P. 1
Bab IV Analisis Hubungan Buku Penelitian Kuantitatif

Bab IV Analisis Hubungan Buku Penelitian Kuantitatif

|Views: 32|Likes:

More info:

Published by: Lia ßundane Rådièth on May 25, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

05/25/2012

pdf

text

original

BAB IV ANALISIS HUBUNGAN

Berbagai fenomena yang terjadi dalam kehidupan selalu menimbulkan berbagai pertanyaan, mengapa itu terjadi ?, bagaimana itu terjadi ?, dan pertanyaan-pertanyaan lain yang pada dasarnya menunjukan keingintahuan manusia untuk dapat memahami dan menjelaskannya. Kompleksnya masalah yang terjadi baik secara bersamaan maupun beriringan berakibat pada tidak sederhananya jawaban yang bisa dimunculkan. Keadaan ini telah mendorong manusia untuk memilih dan memilah-milah berbagai kejadian serta mengkajinya sebagai upaya untuk memahaminya. Apabila terjadi suatu gejala yang sama dengan gradasi yang berbeda dengan latar sebab (secara rasional) yang sama,manusia mencoba mengkaji perbedaan tersebut dengan memunculkan pertanyaan apakah perbedaan tersebut benar-benar merupakan perbedaan yang nyata ataukah tidak ?, bila terjadi gejala yang sama dengan gradasi yang berbeda dan latar sebab yang berbeda, manusiapun akan mencari jawabannya terhadap perbedaan tersebut. Ketika pengkajian terhadap masalah-masalah tersebut dilakukan, manusia mencoba mengkaitkan antara satu gejala dengan gejala lainnya, baik itu terhadap gejala yang menunjukan kesamaan ataupun perbedaan. Secara sederhana jawaban terhadap masalah-masalah tersebut terkadang dicukupkan pada jawaban yang bersifat Common Sense dengan menunjuk pada bukti empiris (dengan keterbatasan pengamatan) serta mengkaitkannya dengan gejala yang mengiringinya. Akan tetapi bukti-bukti empiris (dalam penggunaan Common Sense, bukti empiris umumnya berrsifat tunggal karena keterbatasan pengamatan) yang teramati pada dasarnya merupakan masalah yang kompleks pula sehingga memerlukan pendalaman dan pengulangan pengamatan baik secara beriringan ataupun bersamaan, dalam upaya ini frekuensi kejadian serta representasi kejadian
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

79

terhadap kejadian secara keseluruhan menjadi penting untuk dikaji sebelum dimunculkan jawabannya. Dalam kaitan ini maka Statistik menjadi alat bantu yang penting guna mengkaji dan menganalisa berbagai gejala tersebut, sehingga dapat diperoleh bukti-bukti statistik yang dapat memperkuat buktibukti empiris (Common Sense), dan Ilmu Statistik telah lama mengembangkan alat untuk menganalisis berbagai hubungan antara gejalagejala yang bergradasi atau bervariasi. 4.1. Macam-macam Hubungan Secara sederhana hubungan antar variabel penelitian didasarkan pada pengelompokan variabel ke dalam variabel Bebas (Independent Variable) dan variabel terikat (Dependent Variable). Variabel bebas, sering juga disebut variabel yang mempengaruhi, sementara itu variabel terikat sering disebut variabel yang dipengaruhi. Istilah Hubungan dan pengaruh sebenarnya tidak dapat dipersamakan, dalam Ilmu sosial Pengaruh mengacu pada hubungan sebab akibat (Kausal), sedangkan hubungan antara variabel bebas dan variabel terikat tidak selalu merupakan hubungan kausal. Namun demikian terdapat kecenderungan untuk mempertukarkan pemahaman tersebut cukup besar, sebagaimana diungkapkan oleh Peter Hagul dkk bahwa walaupun terdapat kemungkinan pengertian hubungan dicampuradukan dengan pengaruh, istilah variabel pengaruh dan variabel terpengaruh lebih mencerminkan kecenderungan dan arah dalam penelitian sosial. Usaha untuk mencari hubungan antar variabel sesungguhnya mempunyai tujuan akhir untuk melihat pengaruh antar variabel. Disamping pemahaman hubungan seperti tersebut di atas, dilihat dari kejadiannya dengan mengacu pada teori tertentu hubungan antar variabel dapat dikelompokan kedalam tiga macam hubungan yaitu : 1. Hubungan Timbal balik 2. Hubungan Simetris 3. Hubungan Asimetris
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

