laporane statistik 3

LEMBAR PENILAIAN

MODUL 3 : HUBUNGAN ANTAR VARIABEL

Nama : Dimas Panji Budi Prasetyo NIM : 26020113140114 Ttd :...................

NO. KETERANGAN NILAI

1 Pendahuluan

2 Tinjauan Pustaka

3 Materi dan Metode

4 Hasil dan Pembahasan

5 Penutup

6 Daftar Pustaka

TOTAL

Mengetahui,

Koordinator Praktikum Asisten

Julian Aditya Ghaffar Ika Ayuningtyas

NIM. 26020112130070 NIM. 26020112120004

Tgl Praktikum : 14 November 2014

Tgl Pengumpulan : 27 November 2014

I. PENDAHULUAN

I.1. Latar Belakang

Banyak peristiwa atau kejadian di sekitar yang memiliki keterkaitan dan berhubungan satu

sama lain. Namun, hubungan dari dua atau lebih kejadian tersebut susah dijelaskan secara eksak.

Para ilmuwan sering menggunakan korelasi dan regresi untuk melihat hubungan dari dua peristiwa

yang secara teoritis berhubungan namun persamaan eksak atau empiriknya susah dicari. Jadi, secara

naluri paham bahwa peristiwa-peristiwa tersebut berhubungan tetapi belum dapat menjelaskan

keteraturan itu secara pasti. Sehingga korelasi dan analisis regresi inilah yang baik digunakan untuk

menunjukkan seberapa dekat dan bagaimana pola hubungan dua peubah, peristiwa, fenomena, atau

kejadian.

Dalam ilmu statistika sering dilakukan analisis terhadap sebuah atau kumpulan data. Data

dibedakan menjadi data kuantitatif dan data kualitatif. Data kuantitatif merupakan data yang bisa

diukur dan memiliki satuan, sedangkan data kualitatif merupakan data yang bisa dihitung dan

dinyatakan dalam skala ordinal maupun nominal. Metode yang sering digunakan untuk

menganalisis data adalah analisis mengenai sebuah karakteristik (untuk data kualitatif) dan

mengenai sebuah variabel, diskrit maupun kontinu (untuk data kuantitatif).

Tetapi, banyak persoalan yang meliputi lebih dari satu variabel. Misalnya, berat ikan sampai

taraf tertentu tergantung pada besar badannya. Sehingga mempelajari analisis data yang terdiri atas

banyak variabel itu perlu. Jika terdapat data yang terdiri dari dua variabel atau lebih, maka harus

dipelajari bagaimana variabel-variabel itu berhubungan. Hubungan tersebut dinyatakan dalam

bentuk persamaan yang bisa dipelajari melalui analisis regresi. Dalam analisis regresi, dinyatakan

hubungan fungsional antara variabel-variabel dan ditinjau bagaimana persamaan regresi linier

sederhananya dan bagaimana pengujian terhadap parameter-parameter dalam persamaan regresi

tersebut.

Selain itu, jika data hasil pengamatan terdiri dari banyak variabel, perlu diukur seberapa kuat

hubungan antara variabel-variabel itu terjadi. Dengan kata lain, perlu ditentukan derajat hubungan

antara variabel-variabel itu. Studi yang membahas tentang derajat hubungan antara variabel-

variabel dikenal dengan nama analisis korelasi. Ukuran yang dipakai untuk mengetahui derajat

hubungan, terutama untuk data kuantitatif dinamakan koefisien korelasi.

Jadi, dari analisis regresi dapat diketahui pola hubungan antara dua variabel atau lebih. Dalam

laporan ini pola hubungan variabel yang akan dianalisis adalah variabel panjang dan lebar cangkang

dengan bergantung pada berat daging dan berat total.

I.2. Tujuan

1. Melakukan analisis korelasi dan pengujian serta menjelaskan koefisien

2. Melakukan analisis regresi dan melakukan pengujian seta menjelaskan koefisien regresi

I.3. Manfaat

1. Mahasiswa mampu membuat analisis korelasi menggunakan program SPSS

2. Mahasiswa mampu menghitung analisis regresi dengan program SPSS

II. TINJAUAN PUSTAKA

II.1. Regresi

Regresi adalah bagaimana satu variabel yaitu variabel dependen dipengaruhi oleh satu atau

lebih variabel lain yaitu variabel independen dengan tujuan untuk memprediksi nilai rata-rata

variabel dependen didasarkan pada nilai variabel independen yang telah diketahui. Tujuan utama

regresi adalah untuk memprediksi nilai variabel dependen berdasarkan satu atau lebih variabel

independen Banyak kasus dalam analisis regresi dimana variabel dependennya bersifat kualitatif.

