35-39.doc
TRANSCRIPT
PENGANTAR STATISTIK PARAMETRIK
PENGANTAR STATISTIK PARAMETRIK
UNTUK PENELITIAN PENDIDIKAN
(Analisis Regresi, Korelasi, dan Analisis Varians)Disusun oleh:
Prof. Dr. I Wayan Koyan, M.Pd.
I. PendahuluanStatistik inferensial atau statistik induktif ada dua macam, yaitu: (a) statistik parametrik, yang digunakan untuk menganalisis data interval dan rasio, yang diambil dari populasi yang berdistribusi normal; dan (b) statistik non parametrik, yang digunakan untuk menganalisis data nominal dan ordinal, yang diambil dari populasi yang bebas disribusi (tidak harus normal). Dalam hal ini, teknik korelasi, analisis regresi dan analisis varians berperan sebagai statistik parametrik. Mengenai macam-macam statistik, dapat diperiksa bagan berikut.
Bagan 01. Macam-macam Statistik
Statistik Inferensial/induktif, digunakan untuk melakukan: (a) generalisasi, dari sampel ke populasi, (b) uji hipotesis (membandingkan atau uji perbedaan/kesamaan, dan menghubungkan, yaitu uji keterkaitan, kontribusi)
Untuk memprediksi, digunakan teknik: (a) regresi linier (hubungan fungsional), (b) regresi kurvilinier, kuadratik, logaritmik hiperbolik, dll), (c) korelasi, keterkaitan, hubungan timbal balik, yaitu derajat hubungan (koefisien korelasi) dan kadar sumbangan (koefisien determinasi). Dalam kajian ini, analisis regresi dibatasi pada analisis regresi linier.II. Menguji Perbedaan Rerata antar Dua Kelompok atau LebihA. Pengujian Hipotesis Komparatif Dua Sampel (berkorelasi dan independent) dengan Statistik Parametrik
1. Uji Perbedaan Mean (Uji t / Students Dua Pihak/Dua Ekor) untuk sampel
BerkorelasiContoh Hipotesis Penelitian: H0: Tidak terdapat perbedaan produktivitas kerja pegawai antara sebelum dan sesudah mendapat kendaraan dinas
Ha: Terdapat perbedaan produktivitas kerja pegawai antara sebelum dan sesudah mendapat kendaraan dinas.
Hipotesis Statistik:
H0: 1 = 2
H1 : 1 2Aturan keputusan: Jika haga t hitung t tabel, maka H0 ditolak dan H1 diterima
Jika harga t hitung < ttabel, maka H0 diterima dan H1 ditolak.t-test (Students), dengan rumus:
Keterangan:
1 = Rata-rata sampel 1
= Rata-rata sampel 2
S1 = simpangan baku sampel 1
S2 = simpangan baku sampel 2
S12 = varians sampel 1
S22 = varians sampel 2
r = korelasi antara dua sampel
Tabel 01. Nilai Produktivitas Kerja 25 Karyawan Dinas Pendidikan Sebelum dan Sesudah Diberi Kendaraan Dinas
No. RespondenProduktivitas Kerja
Sebelum (X)Sesudah (Y)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
2575
80
65
70
75
80
65
80
90
75
60
70
75
70
80
65
75
70
80
65
75
80
70
90
7085
90
75
75
75
90
70
85
95
70
65
75
85
65
95
65
80
80
90
60
75
85
80
95
75
Rata-rata = 74,00 = 79,20
SDS1 = 7,50S2 = 10,17
VariansS12 = 56,25S22 = 103,50
Korelasi : rxy =
rxy = 0,863
Tabel 02. Nilai Produktivitas Kerja 25 Karyawan Dinas Pendidikan Sebelum dan Sesudah Diberi Kendaraan Dinas (N=25)
No. subyekXY
X2Y2XY
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
2575
80
65
70
75
80
65
80
90
75
60
70
75
70
80
65
75
70
80
65
75
80
70
90
7085
90
75
75
75
90
70
85
95
70
65
75
85
65
95
65
80
80
90
60
75
85
80
95
75(hitung)(hitung)(hitung)
Jumlah ()18501980138250159300148100
Korelasi : rxy =
Korelasi : rxy =
Masukan ke dalam rumus di atas, menjadi:
= - 4,90
Harga t hitung, dibandingkan dengan harga t pada table dengan db = n1 + n2 2 = 50-2 = 48. Harga t table untuk db 48 dan dengan taraf signifikansi 5% ( = 0,05) adalah 2,015. Dengan demikian, harga t hitung lebih besar daripada harga t table, sehingga H0 ditolak dan H1 diterima. Ini berarti, terdapat perbedaan yang signifikan produktivitas kerja antara karyawan dinas pendidikan sebelum diberi kendaraan dinas dan sesudah diberi kendaraan dinas. Dari nilai rerata hitung diketahui bahwa rerata produktivitas kerja sesudah diberi kendaraan dinas lebih besar daripada sebelum diberi kendaraan dinas ( = 74,00 < = 79,20). Kesimpulan: pemberian kendaraan dinas berpengaruh terhadap peningkatan produktivitas kerja karyawan.
2. Uji Perbedaan Mean (Uji t / Students Dua Pihak/Dua Ekor) untuk sampel
IndependenRumus: ( rumus (separated varians)
atau
( rumus (polled varians)1) Jika n1 = n2 dan varians homogen, dapat digunakan salah satu rumus
tsb di atas; dengan db = n1 + n2 2 2) Jika n1 n2 dan varians homogen, digunakan rumus polled varians; dengan db = n1 + n2 2
3) Jika n1 = n2 dan tidak homogen, dapat digunakan salah satu rumus di atas; dengan db = n1 1 atau n2 1 (bukan n1 + n2 2).
4) Jika n1 n2 dan tidak homogen, digunakan rumus separated varians, harga t pengganti t table dihitung selisih dari harga t table; dengan db = (n1 1) dan db = (n2 1), dibagi dua, kemudian ditambah dengan dengan harga t yang terkecil.
Contoh: n1 = 25; berarti db 24, maka harga t table = 2,797; n2 = 13, db = 12; harga t table = 3,005 ( untuk ts 1%). Jadi harga t table yang digunakan adalah 3,055 2,797 = 0,258. Kemudian, harga ini ditambah dengan harga t terkecil; jadi 0,258 + 2,797 = 3,055 ( harga t ini sebagai pengganti t table.
Contoh: Untuk mengetahui kecepatan memasuki dunia kerja antara lulusan SMU dan SMK; responden 22 orang lulusan SMU dan 18 lulusan SMK, datanya seperti table berikut.
Tabel 03. Data Lama Menunggu Lulusan SMU dan SMK
Untuk Mendapatkan Pekerjaan
No. resp.Lama menunggu SMU
dalam TahunLama menunggu SMK
dalam Tahun
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
226
3
5
2
5
1
2
3
1
3
2
4
3
4
2
3
1
5
1
3
1
42
1
3
1
3
2
2
1
3
1
1
1
3
2
1
2
2
1
-
-
-
-
n1 = 22,00
= 2,91s1 = 1,51
s12 = 2,28
n2 = 18,00
= 1,78s2 = 0,81
s22 = 0,65
Uji homogenitas varians (dengan uji F)Rumus uji F =
F = = 3,508; lihat table F dengan db pembilang = 22-1 dan db penyebut 18-1. Dengan ts. 5%, ternyata harga F table = 2,22 (harga antara pembilang 20 dan 24). Dengan demikian, harga F hitung = 3,508 > dari F table = 2,22); ini berarti H0 ditolak dan H1 diterima; jadi varians tidak homogen.
