Professional Documents
Culture Documents
MODUL III
BAB I PENDAHULUAN
1.1 Latar Belakang Statistik adalah merupakan salah satu cara yang digunakan untuk mengolah data menjadi sebuah informasi yang penting. Dengan menggunakan statistik sebagai alat analisis dengan memperhitungkan konsep serta formula, maka proses pengolahan data menjadi mudah. Dengan semakin berkembangnya ilmu pengetahuan dan teknologi maka penerapan statistik dapat dilakukan dengan menggunakan bantuan software. Dalam praktikum ini software yang digunakan untuk mengolah data adalah SPSS 17. Dengan beragamnya permasalahan dalam dunia perindustrian, maka diperlukan suatu alat bantu yang digunakan untuk mengambil kesimpulan secara cepat dan tepat. Analisis korelasi dan regresi merupakan salah satu cara yang digunakan untuk menentukan bentuk hubungan serta seberapa besar hubungan kedua variabel tersebut. Tujuan utama dalam penggunaan analisis ini adalah untuk meramalkan nilai dari suatu variabel dalam hubungannya dengan variabel lainnya yang dapat diketahui melalui persamaan regresi. Praktikum ini bertujuan agar praktikan dalam hal ini mahasiswa program studi Teknik Industri angkatan 2009 dapat memahami regresi linier baik sederhana maupun berganda serta dapat mengaplikasikannya dengan baik. 1.2 Batasan Batasan-batasan yang digunakan selama praktikum ini, yaitu : 1. 2. Data yang digunakan adalah data primer Jumlah data yang diambil sebanyak 25 sampel.
1.3 Asumsi Asumsi- asumsi yang digunakan selama praktikum ini antara lain: 1. 2. 3. 4. Kenormalan Linier Homogen Independen/kebebasan antar pengamatan.
123
MODUL III
Untuk mengetahui cara pengujian analisis korelasi dan regresi serta dapat menarik kesimpulan dari hasil pengujian tersebut. Untuk mengetahui korelasi antar variabel bebas(independen) dan variabel bebas(dependen) Untuk memahami aplikasi dari penggunaan analisi regresi, baik regresi linier sederhana maupun berganda.
1.5 Manfaat Praktikum Manfaat yang diperoleh dari pelaksanaan praktikum ini antara lain : 1. 2. 3. 4. Agar praktikan dapat mengetahui dan memahami fungsi analisis korelasi dan regresi Agar praktikan dapat mengetahui cara pengujian analisis korelasi dan regresi serta dapat menarik kesimpulan dari hasil pengujian tersebut Agar praktikan dapat mengetahui korelasi antar variabel bebas(independen) dan variabel bebas (dependen) Agar praktiakan dapat memahami aplikasi dari penggunaan analisis fegresi, baik regresi linier sederhana maupun berganda.
124
MODUL III
MODUL III
Disebabkan dua bagian sisi dari tengah-tengah adalah simetris, maka frekuensi nilai-nilai diatas rata-rata (mean) sama dengan frekuensi nilai-nilai dibawah rata-rata.
d.
Frekuensi total semua nilai dalam populasi akan berada dalam area dibawah kurva.
2.1.3 Macam-Macam Korelasi Korelasi dibagi menjadi dua jenis, yaitu : 1. Korelasi Sederhana Korelasi sederhana adalah korelasi yang 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 korelasi yang digunakan untuk mengetahui hubungan antara dua variabel di mana variabel lainnya dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol). 2.1.4 Koefisien Korelasi Berikut ini penjelasan mengenai pengertian, jenis-jenis serta interpretasi koefisien korelasi. 2.1.4.1 Pengertian 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 2.1.4.2 Jenis- jenis Koefisien Korelasi Jenis-jenis koefisien korelasi yang sering digunakan berdasarkan jenis datanya terdiri dari uji korelasi Pearson (product moment), uji korelasi Rank Spearman dan uji korelasi Rank Kendall. Perbedaan antara ketiga uji tersebut adalah : 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, 2002:234). LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 126
MODUL III
(2-1)
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)
2.
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:
(2-3)
dimana : rs : Korelasi Rank Spearman n : Jumlah Sampel 3. 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 data kuantitatif, koefisien korelasi bersyarat ini disimbolkan C dan mempunyai interval nilai antara -1 dan 1(-1C1).
127
MODUL III
(2-4)
Keterangan: 2 = n = C = 4. kai kuadrat jumlah semua frekuensi koefisien korelasi bersyarat 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: (2-5)
Sumber : Iqbal Hasan, 2001 : 236
Keterangan: KK = koefisien korelasi Jika koefisien korelasinya adalah koefisien korelasi Pearson (r) maka koefisien penentunya adalah:
Sumber : Iqbal Hasan, 2001 : 236
(2-6)
7)
][
(2-
2.1.4.3 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 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:
128
MODUL III
Jika angka koefisien korelasi menunjukkan 0, maka kedua variabel tidak mempunyai hubungan Jika angka koefisien korelasi mendekati 1, maka kedua variabel mempunyai hubungan semakin kuat Jika angka koefisien korelasi mendekati 0, maka kedua variabel mempunyai hubungan semakin lemah Jika anga koefisien korelasi sama dengan 1, maka kedua variabel mempunyai hubungan linier sempurna positif Jika koefisien korelasi sama dengan -1, maka kedua variabel mempunyai hubungan linier sempurna negatif.
Melihat signifikansi hubungan Interpretasi berikutnya melihat signifikansi hubungan dua variabel dengan didasarkan pada angka signifikansi yang dihasilkan dari perhitungan. Interpretasi ini akan membuktikan apakah hubungan kedua variabel tersebut signifikan atau tidak. Untuk pengujian dalam SPSS digunakan kriteria sebagai berikut: a. b. Jika angka signifikansi hasil riset < 0,05, maka hubungan kedua variabel signifikan Jika angka signifikansi hasil riset > 0,05, maka hubungan kedua variabel tidak signifikan.
3.
Melihat arah hubungan Interpretasi ketiga melihat arah korelasi. 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 koefisien korelasi. Jika koefisien korelasi positif, maka hubungan kedua variabel searah. Searah artinya jika variabel X nilainya tinggi, maka variabel Y juga tinggi. Jika koefisien korelasi negatif, maka hubungan kedua variabel tidak searah. Tidak searah artinya jika variabel X nilainya tinggi, maka variabel Y akan rendah. Berikut ini adalah macam-macam dari korelasi :
1.
Direct / Positive Correlation Direct / Positive Correlation adalah perubahan satu variabel diikuti perubahan variabel lainnya dengan arah yang sama; kenaikan atau turunnya nilai variabel x diikuti dengan kenaikan atau turunnya nilai variabel y.
129
MODUL III
2.
Inverse / Negative Correlation Inverse / Negative Correlation adalah perubahan satu variabel diikuti perubahan variabel lainnya dengan arah yang berlawanan; kenaikan nilai variabel x diikuti dengan turunnya nilai variabel y dan turunnya nilai variabel x diikuti dengan kenaikan nilai variabel y.
3.
Korelasi Nihil (Tidak Berkolerasi) Korelasi nihil adalah kenaikan nilai satu variabel diikuti dengan turunnya nilai variabel lain atau naiknya variabel lain; arah hubungannya tidak teratur (searah atau berlawanan).
Interpretasi terhadap nilai r dapat dilakukan dengan pedoman seperti berikut ini.
130
MODUL III
2.2 Regresi Analisis regresi dilakukan dengan dua tujuan yaitu untuk menguji hubungan fungsional (apakah linear atau non linear) antara satu atau seperangkat X dengan satu Y, dan melakukan prediksi nilai Y jika nilai X ditentukan. 2.2.1 Pengertian Regresi Regresi adalah peramalan, penaksiran, atau pendugaan dan sebagai alat untuk
menjelaskan sistem. Analisis regresi adalah analisis yang digunakan untuk menguji
hubungan fungsional antara satu atau seperangkat variabel bebas (independent variable) dengan satu variabel tergantung (dependent variable). Berbeda dengan analisis korelasi, dalam analisis regresi variabel-variabel yang dilibatkan kedudukannya diperlakukan secara berbeda, yaitu ada satu atau seperangkat variabel bebas dan satu variabel tergantung. Dalam analisis korelasi, walaupun variabelvariabel yang dianalisis kedudukannya sudah jelas (sebagai variabel bebas dan variabel tergantung). Namun, kedudukan itu tidak diperhitungkan, dalam arti variabel-variabel itu diperlakukan secara sama. Misalnya, koefisien korelasi (r) antara X sebagai variabel bebas dengan Y sebagai variabel tergantung ditemukan sebesar 0,5. Hasil yang sama (r = 0,5) akan diperoleh walaupun kedudukan variabel-variabel itu dibalik, yakni Y sebagai variabel bebas dan X sebagai variabel tergantung. Dalam analisis regresi, nilai-nilai variabel-variabel bebas menentukan nilai-nilai variabel tergantung. Jika X adalah variabel bebas dan Y adalah variabel tergantung, maka nilai X menentukan nilai Y (atau nilai Y tergantung pada nilai X). Dengan kata lain, Y adalah fungsi X atau ditulis Y = f (X). Inilah yang dimaksud dengan hubungan fungsional. Hubungan fungsional tersebut bisa berbentuk linier maupun non linier. (Murwani, 2007: 12). 2.2.2 Asumsi Klasik Regresi Formula atau rumus regresi diturunkan dari suatu asumsi data tertentu. Dengan demikian tidak semua data dapat diterapkan regresi. Jika data tidak memenuhi asumsi LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 131
MODUL III
regresi, maka penerapan regesi akan menghasilkan estimasi yang bias. Jika data memenuhi asumsi regresi maka estimasi ( ) diperoleh akan bersifat BLUE yang merupakan singkatan dari: Best, Linear, Unbiased, Estimator. Penjelasan dari asumsiasumsi tersebut dapat dijelaskan sebagai berikut : 1. Best Best artinya yang terbaik, dalam arti garis regresi merupakan estimasi atau ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih. Garis regresi adalah best jika garis itu menghasilkan error yang terkecil. Error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika best disertai sifat unbiased maka estimator regresi disebut efisien. 2. Linear Estimator disebut linear jika estimator itu merupakan fungsi linear dari sampel. Lihat rumus rata-rata dibawah ini: (2-8)
Sumber:http://fe.unnes.ac.id/fenew/files/kurikulum/ekonometrika/mnj/bahan20ajar.doc
Rata-rata diatas adalah estimator yang linear, karena merupakan fungsi linear dari nilai-nilai X. Nilai-nilai OLS juga merupakan klas estimator yang linear. 3. Unbiased Suatu estimator dikatakan unbiased jika nilai harapan dari estimator sama dengan nilai yang benar dari . Rata-rata = . Bias = Rata-rata . 4. Estimated Estimator adalah suatu nilai taksiran yang terdapat pada persamaan regresi linear. Estimasi dari model regresi sederhana bertujuan untuk mendapatkan nilai intersep dan slope dari garis regresi linear. 2.2.3 Asumsi Regresi Asumsi-asumsi regresi adalah sebagai berikut:
1.