Variabel dependen ini bisa mempunyai dua kelas atau kategori (biner) dan lebih dari 1 kelas

(multinomial). Salah satu pendekatan yang digunakan untuk mengestimasi model regresi dengan

variabel dependen bersifat kualitatif adalah dengan model probabilitas logistik atau disingkat logit.

Subagyo (2005) menyatakan bahwa variabel dalam regresi logistik dapat berupa kategori atau

kualitatif. Tujuan melakukan analisis data menggunakan regresi logistik adalah untuk mendapatkan

model terbaik dan sederhana, namun model tersebut sejalan dengan tinjauan dari ilmu biologi untuk

menjelaskan hubungan di antara hasil (variabel respon) dengan variabel-variabel bebas (variabel

penjelas) (Subagyo, 2005).

Analisis ini menurut Sudjana (2005) digunakan oleh peneliti bila peneliti bermaksud

meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila ada satu

variabel independen sebagai prediktor dimanipulasi (dinaik turunkan nilanya). Persamaan yang

diperoleh dari regresi sederhana adalah Y = a + b X

y = adalah subjek nilai dalam variabel terikat yang diprediksikan

a = harga Y bila X = 0 (harga konstan)

b = angka arah koefisien regresi

X = subjek pada variabel bebas yang mempunyai nilai tertentu.

Untuk memperoleh hasil perhitungan Regresi, dapat dilakukan dengan tiga cari yaitu

perhitungan manual, menggunakan fungsi pada MS. Excel, atau menggunakan Software Statistik

(SPSS) (Imam Ghozali,2009).

II.2. Polinomial

Regresi polinomial merupakan regresi linier berganda yang dibentuk dengan menjumlahkan

pengaruh variabel prediktor (X) yang dipangkatkan secara meningkat sampai orde ke-k. Model

regresi polinomial, struktur analisisnya sama dengan model regresi linier berganda. Artinya, setiap

pangkat atau orde variabel prediktor (X) pada model polinomial, merupakan transformasi variabel

awal dan dipandang sebagai sebuah variabel prediktor (X) baru dalam linier berganda (Julyanti,

2012).

Polynomial adalah satu konsep yang sangat penting dalam aljabar. Ia merupakan perkara yang

perlu dikuasai sebelum seseorang itu pergi lebih lanjut lagi dalam mempelajari aljabar.

Dalam matematika, polinomial atau suku banyak (juga ditulis suku banyak) adalah pernyataan

matematika yang melibatkan jumlahan perkalian pangkat dalam satu atau lebih variabel dengan

koefisien. Sebuah polinomial dalam satu variabel dengan koefisien konstan memiliki bentuk seperti

berikut:

Pangkat tertinggi pada suatu polinomial menunjukkan orde atau derajat dari polinomial

tersebut (Julyanti, 2012).

II.3. Korelasi

Dalam kegiatan statistik khususnya statistik inferensial, analisis korelasi merupakan hubungan

antara dua variabel atau lebih, yaitu antara variable bebas dan variable terikat. Hubungan korelasi

terdiri atas dua jenis yakni bivariate dan multivariate correlation. Bevariated correlation yaitu

analisis terhadap hubungan antara dua variable, satu varaiabel bebas dengan satu variable terikat,

sedangkan multivariate correlation yaitu analisis hubungan antara lebih dua variable bebas. Variabel

yang dikorelasikan dalam analisis korelasional adalah hubungan antara dua variable yang terdiri

dependend variable terikat atau varaibel yang dipengaruhi dan independend vriabel yang

mempengaruhi atau disebut juga variable bebas (Darwyan Syah: 91: 2007).

Kata “ Korelasi” berasal dari bahasa inggris yaitu “ Correlation” yang dalam bahasa Indonesia

artinnya hubungan atau saling hubung atau hubungan timbale balik. Dalam dunia statistik

pendidikan korelasi adalah hubungan antara dua variable atau lebih yang sifatnnya kuantitatif.

Lambang yang digunakan korelasi adalah rxy artinnya korelasi antara variable X dan variable Y.

Nilai korelasi berkisar antara 0 (nol) sampai dengan 1.00 artinya nilai korelasi paling rendah adalah

nol dan paling tinggi adalah 1.00 (Moh Hariadi: 132: 2009).

Korelasi adalah istilah statistic yang menyatakan derajat hubungan linear antara dua variable

atau lebih, yang ditemukan oleh Karl Pearson pada awal 1900 oleh itu terkenal dengan sebutan

korelasi pearson product moment (PPM) Korelasi adalah salah satu teknik analisis statistic yang

paling banyak digunakan oleh para peneliti, karena peneliti pada umumnya tertarik terhadap

peristiwa-peristiwa yang terjadi dan mencoba untuk menghubungkannya. Misalnnya kita ingin

http://id.wikipedia.org/wiki/Matematika

menghubungkan antara tinggi badan dan berat badan, antara umur dengan tekanan darahnya, antara

motivasi dengan prestasi belajar atau bekerja dan seterusnya (Husaini Usman: 197: 2006).

