laporane statistik 3
DESCRIPTION
statistik 3TRANSCRIPT
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
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
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
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
b. Dependent Variable: lebar 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
b. Dependent Variable: lebar 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
a. Dependent Variable: lebar cangkang
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
a. Dependent Variable: lebar cangkang
Correlations
Notes
Output Created 26-Nov-2014 23:20:04
Comments
Input Active Dataset DataSet1
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 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.
Resources Processor Time 00:00:00.031
Elapsed Time 00:00:00.014
Descriptive Statistics
Mean Std. Deviation N
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
Output Created 26-Nov-2014 23:28:25
Comments
Input Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 25
Missing Value Handling Definition of Missing User-defined missing values are treated as
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.
Resources Processor Time 00:00:00.047
Elapsed Time 00:00:00.051
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 . . .
Wilks' Lambda . .a . . .
Hotelling's Trace . .a . . .
Roy's Largest Root . .a . . .
berat_daging Pillai's Trace . .a . . .
Wilks' Lambda . .a . . .
Hotelling's Trace . .a . . .
Roy's Largest Root . .a . . .
berat_total Pillai's Trace . .a . . .
Wilks' Lambda . .a . . .
Hotelling's Trace . .a . . .
Roy's Largest Root . .a . . .
tebal * berat_daging Pillai's Trace . .a . . .
Wilks' Lambda . .a . . .
Hotelling's Trace . .a . . .
Roy's Largest Root . .a . . .
tebal * berat_total Pillai's Trace . .a . . .
Wilks' Lambda . .a . . .
Hotelling's Trace . .a . . .
Roy's Largest Root . .a . . .
berat_daging * berat_total Pillai's Trace . .a . . .
Wilks' Lambda . .a . . .
Hotelling's Trace . .a . . .
Roy's Largest Root . .a . . .
tebal * berat_daging *
berat_total
Pillai's Trace . .a . . .
Wilks' Lambda . .a . . .
Hotelling's Trace . .a . . .
Roy's Largest Root . .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
Output Created 26-Nov-2014 23:32:46
Comments
Input Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 155
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.
Resources Processor Time 00:00:00.016
Elapsed Time 00:00:00.007
Descriptive Statistics
Mean Std. Deviation N
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