Data Berdistribusi Normal Data yang mempunyai distribusi normal artinya data yang distribusinya simetris sempurna. Jika digunakan bahasa umum disebut berbentuk kurva bel. Menurut Johnston (2004) ciri-ciri data yang mempunyai distribusi normal ialah sebagai berikut: a. Kurva frekuensi normal menunjukkan frekuensi tertinggi berada di tengahtengah, yaitu berada pada rata-rata (mean) nilai distribusi dengan kurva sejajar dan tepat sama pada bagian sisi kiri dan kanannya. Kesimpulannya, nilai yang LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 132
MODUL III
paling sering muncul dalam distribusi normal ialah rata-rata (average), dengan setengahnya berada dibawah rata-rata dan setengahnya yang lain berada di atas rata-rata. Kurva normal, sering juga disebut sebagai kurva bel, berbentuk simetris sempurna. Kurva normal dapat mempunyai bentuk yang berbeda-beda. Yang menentukan bentuk-bentuk tersebut adalah nilai rata-rata dan simpangan baku (standard deviation) populasi. b. Karena dua bagian sisi dari tengah-tengah benar-benar simetris, maka frekuensi nilai-nilai diatas rata-rata (mean) akan benar-benar cocok dengan frekuensi nilainilai di bawah rata-rata. c. Frekuensi total semua nilai dalam populasi akan berada dalam area dibawah kurva. Perlu diketahui bahwa area total dibawah kurva mewakili kemungkinan munculnya karakteristik tersebut.
2.
Variabel yang dihubungkan mempunyai data linear Asumsi untuk linear dalam variabel diuji dengan membuat diagram pencar antara data X dan Y, jika diagram pencar membentuk pola linear maka dapat dikatakan regresi antara X dan Y bersifat linear.
3.
Kedua variabel bersifat independen satu dengan lainnya Artinya masing-masing variabel berdiri sendiri dan tidak tergantung satu dengan lainnya. Tidak ada istilah variabel bebas dan variabel tergantung.
4.
Homogen Merupakan data yang memiliki variansi sama. Variansi sama yaitu data tersebut memiliki sebaran yang merata. Dikatakan homogen jika datanya menyebar dan data tidak membentuk pola tertentu.
2.2.4 Metode Model Regresi Berikut ini beberapa metode model regresi yang digunakan dalam SPSS: 1. 2. 3. 4. Enter Memasukkan atau memilih semua variabel independen dalam persamaan regresi. Remove Untuk mengeluarkan variabel independen dalam persamaan regresi. Backward Untuk mengeluarkan satu persatu variabel independen dalam persamaan regresi. Forward Untuk memasukkan satu persatu variabel independen dalam persamaan regresi.
133
MODUL III
Metode ini memilih dan mengeluarkan variabel inependen dalam persamaan berdasarkan nilai signifikansi yang ada pada options. 2.2.5 Macam Macam Regresi Regresi yang sering digunakan dalam penelitian adalah regresi linear. Selain regresi linier regresi juga dapat dibedakan menjadi regresi non linear. 2.2.5.1 Regresi Linear 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. 1. Regresi Linear 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. Bentuk dari persamaaan regresi linear sederhana adalah: Y = a+ bX di mana: a = konstanta (atau intersep) populasi b = koefisien regresi populasi Y = variabel terikat X = variabel bebas Regreasi Linear Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya (Y) dihubungkan atau dijelaskan lebih dari satu variabel bebas (X1, X2,...., Xn) namun masih menunjukkan diagram hubungan yang linear. Regresi linear berganda digunakan untuk mengetahui hubungan nilai beberapa variabel bebas dan satu variabel terikat melalui persamaan regresi. Bentuk dari persamaaan regresi linear berganda adalah: Y = a + b1X1......+ bkXk
Sumber : Iqbal Hasan, 2001 : 253 Sumber : Iqbal Hasan, 2001 : 219
(2-9)
2.
(2-10)
134
MODUL III
2.2.5.2 Regresi Non Linear Regresi non linear antara lain dibedakan menjadi regresi kuadratik, regresi parabolik, dan regresi eksponensial. 1. Regresi Kuadratik Regresi non linear model kuadratik merupakan hubungan antara dua peubah yang terdiri dari variabel dependen ( Y ) dan variabel independen ( X ) sehingga akan diperoleh suatu kurva yang membentuk garis lengkung menaik (c>0) atau menurun (c<0). Bentuk persamaan matematis model kuadratik secara umum menurut Steel dan Torrie (1980) adalah : Y = a + bx + cx2 2. Regresi Parabolik Model matematika untuk regresi parabolik adalah : Y = a0 + a1 X + a2 X2 (2-12)
Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/ Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/
(2-11)
Penyelesaian regresi parabolik ini adalah berupa sekumpulan tiga persamaan simultan dengan tiga nilai yang tidak diketahui, yaitu a0, a1 dan a2, disajikan pada persamaan di bawah ini. n . a0 + S Xi .. a1 + S Xi 2 . a2 = S Yi
Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/
S Xi .a0 + S Xi2 . a1 + S Xi 3 . a2 = S Xi Yi
Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/
S Xi 2 .a0 + S Xi3 . a1 + S Xi 4 . a2 = S Xi 2 Yi dengan n adalah banyaknya pasangan data (X,Y). 3. Regresi Eksponensial
Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/
Pada regresi eksponensial, hubungan antara variabel bebas (X) dan variabel terikat (Y) adalah: (2-16)
Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/
135
MODUL III
dengan a dan b adalah parameter penduga, yang nilainya didasarkan pada data hasil pengukuran. Pada model regresi eksponensial ini diasumsikan bahwa nilai X selalu positif. Untuk mengestimasi nilai a dan b dilakukan transformasi logaritma: log log log (2-17)
Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/
Dengan memisalkan bahwa log Y = Y , log a = a , dan log X = X, maka diperoleh suatu bentuk persamaan garis linear :
Sumber: http://santosa764.wordpress.com/matematika-terapan-model-matematika/
(2-18)
Dengan demikian maka nilai prediksi a didapat melalui antilog a. 2.3 Analisis Regresi Linear Sederhana Analisis regresi linear adalah suatu analisis terhadap persamaan regresi dimana hubungan variabel bebas dan variabel tidak bebas berbentuk garis lurus. Kata sederhana dalam regresi linear sederhana mengandung arti bahwa variabel yang dibicarakan hanya menyangkut satu variabel bebas dan satu variabel tidak bebas saja. 2.3.1 Persamaan Garis Regresi Linear Sederhana Bentuk dari persamaaan garis regresi linear sederhana adalah:
Sumber : Iqbal Hasan, 2001 : 231
(2-19)
di mana: a b Y X = konstanta (atau intersep) populasi = koefisien regresi populasi = variabel terikat = variabel bebas Nilai a dan b dapat dicari dengan persamaan berikut:
(2-20)
(2-21)
Atau dengan persamaan normal, nilai a dan b juga dapat dicari dengan: (2-22) (2-23) 136
Sumber : elearning.gunadarma.ac.id/docmodul/bab8-regresi_dan_korelasi.pdf
MODUL III
Keterangan: X, Y = variabel a, b = bilangan konstanta 2.3.2 Kesalahan Baku Regresi dan Koefisien Regresi Sederhana Kesalahan baku atau selisih taksir standard merupakan indeks yang digunakan untuk mengukur tingkat ketepatan regresi (pendugaan) dan koefisien regresi (penduga) atau mengukur variasi titik-titik observasi di sekitar garis regresi. Untuk regresi, kesalahan bakunya dirumuskan:
(2-24)
(2-25)
(2-26)
Keterangan : Se Sa Sb X, Y a,b n = kesalahan baku regresi = koefisien regresi a (penduga a) = koefisien regresi b (penduga b) = variabel = konstanta = jumlah sampel
2.3.3 Pengujian Statistik Regresi Linear Sederhana Ukuran proporsi keragaman total nilai peubah Y yang dapat dijelaskan oleh nilai peubah X melalui hubungan linear. Penetapan dan interpretasi koefisien korelasi dan koefisien determinasi dirumuskan sebagai berikut: Koefisien Korelasi (r)
][ ]
(2-27)
Dimana: r = koefisien korelasi pearson LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 137
MODUL III
Dimana: R = koefisien determinasi Langkah-langkah pengujian statistik regresi linear sederhana dengan menggunakan rumus sebagai berikut: Rumus Uji Statistik
(2-29)
Keterangan: t0 r r2 = nilai t hitung = koefisien korelasi = koefisien determinasi Rumus uji statistik untuk tiap parameter A dan B adalah sebagai berikut: (2-30)
Sumber : Iqbal Hasan, 2001 : 227
(2-31)
Sumber : Iqbal Hasan, 2001 : 227
138
MODUL III
K KE
2.4 Analisis Regresi Linear Berganda Analisis regresi linear berganda digunakan untuk mengukur pengaruh antara lebih dari satu variabel prediktor (variabel bebas) terhadap variabel terikat. 2.4.1 Persamaan Garis Regresi Linear Berganda Bentuk dari persamaan garis linear berganda adalah: Y = a + b1X1......+ bkXk
Sumber : Iqbal Hasan, 2001 : 253
(2-36)
di mana: a b Y X k = konstanta (atau intersep) populasi = koefisien regresi populasi = variabel terikat = variabel bebas = jumlah variabel bebas
( )
(2-37)
(2-38)
(2-39) (2-40)
(2-41) (2-42)
Sumber : Iqbal Hasan, 2001 : 255 Sumber : Iqbal Hasan, 2001 : 255
(2-43)
139
MODUL III
(2-44) (2-45) (2-46)
2.4.2 Kesalahan Baku Regresi dan Koefisien Regresi Berganda Kesalahan baku pendugaan atau standard error of estimate adalah suatu ukuran terhadap pancaran atau persebaran nilai-nilai pengamatan (Y) terhadap garis regresinya. Kesalahan Baku Regresi dan koefisien Regresi Berganda untuk regresi, kesalahan bakunya dirumuskan:
(2-47)
Sumber : elearning.gunadarma.ac.id/docmodul/bab8-regresi_dan_korelasi.pdf
(2-48)
)
Sumber : elearning.gunadarma.ac.id/docmodul/bab8-regresi_dan_korelasi.pdf
(2-49)
Sumber : elearning.gunadarma.ac.id/docmodul/bab8-regresi_dan_korelasi.pdf
Keterangan: Se Sb1 Sb2 X, Y a, b n m Ry1 = kesalahan baku regresi = koefisien regresi b1 (penduga b1) = koefisien regresi b2 (penduga b2) = variabel = konstanta = jumlah pasangan observasi = jumlah konstanta dalam persamaan regresi berganda = koefisien korelasi antara X1 dan X2
2.4.3 Pengujian Statistik Regresi Linear Berganda Langkah-langkah pengujian statistik regresi linear berganda dengan menggunakan rumus uji statistik.