III. MATERI DAN METODE

III.1. Materi

III.1.1. Waktu dan Tempat

Hari, Tanggal : Jum’at, 21 November 2014

Waktu : 13.00 – 14.40 WIB

Tempat : Ruang E.301 FPIK Uiversitas Diponegoro

III.1.2. Alat dan Bahan

Tabel 1. Alat Praktikum

No Nama Alat Gambar Fungsi

1. KomputerSebagai alat pengolah data

SPSS

2. Modul Sebagai pedoman praktikum

3. SPSSSebagai software pengolah

data statistik

Tabel 2. Bahan Praktikum

No Nama bahan Gambar Fungsi

1. Data THC Sebagai data yang akan

diolah

III.2. Metode

1. Alat dan bahan prakikum disiapkan

2. Buka SPSS.exe untuk menjalankan software SPSS pilih type new data

3. Pada variable view kolom 1 diisi “panjang” dengan label “panjang cangkang”, dan kolom

2 diisi “lebar” dengan label “lebar cangkang”

4. Tambahkan tiga angka belakang NIM (0,114) ke masing-masing data kemudian

masukkan data ke data view

5. Klik transform variable → compute variable, lalu klik all → pilih Lg10, kemudian

pindahkan panjang cangkang kedalam log → OK

6. Setelah keluar variable Log_p, klik transform variable → compute variable, lalu klik all

→ pilih Lg10, kemudian pindahkan lebar cangkang kedalam log → OK

7. Selanjutnya klik Analyze → Regression → Linear

8. Pindahkan lebar cangkang ke dependent dan panjang cangkang ke independent

9. Klik statistics lalu centang descriptive lalu centang descriptive dan all cases

10. Klik plots, pindahkan sresid ke Y dan zpred ke X

11. Kemudian klik OK maka akan keluar output

12. Buka data baru dengan klik file → new → data. Lalu pilih type new data

13. Pada variable view kolom 1 diisi “panjang” dengan label “panjang cangkang”, dan kolom

2 diisi “lebar” dengan label “lebar cangkang”, kolom 3 “tebal”, kolom 4 “berat daging”,

kolom 5 “ berat total”.

14. Tambahkan tiga angka belakang NIM (0,114) ke masing-masing data kemudian

masukkan data ke data view

15. Klik analyze → correlate → bivariate

16. Pindahkan semua yang ada di kolom kiri ke kolom kanan, klik option lalu centang means

and standar deviation lalu klik OK

17. Akan muncul correlations pada output

18. Kemudian klik analyze → general linear model → multivariate. Panjang dan lebar

dipindahkan ke dependent, sisanya dipindahkan ke fixed factor

19. Klik contrast kemudian berat daging dan berat total diubah menjadi polynomial, klik OK

20. Akan muncul output general linear model

21. Selanjutnya klik analyze → correlate → partial

22. Pindahkan panjang dan lebar ke variables, dan sisanya ke controlling for

23. Klik option lalu centang means and standar deviation, kemudian klik OK maka akan

muncul output partial corr

IV. HASIL DAN PEMBAHASAN

IV.1. Hasil

Notes

Output Created 26-Nov-2014 21:25:23

Comments

Input Active Dataset DataSet0

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data File 154

Missing Value Handling Definition of Missing User-defined missing values are treated as

missing.

Cases Used Statistics are based on cases with no

missing values for any variable used.

Syntax REGRESSION

/DESCRIPTIVES MEAN STDDEV CORR

SIG N

/MISSING LISTWISE

/STATISTICS COEFF OUTS R ANOVA

/CRITERIA=PIN(.05) POUT(.10)

/NOORIGIN

/DEPENDENT lebar

/METHOD=ENTER panjang

/SCATTERPLOT=(*SRESID ,*ZPRED)

/RESIDUALS NORM(ZRESID)

/CASEWISE PLOT(ZRESID) ALL.

Resources Processor Time 00:00:01.203

Elapsed Time 00:00:01.288

Memory Required 1388 bytes

Additional Memory Required for

Residual Plots568 bytes

Regression

Descriptive Statistics

Mean Std. Deviation N

lebar cangkang 1.7180 .39419 154

panjang cangkang 2.5455 .48384 154

Correlations

lebar cangkang panjang cangkang

Pearson Correlation lebar cangkang 1.000 .839

panjang cangkang .839 1.000

Sig. (1-tailed) lebar cangkang . .000

panjang cangkang .000 .

