457 > t tabel = 2.048 Sehingga H0 ditolak. Makadapat disimpulkan bahwa ada pengaruh variabel independen jumlahtenaga kerja terhadap model regresi.
4.2.2
Regresi Linear Berganda Berikut adalah pengolahan data studi kasus analisa regresi linier berganda, berupa
pengaruh modal dan jam kerja terhadap tingkat pendapatan pedagang kaki lima di Pasar Pandaan, secara manual maupun dengan menggunakan SPSS.
4.2.2.1
Pengujian Asumsi Regresi
Berikut adalah pengujian asumsi regresi linier berganda yang meliputi uji kenormalan, homogenitas dan linearitas, dengan menggunakan SPSS.
4.2.2.1.1
Pengujian Kenormalan Data
Berikut adalah pengujian kernomalan data regresi linier berganda dengan menggunakan SPSS. 1.
Masukkan data ke dalam Data View.
2.
Pilih Analyze >>>Regression >>>linier , masukkan pendapatan_bersih pada Dependent dan modal serta jam_kerja pada Independent .
3.
Pilih save, kemudian centang pada unstandardized pada kolom residuals, lalu klik continue, kemudian pilih OK.
4.
Klik OK, maka akan muncul output berupa RES_1.
5.
Pilih Analyze>>>Descriptive Statistics >>> Explore.
6.
Masukkan RES_1 pada Dependent kemudian klik Plots kemudian centang Normality Plots with Test . Klik Continue.
7.
Klik OK, maka akan muncul output uji kenormalan residual data sebagai berikut. Tabel 4.11 Output Uji Kenormalan Residual Tests of Normality Kolmogorov-Smirnov Shapiro-Wilk Statistic Df Sig. Statistic Df Sig. Unstandardized Residual .091 30 .200* .973 30 .620
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
92
MODUL V
ANALISIS KORELASI & REGRESI H0: Residual data berdistribusi normal H1: Residual data tidak berdistribusi normal H0 akan diterima jika nilai Sig. ≥ 0.05 dan ditolak jika nilai Sig. < 0.05
Berdasarkan nilai Sig. uji kenormalan residual Kolmogorov-Smirnov atau Shapiro-Wilk
sebesar 0.200 atau 0.620 ≥ 0.05 maka
H0 diterima, berarti residual data berdistribusi
normal.
4.2.2.1.2
Pengujian Homogenitas Varians
Berikut adalah pengujian homogenitas varians data regresi linier sederhana dengan menggunakan SPSS. 1.
Masukkan data ke dalam Data View.
2.
Pilih Analyze >>>Regression >>> linier , masukkan pendapatan_bersih pada Dependent dan modal serta jam_kerja pada Independent .
3.
Klik Plots, masukkan ZPRED ke X dan ZRESID ke Y. Klik Normal Probability Plot pada Standardized Residual Plot. Klik Continue.
4.
Klik Ok. Maka akan muncul output uji homogenitas varians sebagai berikut.
Gambar 4.4 Output uji homogenitas varians
Dari grafik diatas dapat dilihat bahwa data tersebar ke empat kuadran, hal ini menunjukan bahwa data studi kasus regresi linear sederhana memiliki variansi yang homogen.
4.2.2.1.3
Pengujian Linearitas Data
Berikut adalah pengujian linearitas data regresi linier sederhana dengan menggunakan SPSS. Dengan langkah yang sama dengan uji homogenitas varians maka didapatkan output sebagai berikut.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
93
MODUL V
ANALISIS KORELASI & REGRESI
Gambar 4.5 Output uji linearitas data
Dari grafik diatas dapat dilihat bahwa data tersebar lurus mengikuti garis linear grafik, hal ini menunjukan bahwa variabel bebas dan variabel terikat memiliki hubungan yang linear.
4.2.2.2
Pengujian Penyimpangan Asumsi Regresi
Berikut adalah pengujian penyimpangan asumsi regresi linear berganda yang meliputi uji autokorelasi, heteroskedastisitas, dan multikolinearitas dengan menggunakan SPSS.
