Upload
puspaldy
View
43
Download
2
Tags:
Embed Size (px)
DESCRIPTION
Statistika. Korelasi. Regresi.
Citation preview
73
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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%.
74
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
1.4 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.
75
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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 =n X i Y i( X i )( Y i )
n X i2( X i )2 n Y i
2( Y i )2
(2-1)
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 rs dan dirumuskan
sebagai berikut.
76
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
r =6 d1
2
n(n21) (2-2)
Sumber: Hasan (2001:234)
Keterangan: d = selisih ranking X dan Y n = banyaknya pasangan data
3. 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
x2n (2-3)
Sumber: Hasan (2001:235)
Keterangan: x2 = kai kuadrat n = jumlah semua frekuensi
4. 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 x2 x2 n y2 y2 (2-6)
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).
77
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
1. KK = 0, tidak ada korelasi
2. 0 < KK 0.20, korelasi sangat rendah atau lemah sekali.
3. 0.20 < KK 0.40, korelasi rendah atau lemah tapi pasti.
4. 0.40 < KK 0.70, korelasi yang cukup berarti.
5. 0.70 < KK 0.90, korelasi yang tinggi atau kuat.
6. 0.90 < KK 1.00, korelasi sangat tinggi atau kuat sekali.
7. KK = 1, korelasi sempurna
2.2 Regresi
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). Asumsi-
asumsi 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.
78
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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:
= Y X2 ( X)( XY )
N X2( X)2 (2-8)
Sumber: Bluman (2009:553)
=N XY( X)( Y)
N X2( X)2 (2-9)
Sumber: Bluman (2009:553)
Kesalahan baku regresinya adalah sebagai berikut:
= Y2a Yb XY
n2 (2-10)
Sumber: Hasan (2001:223)
= X2Syx
n X2 X 2 =
Se
X2 X 2
n
(2-11)
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 = + 11 + 22 + (2-12) Sumber: Patrino & Idrus (2010:50)
Koefisien korelasi X1-X2
1.2 =n x1x2( x1)( x2)
n. x1 2 x1 2 . n. x2 2 x2 2 (2-13)
Sumber: Hasan (2001:262)
Koefisien korelasi Y-X1
.1 =n x1y( x1)( y)
n. x1 2 x1 2 . n. y2 y2 (2-14)
Sumber: Hasan (2001:262)
Koefisien korelasi Y-X2
.2 =n x2y( x2)( y)
n. x2 2 x2 2 . n. y2 y2 (2-15)
Sumber: Hasan (2001:262)
Konstanta dan koefisien persamaan regresi dapat dihitung dengan rumus sebagai berikut:
1 = x1y x1
2 x2y x1x2
x1 2 x2 2 x1x2 2 (2-16)
Sumber: Patrino&Idrus (2010:50)
79
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
Standard Error Of Estimate adalah sebagai berikut:
= 2(1( 1)+2( 2))
(+1) (2-17)
Kesalahan baku regresinya adalah sebagai berikut:
1 =
( 121
2)(112 2)
(2-18)
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.
Rumus: t =r n2
1r2 (2-19)
Sumber: Hasan (2001:241)
Keterangan: r = koefisien korelasi n = jumlah data
2. Uji F
Tabel F digunakan untuk mengetahui pengaruh variabel bebas secara bersama-sama
terhadap variabel terikat.
Tabel 2.1 Anova Regresi Linear Berganda Sumber Variasi Jumlah Kuadrat Df Rata-rata Kuadrat F hitung
Regresi JKR (k - 1) RKR =JKR
k 1
RKR
RKE Error JKE (n - k) RKE =
JKE
k(n 1)
Total JKT (n - 1)
Sumber: Hasan (2001:264)
Rumus:
JKT = y2 = Y2 n Y 2 (2-20)
JKR = b1 x1 + b2 x2y (2-21)
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 =b1 x1+b2 x2y
y2 (2-23)
Sumber: Hasan (2001:265)
80
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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:
= etet1
2
et 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
Daerah Keragu-raguan
Tidak Ada Korelasi
Daerah Keragu-raguan Autokorelasi
Negatif d dl du 4-du 4-dl 4
Gambar 2.1 Penyimpangan autokorelasi Sumber: Lind (2007:259)
2.2.4.2 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/ (2-25)
81
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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
82
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
3.2 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.