Setelah diuji dengan Uji F (Uji Fisher), variansnya tidak homogen, maka digunakan rumus separated varians.Hipotesis Penelitian:
H0: Tidak terdapat perbedaan lama menunggu untuk mendapatkan pekerjaan antara lulusan SMU dan SMK
H1: Terdapat perbedaan lama menunggu untuk mendapatkan pekerjaan antara lulusan SMU dan SMK
Hipotesis statistik:
H0: 1 = 2
H1: 1 2Rumus: ( = 3,020
Kemudian, t table dihitung dari selisih harga t table dengan db = n1 1 dan db = n2 1 dibagi dua, dan kemudian ditambahkan dengan harga t terkecil seperti berikut.
n1 = 22; db = 21; maka t table = 2,08 ( = 5%)
n2 = 18; db = 17; maka t table = 2,11
Selisihnya dibagi dua, yaitu: (2,11 2,08 ) : 2 = 0,015; kemudian ditambah dengan harga t table terkecil, yaitu 2,08, sehingga menjadi: 2,08 + 0,015 = 2,095. Ternyata t hitung = 3,020 > 2,095, sehingga H0 ditolak dan H1 diterima.
Kesimpulan: terdapat perbedaan secara signifikan masa menunggu untuk mendapatkan pekerjaan antara lulusan SMK dan SMU. Dilihat dari nilai rata-rata, ternyata lulusan SMK cenderung lebih cepat memperoleh pekerjaan.
B. Analisis Varians (Uji F / Fisher) = ANAVA (ANOVA)
1. Analisis Varian Satu Jalur (ANAVA klasifikasi tunggal = ANAVA A)
2. Analisis Varians K jalur (ANAVA klasifikasi jamak = ANAVA AB, ABC dst)
1. Analisis Varian Satu Jalur (ANAVA klasifikasi tunggal = ANAVA A)
Langkah-langkah pengujian hipotesis dengan anava satu jalur.
1) Menghitung Jumlah Kuadrad Total (JKtot):
JKtot= Xtot2
2) Menghitung Jumlah Kuadrad Antar Kelompok (JKantar):
JKantar =
EMBED Equation.3 3) Menghitunng Jumlah Kuadrad Dalam Kelompok (JKdal):
JKdal = JKtot JKantar4) Menghitung Rerata Jumlah Kuadrad Antar Kelompok (RJKantar):
RJKantar = JKantar ( a = banyaknya kelompok
a-1
5) Menghitung Rerata Jumlah Kuadrad Dalam Kelompok (RJKdal)
RJKdal = JKdal ( N = jumlah seluruh sampel
N-a
6) Menghitung harga Fhitung dengan rumus:
RJKantar
RJKdal
7) Konsultasikan pada table F dengan db pembilang (a-1) dan db penyebut (N-1)
8) Aturan keputusan : Jika F hitung lebih besar daripada F table pada taraf signifikansi tertentu (Misalnya: ts 5% atau 1%), maka Ha diterima dan H0 ditolak.
9) Membuat kesimpulan, apakah terdapat perbedaan yang signifikan atau tidak.
10) Membuat Tabel Ringkasan Analisis Varians untuk Menguji Hipotesis k Sampel
Tabel 04. Tabel Ringkasan Analisis Varians untuk Menguji
Hipotesis k Sampel
Sumber
VariasiJKdbRJKFhFtabKeputusan
Antar
a-1JKantara-1
RJKantar/
RJKdal
.
dalamJKdal = JKtot JKantar
N-aJKdalN-a
------
Total Xtot2 N-1--------
Jika harga F signifikan, harus dilanjutkan dengan uji pasangan dengan t-Scheffe sebagai berikut.Untuk n1 = n2 : , dimana db t = db dalam
Untuk n1 n2: , dimana db t = db dalamContoh:Seorang peneliti ingin mengetahui pengaruh metode pembelajaran terhadap prestasi belajar IPA pada siswa klas II di kota X. Metode mengajar digolongkan menjadi 4, yaitu : Metode ceramah (A1), Metode Diskusi (A2), Metode Pemberian Tugas (A3), dan Metode campuran (A4).
Hipotesis Penelitian:
H0: Metode mengajar tidak berpengaruh terhadap prestasi belajar IPA
H1: Metode mengajar berpengaruh terhadap prestasi belajar IPA
Hipotesis Statistik:
H0: 1 = 2 = 3 = 4H1 : 1 2 3 4 (salah satu tanda )
Tabel 05. Data Hasil Belajar IPA Siswa SMA Klas II di kota X(A1)(A2)(A3)(A4)
Total
3
2
4
0
45
6
5
7
45
8
7
7
78
9
10
9
8
n1 = 5
X1 = 13
X12 = 45
n2 = 5
X2 = 27
X22 = 151
n3 = 5
X3 = 34
X32 = 236
n4 = 5
X4 = 44
X42 = 390N = 20
Xtot = 118
Xtot2 = 822
1 = 2,62 = 5,43 = 6,84 = 8,8
tot = 5,9
Tabel 06. Statistik Induk SttA1A2A3A4Total
n
555520
X
13273444118
X2
45151236390822
Masukkan ke dalam rumus:JKtot= Xtot2 = 822 = 125,8
JKantar =
=
= -
JKtot= Xtot2 = 822 = 125,8
JKantar =
=
= -
JKdal = JKtot JKantar = 125,8 101,8 = 24
Atau JK dal:
DbA = a-1 = 4-1 = 3
RJKantar = JKantar = 101,8 = 33,93.
a-1 4-1
db dalam = N a = 20-4 = 16
RJKdal = JKdal = 24/16 = 1,5
db.dalFhitung = RJKantar = 33,93 : 1,5 = 22,66 ( lihat table F
RJKdal
Tabel 07. Tabel Ringkasan Analisis Varians untuk Menguji
Hipotesis 4 Sampel
Sumber
VariasiJKdbRJKFhFtabKeputusan
5 %1%
antar A101,8333,9322,623,245,29Signifikan
dalam24161,5--------
Total125,819----------
Uji t Scheffe:t1-2 :( signifikan
t1-3: 5,422 (signifikan
t1-4: -8,004 ( signifikan
t2-3: -1,807 ( non signifikan
t2-4: - 4,389 ( signifikan
t3-4: - 2,582 ( signifikan
Menarik kesimpulan:1. Metode mengajar berpengaruh terhadap hasil belajar siswa
2. Metode mengajar IV lebih berpengaruh terhadap hasil belajar siswa dari pada metode mengajar III, II, dan I3. Metode mengajar III lebih berpengaruh terhadap prestasi belajar siswa daripada metode mengajar II dan I4. Metode mengajar II lebih berpengaruh terhadap prestasi belajar siswa dibandingkan dengan metode mengajar I.2. Analisis Varian Dua Jalur (ANAVA Faktorial 2x2, 2x3, 3x3, dst)Misalnya, seorang peneliti ingin mengetahui pengaruh metode pembelajaran dan tipe kepemimpinan terhadap prestasi belajar matematika pada siswa SMA kls II di kota XVariabel bebas:
1). Metode Pembelajaran, terdiri atas dua faktor:
A1 = metode inovatif
A2 = metode konvensional
2) Tipe kepemimpinan, terdiri atas dua faktor:
B1 = Kepemimpinan otoriter
B2 = Kepemimpinan demokratis
3) Variabel terikat: Prestasi belajar matematika (Y)
Hipotesis Penelitian:
H0: (1) Tidak terdapat perbedaan prestasi belajar matematika antara siswa yang mengikuti pembelajaran dengan metode inovatif dan konvensional.