80

Hubungan timbal balik adalah hubungan antara variabel satu dengan variabel lain dimana masing-masing variabel dapat menjadi sebab dan juga akibat, dalam hubungan macam ini sulit ditentukan mana variabel penyebab dan mana variabel akibat, karena bisa saja pada satu saat menjadi penyebab dan pada saat lain menjadi akibat. Hubungan Simetris adalah hubungan dimana variabel yang satu tidak disebabkan atau dipengaruhi oleh variabel lainnya, hal ini dapat terjadi bila variabel-varibel (1) merupakan indikator dari konsep yang sama; (2) nrupakan akibat dari faktor yang sama; (3) berkaitan secara fungsional, dan (4) berhubungan secara kebetulan. Apabila dalam fakta-fakta penelitian ditemukan macam hubungan yang demikian maka diperlukan pengkajian yang lebih mendalam tentang kemungkinan-kemungkinan terdapatnya variabel-variabel lain yang berpengaruh. Hubungan Asimetris adalah hubungan apabila terdapat variabel suatu variabel yang mempengaruhi variabel lainnya. Terdapat enam tipe hubungan asimetris yaitu hubungan antara : (1) Stimulus dan respon; (2) Disposisi dan Respon; (3) Ciri individu dan Tingkah laku; (4) prakondisi dan akibat; (5) Immanen; (6) tujuan dan cara. Dengan memahami macam-macam hubungan tersebut, peneliti akan terbantu dalam menentukan konsep dan atau variabel yang akan diteliti serta macam hubungannya sehingga terhindar dari kerancuan teoritis dalam penentuan indikator (operasionalisasi) variabel/Konsep , umumnya dalam penelitian sosial dan pendidikan hubungan antara variabel yang menjadi fokus penelitian lebih banyak mengacu pada hubungan Asimetris, dan paling tidak tercakup dalam enam macam hubungan seperti tersebut di atas. Untuk lebih jelas berikut ini akan dikemukakan contoh-contoh hubungan :

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

81

Tabel 4.1 Contoh Hubungan Asimetris No 1 2 3 4 5 6 Macam Hubungan Stimulus - Respon Disposisi - Respon Ciri Individu - T Laku Prakondisi - Akibat Immanen Cara – Tujuan Hubungan antar Konsep/Variabel Bebas (X) Terikat (Y) Kompensasi Motivasi Keja Guru Kinerja Kepala Sekolah Kecerdasan Emosi Tingkat Pendidikan Produktivitas Kerja Quality of Work Life Kepuasan Kerja Jumlah Pegawai Span of Control Disiplin Prestasi Siswa

Hubungan-hubungan tersebut bila dilihat dari variasi antar Variabel serta nilai prediksinya termasuk ke dalam tipe hubungan korelasional atau regresional dimana di dalamnya tidak terdapat true value nilai Y untuk tiap nilai X, berbeda dengan tipe hubungan Fungsional dimana untuk tiap-tiap nilai X mempunyai True Value nilai Y, hubungan jenis ini kebanyakan berlaku dalam Ilmu Alam, sedangkan tipe hubungan korelasional atau regresional lebih banyak ditemukan dalam penelitian Ilmu-ilmu sosial termasuk Ilmu Pendidikan. 4.2. Teknik Analisis Analisis hubungan antar variabel pada dasarnya mengindikasikan adanya data pengamatan/penelitian dapat dilakukan hubungan yang dengan antar berpasangan, tiga cara dan dan cara menganalisisnya sebagaimana menganalisis

diungkapkan oleh Robert G. D. Steel dan Jammes H. Torrie yaitu : 1. Mengabaikan keduanya, masing-masing secara terpisah 2. menggunakan analisis regresi 3. memeriksa korelasinya. di sini yang akan dibahas adalah cara nomor dua dan nomor tiga yakni regresi dan korelasi, sedang yang nomor satu tidak akan dibahas karena

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

82

lebih mengarah pada analisis perbandingan guna membedakan antara variabel yang satu dengan variabel lainnya. Dalam melakukan analisis hubungan, Statistika menjadi alat bantu penting dalam proses pendeskripsian dan penganalisaan, baik itu dalam penggambaran tunggal variabel maupun dalam penggambaran lebih dari satu variabel. Analisis hubungan pada dasarnya merupakan upaya untuk melihat variasi yang bersamaan antara satu variabel dengan variabel lainnya guna memperoleh gambaran tentang keterkaitannya antara variabel bebas dengan variabel terikat, baik dalam kekuatannya maupun kemampuan prediksi variabel bebas terhadap variabel terikat. Dalam Statistika, analisis yang bermaksud memahami kekuatan serta arah hubungan antar variabel adalah Teknik analisis Korelasi, sedangkan analisis yang bermaksud untuk memahami bentuk serta prediksinya adalah teknik analisis Regresi, kedua teknik analisis ini pada dasarnya saling berhubungan, sehingga dalam penerapannya sering digunakan secara bersamaan dalam melakukan analisis hubungan antar variabel, dan penggunaan keduanya sering disebut sebagai analisis korelasional (Correlational Research/Study). Sementara itu apabila analisis dilanjutkan dengan model kausal (atas dasar formulasi teori tertentu) maka analisis jalur (Path Analysis) merupakan teknik analisis yang tepat. Dalam penerapannya, teknik analisis hubungan mempunyai variasi urutan yang berbeda, ada yang menempatkan analisis regresi terlebih dahulu baru kemudian analisis korelasi seperti Sudjana, dan Santosa Murwani, ada pula yang sebaliknya yakni mendahulukan analisis korelasi baru kemudian analisis regresi seperti Dennis E Hinkle, Sementara itu menurut Made Putrawan pertanyaan yang harus dijawab dalam penelitian yang bersifat hubungan yaitu (1) bagaimana model regresinya ?, (2) bagaimana bentuk hubungannya ?, dan (3) berapa kekuatan/keeratan hubungannya , model regresi dan bentuk hubungan diketahui melalui persamaan regresi,

