Modul 5 Print

ANALISIS KORELASI DAN REGRESI MODUL
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

V
1
BAB I
PENDAHULUAN

1.1. Latar Belakang
Dalam suatu penelitian, terkadang diperlukan analisis mengenai suatu hubungan antara
beberapa variabel. Variabel yang ingin diteliti bisa antara dua variabel atau lebih. Yang
dimaksud dengan variabel penelitian disini adalah segala sesuatu yang ingin diteliti dan
memiliki variasi nilai, sehingga dapat dilakukan analisis lebih lanjut. Analisis yang dilakukan
untuk meneliti variabel-variabel penelitian dapat dilakukan dengan bantuan statistik. Dengan
dilakukannya suatu analisis, maka akan didapatkan suatu hasil yang digunakan untuk
mengambil kesimpulan secara cepat dan tepat. Salah satu cara untuk menganalisis variabel
penelitian adalah dengan menggunakan teknik analisis korelasi dan analisis regresi.
Analisis korelasi merupakan salah satu cara yang digunakan untuk menentukan seberapa
besar hubungan kedua variabel tersebut. Sedangkan untuk analisis regresi bertujuan
meramalkan nilai dari suatu variabel dalam hubungannya dengan variabel lainnya yang dapat
diketahui melalui persamaan regresi.

1.2. Batasan Praktikum
Batasan-batasan yang digunakan selama pelaksanaan praktikum ini adalah :
1. Data yang digunakan adalah data primer.
2. Jumlah data yang diambil sebanyak 25 sampel.

1.3. Asumsi Praktikum
Asumsi-asumsi yang digunakan selama praktikum ini antara lain :
1. Kenormalan
2. Linear
3. Homogen
4. Independen / kebebasan antar pengamatan

1.4. Tujuan Praktikum
Tujuan dari pelaksanaan praktikum ini adalah :
1. Untuk mengetahui dan memahami fungsi analisis korelasi dan regresi.
2. Untuk mengetahui cara pengujian analisis korelasi dan regresi serta dapat menarik
kesimpulan dari hasil pengujian tersebut.
3. Untuk mengetahui korelasi antar variabel bebas (independen) dan variabel terikat
(dependen).
4. Untuk memahami aplikasi dari penggunaan analisis regresi, baik regresi linier sederhana
maupun berganda.

V
2
1.5. Manfaat Praktikum
Manfaat yang diperoleh dari pelaksanaan praktikum ini adalah :
1. Agar praktikan dapat mengetahui dan memahami fungsi analisis korelasi dan regresi.
2. Agar praktikan dapat memahami aplikasi dari penggunaan analisis regresi, baik regresi
linear sederhana maupun berganda.
3. Agar praktikan dapat mengetahui cara pengujian analisis korelasi dan regresi serta dapat
menarik kesimpulan dari hasil pengujian tersebut.
4. Agar praktikan dapat mengetahui korelasi antar variabel bebas (independen) dan variabel
terikat (dependen).


V
3
BAB II
TINJUAN PUSTAKA

2.1 Korelasi
Korelasi merupakan bagian dari statistika yang biasanya digunakan untuk menganalisis
suatu permasalahan yang berhubungan dengan keeratan suatu variabel.

2.1.1 Definisi Korelasi
Korelasi merupakan salah satu teknik statistik yang digunakan untuk mencari hubungan
antara dua variabel atau lebih, yang sifatnya kuantitatif. Teknik korelasi merupakan teknik
analisis yang melihat kecenderungan pola dalam satu variabel berdasarkan kecenderungan pola
dalam variabel yang lain. Ketika satu variabel memiliki kecenderungan untuk naik maka akan
terlihat kecenderungan dalam variabel yang lain apakah naik, turun, atau tidak menentu. Jika
kecenderungan dalam satu variabel selalu diikuti oleh kecenderungan dalam variabel lain, kita
dapat mengatakan bahwa kedua variabel ini memiliki hubungan atau korelasi.

2.1.2 Macam-macam korelasi
Korelasi dapat dibedakan menjadi beberapa macam, berikut ini merupakan macam-macam
korelasi.
1. Korelasi Sederhana
Korelasi sederhana digunakan untuk menguji hipotesis hubungan antara dua variable,
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 digunakan untuk mengetahui hubungan antara dua variabel dimana
variabel lainnya yang dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai
variabel kontrol). Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1
atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati 0
berarti hubungan antara dua variabel semakin lemah. Korelasi parsial menurut arah
hubungan dua varibel (direction of correlation) dapat dibedakan menjadi :
1. Direct Correlation (Possitive Correlation) adalah hubungan yang sifatnya satu arah.
Korelasi positif terjadi jika antara dua variabel atau lebih berjalan parallel atau searah
yang berarti jika variabel X mengalami kenaikan maka variabel Y juga mengalami
kenaikan. Misalnya, Hubungan antara harga dengan penawaran.
2. Inverse Correlatin (Negative Correlation) adalah hubungan antara dua variabel atau
lebih yang berjalan dengan arah yang berlawanan, bertentangan atau sebaliknya.

V
4
Korelasi negatif terjadi jika antara dua variabel atau lebih berjalan berlawanan yang
berarti jika variabel X mengalami kenaikan maka variabel Y mengalami penurunan atau
sebaliknya. Misalnya, hubungan antara harga dengan permintaan.
3. Korelasi Nihil (tidak berkolerasi) adalah perubahan satu variable yang tidak
mempengaruhi variable lain. Misalnya, Jika tinggi badan bertambah tidak akan
mempengaruhi warna kulit.

Gambar 2.1 Direct Correlation, Inverse Correlation, dan Korelasi Nihil
Sumber : Anonim (2009)

2.1.2 Koefisien Korelasi
Ukuran yang digunakan untuk mengukur derajat hubungan (korelasi) linear disebut
koefisien korelasi (correlation coefficient) yang dinyatakan dengan notasi r yang sering dikenal
dengan nama koefisien korelasi Pearson atau Product Moment Coefficient of Correlation.

2.1.2.1 Jenis-Jenis Koefisien Korelasi
1. Korelasi Pearson (Product Moment)
Korelasi ini digunakan jika sampel datanya lebih dari 30 data (sampel besar), jenis
datanya adalah interval dan rasio, dan data berdistribusi normal (Hasan: 2002).
Rumus dari korelasi ini adalah:

(2-1)
Sumber: Iqbal Hasan (2001)

Dimana :
r = koefisien korelasi
X = skor variabel X
Y = skor variabel Y
n = besar sampel/banyaknya responden
Dalam pengujian signifikansi r, jika tabel r tidak ada, maka pengujian signifikansi r
dapat dilakukan dengan menggunakan tabel t. Untuk keperluan itu, nilai r harus
ditransformasi menjadi nilai t yang rumusnya sebagai berikut:

(2-2)


V
5
2. Koefisien Penentu (KP) atau Koefisien Determinasi (R2)
Jika koefisien korelasi dikuadratkan akan menjadi koefisien penentu (KP) 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). Koefisien penentu dirumuskan:

(2-3)

Dimana:
KK = koefisien korelasi
Jika koefisien korelasinya adalah koefisien korelasi Pearson (r) maka koefisien penentunya
adalah:

(2-4)

Dalam bentuk rumus, koefisien penentu (KP) dituliskan:

][
]
(2-5)

3. Korelasi Rank Spearman
Korelasi Rank Spearman digunakan jika sampel datanya kurang dari 30 data (sampel
kecil), jenis datanya adalah ordinal, dan data tidak berdistribusi normal. Koefisien korelasi
Rank Spearman dinotasikan rs. Dalam aplikasinya, setiap data xi dan yi ditetapkan
peringkat relatifnya terhadap data x dan y lainnya dari data terkecil sampai terbesar.
Peringkat terkecil diberi nilai 1 dan jika terdapat data yang sama maka masing-masing nilai
diberi peringkat rata-rata dari posisi yang seharusnya. Korelasi Rank Spearman dapat
dihitung dengan rumus:

(2-6)

Dimana :
rs : Korelasi Rank Spearman
n : Jumlah Sampel
4. Koefisien Korelasi Bersyarat (Koefisien Kontingensi)
Koefisien korelasi bersyarat digunakan untuk data kualitatif. Data kualitatif adalah data
yang tidak berbentuk angka-angka, tetapi berupa kategori-kategori, misalnya data yang
berkategorikan kurang, cukup, sangat cukup atau tinggi, menengah atau sedang, rendah,
atau gejala-gejala yang bersifat nominal (data nominal). Seperti halnya koefisien korelasi

V
6
data kuantitatif, koefisien korelasi bersyarat ini disimbolkan C dan mempunyai interval
nilai antara -1 dan 1(-1C1).
Koefisien korelasi bersyarat dirumuskan:

(2-7)
Dimana:
2
= kai kuadrat
n = jumlah semua frekuensi
C = koefisien korelasi bersyarat

2.1.2.2 Interpretasi Koefisien Korelasi
Ada tiga penafsiran hasil analisis korelasi. Pertama, melihat kekuatan hubungan dua
variabel. Kedua, melihat signifikansi hubungan dan ketiga melihat arah hubungan dua variabel.
1. Melihat arah hubungan
Dalam korelasi ada dua arah korelasi, yaitu searah dan tidak searah. Pada SPSS hal ini
ditandai dengan pesan two tailed. Arah korelasi dilihat dari angka koefesien korelasi. Jika
koefesien korelasi positif, maka hubungan kedua variabel searah. Searah artinya jika
variabel X nilainya tinggi, maka variabel Y juga tinggi. Jika koefesien korelasi negatif, maka
hubungan kedua variabel tidak searah. Tidak searah artinya jika variabel X nilainya tinggi,
maka variabel Y akan rendah.
Tabel 2.1 Nilai Koefisien Korelasi
No. Koefisien korelasi Interpretasi Keeratan Hubungan
1.
2.
3.
4.
5.
6.
0,00 - 0,19
0,20 - 0,39
0,40 - 0,59
0,60 - 0,79
0,80 - 0,99
1
Sangat lemah
Lemah
Sedang
Kuat
Sangat kuat
Korelasi Sempurna
Sumber : Iqbal Hasan (2001)