83
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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
No. Pendapatan
(Puluhan ribu) Tenaga
Kerja Pendapatan
(Puluhan ribu) Tenaga Kerja
Pendapatan (Puluhan ribu)
Tenaga 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
No. Pendapatan
(puluhan ribu)
Modal (puluhan
ribu)
Jam Kerja (jam)
Pendapatan (puluhan
ribu)
Modal (puluhan
ribu)
Jam Kerja (jam)
Pendapatan (puluhan
ribu)
Modal (puluhan
ribu)
Jam Kerja (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.
84
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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
85
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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.
86
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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
= 0.05 n = 30 k = 1 dU = 1.42 df = 4 - dU
3. 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
No Y X Y et = (Y Y ) 2 et1 et et1 (et et1)
2
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
87
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
Tabel 4.4 Perhitungan Uji Autokorelasi Manual (Lanjutan)
No Y X Y et = (Y Y ) 2 et1 et et1 (et et1)
2
25 600 2 1038.299 -438.2986 192105.663 858.2294 -1296.53 1680984.9
26 6000 7 6102.969 -102.9686 10602.5326 -438.2986 335.33 112446.21
27 8450 8 7115.903 1334.0974 1779815.87 -102.9686 1437.066 2065158.7
28 250 1 25.3646 224.6354 50461.0629 1334.0974 -1109.46 1230905.9
29 1000 2 1038.299 -38.2986 1466.78276 224.6354 -262.934 69134.288
30 1500 2 1038.299 461.7014 213168.183 -38.2986 500 250000
91925 120 91925 0.002 8361424.91 -461.699 700 20167481
d = et et1
2
et2 =
20167481
8361424.91= 2.41196
5. 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
88
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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 Pendapatan 1.000 .986
tenaga_kerja .986 1.000
Sig. (1-tailed) Pendapatan . .000 tenaga_kerja .000 .
N Pendapatan 30 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.
Tabel 4.6 Output Model Summary Uji Regresi Linear Sederhana
Model Summary
Model R R
Square
Adjusted R
squared
Std. Error of the
Estimate
Change Statistics
Durbin Watson
R Square Change
F Change df1 df2
Sig. F Change
1 .986a .972 .971 546.463 .972 989.538 1 28 .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
nilaiAdjusted 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.
89
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
4.2.1.3.1.2 Analisis Regresi
Tabel 4.7 Output ANOVA Uji Regresi Linear Sederhana
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 sehinggaH0 ditolak, maka dapat
disimpulkan bahwa ada pengaruh variabel independenjumlah tenaga kerja dengan model
regresi.
Tabel 4.8 Output Coefficients Uji Regresi Linear Sederhana
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
T Sig.
Corre- Lations
Collinearity Statistics
B Std.
Error Beta
Zero-order
Partial Part Tolerance VIF
1 (Constant) -987.569 162.924 -6.062 .000
tenaga_kerja 1012.934 32.201 .986 31.457 .000 .986 .986 .986 1.000 1.000
a. 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 H0 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.
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1
Regression 2.955E8 1 2.955E8 989.538 .000a
Residual 8361424.913 28 298622.318
Total 3.039E8 29
90
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
4.2.1.3.2 Pengujian Manual
Berikut adalah pengolahan regresi linear sederhana secara manual.
