TUGAS STATISTIK KEPERAWATAN

“UJI PARAMETRIK”

OLEH:
NI LUH PUTU ARY APRILIYANTI (P07120216017)
NI MADE TARIANI (P07120216018)
PUTU INDAH PERMATA SARI (P07120216019)
NI PUTU NOVIA HARDIYANTI (P07120216020)
NI WAYAN MUJANI (P07120216021)

TINGKAT 3.A/D IV KEPERAWATAN

SEMESTER VI

KEMENTERIAN KESEHATAN REPUBLIK INDONESIA

POLITEKNIK KESEHATAN DENPASAR
JURUSAN KEPERAWATAN
TAHUN 2019
 KATA PENGANTAR

Puji syukur kami panjatkan ke hadapan Tuhan Yang Maha Esa karena atas
segala rahmat-Nya, kami dapat menyelesaikan makalah yang berjudul “Uji
Parametrik”. Meskipun banyak tantangan dan hambatan yang kami alami dalam proses
pengerjaannya, tetapi kami berhasil menyelesaikan makalah ini tepat pada waktunya.

Kami mengucapkan terima kasih kepada semua pihak yang telah meluruskan
penulisan makalah ini, baik dosen maupun teman-teman yang secara langsung maupun
tidak langsung memberikan kontribusi positif dalam proses pengerjaannya.
Kami menyadari makalah ini masih jauh dari kesempurnaan. Oleh karena itu,
diharapkan kritik dan saran pembaca demi kesempurnaan makalah kami ini untuk ke
depannya. Semoga makalah ini bermanfaat bagi peningkatan proses belajar mengajar
dan menambah pengetahuan kita bersama. Akhir kata kami mengucapkan terima kasih.

Denpasar, Maret 2019

Penulis

ii
 DAFTAR ISI

KATA PENGANTAR ......................................................................................................................... ii

DAFTAR ISI .....................................................................................................................................iii

BAB I .............................................................................................................................................. 5

PENDAHULUAN ............................................................................................................................. 5

A. Latar Belakang ................................................................................................................... 5

B. Rumusan Masalah ............................................................................................................. 5

C. Tujuan penulisan ............................................................................................................... 5

D. ManfaatPenulisan ............................................................................................................. 5

BAB II ............................................................................................................................................. 6

PEMBAHASAN ............................................................................................................................... 6

A. UJI PARAMETRIK................................................................................................................ 6

1. Pengertian Uji Parametrik ............................................................................................. 6

2. Ciri-Ciri Statistik Parametrik ........................................................................................ 6

3. Keunggulan Dan Kelemahan Statistic Parametrik ........................................................ 6

B. UJI HUBUNGAN (KORELASI PRODUCT MOMENT) ............................................................. 7

1. Pengertian Korelasi ....................................................................................................... 7

2. Macam-Macam Teknik Korelasi ................................................................................... 7

3. Kegunaan Korelasi Product Moment Pearson............................................................... 7

4. Asumsi Korelasi ............................................................................................................ 7

5. Nilai r ............................................................................................................................ 8

6. Langkah-langkah Menghitung Koefisien Korelasi Parsial............................................ 8

1. Pengertian Analisis Regresi ........................................................................................ 14

2. Tujuan dan Kegunaan Analisis Regresi ...................................................................... 15

iii
 3. Macam-Macam Analisis Regresi ................................................................................ 15

4. Persyaratan Penggunaan Analisis Regresi .................................................................. 16

5. Contoh Skripsi Yang Menggunakan Analisis Regresi ................................................ 17

6. Uji Hipotesis dan Pengambilan Keputusan pada Analisis Regresi ............................. 18

7. Analisis Regresi Pada SPSS ........................................................................................ 18

8. Contoh cara kerja Analisis Regresi pada SPSS ........................................................... 19

BAB III .......................................................................................................................................... 29

PENUTUP ..................................................................................................................................... 29

A. SIMPULAN ....................................................................................................................... 29

B. SARAN.............................................................................................................................. 29

DAFTAR PUSTAKA ........................................................................................................................ 30

iv
 BAB I

PENDAHULUAN

A. Latar Belakang

B. Rumusan Masalah
1. Apa itu uji parametric?
2. Apa itu uji hubungan (korelasi product moment)?
3. Apa itu uji regresi?

C. Tujuan penulisan
1. Mahasiswa mampu memahami apa itu uji parametric
2. Mahasiswa mampu memahami apa itu uji hubungan (korelasi product moment)
3. Mahasiswa mampu memahamiapa itu uji regresi

D. ManfaatPenulisan
Makalah ini diharapkan dapat menambah wawasan dan pengetahuan di bidang
statistik keperawatan sehingga mahasiswa mampu menerapkannya dalam praktik sehari-
hari dan bisa memahami statistic keperawatan dengan baik sehingga dapat meningkatkan
kualitas pelayanan kesehatan.

