Analisis Korelasi Dan Regresi

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



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



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



r =6 d1

2

n(n21) (2-2)


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)


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)


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



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



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)


= X2Syx

n X2 X 2 =

Se

X2 X 2

n

(2-11)


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)


Koefisien korelasi Y-X1

.1 =n x1y( x1)( y)

n. x1 2 x1 2 . n. y2 y2 (2-14)


Koefisien korelasi Y-X2

.2 =n x2y( x2)( y)

n. x2 2 x2 2 . n. y2 y2 (2-15)


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



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)


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)


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)


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)


80



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



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



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



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



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



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


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



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



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.


2. Pilih Analyze >>> Regression >>> linier, masukkan pendapatan pada Dependent dan tenaga


3. Klik Statistics, centang Explore, model fit, R squared change, descriptive, collinearity

diagnostics, dan Durbin-Watson >>> klik Continue.

Gambar 4.3Uji regresi linear

88




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



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



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



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


H0 : Tidak ada pengaruh jumlah tenaga kerja terhadap model regresi

H1 : Ada pengaruh jumlah tenaga kerja terhadap model regresi

92




= 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.


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



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.


2. Pilih Analyze >>>Regression >>> linier, masukkan pendapatan_bersih pada Dependent dan



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



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



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



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.


2. Pilih Analyze >>>Regression >>> linier, masukkan pendapatan_bersih pada Dependent dan


3. Klik Statistics, centang Explore, model fit, R squared change, descriptive, collinearity

diagnostics, dan Durbin-Watson >>> klik Continue.

Gambar 4.6Uji regresi linear


Standardized Residual Plot. Klik Continue kemudian OK.

97



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



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


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


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



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



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



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)


H0 : Tidak ada pengaruh variabel independen modal terhadap model regresi

H1 : Ada pengaruh variabel independen modal terhadap model regresi


= 0.05 ; n= 30 ; db = 30 2 = 28

t(0.025;28)= 2.048


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




= 0.05 ; n= 30 ; db = 30 2 = 28

t(0.025;28)= 2.048


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



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



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.

Documents

Analisis Korelasi Dan Regresi