4.2.2.2.1
Pengujian Autokorelasi
Berikut adalah pengujian autokorelasi data regresi linear bergandasecara manual. 1.
Menentukan formulasi hipotesis H0 = tidak terjadi autokorelasi antara modal dan jam kerja dengan pendapatan bersih H1 = terjadi autokorelasi antara modal dan jam kerja dengan pendapatan bersih
2.
Menentukan nilai dan nilai d tabel
3.
= 0.05
n = 30
k=2
dU = 1.56
Menentukan kriteria pengujian H0 diterima apabila 1.56 ≤ dW ≤ 2.44 H1 ditolak apabila dW ≤ 1.56 atau dW >2.44
4.
Menentukan nilai uji statistik
Dimana : Persamaan regresi linier sederhana, Y= 225.3908 + 0.14879 X1 + 4.877418 X2 Tabel 4.12 Uji Autokorelasi Regresi Linear Berganda ( − − − = ( − ) −
519.2696
509
-10.2696
-
-
60
714
689.1444
24.85562
-10.2696
750
47
549
566.2219
-17.2219
4
800
48
554
578.5389
5
1100
55
709
6
600
49
7
1250
8 9
No
X1
X2
Y
1
500
45
2
1150
3
) −
-
105.4648896
35.12523
1233.781783
617.8018456
24.85562
-42.0776
1770.52156
296.595424
-24.5389
-17.2219
-7.31692
53.53728902
602.1558464
657.3178
51.68221
-24.5389
76.22107
5809.652122
2671.05083
544
553.6583
-9.65828
51.68221
-61.3405
3762.655959
93.28241119
58
734
694.2685
39.73146
-9.65828
49.38974
2439.34622
1578.588596
750
45
519
556.4671
-37.4671
39.73146
-77.1986
5959.618592
1403.784332
1475
67
759
771.6431
-12.6431
-37.4671
24.82405
616.233657
159.846865
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
94
MODUL V
ANALISIS KORELASI & REGRESI
Tabel 4.12 Uji Autokorelasi Regresi Linear Berganda (Lanjutan) ( − − ) Y − − = ( − ) −
-12.95
-12.6431
-0.30699
0.094241632
167.7036396
619.9533
-45.9533
-12.95
-33.0033
1089.216095
2111.707435
779
763.5394
15.46062
-45.9533
61.41394
3771.671781
239.0307708
65
799
787.9265
11.07353
15.46062
-4.38709
19.24655867
122.6230667
1250
60
754
704.0234
49.97662
11.07353
38.90309
1513.450412
2497.662547
15
1850
54
799
764.0329
34.96713
49.97662
-15.0095
225.2848501
1222.700041
16
1650
65
779
787.9265
-8.92647
34.96713
-43.8936
1926.647945
79.68186666
17
1000
49
659
613.1743
45.82572
-8.92647
54.75219
2997.802091
2099.99643
18
1475
56
724
717.9915
6.008542
45.82572
-39.8172
1585.407505
36.10257697
19
1750
63
769
793.0506
-24.0506
6.008542
-30.0592
903.5540618
578.4329958
20
1650
65
724
787.9265
-63.9265
-24.0506
-39.8758
1590.082297
4086.593567
21
1750
60
774
778.4184
-4.41838
-63.9265
59.50809
3541.212775
19.52208182
22
1475
61
744
742.3785
1.621452
-4.41838
6.039832
36.47957059
2.629106588
23
1000
60
709
666.8259
42.17412
1.621452
40.55267
1644.518882
1778.656398
24
1750
57
729
763.7861
-34.7861
42.17412
-76.9602
5922.879464
1210.074562
25
1250
58
669
694.2685
-25.2685
-34.7861
9.517582
90.58436713
638.4993159
26
1475
59
744
732.6237
11.37629
-25.2685
36.64483
1342.843712
129.4199287
27
1650
61
764
768.4168
-4.4168
11.37629
-15.7931
249.4215654
19.50810457
28
1100
58
634
671.95
-37.95
-4.4168
-33.5332
1124.478587
1440.20584
29
1250
54
684
674.7589
9.241128
-37.95
47.19117
2227.006715
85.39844671
30
900
47
619
588.5404
30.45955
9.241128
21.21843
450.2216019
927.7844299
53897.45226
27022.50419
659
671.95
51
574
1650
60
13
1650
14
No
X1
X2
10
1100
58
11
980
12
Σ
e − e − d= e t
5.