5
 BAB II

PEMBAHASAN

A. UJI PARAMETRIK
1. Pengertian Uji Parametrik
Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis
sebaran atau distribusi data, yaitu apakah data menyebar secara normal atau tidak.
Dengan kata lain, data yang akan dianalisis menggunakan statistik parametrik harus
memenuhi asumsi normalitas. Pada umumnya, jika data tidak menyebar normal, maka
data seharusnya dikerjakan dengan metode statistik non-parametrik, atau setidak-
tidaknya dilakukan transformasi terlebih dahulu agar data mengikuti sebaran normal,
sehingga bisa dikerjakan dengan statistik parametrik.

2. Ciri-Ciri Statistik Parametrik

Adapun contoh dari metode statistik parametrik:
a. Uji-z (1 atau 2 sampel)
b. Uji-t (1 atau 2 sampel)
c. Korelasi pearson,
d. Perancangan percobaan (one or two-way anova parametrik), dll.
Sedangkan ciri-ciri dari statistik parametrik:
a. Data dengan skala interval dan rasio
b. Data menyebar/berdistribusi normal

3. Keunggulan Dan Kelemahan Statistic Parametrik

a. Keunggulan
1) Syarat syarat parameter dari suatu populasi yang menjadi sampel
biasanya tidak diuji dan dianggap memenuhi syarat, pengukuran
terhadap data dilakukan dengan kuat.
2) Observasi bebas satu sama lain dan ditarik dari populasi yang
berdistribusi normal serta memiliki varian yang homogen.

6
 b. Kelemahan
1) Populasi harus memiliki varian yang sama.
2) Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam
skala interval.
3) Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi
harus normal dan bervarian sama, dan harus merupakan kombinasi
linear dari efek-efek yang ditimbulkan.

B. UJI HUBUNGAN (KORELASI PRODUCT MOMENT)

1. Pengertian Korelasi
Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier
(searah bukan timbal balik) antara dua variabel atau lebih.

2. Macam-Macam Teknik Korelasi

a. Product Moment Pearson: Kedua variabelnya berskala interval
b. Rank Spearman: Kedua variabelnya berskala ordinal
c. Point Serial: Satu berskala nominal sebenarnya dan satu berskala interval
d. Biserial: Satu berskala nominal buatan dan satu berskala interval
e. Koefisien kontingensi: Kedua varibelnya berskala nominal

3. Kegunaan Korelasi Product Moment Pearson

a. Untuk menyatakan ada atau tidaknya hubungan antara variable X dengan
variable Y.
b. Untuk menyatakan besarnya sumbangan variabel satu terhadap yang
lainnya yang dinyatakan dalam persen

4. Asumsi Korelasi
a. Data berdistribusi normal
b. Variabel yang dihubungkan mempunyai data linear.
c. Variabel yangdihubungkan mempunyai data yang dipilih secara acak.
d. Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek
yang sama pula (variasi skor variabel yang dihubungkan harus sama).
e. Variabel yang dihubungkan mempunyai data interval ataurasio.

7
5. Nilai r
a. Nilai r terbesar adalah +1 dan r terkecil adalah –1. R = +1 menunjukkan
hubungan positip sempurna, sedangkan r = -1 menunjukkan hubungan
negatip sempurna.
b. r tidak mempunyai satuan atau dimensi. Tanda + atau - hanya
menunjukkan arah hubungan. Intrepretasi nilai r adalah sebagai berikut:
R Interpretasi
0 Tidak berkorelasi
0,01-0,20 Korelasi Sangat rendah
0,21-0,40 Rendah
0,41-0,60 Agak rendah
0,61-0,80 Cukup
0,81-0,99 Tinggi
1 Sangat tinggi
Dalam model hubungan (korelasi) product moment terdapat 3(tiga) macam sifat
hubungan yang bisa terjadi, yaitu:

a. Hubungan positif, artinya semakin meningkatnya variable bebas (ndependent

variable) alan diikuti oleh semakin meningkatnya variable terikat (dependent
variable)
b. Tidak ada Hubungan, artinya variable terikat (dependent variable) tidak akan
mengalami perubahan walaupun variable bebas (independent variable) mengalami
perubahan
c. Hubungan negative, artinya semakin meningkatnya variable bebas (independent
variable) akan diikuti oleh semakin menurunnya variable terikat (dependent variable)