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

83

sementara keeratan hubungan dapat diketahui dengan perhitungan korelasi (koefisien korelasi). Perbedaan tersebut secara prinsip tidak akan mempengaruhi hasil analisis, tetapi nampaknya pengurutan itu tergantung pada pertanyaan analisis yang diharapkan. Bila seseorang ingin mengetahui lebih dahulu tentang ada tidaknya hubungan antar variabel, maka analisis korelasi didahulukan baru kemudian analisis regresi untuk melihat bentuk hubungan serta persamaannya untuk melakukan prediksi; sementara itu bila ingin mengetahui bentuk hubungan serta persamaan untuk melakukan prediksi, analisa regresi bisa didahulukan baru analisis korelasi untuk mengetahui keeratan hubungan atau efisiensi garis regresi (persamaan regresi) guna menentukan akurasi prediksi. Suatu hal yang perlu dipahami adalah bahwa analisis regresi dan korelasi sangat erat hubungannya, hal ini juga terlihat dari cara-cara perhitungannya, disamping itu akurasi prediksi dalam persamaan regresi ditentukan juga oleh korelasinya sebagaimana dikemukakan oleh Kerlinger bahwa The higher the correlation, the better the prediction… the higher the correlation whether positive or negative, the closer the plotted values will be to the regression line. Dalam penelitian korelasional, perumusan masalahnya harus mengarah pada suatu hubungan sesuai dengan Variabel-variabel yang akan diteliti apakah bersifat sederhana atau multiple o Perumusan masalah untuk Korelasi tunggal/regresi linier sederhana • • • • Apakah terdapat hubungan antara Variabel X dengan Variabel Y

o Perumusan masalah untuk Korelasi Ganda/regresi linier Ganda (X1,X2,Y) Apakah terdapat hubungan antara Variabel X1 dengan Variabel Y Apakah terdapat hubungan antara Variabel X2 dengan Variabel Y Apakah terdapat hubungan antara Variabel X1 dan X2 secara bersama-sama dengan Variabel Y

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

84

o Perumusan masalah untuk Korelasi Multiple 3 Variabel bebas (X1,X2,X3,Y) • • • Apakah terdapat hubungan antara Variabel X1 dengan Variabel Y Apakah terdapat hubungan antara Variabel X2 dengan Variabel Y Apakah terdapat hubungan antara Variabel X3 dengan Variabel Y

Apakah terdapat hubungan antara Variabel X1, X2, X3 secara bersama-sama dengan Variabel Y Regresi Istilah regresi pertama kali digunakan oleh Francis Galton pada tahun 1887 ketika mengadakan penelitian tentang hubungan antara tinggi orang tua dengan tinggi anaknya, dan sampai pada kesimpulan bahwa rata-rata tinggi anak yang berasal dari orang tua yang tinggi lebih rendah dibanding rata-rata tinggi orang tuanya, sedangkan anak-anak yang berasal dari orang tua yang rendah, tinggi rata-ratanya lebih tinggi dari tinggi orang tuanya, dengan demikian terjadi regress (kemunduran) atau tendensi terjadinya penurunan. Selanjutnya istilah Regression digunakan untuk menggambarkan garis yang menunjukan arah hubungan antar variabel, serta dipergunakan untuk melakukan prediksi, selain istilah tersebut, di kalangan akhli Statistik ada juga yang menggunakan istilah estimating line sebagai padanan istilah Regresi. Sutrisno Hadi dalam bukunya Analisis Regresi menyatakan bahwa analisis regresi bertujuan untuk : 1. memeriksa apakah garis regresi tersebut bakal efisien dipakai sebagai dasar 2. Menghitung persamaan garis regresi 3. untuk mengetahui sumbangan relatif dan sumbangan efektif bila prodiktornya lebih dari satu variabel. Regresi yang terdiri dari satu variabel bebas (predictor) dan satu variabel terikat (Response/Criterion) disebut regresi linier sederhana (bivariate regression), sedangkan regresi yang variabel bebasnya lebih dari
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

