HARTARTO AKHMADNIM. O11113009Pend. Dokter hewan/ Fakultas Kedokteran [email protected]
REGRESI DAN KORELASI
A. Judul Penelitian: Korelasi Tinggi Badan dan Berat Badan Siswa Kelas XII IPA PLUS di SMA Neg. 1 Bantaeng.B. Tujuan Penelitian: untuk mengetahui korelasi antara tinggi badan dan berat badan pada siswa kelas XII IPA PLUS di SMA Neg. 1 BantaengC. Metode Penelitian: Model Regresi dan Korelasi
1. Regresi Y = a+bx
Keterangan :a : Konstantab: adalah dari rumus brikutb =
2. Korelasir =
= Jumlah Umur dari ayam = Jumlah Berat Badan ayamn= Jumlah data (10)D. Desain Penelitian: 1. Variabel Bebas (Dependent)Variabel bebas adalah tinggi badan.
2. Variabel Terikat (Independent)Variabel terikat adalah sampel berat badan dari 10 siswa laki-laki kelas XII IPA PLUS di SMA Neg. 1 Bantaeng.
E. Analisis DataAdapun hasil penelitian yang diperoleh disajikan pada tabel berikut:NOTinggi Badan ( cm ) XBerat Badan ( KG ) Y
116863
217381
316254
415749
516052
616562
716356
817078
916864
1016461
NOXiYiXiYiXi.Yi
11686328224396910584
21738129929656114013
3162542624429168748
4157492464924017693
5160522560027048320
61656227225384410230
7163562656931369128
81707828900608413260
91686428224409610752
101646126896372110004
Jumlah165062027246039432102732
3. Mencari Nilai = a + b
Jika, b =
b = b = b = b = 2,0571 dan untuk nilai a a = + b
a = (62) + (2,0571)(165) a = (62) + (339,421)a = 401,421Sehingga, Nilai adalah sebagai berukit := a + b xn
1. 1 = a + b x1 1 = (401,421) + (2,0571) (168) 1 = 747,0138
1. 2 = a + b x2 2 = (401,421) + (2,0571) (173) 2 = 757,29931. 3 = a + b x3 3 = (401,421) + (2,0571) (162) 3 = 734,67121. 4 = a + b x4 4 = (401,421) + (2,0571) (157) 4 = 724,38571. 5 = a + b x5 5 = (401,421) + (2,0571) (160) 5 = 730,5571. 6 = a + b x6 6 = (401,421) + (2,0571) (165) 6 = 740,84251. 7 = a + b x7 7 = (401,421) + (2,0571) (163) 7 = 736,7281. 8 = a + b x8 8 = (401,421) + (2,0571) (170) 8 = 751,1281. 9 = a + b x9 9 = (401,421) + (2,0571) (168) 9 = 747,0131. 10 = a + b x10 10 = (401,421) + (2,0571) (164) 10 = 738,785Sehingga table lengkap dari hasil penelitian lengkap disajikan di bawah ini,NoBerat Badan, Kg(Y)Tinggi Badan, cm(X)XY Y
X
Y-
16316810584396928224747,0138-684,0138
28117314013656129929757,2993-676,2993
3541628748291626244734,6712-680,6712
4491577693240124649724,3857-675,3857
5521608320270425600730,557-678,557
66216510230384427225740,8425-678,8425
7561639128313626569736,728-680,728
87817013260608428900751,128-673,128
96416810752409628224747,013-683,013
106116410004372126896738,785-677,785
6201650102732394322724607408,4235-6788,4235
4. Mencari nilai Korelasi
5. Grafik Regresi dan KorelasiDari hasil yang telah didapatkan maka, grafik regresi dan korelasinya adalah sebagai berikut.F. PembahasanBerdasarkan perhitungan diatas, diperoleh data bahwa semakin besar nilai tinggi badan seorang siswa maka berat badan juga semakin meningkat. pada siswa pertama yang memiliki tinggi badan 168 cm maka berat badannya adalah 63 kg. siswa kedua memiliki tinggi badan 173 dan berat badannya 81 kg. siswa ke-5 memiliki tinggi badan 160 cm dan berat badannya 52 kg, sedangkan pada siswa ke-10 memiliki tinggi badan 164 cm dan berat badan 61 kg, begitupun seterusnya. Dari tabel juga dapat dilihat bahwa tinggi badan yang paling rendah adalah siswa ke-4 yaitu 157 cm dengan berat badan 49 kg, sedangkan tinggi badan yang paling besar adalah siswa ke-2 yaitu 173 cm dengan berat badannya 81 kg. dari ke-10 sampel siswa laki-laki, rata-rata tinggi badan adalah 165 kg sedangkan rata-rata berat badan dari ke-10 siswa laki-laki adalah 62 kg.
G. Analisis SPSSREGRESSION/DESCRIPTIVESMEANSTDDEVCORRSIGN/MISSINGLISTWISE/STATISTICSCOEFFOUTSRANOVACHANGEZPP/CRITERIA=PIN(.05)POUT(.10)/NOORIGIN/DEPENDENTTinggiBadan/METHOD=ENTERBeratBadan.