6. Langkah-langkah Menghitung Koefisien Korelasi Parsial

a. Tulis Ho dan Ha dalam bentuk kalimat.
b. Tulis Ho dan Ha dalam bentuk statistik.
c. Buat tabel penolong sebagai berikut:
No. resp. X Y XY X2 Y2

8
 d. Cari r hitung.

rxy: koefisien korelasi r pearson

n: jumlah sampel/observasi
x: variabel bebas/variabel pertama
y: variabel terikat/variabel kedua
Korelasi PPM dilambangkan (r) dengan ketentuan nilai r tidak lebih dari
harga (-1< r < + 1). Apabilah nilai r = -1 artinya korelasinya negatif
sempurna; r = 0 artinya tidak ada korelasi dan r = 1 berarti korelasinya sangat
kuat. Sedangkan arti harga r akan dikonsultasikan dengan tabel interpretasi
nilai r sebagai berikut
e. Cari besarnya kontribusi variable X terhadap Y dengan rumus:
KP = r2 x 100%
f. Tentukan taraf signifikansinya(thitung)

thitung =
Jika thitung ≥ ttabel maka H0 ditolak artinya signifikan
Jika thitung ≤ ttabel maka H0 diterima artinya tidak signifikan

g. Cari rtabel dengan dk =n-2

h. Tentukan kriteria pengujian
Jika -rtabel rhitung +rtabel, maka Ho diterima
i. Bandingkan thitung dengan ttabel
j. Buatlah kesimpulan.

Contoh Uji Korelasi Product Moment: Hubungan Motivasi dengan Hasil Belajar

Motivasi (X) : 60, 45, 55, 65, 43, 60, 56, 50, 42, 50, 60, 65
Hasil Belajar (Y) : 65, 60, 85, 85, 70, 80, 90, 80, 65, 65, 80, 90 .
9
Pertanyaan:
1. Berapakah besar hubungan motivasi (X) dengan hasil belajar (Y)?
2. Berapakah besar sumbangan (kontribusi) motivasi dengan hasilbelajar?
3. Buktikan apakah ada hubungan yang signifikan motivasi dengan kinerja dosen?
Langkah-langkah menjawab:
Langkah 1
Membuat Ha dan Ho dalam bentuk kalimat :
Ha : ada hubungan yang signifikan motivasi dengan hasil belajar.
Ho : Tidak ada hubungan yang signifikan motivasi dengan hasil belajar.
Langkah 2
Membuat Ha dan Ho dalam bentuk statistik;
Ha : r ≠ 0
Ho : r = 0
Langkah 3
Membuat tabel penolong untuk menghitung Korelasi PPM:

Langkah 4
Menghitung rhitung

Langkah 5
Mencari besarnya sumbangan (konstribusi) variabel X terhadap Y dengan rumus:

10
KP = r2 x 100% = (0,8065)2 x 100% = 65,04 %. Artinya motivasi memberikan
konstribusi terhadap hasil belajar matematika sebesar 65,04% dan sisanya 34,96%
ditentukan oleh variabel lain.
Langkah 6
Menguji signifikan dengan rumus t hitung:

Kaidah pengujian :
Jika t hitung ≥ t tabel, maka tolak Ho, artinya signifikan dan
t hitung ≤ t tabel, terima Ho, artinya tidak signifikan.

Berdasarkan perhitungan di atas , α = 0,05 dan n = 12, uji dua pihak;

dk = n - 2 = 12 – 2 = 10 sehingga diperoleh t tabel = 1, 812
Ternyata t hitung lebih besar dari ttabel, atau 4,3132 > 1,812, maka Ho ditolak,
artinya ada hubungan yang signifikan motivasi dengan hasil belajar
Langkah 7
Membuat kesimpulan
1) Berapakah besar hubungan motivasi dengan hasil belajar?
Jawab: r xy sebesar 0,8065 kategori tinggi
2) Berapakah besar sumbangan (konstribusi) motivasi dengan hasil belajar?
Jawab: KP = r2 x 100% = (0,8065)2 x 100% = 65,04 %. Artinya motivasi
memberikan konstribusi terhadap hasil belajar matematika sebesar 65,04% dan
sisanya 34,96% ditentukan oleh variabel lain.
3) Buktikan apakah ada hubungan yang signifikan motivasi dengan hasil belajar?
Jawab: Terbukti bahwa ada hubungan yang signifikan motivasi dengan hasil
belajar
Ternyata t hitung lebih besar dari t tabel, atau 4,3132 > 1,812, maka Ho ditolak,
artinya ada hubungan yang signifikan motivasi dengan hasil belajar