N lebar cangkang 154 154

panjang cangkang 154 154

Variables Entered/Removedb

Model Variables Entered

Variables

Removed Method

1 panjang cangkanga . Enter

a. All requested variables entered.

b. Dependent Variable: lebar cangkang

Model Summaryb

Model R R Square Adjusted R Square

Std. Error of the

Estimate

1 .839a .704 .702 .21505

a. Predictors: (Constant), panjang cangkang


ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 16.745 1 16.745 362.104 .000a

Residual 7.029 152 .046

Total 23.774 153

a. Predictors: (Constant), panjang cangkang


Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

1 (Constant) -.022 .093 -.241 .810

panjang cangkang .684 .036 .839 19.029 .000

a. Dependent Variable: lebar cangkang

Casewise Diagnosticsa

Case

Number Std. Residual lebar cangkang Predicted Value Residual

1 -.403 1.06 1.1467 -.08675

2 -.403 1.06 1.1467 -.08675

3 -.330 1.11 1.1809 -.07093

4 -.171 1.11 1.1467 -.03675

5 -.349 1.14 1.2151 -.07512

6 -.288 1.16 1.2220 -.06196

7 -.564 1.21 1.3314 -.12136

8 -.024 1.21 1.2151 -.00512

9 -.342 1.21 1.2835 -.07350

10 -.342 1.21 1.2835 -.07350

11 -.024 1.21 1.2151 -.00512

12 -.408 1.23 1.3177 -.08768

13 -.493 1.28 1.3861 -.10606

14 -.302 1.28 1.3450 -.06503

15 -.606 1.29 1.4202 -.13025

16 -.354 1.31 1.3861 -.07606

17 -.036 1.31 1.3177 -.00768

18 -.513 1.31 1.4202 -.11025

19 .123 1.31 1.2835 .02650

20 -.735 1.31 1.4681 -.15811

21 -.784 1.32 1.4886 -.16862

22 -.307 1.32 1.3861 -.06606

23 -.165 1.33 1.3655 -.03555

24 -.134 1.33 1.3587 -.02871

25 -.119 1.34 1.3655 -.02555

26 -.691 1.34 1.4886 -.14862

27 -.280 1.36 1.4202 -.06025

28 -.439 1.36 1.4544 -.09443

29 -.234 1.37 1.4202 -.05025

30 -1.985 1.39 1.8168 -.42682

31 -.525 1.41 1.5228 -.11281

32 -.334 1.41 1.4818 -.07178

33 -.270 1.41 1.4681 -.05811

34 -.525 1.41 1.5228 -.11281

35 -.429 1.41 1.5023 -.09230

36 -.366 1.41 1.4886 -.07862

37 .747 1.41 1.2493 .16069

38 -.207 1.41 1.4544 -.04443

39 -.366 1.41 1.4886 -.07862

40 -.366 1.41 1.4886 -.07862

41 -.319 1.42 1.4886 -.06862

42 -.224 1.42 1.4681 -.04811

43 -.637 1.42 1.5570 -.13700

44 -.319 1.42 1.4886 -.06862

45 -.082 1.43 1.4476 -.01760

46 -.480 1.44 1.5433 -.10332

47 -.258 1.44 1.4955 -.05546

48 -3.501 1.44 2.1929 -.75288

49 .410 1.44 1.3519 .08813

50 -.307 1.45 1.5160 -.06597

51 -.546 1.46 1.5775 -.11751

52 -.133 1.46 1.4886 -.02862

53 -.358 1.48 1.5570 -.07700

54 .324 1.49 1.4202 .06975

55 -.312 1.49 1.5570 -.06700

56 -.265 1.50 1.5570 -.05700

57 -.219 1.51 1.5570 -.04700

58 -.219 1.51 1.5570 -.04700

59 -.409 1.51 1.5980 -.08802

60 .290 1.51 1.4476 .06240

61 -.539 1.53 1.6459 -.11588

62 -.126 1.53 1.5570 -.02700

63 -.189 1.53 1.5707 -.04067

64 -.651 1.54 1.6801 -.14007

65 -.492 1.54 1.6459 -.10588

66 -.079 1.54 1.5570 -.01700

67 -.143 1.54 1.5707 -.03067

68 -.128 1.55 1.5775 -.02751

69 .650 1.56 1.4202 .13975

70 -.558 1.56 1.6801 -.12007

71 .237 1.56 1.5091 .05087

72 -.399 1.56 1.6459 -.08588

73 -.304 1.56 1.6254 -.06537

74 -.419 1.59 1.6801 -.09007

75 -.164 1.59 1.6254 -.03537

76 .471 1.59 1.4886 .10138

77 -.451 1.59 1.6869 -.09691