atau garis taksiran

85

satu disebut regresi jamak (Multiple regression/multivariate regression), yang dapat terdiri dari dua prediktor (regresi ganda) maupun lebih. Dalam persamaan regresi variabel bebas (predictor) biasanya dilambangkan dengan X, dan variabel terikat dilambangkan dengan Y, dalam penulisan persamaan Y perlu diberi topi (Y cap) untuk menunjukan Y yang diprediksi berdasarkan persamaan (Regression equation). Adapun bentuk persamaannya adalah : 1. Ŷ 2. Ŷ 3. Ŷ = a + b X (Regresi linier sederhana) = a + b1X1 + b2X2 (Regresi linier Ganda/dua prediktor) = a + b1X1 + b2X2 + b3X3 (Regresi linier tiga prediktor)

a adalah koefisien konstanta dari persamaan, yang berarti nilai Y pada saat nilai b = nol, dan pada saat ini garis regresi akan memotong garis Y, sehingga a juga biasa disebut intercept. Sementara itu b adalah koefisien regresi atau koefisien arah dari persamaan regresi, yang menunjukan besarnya penambahan Y apabila niai X bertambah sebesar satu. Untuk lebih jelas dapat dilihat dalam gambar 3.1. berikut ini : Y

Ŷ = a + bX
b satuan 1 satuan

a
(0,0)
Gambar 3.1. Grafik Garis Regresi

X

Gambar di atas dapat memberikan pemahaman tentang konsep analisis regresi dengan melihat posisi masing-masing koefisien, baik koefisien konstan (a) maupun koefisien arah atau koefisien regresi (b). dan
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

86

untuk lebih mendalami analisisnya berikut ini akan diberikan contoh perhitingan regresi yang dimulai dengan regresi linier sederhana kemudian regresi multiple dengan dua prediktor (regresi ganda) 4.2.1.1. regresi linier sederhana (satu prediktor) Untuk keperluan perhitungan dalam analisis regresi, contoh variabel yang akan dipergunakan dalam perhitungan adalah variabel Motivasi (X) sebagai variabel bebas, dan variabel Kinerja (Y) sebagai variabel terikat. Sesuai dengan persyaratan analisis yang mengharuskan skala pengukuran/datanya bersifat interval atau rasio (statistik Parametrik), maka data berikut merupakan data interval hasil konversi dari data ordinal (Skala sikap) dengan menggunakan Method of summated rating. Tabel 4.2 Data Skor Motivasi dan Kinerja Variabel X (Motivasi) 20 30 50 60 80 90 330 Variabel Y (Kinerja) 60 50 70 80 120 110 490

Tabel 4.3 Mencari Persamaan Regresi menggunakan Skor Kasar X 20 30 50 Y 60 50 70 X2 400 900 2500 XY 1200 1500 3500 87

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

60 80 90 330

80 120 110 490

3600 6400 8100 21900

4800 9600 9900 30500

Rumus mencari a dan b menggunakan dua persamaan : ΣY = Na + bΣX = 6a + 330 b = 330a + 21900 b (x 110) (x 2) Σ XY = aΣX + bΣX2 I. 490 II. 30500

I. 53900 = 660 a + 36300 b II. 61000 = 660 a + 43800 b 7100 = 7500 b b = 7100 : 7500 = 0.946667 (0.95) 490 = 6a + 330 (0.95) 6a = 490 - 313.5 = 176.5 a = 176,5 : 6 = 29.4 Ŷ = 29,4 + 0.95 X Cara lain mencari a dan b dengan menggunakan tabel 3.3 b = a = b = = = N (ΣXY) - (ΣX) (ΣX) N (ΣX2) - (ΣX)2 ΣY - b ΣX N 6 (30500) - (330) (490) 6 (21900) - (330)2 21300 22500 0,946667 (0.95)  Y - bX

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

88

a

= = =

490 - 0.95 (330) 6 176.5  Y 6 29.4166 (29,4) 29,4 + 0.95 X - bX  81.67 - 55 (0,95) = 29.42 (29.4)

Ŷ

=

Tabel 4.4. Mencari Persamaan Regresi dengan menggunakan simpangan X 20 30 50 60 80 90 330 X Y = = Y 60 50 70 80 120 110 490 x -35 -25 -5 5 25 35 0 x2 1225 625 25 25 625 1225 3750 y -21.67 -31.67 -11.67 -1.67 38.33 28.33 0 y2 469.59 1002.99 136.19 2.79 1469.19 802.59 3883.33 xy 758.45 791.75 58.35 -8.35 958.25 991.55 3550