11
Bila menggunakan SPSS:
1. Siapkan data dengan program SPSS, klik Variable View

2. Klik Data View, kemudian memasukkan data seperti berikut:

3. Analisis Data, klik Analyze > Correlate > Bivariate, maka akan tampak Bivariate
Correlation

4. Klik variable X (motivasi belajar) pindahkan ke Variables, klik variable Y (hasil

belajar) pindahkan ke Variables

12
5. Klik ceklist Pearson, two-tailed, flag significant correlations, klik OK

6. Interpretasi Hasil
Dari table output tersebut di atas, dapat dikatakan bahwa koefisien korelasi antara X dan
Y (motivasi dengan hasil bekajar) sebesar r= 0,807 disertai signifikansi 0,02.
Berdasarkan kriteria tersebut keputusan di atas maka dapat simpulkan bahwa korelasi
dari kedua variable tersebut adalah sgnifikan, oleh karena signifikan yang menyertai
0,02 < 0,05.
Korelasi yang terjadi bersifat positif, artinya apabila variable bebas (independent
variable) meningkat, maka akan disertai oleh meningkatnya variable terikat (dependent),
korelasi yang terjadi berada dalam kategori tinggi

13
C. UJI REGRESI
1. Pengertian Analisis Regresi
Analisis regresi adalah suatu metode analisis statistik yang digunakan untuk
melihat pengaruh antara dua atau lebih variabel. Hubungan variabel tersebut bersifat
fungsional yang diwujudkan dalam suatu model matematis. Pada analisis regresi,
variabel dibedakan menjadi dua bagian, yaitu variabel respons (response variable)
atau biasa juga disebut variabel bergantung (dependent variable) dan variabel
explanory atau biasa disebut penduga (predictor variable) atau disebut juga variabel
bebas (independent variabel).
Analisis regresi adalah analisis yang bertujuan untuk mengetahui apakah ada
pengaruh suatu variabel terhadap variabel yang lain.Tujuan utama dalam penggunaan
analisis ini adalah untuk meramalkan atau menduga nilai dari satu variabel dalam
hubungannya dengan variabel yang lain yang diketahui melalui persamaan garis
`regresinya.
Adakalanya, setelah kita memperoleh data berdasarkan sampel, kita ingin
menduga nilai dari suatu variabel Y yang bersesuaian dengan nilai tertentu dari
variabel X. Hal ini diperoleh dengan menaksir nilai Y dari kurva kuadrat minimum
yang sesuai dengan data yang kita himpun dari sampel. Kurva yang diperoleh dan kita
bentuk dari data sampel itu disebut kurva regresi Y terhadap X, karena Y diduga dari
X. Dalam hal ini, lazimnya digunakan persamaan regresi linier sederhana sampel
sebagai penduga persamaan regresi linier sederhana populasi dengan bentuk
persamaan seperti berikut : y = a + bX. Dan karena antara Y dan X memiliki
hubungan, maka nilai X dapat digunakan untuk menduga atau meramal nilai Y. X
dinamakan variabel bebas karena variabel ini nilai-nilainya tidak bergantung pada
variabel lain. Dan Y disebut variabel terikat juga karena variabel yang nilai-nilainya
bergantung pada variabel lain. Hubungan antar variabel yang akan dipelajari disini
hanyalah hubungan linier sederhana, yakni hubungan yang hanya melibatkan dua
variabel (X dan Y) dan berpangkat satu. Berkaitan dengan analisis regresi ini,
setidaknya ada empat kegiatan yang lazim dilaksanakan yakni : (1) mengadakan
estimasi terhadap parameter berdasarkan data empiris, (2) menguji berapa besar
variasi variabel dependen dapat diterangkan oleh variasi independen, (3) menguji
apakah estimasi parameter tersebut signifikan atau tidak, dan (4) melihat apakah tanda
magnitude dari estimasi parameter cocok dengan teori.
14
2. Tujuan dan Kegunaan Analisis Regresi
Analisis regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab akibat antara satu variabel dengan variabel yang lain. Analisis regresi
adalah salah satu analisis yang paling populer dan luas pemakaiannya. Hampir semua
bidang ilmu yang memerlukan analisis. Analisis regresi dan analisis korelasi
dikembangkan untuk mengkaji dan mengukur hubungan antara dua variabel atau
lebih. Dalam analisis regresi dikembangkan persamaan estimasi untuk
mendeskripsikan pola atau fungsi hubungan antara variabel-variabel. Sesuai dengan
namanya, persamaan estimasi atau persamaan regresi itu digunakan untuk
mengestimasi nilai dari suatu variabel berdasarkan nilai variabel lainnya. Variabel
yang diestimasi itu disebut variabel dependen (atau variabel terikat) sedangkan
variabel yang diperkirakan memengaruhi variabel dependen itu disebut variabel
independen (atau variabel bebas).
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasari
pada nilai variabel bebas.
b. Menguji hipotesis karakteristik dependensi.
c. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada
nilai variabel bebas diluar jangkauan sample.
Manfaat Analisis Regresi
Adapun manfaat analisis regresidalam penelitian antara lain:
a. Model regresi dapat digunakan untuk mengukur keeratan hubungan antara
variabel dependen (tak bebas) dan variabel independen (bebas).
b. Model regresi dapat digunakan untuk mengetahui pengaruh suatu atau
beberapa variabel independen terhadap variabel dependen (respons).
c. Model regresi berguna untu memprediksi pengaruh suatu atau beberapa
variabel independen terhadap variabel dependen (respons).