78 -.008 1.61 1.6117 -.00170

79 .564 1.61 1.4886 .12138

80 -.421 1.61 1.7006 -.09058

81 -.071 1.61 1.6254 -.01537

82 -.294 1.61 1.6732 -.06323

83 .068 1.64 1.6254 .01463

84 -.299 1.65 1.7143 -.06426

85 .051 1.65 1.6390 .01095

86 -1.270 1.66 1.9331 -.27306

87 -.049 1.69 1.7006 -.01058

88 .533 1.74 1.6254 .11463

89 -.533 1.75 1.8647 -.11468

90 1.644 1.76 1.4066 .35343

91 -.360 1.76 1.8373 -.07733

92 -.731 1.81 1.9672 -.15724

93 -.731 1.81 1.9672 -.15724

94 -.477 1.81 1.9125 -.10254

95 -.763 1.81 1.9741 -.16408

96 -.717 1.82 1.9741 -.15408

97 -.019 1.84 1.8442 -.00417

98 -.655 1.84 1.9809 -.14092

99 -.531 1.86 1.9741 -.11408

100 -.839 1.91 2.0903 -.18032

101 .433 1.91 1.8168 .09318

102 -.680 1.91 2.0561 -.14613

103 -.743 1.91 2.0698 -.15981

104 .274 1.91 1.8510 .05899

105 -.489 1.91 2.0151 -.10511

106 1.894 1.93 1.5228 .40719

107 .191 1.94 1.8989 .04113

108 .732 1.94 1.7826 .15737

109 -1.073 2.01 2.2407 -.23074

110 -.850 2.01 2.1929 -.18288

111 -.772 2.02 2.1860 -.16604

112 -.868 2.02 2.2066 -.18656

113 .610 2.03 1.8989 .13113

114 2.469 2.04 1.5091 .53087

115 -.075 2.04 2.0561 -.01613

116 1.197 2.04 1.7826 .25737

117 2.882 2.04 1.4202 .61975

118 1.833 2.04 1.6459 .39412

119 .321 2.05 1.9809 .06908

120 1.290 2.06 1.7826 .27737

121 1.385 2.06 1.7621 .29788

122 -1.254 2.06 2.3296 -.26963

123 -.650 2.06 2.1997 -.13972

124 -.635 2.07 2.2066 -.13656

125 .571 2.09 1.9672 .12276

126 .253 2.09 2.0356 .05438

127 2.794 2.11 1.5091 .60087

128 -.958 2.11 2.3160 -.20596

129 -.339 2.12 2.1929 -.07288

130 -.561 2.12 2.2407 -.12074

131 -.292 2.13 2.1929 -.06288

132 -.246 2.14 2.1929 -.05288

133 .167 2.14 2.1040 .03601

134 1.280 2.14 1.8647 .27532

135 .578 2.16 2.0356 .12438

136 -.216 2.16 2.2066 -.04656

137 .737 2.16 2.0014 .15857

138 -1.170 2.16 2.4117 -.25168

139 .101 2.16 2.1382 .02182

140 .165 2.16 2.1245 .03549

141 .016 2.21 2.2066 .00344

142 .789 2.26 2.0903 .16968

143 2.315 2.26 1.7621 .49788

144 -.546 2.26 2.3775 -.11749

145 .611 2.29 2.1587 .13131

146 -.113 2.36 2.3843 -.02433

147 .535 2.39 2.2749 .11507

148 1.942 2.46 2.0425 .41754

149 .139 2.51 2.4801 .02994

150 2.025 2.56 2.1245 .43549

151 1.230 2.56 2.2954 .26456

152 2.721 2.86 2.2749 .58507

153 3.885 2.96 2.1245 .83549

154 5.260 3.03 1.8989 1.13113


Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 1.1467 2.4801 1.7180 .33083 154

Std. Predicted Value -1.727 2.304 .000 1.000 154

Standard Error of Predicted

Value.017 .044 .024 .006 154

Adjusted Predicted Value 1.1477 2.4788 1.7182 .33099 154

Residual -.75288 1.13113 .00000 .21434 154

Std. Residual -3.501 5.260 .000 .997 154

Stud. Residual -3.537 5.282 .000 1.003 154

Deleted Residual -.76822 1.14077 -.00017 .21718 154

Stud. Deleted Residual -3.679 5.827 .006 1.037 154

Mahal. Distance .000 5.306 .994 1.028 154

Cook's Distance .000 .128 .007 .020 154

Centered Leverage Value .000 .035 .006 .007 154


Charts

Correlations

Notes


Comments


Filter <none>

Weight <none>

Split File <none>



missing.

Cases Used Statistics for each pair of variables are

based on all the cases with valid data for

that pair.