Tabel 4.9Pengolahan Regresi Linear Sederhana
NO Pendapatan (104)
(Y) Tenaga Kerja
(X) XY Y2 x2
1 800 2 1600 640000 4 2 400 1 400 160000 1 3 3375 5 16875 11390625 25 4 1250 2 2500 1562500 4 5 2450 4 9800 6002500 16 6 500 1 500 250000 1 7 3000 5 15000 9000000 25 8 500 1 500 250000 1 9 700 2 1400 490000 4
10 2000 4 8000 4000000 16 11 1250 2 2500 1562500 4 12 5800 6 34800 33640000 36 13 1000 2 2000 1000000 4 14 1200 2 2400 1440000 4 15 5000 6 30000 25000000 36 16 1000 2 2000 1000000 4 17 300 1 300 90000 1 18 300 1 300 90000 1 19 5000 6 30000 25000000 36 20 3300 5 16500 10890000 25 21 13000 14 182000 169000000 196 22 6000 7 42000 36000000 49 23 6000 7 42000 36000000 49 24 10000 10 100000 100000000 100 25 600 2 1200 360000 4 26 6000 7 42000 36000000 49 27 8450 8 67600 71402500 64 28 250 1 250 62500 1 29 1000 2 2000 1000000 4 30 1500 2 3000 2250000 4 91925 120 659425 585533125 768
1. Koefisien korelasi liner sederhana ( r )
r =nXY XY
(nX2 (X)2 )(nY2 (Y)2 ) =
30. 659425 120.91925
(30.768 (120)2 )(30.585533125 (91925)2 )
r = 0.986145326
2. Koefisien determinasi ( R2 )
R2 = (r)2 100% = (0.986145326)2x 100% = 97.9737 %
3. Persamaan Regresi Linier Sederhana
b = nXY (X)(Y)
n X2) (X)2=
30.659425 120.91925
30.768 (120)2 = 1012.934
a = Y bX = 3064.167 (1012.934)(4) = -987.569
Jadi, persamaan regresi linier sederhana adalahY = 1012.934 X - 987.569 (dalam puluhan
ribu rupiah)
91
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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
= 0.05 ; /2 = 0.025 db = n k - 1 = 28
c. Menentukan kriteria pengujian
H0 diterima apabila Fhitung Ftabel= 4.196 dan ditolak apabila Fhitung> Ftabel = 4.196
d. Menentukan uji statistik nilai F
2 = X2 X)2
n= 768
120)2
30= 288
2 = Y2 Y)2
n= 585533125
91925)2
30= 303859604
= XY2 X) Y)
n= 659425
91925 120
30= 291725
b =
2=
291725
288= 1012.934028
= = 1012.934028 291725 = 295498179.3
2 = 2 = 303859604 295498179.3 = 8361424.913
Tabel 4.10 Analisis ANOVA
Sumber Variasi
Jumlah Kuadrat Db Rata-rata kuadrat
F hitung F tabel
Regresi = 295498179.3 1 1
2 =
1= 295498179.3
12
22
= 989.5381595
4.195971707 Error 2 = 8361424.913 (n-2 )=28 2
2 =
2= 298622.3183
Total + 2 = 303859604.2
n-2 + 1 =29
e. Kesimpulan
Berdasarkan hasil perhitungan diatas, diperoleh Fhitung = 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
92
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
b. Menentukan taraf signifikansi
= 0.05 ; /2 = 0.025 n = 30 db = n k - 1 = 28
c. Kriteria pengujian
H0 diterima apabila thitung ttabel dan ditolak apabila thitung> ttabel = 2.048
d. Menentukan uji statistik nilai uji t
t = r n 2
1 r2=
0.986 30 2
1 0.972= 31.4569
e. Menarik kesimpulan
Berdasarkan hasil perhitungan diatas, diperoleh thitung = 31.457 > ttabel = 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
93
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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.
94
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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
= 0.05 n = 30 k = 2 dU = 1.56
3. 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
No X1 X2 Y = ( ) ( )
1 500 45 509 519.2696 -10.2696 - - - 105.4648896
2 1150 60 714 689.1444 24.85562 -10.2696 35.12523 1233.781783 617.8018456
3 750 47 549 566.2219 -17.2219 24.85562 -42.0776 1770.52156 296.595424
4 800 48 554 578.5389 -24.5389 -17.2219 -7.31692 53.53728902 602.1558464
5 1100 55 709 657.3178 51.68221 -24.5389 76.22107 5809.652122 2671.05083
6 600 49 544 553.6583 -9.65828 51.68221 -61.3405 3762.655959 93.28241119
7 1250 58 734 694.2685 39.73146 -9.65828 49.38974 2439.34622 1578.588596
8 750 45 519 556.4671 -37.4671 39.73146 -77.1986 5959.618592 1403.784332
9 1475 67 759 771.6431 -12.6431 -37.4671 24.82405 616.233657 159.846865
95
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
Tabel 4.12 Uji Autokorelasi Regresi Linear Berganda (Lanjutan)
No X1 X2 Y = ( ) ( )
10 1100 58 659 671.95 -12.95 -12.6431 -0.30699 0.094241632 167.7036396
11 980 51 574 619.9533 -45.9533 -12.95 -33.0033 1089.216095 2111.707435
12 1650 60 779 763.5394 15.46062 -45.9533 61.41394 3771.671781 239.0307708
13 1650 65 799 787.9265 11.07353 15.46062 -4.38709 19.24655867 122.6230667
14 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
d = et et1
2
et2 =
53304.7796
27047.3884= 1.970792108
5. 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
96
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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
1r122 =
1
10.7745462=2.499509509
Tolerance = 1
VIF =
1
82.499509509 =0.400078494
3. 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.