3. Macam-Macam Analisis Regresi

a. Regresi Linier Sederhana
Hubungan antara 2 variabel. Yaitu x (var bebas) dan y (variabel tak bebas).
Kedua variabel datanya kuantitatif.
Misal: Berat badan seseorang dipengaruhi tinggi badannya.

15
 b. Regresi Linier Berganda
Hubungan antara variabel y dengan dua atau lebih variabel x. Semua variabel
datanya kuantitatif.
Misal: Produksi padi dipengaruhi oleh jenis pupuk, suhu, lama penyinaran, dll.
c. Regresi Nonlinier
Hubungan antara variabel y dan x yang tidak linier. Tidak linier maksudnya
laju perubahan y akibat laju perubahan x tidak konstan untuk nilai-nilai x
tertentu. Contoh: regresi kuadratik, kubik.
Misal: Produksi padi akan meningkat saat diberi pupuk taraf rendah ke sedang.
Tapi klo diberi dengan taraf tinggi, malah produksinya menurun.
d. Regresi Dummy
Hubungan antara variabel y (data kuantitatif) dan variabel x (data kualitatif).
Misal: Melihat pengaruh kemasan terhadap harga jual makanan. Kita coding 1
jika kemasan menarik dan 0 jika kemasan tidak menarik. 1 dan o adalah
variabel dummy.
e. Regresi Logistik
Hubungan antara variabel y (data kualitatif) dan variabel x (data kuantitatif).
Misal: Ingin diketahui apakah konsumen akan membeli makanan di rumah
makan berdasarkan penilaian konsumen terhadap lokasi, pelayanan,
pendapatan. Dalam kasus ini hanya ada 2 kemungkinan respon konsumen,
yaitu konsumen membeli (1) dan tidak membeli (0).

4. Persyaratan Penggunaan Analisis Regresi

Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:
a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar <
0.05.
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate <Standard Deviation.
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T.
Koefesien regresi signifikan jika T hitung > T tabel (nilai kritis).

16
 d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang
sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku
untuk regresi linier berganda dengan variabel bebas lebih dari satu.
e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson
(DB) sebesar < 1 dan > 3.
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2
semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1
maka model regresi semakin baik. Nilai r2 mempunyai karakteristik
diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2
sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh
variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika
r2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung
(Y).
h. Data harus berdistribusi normal.
i. Data berskala interval atau rasio.
j. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel
bebas (disebut juga sebagai variabel predictor) sedang variabel lainnya
variabel tergantung (disebut juga sebagai variabel respons).