2. Melihat kekuatan hubungan antar dua variabel
Untuk melakukan interpretasi kekuatan hubungan antara dua variabel dilakukan
dengan melihat angka koefisien korelasi hasil perhitungan dengan menggunakan kriteria
sebagai berikut:
a. Jika angka koefesien korelasi menunjukkan 0, maka kedua variabel tidak mempunyai
hubungan
b. Jika angka koefesien korelasi mendekati 1, maka kedua variabel mempunyai hubungan
semakin kuat
c. Jika angka koefesien korelasi mendekati 0, maka kedua variabel mempunyai hubungan
semakin lemah

V
7
d. Jika angka koefesien korelasi sama dengan 1, maka kedua variabel mempunyai
hubungan linier sempurna positif.
e. Jika angka koefesien korelasi sama dengan -1, maka kedua variabel mempunyai
hubungan linier sempurna negatif.
3. Melihat signifikansi hubungan
Untuk melihat signifikansi hubungan dua variable, didasarkan pada angka signifikansi
yang dihasilkan dari penghitungan dengan ketentuan di atas. Interpretasi ini akan
membuktikan apakah hubungan kedua variabel tersebut signifikan atau tidak. Untuk
pengujian dalam SPSS digunakan kriteria sebagai berikut:
a. Jika angka signifikansi hasil riset < 0,05, maka hubungan kedua variabel signifikan
b. Jika angka signifikansi hasil riset > 0,05, maka hubungan kedua variabel tidak
signifikan

2.2 Regresi
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau
tidaknya korelasi antar variabel. Analisis regresi mempelajari hubungan yang diperoleh
dinyatakan dalam persamaan matematika yang menyatakan hubungan fungsional antara
variabel-variabel. Hubungan fungsional antara satu variabel prediktor dengan satu variabel
kriterium disebut analisis regresi sederhana (tunggal), sedangkan hubungan fungsional yang
lebih dari satu variabel disebut analisis regresi ganda.

2.2.1 Asumsi Regresi
Asumsi dalam regresi dibagi menjadi 4 macam, yaitu:
1. Linearitas
Analisis regresi juga memiliki asumsi linearitas. Linieritas berarti bahwa ada hubungan
garis lurus antara variabel bebas dan variabel terikat. Asumsi ini penting karena analisis
regresi hanya tes untuk hubungan linier antara variabel bebas dan variabel terikat. Setiap
hubungan nonlinear antara variabel bebas dan variabel terikat diabaikan. Untuk menguji
linearitas antara variabel bebas dan variabel terikat dapat diketahui dengan melihat sebar
bivariat (yaitu sebuah grafik dengan varibel bebas pada satu sumbu dan variabel terikat di
sisi lain). Jika kedua variabel berhubungan linier, sebar akan oval.
2. Independen
Asumsi independen adalah data tersebut mempunyai nilai yang saling bebas atau
kebebasan dari pengamatan. Tidak berautokorelasi atau tidak berkorelasi dengan
sendirinya. Pada grafik digambarkan titik-titik tidak berpola. Hal tersebut menunjukkan
data independen.


V
8
3. Normalitas
Model regresi yang baik ditandai dengan nilai residual yang random. Sesuatu yang
random, biasanya ditandai dengan distribusi yang normal, dengan demikian, model regresi
yang baik, ditandai dengan nilai error term (residual) yang berdistribusi normal. Nilai error
term yang random sebenarnya menggambarkan bahwa model regresi yang digunakan
untuk melakukan estimasi, terbebas dari adanya pengaruh variabel lain yang kuat namun
tidak masuk dalam model.
4. Homoskedastisitas
Asumsi homoskedastisitas adalah bahwa residu kurang lebih sama untuk semua nilai
variabel terikat diprediksi. Heteroskedastisitas biasanya ditunjukkan oleh sekelompok poin
yang lebih luas sebagai nilai untuk variabel terikat diperkirakan mendapatkan lebih besar.
Homoskedastisitas dapat diketahui dengan melihat sebar antara masing-masing variabel
bebas dan variabel terikat.

2.3 Regresi Linier
Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan
antara dua atau lebih variabel. Pada kenyataan sehari-hari sering dijumpai sebuah kejadian
dipengaruhi oleh lebih dari satu variabel, oleh karenanya selain regresi linear sederhana juga
dikembangkan analisis regresi linier berganda.

2.3.1 Regresi Linier Sederhana
Regresi linear sederhana adalah regresi yang hanya terdiri dari satu variabel dependen dan
satu variabel independen. Regresi linear sederhana digunakan untuk mengetahui hubungan nilai
satu variabel bebas dan satu variabel terikat melalui persamaan regresi.. Berikut merupakan
bentuk persamaan dari regresi linier sederhana:
Y = a + b X (2-8)
Dimana :
Y = variabel tidak bebas (terikat)
X = variabel bebas
a = pendugabagi intercept
b = penduga bagi koefisien regresi

2.3.2 Regresi Linier Berganda
Regresi Linier Berganda adalah regresi dimana variabel terikat (y) dihubungkan atau
dijelaskan lebih dari satu variabel, mungkin dua tiga atau lebih variabel bebas (X1, X2, ...Xn)
namun masih menunjukkan diagram hubungan yang linear. Bentuk umum persamaan regresi
linear berganda dituliskan sebagai berikut :

V
9
Y = a + b1 X1 + b2 X2 + .... + bn Xn (2-9)
Dimana :
Y = variabel tidak bebas (terikat)
X1, X2, ...Xn = variabel bebas
a = pendugabagi intercept
b1,b2,...,bn = penduga bagi koefisien regresi

2.4 Kriteria Statistik Regresi
1. Uji F
Uji F dilakukan untuk mengetahui pengaruh variabel bebas secara bersama-sama terhadap
variabel terikat
2. Uji t
Tujuan uji t adalah untuk menguji koefisien regresi secara individu
3. R
2

R square (R
2
) merupakan proporsi variabilitas dalam suatu data yang dihitung didasarkan
pada model statistik

2.5 Macam-macam Penyimpangan Asumsi Regresi
Penyimpangan terhadap asumsi-asumsi dalam regresi akan menimbulkan beberapa
masalah, seperti standard kesalahan untuk masing-masing koofesien yang diduga akan sangat
besar, pengaruh masing-masing variabel bebas tidak dapat dideteksi, atau variasi dari
koefisiennya tidak minim lagi. Akibatnya, estimasi koefisiennya menjadi kurang akurat lagi yang
pada akhirnya dapat menimbulkan interpretasi dan kesimpulan yang salah. Macam-macam
penyimpangan asumsi regresi adalah:

2.5.1 Autokorelasi
Uji autokorelasi digunakan untuk melihat apakah terjadi korelasi antara suatu periode t
dengan periode sebelumnya (t-1). Secara sederhana adalah bahwa analisis regresi adalah untuk
melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi
antara observasi dengan data observasi sebelumnya. Contoh: tingkat bunga pada suatu kartal 1
(4bulan) hanya akan mempengaruhi investasi pada kuartal 1 saja. Statistik Durbin-Watson
digunakan untuk mendeteksi autokorelasi. Statistik Durbin-Watson memiliki rumus sebagai
berikut :
d=
e
n
e
n1
e
n
2
2
(2-10)
Dimana:
en = residual tahun n

V
10
en-1 = residual satu tahun sebelumnya (n-1)
Setelah mendapatkan nilai d dari penghitungan rumus tersebut, nilai d dibandingkan
dengan nilai-nilai kritis dari dL dan dU dari tabel statistik Durbin-Watson.
Tabel 2.2 Klasifikasi Nilai d
Nilai d Keterangan
< 1,1 Ada autokorelasi
1,1 - 1,54 Tidak ada kesimpulan
1,55 - 2,46 Tidak ada autokorelasi
2,46 - 2,9 Tidak ada kesimpulan
> 2.9 Ada autokorelasi

2.5.2 Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada tidaknya kesamaan pada variabel
residual (variable yang tidak diketahui sehingga diasumsikan bersifat acak) untuk semua
pengamatan model regresi. Heteroskedastisitas akan muncul dalam bentuk residu yang semakin
besar untuk pengamatan variable bebas (x) yang semakin besar. Adanya heteroskedastisitas
akan menyebabkan :
1. Penaksir (estimator) yang diperoleh menjadi tidak efisien, hal itu disebabkan variansnya
sudah tidak minim lagi (tidak efisien)
2. Kesalahan baku koefisien regresi akan terpengaruh, sehingga memberikan indikasi yang
salah dan koefisien determinasi memperlihatkan daya penjelasan terlalu besar.
Adanya heteroskedastisitas dapat diketahui dengan menggunakan beberapa cara, antara lain:
1. Uji Park
Uji park dilakukan dengan membuat model regresi yang melibatkan nilai logaritma residu kuadrat
(log e
2
) sebagai variabel terikat terhadap semua variabel bebas. Jika semua variabel bebas
nyata (signifikan) secara statistik maka dalam regresi terdapat heteroskedastisitas.
2. Koefisien korelasi spearman (rs) dapat dihitung dengan memberikan peringkat pada
masing-masing sampel data. lalu menghitung rs sesuai rumus yang ada pada persamaan 2-6.
3. Uji Glesjer
Uji glesjer dilakukan dengan membuat model regresi yang melibatkan nilai mutlak residual
(|e|) sebagai variabel terikat terhadap semua variabel bebas. Jika semua variabel bebas
nyata (signifikan) secara statistik maka dalam regresi terdapat heteroskedastisitas.
Uji Koefisien Korelasi Spearman

2.5.3 Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada tidaknya hubungan linier antara
variable independent dalam model regresi. Biasanya korelasinya mendekati sempurna atau

V
11
sempurna (koefisien korelasinya tinggi atau bahkan satu). Metode pengujian uji
multikolinearitas dapat dilakukan dengan:
1. Menganalisis koefisien korelasi antara variable bebas
2. Membuat persamaan regresi antar variabel bebas
3. Menganalisis nilai r
2
, F ratio dan t hitung
Multikolinearitas ditunjukkan oleh tolerance dan variance inflation factor (VIF). Jika
tolerance 0,1 dan VIF <10 maka tidak terjadi multikolinearitas antar variable bebas. Jika
tolerance <0,1 dan VIF >10 maka terjadi multikolinearitas antar variable bebas.