(2) Tidak terdapat perbedaan prestasi belajar matematika antara siswa yang
mengikuti pembelajaran dengan kepemimpinan otoriter dan demokratis
(3) Tidak terdapat pengaruh interaksi antara metode pembelajaran dan tipe
kepemimpinan terhadap prestasi belajar matematika.
H1: (1) Terdapat perbedaan prestasi belajar matematika antara siswa yang
mengikuti pembelajaran dengan metode inovatif dan konvensional.
(2) Terdapat perbedaan prestasi belajar matematika antara siswa yang
mengikuti pembelajaran dengan kepemimpinan otoriter dan demokratis
(3) Terdapat pengaruh interaksi antara metode pembelajaran dan tipe
kepemimpinan terhadap prestasi belajar matematika.
.Hipotesis Statistik:
H0: (1) 1 = 2
(2) 1 = 2 (3) Inter AB = 0
H1: (1) 1 2
(2) 1 2
(3) Inter AB 0
Tabel 08.Rancangan Anava 2 Jalur (Faktorial 2x2)
Metode Pembel (A)
Kepemimpinan (B)A1
(Pembel. inovatif)A2
(pembel. konvensional)
Kepemimp. Otoriter
(B1) A1 B1A2 B1
Kepemimp. Demokratis(B2)A1 B2A2 B2
Tabel 09. Data Hasil Penelitian
A1A2
B1 B2 B1 B2
XXXX
2,5
3,0
2,0
2,0
1,53,5
4,0
3,0
3,5
2,53,5
3,0
2,5
2,0
2,54,0
3,0
2,5
2,5
2,5
Tabel 09. Tabel Statistik Induk
StatA1A2TotalA1A2B1B2
B1B2B1B2
n55552010101010
X1116.513.514.555.527.52824.531
X225.555.7537.543.75162.581.2581.256399.5
2.23.32.72.92.2752.752.82.453.1
Perhitungan:
a. JKtot= Xtot2 = 162.5 (55.5)2 /20 = 162.5 154.0125 = 8,4875b. JKantar A =
= = (27.5)2/10 + 282/10 154.0125 = 0.0125c. JK antarB =
= (24.5)2/10 + 312/10 154.0125 = 2.1125
d. JKinter AB = =112/5 + (16.5)2/5 + (13.5)2/5 +
(14.5)2/5 0.0125 2.1125 = 157.15 154.0125 - 0.0125 2.1125 = 1.0125e. JK dal = JKtot JKantarA JKantarB JKinterAB = 8,4875 - 0.0125 - 2.1125 - 1.0125 = 5.35 db A = a-1 = 2-1 = 1db B = b-1 = 2-1 = 1db inter AB = db A x db B = 1 x 1 = 1db dalam = N a b = 20 2 2 = 16
db total = N 1 = 20 1 = 19RJKA = JKA : dbA = 0.0125/1 = 0.0125RJKB = JKB : dbB = 2.1125/1 = 2.1125 RJKAB = JKAB dbAB = 1.0125/1 = 1.0125 RJKdalam = JKdal : dbdal = 5.35/16 = 0,334375. FA = RJKA : RJKdalam = 0.0125/ 0.334375 = 0.03738 = 0.0374
FB = RJKB : RJKdalam = 2.1125/0.334375 = 6.317757 = 6.3178FAB = RJKAB:RJKdalam = 1.0125/0.334375 = 3.0280Tabel 10. Tabel Ringkasan ANAVA AB
SVJKdbRJKFhFtab
5%1%
Antar A
Antar B
Inter AB
dalam0.01252.1125 1.0125 5.35 1
1
1
160.01252.1125 1.0125 0.3343750.0374 ns6.3178 *) 3.0280 ns- 4.49
4.49
4.49
-8.53
8.53
8.53
Total8,487519-------
ns = non signifikan*) = signifikan pada ts. 5%
Kesimpulan:
(1) Tidak terdapat perbedaan prestasi belajar matematika antara siswa yang
mengikuti pembelajaran dengan meto de inovatif dan konvensional.
(2) Terdapat perbedaan prestasi belajar matematika antara siswa yang
mengikuti pembelajaran dengan kepemimpinan otoriter dan demokratis
Dari rerata hitung diketahui bahwa rerata hitung prestasi belajar matematika pada siswa yang dipimpin secara demokratis lebih besar daripada siswa yang dipimpin secara otoriter ( B2 = 3.1 > B2 = 2.45). Dengan demikian disimpulkan bahwa
kepemimpinan berpengaruh terhadap prestasi belajar matematika pada siswa(3) Tidak terdapat pengaruh interaksi antara metode pembelajaran dan tipe
kepemimpinan terhadap prestasi belajar matematika Jika pengaruh interaksi tidak signifikan, tidak perlu dilanjutkan dengan uji uji simple effect. Jika pengaruh interaksi signifikan, dilanjutkan dengan uji t-Scheffe atau uji Tukey, dengan rumus sebagai berikut.
Rumus Tukey: ( db Q = n dan m (n = sampel, dan m = banyaknya kelompok)
atau Untuk n1 = n2 : , dimana db t = db dalam
3. Analisis Varian Dua Jalur (ANAVA Faktorial 2x2) dengan Variabel Moderator
Contoh: Seorang peneliti ingin mengetahui pengaruh metode pembelajaran terhadap prestasi belajar matematika dirinjai dari motivasi BelajarVariabel bebas: Metode pembelajaran
(A1 = metode inovatif; A2 = metode konvensional)
Variabel moderator: motivasi belajar ( B1 = Motivasi Belajar Tinggi; B2 = motivasi belajar rendah)
Variabel terikat: prestasi belajar matematika (Y)
Hipotesis Penelitian:
Ha: (1) Terdapat perbedaan prestasi belajar matematika antara siswa yang
mengikuti pembelajaran dengan metode inovatif dan konvensional.
(2) Pada siswa yang memiliki motivasi belajar tinggi, terdapat perbedaan prestasi belajar matematika antara siswa yang mengikuti pembelajaran
dengan metode inovatif dan konvensional.
(3) Pada siswa yang memiliki motivasi belajar rendah, terdapat perbedaan prestasi belajar matematika antara siswa yang mengikuti pembelajaran
dengan metode inovatif dan konvensional.
(4) Terdapat pengaruh interaksi antara metode pembelajaran dan motivasi
belajar terhadap prestasi belajar matematika.
