Tugas Akhir Analisis Regresi Terapan

7/25/2019 Tugas Akhir Analisis Regresi Terapan

1/48

TUGAS AKHIR

ANALISIS REGRESI TERAPAN

Disusun untuk memenuhi tugas mata kuliah Analisis Regresi Terapan

Dosen Pengampu : Drs. Sugiman, M.Si.

Rombel : 001 (Senin Pagi)

oleh

Hadi Susanto (4111412049)

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG

2015


2/48

TUGAS AKHIR

1. Analisis regresi ganda sekurang-kurangnya 5 variabel dengan menggunakan

a) Metode seleksi maju

b) Metode seleksi mundur

2. Melakukan uji terkait dengan asumsi analisis regresi

a) Uji normalitas

b) Uji multikolinieritas

c) Uji heteroskedastisitas

d) Uji autokorelasi

3. Uji korelasi: Berikan 1 contoh analisis dan pengujian terkait korelasi

a) Product Moment

b) Kendall

c) Spearman

Penyelesaian:

1. ANALISIS REGRESI GANDA

Sumber data: Skripsi Prastanto Jurusan Akuntansi Fakultas Ekonomi Universitas

Negeri Semarang tahun 2013 dengan judul PENGARUH FINANCING TO

DEPOSIT RATIO (FDR), NON PERFORMING FINANCING (NPF), DEBT TO

EQUITY RATIO (DER), QUICK RATIO (QR), DAN RETURN ON EQUITY

(ROE) TERHADAP PEMBIAYAAN MURABAHAH PADA BANK UMUM

SYARIAH DI INDONESIA.

Datanya disajikan pada tabel berikut:

NO FDR NPF DER QR ROE MURABAHAH

1 98.44 5.82 22.05 46.78 42.13 4260860

2 90.27 3.23 18.81 36.01 28.74 4275141

3 92.93 7.32 21.36 25.82 8.49 4224625

4 85.82 4.1 23.5 33.94 8.03 4374017

5 99.47 5.85 24.96 25.25 26.86 4739375

6 103.71 3.93 31.37 23.48 19.63 5052662

7 99.68 3.36 26.07 23.48 11.54 4215954


3/48

8 91.52 3.51 20.63 23.48 17.78 6121165

9 95.82 3.99 19.74 18.8 21.93 7092993

10 95.71 3.57 17.45 14.81 21.79 8133434

11 92.45 3.71 16.76 13.96 20.02 8764560

12 85.18 1.78 16.63 13.96 20.79 9435965

13 86.85 2.15 20.37 30.01 38.77 5847224

14 87.03 1.92 22.9 22.8 38.21 6798223

15 87.93 2.16 23.95 36.2 40.17 6936820

16 83.07 1.35 21.83 18.03 44.2 7689196

17 83.93 0.66 20.47 30.07 53.1 8569175

18 85.16 0.88 41.42 32.37 60.04 9822006

19 86.31 1.45 22.22 20.89 64.83 10607670

20 82.54 1.29 22.45 19.01 63.58 12255138

21 84.06 1.12 22.23 35.09 74.43 12702188

22 88.52 1.14 19.13 30.2 68.22 14770401

23 89.86 1.26 20.96 33.59 67.03 16324345

24 86.03 0.95 21.34 45.96 64.84 18102709

25 90.23 1.16 53.28 27.47 9.72 2250429

26 85.2 0.98 71.4 8.78 25.32 2499984

27 82.25 1 34.22 10.93 35.11 2686092

28 81.39 1.28 34.03 8.4 39.97 282385829 92.43 1.8 48.92 10.23 65.27 2935533

30 86.86 2.02 62.64 8.95 61.27 3022213

31 89.11 2.6 45.74 8.56 37.28 3051150

32 78.17 2.11 43.14 6.58 26.81 2875311

33 79.2 2.64 40.56 6.75 16.43 2677729

34 81.48 2.14 56.57 6.62 18.56 2720300

35 83 2.25 52.19 6.92 16.74 2954155

36 83.08 1.79 48.6 9.93 16.89 3337997

1.1. METODE SELEKSI MAJU

Misalkan

X1 = Financing To Deposit Rasio (FDR)

X2 = Non Performing Financing (NPF)

X3 = Debt To Equity Ratio (DER)

X4 = Quick ratio (QR)

X5 =Return On Equity (ROE)


4/48

Y = Pembiayaan Murabahah.

Langkah-langkah mencari persamaan regresi terbaik dengan metode seleksi maju

dengan bantuan SPSS sebagai berikut:

Langkah 1: Memasukkan data di atas ke SPSS.

Langkah 2: Mengkorelasikan semua variabel bebas (X1, X2, X3, X4, X5) dengan

variabel terikat (Y). Caranya sebagai berikut:

Klik AnalyzeCorrelateBivariate

Masukkan X1, X2, X3, X4, X5, Y ke kotak Variables Centang

Pearson

Klik OK

Diperoleh output sebagai berikut:

Correlations

X1 X2 X3 X4 X5 Y

X1 Pearson Correlation 1 .650** -.304 .341

* -.204 -.016

Sig. (2-tailed) .000 .071 .042 .234 .928

N 36 36 36 36 36 36

X2 Pearson Correlation .650** 1 -.279 .156 -.528

** -.311

Sig. (2-tailed) .000 .099 .364 .001 .065

N 36 36 36 36 36 36

X3 Pearson Correlation -.304 -.279 1 -.571** -.130 -.575

**

Sig. (2-tailed) .071 .099 .000 .451 .000

N 36 36 36 36 36 36

X4 Pearson Correlation .341* .156 -.571

** 1 .307 .530

**

Sig. (2-tailed) .042 .364 .000 .068 .001

N 36 36 36 36 36 36

X5 Pearson Correlation -.204 -.528** -.130 .307 1 .640

**

Sig. (2-tailed) .234 .001 .451 .068 .000

N 36 36 36 36 36 36

Y Pearson Correlation -.016 -.311 -.575** .530

** .640

** 1

Sig. (2-tailed) .928 .065 .000 .001 .000

N 36 36 36 36 36 36


5/48

**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).

Berdasarkan tabel Correlations, nilai koefisien korelasi yang terbesar antara

semua variabel bebas X1, X2, X3, X4, X5 dengan variabel terikat Y yaitu 0,640

yang merupakan nilai koefisien korelasi dari X5 dengan Y. Sehingga X5 adalah

variabel pertama yang masuk ke dalam model persamaan.