t 1 2 t
2
=
53304.7796 27047.3884
= 1.970792108
Kesimpulan Berdasarkan hasil perhitungan, diperoleh dW = 1.566 < d =1.970792108 < 4 - dU = 2.434 sehingga H0 diterima. Maka dapat disimpulkan bahwa tidak terjadi autokorelasi antara modal dan jam kerja dengan pendapatan.
4.2.2.2.2
Pengujian Heteroskedastisitas
Uji Heteroskedastisitas dapat dilihat dari Uji Homogenitas Varians. Berdasarkan uji homogenitas varians yang telah dilakukan sebelumnya, maka dapat diketahui bahwa data tidak memenuhi uji heteroskedastisitas, artinya variansi data bersifat homogen.
4.2.2.2.3
Pengujian Multikolinearitas
Berikut adalah pengujian multikolinearitas data regresi linear berganda secara manual. 1.
Menentukan Hipotesis H0 = Tidak terjadi multikolinearitas pada model regresi H1 = Terjadi multikolinearitas pada model regresi
2.
Menentukan Kriteria Pengujian
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
95
ANALISIS KORELASI & REGRESI
MODUL V
H0 diterima jika VIF < 10 dan ditolak jika VIF > 10 H0 ditolak jika Tolerance > 0.1 dan ditolak jika Tolerance < 0.1 4.
Uji Statistik VIF=
1 1−r12
2
=
Tolerance = 3.
1 1−0.7745462 1 VIF
=
=2.499509509
1 82.499509509
=0.400078494
Kesimpulan Berdasarkan perhitungan diatas didapatkan nilai VIF sebesar 2.4995< 10 dan nilai Tolerance sebesar 0.400> 0.1 sehingga H0 diterima, maka dapat disimpulkan bahwa tidak terjadi multikolinearitas pada model regresi.
4.2.2.3
Pengujian Regresi Linear Berganda
Berikut adalah pengujian regresi linear bergandasecara manual maupun dengan menggunakan SPSS.
4.2.2.3.1
Pengolahan dengan SPSS
Berikut adalah pengolahan regresi linear berganda dengan menggunakan SPSS. 1.
Masukkandata ke dalam Data View.
2.
Pilih Analyze >>>Regression >>> linier , masukkan pendapatan_bersih pada Dependent dan modal serta jam_kerja pada Independent .
3.
Klik Statistics, centang Explore, model fit , R squared change, descriptive, collinearity diagnostics, dan Durbin-Watson >>> klik Continue.
Gambar 4.6Uji regresi linear
4.
Klik Plots, masukkan ZPRED ke X dan ZRESID ke Y. Klik Normal Probability Plot pada Standardized Residual Plot. Klik Continue kemudian OK.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
96
MODUL V
ANALISIS KORELASI & REGRESI 4.2.2.3.1.1 Analisis Korelasi
Tabel 4.13 Output Correlations Uji Regresi Linear Berganda Correlations Pendapatan jam_kerja Modal pendapatan 1.000 .846 .912 Pearson Correlation jam_kerja Modal pendapatan Sig. (1-tailed) jam_kerja Modal pendapatan N jam_kerja Modal
a.
.846 .912 . .000 .000 30 30 30
1.000 .775 .775 1.000 .000 .000 . .000 .000 . 30 30 30 30 30 30
H0: Tidak ada hubungan antara jam kerja dengan pendapatan H1 : Ada hubungan antara jam kerja dengan pendapatan
b. H0: Tidak ada hubungan antara modal dengan pendapatan H1 : Ada hubungan antara modal dengan pendapatan H0 diterima apabila nilai Sig. ≥ 0.05 dan ditolak apabila nilai Sig.< 0.05 Berdasarkan tabel diatas, nilai Sig. < 0.05 sehingga H 0 ditolak. Maka dapat disimpulkan bahwa ada hubungan variabel independen modal dan jam kerja dengan variabel dependen pendapatan. Dan dapat dilihat nilai Pearson Correlationjam kerja dan modal dengan pendapatan sebesar 0.846 dan 0.912,maka dapat disimpulkan bahwa variabel independen jam kerja dan modal dengan variabel dependen pendapatan memiliki hubungan korelasi positif yang kuat dan sangat kuat.