.Hipotesis Statistik:
H0: (1) 1 = 2
(2) 1 = 2 (3) Inter AB = 0
H1: (1) 1 2
(2) 1 2
(3) Inter AB 0
Tabel 11.Rancangan Anava 2 Jalur (Faktorial 2x2)
Metode Pembel (A)
Motivasi (B)A1
(Pembel. inovatif)A2
(pembel. konvensional)
Motivasi Belajar Tinggi
(B1) A1 B1A2 B1
Motivasi Belajar Rendah(B2)A1 B2A2 B2
Tabel 12. Data Hasil Penelitian
A1A2
B1 B2 B1 B2
XXXX
2,5
3,0
2,0
2,0
1,53,5
4,0
3,0
3,5
2,53,5
3,0
2,5
2,0
2,54,0
3,0
2,5
2,5
2,5
Dengan data yang sama dengan analisis varians tersebut di atas, diperoleh hasil perhitungan seperti pada tabel 12 dan 13 berikut.
Tabel 13. Tabel Statistik Induk
StatA1A2TotalA1A2B1B2
B1B2B1B2
n55552010101010
X1116.513.514.555.527.52824.531
X225.555.7537.543.75162.581.2581.256399.5
2.23.32.72.92.2752.752.82.453.1
Tabel 14. Tabel Ringkasan ANAVA AB
SVJKdbRJKFhFtab
5%1%
Antar A
Antar B
Inter AB
dalam0.01252.1125 1.0125 5.35 1
1
1
160.01252.1125 1.0125 0.3343750.0374 ns6.3178 *) 3.0280 ns- 4.49
4.49
4.49
-8.53
8.53
8.53
Total8,487519-------
Kesimpulan:
(1) Tidak terdapat perbedaan prestasi belajar matematika antara siswa yang
mengikuti pembelajaran dengan metode inovatif dan konvensional.(4) Tidak terdapat pengaruh interaksi antara metode pembelajaran dan motivasi belajar
terhadap prestasi belajar matematika
Karena pengaruh interaksi non signifikan, maka hipotesis (2) dan (3) tidak perlu diuji, karena pasti hasilnya non signifikan ( hipotesis dua dan tiga adalah untuk menguji simple effect). Sedangkan hipotesis (1) dan (4) adalah untuk menguji main effect.Jika pengaruh interaksi signifikan, dilanjutkan dengan uji t-Scheffe atau uji Tukey, untuk menguji hipotesis dua dan tiga dengan rumus sebagai berikut.
Rumus Tukey: ( db Q = n dan m (n = sampel, dan m = banyaknya kelompok)
atau Untuk n1 = n2 : , dimana db t = db dalam
III. Analisis Regresi dan Korelasi1. Analisis Regresi Linear Sederhana dan Koprelasi Product Moment (Pearson)
Regresi adalah bentuk hubungan fungsional antara variabel respon dan prediktor. Guna regresi adalah untuk prediksi. Dalam hal ini, regresi linear sederhana Y atas X.
Misalnya, apakah prestasi belajar (Y) dapat diprediksi dari motivasi (X)? Atau apakah terdapat hubungan fungsional antara motivasi dan prestasi belajar?Variabel X = variabel prediktor (bebas, independen)Variabel Y = variabel kriterium (respon, terikat, tergantung, dependen)Persamaam regresi linear sederhana: Rumus: = a + bX
Keterangan: a = konstanta (bilangan konstan)
b = koefisien arah regresiRumus: 1). Contoh analisis regresi sederhana
Tabel 15. Skor Motivasi (X) dan Skor Prestasi belajar (Y)RespondenXYXYX2Y2
13432108811561024
23835136814441296
3343110541156961
4403815201601444
53029870900841
64035140016001225
74033132016001089
8343010201156900
93532112012251024
103936140415211296
11333110231089961
1232319921024961
134236151217641296
144037148016001369
154235147017641225
164238159617641444
174137151716811369
1832309601024900
19343010201156900
20363010801296900
213733122113691089
223632115212961024
233734125813691156
243935136515211225
254036144016001296
263332105610891024
273432108811561024
283634122412961156
293732118413691024
303834129214441156
Jumlah ()11051001370944102933599
2). Langkah-langkah PerhitunganDiketahui: X = 1105
Y = 1001
XY = 37094
X2 = 41029
Y2 = 33599
Dengan demikian, persamaan garis regresinya: = 8,24 + 0,68XJika X = 32, maka = 8,24+0,68 * 32 = 28,64
Gambar persamaan garis regresi:
-30,00...........
= 8,24 + 0,68X
-8,24
30 32 34 36X
3) Uji Kelinearan dan Keberartian Regresi
Hipotesis yang diuji adalah:
(1) H0: Regresi linear
H1: Regresi non linear(2) H0: Harga F regresi non signifikan/tidak bermakna/tidak berarti
H1: Harga F regresi signifikan/bermakna/berarti
Langkah mengerjakan:
(1) Urutkan data X dari terkecil hingga data terbesar, diikuti oleh data Y
Tabel 16. Pengelompokkan data Skor Motivasi dan Prestasi Belajar
XKelompokniY
301129
322231
3230
333231
3332
344532
3431
3430
3430
3432
355132
366330
3632
3634
377333
3734
3732
388236
3834
399236
3935
4010538
4035
4033
4037
4036
4111137
4212336
4235
4238
Dengan demikian, terdapat 12 kelompok(2) Hitung berturut-turut Jumlah Kuadrat (JK) = Sum Square (SS) dengan rumus berikut.
JK(T) = Y2
JK(a) = (Y)2
N
JK(ba) =
JK(S) = JK(T) JK(a) JK(ba)
JK(G) =
JK(TC) = JK(S) JK(G) Perhitungan:
JK(T) = Y2 = 33599
JK(a) = (Y)2 = (1001)2 : 30 = 33400,03
N
JK(ba) =
JK(S) = JK(T) JK(a) JK(ba) = 33599 33400,03 152,21 = 46,76
JK(G) =
JK (G) = 37,67
JK(TC) = JK(S) JK(G) = 46,76 37,67 = 9,09(3) Hitung derajat kebebasan (dk) sebagai berikut.
dk (a) = 1( dk = derajat kebebasan = degree of freedom (df)dk (b|a) = 1 ( jumlah prediktor 1
dk sisa = n-2 = 30-2 = 28
dk tuna cocok = k-2 = 12-2 = 10 ( k= jumlah pengelompokan data X = 12
dk galat = n-k = 30-12 =18
(4) Hitung Mean Square (MS) atau Rerata Jumlah Kuadrat (RJK) sebagai berikut.
RJK(T) = JK(T) : n = 33599 : 30 =1119,97
RJK(S) = JK(S) : dk(S) = n-2 = 46,76: 28 = 1,67
RJK(Reg) = JK(Reg) : dk(reg) = 152,21 : 1 = 152,21(5) Hitung harga F regresi dan F tuna cocok sebagai berikut.