Langkah 3: Meregresikan X5 terhadap Y. Caranya adalah:

Klik AnalyzeRegressionLinear

Masukkan variabel Y ke dalam kotak Dependent dan variabel X5 ke

dalam kotak Independents

Klik OK


Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .640a .409 .392 3.27109E6

a. Predictors: (Constant), X5

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

1 (Constant) 1784568.694 1118880.052 1.595 .120

X5 131868.279 27171.905 .640 4.853 .000

a. Dependent Variabel: Y

Berdasarkan tabel Coefficients pada output diperoleh dugaan persamaan regresi

Y=f(X5) adalah variabel yang signifikan karena nilai sig X5 = 0.000 < 0.05 dan

persamaan regresi kuadrat terkecil yang diperoleh adalah

dengan

. Dengan kata lain, X5


6/48

mempengaruhi Y sebesar 40,9%. Sehingga X5 dapat dipertahankan dalam model

persamaan.

Langkah 4: Mengkorelasikan variabel X1, X2, X3, X4, Y dengan dikontrol

variabel X5 dengan cara:

Klik AnalyzeCorrelatePartial

Masukkan X1, X2, X3, X4, Y ke kotak Variablesdan masukkan X5 ke

kotak Controlling for

Klik OK


Correlations

Control Variabels X1 X2 X3 X4 Y

X5 X1 Correlation 1.000 .652 -.341 .433 .152

Significance (2-tailed) . .000 .045 .009 .382

df 0 33 33 33 33

X2 Correlation .652 1.000 -.413 .393 .041

Significance (2-tailed) .000 . .014 .019 .813

df 33 0 33 33 33

X3 Correlation -.341 -.413 1.000 -.562 -.645

Significance (2-tailed) .045 .014 . .000 .000

df 33 33 0 33 33

X4 Correlation .433 .393 -.562 1.000 .457

Significance (2-tailed) .009 .019 .000 . .006

df 33 33 33 0 33

Y Correlation .152 .041 -.645 .457 1.000

Significance (2-tailed) .382 .813 .000 .006 .

df 33 33 33 33 0

Berdasarkan tabel Correlations nilai koefisien korelasi yang terbesar antara

variabel bebas X1, X2, X3, X4 dengan variabel terikat Y yang dikontrol oleh

variabel X5 yaitu -0.645 yang merupakan nilai koefisien korelasi dari X3 dengan


7/48

Y yang dikontrol oleh X5. Sehingga X3 adalah variabel selanjutnya yang masuk

ke dalam model persamaan.

Langkah 5: Meregresikan X3, X5 terhadap Y dengan cara:


Masukkan Y ke dalam kotak Dependentdan X3, X5 ke dalam kotak

Independents

Klik OK

Diperoleh output tabel Model Summary dan tabel Coefficient sebagai berikut:

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .809a .655 .634 2.53665E6

a. Predictors: (Constant), X5, X3

Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 6706436.602 1334915.158 5.024 .000

X3 -141503.224 29166.053 -.500 -4.852 .000

X5 118501.033 21250.491 .575 5.576 .000


Berdasarkan tabel Coefficients pada output diperoleh dugaan persamaan regresi

Y=f(X5,X3) adalah variabel yang signifikan karena nilai sig X5 = 0.000 < 0.05

dan nilai sig X3 = 0.000 < 0.05 sehingga X5 dan X3 signifikan. Persamaan regresi

kuadrat terkecil yang diperoleh adalah dengan dengan kata lain, X3 danX5 mempengaruhi Y sebesar 65,5% (X3 memberikan kontribusi sebesar 24,6%).

Sehingga X3 dan X5 dapat dipertahankan dalam model persamaan.

Langkah 6: Mengkorelasikan variabel X1, X2, X4, Y dengan dikontrol variabel

X3 dan X5 dengan cara:


8/48


Masukkan X1, X2, X4, Y ke kotak Variablesdan masukkan X3, X5 kekotak Controlling for

Klik OK


Correlations

Control Variabels X1 X2 X4 Y

X5 & X3 X1 Correlation 1.000 .597 .310 -.094

Significance (2-tailed) . .000 .074 .597

df 0 32 32 32

X2 Correlation .597 1.000 .214 -.324

Significance (2-tailed) .000 . .225 .062

df 32 0 32 32

X4 Correlation .310 .214 1.000 .148

Significance (2-tailed) .074 .225 . .402

df 32 32 0 32

Y Correlation -.094 -.324 .148 1.000

Significance (2-tailed) .597 .062 .402 .

df 32 32 32 0


variabel bebas X1, X2, X4 dengan variabel terikat Y yang dikontrol oleh variabel

X3 dan X5 yaitu -0.324 yang merupakan nilai koefisien korelasi dari X2 dengan

Y yang dikontrol oleh X3 dan X5. Sehingga X2 adalah variabel selanjutnya yang

masuk ke dalam model persamaan regresi.