5. Contoh Skripsi Yang Menggunakan Analisis Regresi

a. Lina Suli Farida. Skripsi : “Analisis Regresi Linier Berganda dengan
Heteroskedastisitas Melalui Pendekatan Weight Least Square” (Studi Kasus
Data APBN Tahun 1976-2007)
b. Anik Nur Hidayah. Skripsi : “Metode Theil pada Analisis Regresi Linear
Sederhana Non Parametrik”
c. Agung Nur Isra Ciptaningsih. Skripsi : “Analisis Pengaruh Harga Saham,
Volume Perdagangan, dan Variansi Return Saham Terhadap Bid Ask Spread
pada Masa Sebelum dan Sesudah Stock Split” (Studi Kasus pada Perusahaan
Manufaktur yang Listing di BEI pada Periode 2003-2009)

17
6. Uji Hipotesis dan Pengambilan Keputusan pada Analisis Regresi
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu:
tingkat signifikansi atau probabilitas (α) dan tingkat kepercayaan atau confidence
interval. Didasarkan tingkat signifikansi pada umumnya orang menggunakan 0,05.
Kisaran tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud
dengan tingkat signifikansi adalah probabilitas melakukan kesalahan tipe I, yaitu
kesalahan menolak hipotesis ketika hipotesis tersebut benar. Tingkat kepercayaan
pada umumnya ialah sebesar 95%, yang dimaksud dengan tingkat kepercayaan ialah
tingkat dimana sebesar 95% nilai sample akan mewakili nilai populasi dimana sample
berasal. Dalam melakukan uji hipotesis terdapat dua hipotesis, yaitu: H0 (hipotessis
nol) dan H1 (hipotesis alternatif)
Beberapa hal yang harus diperhatikan dalam uji hipotesis ialah;
a. Untuk pengujian hipotesis kita menggunakan data sample.
b. Dalam pengujian akan menghasilkan dua kemungkinan, yaitu pengujian
signifikan secara statistik jika kita menolak H0 dan pengujian tidak signifikan
secara statistik jika kita menerima H0.
c. Jika kita menggunakan nilai t, maka jika nilai t yang semakin besar atau menjauhi
0, kita akan cenderung menolak H0; sebaliknya jika nila t semakin kecil atau
mendekati 0 kita akan cenderung menerima H0

7. Analisis Regresi Pada SPSS

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi
dan persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah:

a. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai

disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U/ X) = 0,
Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak
ada hubungan linier yang nyata,
b. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar <
0.05,
c. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate<Standard Deviation,
d. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien
regresi signifikan jika T hitung > T table (nilai kritis), Model regresi dapat
18
 diterangkan dengan menggunakan nilai koefisiena determinasi (KD = r2 x 100%)
semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1
maka model regresi semakin baik, Data harus berdistribusi normal, Data berskala
interval atau rasio, Kedua variabel bersifat dependen, artinya satu variabel
merupakan variabel bebas (variabel predictor) sedang variabel lainnya variabel
terikat (variabel response).

8. Contoh cara kerja Analisis Regresi pada SPSS

Tabel Data Analisis Regresi

Langkah-Langkah :
a. Membuat data seperti diatas atau jika sudah ada buka lagi file SPSS yang memuat
data ini.

b. Dari menu SPSS, pilih menu utama Analyze, lalu submenu Regression, kemudian
pilih Linear.

19
c. Akan muncul kotak dialog Linier Regression. Untuk pengisian, sebagai berikut:
Untuk pilihan Dependent (variabel terikat). Pilih variabel Participation. Untuk
Independent(s) pilih Citizenship dan Democracy Method, pilih Enter. Abaikan
bagian lain Tekan OK untuk prosessing data maka outputnya diperoleh sebagai
berikut

Output dan Hasil Analisisnya

20
Bagian ini menggambarkan derajat keeratan hubungan antar variabel.
a. Angka R sebesar 0.982 (a) menunjukkan bahwa korelasi/ hubungan antara
participation dengan kedua variabel independen-nya adalah kuat (karena besarnya
> 0,5).
b. Angka R Square atau koefisien determinasi adalah 0.963 (berasal dari 0,982 x
0,982). Ini artinya bahwa 0,963 atau 96,3% variasi dari Participation dapat
dijelaskan oleh variasi dari kedua variabel independen, yaitu democracy dan
citizenship. Sedangkan sisanya (100- 96,3 = 0,7) atau 7% dijelaskan oleh sebab-
sebab yang lain. Untuk variabel independen lebih dari dua sebaiknya gunakan
Adjusted R Square yang pada latihan kita nilainya 0,927.
c. Std. Error of the Estimate yang nilainya 0.85442 menggambarkan tingkat
ketepatan
d. Prediksi regresi, dimana semakin kecil angkanya maka semakin baik prediksinya.