Model 1
R .938a
Tabel 4.14 Output Model Summary Uji Regresi Linear Berganda Model Summary Change Statistics Std. Error R Adjusted of the R Square Sig. F Square R squared Estimate Change F Change df1 df2 Change .880 .871 31.63595 .880 99.329 2 27 .000
Durbin Watson 1.995
Berdasarkan tabel diatas dapat disimpulkan, nilai R sebesar 0.938 berarti bahwa variabel indepeden modal dan jam kerja dengan variabel dependen pendapatan memiliki hubungan korelasi positif yang sangat kuat. Dan nilai R square sebesar 0.880 berarti bahwa 88.0% variabel independen modal dan jam kerja berpengaruh terhadap variabel dependen pendapatan. Serta nilai Adjusted R square sebesar 0.871 berarti bahwa 87.1% variabel independen modal dan jam kerja berpengaruh terhadap variabel dependen pendapatan dengan penambahan faktor-faktor lain. Berdasarkan tabel diatas, dapat dilihat nilai Durbin Watson 1.566 < d = 1.995 < 2.434 sehingga dapat disimpulkan bahwa tidak ada autokorelasi antara variabel independen modal dan jam kerjadengan variabel dependen pendapatan.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
97
MODUL V
ANALISIS KORELASI & REGRESI 4.2.2.3.1.2 Analisis Regresi Tabel 4.15 Output ANOVA Uji Regresi Linear Berganda ANOVAb Model Regression 1 Residual Total
Sum of Squares Df Mean Square 198824.162
2
27022.504 27 225846.667 29
F
Sig.
99412.081 99.329 .000a 1000.833
H0 : Tidak ada pengaruh jam kerja dan modal terhadap model regresi H1 :Ada pengaruh jam kerja dan modal terhadap model regresi H0 diterima apabila nilai sig ≥ 0.05 dan ditolak apabila nila sig < 0.05 Berdasarkan tabel diatas, nilai Sig.0.000 < 0.05 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh variabel independen modal dan jam kerja dengan variabel dependen pendapatan. Tabel 4.16 Output Coefficients Uji Regresi Linear Berganda Coefficients Unstandardized Standardized Coefficients Coefficients Correlations Std. ZeroModel B Error Beta T Sig. Order Partial Part 1 (Constant) 225.391 62.388 3.613 .001 Jam_Kerja 4.877 1.468 .350 3.323 .003 .846 .539 .221 Modal .149 .024 .641 6.090 .000 .912 .761 .405
a.
Collinearity Statistics Tolerance .400 .400
Koefisien Konstanta H0 : Koefisien konstanta tidak berpengaruh terhadap model regresi H1 : Koefisien konstanta berpengaruh terhadap model regresi H0 diterima jika nilai Sig. ≥ 0.05 dan
ditolak jika nilai Sig. < 0.05
Berdasarkan dari tabel diatas, nilai Sig. sebesar 0.001 < 0.05 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh koefisien konstanta terhadap model regresi. b. Koefisien Jam Kerja H0 : Koefisien jam kerja tidak berpengaruh terhadap model regresi H1 : Koefisien jam kerja berpengaruh terhadap model regresi H0 diterima jika nilai Sig. ≥ 0.05 dan
ditolak jika nilai Sig. < 0.05
Berdasarkan dari tabel diatas, nilai Sig. sebesar 0.003< 0.05 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh koefisien jam kerja terhadap model regresi. c.
