Professional Documents
Culture Documents
7.1.
ANALISIS REGRESI-KORELASI
Analisis Regresi Linier Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis
tertentu denagn jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa 20 ekor ayam dan ditemukan sebagai berikut : Tabel 1.7.1. Jumlah Cacing dan Jumlah Telurnya pada Usus Ayam Buras.
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Total Rataan Jumlah Cacing ( Xi) 12 14 13 12 15 16 13 11 10 11 12 13 17 19 13 11 16 12 14 15 269 13,45 Jumlah telurnya (Yi) 45 50 51 43 61 62 50 43 40 44 48 52 70 76 53 43 60 48 53 63 1055 52,75
Panggil atau keluarkan program SPSS, Klik Variable View, maka muncul Gambar 1.7.1
Ketik X dan Y pada Klom Name, ketik angka 0 pada Kolom Decimals dan pada KLOM Label ketik Jumlah Cacing dan Jumkah Telur, kemudian Klik Data View, maka muncul Gambar 2.7.1.
Gambar 2.7. 1. Data View Salin data Tabel 1.7.1. ke Gambar 2.7. KLik Graphs, pilih ScatterDot Simple Scatter. Klik Difine, muncul Gambar 3,7.1.
Gambar 3.7.1. Kotak Dialog Simple Scatterplot Klik Jumlah Telur (Y), pindahkan dengan tada ke Kotak Y Axis Klik: Jumlah Cacing(X), pindahkan dengan tada ke Kotak X Axis KLIK OK, maka diperoleh hasil berikut :
Graph
80
Jumlah Telur
70
60
50
40 10 12 14 16 18 20
Jumlah Cacing
Dari Scatterplot tampak garisnya berbentuk linier, maka kita perlu mencari persamaannya, dengan cara sebagai berikut : Kembali ke Gambar 2.71. Klik Analyze , pilih Regression Linear, maka muncul Gambar 4.7.1.
Gambar 4.7. 1. Kotak Dialog Liniar Regreeion Klik Jumlah Telur(Y), pindahkan dengan tanda ke Kotak Dependent Klik Jumlah Cacing (Y), pindahkan dengan tanda ke Kotak Independent(s) MethodeEnter
Regression
Variables Entered/Removed(b) Variables Variables Entered Removed Method Jumlah . Enter Cacing(a) a All requested variables entered. b Dependent Variable: Jumlah Telurnya Model 1 Model Summary Adjusted R R R Square Square .972(a) .946 .943 a Predictors: (Constant), Jumlah Cacing Model 1 Std. Error of the Estimate 2.332
df 1 18 19
F 312.643
Sig. .000(a)
Coefficients(a) Unstandardized Coefficients B -2.442 4.104 Std. Error 3.165 .232 Standardized Coefficients t Beta .972 -.772 17.682 .450 .000 1 a (Constant) Jumlah Cacing Sig.
Model
Dependent Variable: Jumlah Telurnya Kesimpulan : -Koefesin korelasinya (R) : 0,972 -Garis Regresinya sangan nyata (P<0.1), lihat Sig pada ANOVA -Persamaan Garis Geresinya : Y = = -2,442 + 4.104X, Lihat nilai pada Kolom B Menggambar Persamaan Garis Regresi Kembali ke Gambar 2.7
Gambar 5.7.1. Data View Ketik angka 10 20 pada Kolom X, seperti tampak pada Gambar 5.7
Gamabar 6.7. 1. Kotak Dialog Compute Variable Ketik Y pada Target Variable dan Ketik -2.442 + 4.103*X pada Numeric Expression Lalu Klik OK, maka Kolom Y pada Gambar 5.7 dilengkapi. Klik Graph, pilih Line, pilih Simple, Klik Define, maka muncul Gambar 7.7
Graph
80
70
60
50
Y = - 2.442 + 4.103X
40
30 10 12 14 16 18 20
Jumlah Cacing
7.2.