330/6 = 55 490/6 = 81.67

x adalah X dikurangi X , y adalah Y dikurangi Y Untuk mencari nilai Σ x2 dan Σ xy dapat juga dilakukan secara langsung menggunakan Tabel 3.3. tanpa mencari Mean dengan meng gunakan Rumus : Σ x2 = Σ X2 - (Σ X)2  = 21900 - 3302 = 3750 N 6 Σ xy = Σ XY - (Σ X)( Σ Y) = 30500 – 330 x 490 = 3550 N 6 b = Σ xy = 3550 = 0.95 (0.946667) Σ x2 3750 a = Y - b X --> 81.67 - 55 (0,95) = 29.42 (29.4) Ŷ = 29,4 + 0.95 X
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

89

Tabel 4.5. Mencari Persamaan Regresi dengan menggunakan koefisien korelasi X 20 30 50 60 80 90 330 Y 60 50 70 80 120 110 490 x -35 -25 -5 5 25 35 0 x2 1225 625 25 25 625 1225 3750 y -21.67 -31.67 -11.67 -1.67 38.33 28.33 0 y2 469.59 1002.99 136.19 2.79 1469.19 802.59 3883.33 Xy 758.45 791.75 58.35 -8.35 958.25 991.55 3550

Standar Deviasi X (SdX) = 27.39 ; Standar Deviasi Y (SdY) = 27.86 Rumus Korelasi : Σ xy
=

rxy

(Σx ) (Σy ) 3550 3550
= = 0.9302

2

2

rxy

=

(3750) (3883,33)

3816.08

b b a

= = = =

r x (SdY : SdX ) 0.9302 x ( 27.86 : 27.39 ) Y = 0.946 (0.95) - b X --> 81.67 - 55 (0,95) = 29.42 (29.4)

Ŷ

29,4 + 0.95 X

4.2.1.2. Pengujian Signifikansi dan linieritas Garis Regresi Setelah diperoleh persamaan garis regresi, langkah berikutnya adalah melakukan pengujian apakah persamaan tersebut signifikan serta linier atau

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

90

tidak. Untuk itu terlebih dahulu perlu dicari Jumlah kuadrat untuk masingmasing sumber Varian sebagai berikut :

Jumlah Kuadrat : JKT(Jumlah Kuadrat Total) JK (Jumlah Kuadrat) (a) = = Σ Y2 (Σ Y)2 N JK (R) (Jumlah Kuadrat Total direduksi) = JK (Jumlah Kuadrat) (b) JKS (Jumlag Kuadtar Sisa) JK (G) (Jumlah Kuadrat Galat) JK(TC) (Jumlah Kuadrat Tuna Cocok) = = = = JKT b Σ xy JKR JKS JK (b) JKG Σ (Σyk 2) JK (a)

Untuk lebih jelasnya akan dilakukan perhitungan dengan mengacu pada Tabel berikut Tabel 4.6.
X 20 20 50 60 84 90 324 Y 60 50 80 80 120 114 504 Y2 3600 2500 6400 6400 14400 12996 46296 x -34 -34 -4 6 30 36 0 X2 1156 1156 16 36 900 1296 4560 y -24 -34 -4 -4 36 30 0 y2 576 1156 16 16 1296 900 3960 xy 816 1156 16 -24 1080 1080 4124

Persamaan regresi Ŷ = 35.16 + 0.90 X Dengan data di atas hasil perhitungan Jumlah Kuadra adalah : JK(T) JK (a) JK (R) JK (b) JKS = 46296 = 42336 = = = 46296 42336= 3960 (Σ y2) 0.90 x 4124 = 3711.6 3960 - 3711.6 = 248.4 91

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

JKG

=

( 602+ 502 – (110)2) + ( 802 – (80)2) + ( 802 – (80)2) +

JK(TC)

=

2 1 (1202 – (120)2) + (1142 – (114)2) = 1 1 248.4 - 50 = 198.4

1 50

untuk menghitung JKG data Y dikelompokan menurut data X, data X diurutkan dari kecil ke besar dan yang nilai X nya sama merupakan satu kelompok sedang yang X nya satu dianggap satu kelompok, sesudah itu hitung JK untuk tiap kelompok, yang kelompoknya satu JK nya 0

nilai-nilai tersebut kemudian dimasukan pada tabel Anava sbb : Tabel 4.7. Tabel Anava untuk pengujian Signifikansi dan linieritas Persamaan regresi
Sumber Varians

Db 6 1 1 4 3 1

JK 46296 42336
3711.6 248.4

RJK 42336 3711.6 62.1 66.13 50

Fh

Ft0.05

Ft0.01

Total Regresi a Regresi b Sisa Tuna Cocok Galat Kesimpulan :