Langkah 7: Meregresikan X2, X3, X5 terhadap Y dengan cara:


Masukkan Y ke dalam kotak Dependent dan X2, X3, X5 ke dalam

kotak Independents

Klik OK



9/48

Model Summary

Model R R SquareAdjusted R

SquareStd. Error of the

Estimate

1 .831a .691 .662 2.43736E6

a. Predictors: (Constant), X2, X3, X5

Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 1.014E7 2190445.018 4.630 .000

X3 -166097.538 30772.589 -.587 -5.398 .000

X5 89451.670 25344.598 .434 3.529 .001

X2 -660277.254 341264.821 -.246 -1.935 .062


Berdasarkan tabel Model Summary diperoleh dugaan persamaan regresi

Y=f(X3,X5,X2). Persamaan regresi kuadrat terkecil yang diperoleh adalah

dengan . Dengan kata lain, X2, X3, X5mempengaruhi Y sebesar 69,1% (X2 memberikan kontribusi sebesar 3,6%). Dari

tabel Coefficients diketahui bahwa nilai sig X3 = 0.000 < 0.05, nilai sig X5 =

0.001 < 0.05, dan nilai sig X2 = 0.062 > 0.05 sehingga X3, X5 signifikan dan X2

tidak signifikan. Karena X2 tidak signifikan, maka X2 tidak dapat dipertahankan

dalam model persamaan.

Langkah 8: Mengeluarkan X2 dari model persamaan.

Langkah 9: Mengkorelasikan variabel X1, X4, Y dengan dikontrol variabel X3

dan X5 dengan cara:


Masukkan X1, X4, Y ke kotak Variabels dan masukkan X3, X5 ke

kotak Controlling for

Klik OK


10/48


Correlations

Control Variabels X1 X4 Y

X5 & X3 X1 Correlation 1.000 .310 -.094

Significance (2-tailed) . .074 .597

df 0 32 32

X4 Correlation .310 1.000 .148

Significance (2-tailed) .074 . .402

df 32 0 32

Y Correlation -.094 .148 1.000

Significance (2-tailed) .597 .402 .

df 32 32 0


variabel bebas X1, X4 dengan variabel terikat Y yang dikontrol oleh variabel X5

dan X3 yaitu 0.148 yang merupakan nilai koefisien korelasi dari X4 dengan Y

yang dikontrol oleh X3 dan X5. Sehingga X4 adalah variabel selanjutnya yang

masuk ke dalam model persamaan.




kotak Independents

Klik OK


Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .814a .663 .631 2.54744E6


Coefficientsa


11/48

Model


Standardized

Coefficients


1 (Constant) 5504394.942 1949709.136 2.823 .008

X3 -124587.109 35423.545 -.440 -3.517 .001

X5 113087.044 22273.103 .549 5.077 .000

X4 40263.874 47420.192 .111 .849 .402




dan mempunyai nilai . Dengan katalain X3, X4, X5 mempengaruhi Y sebesar 66,3% (X4 memberikan kontribusi

sebesar 0,8%). Dari tabel Coefficients diketahui bahwa nilai sig X3 = 0.001 0.05, maka X3, X5

signifikan dan X4 tidak signifikan. Karena X4 tidak signifikan, maka X4 tidak

dapat dipertahankan dalam model persamaan.


Langkah 12: Mengkorelasikan variabel X1 dan Y dengan dikontrol variabel X3

dan X5 dengan cara:


Masukkan X1, Y ke kotak Variablesdan masukkan X3, X5 ke kotak

Controlling for

Klik OK


Correlations

Control Variabels X1 Y

X3 & X5 X1 Correlation 1.000 -.094

Significance (2-tailed) . .597

df 0 32


12/48

Y Correlation -.094 1.000

Significance (2-tailed) .597 .

df 32 0

Berdasarkan tabel Correlations nilai koefisien korelasi antara variabel bebas X1

dengan variabel terikat Y yang dikontrol oleh variabel X5, X3 yaitu -0.094.

Sehingga X1 adalah variabel selanjutnya yang masuk ke dalam model persamaan.




kotak Independents

Klik OK


Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .811a .658 .626 2.56457E6


Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 1.063E7 7473449.959 1.423 .164

X3 -147213.991 31364.399 -.520 -4.694 .000

X5 115443.783 22233.279 .560 5.192 .000

X1 -41256.436 77216.038 -.060 -.534 .597





13/48

dan mempunyainilai

. Dengan kata lain X1, X4, X5 mempengaruhi Y sebesar 65,8%

(X1 memberikan kontribusi sebesar 0,3%). Dari tabel Coefficients diketahui

bahwa nilai sig X3 = 0.000 < 0.05, nilai sig X5 = 0.000 < 0.05, dan nilai sig X1 =

0.597 > 0.05, maka X3, X5 signifikan dan X1 tidak signifikan. Karena nilai sig

X1 = 0.597 > 0.05 maka X1 tidak signifikan. Karena X1 tidak signifikan, maka

X1 tidak dapat dipertahankan pada model persamaan.


Langkah 15: Stop

Proses selesai karena tidak ada variabel yang dapat dimasukkan atau dikeluarkan

lagi sehingga model persamaan terbaiknya adalah Y=f(X5,X3).

MODEL PERSAMAAN REGRESI TERBAIK

Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 6706436.602 1334915.158 5.024 .000

X3 -141503.224 29166.053 -.500 -4.852 .000

X5 118501.033 21250.491 .575 5.576 .000


KESIMPULAN

Jadi dapat disimpulkan bahwa dengan metode seleksi maju diperoleh modelpersamaan regresi terbaik untuk data PENGARUH FINANCING TO DEPOSIT

RATIO (FDR), NON PERFORMING FINANCING (NPF), DEBT TO EQUITY

RATIO (DER), QUICK RATIO (QR), DAN RETURN ON EQUITY (ROE)

TERHADAP PEMBIAYAAN MURABAHAH PADA BANK UMUM SYARIAH DI

INDONESIA yaitu:


14/48

1.2. METODE SELEKSI MUNDUR

Langkah-langkah pemilihan model persamaan terbaik dengan metode seleksi

mundur dengan bantuan SPSS yaitu:

Langkah 1: Meregresikan semua variabel bebas (X1, X2, X3, X4, X5) dengan

variabel terikat Y. Caranya adalah:


Masukkan Y ke dalam kotak Dependentdan X1, X2, X3, X4, X5 ke

dalam kotak Independents

Klik OK

Diperoleh output tabel coefficients sebagai berikut:

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .843a .710 .662 2.43856E6

a. Predictors: (Constant), X5, X3, X1, X4, X2

Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 5554277.937 7746253.127 .717 .479

X1 41667.090 94146.541 .061 .443 .661

X2 -867670.228 426093.732 -.323 -2.036 .051

X3 -144128.434 35050.900 -.509 -4.112 .000

X4 56950.198 47779.779 .157 1.192 .243

X5 75757.274 27184.648 .368 2.787 .009


Berdasarkan output di atas, dihasilkan persamaan regresi berganda

dan


15/48

mempunyai . Dengan kata lain, X1, X2, X3, X4, X5 mempengaruhi Ysebesar 71%.