V
12
BAB III
METODOLOGI PRAKTIKUM

3.1 Diagram Alir Praktikum
Mulai
Identifikasi
Masalah
Studi Pustaka
Studi kasus
regresi liner sederhana
tentang pengaruh mata
minus terhadap IPK
mahasiswa TI 2011
Pengolahan Data
Secara Manual
dan SPSS
Analisis Korelasi
dan Regresi
Kesimpulan dan
Saran
Intepretasi
Data
Selesai
Pengambilan Data

Gambar 3.1 Diagram alir praktikum regresi linier sederhana


V
13
3.1.2 Regresi Linier Berganda

Mulai
Identifikasi
Masalah
Studi Pustaka
Studi kasus
regresi liner berganda
tentang pengaruh tinggi
badan dan berat badan
terhadap lingkar
pinggang
Pengolahan Data
Secara Manual
dan SPSS
Analisis Korelasi
dan Regresi
Kesimpulan dan
Saran
Intepretasi
Data
Selesai
Pengambilan Data

Gambar 3.2 Diagram alir praktikum regresi linier berganda


V
14
3.2 Prosedur Praktikum
Prosedur praktikum yang harus dilakukan, yaitu
1. Mengidentifikasi masalah dari suatu objek penelitian yang telah ditentukan.
2 Melakukan studi kepustakaan.
3. Menentukan variabel dependen dan independen
4. Melakukan pengambilan data sebanyak 25 data untuk regresi linier sederhana dan 25 data
regresi linier berganda
5. Melakukan pengolahan data secara manual dan SPSS
6. Melakukan analisis regresi dan korelasi


V
15
BAB IV
HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data
Berikut adalah hasil pengumpulan data untuk pengolahan data menggunakan analisa
korelasi dan regresi. Data yang terkumpul dibagi menjadi dua. Data regresi linear sederhana
yang memiliki satu variabel independent dan data regresi linear berganda yang memiliki dua
variabel independent.

4.1.1 Data Regresi Linear Sederhana
Berikut merupakan hasil pengumpulan data regresi liner sederhana tentang pengaruh
besar minus terhadap berat badan mahasiswa TI 2011 Universitas Brawijaya dimana variabel
dependent yaitu IPK dan variable independentnya yaitu tinggi badan.
Tabel 4.1 Data besar minus dan IPK
Nama
Besar
Minus
IPK
Vetty 1,5 3,05
Akbar 2 3,25
Ludi 1,75 3,1
Manly 2,75 3,45
Halida 1,5 3
Faishol 2 3,27
Hafid 1,25 3,03
DImas 1 2,95
Wildha 1,75 3,03
Vivi 0,5 2,75
Anggi 3 3,51
Indah 1,5 2,77
Maul 2 3,18
Arya 2,5 3,48
Lazu 4 3,49
Gani 3,5 3,48
Adit 1,75 2,99
Putra 3 3,38
Fikar 1,5 2,87
Dimas 1,5 2,91
Boris 2,15 3,15
Antok 2 3,24
Hendra 1,75 3,1
Vita 1,5 2,98
Patrika 1,75 3,02
Jumlah 49,4 78,43
Rata-Rata 1,976 3,1372


V
16
4.2 Pengolahan Data
Data yang didapatkan kemudian diolah menggunakan pengolahan SPSS dan pengolahan
manual yang terdiri dari pengujian asumsi regresi, dan pengujian regresi linier sederhana.

Untuk mengetahui regresi dari besar minus mata dan IPK, data diolah sebagai berikut:

4.2.1.1 Pengujian Asumsi Regresi
Pengujian asumsi regresi linear sederhana yang dilakukan antara lain uji kenormalan data,
uji homogenitas varians dan uji linearitas data.

4.2.1.1.1 Pengujian Kenormalan Data
Cara pengujian Normalitas bisa dilakukan dengan cara Analyze Nonparametric Test
Legalcy Dialogs Pilih 1-sample k-s. Masukan semua data ke Test Variabel List lalu pilih Normal
pada Test Distribution, lalu klik OK. maka akan keluar output seperti tabel berikut:
Tabel 4.2 Output uji kenormalan data
One-Sample Kolmogorov-Smirnov Test

Besar_minus IPK
N 25 25
Normal Parameters
a,b
Mean 1,9760 3,1372
Std. Deviation ,78251 ,22852
Most Extreme
Differences
Absolute ,208 ,129
Positive ,208 ,129
Negative -,151 -,114
Kolmogorov-Smirnov Z 1,039 ,643
Asymp. Sig. (2-tailed) ,231 ,803
a. Test distribution is Normal.
b. Calculated from data.

Hipotesis :
Ho: Data berdistribusi normal
H1: Data tidak berdistribusi normal
Ho diterima jika nilai sig.> 0.05
H0 ditolak jika nilai sig. <0.05
Berdasarkan tabel 4.2 dapat dilihat bahwa nilai sig besar minus adalah 0,231 dan nilai sig
dari IPK adalah 0,446 yang berarti bahwa Ho diterima, yang berarti data mata minus dan IPK
berdistribusi normal.


V
17
4.2.1.1.2 Pengujian Homogenitas Varians
Langkah-langkah SPSS untuk mengetahui homogenitas data ialah untuk uji homogenitas,
pilih Analyze-Regression. Lalu pilih Linier,masukan variabel berat badan ke Dependent dan tinggi
badan ke Independent. Lalu tekan Statistic. Centang Estimates, ModelFit, Descriptives, Collinearity
Diagnostic dan Durbin-Watson. Lalu tekan continue. Tekan Plots. Masukan ZRESID pada Y dan
ZPRED pada X. tekanContinue-OK.

Gambar 4.1 Uji homogenitas varians

Maka akan muncul Output.

Gambar 4.1 Uji Homogenitas Data Regresi Linear Sederhana

Dari gambar di atas titik-titik telah tersebar di lima kuadran dan tidak membentuk pola
yang berarti data bisa dikatakan homogen.

4.2.1.1.3 Pengujian Linieritas Data
Asumsi selanjutnya adalah data linier. Pengujian SPSS untuk Linearitas Data hampir sama
dengan Pengujian Homogenitas Varian. Yaitu dengan klik Analyze Regression Pilih Linear.
Masukkan berat badan pada Dependent List serta tinggi badan pada Independent List. Pilih
Statistics centang Estimates, Model Fits dan Descriptives pada Regression Coeffisients dan
centang Durbin Watson pada Residuals kemudian klik Continue. Pilih Plotsmasukkan *ZREZID
pada Y dan *ZPRED pada X dan centang Normal Probability Plot pada Standardized Residual Plot

V
18
klik Continue kemudian klik OK maka akan keluar output linearitas data seperti gambar berikut
ini:

Gambar 4.2 Uji Linieritas Data Regresi Linear Sederhana
Pada gambar diatas bisa dilihat persebaran dari titik-titik berada disekitar garis, maka data
bersifat linear

4.2.1.2 Pengujian Regresi Linier Sederhana
Pengujian regresi linear sederhana dilakukan dengan pengolahan dengan SPSS dan
pengolahan manual.
4.2.1.2.1 Pengolahan dengan SPSS
Pengujian regresi linear sederhana dapat dilakukan dengan menggunakan software SPSS.
Berikut adalah langkah-langkah untuk menguji persamaan regresi menggunakan SPSS.
1. Klik Analyze-regression-linear
2. Pindahkan variabel berat bedan ke kotak Dependent, variabel besar minus ke Independent,
lalu klik plots.
3. Klik statistic centang Estimates Model fit, Descriptive, Collinearity Diagnostic, Durbin
Watson-Continue.
4. Klik Plots isi kotak Y dengan ZRESID dan kotak X dengan ZPRED, klik continue-OK.
5. Akan muncul output sebagai berikut
Descriptive Statistics

Mean Std. Deviation N
IPK 3,1372 ,22852 25
Besar_minus 1,9760 ,78251 25

Dari tabel diatas dapat diketahui bahwa jumlah data IPK dan besar_minus masing-masing
sebanyak 25. Data IPK memiliki rata-rata 3,1372 dengan standart deviation sebesar 0,22852

V
19
sedangkan data besar_minus memiliki rata-rata 1,976 dengan standart deviation sebesar
0,78251.