59.77

7.71

21.20

198.4 50

1.32

216

5403

1. Persamaan Regresi Ŷ

= 35.16 + 0.90 X signifikan karena Fh > Ft

(59.77 > 21.20 – 7.71) baik pada taraf kepercayaan 95 % (0.05) maupun pada taraf kepercayaan 99 % (0.01) 2. Persamaan Regresi Ŷ = 35.16 + 0.90 X linier baik pada taraf

kepercayaan 99 % (0.01) Fh < Ft (1.32 < 5.40), maupun pada taraf kepercayaan 95 % (0.05) Fh < Ft (1.32 < 5403). 4.2.1.3. Regresi Linier Ganda (dua prediktor)
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

92

Regresi Ganda adalah regresi dengan dua Variabel bebas (Misalnya X1 dan X2) dan satu variabel Terikat (Y). dilihat dari perumusan masalah sebagaimana dikemukakan di muka, maka untuk untuk melihat persamaan garis regresi bagi masing-masing variabel bebas dapat dilakukan dengan cara perhitungan regresi linier sederhana, yakni regresi Y atas X 1 dan Regresi Y atas X2, oleh karena itu uraian berikut hanya berkaitan dengan regresi Ganda. Adapun bentuk persamaan Regresi Ganda adalah :

Ŷ = a + b1X1 + b2X2 (Regresi linier Ganda/dua prediktor)
Contoh Perhitungan : Tabel 4.8. Tabel bantu perhitungan regresi Ganda (dua prediktor) Menggunakan rumus angka kasar X1 4 7 9 12 32 X2 1 2 5 8 16 Y 7 12 17 20 56 X1Y 28 14 153 240 505 X2Y 7 24 85 160 276 X1X2 4 14 45 96 159 X12 16 49 81 144 290 X22 1 4 25 64 94 Y2 49 144 289 400 882

Untuk menghitung nilai konstanta a, b1, dan b2, dapat digunakan tiga buah persamaan yaitu :

1. Σ Y 2. ΣX1Y 3. Σ X2Y

= = =

Na + b1Σ X1 + b2Σ X2 aΣ X1 + b1Σ X12 + b2Σ X1X2 aΣ X2 + b1Σ X1X2 + b2Σ X22

Berdasarkan data dalam tabel 3.8 diperoleh tiga persamaan : 1. 56 2. 505 3. 276 = = = 4a + 32b1 + 16b2 32a + 290b1 + 159b2 16a + 159b1 +94b2

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

93

Penyelesaian : • Persamaan 1 dan 2 menghasilkan persamaan 4 4a + 32b1 + 16b2 ( x 8) -> 448 = = = 32a +256b1 + 128b2 32a + 290b1 + 159b2 0 34b1 + 31b2

1. 56 = 2. 505 =

32a + 290b1 + 159b2 (x 1) -> 505 Persamaan 4 -> 57

Persamaan 1 dan 3 menghasilkan persamaan 5 1. 56 3. 276 = = 4a + 32b1 + 16b2 (x 4) -> 224 = 16a +128b1 + 64b2 16a + 159b1 +94b2 (x 1) -> 276 = 16a + 159b1 + 94b2 Persamaan 5 52 = 0 31b1 + 30b2

Dari persamaan 4 dan 5 akan diperoleh konstantan b2 4. 57 5. 52 = = 0 0 34b1 + 31b2 (x 31) -> 1767 = 1054b1 + 961b2 31b1 + 30b2 (x 34) -> 1768 = 1054b1 + 1020b2 1 59b2 = 1  b2 = 0.0169 (0.017) = 0 59b2

Kemudian nilai b2 disubtitusikan pada persamaan 4, maka akan diperoleh konstanta b1 57 57 = = 0 34b1 + 31b2  57 = 34b1 + (31 x 0.017)

34b1 + 0.527  56.473 = 34b1  b1 = 1.66

Selanjutnya nilai b2 dan nilai b1 disubstitusikan pada persamaan 1, maka akan diperoleh nilai konstanta a 56 = 56 = 56 = 4a = 4a + 32 (1.66) + 16 (0.017) 4a + 53.12 + 0.272 4a + 53.392 56 - 53.392  4a = 2.608  a = 0.652

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

94

Hasil persamaan Regresi yang diperoleh adalah

Ŷ = 0.652 + 1.66 X1 + 0.017X2

Tabel 4.9 Tabel bantu Perhitungan regresi ganda (dua prediktor) Menggunakan rumus simpangan X1 4 7 9 12 32 X2 1 2 5 8 16 X 1= 8 ; X Y 7 12 17 20 56
2

x1 -4 -1 1 4 0 = 4;Y

x2 -3 -2 1 4 0

y -7 -2 3 6 0

x12 16 1 1 16 34

x22 9 4 1 16 30

y2 49 4 9 36 98

x1x2 12 2 1 16 31

x1y 28 2 3 24 57

x2y 21 4 3 24 52

= 14—SdX1 = 3.37; SdX2 = 3.16; SdY = 5.72

Persamaan Regresi :