140
MODUL III
(2-50)
Sumber : Iqbal Hasan, 2001 : 267
(2-52)
(2-53)
(2-54)
(2-55)
Sumber : Iqbal Hasan, 2001 : 273
K KE
2.5 Uji Model Regresi Pemeriksaan asumsi residual erat kaitannya dengan kelayakan model regresi.Suatu model regresi dengan parameter signifikan dan memenuhi kriteria terbaik tetapi melanggar asumsi residual tidak disarankan untuk dipakai untuk menggambarkan pola LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 141
MODUL III
hubungan antara variabel prediktor dan variabel respon. Asumsi residual dalam analisis regresi meliputi residual identik, independen dan distribusi Normal (,2). Uji Residual Identik Uji residual identik dilakukan untuk melihat apakah residual memenuhi asumsi identik. Suatu data dikatakan identik apabila plot residualnya menyebar secara acak dan tidak membentuk suatu pola tertentu. Nilai variansnya rata-rata sama antara varians satu dengan yang lainnya. Uji Residual Independen Uji residual independen dilakukan untuk melihat apakah residual memenuhi asumsi independen. Suatu data dikatakan independen apabila plot residualnya menyebar secara acak dan tidak membentuk suatu pola tertentu. Uji Residual Berdistribusi Normal Uji residual distribusi normal dilakukan untuk melihat apakah residual memenuhi asumsi berdistribusi normal, apabila plot residualnya cenderung mendekati garis lurus (garis linier) dengan uji Kolmogorov Smirnov dengan melihat nilai P-Value. Jadi suatu data dapat dikatakan baik apabila data tersebut memenuhi semua asumsi IIDN (Identik, Independen, Distribusi Normal). Uji model regresi sebaiknya dilakukan dengan dua macam, yaitu : 1. Uji Serentak Uji serentak merupakan uji terhadap nilai-nilai koefisien regresi (b) secara bersama-sama dengan hipotesa. H0: 1 = 2 = ... = p = 0 ; H1: Minimal ada 1 yang tidak sama dengan nol. Statistik uji yang dipakai untuk melakukan uji serentak ini adalah statistik uji F. 2. Uji Individu Jika hasil pada uji serentak menunjukkan bahwa H0 ditolak, maka perlu dilakukan uji individu dengan hipotesa : H0 : i = 0 H1 : i 0 Untuk pengujian ini digunakan statistik uji t. 2.6 Kriteria Statistik Regresi Beberapa kriteria statistik regresi adalah sbagai berikut: 1. Uji t Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variasi variabel terikat. Tujuan dari uji t adalah untuk menguji koefisien regresi secara individual. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 142
1.
2.
3.
MODUL III
H0 adalah satu pernyataan mengenai nilai parameter populasi. H0 merupakan hipotesis statistik yang akan diuji hipotesis nihil. b. Hipotesa alternatif = H1 H1 adalah satu pernyataan yang diterima jika data sampel memberikan cukup bukti bahwa hipotesa nol adalah salah. Langkah-langkah/ urutan menguji hipotesa dengan distribusi t a. Merumuskan hipotesa H0 : i = 0, artinya variabel bebas bukan merupakan penjelas yang signifikan terhadap variabel terikat H1 : i 0, artinya variabel bebas merupakan penjelas yang signifikan terhadap variabel terikat. b. Menentukan taraf nyata/ level of significance = Taraf nyata / derajat keyakinan yang digunakan sebesar = 1%, 5%, 10%, dengan: df = n k dimana: df n k c. = degree of freedom/ derajat kebebasan = Jumlah sampel = banyaknya koefisien regresi + konstanta
Sumber : Iqbal Hasan, 2001 : 140
(2-56)
Menentukan daerah keputusan, yaitu daerah dimana hipotesa nol diterima atau tidak. Untuk mengetahui kebenaran hipotesis digunakan kriteria sebagai berikut. H0 diterima apabila t( / 2; n k) thitung t( / 2; n k), artinya tidak ada pengaruh antara variabel bebas terhadap variabel terikat. H0 ditolak apabila thitung > t( / 2; n
k)
atau thitung < -t( / 2; n k), artinya ada pengaruh antara variabel bebas terhadap
variabel terikat.
Gambar 2.4 Daerah Penerimaan dan Penolakan H0 Sumber : Iqbal Hasan, 2001 : 142
d. e.
143
MODUL III
Keputusan bisa menolak H0 atau menolak H0 menerima H1. Nilai ttabel yang diperoleh dibandingkan nilai thitung, bila thitung lebih besar dari ttabel, maka H0 ditolak, sehingga dapat disimpulkan bahwa variabel independen berpengaruh pada variabel dependen. Apabila thitung lebih kecil dari ttabel, maka H0 diterima sehingga dapat disimpulkan bahwa variabel independen tidak berpengaruh terhadap variabel dependen.
2.
Uji F Tabel F dilakukan untuk mengetahui pengaruh variabel bebas secara bersamasama terhadap variabel terikat. Langkah-langkah/ urutan menguji hipotesa dengan distribusi F a. Merumuskan hipotesa H0 : 1 = 2 = 3 = 4 = 0, berarti secara bersama-sama tidak ada pengaruh variabel bebas terhadap variabel terikat. H1 : 1 2 3 4 0, berarti secara bersama-sama ada pengaruh variabel bebas terhadap variabel terikat. b. Menentukan taraf nyata/ level of significance = Taraf nyata / derajad keyakinan yang digunakan sebesar = 1%, 5%, 10%. Derajat bebas (df) dalam distribusi F ada dua, yaitu : df numerator = dfn = df1 = k 1 df denumerator = dfd = df2 = n k Dimana: df n k c. tidak. H0 diterima apabila Fhitung Ftabel, artinya semua variabel bebas secara bersamasama bukan merupakan variabel penjelas yang signifikan terhadap variabel terikat. H0 ditolak apabila Fhitung > Ftabel, artinya semua variabel bebas secara bersamasama merupakan penjelas yang signifikan terhadap variabel terikat. d. Menentukan uji statistik nilai F Bentuk distribusi F selalu bernilai positif = degree of freedom/ derajat kebebasan = Jumlah sampel = banyaknya koefisien regresi
Menentukan daerah keputusan, yaitu daerah dimana hipotesa nol diterima atau
144
MODUL III
Gambar 2.5 Daerah Penerimaan dan Penolakan H0 Sumber : Iqbal Hasan, 2001 : 142
e.
Mengambil keputusan Keputusan bisa menolak H0 atau menolak H0 menerima H1. Nilai Ftabel yang diperoleh dibanding dengan nilai Fhitung apabila Fhitung lebih besar dari Ftabel, maka ditolak sehingga dapat disimpulkan bahwa ada pengaruh yang signifikan antara variabel independen dengan variabel dependen.
3.
R2 R Square (R2) merupakan proporsi variabilitas dalam suatu data yang dihitung didasarkan pada model statistik. Definisi berikutnya menyebutkan bahwa r2 merupakan rasio variabilitas nilai-nilai yang dibuat model dengan variabilitas nilai data asli. Secara umum r2 digunakan sebagai informasi mengenai kecocokan suatu model. Dalam regresi r2 ini dijadikan sebagai pengukuran seberapa baik garis regresi mendekati nilai data asli yang dibuat model. Nilai R2 terletak antara 0 1, dan kecocokan model dikatakan lebih baik kalau R2 semakin mendekati 1. (uraian lebih lanjut mengenai R2 lihat pembahasan di bawah). Jika r2 sama dengan 1, maka angka tersebut menunjukkan garis regresi cocok dengan data secara sempurna. Apabila nilai R2 dikalikan 100%, maka hal ini menunjukkan persentase keragaman (informasi) di dalam variabel Y yang dapat diberikan oleh model regresi yang didapatkan. Semakin besar nilai R2 semakin baik model regresi yang diperoleh. Adjusted R Square. Suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak pernah menurun dari banyaknya variabel bebas yang ada dalam model. Oleh karenanya, untuk membandingkan dua R2 dari dua model, orang harus memperhitungkan banyaknya variabel bebas yang ada dalam model. Ini dapat dilakukan dengan menggunakan adjusted R square. Istilah penyesuaian berarti nilai R2 sudah disesuaikan dengan banyaknya variabel (derajat bebas) dalam model. Memang, R2 yang disesuaikan ini juga akan meningkat bersamaan meningkatnya jumlah variabel, tetapi peningkatannya relatif kecil. Seringkali juga disarankan, jika variabel bebas lebih dari dua, sebaiknya menggunakan adjusted R square.