F (Reg) = RJK(Reg) : RJK(Sisa) = 152,21 : 1,67 = 91,14
F(TC) = RJK(TC) : RJK(G) = 0,91 : 2,09 = 0,44
(5) Masukkan ke dalam tabel F (ANAVA) untuk Regresi Linear berikut
Tabel 17. Tabel Ringkasan Anava Untuk Menguji Keberartian dan Linearitas Regresi
Sumber VariasiJK (SS)dk (df)RJK (MS)F hitungF tabel
Total33599301119,97--
Koefisien (a)
Regresi (ba)
Sisa(residu)33400,03
152,21
46,761
1
28-
152,21
1,67-
91,14*)-
4,20
Tuna Cocok
Galat (error)9,09
37,6710
180,91
2,090,44ns2,42
Keterangan:
JK (T) = Jumlah Kuadrat Total
JK(a) = Jumlah kuadrat (a)( koefisien (a) = konstanta, X=0JK(ba) = Jumlah kuadrat (ba) ( koefisien regresi
JK(S) = Jumlah Kuadrat Sisa (residu)JK(G) = Jumlah kuadrat Galat (error)
JK(TC) = Jumlah Kuadrat Tuna Cocok (penyimpangan linearitas)
Mean Square (MS) = Rerata Jumlah Kudrat (RJK); Sum Square (SS) = Jumlah Kuadrat(6) Aturan keputusan (kesimpulan):
Jika F hitung (regresi) lebih besar dari harga F tabel pada taraf signifikansi 5% ( 0,05), maka harga F hitung (regresi) signifikan, yang berarti bahwa koefisien regresi adalah berarti (bermakna). Dalam hal ini, F hitung (regresi) = 91,14, sedangkan F tabel untuk dk 1:28 (pembilang = 1; dan penyebut = 18) untuk taraf signifikansi 5% = 4,20. Ini berarti, harga F regresi > dari harga F tabel, sehingga hipotesis nol ditolak dan hipotesis alternatif diterima, sehingga harga F regresi adalah signifikan. Dengan demikian, terdapat hubungan fungsional yang signifikan antara variabel motivasi dan prestasi belajar.
Jika harga F hitung (tuna cocok) lebih kecil dari harga F tabel, maka harga F hitung (tuna cocok) non signifikan, yang berarti bahwa hipotesis nol diterima dan hipotesis altenatif ditolak, sehingga regresi Y atas X adalah linear. Dalam hal ini, F hitung (tuna cocok) = 0,44, sedangkan F tabel untuk taraf signifikansi 5% = 2,42, dengan demikian harga F tuna cocok < dari harga F tabel. Ini berarti, H0 diterima sehingga harga F tuna cocok adalah non signifikan. Dengan demikian, hubungan antara variabel motivasi dan prestasi belajar adalah linear.
Atas dasar analisis regresi, dapat dihitung kadar hubungan antara X dan Y atau kadar kontribusi X terhadap Y. Koefisien korelasi (r) dapat dihitung dengan rumus berikut:
r2 = , dimana JK(TD) = jumlah kuadrat total dikoreksi.
JK(TD) = JK(T) JK(a) = 33599 - 33400,03 = 198,97. Jadi r2 =
Koefisien korelasinya (r) = 0,875.
Dengan rumus korelasi produk moment, juga dapat dihitung koefisien korelasinya, yaitu sebagai berikut:
Telah diketahui (telah dihitung di atas):
X = 1105
Y = 1001
XY = 37094
X2 = 41029
Y2 = 33599
0,875
Untuk uji signifikansi koefisien korelasi, digunakan table nilai-nilai r Product Moment untuk n = 30 pada taraf siginifikansi 5%. Nilai r table untuk n = 30 pada taraf signifikansi 5% = 0,361; dan untuk taraf signifikansi 1% = 0,463. Dengan demikian, nilai r hitung = 0,875 lebih besar dari nilai r table, baik pada taraf signifikansi 1% maupun 5%. Ini berarti, bahwa nilai r hitung adalah signifikan pada taraf signifikansi 5% maupun 1%. Kesimpulan: H0 ditolak, dan H1 diterima, yang berarti bahwa terdapat korelasi positif antara motivasi dan prestasi belajar.
Catatan: Selain pengujian signifikansi menggunakan tabel r, dapat juga menggunakan uji-t, dengan rumus berikut (jika tidak ada tabel nilai-nilai r product moment)
Selanjutnya, harga t hitung tersebut dibandingkan dengan harga t tabel. Untuk uji dua pihak pada taraf signifikan 5%, dk = n-2 = 30-2 = 28, maka harga t tabel = 2,048. Ternyata harga t hitung lebih besar dari harga t tabel, sehingga H0 ditolak, dan H1 diterima. Ini berarti, harga t hitung adalah signifikan, sehingga disimpulkan bahwa terdapat korelasi positif dan signifikan antara motivasi dan prestasi belajar. Untuk mengetahui kontribusi variabel prediktor terhadap kriterium, nilai koefisien korelasinya dikuadratkan (r2)Koefisien determinasi (r2) = (0,875)2 = 0,765 atau 76,5%; ini berarti sumbangan atau kontribusi motivasi terhadap prestasi belajar adalah sebesar 76,5%, sedangkan residunya sebesar 23,5% dijelaskan oleh variabel lain yang tidak diteliti.
2. Analisis Regresi Linear Ganda/jamak (Multiple Regression)
a. Analisis Regresi Dua Prediktor1) Konstelasi Masalah
X1
Y
X2Misalnya, X1 = Kemampuan kerja karyawan
X2 = Kepemimpinan direktif
Y = Produktivitas kerja
Rumus persamaan regresi: = b0 + b1X1+ b2X2 b0 = a = (konstan)
2) Tabel Data
Tabel 18. Data Skor Kemampuan kerja, Kepemimpinan direktif,
dan Produktivitas kerja
Respon-denX1X2YX12X22X1 X2X1YX2YY2
1107231004970230161529
2237496142149
3421516486030225
4641736162410268289
5862364364818438529
67522492535154110484
74310169124030100
86314369188442196
9742049162814080400
1063193691811457361
604017040618226711227373162
3). Menghitung beta
Menghitung harga-harga : b0; b1, b2 dengan menggunakan persamaan berikut, dengan menggunakan skor angka kasar:
(1) Y= nb0 + b1X1 + b2X2 (2) X1Y= b0X1 + b1 X12 + b2X1X2(3) X2Y= b0X2 + b1X1X2 + b2X22
Masukkan harga-harga di atas dimasukkan ke dalam persamaan tersebut sehingga menjadi:
(1) 170 = 10 b0 + 60 b1 + 40 b2 (2) 1122= 60 b0 + 406 b1 + 267 b2(3) 737 = 40 b0 + 267 b1 + 182 b2
Untuk menyelesaikan persamaan tersebut untuk memperoleh koefisien b0, b1, dan b2,dapat digunakan metode eliminasi berikut.
Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1, kemudian dikurangkan sehingga menjadi sebagai berikut.