Ŷ
a b1

=

a

+

b1X1

+

b2X2

1. Cara pertama : = = Y b1 X
1

-

b2 X

2

(Σx22) (Σx1y) – (Σx1x2) (Σx2y) (Σx12) (Σx22) – (x1x2)2 (Σx12) (Σx2y) – (Σx1x2) (Σx1y) (Σx12) (Σx22) – (Σx1x2)2

b2

=

Perhitungan Persamaan Regresi
b1 =

(30) (57) – (31) (52) (34) (30) – (961)

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

95

b1

=

98 59

b1

=

1.66

b2
b2

=
=

(34) (52) – (31) (57) (34) (30) – (961) 1 59
0.017 Y 14 14 0.652 b1 X
1

b2 a a a a •

= = = = =

-

b2 X

2

1.66 (8) 13.28 -

- 0.017 (4) 0.068

Hasil persamaan Regresi yang diperoleh adalah

Ŷ = 0.652 + 1.66 X1 + 0.017X2

2. Cara kedua (diterminan)

Σx1y Σx2y a 57 52

= = = = =

b1Σx12 + a2Σx1x2 a1Σx1x2 + a2Σx22
Y - b1 X
1

- b2 X

2

34b1 + 31b2 31b1 + 30b2

Mencari b1 :
96

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

34 31

31 b1 30 =

57 52

31 30

(34 x 30) – (31x 31) b1 59 b1 b1 b1 = = = 98 98/59 1.66

= (57 x 30) -- (31 x 52)

Mencari b2 :
34 31 31 b2 30 = 31 52 34 57

(34 x 30) – (31x 31) b2 59 b2 b2 b2 = = = 1 1/59 0.017

= (34 x 52) -- (57 x 31)

Mencari a :
a a a a = = = = Y 14 14 0.652 b1 X
1

-

b2 X

2

1.66 (8) 13.28 -

0.017 (4) 0.068

Persamaan Garis regresi :

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

97

Ŷ = 0.652 + 1.66 X1 + 0.017X2

4.2.1.4. Pengujian Signifikansi Regresi Ganda Mencari Jumlah Kuadrat : JK (R) JK (reg) JK (S)= = Σy2 = 98 = b1Σx1y + b2Σx2y  1.66 (57) + 0.017 (52) 94.62 + 0.88 = 95.50 JK (R) -- JK (reg)  98 -- 95.50 = 2.50
Tabel 4.10. Tabel Anava untuk pengujian Signifikansi Persamaan regresi Ganda Sumber Varians Total Reduksi Regresi Sisa db JK RJK Fh Ft 0.05

3 2 1

98 95.50 2.50 47.75 2.50 19.1
200

Kesimpulan : Persamaan regresi/garis regresi tidak signifikan karena F hitung lebih kecil dari F tabel (19.1 < 200) pada taraf kepercayaan 95 % (0.05)
4.2.2. Korelasi Korelasi adalah suatu hubungan, Koefisien korelasi adalah indeks arah dan besaran suatu hubungan/relasi, Koefisien korelasi Product Moment
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

98

( r ) dapat dihitung dengan beberapa rumus yang ekuivalen. Ada beberapa manfaat dalam mempelajari korelasi yakni : 1. Penentuan adanya hubungan serta besarnya hubungan antara variabel dapat diketahui, sebab koefisien korelasi merupakan ukuran yang dapat menjelaskan besar kecilnya hubungan 2. dengan mengetahui adanya hubungan, maka prediksi terhadap variabel lainnya dapat dilakukan dengan bantuan garis regresi. Korelasi pada dasarnya hanya menunjukan tentang adanya hubungan antara dua variabel atau lebih serta besarnya hubungan tersebut, ini berarti bahwa korelasi tidak menunjukan hubungan sebab akibat. Apabila dipahami sebagai suatu hubungan sebab akibat, hal itu bukan karena diketahuinya koefisien korelasi melainkan karena rujukan teori/logika yang memaknai hasil perhitungan, oleh karena itu analisa korelasional mensyaratkan acuan teori yang mendukung adanya hubungan sebab akibat dalam variabel-variabel yang dianalisa hubungannya. Koefisien korelasi dari suatu perhitungan berkisar antara +1 dan –1, koefisien korelasi yang bertanda (+) menunjukan arah korelasi yang positif, sedangkan yang bertanda (-) menunjukan arah hubungan yang negatif. Sementara itu bila koefisien korelasi bernilai 0, berarti tidak ada hubungan antara variabel satu dengan variabel lainnya. Hubungan tersebut bila digambarkan nampak sebagai berikut :