Syntax CORRELATIONS

/VARIABLES=panjang lebar tebal

berat_daging berat_total

/PRINT=TWOTAIL NOSIG

/STATISTICS DESCRIPTIVES

/MISSING=PAIRWISE.





panjang 2.5455 .48384 154

lebar 1.7180 .39419 154

tebal 1.5247 .39422 154

berat daging 1.9735 .84632 154

berat total 6.2078 2.85976 154

Correlations

panjang lebar tebal berat daging berat total

panjang Pearson Correlation 1 .839** .854** .878** .906**

Sig. (2-tailed) .000 .000 .000 .000

N 154 154 154 154 154

lebar Pearson Correlation .839** 1 .820** .826** .860**

Sig. (2-tailed) .000 .000 .000 .000

N 154 154 154 154 154

tebal Pearson Correlation .854** .820** 1 .838** .882**

Sig. (2-tailed) .000 .000 .000 .000

N 154 154 154 154 154

berat daging Pearson Correlation .878** .826** .838** 1 .967**

Sig. (2-tailed) .000 .000 .000 .000

N 154 154 154 154 154

berat total Pearson Correlation .906** .860** .882** .967** 1

Sig. (2-tailed) .000 .000 .000 .000

N 154 154 154 154 154

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

General Linear Model

Notes


Comments


Filter <none>

Weight <none>

Split File <none>



missing.

Cases Used Statistics are based on all cases with valid

data for all variables in the model.

Syntax GLM panjang lebar BY tebal berat_daging

berat_total

/METHOD=SSTYPE(3)

/INTERCEPT=INCLUDE

/CRITERIA=ALPHA(.05)

/DESIGN= tebal berat_daging berat_total

tebal*berat_daging tebal*berat_total

berat_daging*berat_total

tebal*berat_daging*berat_total.



Between-Subjects Factors

N

tebal 0.81 2

0.91 1

0.98 1

1.01 2

1.02 1

1.06 4

1.08 1

1.11 3

1.14 1

1.16 1

1.17 2

1.18 1

1.21 3

1.22 1

1.28 1

berat daging 0.49 1

0.53 1

0.54 1

0.57 1

0.61 1

0.63 1

0.93 1

1.05 1

1.08 1

1.12 1

1.15 1

1.18 2

1.2 2

1.22 1

1.26 1

1.27 2

1.28 1

1.32 1

1.34 2

1.37 1

1.49 1

berat total 1.62 1

1.77 1

1.85 1

1.96 1

2.04 1

2.29 1

2.84 1

3.11 1

3.13 1

3.19 1

3.26 1

3.34 1

3.43 1

3.45 1

3.46 1

3.49 1

3.62 1

3.77 3

3.94 1

3.97 1

4.04 1

4.14 1

4.39 1

Multivariate Testsb

Effect Value F Hypothesis df Error df Sig.

Intercept Pillai's Trace . .a . . .

Wilks' Lambda . .a . . .

Hotelling's Trace . .a . . .

Roy's Largest Root . .a . . .

tebal Pillai's Trace . .a . . .




berat_daging Pillai's Trace . .a . . .




berat_total Pillai's Trace . .a . . .




tebal * berat_daging Pillai's Trace . .a . . .




tebal * berat_total Pillai's Trace . .a . . .




berat_daging * berat_total Pillai's Trace . .a . . .




tebal * berat_daging *

berat_total

Pillai's Trace . .a . . .




Tests of Between-Subjects Effects

Source

Dependent

Variable

Type III Sum of

Squares df Mean Square F Sig.

Corrected Model panjang .518a 24 .022 . .

lebar .189a 24 .008 . .

Intercept panjang 91.302 1 91.302 . .

lebar 37.010 1 37.010 . .

tebal panjang .000 0 . . .

lebar .000 0 . . .

berat_daging panjang .000 0 . . .

lebar .000 0 . . .

berat_total panjang .000 0 . . .

lebar .000 0 . . .

tebal * berat_daging panjang .000 0 . . .

lebar .000 0 . . .

tebal * berat_total panjang .000 0 . . .

lebar .000 0 . . .

berat_daging * berat_total panjang .000 0 . . .

lebar .000 0 . . .

tebal * berat_daging *

berat_total

panjang .000 0 . . .

lebar .000 0 . . .

Error panjang .000 0 .

lebar .000 0 .

Total panjang 95.152 25

lebar 38.530 25

Corrected Total panjang .518 24

lebar .189 24

Partial Corr

Notes


Comments


Filter <none>

Weight <none>

Split File <none>


Missing Value Handling Definition of Missing User defined missing values are treated as

missing.

Cases Used Statistics are based on cases with no

missing data for any variable listed.