4.2.1.2.1.1 Analisis Korelasi
Berikut merupakan langkah-langkah pengujian korelasi regresi linier sederhana pada
pengolahan SPSS :
1. Masukan data kedalam SPSS
2. Klik Analyze-Regression-Linear
3. Lalu masukan variabel Besar minus ke dalam independent dan variabel IPK ke dalam
dependent . Pada kolom Method masukan enter
4. TekanStatistic. Lalu centang Estimates, ModelFit, Descriptives, serta Durbin-Watson. Lalu
Continue.
5. Kemudian klik Plots. Masukan ZRESID pada Y dan ZPRED pada X. Klik Continue-OK
6. Lalu akan muncultabel output sebagai berikut :
Tabel 4.3Output Correlations Regresi Linear Sederhana pada SPSS
Correlations

IPK Besar_minus
Pearson Correlation IPK 1,000 ,891
Besar_minus ,891 1,000
Sig. (1-tailed) IPK . ,000
Besar_minus ,000 .
N IPK 25 25
Besar_minus 25 25

Hipotesis :
Ho: Tidak adanya korelasi antara besar minus dengan IPK.
H1: Adanya korelasi antara besar minus dengan IPK.
H0 diterima jika nilai dari sig > 0.05 dan ditolak apabila nilai sig < 0.05
Dilihat dari tabel 4.4, nilai Pearson Correlation, yaitu 0,891 maka itu kedua variabel memiliki
hubungan yang kuat. Nilai Pearson Correlation positif berarti hubungan besar minus dan IPK
bernilai positif (berbanding lurus) artinya semakin besar minus berarti semakin besar pula
IPKnya. Angka Sig. pada tabel yaitu 0,000 < (0,05) berarti Ho ditolak dan H1 diterima. Maka
dapat disimpulkan adanya korelasi antar variabel

4.2.1.2.1.2 Analisis Regresi
Langkah-langkah pada uji penyimpangan ini sama dengan uji regresi linier sederhana.
Bedanya hanya pada klik Statistics, yang di centang adalah Durbin-Watson ada Residuals lalu klik
Continue.

V
20
Tabel 4.4 Output Uji Penyimpangan
Model Summary
b

Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,891
a
,794 ,785 ,10588 2,038
a. Predictors: (Constant), Besar_minus
b. Dependent Variable: IPK
Pada kolom Durbin Watson pada tabel 4.4 diketahui bahwa nilainya 2,038 yang berarti
tidak terjadi autokorelasi.
Dari nilai R ( Pearson Correlation ) antara besar minus dengan IPK adalah 0,891 yang berarti
ada hubungan korelasi antara besar minus dengan IPK yaitu semakin besar minus berarti
semakin besar pula IPKnya.. Pada kolom nilai R square adalah 0,794 yang berarti besar minus
memberi pengaruh 79,4% terhadap IPK dan sisanya sebesar 20,6% yang tidak diamati oleh
laporan ini.
Tabel 4.5 Anova
ANOVA
b

Model Sum of Squares Df Mean Square F Sig.
1 Regression ,995 1 ,995 88,807 ,000
a

Residual ,258 23 ,011

Total 1,253 24


Pada output anova dapat dilihat linearitas dari besar minus dan IPK signifikan atau tidak.
H0 : model linear besar minus dan IPK tidak signifikan.
H1 : model linear besar minus dan IPK signifikan.
Berdasarkan tabel ANOVA diatas diketahui bahwa nilai sig 0,000 yang berarti nilai
sig(o,ooo)<0,05 maka H0 ditolak. Kesimpulannya, besar minus dan IPK memang signifikan
terhadap model regresi.
Tabel 4.6 Tabel output koefisien
Coefficients
a

Model
Unstandardized Coefficients
Standardized
Coefficients
T Sig.
Collinearity
Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2,623 ,59

4,4807 ,000

Besar_minu
s
,260 ,028 ,891 9,424 ,000 1,000 1,000
a. Dependent Variable: IPK


V
21
Untuk melihat signifikansi hubungan dua variabel dapat dilihat berdasarkan angka signifikansi
yang dihasilkan dari perhitungan, Interpretasi ini akan membuktikan apakah hubungan kedua
variabel tersebut signifikan atau tidak.
1. Variabel constant
Ho : koefisien konstanta tidak signifikan terhadap besar minus
H1: koefisien konstanta signifikan terhadap besar minus.
H0 diterima jika nilai sig > 0.05 dan ditolak apabila kurang dari 0.05
Nilai sig pada tabel diatas menunjukan bahwa nilai sig 0,000 yang berarti kurang dari 0.05
dan berarti Ho ditolak dan keofisien konstanta signifikan terhadap besar minus.
2. Variabel besar minus
H0 : Koefisien IPK tidak signifikan terhadap besar minus.
H1 : Koefisien IPK signifikan terhadap besar minus
H0 diterima jika nilai sig < 0.005 .
Nilai sig < 0.05 yaitu 0,000 maka H0 diterima, yang berarti IPK signifikan terhadap besar
minus
Pada bagian kolom B menunjukkan nilai koefisien konstanta dan koefisien variabel bebas
yang digunakan dalam menentukan persamaan regresi.
Y = a+bx
Dimana Y = IPK ; X= besar_minus
Maka persamaan regresinya adalah :
y 2623 0260
Interpretasi persamaannya :
1. Nilai a=2623, tanpa adanya besar minus maka besarnya IPK adalah 2623.
2. Nilai b=0260, hubungan antara besar minus dan IPK adalah positif atau setiap kenaikan
besar minus sebesar 1 satuan maka jumlah IPK akan meningkat sebesar 0260 satuan.

4.2.1.2.2 Pengolahan Manual
Berikut ini ialah pengolahan manual regresi linear sederhana. Pengolahan secara umum
dibedakan menjadi analisis koefisien regresi dan analisis model linier regresi.
1. Analisis Koefisien Regresi
Pengujian Hipotesis Koefisien Regresi (Parameter A dan Parameter B)
a. Formulasi Hipotesis
1. Untuk parameter A :
Ho: koefisien konstanta tidak signifikan terhadap model regresi .
H1: koefisien konstanta signifikan terhadap model regresi.
2. Untuk parameter B :
Ho: Tidak adanya korelasi antara besar minus dengan IPK.

V
22
H1: Adanya korelasi antara besar minus dengan IPK.
b. Menentukan taraf nyata ( ) dan nilai t tabel
(db) = (n-2)= (25-2) = 23=2,060
c. Menentukan kriteria pengujian
Ho diterima apabila -2,060 to 2,060 ; Ho ditolak apabila to < -2,060 atau to > 2,060.
d. Menentukan nilai uji statistik
Tabel 4.7 Data Manual
Nama X Y XY X
2
Y
2

Vetty 1,5 3,05 4,575 2,25 9,3025
Akbar 2 3,25 6,5 4 10,5625
Ludi 1,75 3,1 5,425 3,0625 9,61
Manly 2,75 3,45 9,4875 7,5625 11,9025
Halida 1,5 3 4,5 2,25 9
Faishol 2 3,27 6,54 4 10,6929
Hafid 1,25 3,03 3,7875 1,5625 9,1809
DImas 1 2,95 2,95 1 8,7025
Wildha 1,75 3,03 5,3025 3,0625 9,1809
Vivi 0,5 2,75 1,375 0,25 7,5625
Anggi 3 3,51 10,53 9 12,3201
Indah 1,5 2,77 4,155 2,25 7,6729
Maul 2 3,18 6,36 4 10,1124
Arya 2,5 3,48 8,7 6,25 12,1104
Lazu 4 3,49 13,96 16 12,1801
Gani 3,5 3,48 12,18 12,25 12,1104
Adit 1,75 2,99 5,2325 3,0625 8,9401
Putra 3 3,38 10,14 9 11,4244
Fikar 1,5 2,87 4,305 2,25 8,2369
Dimas 1,5 2,91 4,365 2,25 8,4681
Boris 2,15 3,15 6,7725 4,6225 9,9225
Antok 2 3,24 6,48 4 10,4976
Hendra 1,75 3,1 5,425 3,0625 9,61
Vita 1,5 2,98 4,47 2,25 8,8804
Patrika 1,75 3,02 5,285 3,0625 9,1204
Jumlah 49,4 78,43 158,8025 112,31 247,3039
Rata-Rata 1,976 3,1372 6,3521 4,4924 9,892156

a. Pengolahan Regresi Linear Sederhana
b
i1
25
y [
i1
25

i1
25
y]25
i1
25

i1
25
25

b
1588025 [494 7843]25
11231 25

b 0260
y b 31372 0260 1976 2623
Jadi persamaan garis linier sederhananya adalah :
y 2623 0260


V
23
b. Koefisien Korelasi Regresi Linear Sederhana
r
n y y
*n
2

2
+ [ny
2
y
2
]

r
25
[25 494
2
]
[25
2
]

r 0
c. Analisis Determinasi
r
2
100
r
2
100
0
2
100
0793 100

d. Kesalahan Baku

=
24730392623784302601588025
01129
Kesalahan baku untuk koefisien regresi a (penduga a ):
=
1123101129
11231 494
= 0,589
Kesalahan baku untuk koefisien regresi b (penduga b ):

Uji statistik untuk parameter A :

263
0553

Uji statistik untuk parameter B :

0260

e. Membuat kesimpulan
1). Untuk parameter A:
Ho ditolak karena t0 > 2,060 artinya koefisien konstanta signifikan terhadap model
regresi
2). Untuk parameter B:
Ho diterima karena -2,060 t0 2,060 artinya koefisien mata minus tidak signifikan
terhadap model regresi
2) Untuk parameter B:
Ho diterima karena to > 2,060 artinya koefisien mata minus signifikan terhadap model
regresi


V
24
2. Analisis Model Regresi
Prosedur Pengujian Model Regresi
a. Formulasi Hipotesis
Ho : Besar Minus dan IPK tidak signifikan terhadap model regresi
H1 : Besar Minus dan IPK signifikan terhadap model regresi
b. Penentuan nilai (taraf nyata) dan nilai F tabel.
() = 0,05; dengan df = (1;23); jadi nilai F tabel 4,28
c. Kriteria Pengujian
Ho diterima jika Fo F(v1;v2)
Ho ditolak jika Fo > F(v1;v2)
d. Uji Statistik
Fhitung =

026
= 88,54
e. Kesimpulan.
Karena Fhitung > Ftabel maka Ho diterima sehingga besar minus dan IPK signifikan terhadap
model regresi.