145
MODUL III
Penyimpangan terhadap asumsi-asumsi dasar tersebut 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. 2.7.1 Autokorelasi Uji autokorelasi adalah 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. Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan Februari akan rendah. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi berkurang 1. Statistik Durbin-Watson digunakan untuk mendeteksi autokorelasi. Statistik d dari Durbin-Watson memiliki rumus sebagai berikut :
(2-57)
dimana et adalah residual tahun t, dan et-1 adalah residual satu tahun sebelumnya. Setelah mendapatkan nilai d dari penghitungan rumus tersebut, nilai d dibandingkan dengan nilai-nilai kritis dari dL dan dU dari tabel statistik Durbin-Watson. Nilai kritis dari dL dan dU dapat diperoleh dari tabel statistik Durbin Watson yang tergantung pada banyaknya observasi n dan besarnya variabel penjelasnya. 1. Jika hipotesa H0 tidak ada korelasi positif maka : d hitung< dL H0 ditolak d hitung> dU H0 diterima LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 146
MODUL III
Jika Ho adalah dua ujung yaitu tidak ada serial korelasi baik positif maupun negatif maka : d hitung < dL Ho ditolak d hitung > 4 dL Ho ditolak dU < d hitung < 4 dU Ho diterima dL d hitung 4 dU pengujian tidak meyakinkan dL d hitung 4 dU pengujian tidak meyakinkan Untuk menguji autokorelasi dalam regresi, dapat dilihat dengan membandingkan langsung dengan Durbin Watson dengan nilai yang terdapat pada tabel berikut:
Tabel 2.4 Klasifikasi Nilai d Nilai d Keterangan < 1,10 Ada autokorelasi 1,10 1,54 Tidak ada kesimpulan 1,55 2,46 Tidak ada auto korelasi 2,46 2,90 Tidak ada kesimpulan > 2,91 Ada autokorelasi Sumber : Iqbal Hasan, 2001 : 290
2.7.2
Heteroskedastisitas
Heteroskedastisitas berarti variasi (varians) variabel tidak sama untuk semua pengamatan. Pada heteroskedastisitas, kesalahan yang terjadi tidak random (acak) tetapi menunjukkan hubungan yang sistematis sesuai dengan besarnya satu atau lebih variabel bebas. Misalnya, heteroskedastisitas akan muncul dalam bentuk residu yang semakin besar jika pengamatan semakin besar. Rata-rata residu akan semakin besar untuk pengamatan variabel bebas (X) yang semakin besar. Adanya heteroskedastisitas menyebabkan : 1. 2. Penaksir (estimator) yang diperoleh menjadi tidak efisien, hal itu disebabkan variansnya sudah tidak minim lagi (tidak efisien) Kesalahan baku koefisien regsresi akan terpengaruh, sehingga memberikan indikasi yang salah dan koofisien determinasi memperlihatkan daya penjelasan terlalu besar. Adanya heteroskedastisitas dalam regresi dapat diketahui dengan menggunakan beberapa cara, antara lain uji Park, uji Glejser, dan uji koefisien korelasi Spearman.
147
MODUL III
Dilakukan dengan membuat model regresi yang melibatkan nilai logaritma residu kuadrat ( heteroskedastisitas. a. Regresikan nilai absolut residual (ei) pada x: ln(ei2) = b0 + b1.ln(Xi) + Vi
Sumber: eprints.ums.ac.id
semua variabel bebas nyata (signifikan) secara statistic maka dalam regresi terdapat
(2-58)
b. c. 2.
Bila b1 signifikan beda dengan 0 (uji t) maka persamaan memiliki masalah heteroskedastistas Pada multivariate, cobakan tiap-tiap variabel independen (Xi) atau variabel dependen (Yi)
Uji Glejser Dilakukan dengan membuat model regresi yang melibatkan nilai mutlak residu ( ) sebagai variabel terikat terhadap semua variabel bebas. Jika semua variabel bebas nyata (signifikan) secara statistik maka dalam regresi terdapat heteroskedastisitas. a. Regresikan nilai absolut ei pada x |ei| = b0 + b1.Xi + Vi atau |ei| = b0 + b1.sq(Xi^2) + Vi atau |ei| = b0 + b1.(1/Xi) + Vi
Sumber: eprints.ums.ac.id
(2-59)
Apabila t pada b1 signifikan artinya ada heteroskedastistas. Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi). 3. Uji koefisien Korelasi Spearman Koefisien korelasi Spearman (rs) dirumuskan: rs Dimana: d = selisih antara rangking simpangan baku (S) dan rangking nilai mutlak error. n = jumlah sampel 2.7.3 Multikolinearitas 1 6
d2 n3 n
(2-60)
Istilah multikolinearitas pertama kali ditemukan oleh Ragnar Frisch yang berarti adanya hubungan liniear yang sempurna atau pasti diantara beberapa atau semua variabel LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 148
MODUL III
bebas dari model regresi berganda. Multikolinearitas adalah korelasi linear yang perfect atau eksak di antara variabel bebas (penjelas) yang dimasukkan ke dalam model. Sebelum dilakukan analisis regresi harus dipastikan terlebih dahulu bahwa tidak terjadi multikolinearitas. Multikolinearitas ditunjukkan oleh nilai toleransi dan variance inflation factor (VIF). Nilai cutoff yang umum dipakai adalah nilai toleransi 0,10 atau sama dengan nilai VIF di atas 10 (Ghozali, 2001: 57 dalam Jurnal Azis Slamet Wiyono). Jika variabel bebas memiliki VIF kurang dari 10 atau nilai toleransi lebih besar 0,10 maka berarti multikolinearitas antar variabel bebas masih dapat ditolerir dan dapat dikatakan tidak ada multikolinearitas antar variabel bebas. Gejala Multikolinearitas ini dapat dideteksi dengan beberapa cara antara lain : 1. Menghitung koefisien korelasi sederhana (simple correlation) antara sesama variabel bebas, jika terdapat koefisien korelasi sederhana yang mencapai atau melebihi 0.8 maka hal tersebut menunjukkan terjadinya masalah multikolinearitas dalam regresi. 2. Menghitung nilai Toleransi atau VIF (Variance Inflations Factor), jika nilai Toleransi kurang dari 0.1 atau nilai VIF melebihi 10 maka hal tersebut menunjukkan bahwa multikolinearitas adalah masalah yang pasti terjadi antar variabel bebas. 3. Lakukan regresi antar variabel bebas dan menghitung masing-masing R2 , kemudian melakukan uji F dan bandingkan dengan F(;(k-2,n-k+1)). Jika nilai Fhit melebihi nilai Ftabel berarti dapat dinyatakan bahwa Xi kolinear dengan X yang lain.
149
MODUL III
Identifikasi Masalah
STUDI KEPUSTAKAAN
Pengambilan Data - Data Regresi Linear Sederhana - Data Regresi Linear Berganda
Pengolahan Data
manual
SPSS
manual
SPSS
Selesai
Gambar 3.1 Diagram Alir Praktikum Modul 3 Sumber: Ms. Visio 2007
150
MODUL III
Mengidentifikasi masalah dari suatu objek penelitian yang telah dilakukan Melakukan studi kepustakaan Menentukan variabel dependen dan variabel independen Melakukan pengambilan data sebanyak 25 data Melakukan pengolahan data Melakukan analisa regresi dan korelasi
151
MODUL III
4.1.2 Data Regresi Linear Berganda Data yang digunakan untuk pengolahan regresi berganda adalah pengaruh antara olahraga (dalam jam/hari) dan intensitas makan per hari terhadap berat badan mahasiswa. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 152
MODUL III
4.2 Pengolahan Data Langkah selanjutnya setelah pengumpulan data adalah pengolahan data. Data yang sudah terkumpul diolah agar dihasilkan sebuah informasi dan kesimpulan dari data tersebut. 4.2.1 Regresi Linear Sederhana Pengolahan data pertama adalah pengolahan data regresi linear sederhana. Pengolahan data itu sendiri dibagi menjadi dua, yaitu pengolahan data menggunakan SPSS dan pengolahan data manual menggunakan Microsoft Excel. 4.2.1.1 Pengujian Asumsi Regresi Data regresi linear memiliki asumsi-asumsi yang harus dipenuhi dan diuji terlebih dahulu, antara lain kenormalan data, homogenitas varians, dan linieritas data.
153
MODUL III
Data yang normal adalah data yang nilai mean, median, dan modusnya hampir sama dan membetuk suatu kurva normal. Pengujian kenormalan data ini dapat dilakukan dengan menggunakan bantuan software SPSS. 4.2.1.1.1.1 Langkah-langkah SPSS Pengujian kenormalan data merupakan langkah yang harus dilakukan karena salah satu asumsi yang harus dipenuhi dalam regresi adalah data yang diambil haruslah berdistribusi normal. Berikut adalah langkah-langkah untuk menguji kenormalan data menggunakan SPSS:
1. 2. 3. 4. 5.
Buka Aplikasi SPSS. Klik Variable View yang terletak di kiri bawah. Pada baris pertama isi dengan properties untuk kategori tinggi badan, dan baris kedua untuk kategori ukuran sepatu. Klik Data View untuk menginput data yang telah diperoleh. Klik Analyze - Nonparametric Tests - 1-Sample K-S.
6. 7. 8. 9.
Pindahkan semua variabel ke kotak Test Variable List Klik Options beri tanda centang pada Descriptive Continue Pada Test Distribution, beri tanda centang Normal OK. Maka akan muncul output yang dapat diinterpretasikan. Klik OK
154
MODUL III
H0 : Data berdistribusi normal H1 : Data tidak berdistribusi normal Nilai Sig. tinggi badan (0,998) dan nilai Sig. ukuran sepatu (0,599) > 0,05 maka H0 diterima. Kesimpulannya, data berdistribusi normal. 4.2.1.1.2 Pengujian Homogenitas Varians Data dikatakan homogen jika variansinya sama. Pengujian homogenitas data ini dapat dilakukan dengan menggunakan bantuan software SPSS. 4.2.1.1.2.1 Langkah-langkah SPSS Pengujian homogenitas varian data merupakan uji asumsi kedua. Untuk mendapatkan persamaan regresi yang benar, harus dipenuhi dahulu asumsi-asumsi, salah satunya adalah data harus homogen. Berikut adalah langkah-langkah untuk menguji homogenitas varian data menggunakan SPSS: 1. 2. 3. Klik Analyze Regression Linear Pindahkan variabel ukuran sepatu ke kotak Dependent dan tinggi badan ke kotak Independent Klik Plots, isi kotak Y dengan *ZRESID dan X dengan *ZPRED, klik Continue.