Koefisien Modal H0 : Koefisien modal tidak berpengaruh terhadap model regresi H1 : Koefisien modal berpengaruh terhadap model regresi H0 diterima jika nilai Sig. ≥ 0.05 dan ditolak jika nilai Sig. < 0.05 Berdasarkan dari tabel diatas, nilai Sig. sebesar 0.000 < 0.05 sehingga H 0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh koefisien modal t erhadap model regresi.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
98
VIF 2.500 2.500
MODUL V
ANALISIS KORELASI & REGRESI
Berdasarkan tabel diatas, dapat diperoleh persamaan regresi linear berganda adalah Y = 225.391 + 4.877X1 + 0.149 X2, dimana koefisien variabel X1 sebesar 4.877 dan koefisien variabel X2 sebesar 0.149 menunjukkan naik turunnya nilai variabel dependen Y tiap satu satuan nilai dari variabel independen X 1dan X2..
4.2.2.3.2
Perhitungan Manual
Berikut adalah pengolahan regresi linear berganda dengan menggunakan perhitungan manual. Tabel 4.17 Pengolahan Analisis Regresi Linear Berganda Jam Kerja (X2) 45 60 47 48 55 49 58 45 67 58 51 60 65 60 54 65 49 56 63 65 60 61 60 57 58 59 61 58 54 47 56.5 1695
Modal (X1)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Rata*
Σ
500 1150 750 800 1100 600 1250 750 1475 1100 980 1650 1650 1250 1850 1650 1000 1475 1750 1650 1750 1475 1000 1750 1250 1475 1650 1100 1250 900 1266 37980
Pendapatan Bersih (Y) 509 714 549 554 709 544 734 519 759 659 574 779 799 754 799 779 659 724 769 724 774 744 709 729 669 744 764 634 684 619 689.3333333 20680
X1Y
X2Y
X1X2
X12
X22
Y 2
254500 821100 411750 443200 779900 326400 917500 389250 1119525 724900 562520 1285350 1318350 942500 1478150 1285350 659000 1067900 1345750 1194600 1354500 1097400 709000 1275750 836250 1097400 1260600 697400 855000 557100
22905 42840 25803 26592 38995 26656 42572 23355 50853 38222 29274 46740 51935 45240 43146 50635 32291 40544 48447 47060 46440 45384 42540 41553 38802 43896 46604 36772 36936 29093
22500 69000 35250 38400 60500 29400 72500 33750 98825 63800 49980 99000 107250 75000 99900 107250 49000 82600 110250 107250 105000 89975 60000 99750 72500 87025 100650 63800 67500 42300
1182125
2199905
2025 3600 2209 2304 3025 2401 3364 2025 4489 3364 2601 3600 4225 3600 2916 4225 2401 3136 3969 4225 3600 3721 3600 3249 3364 3481 3721 3364 2916 2209 3230.967 96929
259081 509796 301401 306916 502681 295936 538756 269361 576081 434281 329476 606841 638401 568516 638401 606841 434281 524176 591361 524176 599076 553536 502681 531441 447561 553536 583696 401956 467856 383161
27067895
250000 1322500 562500 640000 1210000 360000 1562500 562500 2175625 1210000 960400 2722500 2722500 1562500 3422500 2722500 1000000 2175625 3062500 2722500 3062500 2175625 1000000 3062500 1562500 2175625 2722500 1210000 1562500 810000 1742430 52272900
14481260
1. Menghitung persamaan regresi linear berganda
) = 4190220 = ∑X − ∑Xn ) = 52272900 − 37980 30 ∑X ) 1695) = 96929 − = 1161.5 ∑ = ∑X − n 30 ∑Y) 20680) = 14481260 − = 225846.67 ∑ = ∑Y − n 30 ∑X )∑Y) 37980 x 20680 = 27067895 − = 887015 ∑ = ∑X Y − n 30 ∑