1020 = 60 b0+ 360 b1 + 240 b2
1122 = 60 b0 + 406 b1+ 267 b2
______________________________________ - 102= 0 +-46 b1+-27 b2
(4)- 102= -46 b1 - 27 b2
Persamaan (1) dikalikan dengan 4, persamaan (3) dikalikan dengan 1, hingga hasilnya menjadi sebagai berikut:
680= 40 b0 + 240 b1 + 160b2
737= 40 b0 + 267 b1 + 182 b2
________________________________ -57= 0 + - 27 b1 + - 22 b2
(5)-57= - 27 b1 - 22 b2
Persamaan (4) dikalikan dengan 27, persamaan (5) dikalikan dengan 46, sehingga hasilnya menjadi:
-2754= -1242 b1 - 729 b2
-2622= -1242 b1 - 1012 b2_____________________________
-132= 0 b1 + 283 b2b2 = -132 : 283 = - 0,466
Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5). Dalam hal ini, dimasukkan ke dalam persamaan (4), sehingga menjadi:
-102= -46 b1 27 (-0,466)-102= -46 b1 +12,582
46b1= 114,582 ( b1 = 2,4909 = 2,491Harga b1 dan b2 dimasukkan dalam persamaan (1), sehingga menjadi:
170= 10 b0 + 60 (2,4909) + 40 (-0,466) 170= 10 b0 + 149,454 - 18,640
10 b0 = 170 149,454 + 18,640
b0= 39,186 : 10 = 3,9186 =3,919Jadi, persamaan regresi linear ganda untuk dua prediktor:
= 3,919 + 2,491X1 - 0,466X2Ini berarti produktivitas kerja pegawai akan naik, jika kemampuan pegawai ditingkatkan, dan akan turun jika kepemimpinan direktif (otoriter) ditingkatkan. Jika kemampuan pegawai ditingkatan menjadi 10, dan tingkat kepemimpinan direktif sampi 10, maka produktivitas kerja pegawai menjadi: = 3,9186 + 2,4909X1 - 0,466X2 = 3,9186 + (2,4909 x 10) (0,466 x 10) = 24,1676 Jadi diprediksi produktivitas kerja pegawai
= 24,1676.4). Menghitung beta dengan rumus deviasi
Cara perhitungan koefisien-koefisien b0, b1, dan b2 di atas sangat panjang dan rumit. Untuk mengatasi hal tersebut, dapat digunakan cara lain yang lebih sederhana, yaitu hanya dengan dua persamaan, tetapi harus diubah menjadi skor deviasi terlebih dahulu. Dengan demikian, persamaannya menjadi:
= b0+b1x1 + b2x2
b1, b2 dapat dihitung dari persamaan berikut
Sedangkan b0 dapat dihitung menggunakan b1, dan b2 serta rata-rata
5) Menghitung skor deviasi
Selanjutnya, koefisien regresi dapat dihitung menggunakan rumus berikut.
Untuk menghitung skor simpangan (deviasi), digunakan rumus-rumus berikut.
Skor rata-rata (lihat tabel di atas, rata-rata = X dibagi n).
Telah diketahui (lihat tabel data di atas): N= 10
X1 = 60
X2 = 40
Y = 170
X12 = 406
X22 = 182
X1X2 = 267
X1Y = 1122X2Y = 737
Y2 = 3162
Selanjutnya dapat dihitung harga-harga skor deviasi (menggunakan lambang huruf kecil)sebagai berikut.
= 3162 (1702 : 10) = 272
= 406- (602 : 10) = 46
= 182 (402 : 10) = 22
= 1122 ((60x170) : 10) = 102
= 737 ((40x170) : 10) = 57
= 267 ((60x40) : 10) = 27
Dengan menggunakan rumus deviasi, dapat dihitung harga b1, dan b2 sebagai berikut.
= 2,491
= - 0,466
3,918Dibandingkan dengan perhitungan menggunakan rumus panjang, tampak adanya perbedaan hasil yang praktis dapat diabaikan (sangat kecil perbedaannya, karena adanya pembulatan). Persamaan garis regesinya: = 3,918 + 2,491X1 - 0,466X26) Keberartian Regresi Ganda
Setelah diperoleh koefisien arah regresi, dilanjutkan dengan menghitung korelasi ganda untuk 2 prediktor, dengan rumus berikut.
Ry (1,2) =
=
Koefisien determinasi (R2) = 0,832; ini artinya bahwa sebesar 83,20% produktivitas kerja karyawan dapat dijelaskan oleh variabel kemampuan kerja dan kepemimpinan direktif.
7) Uji Keberartian Regresi
Untuk Uji signifikansi regresi, menggunakan uji F regresi: F = = RJK reg/RJK sisaJK(reg) =
= (2,491)(102)+(-0,466)(57)= 227,52JK(T) = y2 = 272JK(sisa) = JK(T) = y2 JK(reg) = 272 227,52 = 44,48
dk reg = k (prediktor = 2)
RJK (reg) = JK(reg)/dk reg = 227,52 : 2 = 113,76
dk (sisa) = n k 1 = 10-2-1 = 7
RJKK(sisa) = JK(sisa)/dk sisa = 44,48 : 7 = 6,354F reg = RJK(reg)/RJK(sisa) = 113,76 : 6,354 = 17,90Tabel 19. Ringkasan Anava untuk Menguji Keberartian Regresi
Sumber VariasiJKdkRJKF hitungF tabel
0,050,01
Regresi227,522113,7617,904,749,55
Sisa44,4876,354---
Total2729----
Harga F hitung selanjutnya dikonsultasikan dengan F tabel dengan derajat kebebasan (dk) pembilang = 2 dan dk penyebut = 7 untuk taraf signifikansi 5%, diperoleh F tabel = 4,74 dan untuk taraf signifikansi 1% = 9,55. Dengan demikian, harga F hitung = 17,90 > dari harga F tabel pada ts. 5% = 4,74; sehingga hipotesis nol ditolak dan hipotesis alternatif, diterima. Ini berarti bahwa koefisien regresi ganda yang diperoleh adalah bermakna/berarti.
Setelah diketahui harga R bermakna, maka dapat disimpulkan bahwa sebesar 83,20% variasi yang terjadi pada produktivitas kerja karyawan (Y) dapat dijelaskan oleh variabel kemampuan kerja (X1) dan kepemimpinan direktif (X2) melalui persamaan regresi = 3,918 + 2,491X1 - 0,466X2.b. Analisis Regresi Linear Tiga Prediktor1) Konstelasi Masalah:
X1
X2
Y
X3
Gambar: Hubungan antar Variabel Prediktor dan Kriterium
Keterangan:
X1 = Kemampuan kerja
X2 = Pemahaman Tugas
X3 = Motivasi kerja
Y = Produktivitas kerja
2). Contoh data
Tabel 20.Tabel Data Skor Kemampuan kerja, Pemahaman kerja, Motivasi kerja,
dan Produktivitas kerja
NoX1X2X3YX12X22X32Y2X1YX2YX3YX1X2X1X3X2X3
1605967563600348144893136336033043752354040203953
231334136961108916811296111611881476102312711353
3707071714900490050415041497049705041490049704970
4696970684761476149004624469246924760476148304830
5504849472500230424012209235022562303240024502352
6302933349008411089115610209861122870990957
7404851501600230426012500200024002550192020402448
8555460603025291636003600330032403600297033003240
9586159613364372134813721353837213599353834223599
102634312967611569618417549868998848061054
11787675776084577656255929600658525775592858505700
12454343462025184918492116207019781978193519351849
13475646502209313621162500235028002300263221622576
14344243391156176418491521132616381677142814621806
15575856563249336431363136319232483136330631923248
75078079578041010433624481943326420444325943968420364270043935
3). Persamaan garis regresi
Persamaan regresi: = b0 + b1X1+ b2X2 + b3X3
4). Menghitung koefisien regresiUntuk menghitung koefisien regresi, digunakan skor deviasi berikut.