97
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
4.2.2.3.1.1 Analisis Korelasi
Tabel 4.13 Output Correlations Uji Regresi Linear Berganda Correlations
Pendapatan jam_kerja Modal
Pearson Correlation
pendapatan 1.000 .846 .912
jam_kerja .846 1.000 .775
Modal .912 .775 1.000
Sig. (1-tailed) pendapatan . .000 .000 jam_kerja .000 . .000 Modal .000 .000 .
N
pendapatan 30 30 30
jam_kerja 30 30 30
Modal 30 30 30
a. 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 H0 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.
Tabel 4.14 Output Model Summary Uji Regresi Linear Berganda
Model Summary
Model R R
Square Adjusted
R squared
Std. Error of the
Estimate
Change Statistics Durbin Watson
R Square Change F Change df1 df2
Sig. F Change
1 .938a .880 .871 31.63595 .880 99.329 2 27 .000 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.
98
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
4.2.2.3.1.2 Analisis Regresi
Tabel 4.15 Output ANOVA Uji Regresi Linear Berganda ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1
Regression 198824.162 2 99412.081 99.329 .000a
Residual 27022.504 27 1000.833
Total 225846.667 29
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
Model
Unstandardized Coefficients
Standardized Coefficients
T Sig.
Correlations Collinearity
Statistics
B Std.
Error
Beta Zero-Order Partial Part Tolerance VIF
1 (Constant) 225.391 62.388 3.613 .001 Jam_Kerja 4.877 1.468 .350 3.323 .003 .846 .539 .221 .400 2.500 Modal .149 .024 .641 6.090 .000 .912 .761 .405 .400 2.500
a. 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 H0 ditolak. Maka dapat
disimpulkan bahwa ada pengaruh koefisien modal terhadap model regresi.
99
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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 X1dan 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
No Modal
(X1)
Jam Kerja (X2)
Pendapatan Bersih (Y)
X1Y X2Y X1X2 X12 X22 Y2
1 500 45 509 254500 22905 22500 250000 2025 259081 2 1150 60 714 821100 42840 69000 1322500 3600 509796 3 750 47 549 411750 25803 35250 562500 2209 301401 4 800 48 554 443200 26592 38400 640000 2304 306916 5 1100 55 709 779900 38995 60500 1210000 3025 502681 6 600 49 544 326400 26656 29400 360000 2401 295936 7 1250 58 734 917500 42572 72500 1562500 3364 538756 8 750 45 519 389250 23355 33750 562500 2025 269361 9 1475 67 759 1119525 50853 98825 2175625 4489 576081
10 1100 58 659 724900 38222 63800 1210000 3364 434281 11 980 51 574 562520 29274 49980 960400 2601 329476 12 1650 60 779 1285350 46740 99000 2722500 3600 606841 13 1650 65 799 1318350 51935 107250 2722500 4225 638401 14 1250 60 754 942500 45240 75000 1562500 3600 568516 15 1850 54 799 1478150 43146 99900 3422500 2916 638401 16 1650 65 779 1285350 50635 107250 2722500 4225 606841 17 1000 49 659 659000 32291 49000 1000000 2401 434281 18 1475 56 724 1067900 40544 82600 2175625 3136 524176 19 1750 63 769 1345750 48447 110250 3062500 3969 591361 20 1650 65 724 1194600 47060 107250 2722500 4225 524176 21 1750 60 774 1354500 46440 105000 3062500 3600 599076 22 1475 61 744 1097400 45384 89975 2175625 3721 553536 23 1000 60 709 709000 42540 60000 1000000 3600 502681 24 1750 57 729 1275750 41553 99750 3062500 3249 531441 25 1250 58 669 836250 38802 72500 1562500 3364 447561 26 1475 59 744 1097400 43896 87025 2175625 3481 553536 27 1650 61 764 1260600 46604 100650 2722500 3721 583696 28 1100 58 634 697400 36772 63800 1210000 3364 401956 29 1250 54 684 855000 36936 67500 1562500 2916 467856 30 900 47 619 557100 29093 42300 810000 2209 383161