Berdasarkan tabel coefficients pada output menunjukkan bahwa:

X1 tidak signifikan karena sig X1 = 0.661 > 0.05


X3 signifikan karena sig X3 = 0.000 < 0.05



Karena X1, X2 dan X4 tidak signifikan maka yang mempunyai nilai sig terbesar

harus dikeluarkan dari model persamaan yaitu X1.


Langkah 3: Meregresikan variabel bebas X2, X3, X4, X5 dengan variabel terikat

Y dengan cara:


Masukkan Y ke dalam kotak Dependentdan X2, X3, X4, X5 ke dalam

kotak Independents

Klik OK


Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .842a .708 .671 2.40672E6

a. Predictors: (Constant), X5, X3, X4, X2

Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 8812710.270 2376751.539 3.708 .001

X2 -759813.003 344957.876 -.283 -2.203 .035


16/48

X3 -143811.534 34586.092 -.508 -4.158 .000

X4 61870.075 45861.968 .170 1.349 .187

X5 76753.308 26737.653 .372 2.871 .007


Berdasarkan output di atas, dihasilkan persamaan regresi berganda

dan mempunyai

. Dengan kata lain X2, X3, X4, X5

mempengaruhi Y sebesar 70,8%.

Berdasarkan tabel Coefficients pada output menunjukkan bahwa:





Karena X2 dan X4 tidak signifikan maka yang mempunyai nilai sig terbesar harus

dikeluarkan dari model persamaan yaitu X4.


Langkah 5: Meregresikan variabel bebas X2, X3, X5 dengan variabel terikat Y

dengan cara:


Masukkan Y ke dalam kotak Dependentdan X1, X3, X4 ke dalam

kotak Independents Klik OK


Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .831a .691 .662 2.43736E6



17/48

Coefficients

a

Model


Standardized

Coefficients


1 (Constant) 1.014E7 2190445.018 4.630 .000

X2 -660277.254 341264.821 -.246 -1.935 .062

X3 -166097.538 30772.589 -.587 -5.398 .000

X5 89451.670 25344.598 .434 3.529 .001


Berdasarkan output di atas, dihasilkan persamaan regresi berganda dan mempunyai Dengan kata lain, X2, X3, X5mempengaruhi Y sebesar 69,1%.

Berdasarkan tabel coefficients pada output menunjukkan bahwa:




Karena X2 tidak signifikan maka X2 dikeluarkan dari model persamaan.


Langkah 7: Meregresikan variabel bebas X3, X5 dengan variabel terikat Y

dengan cara:


Masukkan Y ke dalam kotak Dependentdan X3, X5 ke dalam kotak

Independents

Klik OK


Model Summary


18/48

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .809a .655 .634 2.53665E6

a. Predictors: (Constant), X5, X3

Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 6706436.602 1334915.158 5.024 .000

X3 -141503.224 29166.053 -.500 -4.852 .000

X5 118501.033 21250.491 .575 5.576 .000


Berdasarkan output di atas, dihasilkan persamaan regresi berganda danmempunyai . Dengan kata lain X3, X5 mempengaruhi Y sebesar65,5%.Berdasarkan tabel coefficients pada output menunjukkan bahwa:



Karena sig X3, X5 signifikan maka proses berhenti.

Langkah 8: Stop.

Proses selesai, sehingga model persamaan terbaiknya adalah Y=f(X3,X5).

MODEL PERSAMAAN REGRESI TERBAIK

Coefficientsa

Model


Standardized

Coefficients


1 (Constant) 6706436.602 1334915.158 5.024 .000


19/48

X3 -141503.224 29166.053 -.500 -4.852 .000

X5 118501.033 21250.491 .575 5.576 .000


Berdasarkan tabel Coefficients di atas pada kolom Unstandardized Coefficients B

dapat diperoleh model persamaan regresi terbaiknya adalah:

KESIMPULAN

Jadi dapat disimpulkan bahwa dengan metode seleksi mundur diperoleh model

persamaan regresi terbaik untuk data PENGARUH FINANCING TO DEPOSIT

RATIO (FDR), NON PERFORMING FINANCING (NPF), DEBT TO EQUITY

RATIO (DER), QUICK RATIO (QR), DAN RETURN ON EQUITY (ROE)

TERHADAP PEMBIAYAAN MURABAHAH PADA BANK UMUM SYARIAH DI

INDONESIA yaitu:

2. UJI ASUMSI KLASIK ANALISIS REGRESI

Sumber data: Skripsi Aditya Budi Pratama Jurusan Pendidikan Ekonomi Fakultas

Ekonomi Universitas Negeri Semarang tahun 2013 dengan judul PENGARUH

KOMPETENSI PROFESIONAL GURU DAN CARA BELAJAR SISWATERHADAP HASIL BELAJAR KOMPETENSI DASAR MENGGUNAKAN

PERALATAN KANTOR SISWA KELAS X SMK ANTONIUS SEMARANG.