155
MODUL III
4. 5.
4.2.1.1.2.2 Output SPSS Setelah diuji, akan muncul output seperti berikut ini:
Dari Gambar 4.3 bentuk scatterplot untuk data ini adalah tidak membentuk pola tertentu, acak atau menyebar maka H0 diterima yang artinya data memiliki variansi homogen. 4.2.1.1.3 Pengujian Linieritas Data Linieritas adalah keadaan dimana hubungan antara variabel dependen dengan variabel independen bersifat linier (garis lurus) dalam range variabel independen tertentu. Pengujian homogenitas data ini dapat dilakukan dengan menggunakan bantuan software SPSS. 4.2.1.1.3.1 Langkah-langkah SPSS Pengujian linearitas data merupakan uji asumsi ketiga. Karena disini akan menguji persamaan regresi linear, maka data yang diuji harus memenuhi asumsi linearitas. Berikut adalah langkah-langkah untuk menguji kenormalan data menggunakan SPSS. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 156
MODUL III
Lalu masukkan variabel Tinggi Badan ke dalam Independent dan variabel Ukuran Sepatu ke dalam Dependent Klik Plots, isi kotak Y dengan *ZRESID dan X dengan *ZPRED, klik Continue.
Gambar 4.4 Langkah-langkah uji linieritas dengan SPSS Sumber: Print Screen SPSS
5.
4.2.1.1.3.2 Output SPSS Setelah diuji, akan mucul output seperti berikut ini:
Gambar 4.5 Output uji linieritas data pada SPSS Sumber: Print Screen Output SPSS
Untuk mengetahui apakah data yang sedang diuji linear atau tidak, dapat dilihat berdasarkan output diatas. Data dikatakan linear jika persebaran datanya mendekati garis linear. Berdasarkan output diatas dapat diketahui bahwa persebaran datanya mendekati garis linear. Maka dapat disimpulkan bahwa data yang diuji merupakan bersifat linear. 4.2.1.2 Pengujian Regresi Linear Sederhana Regresi linier sederhana hanya terdiri atas satu variabel independen (bebas) dan satu variabel dependen (terikat). Dalam pengujian regresi linear sederhana ini, akan diuji pengaruh antara tinggi badan terhadap ukuran sepatu. Dalam kasus ini, tinggi badan LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 157
MODUL III
merupakan variabel independen (bebas) sedangkan ukuran sepatu merupakan variabel dependen (terikat). Pengujian regresi linear sederhana dilakukan dengan dua cara yaitu dengan menggunakan software SPSS dan perhitungan manual dengan menggunakan Microsoft Excel. 4.2.1.2.1 Langkah-langkah SPSS Pengujian regresi linear sederhana dapat dilakukan dengan menggunakan software SPSS. Berikut adalah langkah-langkah untuk menguji persamaan regresi menggunakan SPSS: 1. 2. 3. Klik Analyze Regression Linear. Pindahkan variabel ukuran sepatu ke kotak Dependent, variabel tinggi badan ke kotak Independent, lalu klik Plots. Klik Statistics centang Estimates, Model fit, Descriptive, Collinearity Diagnostics, Durbin Watson Continue
4.
Klik Plots isi kotak Y dengan *ZRESID dan kotak X dengan *ZPRED, klik Continue OK.
Tabel 4.4 Descriptive Statistics
Descriptive Statistics Mean Ukuran_Sepatu Tinggi_Badan 40.36 164.08 Std. Deviation 1.524 7.297 N 25 25
Dari Tabel 4.4 dapat diketahui bahwa jumlah data Ukuran_Sepatu dan Tinggi_Badan masing-masing sebanyak 25. Data Ukuran_Sepatu memiliki nilai rata-rata 40,36 dengan standard deviation sebesar 1,524 sedangkan data Tinggi_Badan memiliki rata-rata 164,08 dengan standard deviation sebesar 7,297.
158
MODUL III
Dari Tabel 4.5 dapat diketahui bahwa nilai pearson correlation antara ukuran sepatu dan tinggi badan sebesar 0,968. Artinya hubungan kedua variabel tersebut sangat kuat. Korelasi positif menunjukkan bahwa hubungan antara ukuran sepatu dan tinggi badan searah. Ada tidaknya korelasi antara ukuran sepatu dengan tinggi badan dapat dilihat dari nilai signifikansi. H0 : tidak ada korelasi antara ukuran sepatu dengan tinggi badan H1 : ada korelasi antara ukuran sepatu dengan tinggi badan Nilai Sig. (0,000) < 0,05; H0 ditolak. Kesimpulannya, ada korelasi antara ukuran sepatu dengan tinggi badan
Tabel 4.6 Model of Summary
Model Summary Model 1 R .968a R Square .936 Adjusted R Square .933 Std. Error of the Estimate .393
Dari Tabel 4.6 dapat diketahui bahwa nilai koefisien korelasi (R) sebesar 0,968. Artinya hubungan antara variabel tinggi badan dan ukuran sepatu sangat kuat. Nilai koefisien determinasi (R Square) sebesar 0,936. Artinya variabel bebas (tinggi badan) berpengaruh terhadap variabel terikat (ukuran sepatu) sebesar 93,6% dan sebesar 6,4% dipengaruhi oleh variabel bebas lain yang tidak ditentukan dalam pengujian ini.
Tabel 4.7 ANOVA
ANOVAb Sum of Squares 1 Regression Residual Total 52.204 3.556 55.760 Df 1 23 24 Mean Square .155 F Sig. .000a 52.204 337.668
H0 : model linier tinggi badan dan ukuran sepatu tidak signifikan H1 : model linier tinggi badan dan ukuran sepatu signifikan Nilai Sig. (0,000) < 0,05 maka H0 ditolak. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 159
MODUL III
Untuk melihat signifikansi hubungan dua variabel dapat dilihat berdasarkan pada angka signifikansi yang dihasilkan dari perhitungan. Interpretasi ini akan membuktikan apakah hubungan kedua variabel tersebut signifikan atau tidak. H0 : koefisien konstanta tidak signifikan terhadap model regresi H1 : koefisien konstanta signifikan terhadap model regresi Nilai Sig. (0,001) < 0,05; H0 ditolak. Kesimpulannya, koefisien konstanta signifikan terhadap model regresi. H0 : koefisien tinggi badan tidak signifikan terhadap model regresi H1 : koefisien tinggi badan signifikan terhadap model regresi Nilai Sig. (0,000) < 0,05; H0 ditolak. Kesimpulannya, koefisien tinggi badan signifikan terhadap model regresi. Karena koefisien konstanta dan koefisien variabel bebas signifikan terhadap model regresi maka dapat disimpulkan hubungan kedua variabel tersebut signifikan. Lihat kolom B Bagian ini menunjukkan nilai koefisien konstanta dan koefisien variabel bebas yang digunakan dalam menentukan persamaan regresi. Y = a + bX Dimana: Y = Ukuran Sepatu X = Tinggi Badan Maka persamaan regresinya adalah Y = 7,196 + 0,202X Interpretasi persamaannya: 1. 2. Nilai a = 7,196 Tanpa adanya tinggi badan (X) maka besarnya ukuran sepatu (Y) adalah 7,196 satuan. Nilai b = +0,202 Hubungan antara tinggi badan (X) dengan ukuran sepatu (Y) adalah positif, atau setiap kenaikan tinggi badan sebesar satu satuan, maka ukuran sepatu akan meningkat sebesar 0,202 satuan. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 160
MODUL III
Pengolahan manual regresi linier sederhana dapat dilakukan dengan menggunakan Microsoft Excel 2007. Pengolahan manual regresi linear sederhana secara umum dapat dibedakan menjadi analisis koefisien regresi dan analisis model linier regresi. 1. Analisis Koefisien Regresi Pengujian Hipotesis Koefisien Regresi (Parameter A dan B) a. Menentukan formulasi hipotesis Untuk parameter A: H0 : koefisien konstanta tidak signifikan terhadap model regresi H1 : koefisien konstanta signifikan terhadap model regresi Untuk parameter B: H0 : koefisien tinggi badan tidak signifikan terhadap model regresi H1 : koefisien tinggi badan signifikan terhadap model regresi b. c. Menentukan taraf nyata () dan nilai t tabel (db) = (n-2) = (25-2) = 23 = 2,060 Menentukan kriteria pengujian H0 diterima apabila -2,060 t0 2,060 H0 ditolak apabila t0 < -2,060 atau t0 > 2,060 d. Menentukan nilai uji statistik
No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Nama Triana Yane Nikita Yulita Bayu Afrima Riangga Yolla Mella Edwien Nesty Tiara Sofyan Iwa Reynard Rossa Afif Heru Chikitita Atika Wicak Bella Yono Dewi Bagus Jumlah Rata-Rata Std Dev Tinggi Badan (xi) 162 165 159 154 169 166 172 160 161 175 163 161 175 160 180 152 169 168 152 155 167 158 165 163 171 4102 164,08 7,296802953 Ukuran Sepatu (yi) 40 40 39 38 41 41 42 39 40 43 40 40 42 40 44 38 42 41 38 39 41 39 41 40 41 1009 40,36 1,524248449 xiyi 6480 6600 6201 5852 6929 6806 7224 6240 6440 7525 6520 6440 7350 6400 7920 5776 7098 6888 5776 6045 6847 6162 6765 6520 7011 165815 xi2 26244 27225 25281 23716 28561 27556 29584 25600 25921 30625 26569 25921 30625 25600 32400 23104 28561 28224 23104 24025 27889 24964 27225 26569 29241 674334 yi 2 1600 1600 1521 1444 1681 1681 1764 1521 1600 1849 1600 1600 1764 1600 1936 1444 1764 1681 1444 1521 1681 1521 1681 1600 1681 40779 (x - )2 4,326 0,846 25,81 101,6 24,21 3,686 62,73 16,65 9,486 119,2 1,166 9,486 119,2 16,65 253,4 145,9 24,21 15,37 145,9 82,45 8,526 36,97 0,846 1,166 47,89 1278 y* 39,94 40,546 39,333 38,323 41,354 40,748 41,961 39,535 39,737 42,567 40,142 39,737 42,567 39,535 43,578 37,918 41,354 41,152 37,918 38,525 40,95 39,131 40,546 40,142 41,759
Tabel 4.9 Tabulasi analisis variabel tinggi badan dengan ukuran sepatu
161
MODUL III
Jadi persamaan garis regresi linear sederhananya adalah: Kesalahan baku untuk regresi (standard error of estimate)
e.