Regression
Notes
Output Created14-Dec-2014 00:41:32
Comments
InputActive DatasetDataSet0
Filter
Weight
Split File
N of Rows in Working Data File13
Missing Value HandlingDefinition of MissingUser-defined missing values are treated as missing.
Cases UsedStatistics are based on cases with no missing values for any variable used.
SyntaxREGRESSION/DESCRIPTIVES MEAN STDDEV CORR SIG N/MISSING LISTWISE/STATISTICS COEFF OUTS R ANOVA CHANGE ZPP/CRITERIA=PIN(.05) POUT(.10)/NOORIGIN/DEPENDENT TinggiBadan/METHOD=ENTER BeratBadan.
ResourcesProcessor Time00:00:00.062
Elapsed Time00:00:00.324
Memory Required1348 bytes
Additional Memory Required for Residual Plots0 bytes
[DataSet0]
Descriptive Statistics
MeanStd. DeviationN
TinggiBadan1.6500E24.8304610
BeratBadan62.000010.4986810
Correlations
TinggiBadanBeratBadan
Pearson CorrelationTinggiBadan1.000.946
BeratBadan.9461.000
Sig. (1-tailed)TinggiBadan..000
BeratBadan.000.
NTinggiBadan1010
BeratBadan1010
Variables Entered/Removedb
ModelVariables EnteredVariables RemovedMethod
1BeratBadana.Enter
a. All requested variables entered.
b. Dependent Variable: TinggiBadan
Model Summary
ModelRR SquareAdjusted R SquareStd. Error of the EstimateChange Statistics
R Square ChangeF Changedf1df2Sig. F Change
1.946a.896.8831.65344.89668.81418.000
a. Predictors: (Constant), BeratBadan
ANOVAb
ModelSum of SquaresdfMean SquareFSig.
1Regression188.1291188.12968.814.000a
Residual21.87182.734
Total210.0009
a. Predictors: (Constant), BeratBadan
b. Dependent Variable: TinggiBadan
Coefficientsa
ModelUnstandardized CoefficientsStandardized CoefficientstSig.Correlations
BStd. ErrorBetaZero-orderPartialPart
1(Constant)138.0003.29741.862.000
BeratBadan.435.052.9468.295.000.946.946.946
a. Dependent Variable: TinggiBadan
CurveEstimation.TSETNEWVAR=NONE.CURVEFIT/VARIABLES=TinggiBadanWITHBeratBadan/CONSTANT/MODEL=LINEAR/PLOTFIT.
CurveFit
Notes
Output Created14-Dec-2014 00:42:19
Comments
InputActive DatasetDataSet0
Filter
Weight
Split File
N of Rows in Working Data File13
Missing Value HandlingDefinition of MissingUser-defined missing values are treated as missing.
Cases UsedCases with a missing value in any variable are not used in the analysis.
SyntaxCURVEFIT/VARIABLES=TinggiBadan WITH BeratBadan/CONSTANT/MODEL=LINEAR/PLOT FIT.
ResourcesProcessor Time00:00:01.156
Elapsed Time00:00:02.405
UseFromFirst observation
ToLast observation
PredictFromFirst Observation following the use period
ToLast observation
Time Series Settings (TSET)Amount of OutputPRINT = DEFAULT
Saving New VariablesNEWVAR = NONE
Maximum Number of Lags in Autocorrelation or Partial Autocorrelation PlotsMXAUTO = 16
Maximum Number of Lags Per Cross-Correlation PlotsMXCROSS = 7
Maximum Number of New Variables Generated Per ProcedureMXNEWVAR = 60
Maximum Number of New Cases Per ProcedureMXPREDICT = 1000
Treatment of User-Missing ValuesMISSING = EXCLUDE
Confidence Interval Percentage ValueCIN = 95
Tolerance for Entering Variables in Regression EquationsMaximum Iterative Parameter ChangeTOLER = .0001CNVERGE = .001
Method of Calculating Std. Errors for AutocorrelationsACFSE = IND
Length of Seasonal PeriodUnspecified
Variable Whose Values Label Observations in PlotsUnspecified
Equations IncludeCONSTANT
[DataSet0]
Model Description
Model NameMOD_1
Dependent Variable1TinggiBadan
Equation1Linear
Independent VariableBeratBadan
ConstantIncluded
Variable Whose Values Label Observations in PlotsUnspecified
Case Processing Summary
N
Total Cases13
Excluded Casesa3
Forecasted Cases0
Newly Created Cases0
a. Cases with a missing value in any variable are excluded from the analysis.
Variable Processing Summary
Variables
DependentIndependent
TinggiBadanBeratBadan
Number of Positive Values1010
Number of Zeros00
Number of Negative Values00
Number of Missing ValuesUser-Missing00
System-Missing33
Model Summary and Parameter Estimates
Dependent Variable:TinggiBadan
EquationModel SummaryParameter Estimates
R SquareFdf1df2Sig.Constantb1
Linear.89668.81418.000138.000.435
The independent variable is BeratBadan.
H. KesimpulanBerdasarkan hasil penelitian diatas, maka dapat disimpulkan bahwa tinggi badan memiliki berpengaruh signifikan terhadap berat badan sampel siswa laki-laki kelas XII IPA PLUS di SMA Neg. 1 Bantaeng.
Top Related