Bagian ini menggambarkan tingkat signifikansi. Dari uji ANOVA atau F-test,
didapat Fhitung 26.396 dengan tingkat signifikansi sebesar 0,037. Karena probabilitas
(tingkat signifikansi) ini lebih kecil daripada 0,05 maka model regresi ini bisa dipakai
untuk memprediksi tingkat partisipasi politik seseorang. Dengan kata lain, tingkat
pengetahuan kewarganegaraan seseorang dan tingkat perilaku demokratisnya secara
bersama-sama berpengaruh terhadap tingkat partisipasi politiknya.

21
Sedangkan bagian ini menggambarkan seberapa besar koefisien regresinya:
a. Persamaan regresi yang diperoleh adalah sebagai berikut:
Participation = -2.300 + 0,411 Citizenship + 0,768 Democracy
b. Konstanta sebesar -2,30 menyatakan bahwa jika seseorang tidak memiliki
pengetahuan kewarganegaraan dan perilaku demokratis maka partisipasi
politiknya –
c. 2,30. Secara kualitatif tentu tidak ada perilaku “minus”, mungkin dapat
diintepretasikan dalam konteks budaya politik gal itu adalah budaya “apatis”.
Jangan
d. lupa juga, bahwa secara nyata ketiga variabel itu berskala ordinal, tidak memiliki
e. angka “nol” seperti dalam batasan skala interval.
f. Koefisien regresi 0,411 menunjukkan bahwa setiap pengetahuan
kewarganegaraan
g. seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah 0,411
poin
h. Koefisien regresi 0,768 menunjukkan bahwa setiap tingkat perilaku demokratis
i. seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah juga
sebesar 0,768 poin
j. Sedangkan uji-t digunakan untuk menguji signifikansi konstanta dan setiap
variabel
k. Independen

Hipotesis yang dibangun adalah sebagai berikut:

a. Ho = Koefisien Regresi Tidak Signifikan
b. Hi = Koefisien Regresi Signifikan
Pengambilan keputusan (berdasarkan probabilitas, lihat kolom Sig.) adalah sebagai
berikut:

22
a. Jika Sig. > 0,05 maka Ho diterima
b. Jika Sig. < 0,05 maka Ho ditolak , Hi diterima
Terlihat bahwa pada kolom Sig. untuk ketiga variabel tersebut, yaitu konstanta =
0,453, Citizenship = 0,57 dan Democracy = 0,361 mempunyai angka signifikansi >
0,05, dengan demikian Ho diterima atau dengan kata lain kedua variabel tersebut
tidak cukup signifikan mempengaruhi tingkat partisipasi politik seseorang.

Analisis Regresi Linier Berganda pada SPSS

Data analisis regresi linier berganda

Langkah-Langkah :
a. Masukkan semua input data dalam pembentukan model regresi linier berganda.
Selanjutnya klik menu analyze, kemudian klik regression. Setelah itu pilih linier
seperti tampilan berikut ini :

23
b. Selanjutnya masukkan variabel bebas (pendapatan, pinjaman, dan dana hibah)
pada kolom independent(s) dan variabel terikat (konsumsi ITSI) pada kolom
dependent.

c. Pilih enter pada kolom Method. Metode Enter adalah suatu metode dalam
pembentukan taksiran model regresi dimana semua variabel bebas dilibatkan
dalam pembentukan persamaan regresinya (nantinya peneliti menentukan sendiri
variabel mana yang akan diambil sesuai uji signifikansi). Apabila diinginkan
suatu taksiran model regresi linier berganda dimana variabel bebas yang terlibat
dalam model merupakan variabel yang signifikan dan layak secara statistik untuk
dimasukkan dalam model regresi linier berganda, maka pilih metode stepwise,
metode remove, metode backward, dan metode forward. Keempat metode ini

24
 digunakan untuk menyeleksi semua variabel bebas yang dilibatkan sehingga pada
akhirnya hanya variabel bebas yang menghasilkan taksiran yang signifikan saja
yang akan dimasukkan dalam model taksiran regresi linier berganda.

d. Berikutnya klik kotak statistics, dan pilih estimates, confidence intervals, dan
covariance matrix dalam kolom regression coefficient dan model fit. Selanjutnya
klik continue.

e. Akhiri dengan meng-klik OK

Hasil Output :

Dari tabel di atas diperoleh informasi bahwa taksiran nilai parameter dari regresi linier
berganda dengan hubungan X mempengaruhi Y adalah :
b0 = 10,885
b1 = 0,576
b2 = 3,260
b3 = -0,015
Sehingga model taksiran regresi linier berganda adalah: Ŷ=10,885+0,576X+3,260X–
0,015 X