= 43326 (7802 : 15) = 2766
= 41010- (7502 : 15) = 3410
= 43362 (7802 : 15) = 2802
= 44819 (7952 : 15) = 2684
= 42044 ((750x780) : 15) = 3044
= 43259 ((780x 780) : 15) = 2699
= 43968 (795x780) : 15) = 2628
= 42035 ((750x780) : 15) = 3035
= 42700 ((750x795) : 15) = 2950
= 43935 ((780x795) : 15) = 2595
Persamaan regresi untuk menghitung b0, b1, b2, dan b3 digunakan persamaan sebagai berikut.
Skor deviasi di atas dimasukkan ke dalam persamaan tersebut, menjadi:(1) 3044 = 3410 b1 + 3035 b2 + 2950 b3(2) 2699 = 3035 b1 + 2802 b2 + 2595 b3(3) 2628 = 2950 b1 + 2595 b2 + 2684 b3Untuk menyelesaikan persamaan tersebut digunakan metode eliminasi dengan jalan: persamaan (1) sama-sama dibagi 2950, persamaan (2) dibagi 2595, dan persamaan (3) dibagi 2684, supaya b menjadi habis.
(1a) 1,032 = 1,190 b1 + 1,029 b2 + b3 (pembulatan)
(2a) 1,040 = 1,170 b1 + 1,080 b2 + b3 (pembulatan)(3a) 0,979 = 1,099 b1 + 0,967 b2 + b3 (pembulatan)----------------------------------------------------------------
(4) 1a 2a = -0,008 = 0,020 b1 + -0,051 b2 (dibagi -0,051)
(5) 2a 3a = 0,061 = 0,071 b1 + 0,113 b2 (dibagi 0,113)
---------------------------------------------------------------
(4a)
0,157 = -0,392 b1 + b2
(5a) 0,540 = 0,628 b1 + b2 --------------------------------------------------------------- - (6) 4a 5a = -0,383 = -1,020 b1
b1 = (-0,383) : (-1,020) = 0,375 (pembulatan)
(5a) 0,540 = (0,628) (0,375) + b2
0,540 = 0,236 + b2
b2 = 0,540 - 0,236 = 0,304
(3a) 0,979 = 1,099 b1 + 0,967 b2 + b3 0,979 = (1,099)(0,375) + (0,967)(0,304) + b3 0,979 = 0,412 + 0,294 + b3 0,979 = 0,706 + b3 b3 = 0,979 0,706 = 0,273
= 52 (0,375) (50) - (0,304)(50) (0,273(53) = 3,581
Persamaan regresi = = b0 + b1X1+ b2X2 + b3X3
= 3,581 + 0,375X1+ 0,304X2 + 0,273X3
5). Menghitung harga korelasi ganda, dengan rumus berikut.
Ry (1,2,3) =
= = 0,98423Koefisien determinasi (R2) = 0,9687; ini artinya bahwa sebesar 96,87% produktivitas kerja karyawan dapat dijelaskan/diprediksi oleh variabel kemampuan kerja, pemahaman kerja, dan motivasi kerja.
6). Menguji Signifikansi Regresi
Untuk Uji signifikansi regresi, menggunakan uji F regresi: F =
JK(reg) =
= (0,375)(3044)+(0,304)(2699)+(0,273)(2628)= 2679,44
JK(T) = y2 = 2766JK(sisa) = JK(T) = y2 JK(reg) = 2766 2679,44 = 86,56
dk reg
= k (prediktor = 3)
RJK (reg)= JK(reg)/dk reg = 2679,44 : 3 = 893,147
dk (sisa) = n k 1 = 15-3-1 = 11
RJK(sisa) = JK(sisa)/dk sisa = 86,56 : 11 = 7,869
F reg
= RJK(reg)/RJK(sisa) = 893,147 : 7,869 = 113,500
Tabel 21. Ringkasan Anava untuk Menguji Keberartian Regresi
Sumber VariasiJKdkRJKF hitungF tabel
Regresi2679,443893,147113,500*)3,59
Sisa86,56117,869-
Total2766,0014--
Harga F hitung selanjutnya dikonsultasikan dengan F tabel dengan derajat kebebasan (dk) pembilang = 3 dan dk penyebut = 11 untuk taraf signifikansi 5%, diperoleh F tabel= 3,59 dan untuk taraf signifikansi 1% = 6,22. Dengan demikian, harga F hitung = 113,500 > dari harga F tabel pada ts. 5% = 3,59; sehingga hipotesis nol ditolak dan hipotesis alternatif, diterima. Ini berarti bahwa koefisien regresi ganda yang diperoleh adalah bermakna/berarti.
bermakna.
7). Menghitung sumbangan efektif masing-masing prediktor terhadap kriterium,
dengan langkah berikut.(1) Efektivitas regresinya = JK(reg) berbanding JK(T) dikalikan 100%. Telah diketahui, JK(reg) = 2679,44 ; JK(T) = 2766, maka efektivitas regresi = (2679,44 : 2766) x 100% = 96,87%. Ini sama dengan koefisien determinasinya.(2) Hitung sumbangan relatif dalam persen (SR%) tiap prediktor (dihitung harga mutlaknya):
JK(reg) =
= (0,375)(3044)+(0,304)(2699)+(0,273)(2628)
= 1141,5 + 820,496 + 717,444 = 2679,44
JK(reg) tersebut tersusun dari:
-------------------------------------------- +
Total (JKreg) = 2679,44(3) Menghitung Sumbangan Efektif dalam persen (SE%):
SE% X1 =
SE% X2 =
SE% X3 =
-------------------------------------------------------------------------------
Total = 96,87%
Kesimpulan:
Prediktor X1 (kemampuan kerja) dapat memberikan kontribusi terhadap kriterium (produktivitas kerja) sebesar 41,27%; prediktor X2 ( pemahaman tugas) dapat memberikan kontribusi terhadap produktivitas kerja sebesar 29,66%; dan prediktor X3 (motivasi kerja) dapat memberikan kontribusi terhadap produktivitas kerja sebesar 25,94%. Dengan perkataan lain bahwa produktivitas kerja karyawan dapat diprediksi oleh kemampuan kerja sebesar 41,27%, pemahaman tugas sebesar 29,66%, dan motivasi kerja sebesar 25,94%.
c. Korelasi Parsial
Untuk menghitung korelasi parsial, terlebih dahulu harus dihitung korelasi sederhana antara variabel prediktor dengan variabel kriterium. Korelasi parsial bertujuan untuk mengetahui besaran koefisien korelasi antara variabel prediktor dengan variabel kriterium dengan mengendalikan variabel prediktor yang lain.
Korelasi antar variabel setelah dihitung dengan kalkulator, diperoleh koefisien korelasi sebagai matrik berikut.
Tabel 22. Matrik Korelasi Antar Variabel (dihitung dengan kalkulator)
XX1X2X3Y
X11,000,9680,9610,977
X21,000,9460,969
X31,000,964
Y1,00
(1) Korelasi parsial dengan dua prediktor (X1 dan X2) sebagai berikut:
(2) Korelasi parsial dengan tiga prediktor (X1 , X2 dan X3) sebagai berikut
(3) Korelasi parsial 3 prediktor berdasarkan matrik korelasi di atas adalah sebagai berikut. Telah diketahui (dihitung):korelasi jenjang nihil (sederhana): ry1 = 0,977;
r y2 = 0,969; r y3 = 0,964; r12 = 0,968; r13 = 0,961; dan r23 = 0,946.