4.2.1.3 Pengujian Penyimpangan Asumsi Regresi
1. Autokorelasi
Pengujian penyimpangan asumsi regresi untuk regresi linier sederhana adalah pengujian
autokorelasi. Autokorelasi berarti ada pengaruh dari variabel dalam modelnya melalui selang
waktu atau tidak terjadi korelasi antara galat randomnya. Berikiut adalah langkah-langkah
menguji autokorelasi dengan spss.
1. Masukkan data yang akan diuji ke dalam Data View.
2. Kilik Analize-Regression-Linier.
3. lalu masukkan variabel besar minus kedalam Independent dan variabel IPK kedalam
Dependent.
4. Klik statisctic- centang Estimates dan Descriptive- continue.
5. Klik Plots- masukkan ZPRED ke x dan ZRESID ke y Continue OK. Lalu akan muncul output
seperti berikut :
Tabel 4.8 Tabel Model Summary
Model Summary
b

Model Durbin-Watson
1 2,038
Untuk melihat ada tidaknya autokorelasi pada data, dapat dilihat hasilnya pada tabel Model
Summary pada kolom Durbin-Watson. Data dianggap tidak terdapat aotukorelaasi jika nilai

V
25
Durbin-Watson terletak diantara 1,55-2,46. Dalam tabel diatas, nilainya sebesar 2,038. Jadi
dapat disimpulkan bahwa data yang sedang diuji tidak terdapat autokorelasi.
2. Heteroskedastisitas
Dapat dilihat dari uji homogenitas diata, dimana persebaran titik menyebar atau acak pada
5 kuadran serta tidak membentuk pola. Dapat disimpulkan bahwa variansi data adalah homogen.

4.2.1.4 Analisis dan Interpretasi Pengolahan Regresi Linier Sederhana
Data uji linier sederhana mencangkup tinggi badan (variabel bebas) dan berat badan
(variabel terikat). Pada uji kenormalan, H0 diterima dan data berdistribusi normal. Untuk uji
homogenitas, data telah memiliki varaiansi homogen. Untuk uji linieritas, data yang diuji
merupakan bersifat linier. Dapat dilihat bahwa dari nilai R (0,891) meunjukkan bahwa korelasi
antara variabel besar minus dan IPK bernilai kuat. Sedangkan nilai R square (0,794) artinya
variabel bebas berpengaruh terhadap variabel terikat sebesar 79,4% dan sebesar 20,6%
dipengaruhi oleh variabel lain yang tidak ditentukan dalam pengujian ini. Untuk model linier,
persamaan regresi y 2623 0260 . Selain itu, berdasarkan nilai autokorelasi dan
heteroskedasititas didapatkan kesimpulan bahwa data tidak mengalami penyimpangan.

4.2.2 Regresi Linear Berganda
Untuk mengetahui regresi dari tinggi badan, berat badan, dan lingkar pinggul data diolah
sebagai berikut:

4.2.2.1 Pengujian Asumsi Regresi
Langkah-langkah pengujian data regresi sederhana menggunakan SPSS sebagai berikut :

4.2.2.1.1 Uji Kenormalan Data
Salah satu asumsi praktikum analisis korelasi dan regresi adalah data berdistribusi normal.
Berikut merupakan langkah-langkah SPSS untuk mengetahui kenormalan data :
1. Masukan data yang di uji kedalam Data View
2. Melakukan uji kenormalan data dengan klik Analyze>>Non Parametric Test>>1sample K_S
3. Lalu klik OK. Maka akan muncul output kenormalan


V
26
Tabel 4.9Output Uji Kenormalan Regresi Linear Berganda
One-Sample Kolmogorov-Smirnov Test

Tinggi_badan Berat_badan
Lingkar_pingg
ul
N 25 25 25
Normal Parameters
a,b
Mean 156,8480 53,4760 89,8800
Std. Deviation 4,99284 9,42215 6,29365
Most Extreme Differences Absolute ,132 ,173 ,149
Positive ,132 ,173 ,149
Negative -,128 -,093 -,086
Kolmogorov-Smirnov Z ,659 ,863 ,747
Asymp. Sig. (2-tailed) ,778 ,446 ,632
a. Test distribution is Normal.
b. Calculated from data.

Hipotesis :
Ho: Data berdistribusi normal
H1: Data tidak berdistribusi normal
Berdasarkan uji kenormalan, nilai sig. pada tabel memiliki nilai 0,05, yaitu 0,778, 0,446
dan 0,632 maka Ho diterima. Itu berarti data diatas merupakan data yang berdistribusi normal.

4.2.2.1.2 Pengujian Homogenitas Varians
Langkah - langkah menguji homogenitas sebagai berikut :
a. Pilih Analyze- Regression, lalu pilih linier masukkan keaktifan kepantiaan ke Dependent sks
semester 2 perhari dan ip semester 2 ke Independent
b. Pilih Statistics centang Estimates, Model Fits dan Descriptives pada Regression Coeffisients
dan centang Durbin Watson pada Residuals kemudian klik Continue.
c. Pilih Plots masukkan *ZREZID pada Y dan *ZPRED pada X klik Continue kemudian klik OK
d. Maka akan muncul tampilan output berikut:

Gambar 4.3 Uji Homogenitas Varians


V
27
Titik-titik pada Scatterplot diatas tersebar di empat kuadran dan tidak membentuk pola,
bisa dikatakan bahwa data bersifat homogen.

4.2.2.1.3 Pengujian Linieritas Data
Asumsi selanjutnya adalah data linier. Berikut ialah langkah-langkah SPSS untuk
mengetahui linieritas data :
1. Untuk menguji linieritas data pilih Analyze-Regression. dalam kotak dialog Linear
Regression klik Plots. Masukan ZRESIDpada Y dan ZPRED pada X. Centang Normal
Probability Plot pada Standardized Residual Plot. Lalu Continue-OK
2. Maka akan muncul output.

Gambar 4.4 Uji Linieritas Data Regresi Linear Berganda

Pada gambar diatas, tampak persebaran titik-titik data berada disekitar garis linier.Maka
dapat dikatakan data tersebut bersifat linier.

4.2.2.2 Pengujian Regresi Linier Berganda
Dalam pengujian regresi linier berganda ini, akan diuji pengaruh tinggi badan dan berat
badan terhadap lingkar pinggul. Dalam kasus ini tinggi badan dan berat badan adalah variabel
independen dan lingkar pinggul merupakan variabel dependen. Pengujian dilakukan
menggunakan software SPSS dan perhitungan manual.

4.2.2.2.1 Pengolahan dengan SPSS
Berikut merupakan langkah-langkah analisis korelasi pengujian regresi linier berganda
pada applikasi SPSS :
1. Masukan data yang di uji kedalam DataView
2. Klik Analyze-Regression-Linear

V
28
3. Lalu masukan variabel tinggi badan dan berat badan ke dalam independent dan variabel IPK
ke dalam dependent .
4. Klik Statistic. Lalu centang Estimates, ModelFit, Descriptives, dan Durbin-Watson. Lalu
Continue.
5. Kemudian klik Plots. Masukan ZRESID pada Y dan ZPRED pada X. Klik Continue-OK
6. Maka akan muncul output sebagai berikut :

Tabel 4.10 output uji regresi linier berganda
Descriptive Statistics

Mean Std. Deviation N
Lingkar_pinggul 88,0000 3,87298 25
Tinggi_badan 157,2240 4,54214 25
Berat_badan 53,6240 9,01542 25

Dari tabel 4.13 dapat diketahui bahwa jumlah data lingkar pinggul, tinggi badan, dan
berat badan masing-masing berjumlah 25. Data lingkar pinggul memiliki Mean 88,00
dengan standart deviation sebesar 3,87298. Data tinggi badan memiliki Mean 157,2240
dengan standard deviation sebesar 4,54214. Data berat badan memiliki Mean 53,6240
dengan standard deviation sebesar 9,01542.