1
2
2
2 1
1
2
2 2
2
2
2
2
2
2
2
2
2
1
1
1
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
99
MODUL V
ANALISIS KORELASI & REGRESI
= ∑X Y − ∑X n)∑Y) = 1182125 − 9192530× 20680 = 13705 ∑X )∑X ) 37980 × 1695 = 2199905 − = 54035 ∑ = ∑X X − 30 n ∑ ∑ − ∑ ∑ 1161.5 × 887015) − (54035 × 13705 ) b = = = 0.14879 4190220 × 1161.5 )– (54035) ∑ ∑ − ( ) ∑ ∑ − ∑ ∑ 4190220 × 13705) − (54035 × 887015 ) b = = = 4.877418 4190220 × 1161.5 )– (54035) ∑ ∑ − ( ) 2
∑
2
2
1
1 2
2
1 2
2 2
1
1
1 2
2 1
2 1
2 2
1 2
2 1
2 2
2
2
1 2
2
2
2
1
2
2
1 2
a= Y − b1 X1 − b2 X2 = 689.33 − 0.14879 × 1266) − 4.877418 × 56.5 ) = 225.3908
Y = 225.3908 + 0.14879 X1 + 4.877418 X2 (Dalam puluhan ribu rupiah) 2. Menghitung koefisien korelasi
1
=
=
∑
∑
1
∑
1
2
×∑
∑
2
2
2
× ∑ = ∑ ∑ ×∑ 2
=
2
=
2
1 2
12
1
2
2
2
887015
4190220 × 225846.67 13705
1161.5
=
× 225846.67
54035
4190220 × 1161,5
= 0.911813
= 0.84618
= 0.774546
3. Menghitung Standard Error of Estimate
= − − 2
( 1(
)) = 225846 .67−0,14879 887015 +4,87713705 = 31.6359 30 −3
)+ 2 ( ( +1) 1
2
4. Kesalahan baku untuk koefisien b1
= 1
(
1
2
− )(1− 1
2
12
= 2)
31.6359
( 52272900 −30×1602756)(1 −0.774546 ) 2
= 0.024434
5. Kesalahan baku untuk koefisien b2
= 2
(
2
2
− )(1− 2
2
12
= 2)
31.6359
(96929−30×3192.25)(1−0.774546 ) 2
= 1.467568
6. Pengujian Hipotesis Serentak atau Uji F a.
Menentukan Formulasi Hipotesis Ho : Tidak ada pengaruh serentak variabel independen terhadap model regresi H1 : Ada pengaruh serentak variabel independen terhadap model regresi
b. Menentukan taraf signfikansi
n =30 ; k= 2 ;α = 0.05 ; v1 = k = 2; v2 = n – k – 1 = 30 – 2 – 1 = 27 F(0,05;2;27) = 3.354 c.
Kriteria pengujian Ho diterima apabila F0 ≤ Fα ; v1)v2) = 3.354 dan ditolak apabila F0> Fα ; v1)v2)= 3.354
d. Uji statistik nilai uji F
R2 =
+ b ∑ = 0.14879 × 887015 + (4.877418 × 13705) = 0.88035 ∑ 225846.67
b1 ∑
1
2
2
2
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
100
MODUL V
ANALISIS KORELASI & REGRESI Tabel 4.18 Uji F Statistik
Sumber
Jumlah Kuadrat
Variasi
Db
= ∑ + ∑ =
Regresi
1
1
2
2
Rata-rata kuadrat
2
Error
Total
e.
27022.5042
=
F tabel
=
99412.08124
198824.162 JKE =JKT – JKR =
2 1
F hitung
27
= ∑ =225846.667
2 2
2 1 2 2
=
=1000.833488
=99.32929143
3.3541
2
Menarik kesimpulan Berdasarkan perhitungan diatas, didapatkan nilai Fhitung = 99.83293 > Ftabel = 3.3541 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh variabel independen modal dan jam kerja terhadap model regresi.
7. Uji t Variabel bebas X 1 (Modal) a.
Menentukan formulasi hipotesis H0 : Tidak ada pengaruh variabel independen modal terhadap model regresi H1 : Ada pengaruh variabel independen modal terhadap model regresi
b. Menentukan taraf signifikansi
α = 0.05 ; n= 30 ; db = 30 – 2 = 28 t (0.025;28)= 2.048 c.
Menentukan kriteria pengujian H0 diterima jika −2.048
≤
0
≤ 2.048 dan ditolak jika
0
> 2.048 atau
0
< −2.048
d. Uji statistik untuk menentukan nilai t t 1 = e.