(4) Korelasi parsial jenjang pertama untuk 3 prediktor:
EMBED Equation.3
(5) Korelasi parsial jenjang kedua (untuk 3 prediktor):
Telah dihitung di atas:
ry1 = 0,977;
r y2 = 0,969; r y3 = 0,964; r12 = 0,968; r13 = 0,961; r23 = 0,946.
EMBED Equation.3
Kesimpulan:(1) Terdapat korelasi positif dan signifikan antara variabel kemampuan kerja dengan variabel produktivitas kerja setelah dikendalikan dengan variabel pemahaman tugas dan motivasi kerja (r1y-23 = 0,448; r2 = 0,2007 = 20,07%; ini berarti bahwa variabel kemampuan kerja memberikan kontribusi terhadap variabel produktivitas kerja sebesar 20,07%).
(2) Terdapat korelasi positif dan signifikan antara variabel pemahaman tugas dengan variabel produktivitas kerja setelah dikendalikan dengan variabel kemampuan kerja dan motivasi kerja (r2y-31 = 0,384; r2 = 0,1475 = 14,75%; ini berarti bahwa variabel pemahaman tugas memberikan kontribusi terhadap variabel produktivitas kerja sebesar 14,75%).
(3) Terdapat korelasi positif dan signifikan antara variabel motivasi kerja dengan produktivitas kerja setelah dikendalikan dengan variabel kemampuan kerja dan pemahaman tugas (r3y-12 = 0,373; r2 = 0,1391 = 13,91%; ini berarti bahwa variabel kemampuan kerja memberikan kontribusi terhadap variabel produktivitas kerja sebesar 13,91%).
Daftar Pustaka
Anrderson, T.W., An Introductin to Multivariate Statistical Analysis, John Wiley & Sons, Inc., New York, 1958.
Ching Chun Lie, Path Analysis a primer, California: Pasific Grove, 1975.
Everit, Brian S & Graham Dunn, Applied Multivariate Data Analysis, New York: Halsted Press, 1991.
Guilford, J.P. and fruchter, B., Fundamental Statistics in Psycholoy and Education,., New York: McGraw-Hill Ltd, 1978.
Kerlinger, F.N. and Pedhazur, E.J., Multiple Regression in Behavioral Research,., New York: Holt Rinehart and Winston, Inc., 1973.
Sutrisno Hadi, Statistik, Jilid 2, 3, Yogyakarta: UGM, 1986.
Sutrisno Hadi, Analisis Regresi, Yoyakarta: UGM, 1986.
Sudjana, Metoda Statistika, Bandung: Tarsito, 1992.
Sudjana, Teknik Analisis Regresi dan Korelasi bagi Para Peneliti, Penerbit Tarsito, Bandung, 1992.
Sugiyono, Statistika untuk Penelitian, Bandung: Penerbit CV Alfabeta, 2002.
PENGANTAR STATISTIK PARAMETRIKUNTUK PENELITIAN PENDIDIKAN
(Analisis Regresi, Korelasi, dan Analisis Varians)
Disusun oleh:
Prof. Dr. I Wayan Koyan, M.Pd.
Materi Pelatihan untuk Dosen Muda
Tanggal 26 September 2009Di Undiksha Singaraja
UNIVERSITAS PENDIDIKAN GANESHA
SINGARAJA
2009
Deskriptif
Parametrik
Statistik
Inferensial
Nonparametrik
PAGE 39
_1312869891.unknown
_1312869935.unknown
_1312869951.unknown
_1312869959.unknown
_1312869963.unknown
_1312869965.unknown
_1315296573.unknown
_1314257861.unknown
_1312869964.unknown
_1312869961.unknown
_1312869962.unknown
_1312869960.unknown
_1312869955.unknown
_1312869957.unknown
_1312869958.unknown
_1312869956.unknown
_1312869953.unknown
_1312869954.unknown
_1312869952.unknown
_1312869943.unknown
_1312869947.unknown
_1312869949.unknown
_1312869950.unknown
_1312869948.unknown
_1312869945.unknown
_1312869946.unknown
_1312869944.unknown
_1312869939.unknown
_1312869941.unknown
_1312869942.unknown
_1312869940.unknown
_1312869937.unknown
_1312869938.unknown
_1312869936.unknown
_1312869912.unknown
_1312869927.unknown
_1312869931.unknown
_1312869933.unknown
_1312869934.unknown
_1312869932.unknown
_1312869929.unknown
_1312869930.unknown
_1312869928.unknown
_1312869916.unknown
_1312869925.unknown
_1312869926.unknown
_1312869917.unknown
_1312869914.unknown
_1312869915.unknown
_1312869913.unknown
_1312869904.unknown
_1312869908.unknown
_1312869910.unknown
_1312869911.unknown
_1312869909.unknown
_1312869906.unknown
_1312869907.unknown
_1312869905.unknown
_1312869900.unknown
_1312869902.unknown
_1312869903.unknown
_1312869901.unknown
_1312869898.unknown
_1312869899.unknown
_1312869892.unknown
_1312869566.unknown
_1312869871.unknown
_1312869879.unknown
_1312869883.unknown
_1312869885.unknown
_1312869886.unknown
_1312869884.unknown
_1312869881.unknown
_1312869882.unknown
_1312869880.unknown
_1312869875.unknown
_1312869877.unknown
_1312869878.unknown
_1312869876.unknown
_1312869873.unknown
_1312869874.unknown
_1312869872.unknown
_1312869863.unknown
_1312869867.unknown
_1312869869.unknown
_1312869870.unknown
_1312869868.unknown
_1312869865.unknown
_1312869866.unknown
_1312869864.unknown
_1312869855.unknown
_1312869859.unknown
_1312869861.unknown
_1312869862.unknown
_1312869860.unknown
_1312869857.unknown
_1312869858.unknown
_1312869856.unknown
_1312869851.unknown
_1312869853.unknown
_1312869854.unknown
_1312869852.unknown
_1312869849.unknown
_1312869850.unknown
_1312869847.unknown
_1312869848.unknown
_1312869845.unknown
_1312869846.unknown
_1312869844.unknown
_1174298972.unknown
_1174462445.unknown
_1195142280.unknown
_1312869529.unknown
_1312869555.unknown
_1312869528.unknown
_1198343585.unknown
_1174462644.unknown
_1174462716.unknown
_1174462604.unknown
_1174299306.unknown
_1174301132.unknown
_1174461603.unknown
_1174299145.unknown
_1174297207.unknown
_1174297477.unknown
_1174123750.unknown
_1174216999.unknown
_1174289651.unknown
_1174290208.unknown
_1174296312.unknown
_1174289857.unknown
_1174217832.unknown
_1174215742.unknown
_1174215776.unknown
_1174125275.unknown
_1174123632.unknown
_1174123680.unknown
_1174123324.unknown
_1174123554.unknown
_1173845463.unknown
_1173928025.unknown
_1173928065.unknown
_1173845554.unknown
_1173811969.unknown
_1173844159.unknown
_1061713591.unknown