4.2.2.2.1.1 Analisis Korelasi
Berikut merupakan langkah-langkah pengujian korelasi regresi linier sederhana pada
pengolahan SPSS :
Tabel 4.11 output uji korelasi
Correlations

Lingkar_pinggul Tinggi_badan Berat_badan
Pearson Correlation Lingkar_pinggul 1,000 ,652 ,781
Tinggi_badan ,652 1,000 ,749
Berat_badan ,781 ,749 1,000
Sig. (1-tailed) Lingkar_pinggul . ,000 ,000
Tinggi_badan ,000 . ,000
Berat_badan ,000 ,000 .
N Lingkar_pinggul 25 25 25
Tinggi_badan 25 25 25
Berat_badan 25 25 25

Hipotesis :
a. Hipotesis antara korelasi variabel dependent lingkar pinggul dengan variabel independent
tinggi badan

V
29
Ho: Tidak ada korelasi antara variabel lingkar pinggul terhadap variabel independent tinggi
badan
H1: Adanya korelasi antar variabel lingkar pinggul dengan variabel independent tinggi
badan.
Dilihat dari tabel maka nilai sig 0,000 <(0,05) sehingga H0ditolak, yang berarti ada korelasi
antar variabel lingkar pinggul dengan tinggi badan.
b. Hipotesis antara korelasi variabel dependent berat badan dengan variabel independent
lingkar pinggul
H0: Tidak adanya korelasi antara variabel berat badan dengan variabel independent lingkar
pinggul.
H1: Adanya korelasi antara variabel berat badan dengan variabel independent lingkar pinggul.
Dilihat dari tabel maka nilai sig 0,000 < 0,05 sehingga H0 ditolak maka berarti ada korelasi
antara variabel berat badan dengan variabel independent lingkar pinggul.
Dilihat dari tabel 4.12, nilai PearsonCorrelation dari lingkar pinggul dan tinggi badan , yaitu
0.652 , berarti ada korelasi yang bernilai kuat antara kedua variabel tersebut dan karena
bertanda (+) maka variabel searah, sedangkan nilai Pearson Correlattion dari lingkar pinggul dan
berat badan ialah 0.781 yang berarti hubungan kedua variabel sedang dan tanda (+)
mengartikan bahwa kedua variabel searah.
Tabel 4.12 output model summary
Model Summary
b

Model R R Square
Adjusted R
Square
Std. Error of the
Estimate Durbin-Watson
1 ,788
a
,620 ,586 2,49215 1,764
a. Predictors: (Constant), Berat_badan, Tinggi_badan
b. Dependent Variable: Lingkar_pinggul

Pada tabel 4.14 nilai R 0,788 merupakan nilai dari koef korelasi Pearson . Menunjukan
bahwa antar variabel memiliki hubungan yang kuat. Sedangkan R
2
bernilai 0,620 artinya
variabel tinnggi badan dan berat badan berpengaruh terhadap variabel lingkar pinggul sebesar
62,0 %, dan sebesar 38 % dipengaruhi oleh variabel lain yang tidak diamati dalam laporan ini.
sedangkan Adjust R Square 0,586 memiliki arti tingkat ketelitian dalam pendugaan sebesar
58,6%., sedangkan estimasi dari Standard Error memiliki nilai 2,49215.


V
30
4.2.2.2.1.2 Analisis Regresi
Tabel 4.13 output ANOVA
ANOVA
b

Model Sum of Squares Df Mean Square F Sig.
1 Regression 223,362 2 111,681 17,982 ,000
a

Residual 136,638 22 6,211

Total 360,000 24

a. Predictors: (Constant), Berat_badan, Tinggi_badan

Hipotesis :
Ho: Model linier lingkar pinggul dengan tinggi badan dan berat badan tidak signifikan
H1: Model linier lingkar pinggul dengan tinggi badan dan berat badan signifikan
Berdasarkan tabel 4.14 nilai Sig. (0,000) < (0,05), maka Ho ditolak, dapat disimpulkan bahwa
model linear lingkar pinggul dengan tinggi badan dan berat badan signifikan terhadap model
regresi.
Tabel 4.14 output uiji koefisien
Coefficients
a

Model
Unstandardized
Coefficients
Standardized
Coefficients
T Sig.
Collinearity Statistics
1 (Constant) 52,304 23,366

2,238 ,036

Tinggi_badan ,129 ,169 ,152 ,764 ,043 ,439 2,280
Berat_badan ,287 ,085 ,668 3,367 ,003 ,439 2,280
a. Dependent Variable: Lingkar_pinggul

Hipotesis
Ho: Koefisien tinggi badan tidak signifikan terhadap model regresi
H1: Koefisien tinggi badan signifikan terhadap model regresi
H0 diterima jika nilai sig > 0,05 tabel dan ditolak jika nilai sig < 0,05
Dilihat dari nilai Sig.nya (0,043) < (0,05) sehingga Ho ditolak. Yang berarti koefisien dari
lingkar pinggul dan tinggi badan signifikan terhadap model regresi.
Ho: Koefisien berat badan tidak signifikan terhadap model regresi
H1: Koefisien berat badan signifikan terhadap model regresi
Dilihat dari nilai Sig.nya (0,003) < (0,05) sehingga Ho ditolak. Yang berarti koefisien dari
lingkar pinggul dan berat badan signifikan terhadap model regresi.
Hipotesis untuk koefisien konstanta :
Ho: Koefisien konstanta tidak signifikan terhadap model regresi
H1: Koefisien konstanta signifikan terhadap model regresi

V
31
Dilihat dari nilai Sig.nya (0,036) < (0,05), sehingga Ho ditolak. Artinya koefisien konstanta
signifikan terhadap model regresi.
Pada kolom bagian B menunjukkan nilai koefisien konstanta dan koefisien variabel bebas yang
digunakann dalam menentukan persamaan regresi.
Y =

Dimana :
Y = lingkar pinggul
= tinggi badan
= berat badan
Maka persamaan regresinya adalah :
Y =

1. Nilai a= tanpa adanya tinggi badan dan berat badan maka besarnya lingkar pinggul
adalah .
2. Nilai b1=0, b2 =0,287 hubungan antara tinggi badan dan berat badan terhadap lingkar
pinggul adalah positif atau setiap kenaikan besar minus sebesar 1 satuan maka jumlah
lingkar akan meningkat sebesar untuk tinggi badan sebesar 0 dan berat badan sebesar
0,287

Persamaan diatas berarti jika X1=0 dan X2 =0 maka nilai Y = 52,304 dan apabila terjadi
kenaikan X sebesar 1 menyebabkan kenaikan pada nilai Y sebesar 52,304 ditambah 0,129 X1
dan ditambah 0,287 X2s

4.2.2.2.2 Pengolahan Manual
Pengolahan manual regresi berganda secara umum dapat dibedakan menjadi analisis
koefisien regresi dan analisis model linier regresi.
1. Analisis Koefisien Regresi
a. Pengujian hipotesis individual (b1)
1.) Menentukan formulasi hipotesis
H0 : koefisien tinggi badan tidak signifikan terhadap model regresi
H1 : koefisien tinggi badan signifikan terhadap model regresi
2.) Menentukan taraf nyata
Db = 25-3 = 22
t = 2,074
3,) Menentukan kriteria pengujian
H0 diterima apabila -2,074 t0 2,074
H0 ditolak apabila t0 < -2,074 atau t0 > 2,074
4.) Mnentukan nilai uji statistik


V
32
Tabel 4.9 Data tinggi badan, berat badan, dan lingkar pinggang
Nama Tinggi
Berat
Badan
Lingkar
Pinggang
X1Y X2Y X1X2 X1
2
X2
2
Y
2

Adis 153,90 52,70 89,00 13697,1 4690,3 8110,53 23685,21 2777,29 7921
Ajeng 152,50 47,50 90,00 13725 4275 7243,75 23256,25 2256,25 8100
Anzila 155,80 46,50 85,00 13243 3952,5 7244,7 24273,64 2162,25 7225
Areta 158,90 44,80 86,00 13665,4 3852,8 7118,72 25249,21 2007,04 7396
Bellyn 162,30 61,80 94,00 15256,2 5809,2 10030,14 26341,29 3819,24 8836
Dinda 162,00 73,60 90,00 14580 6624 11923,2 26244 5416,96 8100
Dwi 155,20 54,60 87,00 13502,4 4750,2 8473,92 24087,04 2981,16 7569
Esha 154,20 47,60 87,00 13415,4 4141,2 7339,92 23777,64 2265,76 7569
Fani 150,30 42,20 82,00 12324,6 3460,4 6342,66 22590,09 1780,84 6724
Fiki 167,90 67,00 89,00 14943,1 5963 11249,3 28190,41 4489 7921
Firda 157,60 50,90 85,00 13396 4326,5 8021,84 24837,76 2590,81 7225
Gadis 160,80 52,60 90,00 14472 4734 8458,08 25856,64 2766,76 8100
Hilya 152,90 53,40 88,00 13455,2 4699,2 8164,86 23378,41 2851,56 7744
Indah 154,60 39,60 79,00 12213,4 3128,4 6122,16 23901,16 1568,16 6241
Karin 164,10 66,80 92,00 15097,2 6145,6 10961,88 26928,81 4462,24 8464
Lintang 158,30 54,00 90,00 14247 4860 8548,2 25058,89 2916 8100
Mirsha 151,10 47,20 85,00 12843,5 4012 7131,92 22831,21 2227,84 7225
Muti 163,30 67,20 96,00 15676,8 6451,2 10973,76 26666,89 4515,84 9216
Nikmah 162,30 64,50 95,00 15418,5 6127,5 10468,35 26341,29 4160,25 9025
Nisa 154,70 48,90 87,00 13458,9 4254,3 7564,83 23932,09 2391,21 7569
Oky 151,30 49,70 84,00 12709,2 4174,8 7519,61 22891,69 2470,09 7056
Putri M 157,70 47,80 87,00 13719,9 4158,6 7538,06 24869,29 2284,84 7569
Tia 156,80 43,40 86,00 13484,8 3732,4 6805,12 24586,24 1883,56 7396
Triya 155,20 54,20 87,00 13502,4 4715,4 8411,84 24087,04 2937,64 7569
Yuanita 156,90 62,10 90,00 14121 5589 9743,49 24617,61 3856,41 8100
Jumlah 3930,6 1340,6 2200 346168 118627,5 211510,8 618479,8 73839 193960
rata-
rata 157,224 53,624 88 13846,72 4745,1 8460,434 24739,19 2953,56 7758,4


V
33
1. Koefisienkorelasiantara X1 dan X2 (r12)
r12 =
n
1
2
n
1
2
2
n
2
2
2
=
25 2115108 39306 13406
253930257383913406
=0,749244945
2. Koefisien korelasi antara X1 dan Y (ry,1)
ry,1=
n
1
y
1
ny
2
y
2
n
1
2
=
34616839306 2200
(
)
0,651824
3. Koefisien korelasi antara X2 dan Y (ry,2)
ry,2 =
n y
2
y
ny
2
y
2
n
2
2
2
=
118627513406 2200
(193960
)
= 0,78127
y
2