1 1
=
0.14879 0,024434
= 6.089541
Kesimpulan Berdasarkan perhitungan diatas, didapatkan nilai Thitung X 1 = 6.089541 > Ttabel = 2.048 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh variabel independen modal terhadap model regresi.
Varibel bebas X2(Jam Kerja) a.
Menentukan Hipotesis H0 : Tidak ada pengaruh variabel independen jam kerja terhadap model regresi H1 : Ada pengaruh variabel independen jam kerja terhadap model regresi
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
101
MODUL V
ANALISIS KORELASI & REGRESI b. Menentukan taraf signifikansi
α = 0.05 ; n= 30 ; db = 30 – 2 = 28 t (0.025;28)= 2.048 c.
Menentukan kriteria pengujian H0 diterima jika −2.048
≤
0
≤ 2.048 dan ditolak jika
0
> 2.048 atau
0
< −2.048
d. Uji statistik untuk menentukan nilai t t 2 = e.
2 2
=
4.877418 1.467569
= 3.323467
Kesimpulan Berdasarkan perhitungan diatas, didapatkan nilai Thitung X 2 = 3.323467 > Ttabel = 2.048 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh variabel independen jam kerja terhadap model regresi.
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
102
MODUL V
ANALISIS KORELASI & REGRESI
BAB V PENUTUP 5.1
Kesimpulan Berikut adalah kesimpulan yang didapatkan dari praktikum Analisis Korelasi dan Regresi
Linear. 1.
Pada studi kasus analisis korelasi sederhana, yaitu hubungan antara variabel independen jumlah tenaga kerja dengan variabel dependen pendapatan, didapatkan nilai Pearson Correlation sebesar 0.986 sehingga dapat diketahui bahwa hubungan antara variabel independen jumlah tenaga kerja dengan variabel dependen pendapatan memiliki arah positif dengan besar hubungan yang sangat kuat; nilai R square sebesar 0.972 sehingga dapat diketahui bahwa 97.2% variabel independen jumlah tenaga kerja mempengaruhi variabel dependen pendapatan; sertanilai Adjusted R square sebesar 0.971sehingga dapat diketahui bahwa 97.1% variabel independen jumlah tenaga kerja mempengaruhi variabel dependen pendapatan setelah ditambahkan dengan variabel yang lain.
2.
Pada studi kasus analisis korelasi berganda, yaitu hubungan antara variabel independen modal dan jam kerja dengan variabel dependen pendapatan, didapatkan nilai Pearson Correlation sebesar 0.912 dan 0.846 sehingga dapat diketahui bahwa hubungan antara variabel independen modal dan jam kerja dengan variabel dependen pendapatan memiliki arah positif dengan besar hubungan yang sangat kuat dan kuat; nilai R square sebesar 0.880 sehingga dapat diketahui bahwa 88.0% variabel independen modal dan jam kerja mempengaruhi variabel dependen pendapatan; serta nilai Adjusted R square sebesar 0.871sehingga dapat diketahui bahwa 87.1% variabel independen modal dan jam kerja mempengaruhi variabel dependen pendapatan setelah ditambahkan dengan variabel yang lain.
3.
Pada studi kasus analisis regresi linear sederhana, yaitu pengaruh variabel independen jumlah tenaga kerja terhadap variabel dependen pendapatan, didapatkan persamaan Y = 987.569 + 1012.934X, dimana koefisien variabel X sebesar 1012.934 menunjukkan naik turunnya nilai variabel dependen Y tiap satu satuan nilai dari variabel independen X.
4.
Pada studi kasus analisis regresi linear berganda, yaitu pengaruh variabel independen modal dan jam kerja terhadap variabel dependen pendapatan, didapatkan persamaan Y = 225.391 + 4.877 X1 + 0.149 X2, dimana koefisien variabel X 1 sebesar 4.877 dan koefisien variabel X2 sebesar 0.149 menunjukkan naik turunnya nilai variabel dependen Y tiap satu satuan nilai dari variabel independen X 1dan X2..
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
103