Membuat kesimpulan Untuk parameter A: H0 ditolak karena to > 2,060 artinya koefisien konstanta signifikan terhadap model regresi
162
MODUL III
H0 ditolak karena t0 > 2,060 artinya koefisien tinggi badan signifikan terhadap model regresi 2. Analisis Model Linier Regresi Prosedur Pengujian Model Linear Regresi a. Formulasi Hipotesis H0 : model linier tinggi badan dan ukuran sepatu tidak signifikan H1 : model linier tinggi badan dan ukuran sepatu signifikan b. c. Penentuan nilai (taraf nyata) dan nilai F tabel = 0,05; df = 1; 23 Kriteria Pengujian H0 diterima jika F0 F(v1;v2) H0 ditolak jika F0 > F(v1;v2) d. Uji statistik F tabel: 4,28
e.
Kesimpulan Karena Fhitung > Ftabel maka H0 ditolak sehingga model linier tinggi badan dan ukuran sepatu signifikan
4.2.1.3 Pengujian Penyimpangan Asumsi Regresi 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. 4.2.1.3.1 Langkah-langkah SPSS Autokorelasi dapat diuji dengan menggunakan SPSS. Berikut adalah langkah-langkah menguji autokorelasi dengan menggunakan SPSS. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 163
MODUL III
Lalu masukkan variabel Tinggi Badan ke dalam Independent dan variabel Ukuran Sepatu ke dalam Dependent
Gambar 4.7 Langkah-langkah uji penyimpangan regresi pada SPSS Sumber: Print Screen SPSS
4. 5. 6.
Klik Statistics centang Estimates dan Descriptive Continue Klik Plots masukkan ZPRED ke X dan ZRESID ke Y Continue OK Lalu akan muncul output seperti berikut:
Tabel 4.11 Output Model Summary pada SPSS
Model Summaryb Model 1 a. Predictors: (Constant), Tinggi_Badan b. Dependent Variable: Ukuran_Sepatu Durbin-Watson 1.868
Untuk melihat ada tidaknya autokorelasi pada data yang diuji, dapat dilihat hasilnya pada tabel Model Summary pada kolom Durbin-Watson. Data dianggap tidak terdapat autokorelasi jika nilai Durbin-Watsonnya terletak diantara 1,55 2,46. Dalam tabel diatas, nilai Durbin-Watsonnya sebesar 1,868. Jadi dapat disimpulkan bahwa data yang sedang diuji tersebut tidak terdapat autokorelasi. 4.2.1.3.2 Pengolahan Manual Autokorelasi dapat dihitung dengan rumus manual menggunakan bantuan Microsoft Excel. Langkah-langkah perhitungannya adalah sebagai berikut: 1. Menentukan formulasi hipotesis H0 = H1 = 2. 3. = 0,05 tidak ada autokorelasi dalam model regresinya ada autokorelasi dalam model regresinya n = 25 k=1 dU = 1,45 dL = 1,29
Menentukan nilai dan nilai d tabel Menentukan kriteria pengujian H0 diterima apabila d > 1,45 (dU) LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 164
MODUL III
(en-en-1)2 0,3676809 0,0452557 0,0001126 0,0010135 0,3676809 0,0452557 0,330087 0,6366088 0,0289978 0,330087 0,1634137 0,6884231 1,0646834 0,0018017 0,1159911 0,3180062 0,6366088 0,054736 0,1549469 0,181023 0,0327245 0,3423931 0,3549244 0,3806627 6,6431187
sehingga, d 5. Membuat kesimpulan H0 diterima karena d = 1,868 > 1,45 (dU). Jadi tidak ada autokorelasi dalam model regresinya. 4.2.1.4 Analisis dan Interpretasi Pengolahan Regresi Linear Sederhana Data yang digunakan untuk regresi linear sederhana adalah data mengenai tinggi badan dan ukuran sepatu. Dalam penggunaan regresi terdapat beberapa asumsi dasar yang harus terpenuhi yaitu normal, homogen, dan linier. Berdasarkan pengujian asumsi yang dilakukan pada pembahasan sebelumnya didapat hasil bahwa semua asumsi telah terpenuhi. Dengan terpenuhinya asumsi tersebut maka hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan kenyataan. Dari hasil pengujian asumsi regresi juga didapatkan hasil bahwa tidak terdapat penyimpangan asumsi regresi (autokorelasi) dalam model regresinya. Setelah itu, untuk mengetahui ada tidaknya korelasi antar variabel dapat dilihat dari nilai R (0,968) menunjukkan bahwa korelasi antara variabel tinggi badan dan ukuran sepatu sangat kuat Sedangkan untuk mengetahui seberapa besar variabel bebas berpengaruh terhadap variabel terikat dapat diketahui dari nilai R Square (0,936) artinya LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 165
MODUL III
variabel bebas (tinggi badan) berpengaruh terhadap variabel terikat (ukuran sepatu) sebesar 93,6% dan sebesar 6,4% dipengaruhi oleh variabel bebas lain yang tidak ditentukan dalam pengujian ini. Berdasarkan pengolahan data dengan SPSS dan pengolahan data manual didapatkan hasil bahwa model linier tinggi badan dan ukuran sepatu signifikan. Selain itu, didapatkan pula persamaan regresi Y = 7,196 + 0,202X artinya hubungan antara tinggi badan (X) dengan ukuran sepatu (Y) adalah positif atau setiap kenaikan tinggi badan satu satuan, maka ukuran sepatu akan meningkat sebesar 0,202 satuan. 4.2.2 Regresi Linier Berganda Pengolahan data kedua adalah pengolahan data regresi linear berganda. Pengolahan data itu sendiri dibagi menjadi dua, yaitu pengolahan data menggunakan SPSS dan pengolahan data manual menggunakan Microsoft Excel. 4.2.2.1 Pengujian Asumsi Regresi Data regresi linear memiliki asumsi-asumsi yang harus dipenuhi dan diuji terlebih dahulu, antara lain kenormalan data, homogenitas varians, dan linieritas data. 4.2.2.1.1 Pengujian Kenormalan Data Data yang normal adalah data yang nilai mean, median, dan modusnya hampir sama dan membetuk suatu kurva normal. Pengujian kenormalan data ini dapat dilakukan dengan menggunakan bantuan software SPSS. 4.2.2.1.1.1 Langkah-langkah SPSS Pengujian kenormalan data merupakan langkah yang harus dilakukan karena salah satu asumsi yang harus dipenuhi dalam regresi adalah data yang diambil haruslah berdistribusi normal. Berikut adalah langkah-langkah untuk menguji kenormalan data menggunakan SPSS. 1. Klik Analyze Nonparametric Tests 1 sample K-S
166
MODUL III
2. 3. 4.
Pindahkan Olahraga, Intensitas Makan, dan Berat Badan ke kotak Test Variable List. Klik Options beri tanda centang pada Descriptive Continue Pada Test Distribution, beri tanda centang Normal OK. Maka akan muncul output yang dapat diinterpretasikan.
H0 : data berdistribusi normal H1 : data tidak berdistribusi normal Untuk menginterpretasikan hasil output dapat dilihat hasilnya pada tabel One Sample Kolmogorov-Smirnov Test pada hasil Asymp. Sig. (2-tailed). Jika Asymp. Sig. (2-tailed) lebih dari 0,05, maka data berdistribusi normal. Pada tabel One-Sample Kolmogorov-Smirnov diatas nilai Asymp. Sig. (2-tailed) untuk variabel olahraga sebesar 0,062 nilai Asymp. Sig. (2-tailed) untuk variabel Intensitas makan sebesar 0,085 serta nilai Asymp. Sig. (2-tailed) variabel berat badan sebesar 0,813. Maka dapat disimpulkan bahwa data yang diuji tersebut berdistribusi normal.
167
MODUL III
Pengujian data dikatakan homogen jika variansinya sama. Pengujian homogenitas data ini dapat dilakukan dengan menggunakan bantuan software SPSS. 4.2.2.1.2.1 Langkah-langkah SPSS Pengujian homogenitas varian data merupakan uji asumsi kedua. Untuk mendapatkan persamaan regresi yang benar, harus dipenuhi dahulu asumsi-asumsi, salah satunya adalah data harus homogen. Berikut adalah langkah-langkah untuk menguji homogenitas varian data menggunakan SPSS: 1. Klik Analyze Regression Linear
2. 3. 4. 5.
Pindah variabel Berat badan ke kotak Dependent, variabel Olahraga dan Intensitas makan ke kotak Independent. Klik Plots, isi kotak Y dengan *ZRESID dan X dengan *ZPRED. Klik Continue. Klik Statistics, centang Descriptives dan Durbin-Watson Klik Continue, klik OK.
Scatterplot hasil pengujian homogenitas varian diatas menunjukkan bahwa data yang sedang diuji tersebut homogen. Hal ini dapat dilihat dari sebaran data pada scatterplotnya. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 168
MODUL III
Jika data menyebar dan tidak membentuk pola tertentu, maka data dikatakan homogen. Sehingga data yang sedang di uji tersebut merupakan data yang homogen karena datanya tersebar dan tidak membentuk pola. 4.2.2.1.3 Pengujian Linieritas Linieritas adalah keadaan dimana hubungan antara variabel dependen dengan variabel independen bersifat linier (garis lurus) dalam range variabel independen tertentu. Pengujian linieritas data ini dapat dilakukan dengan menggunakan bantuan software SPSS. 4.2.2.1.3.1 Langkah-langkah SPSS Pengujian linearitas data merupakan uji asumsi yang selanjutnya. Karena disini akan menguji persamaan regresi linear, maka data yang diuji harus memenuhi asumsi linearitas. Berikut adalah langkah-langkah untuk menguji kenormalan data menggunakan SPSS: 1. 2. 3. Masukkan data yang akan diuji ke dalam Data View. Klik Analyze Regression Linear Lalu masukkan variabel bebas yaitu Olahraga dan Intensitas Makan ke dalam Independent sedangkan berat badan ke dalam Dependent.