2
n
2
25
2
95064
1
2

1
2
2
2

2
2
n
2
2
73839 2553624
2
19506656

1
n
1
346168 2515722488 2752

2
n
2
1186275 255362488 6547
2
n
1
2115108 2553624
b
1
(
2
2
)
1
y
1
2
y
1
2
2
2

1
2752 73634566547
495145619506656 7363456
2
01292
b
2
(
1
2
)
2
y
1
1
y
1
2
2
2

1
49514566547 73634562752
495145619506656 7363456
2

0,28686
a
b
1
b
2
88 01292157224 02868653624 52,3041

Jadi, persamaannya adalah 523041 01292
1
028686
2

Koefisien Korelasi
R =
1
yb2
2
y
y2
=
0129227520286866547
= 0,4847275
Koefisien determinasi = R
2
= 0,4847275
2
= 0, 2349607

5. Standart Error of Estimate
y
2
(b
1
1
yb
2
2
y)
nm
=
95064(0129227520286866547)
253
2489
6. Kesalahan baku untuk koefisien regresi b1
b
1
e
(
1
2
n
1
2
)(1r
y1
2
)
=
2489
(4951456252473919)(1077688
2
)
0,169
7. Kesalahan baku untuk koefisien regresi b2

V
34
b
2
e
(
2
2
n
2
2
) (1 r
y1
2
)
2489
19506656 (1 077688
2
)
0085
Uji statistik
t0 =
b
1
B
1
b
1
012920
0169
004322

5) Membuat kesimpulan
H0 diterima karena -2,047 t0 2,047
Jadi, koefisien tinggi badan signifikan terhadap model regresi

b. Pengujian hipotesis individual (b2)
1.) Menentukan formulasi hipotesis
H0 : koefisien tinggi badan tidak signifikan terhadap model regresi
H1 : koefisien tinggi badan signifikan terhadap model regresi
2.) Menentukan taraf nyata
Db = 25-3 = 22
t = 2,074
3.) Menentukan kriteria pengujian
H0 diterima apabila -2,074 t0 2,074
H0 ditolak apabila t0 < -2,074 atau t0 > 2,074
4.) Mnentukan nilai uji statistik
t0 =
b
2
B
2
b
2
026860
0085
316
5) Membuat kesimpulan
H0 ditolak karena t0 > 2,047
Jadi, koefisien berat badan signifikan terhadap model regresi

2. Analisis Model Linier Regresi
a. Formulasi hipotesis.
H0 : model linier tinggi badan, berat badan, dan lingkar pinggul tidak signifikan
H1 : model linier tinggi badan, berat badan, dan lingkar pinggul signifikan
b. Penentuan nilai dan nilai F tabel
= 0,05; df = 2;22
F tabel = 3,44
c. Kriteria Pengujian
H0 diterima jika F0 Fa(v1;v2) dan H0 ditolak jika F0 > Fa(v1;v2)
d. Uji statistik
JKT =

JKR =
= = 223,3630

V
35
JKE = JKT-JKR = 360,00-223,3630 =136,637
Tabel 4. Analisis manual variansi
Sumber Variasi Jumlah Kuadrat Df Rata-rata Kuadrat F hitung
Regresi 233,36859 2 111,681 17,982
Error 136,638 22 6,211
Total 360,00 24

e. Kesimpulan
Karena Fhitung > Ftabel maka H0

ditolak sehingga tinggi badan, berat badan, dan lingkar
pinggul signifikan

1. Autokorelasi
Pengujian penyimpangan regresi untuk regresi linier berganda adalah pengujian
autokorelasi dan multikolinieritas. Autokorelasi berarti ada pengaruh dari variabel dalam
modelnya melalui selang waktu atau tidak terjadi korelasi antara galat randomnya.
Autokorelasi dapat diuji menggunakan SPSS. Berikut adalah langkah-langkah menguji
autokorelasi dan multikolinieritas dengan menggunakan SPSS.
1. Masukkan data yang akan diuji ke dalam Data View
2. Klik Analize- Regression-Linier
3. lalu masaukkan variabel bebas yaitu tinggi badan dan berat badan ke dalam Independent
sedangkan lingkar pinggul ke dalam Dependent.
4. Klik Staitistic-vcentang Estimates dan Ddescriptive-Continue.
5. klik Plots- masukkan ZPRED ke X dan ZRESID ke Y- continue OK
6. lalu akan muncul output seperti berikut:
Model Summary
b

Model Durbin-Watson
1 1,696
a. Predictors: (Constant), Berat_badan,
Tinggi_badan

Untuk melihat ada tidaknya autokorelasi pada data yang diuji dapat dilihat hasilnya pada kolom
Durbin-Watson. Data dianggap tidak terdapat autokorelasi jika nilai Durbin-Watsonnya terletak
diantara 1,55-2,46. Dalam tabel diatas, nilai Durbin-Watson menunjukkan sebesar 1,696. Jadi
dapat disimpilkan bahwa data yang sedang diuji tersebut tidak terdapat autokorelasi.

Menganalisis terjadinya penyimpangan Autokorelasi

V
36
Tabel 5.18 uji durbin Watson
No Y Y^ E e
2
en-en-1 (en-en-1)
2
1. 3.23 3.117924 -0.112076 0.01256103 0 0
2. 3.18 3.117924 -0.062076 0.00385343 0.05 0.0025
3. 3.4 3.230924 -0.169076 0.02858669 -0.107 0.011449
4. 3.2 3.197224 -0.002776 0.00000771 0.1663 0.02765569
5. 3.28 3.197224 -0.082776 0.00685187 -0.08 0.0064
6. 3.03 3.072324 0.042324 0.00179132 0.1251 0.01565001
7. 2.78 2.891924 0.111924 0.01252698 0.0696 0.00484416
8. 3.6 3.230924 -0.369076 0.13621709 -0.481 0.231361
9. 2.8 3.050524 0.250524 0.06276227 0.6196 0.38390416
10. 3.35 3.197224 -0.152776 0.02334051 -0.4033 0.16265089
11. 3.54 3.197224 -0.342776 0.11749539 -0.19 0.0361
12. 3.4 3.197224 -0.202776 0.04111811 0.14 0.0196
13. 3.4 3.197224 -0.202776 0.04111811 0 0
14. 3.16 3.117924 -0.042076 0.00177039 0.1607 0.02582449
15. 3.24 3.072324 -0.167676 0.02811524 -0.1256 0.01577536
16. 3.51 3.230924 -0.279076 0.07788341 -0.1114 0.01240996
17. 3.24 3.197224 -0.042776 0.00182979 0.2363 0.05583769
18. 3.5 3.230924 -0.269076 0.07240189 -0.2263 0.05121169
19. 3.4 3.197224 -0.202776 0.04111811 0.0663 0.00439569
20. 2.65 2.971224 0.321224 0.10318486 0.524 0.274576
21. 2.5 2.812624 0.312624 0.09773377 -0.0086 0.00007396
22. 3.1 3.197224 0.097224 0.00945251 -0.2154 0.04639716
23. 2.89 2.812624 -0.077376 0.00598705 -0.1746 0.03048516
24. 3.67 3.230924 -0.439076 0.19278773 -0.3617 0.13082689
25. 3.12 3.117924 -0.002076 0.00000431 0.437 0.190969
1.12049955

1.74089796

d
e
n
e
n1
2
e
n
2

d
17408
11204
1553
a. Membuat kesimpulan
H0 diterima karena d = 1553> 1,55 (dU). Jadi tidak ada autokorelasi dalam model regresinya.
2. Multikolinieritas

Coefficients
a

Model
Unstandardized
Coefficients
Standardized
Coefficients
T Sig.
1 (Constant) 63,204 45,327

1,394 ,177

Tinggi_badan ,076 ,325 ,060 ,233 ,818 ,548 1,825
Berat_badan ,277 ,171 ,414 1,618 ,120 ,548 1,825


V
37
Untuk melihat ada tidaknya multikolinieritas pada data yang diuji, dapat dilihat hasilnya
pada tabel Coefficients pada kolom Tolerance dan VIF. Data dianggap tidak terdapat
multikolinieritas bila nilai Tolerancenya > 0,1 atau nilai VIFnya < 10. Pada tabel diatas, nilai
Tolerance sebesar 0,548 > 0,1 dan nilai VIFnya sebesar 1,825 < 10. Jadi dapat disimpulkan
bahwa dalam data yang sedang diuji tersebut tidak terdapat multikolinieritas.
Dapat dilihat dari uji homogenitas diatas, dimana persebaran titik menyebar atau acak
pada 5 kuadran serta tidak membentuk pola. Demikian dapat disimpulkan bahwa data ada
homogen.