25
Maka selanjutnya pengujian parameter β (nilai parameter konstanta regresi linier
berganda) adalah :
a. Langkah 1.
H0 : β0 = 0
H1 : β0 ≠ 0
b. Langkah 2.
Bandingkan nilai signifikansi (0,629) dengan nilai α = 5%. Nilai signifikansi
(0,629) > α (0,05); maka H diterima, artinya nilai koefisien β0 untuk α = 5% tidak
mempengaruhi nilai taksiran dari Y dalam menganalisis regresi linier berganda.
Sedangkan untuk pengujian parameter β1 (nilai parameter X dari regresi linier
berganda) adalah :
a. Langkah 1.
H0 : β1 = 0
H1 : β1 ≠ 0
b. Langkah 2.
Bandingkan nilai signifikansi (0,061) dengan nilai α = 5%. Nilai signifikansi
(0,061) > α (0,05); maka H diterima, artinya nilai koefisien β1 untuk α=5% tidak
mempengaruhi nilai taksiran dari Y dalam menganalisis regresi linier berganda.
Untuk pengujian parameter β2 (nilai parameter X dari regresi linier berganda) adalah:
a. Langkah 1.
H0 : β2 = 0
H1 : β2 ≠ 0
b. Langkah 2.
Bandingkan nilai signifikansi (0,231) dengan nilai α = 5%. Nilai signifikansi
(0,231) > α (0,05); maka H diterima, artinya nilai koefisien β2 untuk α= 5% tidak
mempengaruhi nilai taksiran dari Y dalam menganalisis regresi linier berganda.
Hal ini menunjukkan bahwa nilai parameter pinjaman tidak mempengaruhi
konsumsi ITSI.
Selanjutnya pengujian parameter β3 (nilai parameter X dari regresi Linier berganda)
adalah :
a. Langkah 1.
H0 : β3 = 0
H1 : β3 ≠ 0
26
b. Langkah 2.
Bandingkan nilai signifikansi (0,995) dengan nilai α = 5%. Nilai signifikansi
(0,995)> α (0,05); maka H diterima, artinya nilai koefisien β3 untuk α=5% tidak
mempengaruhi nilai taksiran dari Y dalam menganalisis regresi linier berganda.
Hal ini menunjukkan bahwa nilai parameter dana hibah tidak mempengaruhi
konsumsi ITSI.
Cara lain untuk menguji kelinieran persamaan regresi linier berganda adalah dengan
menguji signifikansi dari kelinieran model regresi yang terbentuk (permasalahan b)
melalui tabel ANOVA (analysis of variance). Perhatikan output SPSS berikut:

Dengan menggunakan α = 5%, maka langkah-langkah dari pengujian signifikansi

model regresi linier berganda adalah:
a. Langkah 1.
H0 : Y tidak memiliki hubungan linier dengan X1 , X2 , dan X3
H1 : Y tidak memliki hubungan linier dengan X1 , X2 , dan X3
b. Langkah 2.
Bandingkan nilai signifikansi (0,051) dengan nilai α = 5%. Nilai signifikansi
(0,051) > α (0,05); maka H diterima, artinya untuk α = 5% tidak memiliki
hubungan linier dengan X1 , X2 , dan X3
Untuk mengetahui seberapa besar kualitas model regresi linier berganda yang
terbentuk, perhatikan nilai koefisien determinasi (R square) = 60%. Nilai tersebut
menunjukkan informasi bahwa 60% nilai dari besarnya konsumsi ITSI telah dapat
dijelaskan oleh data tingkat pendapatan, pinjaman, dan dana hibah. Sedangkan sisanya
40% informasi mengenai besarnya konsumsi ITSI belum dapat dijelaskan oleh
variabel-variabel bebas tersebut.

27
Sedangkan untuk melihat ada atau tidaknya multikolinearitas yang terjadi antar
variabel bebas pembentuk model persamaan regresi linier berganda, perhatikan
output.

Dari tabel di atas dapat diketahui bahwa antar variabel bebas (pendapatan, pinjaman,
dan dana hibah) tidak terjadi multikolineariti. Hal ini dapat dilihat dari nilai korelasi
antar variabel beas tersebut rendah.
(Apabila nilai korelasi antar variabel bebas terdapat nilai korelasi yang tinggi berarti
terjadi multikolinearitas antar variabel bebas yang berkorelasi tinggi tersebut.

28
 BAB III

PENUTUP

A. SIMPULAN

B. SARAN

29
DAFTAR PUSTAKA

30