Rata* 1266 56.5 689.3333333 1742430 3230.967 37980 1695 20680 27067895 1182125 2199905 52272900 96929 14481260
1. Menghitung persamaan regresi linear berganda
12 = X1
2 X1)
2
n= 52272900
37980)2
30= 4190220
22 = X2
2 X2)
2
n= 96929
1695)2
30= 1161.5
2 = Y2 Y)2
n= 14481260
20680)2
30= 225846.67
1 = X1Y X1) Y)
n= 27067895
37980 x 20680
30= 887015
100
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
2 = X2Y X2) Y)
n= 1182125
91925 20680
30= 13705
12 = X1X2 X1) X2)
n= 2199905
37980 1695
30= 54035
b1 =2
2 1 122
122
2 (12)2
= 1161.5 887015) (54035 13705 )
4190220 1161.5 ) (54035)2= 0.14879
b2 =1
22 121
122
2 (12)2
= 4190220 13705) (54035 887015 )
4190220 1161.5 ) (54035)2= 4.877418
a = Y b1X1 b2X2 = 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
12 2
=887015
4190220 225846.67= 0.911813
2 = 2
22 2
=13705
1161.5 225846.67= 0.84618
12 = 12
12 2
2=
54035
4190220 1161,5= 0.774546
3. Menghitung Standard Error of Estimate
= 2(1( 1)+2( 2))
(+1)=
225846 .67 0,14879 887015 +4,877 13705
303= 31.6359
4. Kesalahan baku untuk koefisien b1
1 =
( 121
2)(112 2)
=31.6359
( 52272900 301602756 )(10.7745462)
= 0.024434
5. Kesalahan baku untuk koefisien b2
2 =
( 222
2)(112 2)
=31.6359
(96929303192.25)(10.7745462)
= 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 ; = 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 F ; v1) v2) = 3.354 dan ditolak apabila F0> F ; v1) v2)= 3.354
d. Uji statistik nilai uji F
R2 = b11 + b22
2=
0.14879 887015 + (4.877418 13705)
225846.67= 0.88035
101
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
Tabel 4.18 Uji F Statistik
Sumber
Variasi Jumlah Kuadrat Db Rata-rata kuadrat F hitung F tabel
Regresi
= 11 +
22 =
198824.162
2 1
2 =
=
99412.08124
12
22 =99.32929143
3.3541 Error
JKE =JKT JKR =
27022.5042 27
22 =
=1000.833488
Total =
2 =225846.667
e. 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 X1 (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
= 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 atau0 < 2.048
d. Uji statistik untuk menentukan nilai t
t1 = 1
1=
0.14879
0,024434= 6.089541
e. Kesimpulan
Berdasarkan perhitungan diatas, didapatkan nilai Thitung X1 = 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
102
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
b. Menentukan taraf signifikansi
= 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 atau0 < 2.048
d. Uji statistik untuk menentukan nilai t
t2 = 2
2=
4.877418
1.467569= 3.323467
e. Kesimpulan
Berdasarkan perhitungan diatas, didapatkan nilai Thitung X2 = 3.323467 > Ttabel =
2.048 sehingga H0 ditolak. Maka dapat disimpulkan bahwa ada pengaruh variabel
independen jam kerja terhadap model regresi.
103
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
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 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 X1dan X2..
104
MODUL V ANALISIS KORELASI & REGRESI
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
5.2 Saran
Berikut adalah saran yang dapat diberikan pada praktikum Analisis Korelasi dan Regresi
Linear.
1. Untuk praktikum Analisis Korelasi dan Regresi selanjutnya, sebaiknya data yang
digunakan bukan hanya data sekunder melainkan juga menggunakan data primer agar
praktikan mampu melakukan observasi sendiri untuk menambah wawasan dan
pengetahuan.