Data disajikan pada tabel berikut:

No X1 X2 Y

1 51 48 45

2 57 45 50

3 60 44 58

4 52 45 55


20/48

5 40 64 73

6 62 57 70

7 73 44 70

8 74 37 75

9 57 45 50

10 71 47 73

11 59 33 50

12 55 64 75

13 59 37 50

14 69 56 78

15 66 34 49

16 63 33 50

17 61 66 78

18 57 52 50

19 58 41 50

20 67 47 78

21 45 48 61

22 64 41 63

23 73 57 78

24 51 49 58

25 43 41 6226 52 48 59

27 73 58 78

28 49 49 62

29 57 54 62

30 70 63 76

31 75 50 82

32 59 63 70

33 69 64 78

34 74 62 9835 62 49 70

36 71 47 74

37 60 57 68

38 60 65 77

39 63 43 75

40 45 56 60

41 59 61 70

42 71 53 50

43 62 36 55


21/48

44 69 45 65

45 69 33 70

46 74 56 73

47 67 48 65

48 59 40 60

Keterangan:

X1: Kompetensi Profesional Guru

X2: Cara Belajar Siswa

Y: Hasil Belajar

2.1. UJI NORMALITAS

Uji normalitas dapat dilakukan diantaranya dengan

Melihat Histogram

Uji Liliefors

Uji Chi Kuadrat

Uji Kolmogorov Smirnov

Namun dalam hal ini, penulis hanya melakukan Uji Normalitas menggunakan Uji

Histogram dan Uji Kolmogorov-Smirnov.

UJI NORMALITAS DENGAN MELIHAT HISTOGRAM

Langkah-langkah uji normalitas sebagai berikut:

Masukkan data ke SPSS.


Masukkan Y ke dalam kotak Dependent dan X1, X2 ke dalam kotak

Independent

Klik Plotcentang Histogram dan Normal probability plot

Klik Continue

Klik OK

Diperoleh output histogram dan normal P-P plot of regression standardized

residual sebagai berikut:


22/48


23/48

Berdasarkan grafik Histogram, diketahui bahwa sebaran data yang menyebar ke

semua daerah kurva normal. Dapat disimpulkan bahwa data mempunyai distribusi

normal. Demikian juga dengan Normal P-Plot. Data menyebar di sekitar garis

diagonal dan mengikuti garis diagonal yang menandakan normalitas data.

UJI NORMALITAS DENGAN UJI KOLMOGOROV-SMIRNOV

Hipotesis:

: Data residual terdistribusi normal

: Data residual tidak terdistribusi normal

Langkah-langkah uji normalitas dengan uji Kolmogorov-Smirnov sebagai berikut:



Independents

Klik Savecentang Unstandardizedpada Residuals.

Klik Continue

Klik OK

Selanjutnya pada data SPSS akan muncul kolom RES_1 seperti yang

terlihat pada gambar di bawah ini. RES_1 merupakan residual regresi.


24/48


25/48

Klik AnalyzeNonparametric test1-sample K-S

Masukkan variable RES_1 ke kotak Test Variable List

Klik OK

Diperoleh output tabel One-Sample Kolmogorov-Smirnov Test sebagai berikut:

One-Sample Kolmogorov-Smirnov Test

Unstandardized

Residual

N 48

Normal Parametersa,,b

Mean .0000000

Std. Deviation 7.61634417


26/48

Most Extreme Differences Absolute .104

Positive .087

Negative -.104

Kolmogorov-Smirnov Z .724

Asymp. Sig. (2-tailed) .672

a. Test distribution is Normal.

b. Calculated from data.

diterima jika nilai sig (2-tailed) > 5%. Besarnya nilai Kolmogorov-Smirnovhasil pengolahan SPSS adalah 0,724 dan nilai signifikan 0,672 > 0,05 hal ini

berarti diterima yang berarti data terdistribusi normal dan model persamaanregresi memenuhi asumsi normalitas.

KESIMPULAN

Berdasarkan langkah-langkah uji normalitas yang telah dilakukan dengan melihat

histogram, normal P-P plot of regression standardized residual dan One-Sample

Kolmogorov-Smirnov Test menunjukkan bahwa data berdistribusi normal. Jadidapat disimpulkan bahwa data berdistribusi normal.

2.2. UJI MULTIKOLINIERITAS

Ada beberapa cara mendeteksi ada tidaknya multikolinearitas, yaitu dengan:

Melihat nilai Variance Inflation Factor(VIF) dan Tolerance (TOL) pada

model persamaan regresi

Membandingkan nilai koefisien determinasi individual (r2) dengan nilai

determinasi secara serentak (R2)

Melihat nilaiEigenvaluedan Condition Index

Nilai R2tinggi tetapi hanya sedikit variabel independen yang signifikan

Korelasi parsial antar variabel independen

Namun dalam hal ini, penulis hanya mendeteksi multikolinieritas dengan melihat

nilai Variance Inflation Factor (VIF) dan Tolerance (TOL) pada model

persamaan regresi.


27/48

UJI MULTIKOLINIERITAS DENGAN MELIHAT NILAI TOLERANCE

DAN VIF

Langkah-langkah pengujiannya sebagai berikut:

Inputkan data di SPSS


Masukkan Y ke dalam kotak Dependentdan X1 dan X2 ke dalam kotak

Independent

Klik Statisticscentang Collinearity diagnosticsklik Continue

Klik OK


Coefficientsa

Model


Standardized

Coefficients

t Sig.

Collinearity

Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) -7.475 9.889 -.756 .454

X1 .618 .126 .481 4.887 .000 1.000 1.000

X2 .706 .119 .584 5.932 .000 1.000 1.000

a. Dependent Variable: Y

Berdasarkan kolom Collinearity Statistics pada tabel Coefficients yang terdapat

dalam output dapat diketahui bahwa:

Nilai variance inflation factor(VIF) ketiga variabel yaitu:

X1 = 1 < 10

X2 = 1 < 10

Nilai tolerance(TOL) ketiga variabel yaitu:

X1 = 1 > 0,1

X2 = 1 > 0,1

Dapat dilihat bahwa setiap variabel bebas mempunyai nilai tolerance > 0,1 dan

nilai VIF < 10, sehingga dapat disimpulkan bahwa tidak ada multikolinieritas

antar variabel bebas dalam model regresi ini.