Syntax PARTIAL CORR

/VARIABLES=panjang lebar BY tebal

berat_daging berat_total

/SIGNIFICANCE=TWOTAIL

/STATISTICS=DESCRIPTIVES

/MISSING=LISTWISE.





panjang 2.5421 .48404 155

lebar 1.7155 .39408 155

tebal 1.5223 .39415 155

berat daging 1.9689 .84551 155

berat total 6.1911 2.85802 155

Correlations

Control Variables panjang lebar

tebal & berat daging & berat

total

panjang Correlation 1.000 .226

Significance (2-tailed) . .005

df 0 150

lebar Correlation .226 1.000

Significance (2-tailed) .005 .

df 150 0

IV.2. Pembahasan

IV.2.1. Interpretasi Hasil

Praktikum kali ini melakukan sebuah analisis data menggunakan SPSS dengan metode

Regresi, Korelasi dan Polinomial. Pada metode regresi menggunakan regresi linear merupakan

suatu model yang diasumsikan mengikuti betuk linier atau garis lurus hubungan antara 2

variabel yang disebut sebagai dependent variabel dan variabel predictor. Menggunakan metode

regresi diperoleh hasil pada tabel Descriptive Statistics, mendapatkan rata-rata dari lebar

cangkang sebesar 1.71 cm dan untuk panjang cangkang sebesar 2.54 cm. sedangkan untuk

standart deviasi pada lebar cangkang sebasar 0.39 dan untuk panjang cangkang sebesar 0.48,

semuanya diperoleh dari 155 data. Angka standart deviasi standar tersebut menggambarkan

besarnya nilai kesalahan pada pengukuran panjang dan lebar cangkang. Sehingga dari data

tersebut berarti bahwa pengukuran panjang dan lebar cangkang sudah mendekati nilai yang

sebenarnya.

Selanjutnya menggunakan metode korelasi, pada metode korelasi kali ini menggunakan

3 macam metode korelasi yaitu metode korelasi bivariate, korelasi multivariate dan korelasi

partial. Dengan menggunakan metode tersebut pada tabel korelasi, didapatkan bahwa nilai

pearson correlasion lebar cangkang terhadap panjang cangkang sebesar 0.839. karena nilai

pearson correlation mendekati angka 1, maka dapat dikatakan bahwa ukuran panjang cangkang

sangat berpengaruh denngan lebar cangkang. Hal ini didukung dengan nilai Sig sebesar 0.00

dimana nilai ini lebih kecil dari 0.05, yang berarti bahwa kedua variable tersebut memiliki

hubungan yang nyata.

Pada tabel Model Summary, koefisien korelasi sebesar 0.839 dan standar R sebesar

0.704 . sedangkan standart error sebesar 0.21505 yang lebih kecil dari pada nilai standar

deviasi. Sehingga dapat diartikan standaar deviasi lebih baik dari pada estimasi.

Pada tabel Anova, df residual merupakan jumlah data dikurangi 2. Sehingga pada tabel

ini nilai df residual sebesar 152. Sedangkan nilai Sig sebesar 0.00 dimana nilai ini lebih kecil

dari 0.05, yang berarti bahwa kedua variable tersebut memiliki hubungan yang nyata. Atau

dapat dikatan tolak H0 dan terima H1 , sehingga hipotesa bahwa lebar cangkang mempengaruhi

panjang cangkang adalah benar.

IV.2.2. Perbedaan Analisis Polonomial dan Regresi

Analisis polinomial merupakan regresi linier berganda yang dibentuk dengan

menjumlahkan pengaruh variabel prediktor (X) yang dipangkatkan secara meningkat sampai

orde ke-k. Model regresi polinomial, struktur analisisnya sama dengan model regresi linier

berganda. Artinya, setiap pangkat atau orde variabel prediktor (X) pada model polinomial,

merupakan transformasi variabel awal dan dipandang sebagai sebuah variabel prediktor (X)

baru dalam linier berganda. Analisis polynomial merupakan regresi non linier yaitu regresi

dengan sebuah variable bebas sebagai faktor dengan pangkat terurut.

Analisis regresi merupakan suatu metode statistik untuk menyelidiki dan memodelkan

hubungan antara satu variabel respon Y dengan satu atau lebih variabel prediktor X . Hubungan

antara variabel prediktor X dan variabel respon Y secara umum dapat dimodelkan dengan

sebuah fungsi regresi. Menentukan fungsi taksiran regresi dapat dilakukan secara parametrik

dan nonparametrik.Fungsi regresi ditaksir secara nonparametrik dengan metode regresi

polinomial lokal. Regresi polinomial adalah suatu metode regresi nonparametrik, dengan fungsi

regresi ditaksir menggunakan bentuk polinomial. Jika pada regresi polinomial biasa persamaan

regresi di-fit untuk seluruh wilayah data maka dalam regresi polinomial persamaan regresi di-

fit sepotong-sepotong.