Gambar 4.11 Langkah-langkah uji data regresi linier berganda pada SPSS Sumber: Print Screen SPSS
4. 5. 6.
Klik Statistics centang Estimates dan Descriptive Continue Klik Plots masukkan ZPRED ke X dan ZRESID ke Y Continue OK Lalu akan muncul output sebagai berikut.
169
MODUL III
Untuk mengetahui apakah data yang sedang diuji linear atau tidak, dapat dilihat berdasarkan output seperti yang tertera diatas. Data dikatakan linear jika persebaran datanya mendekati garis linear. Dapat dilihat dari output data diatas bahwa persebaran datanya mendekati garis linear. Maka dapat dikatakan bahwa data yang diuji diatas merupakan data yang linear. 4.2.2.2 Pengujian Regresi Linier Berganda Regresi linier berganda terdiri atas dua variabel independen (bebas) dan satu variabel dependen (terikat). Dalam pengujian regresi linear sederhana ini, akan diuji pengaruh intensitas makan dan olahraga terhadap berat badan. Dalam kasus ini, intensitas makan dan olahraga merupakan variabel independen (bebas) sedangkan berat badan merupakan variabel dependen (terikat). Pengujian regresi linear berganda dilakukan dengan dua cara yaitu dengan menggunakan software SPSS dan dengan perhitungan manual dengan menggunakan Microsoft Excel. 4.2.2.2.1 Langkah-langkah SPSS Pengujian regresi linear sederhana dapat dilakukan dengan menggunakan software SPSS. Berikut adalah langkah-langkah untuk menguji persamaan regresi menggunakan SPSS: 1. 2. Klik Analyze Regression Linear. Pindahkan variabel berat badan ke kotak Dependent, serta olahraga dan intensitas makan di kotak Independent(s). LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
170
MODUL III
Gambar 4.13 Langkah-langkah Pengujian Regresi Linier Berganda Sumber: Printscreen SPSS
3.
Klik Statistics, centang Estimates, Model fit, Descriptive, Collinearity Diagnostic dan Durbin-Watson
4.
Dari Tabel 4.14 dapat diketahui bahwa nilai pearson correlation antara berat badan dan olahraga sebesar 0,472. Artinya hubungan kedua variabel tersebut sedang. Nilai pearson correlation antara berat badan dan intensitas makan sebesar 0,849 artinya hubungan kedua variabel sangat kuat sedangkan nilai pearson correlation antara olahraga LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 171
MODUL III
dan intensitas makan sebesar 0,216 artinya hubungan kedua variabel lemah. Ada tidaknya korelasi antara olahraga, intensitas makan dan berat badan dapat dilihat dari nilai signifikansi. H0 : tidak ada korelasi antara Berat badan dengan Olahraga H1 : ada korelasi antara Berat badan dengan Olahraga Nilai sig. (0,009) < 0,05; H0 ditolak Kesimpulannya, ada korelasi antara Berat badan dengan Olahraga H0 : tidak ada korelasi antara Berat badan dengan intensitas makan H1 : ada korelasi antara Berat badan dengan intensitas makan Nilai sig. (0,000) < 0,05; H0 diterima. Kesimpulannya, ada korelasi antara Berat badan dengan intensitas makan H0 : tidak ada korelasi antara Olahraga dengan Intensitas Makan H1 : ada korelasi antara Olahraga dengan Intensitas Makan Nilai sig. (0,150) > 0,05; H0 diterima. Kesimpulannya, tidak ada korelasi antara Olahraga dengan Intensitas Makan.
Tabel 4.15 Output
Model Summaryb Model 1 R .899a R Square .808 Adjusted R Square .790 Std. Error of the Estimate 3.345
Dari Tabel 4.15 dapat diketahui bahwa nilai koefisien korelasi (R) sebesar 0,899. Artinya hubungan antara variabel intensitas makan, olahraga dan berat badan sangat kuat. Nilai koefisien determinasi (R Square) sebesar 0,808. Artinya variabel bebas (intensitas makan dan olahraga) berpengaruh terhadap variabel terikat (berat badan) sebesar 80,8% dan sebesar 19,2% dipengaruhi oleh variabel bebas lain yang tidak ditentukan dalam pengujian ini.
Tabel 4.16 ANOVA Regresi Berganda
ANOVAb Model 1 Regression Residual Total Sum of Squares 1034.385 246.175 1280.560 Df 2 22 24 Mean Square 517.192 11.190 F 46.220 Sig. .000a
H0 : model linier Intensitas makan, olahraga, dan berat badan tidak signifikan H1 : model linier Intensitas makan, olahraga, dan berat badan signifikan LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 172
MODUL III
Kesimpulannya, model linier Intensitas makan, olahraga, dan berat badan signifikan
Tabel 4.17 Coefficients Regresi Berganda
Coefficientsa Unstandardized Coefficients Model 1 (Constant) Olahraga Intensitas_Makan B 31.367 2.281 8.092 Std. Error 2.817 .720 .989 .303 .783 Standardized Coefficients Beta T 11.136 3.166 8.183 Sig. .000 .004 .000 .954 .954 1.049 1.049 Collinearity Statistics Tolerance VIF
Untuk melihat signifikansi hubungan variabel dapat dilihat berdasarkan pada angka signifikansi yang dihasilkan dari perhitungan. Interpretasi ini akan membuktikan apakah hubungan antar variabel tersebut signifikan atau tidak. H0 : koefisien konstanta tidak signifikan terhadap model regresi. H1 : koefisien konstanta signifikan terhadap model regresi. Nilai sig. (0,000) < 0,05; H0 diterima. Kesimpulannya, koefisien konstanta signifikan terhadap model regresi. H0 : koefisien Olahraga tidak signifikan terhadap model regresi. H1 : koefisien Olahraga signifikan terhadap model regresi. Nilai sig. (0,004) < 0,05; H0 diterima. Kesimpulannya, koefisien Olahraga signifikan terhadap model regresi. H0 : koefisien Intensitas Makan tidak signifikan terhadap model regresi. H1 : koefisien Intensitas Makan signifikan terhadap model regresi. Nilai sig. (0,000) < 0,05; H0 diterima. Kesimpulannya, koefisien Intensitas Makan signifikan terhadap model regresi. Karena koefisien konstanta dan koefisien variabel bebas signifikan terhadap model regresi maka dapat disimpulkan hubungan antara variabel bebas dan variabel terikat tersebut signifikan. Lihat kolom B Bagian ini menunjukkan nilai koefisien konstanta dan koefisien variabel bebas yang digunakan dalam menentukan persamaan regresi. Y = a + b1X1+b2X2 Dimana: Y = Berat Badan X1 = Olahraga X2 = Intensitas makan LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 173
MODUL III
Tanpa adanya olahraga (X1) dan intensitas makan (X2) maka besarnya berat badan (Y) adalah 31,367 satuan. 2. Nilai b1 = +2,281 Hubungan antara olahraga (X1) dengan berat badan (Y) jika intensitas makan (X2) konstan adalah positif, atau setiap kenaikan olahraga sebesar satu satuan, maka berat badan akan meningkat sebesar 2,281 satuan. 3. Nilai b2 = +8,092 Hubungan antara intensitas makan (X2) dengan berat badan (Y) jika olahraga (X1) konstan adalah positif, atau setiap kenaikan intensitas makan satu satuan, maka berat badan akan meningkat sebesar 8,092 satuan. 4.2.2.2.2 Pengolahan Manual Pengolahan manual regresi linear berganda secara umum dapat dibedakan menjadi analisis koefisien regresi dan analisis model linier regresi. 1. Analisis Koefisien Regresi Pengujian hipotesis individual (b1) a. Menentukan formulasi hipotesis H0 : koefisien Olahraga tidak signifikan terhadap model regresi. H1 : koefisien Olahraga signifikan terhadap model regresi. b. Menentukan taraf nyata db = 25 3 = 22 t = 2,074 c. Menentukan kriteria pengujian H0 diterima apabila -2,047 t0 2074 H0 ditolak apabila t0 < -2,074 atau t0 > 2,074
174
MODUL III
Mahardika Iwan Prasetya Viki Santika Tia Fuad Bagus Wima Yane Megha Della Tiara Enka Yono Nisa' Alvian Barkah Aji Saka Fero Herinda Vito Monik Deldana Dhania Jumlah Rata-rata Std.dev Mean^2 Jumlah^2
175
MODUL III
Uji Statistik t0 e. b1
b1 1
2 28 0 0 720
Membuat kesimpulan H0 ditolak karena t0 = 3,18 > 2,074 Jadi, koefisien olahraga signifikan terhadap model regresi
Pengujian hipotesis individual (b2) a. Menentukan formulasi hipotesis H0 : koefisien Intensitas Makan tidak signifikan terhadap model regresi. H1 : koefisien Intensitas Makan signifikan terhadap model regresi. b. Menentukan taraf nyata db = 25 3 = 22 t = 2,074 c. Menentukan kriteria pengujian H0 diterima apabila -2,047 t0 2074 H0 ditolak apabila t0 < -2,074 atau t0 > 2,074 d. Menentukan nilai uji statistik t0 e. b2
b2 2
8 09 0 0 989
Membuat kesimpulan H0 ditolak karena t0 = 8,19 > 2,074 Jadi, koefisien Intensitas Makan signifikan terhadap model regresi.
2. Analisis Model Linier Regresi a. Formulasi Hipotesis H0 : model linier Intensitas makan, olahraga, dan berat badan tidak signifikan H1 : model linier Intensitas makan, olahraga, dan berat badan signifikan LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 176
MODUL III
F hitung 46,4
e.