28/48

KESIMPULAN:

Berdasarkan langkah-langkah multikolinieritas dengan melihat nilai Variance

Inflation Factor (VIF) dan Tolerance (TOL) pada model persamaan regresi

menunjukkan bahwa tidak ada multikolinieritas antar variabel bebas dalam model

regresi ini. Jadi dapat disimpulkan bahwa tidak terjadi persoalan multikolinearitas

pada data yang diuji.

2.3. UJI HETEROSKEDASTISITAS

Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu:

Uji Park

Uji Glesjer

Melihat grafik Scatterplots

Uji koefisien korelasi Spearman

Uji Goldfeld-Quandt

Uji White

Uji Breusch-Pagan-Godfrey

Namun dalam hal ini, penulis hanya menggunakan uji dengan mengamati grafik

Scatterplots dan Uji Glejser.

UJI HETEROSKEDASTISITAS DENGAN MENGAMATI GRAFIK

SCATTERPLOTS

Langkah-langkahnya sebagai berikut:

Masukkan data ke SPSS


Pada kotak dialog Linear Regression, masukkan variabel Y ke kotak

Dependent, kemudian masukkan variabel X1 dan X2 ke kotak

Independents

Klik tombol Plots, maka akan terbuka kotak dialog Linear Regression:

Plots


29/48

Klik *SRESID (Studentized Residual) lalu masukkan ke kotak Y dengan

klik tanda penunjuk. Kemudian klik *ZPRED (Standardized Predicted

Value) lalu masukkan ke kotak X

Klik tombol Continue

Klik tombol OK

Diperoleh hasil output pada grafik Scatterplot sebagai berikut:

Berdasarkan grafik scatterplot di atas menunjukkan bahwa titik-titik menyebar

secara acak serta tersebar secara baik di atas maupun di bawah angka nol pada

sumbu Y, maka dapat disimpulkan bahwa dalam model regresi antar variabel

bebas tidak terjadi heteroskedastisitas.

UJI HETEROSKEDASTISITAS DENGAN UJI GLEJSER

Uji heteroskedastisitas dilakukan dengan metode pengujian Glejser. Langkah-

langkahnya sebagai berikut:

Input data ke SPSS



30/48

Masukkan Y ke dalam kotak Dependentdan X1 dan X2 ke dalam kotak

Independent

Klik Savecentang Unstandardizedpada Residuals.

Klik Continue

Klik OK

Selanjutnya pada data SPSS akan muncul kolom RES_1 ini merupakan

residual regresi

Kemudian absolutkan nilai residual tersebut dengan cara klik menu

Transform

pilih Compute Variable

pada kolom target variableketikkan ABS_RES_1, kemudian pada kotak Numeric Expression

ketikkan ABS(RES_1), Klik OK. Sehingga muncul kolom ABS_RES_1


31/48

Setelah variabel RES_1 diabsolutkan maka langkah selanjutnya adalah

klik Analyze Regression Linear, Masukkan variabel ABS_RES_1

ke kotak Dependent, masukkan variabel X1 dan X2 kotak

Independents, klik Save dan hilangkan centang Unstandardized padakolom Residualsklik continue

Klik OK


Coefficientsa

Model


Standardized

Coefficients



32/48

1 (Constant) 8.759 6.585 1.330 .190

X1 .011 .084 .019 .131 .896

X2 -.078 .079 -.145 -.986 .329

a. Dependent Variable: ABS_RES1

Ketentuan:

1. Tidak terjadi heteroskedastisitas jika nilai sig > 0.05

2. Terjadi heteroskedastisitas jika nilai sig < 0.05

ANALISIS

Berdasarkan tabel coefficients pada output, diperoleh nilai:

Sig X1 = 0,896 > 0,05

Sig X2 = 0,329 > 0,05

Karena Sig X1 dan Sig X2 lebih dari 0,05, sehingga dapat disimpulkan bahwa

pada data ini tidak terjadi heteroskedastisitas.

KESIMPULAN

Berdasarkan langkah-langkah uji heteroskedastisitas yang telah dilakukan dengan

mengamati grafik scatterplots dan uji Glejser menunjukkan bahwa data tidak

mengalami heteroskedastisitas.

2.4. UJI AUTOKORELASI

Ada beberapa cara mendeteksi autokorelasi, diantaranya:

Uji Durbin-Watson

Statistic Q: Box Pierce dan Ljung Box

Uji Breusch-Godfrey (Uji BG) atau ujiLagrange-Multiplier(uji LM)

Uji Run Test

Namun dalam hal ini, penulis hanya menggunakan Uji Run Test.


33/48

UJI AUTOKORELASI DENGAN RUN TEST

Langkah-langkah pengujiannya sebagai berikut:

Masukkan data ke SPSS



Independent

Klik Savecentang Unstandardizedpada Residuals

Klik Continue

Klik OK Selanjutnya pada data SPSS akan muncul kolom RES_1 ini merupakan

residual regresi

Klik AnalyzeNonparametric TestRuns

Masukkan RES_1 ke kolom Test Variable List

Klik OK


Runs Test

Unstandardized

Residual

Test Valuea -.63915

Cases < Test Value 24

Cases >= Test Value 24

Total Cases 48

Number of Runs 26

Z .146

Asymp. Sig. (2-tailed) .884

a. Median

Ketentuan:

Jika Asymp. Sig. signifikansinya > 0.05 maka tidak terdapat masalah

autokorelasi pada data yang diuji.


34/48

Jika Asymp. Sig. signifikansinya < 0.05 maka terdapat masalah

autokorelasi pada data yang diuji.