Model Regresi berganda adalah model regresi yang melibatkan satu variabel respon

dengan beberapa variabel bebas. Sedangkan model regresi polinomial adalah model regresi

yang melibatkan satu variabel respon Y dengan beberapa varibel bebas yang merupakan bentuk

perpangkatan dari satu variabel bebas X.

IV.2.3. Alasan Memakai Analisis Regresi dan Korelasi

Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep berbeda dengan

analisis regresi. Analisis korelasi adalah mengukur suatu tingkat atau kekuatan hubungan linear

antara dua variabel. Koefisien korelasi adalah mengukur kekuatan hubungan linear. Dalam

analisis korelasi, kita menggunakan dua variabel yang simetris, sehingga tidak ada perbedaan

antara variabel terikat dengan variabel penjelas. Selanjutnya, dua variabel tersebut diasumsikan

random. Seperti yang telah kita ketahui, bahwa kebanyakan teori korelasi berdasarkan pada

asumsi variabel random, di mana kebanyakan teori regresi berdasarkan pada asumsi variabel

tergantung stokastik dan variabel bebas adalah tertentu atau non stokastik. Meskipun demikian,

dalam analisis yang lebih mendalam, kita dapat mempertimbangkan kembali asumsi bahwa

variabel penjelas merupakan non stokastik. Pada uji regresi perhitungan korelasi menjadi

bagian dalam analisis yang digunakan untuk menentukan koefisien determinasi. Dengan

demikian dapat dikatakan korelasi merupakan bagian dari analisis regresi ,namun tidak berlaku

sebaliknya.Melalui analisis korelasi kita dapat menyatakan adanya hubungan antar variable,

maka dengan analisis regresi kita dapat memperkirakan pengaruh variable terhadap variable

lainnya.

IV.2.4. Perbedaan Regresi di Excel dan di SPSS

Jika menggunakan Microsoft Excel kita harus memperoleh data secara manual.hasil

yang di dapatkan pada Microsoft Excel juga tidak langsung sempurna,melainkan kita harus

mengolah data kembali untuk mencapai hasil yang diinginkan pada setiap analisa.Sedangkan

kalau memakasi Regresi pada sofware SPSS,kita tinggal memasukkan data yang akan di

analisa dan hasil langsung keluar dengan sempurna jadi tidak perlu mengolah data kembali

secara manual dan sudah akan terlihat persamaan secara otomatis sehingga didapatkan

analisisnya.

IV.2.5. Hubungan Antara Regresi, Korelasi dan Polinomial

Hubungan antara Regresi, Korelasi ,dan Polinomial yaitu diperoleh dalam persamaan

matematika yang menyatakan hubungan fungsional antara variable-variabel. Hubungan

fungsional antara satu variable predictor dengan satu variable kriterium disebut analisis regresi

tunggal sedangkan hubungan fungsional yang lebih dari satu variable disebut analisis regresi

ganda.

V. PENUTUP

V.1. Kesimpulan

1. Analisis polynomial merupakan regresi non linier yaitu regresi dengan sebuah variable

bebas sebagai factor dengan pangkat terurut. Polinomial tersebut memiliki fungsi Y= a +

bx

2. Analisis Regresi adalah salah satu metode yang sangat popular dalam mencari hubungan

antara 2 variabel atau lebih.

3. Analisis reegresi menggunakan program SPSS menghasilkan kesimpulan bahwa lebar

cangkang mempengaruhi panjang cangkang.

V.2. Saran

Sebaiknya saat melakukan praktikum sebelumnya diberitahukan terlebih dahulu tahapan-

tahapan yang akan dilakukan, dengan memberikan gambaran tentang langkah yang akan dilakukan

maka praktikan akan lebih mudah mengerti.

DAFTAR PUSTAKA

Ghozali, Imam. 2009. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : BP-

UNDIP

Hariyadi, Moh. 2009. Statistik Pendidikan. Jakarta. Prestasi Pustaka

Julyanti. 2012. Pengembangan Model Regresi Polinomial Bergandpada Kasus Data Pemasaran.

Manado. Univesitas Sam Ratulangi.

Subagyo dan Djarwanto.2005.Statistika Induktif Edisi 5.Yogyakarta:BPFE

Sudjana. 2005. Metode Statistika, Tarsito, Bandung : Tarsito.

Syah, Darwyan, Drs, Mpd, MSi. 2007. Pengantar Statistik Pendidikan. Jakarta. Gaung Persada

Press

Usman, Husaini, Prof, Drs, MPd, MT. 2006. Pengantar Statistika. Jakarta. Bumi Aksara

laporane statistik 3

Documents