1. Autokorelasi
Pengujian penyimpangan regresi untuk regresi linier berganda adalah pengujian
autokorelasi dan multikolinieritas. Autokorelasi berarti ada pengaruh dari variabel dalam
modelnya melalui selang waktu atau tidak terjadi korelasi antara galat randomnya.
Autokorelasi dapat diuji menggunakan SPSS. Berikut adalah langkah-langkah menguji
autokorelasi dan multikolinieritas dengan menggunakan SPSS.
1. Masukkan data yang akan diuji ke dalam Data View
2. Klik Analize- Regression-Linier
3. lalu masaukkan variabel bebas yaitu tinggi badan dan berat badan ke dalam Independent
sedangkan lingkar pinggul ke dalam Dependent.
4. Klik Staitistic-vcentang Estimates dan Ddescriptive-Continue.
5. klik Plots- masukkan ZPRED ke X dan ZRESID ke Y- continue OK
6. lalu akan muncul output seperti berikut:
Model Summary
b

Model Durbin-Watson
1 1,696
a. Predictors: (Constant), Berat_badan,
Tinggi_badan

Untuk melihat ada tidaknya autokorelasi pada data yang diuji dapat dilihat hasilnya pada kolom
Durbin-Watson. Data dianggap tidak terdapat autokorelasi jika nilai Durbin-Watsonnya terletak
diantara 1,55-2,46. Dalam tabel diatas, nilai Durbin-Watson menunjukkan sebesar 1,696. Jadi
dapat disimpilkan bahwa data yang sedang diuji tersebut tidak terdapat autokorelasi.


V
38

Menganalisis terjadinya penyimpangan Autokorelasi
Tabel 5.18 uji durbin Watson
No Y Y^ E e
2
en-en-1 (en-en-1)
2
26. 3.23 3.117924 -0.112076 0.01256103 0 0
27. 3.18 3.117924 -0.062076 0.00385343 0.05 0.0025
28. 3.4 3.230924 -0.169076 0.02858669 -0.107 0.011449
29. 3.2 3.197224 -0.002776 0.00000771 0.1663 0.02765569
30. 3.28 3.197224 -0.082776 0.00685187 -0.08 0.0064
31. 3.03 3.072324 0.042324 0.00179132 0.1251 0.01565001
32. 2.78 2.891924 0.111924 0.01252698 0.0696 0.00484416
33. 3.6 3.230924 -0.369076 0.13621709 -0.481 0.231361
34. 2.8 3.050524 0.250524 0.06276227 0.6196 0.38390416
35. 3.35 3.197224 -0.152776 0.02334051 -0.4033 0.16265089
36. 3.54 3.197224 -0.342776 0.11749539 -0.19 0.0361
37. 3.4 3.197224 -0.202776 0.04111811 0.14 0.0196
38. 3.4 3.197224 -0.202776 0.04111811 0 0
39. 3.16 3.117924 -0.042076 0.00177039 0.1607 0.02582449
40. 3.24 3.072324 -0.167676 0.02811524 -0.1256 0.01577536
41. 3.51 3.230924 -0.279076 0.07788341 -0.1114 0.01240996
42. 3.24 3.197224 -0.042776 0.00182979 0.2363 0.05583769
43. 3.5 3.230924 -0.269076 0.07240189 -0.2263 0.05121169
44. 3.4 3.197224 -0.202776 0.04111811 0.0663 0.00439569
45. 2.65 2.971224 0.321224 0.10318486 0.524 0.274576
46. 2.5 2.812624 0.312624 0.09773377 -0.0086 0.00007396
47. 3.1 3.197224 0.097224 0.00945251 -0.2154 0.04639716
48. 2.89 2.812624 -0.077376 0.00598705 -0.1746 0.03048516
49. 3.67 3.230924 -0.439076 0.19278773 -0.3617 0.13082689
50. 3.12 3.117924 -0.002076 0.00000431 0.437 0.190969
1.12049955

1.74089796


V
39
d
e
n
e
n1
2
e
n
2

d
17408
11204
1553
b. Membuat kesimpulan
H0 diterima karena d = 1553> 1,55 (dU). Jadi tidak ada autokorelasi dalam model regresinya.
2. Multikolinieritas

Coefficients
a

Model
Unstandardized
Coefficients
Standardized
Coefficients
T Sig.
1 (Constant) 63,204 45,327

1,394 ,177

Tinggi_badan ,076 ,325 ,060 ,233 ,818 ,548 1,825
Berat_badan ,277 ,171 ,414 1,618 ,120 ,548 1,825

Untuk melihat ada tidaknya multikolinieritas pada data yang diuji, dapat dilihat hasilnya
pada tabel Coefficients pada kolom Tolerance dan VIF. Data dianggap tidak terdapat
multikolinieritas bila nilai Tolerancenya > 0,1 atau nilai VIFnya < 10. Pada tabel diatas, nilai
Tolerance sebesar 0,548 > 0,1 dan nilai VIFnya sebesar 1,825 < 10. Jadi dapat disimpulkan
bahwa dalam data yang sedang diuji tersebut tidak terdapat multikolinieritas.
Dapat dilihat dari uji homogenitas diatas, dimana persebaran titik menyebar atau acak
pada 5 kuadran serta tidak membentuk pola. Demikian dapat disimpulkan bahwa data ada
homogen.

4.2.2.4 Analisis dan Interpretasi Pengolahan Regresi Linier Berganda
Data uji regresi linier berganda mencangkup tinggi badan dan berat badan (variabel
bebas) dan lingar pinggul (variabel terikat). Pada uji kenormalan. H0 diteria dan data
berdistribusi normal. Untuk uji homogenitas, data telah memiliki variansi homogen. Untuk uji
linieritas, data yang diuji merupakan bersifat linier. Setelah itu, dapat dilihat nilai R (0,457)
menunjukkan bahwa korelasi antara tinggi badan, berat badan, dan lingkar pinggul bernilai
sedang. Sedangkan nilai R Square (0,209) artinya variabel bebas berpengaruh terhadap variabel
terikat sebesar 20,9% dan sebesar 79,1% dipengaruhi oleh variabel bebas lain yang tidak
ditentukan dalam pengujian ini. Untuk model linier, didapatkan tinggi badan, berat badan, dan
lingkar pinggul tidak signifikan dengan persamaan regresi Y =

Selain ituberdasarkan nilai autokorelasi dan multikolinieritas, serta analisa untuk
heteroskedastisitas didapatkan kesimpulan bahwa data tidak mengalami penyimpangan.

V
40
BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Dari pembahasan sebelumnya, dapat diambil kesimpulan sebagai berikut ini :
1. Korelasi merupakan salah satu teknik statistik yang digunakan untuk mencari hubungan
antara dua variabel atau lebih, yang sifatnya kuantitatif. Teknik korelasi merupakan teknik
analisis yang melihat kecenderungan pola dalam satu variabel berdasarkan kecenderungan
pola dalam variabel yang lain. Sedangkan regresi adalah suatu alat ukur yang juga dapat
digunakan untuk mengukur ada atau tidaknya korelasi antar variabel. Analisis regresi
mempelajari hubungan yang diperoleh dinyatakan dalam persamaan matematika yang
menyatakan hubungan fungsional antara variabel-variabel.
2. Studi kasus untuk regresi linier sederhana dalam laporan ini adalah mengenai pengaruh
besar minus mata terhadap IPK. Sedangkan untuk regresi linier berganda adalah pengaruh
tinggi badan dan berat badan terhadap lingkar pinggul.
3. Pada regresi linier sederhana, dikethui untuk uji korelasi bahwa nilai PearsonCorrelation,
yaitu 0,443 maka itu kedua variabel memiliki hubungan yang sedang. Nilai Pearson
Correlation positif berarti hubungan bessar minus mata dan IPK bernilai positif (berbanding
lurus). Angka ig. pada tabel yaitu 0,013 < (0,05) berarti Ho ditolak dan H1 diterima. Maka
dapat disimpulkan adanya korelasi antar variable. Untuk uji regresi, diketahui nilai nilai R
( 0,443) meunjukkan bahwa korelasi antara variabel mata minus dan IPK bernilai sedang.
Sedangkan nilai R square ( 0,196) artinya variabel bebas berpengaruh terhadap variabel
terikat sebesar 19,6% dan sebesar 80,04% dipengaruhi oleh variabel lain yang tidak
ditentukan dalam pengujian ini. Selain itu, berdasarkan nilai autokorelasi dan
heteroskedasititas didapatkan kesimpulan bahwa data tidak mengalami penyimpangan.
4. Pada data regresi linier berganda, diketahui untuk uji korelasi didaptkan bahwa nilai
PearsonCorrelation dari lingkar pinggul dan tinggi badan , yaitu 0.338 , berarti ada korelasi
yang bernilai sedang antara kedua variabel tersebut dan karena bertanda (+) maka variabel
searah, sedangkan nilai Pearson Correlattion dari lingkar pinggul dan berat badan ialah
0.445 yang berarti hubungan kedua variabel sedang dan tanda (+) mengartikan bahwa
kedua variabel searah. Untuk uji regresi, diketahui bahwa nilai R (0,457) menunjukkan
bahwa korelasi antara tinggi badan, berat badan, dan lingkar pinggul bernilai sedang.
Sedangkan nilai R Square (0,209) artinya variabel bebas berpengaruh terhadap variabel
terikat sebesar 20,9% dan sebesar 79,1% dipengaruhi oleh variabel bebas lain yang tidak
ditentukan dalam pengujian ini. Selain ituberdasarkan nilai autokorelasi dan
multikolinieritas, serta analisa untuk heteroskedastisitas didapatkan kesimpulan bahwa
data tidak mengalami penyimpangan.

V
41
5.2 Saran
Saran-saran untuk praktikum modul ini adalah sebagai berikut :
1. Seharusnya praktikan diberikan arahan lebih lagi dalam penentuan studi kasus untuk
regresi linier.
2. Sebaiknya diberikan penjelasan lebih dalam pengolahan data manual agar tidak terjadi
kesulitan dalam pengerjaan.

Modul 5 Print

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul 5 Print

Uploaded by

Copyright:

Available Formats

ANALISIS KORELASI DAN REGRESI MODUL

LABORATORIUM STATISTIK DAN REKAYASA KUALITAS

346168 2515722488 2752

1186275 255362488 6547

88 01292157224 02868653624 52,3041

You might also like