ANALISIS

Berdasarkan tabel Runs Test pada output, nilai Asymp. Sig. = 0.884 > 0.05.

Artinya, tidak terdapat masalah autokorelasi pada data yang diuji.

KESIMPULAN:

Berdasarkan langkah-langkah uji autokorelasi menggunakan Uji Run Test

disimpulkan tidak ada masalah autokorelasi pada data tersebut. Jadi dapat

disimpulkan bahwa tidak terjadi masalah autokorelasi pada data yang diuji.

3. UJI KORELASI

3.1. UJI KORELASI PRODUCT MOMENT

(Menghitung Korelasi Product Moment dapat dilakukan dengan Simpangan,

dengan Angka Kasar, dan dengan SPSS).

Sebuah Pabrik Penggilingan Padi ingin diketahui kemampuan mesin produksinya.Data diamati dalam setiap jam untuk jangka waktu 20 hari. Data pengamatan

disajikan sebagai berikut:

Hari Waktu (Jam) Hasil (Ton)

1 2 10

2 4 15

3 6 18

4 8 20

5 10 30

6 2 9

7 4 16

8 6 19

9 8 21.5

10 10 29.75

11 2 10.5

12 4 14

13 6 18

14 8 21

15 10 31.5


35/48

16 2 11

17 4 13

18 8 22

19 10 29.5

20 2 10.5

Menghitung Korelasi Product Moment dengan Simpangan

Rumus ini memerlukan suatu perhitungan rata-rata dari masing-masing kelompok,

yang selanjutnya perlu perhitungan selisih masing-masing skor dengan rata-

ratanya, serta kuadrat simpangan skor dengan rata-ratanya, maupun hasil kali

simpangan masing-masing kelompok.

Langkah-langkah untuk menyelesaikan Rumus Korelasi Product Moment dengan

Simpangan adalah:

Jika Waktu Penggilingan merupakan variabel X, maka Hasil Produksi

merupakan variabel Y.

Buatlah tabel penolong yang mengandung unsur-unsur atau faktor-faktor

yang diperlukan dalam perhitungan korelasi sesuai dengan kebutuhan tabel

Korelasi Product Moment dengan Simpangan.

Menjumlahkan subyek penelitian

Menjumlahkan skor X dan skor Y

Menghitung Mean variabel X dengan rumus: dan hasilnyamenjadi 116/20 = 5,8

Menghitung Mean variabel Y dengan rumus: dan hasilnyamenjadi 369,25/20 = 18,4625

Menghitung deviasi masing-masing skor X dengan rumus: Xbaris ke 1, kolom ke 4 kita isi menjadi, contohnya: x = 8-5,8 = 2,2, dan

seterusnya.

Menghitung deviasi masing-masing skor Y dengan rumus: Ybaris ke 1, kolom ke 5 kita isi menjadi, contohnya: y = 30 - 18,4625 =

11,5375, dan seterusnya.

Mengalikan deviasi X dengan Y.


36/48

Menguadratkan seluruh deviasi X dan menjumlahkannya

Menguadratkan seluruh deviasi Y dan menjumlahkannya Menyelesaikan rumus Korelasi Product Moment dengan Simpangan,

yaitu:

Hari X Y X y xy x^2 y^2

1 2 10 -3.8 -8.4625 32.1575 14.44 71.6139

2 4 15 -1.8 -3.4625 6.2325 3.24 11.9889

3 6 18 0.2 -0.4625 -0.0925 0.04 0.21391

4 8 20 2.2 1.5375 3.3825 4.84 2.363915 10 30 4.2 11.5375 48.4575 17.64 133.114

6 2 9 -3.8 -9.4625 35.9575 14.44 89.5389

7 4 16 -1.8 -2.4625 4.4325 3.24 6.06391

8 6 19 0.2 0.5375 0.1075 0.04 0.28891

9 8 21.5 2.2 3.0375 6.6825 4.84 9.22641

10 10 29.75 4.2 11.2875 47.4075 17.64 127.408

11 2 10.5 -3.8 -7.9625 30.2575 14.44 63.4014

12 4 14 -1.8 -4.4625 8.0325 3.24 19.9139

13 6 18 0.2 -0.4625 -0.0925 0.04 0.2139114 8 21 2.2 2.5375 5.5825 4.84 6.43891

15 10 31.5 4.2 13.0375 54.7575 17.64 169.976

16 2 11 -3.8 -7.4625 28.3575 14.44 55.6889

17 4 13 -1.8 -5.4625 9.8325 3.24 29.8389

18 8 22 2.2 3.5375 7.7825 4.84 12.5139

19 10 29.5 4.2 11.0375 46.3575 17.64 121.826

20 2 10.5 -3.8 -7.9625 30.2575 14.44 63.4014

Jml 116 369.25 0 0 405.85 175.2 995.034

Mean(X): 5.8

Mean(Y): 18.4625

Dari tabel di atas diperoleh:

Jadi


37/48

(

)(

)

()()

Menghitung Korelasi Product Moment dengan Angka Kasar


angka kasar adalah:

Buatlah tabel penolong yang mengandung unsur-unsur atau faktor-faktor

yang diperlukan dalam perhitungan korelasi sesuai dengan kebutuhan

tabel Korelasi Product Moment dengan angka kasar

Menjumlahkan subyek penelitian

Menjumlahkan variabel X dan variabel Y

Mengalikan antara variabel X dan variabel Y

Mengkuadratkan variabel X dan menjumlahkannya

Mengkuadratkan variabel Y dan menjumlahkannya

Menyelesaikan rumus Korelasi Product Moment dengan angka kasar

untuk mencari koefisien korelasinya, yaitu:

Hari X Y XY X^2 Y^2

1 2 10 20 4 100

2 4 15 60 16 225

3 6 18 108 36 324

4 8 20 160 64 400

5 10 30 300 100 900

6 2 9 18 4 81

7 4 16 64 16 256

8 6 19 114 36 361

9 8 21.5 172 64 462.25

10 10 29.75 297.5 100 885.063

11 2 10.5 21 4 110.25

12 4 14 56 16 196

13 6 18 108 36 324

14 8 21 168 64 441

15 10 31.5 315 100 992.25

16 2 11 22 4 121


38/48

17 4 13 52 16 169

18 8 22 176 64 484

19 10 29.5 295 100 870.25

20 2 10.5 21 4 110.25

Jml 116 369.25 2547.5 848 7812.31

Dari tabel di atas, diperoleh:

Dengan demikian, maka hasil perhitungan Korelasi Product Moment dengan

Angka Kasar sebagai berikut:

()()( ())( ()) ()()()()( ())(())

Menghitung Korelasi Product Moment dengan SPSS


SPSS adalah:

Input data tersebut ke SPSS

Klik Analyze Correlate Bivariate Masukkan variabel waktu dan

hasil ke dalam VariabelsCentang Pearson

Klik OK.


Correlations


39/48

X Y

X Pearson Correlation 1 .972**

Sig. (2-tailed) .000

N 20 20

Y Pearson Correlation .972** 1

Sig. (2-tailed) .000

N 20 20

**. Correlation is significant at the 0.01 level (2-

tailed).

Dari perhitungan di atas diperoleh sebesar 0,972, ini menunjukkan terdapathubungan searah dan sebesar 0,972 berada di antara 0,8000 s/d 1,000, makakorelasi antara variabel X dan variabel Y tergolong sangat tinggi atau sangat kuat.

Uji Keberartian Analisis Korelasi

1. Menentukan hipotesis

Hipotesis yang digunakan dalam menganalisis koefisien korelasi adalah:

(Tidak ada hubungan antara waktu penggilingan dengan hasilproduksi)

(Ada hubungan antara waktu penggilingan dengan hasil produksi)2. Menentukan taraf signifikansi

Taraf signifikansi yang digunakan adalah 3. Kriteria

Jika , maka ditolak atau terima Jika , maka diterima atau tolak

4. Menghitung statistik uji

Statistik uji yang digunakan adalah:

dengan nilai koefisien korelasi diperoleh nilai , yaitu:


40/48

()

()

5. Analisis Interpretasi Kesimpulan

Dengan , dk (n-2) = 18, maka dari tabel distribusi t diperoleh . Karena ()(), maka ditolak atau terima . Artinya ada hubungan yang berarti (signifikan) antarawaktu penggilingan dengan hasil produksi.

Interpretasi dengan Menggunakan Tabel Nilai R Product Moment

Jika dikonsultasikan dengan tabel angka kritik r Product Moment pada = 0,05

dan N = 20 diperoleh sebesar 0,444. Dengan demikian () Hal ini berarti terdapat hubungan positif yang berarti(signifikan) antara variabel X (waktu penggilingan) dengan variabel Y (hasil

produksi).

Selanjutnya melihat tingkat keberartian hubungan kedua variabel tersebut

diperoleh dengan perhitungan uji t sebagai berikut:

Untuk melihat besarnya kontribusi variabel X terhadap variabel Y dapat

digunakan rumus sebagai berikut:

diperoleh nilai r adalah sebesar 0,972 sehingga besarnya kontribusi variabel X

terhadap variabel Y adalah:

() Berdasarkan hasil perhitungan nilai Koefisien Determinasi, diperoleh nilai

kontribusi variabel X terhadap variabel Y adalah sebesar 94,5%. Nilai 94,5%

menunjukkan bahwa waktu penggilingan memberikan nilai kontribusi besar yaitu

sebesar 94,5% terhadap hasil produksi, dan sisa sebesar 5,5% menunjukkan

bahwa ada variabel lain yang mempengaruhi variabel Y (hasil produksi).


41/48

KESIMPULAN:

Berdasarkan analisis korelasi Product Moment di atas, dapat disimpulkan bahwa

ada hubungan yang berarti (signifikan) antara variabel X (waktu penggilingan)

dengan variabel Y (hasil produksi) dengan hubungan yang sangat kuat dan arah

hubungan positif (searah).

3.2. UJI KORELASI KENDALL

Seorang peneliti ingin mengetahui hubungan antara kepribadian dan kemampuan

manajemen seseorang untuk memimpin organisasi. Data diambil dari 20

responden dan disusun berdasarkan peringkat untuk masing-masing pengamatan

sebagai berikut:

No

Responden Kepribadian

Kemampuan

Manajemen

1 1 2

2 10 8

3 2 13

4 11 20

5 9 9

6 3 14

7 20 1

8 16 19

9 8 10

10 19 18

11 17 3

12 15 15

13 6 7

14 14 11

15 7 17

16 5 4

17 18 16

18 13 6

19 12 12

20 4 5


42/48

Model yang digunakan dalam analisis korelasi Kendall sekaligus digunakan

sebagai statistik uji. Model itu dinyatakan sbagai berikut:

( )

Keterangan:

= Koefisien korelasi Kendall (besarnya antara -1 s/d 1)S = Selisih jumlah rank X dan Y

n = Banyaknya sampel

Hipotesis:

Hipotesis yang digunakan dalam menganalisis koefisien korelasi Kendall adalah:

(X dan Y saling bebas atau independen) (X dan Y tidak saling bebas)Kriteria penolakan :

Tolak jika Terima jika

Analisis secara Manual:

Konsep dasar: pembuatan ranking dari pengamatan terhadap objek dengan

pengamatan yang berbeda Untuk mengetahui kesesuaian terhadap urutan

objek yang diamati.

Bila diberikan urutan (ranking) pasangan data ( )sehingga kedua variabeltersebut dapat berpasangan.

Data di atas diurutkan berdasarkan rangking X

No XRangking

XY

Rangking

Y

Jml >

y

Jml

Tugas Akhir Analisis Regresi Terapan

Documents

Transcript of Tugas Akhir Analisis Regresi Terapan