Kesimpulan Karena Fhitung > Ftabel maka H0 ditolak sehingga model linier Intensitas makan, olahraga, dan berat badan signifikan
4.2.2.3 Pengujian Penyimpangan Asumsi Regresi Pengujian penyimpangan asumsi regresi untuk regresi linier berganda adalah pengujian autokorelasi dan multikolineraitas. Autokorelasi berarti ada pengaruh dari variabel dalam modelnya melalui selang waktu atau tidak terjadi korelasi antara galat randomnya. Sedangan multikolinearitas berarti menunjukkan apakah variabel satu dengan variabel yang lain itu membentuk garis lurus. 4.2.2.3.1 Langkah-langkah SPSS Autokorelasi dapat diuji dengan menggunakan SPSS. Berikut adalah langkah-langkah menguji autokorelasi dan multikolinieritas dengan menggunakan SPSS. 1. 2. 3. Masukkan data yang akan diuji ke dalam Data View. Klik Analyze Regression Linear Lalu masukkan variabel bebas yaitu Olahraga dan Intensitas makan ke dalam Independent sedangkan Berat badan ke dalam Dependent
177
MODUL III
Gambar 4.14 Langkah-langkah uji autokorelasi data regresi linier berganda pada SPSS Sumber: Print Screen SPSS
4. 5. 6.
Klik Statistics centang Estimates dan Descriptive Continue Klik Plots masukkan ZPRED ke X dan ZRESID ke Y Continue OK Lalu akan muncul output seperti berikut:
Tabel 4.20 Output Uji autokorelasi dengan SPSS
Model Summaryb Model 1 b. Dependent Variable: Berat_Badan Sumber: Output SPSS Durbin-Watson 1.859a
Untuk melihat ada tidaknya autokorelasi pada data yang diuji, dapat dilihat hasilnya pada kolom Durbin-Watson. Data dianggap tidak terdapat autokorelasi jika nilai DurbinWatsonnya terletak diantara 1,55 2,46. Dalam tabel diatas, nilai Durbin-Watsonnya sebesar 1,859. Jadi dapat disimpulkan bahwa data yang sedang diuji tersebut tidak terdapat autokorelasi.
Tabel 4.21 Output Uji multikolinieritas dengan SPSS
Coefficientsa Unstandardized Coefficients Model 1 (Constant) Olahraga Intensitas_Makan B 31.367 2.281 8.092 Std. Error 2.817 .720 .989 .303 .783 Standardized Coefficients Beta T Sig. 11.136 .000 3.166 .004 8.183 .000 .954 .954 1.049 1.049 Collinearity Statistics Tolerance VIF
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 jika nilai Tolerancenya > 0,1 atau nilai VIFnya < 10. Pada tabel diatas, nilai Tolerancenya sebesar 0,954 > 0,1 dan nilai VIF nya sebesar 1,049 < 10. Jadi
178
MODUL III
dapat disimpulkan bahwa dalam data yang sedang diuji tersebut tidak terdapat multikolinieritas. 4.2.2.3.2 Pengolahan Manual 1. Autokorelasi dapat dihitung dengan rumus manual menggunakan bantuan Microsoft Excel. Langkah-langkah perhitungannya adalah sebagai berikut: a. Menentukan formulasi hipotesis H0 H1 b. = = tidak ada autokorelasi dalam model regresinya ada autokorelasi dalam model regresinya ; n = 25 ; k=2
c.
Menentukan kriteria pengujian H0 diterima apabila d > 1,55 (dU) H0 diterima apabila d < 1,21 (dL)
d.
No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Mahardika Iwan Prasetya Viki Santika Tia Fuad Bagus Wima Yane Megha Della Tiara Enka Yono Nisa' Alvian Barkah Aji Saka Fero Herinda Vito Monik Deldana Dhania Jumlah Rata-rata Std.dev Mean^2 Jumlah^2
1 1,85253 -2,7667 -0,85253 0,47177 -1,14747 3,38077 -7,52823 5,6757 -1,85253 -3 6,7667 -4,2333 -0,7667 3,2333 -4,61407 3,29493 9,34851 -4,26267 -5,79895 0,41819 5,52823 0,31152 -7,22568
1 3,431885152 7,654614955 0,72681557 0,222564162 1,316676406 11,42959043 56,67429115 32,21354944 3,431885152 9 45,78819481 17,92085021 0,587825028 10,45424518 21,28964423 10,85656646 87,39466285 18,17038924 33,62786686 0,174879713 30,5613594 0,097045255 52,21050299 456,2359046
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 179
MODUL III
H0 diterima karena d = 1,86 > 1,55 (dU). Jadi tidak ada autokorelasi dalam model regresinya. 2. Multikolinieritas dapat dihitung dengan rumus manual menggunakan bantuan Microsoft Excel. Perhitungannya adalah sebagai berikut: VIF Tolerance Karena nilai VIF = 1,049 < 10 dan nilai Tolerance = 0,954 > 0,1, maka dapat disimpulkan bahwa tidak terjadi multikolinieritas pada data yang sedang diuji tersebut. 4.2.2.4 Analisis dan Interpretasi Pengolahan Regresi Linier Berganda Data yang digunakan untuk regresi linear sederhana adalah data mengenai olahraga, intensitas makan dan berat badan. Dalam penggunaan regresi terdapat beberapa asumsi dasar yang harus terpenuhi yaitu normal, homogen, dan linier. Berdasarkan pengujian asumsi yang dilakukan pada pembahasan sebelumnya didapat hasil bahwa semua asumsi telah terpenuhi. Dengan terpenuhinya asumsi tersebut maka hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan kenyataan. Dari hasil pengujian asumsi regresi juga didapatkan hasil bahwa tidak terdapat penyimpangan asumsi regresi (autokorelasi dan multikolinearitas) dalam model regresinya. Setelah itu, untuk mengetahui ada tidaknya korelasi dapat dilihat dari nilai R (0,899) menunjukkan bahwa hubungan antara variabel intensitas makan, olahraga dan berat badan sangat kuat. Sedangkan untuk mengetahui seberapa besar variabel bebas berpengaruh terhadap variabel terikat dapat diketahui dari nilai R Square (0,808) artinya variabel bebas (intensitas makan dan olahraga) berpengaruh terhadap variabel terikat (berat badan) sebesar 80,8% dan sebesar 19,2% dipengaruhi oleh variabel bebas lain yang tidak ditentukan dalam pengujian ini. Berdasarkan pengolahan data dengan SPSS dan pengolahan data manual didapatkan hasil bahwa model linier olahraga, intensitas makan, dan berat badan signifikan. Selain itu, didapatkan pula persamaan regresi 2 28 31 36 artinya hubungan antara olahraga (X1), intensitas makan (X2) dengan
ukuran sepatu (Y) adalah positif atau setiap kenaikan olahraga sebesar satu satuan, maka berat badan akan meningkat sebesar 2,281 satuan dan setiap kenaikan intensitas makan satu satuan, maka berat badan akan meningkat sebesar 8,092 satuan. LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 180
MODUL III
BAB V PENUTUP
5.1 Kesimpulan Dari pembahasan sebelumnya, dapat diambil kesimpulan sebagai berikut ini: 1. Korelasi a. Pada uji korelasi dengan menggunakan data tinggi badan dan ukuran sepatu didapat nilai koefisien korelasi sebesar 0,968. Artinya hubungan antara variabel tinggi badan dan ukuran sepatu sangat kuat. Dari pengujian dapat disimpulkan bahwa ada korelasi antara tinggi badan dan ukuran sepatu. b. Pada uji korelasi dengan menggunakan data olahraga, intensitas makan, terhadap berat badan didapat nilai koefisien korelasi sebesar 0,899 menunjukkan bahwa hubungan antara variabel intensitas makan, olahraga dan berat badan sangat kuat. Dari pengujian dapat disimpulkan antara olahraga dan berat badan ada korelasi, antara intensitas makan dan berat badan ada korelasi, serta antara olahraga dan intensitas makan tidak ada korelasi. 2. Regresi a. Uji regresi linear sederhana menggunakan data tinggi badan dan ukuran sepatu. Dari hasil pengolahan data didapat nilai koefisien determinasi (R Square) sebesar 0,936. Artinya variabel bebas (tinggi badan) berpengaruh terhadap variabel terikat (ukuran sepatu) sebesar 93,6% dan sebesar 6,4% dipengaruhi oleh variabel bebas lain yang tidak ditentukan dalam pengujian ini. Dari hasil pengolahan data didapat juga persamaan regresinya yaitu Y= 7,196+0,202X. Hubungan antara tinggi badan (X) dengan ukuran sepatu (Y) adalah positif atau setiap kenaikan tinggi badan satu satuan, maka ukuran sepatu akan meningkat sebesar 0,202 satuan. Dapat disimpulkan bahwa tinggi badan berbanding lurus terhadap ukuran sepatu tersebut. b. Uji regresi linear berganda menggunakan data olahraga, intensitas makan, terhadap berat badan. Dari hasil pengolahan data didapat nilai koefisien determinasi (R Square) sebesar 0,808. Artinya variabel bebas (intensitas makan dan olahraga) berpengaruh terhadap variabel terikat (berat badan) sebesar 80,8% dan sebesar 19,2% dipengaruhi oleh variabel bebas lain yang tidak ditentukan dalam pengujian ini. Dari hasil pengolahan data didapat juga persamaan regresinya yaitu 31 36 2 28 artinya hubungan antara olahraga (X1), intensitas makan (X2) dengan ukuran sepatu (Y) adalah LABORATORIUM STATISTIK DAN REKAYASA KUALITAS 181
MODUL III
positif atau setiap kenaikan olahraga sebesar satu satuan, maka berat badan akan meningkat sebesar 2,281 satuan dan setiap kenaikan intensitas makan satu satuan, maka berat badan akan meningkat sebesar 8,092 satuan. Dapat disimpulkan bahwa ada pengaruh antara olahraga dan intensitas makan terhadap berat badan. 5.2 Saran 1. 2. 3. Sebelum melakukan pengambilan data, seharusnya praktikan lebih memahami mengenai dasar-dasar regresi linear agar tidak mengalami kesulitan. Sebaiknya praktikan lebih memahami tentang langkah-langkah pengujian data regresi pada SPSS maupun manual agar dapat mengetahui perbandingan hasilnya. Dalam pencarian sumber sebasiknya satu pengarang. Hal ini untuk menghindari perbedaan hasil antara output SPSS dengan perhitungan manual yang disebabkan penggunaan rumus dari sumber berbeda.
182