Seorang peneliti ingin mengetahui hubungan antara dosis oba tertentu (X) dengan kadar Creatinin Ginjalnya (Y) dari hasil peneitiannya diperoleh hasil sebagai berikut : Tabel 1.7.2. Kadar Creatinie pada Berbagai Dosis Obat.:
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Dosis Obat mg (Xi) 1 2 3 4 5 7 3 2 4 6 7 8 8 1 3 Kadar Creatinin % (Yi) 10 13 15 20 16 11 14 12 21 17 10 7 6 11 16
.Panggil atau keluarkan program SPSS Klik Variabel View, maka muncul Gambar 1.7.2.
Gambar 1.7.2. Kotak Dialog Variable View Ketik X dan Y pada Kolom Name, ketik angka 0 pada Kolom Decimals dan pada Kolom Label ketik Dosis Obat dan Kadar Cretinin(%), lalu Klik Data View, maka mumcul Gambar 2.7.2.
Klik Graphs, pilih ScatterDot Simple Scatter, Klik Define, muncul Gambar 3.7.2.
Gambar 3.7.2. Kotak Dialog Simple Scatterplot Klik Kadar Creatinin (%)(Y), pindahkan dengan tandake Y Axis Klik Dosis Obat (x), pindahkan dengan tandake X Axis Klik OK, maka diperleh hasil sebagai berikut :
Graph
21
18
Kadar Creatinin(%)
15
12
6 1 2 3 4 5 6 7 8
Dosis Obat
Jadi berdasarkan Plot Data kemungkinan Persamaan Garis Regresinya adalah : Y = 0 + 1X + 2X2 Kembali ke gambar 2.7.2., lalu Klik Transform Compute, maka muncul Gambar 4.7.2.
Gambar 4.7.2. Kotak Dialog Compute Variable Pada Target Variable Ketik XX, dan pada Numeric Expression : X*X Klik OK, maka muncul Gambar 5.7.2.
Klik Analyze, pilih Regression Klik Linear, maka muncul Gambar 6.7.2.
Gambar 6.7.2. Kotak Dialog Linier Regression Klik Dosis Obat (X) dan XX, pindahkan dengan tandake Independent List(s) Klik Kadar Creatinin (%)(Y), , pindahkan dengan tandake Dependent List Method Enter, Klik .OK, diperoleh hasil sebagai berikut : .Regression
Model Summary Adjusted R R R Square Square .921(a) .848 .822 a Predictors: (Constant), XX, Disis Obat Model 1 Std. Error of the Estimate 1.826
Df 2 12 14
F 33.436
Sig. .000(a)
262.933 a Predictors: (Constant), XX, Disis Obat b Dependent Variable: Kadar Kretinin
Coefficients(a)
Standardized Coefficients t Beta 3.807 -4.209 1.798 6.959 -7.694 .097 .000 .000 Sig.
Kesimpulan : 1. Koefesin korelasinya (R) : 0,921 2. Garis Regresinya sangan nyata (P<0.1), lihat Sig pada ANOVA 3. Persamaan Garis Geresinya : Y = 3.363 + 6.778X - 0.801 X2 Menggambar Persamaan Garis Regresi Kembali ke Gambar 2.7.2., Ganti Kolom X dengan angka 0 8, seperti tampat pada Gambar 7.7.2. sedangkan Kolom kosongkan, lalu Klik Tanform, pilih Compute, maka muncul Gambar 8.7.2.
Gambar 8.7.2. Ktak Dialog Compute Variable Ketik Y pada Target Variable dan ketik 3.363 + 6.778*X - 0.801*X*X pada Numeric Expression, lalu Klik OK, maka kembali ke Gambar 7.7,2. dengan pada Klom Y nya telah dilengkapi dilengkapi. Klik Graphs, pilih Line, pilih Simple, Klikk Define, maka muncul Gambar 9.7.2.
Klik Kadar Creatini (%), pindahkan dengan tanda ke Variable Klik Dosis Obat(X) , pindahkan dengan tanda ke Category Axis
Graph
18
15
12
3 0 1 2 3 4 5 6 7 8
Dosis Obat