Y Korelasi Positif

Y Korelasi Negatif

0 Y

X

0

X

Tidak berkorelasi
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

99

0

X

Berikut ini akan dikemukakan beberapa cara perhitungan untuk memperoleh nilai koefisien korelasi . 4.2.2.1. Korelasi Sederhana korelasi sederhana merupakan korelasi yang mencoba memahami hubungan antara satu variebel bebas (X) dengan satu variabel terikat (Y). dalam perhitungannya terdapat beberapa cara yang dapat dipergunakan, berikut ini akan dikemukakan beberapa contoh perhitungan, dan jika terdapat sedikit perbedaan hasil untuk masing-masing cara perhitungan,hal itu semata-mata akibat proses pembulatan 1. Rumus yang menggunakan Standar Skor Penghitungan nilai koefisien korelasi dengan menggunakan rumus standar skor dapat dilakukan dengan melaksanakan langkah-langkah sebagai berikut : a. Menghitung dikorelasikan. b. Menghitung nilai Standar deviasi untuk tiap-tiap variabel yang akan dikorelasikan. c. Menghitung nilai Z untuk masing-masing variabel yang akan dikorelasikan dengan menyelisihkan masing-masing niali tiap variabel untuk kemudian dibagi dengan nilai Standar deviasinya d. Mengalikan nilai Z variabel satu dengan yang lainnya, kemudian dijumlahkan e. Membagi hasil jumlah perkalian nilai Z tersebut dengan jumlah data dikurangi satu
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

nilai

rata-rata

untuk

tiap

variabel

yang

akan

100

Adapun rumusnya adalah : rxy dimana : Σ zxzy
=

n–1

rxy =
zx =

Koefisien korelasi antara variabel X dengan variabel Y X– X Sdx

zy = Y - Y Sdy Untuk memudahkan perhitungan dapat dibuat tabel bantu sebagai berikut : Tabel 4.11. Perhitungan Korelasi menggunakan Standar Skor X 20 30 50 60 80 90 330 = 55 ; X SdX = 27.39 rxy = Σ zxzy n-1 Y 60 50 70 80 120 110 490 zx -1.278 -0.913 -0.183 0.183 0.913 1.278 0.000 zy -0.778 -1.137 -0.419 -0.060 1.376 1.017 0.000 zxzy 0.994 1.038 0.076 -0.011 1.256 1.299 4.652

= 81.67 Y SdY = 27.86 = 4.652 = 0.9304 (0.93) 5

2. Rumus Deviasi Skor (Mean Deviasi)

rxy
x = X - X

Σ xy
=

(Σx ) (Σy )

2

2

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

101

y = Y - Y Tabel 4.12. Perhitungan Korelasi menggunakan Deviasi Skor X 20 30 50 60 80 90 330 Y 60 50 70 80 120 110 490 X -35 -25 -5 5 25 35 0 x2 1225 625 25 25 625 1225 3750 y -21.67 -31.67 -11.67 -1.67 38.33 28.33 0 y2 469.59 1002.99 136.19 2.79 1469.19 802.59 3883.33 xy 758.45 791.75 58.35 -8.35 958.25 991.55 3550

rxy

Σ xy
=

(Σx ) (Σy ) 3550 3550
= = 0.9302 (0.93)

2

2

rxy

=

(3750) (3883,33)

3816.08

3. Rumus dengan metode Product Moment Momen adalah ukuran yang didasarkan pada deviasi tiap nilai variabel. Momen X adalah x dan momen Y adalah y. Product Moment (Pm) adalah hasil perkalian antara momen X dengan Momen Y, yang dirumuskan : Pm = Σ xy N-1 Pm . Sdx . Sdy 3550 5 710 .
27.39 x 27.86

selanjutnya Koefisien korelasi dihitung sbb : r Pm r r = = = =

=

710

710

.

=

0.9304 (0.93) 102

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

763.08

4. Rumus Angka Kasar (Raw Score) Karl Pearson Tabel 4.13 X 20 30 50 60 80 90 330 Y 60 50 70 80 120 110 490 X2 400 900 2500 3600 6400 8100 21900 Y2 3600 2500 4900 6400 14400 12100 43900 XY 1200 1500 3500 4800 9600 9900 30500

r

=

N Σ XY - (Σ X) (Σ Y) --------------------------------------------------N Σ X2 – (Σ X)2 N Σ Y2– (Σ Y)2

r

=

6 x 30500 - 330 x 490 --------------------------------------------------6x21900 – 108900 6x43900 – 240100

= r =

21300 / (150 x 152.64) 0.9302 (0.93)

5. Rumus menggunakan Persamaan dan Koefisien arah regresi Tabel 4.14. X 20 Y 60 X2 400 XY 1200 (Y - Y )2 469.59 Ŷ 48.4 (Y - Ŷ) 11.6 (Y - Ŷ)2 134.56 103

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

30 50 60 80 90 330

50 70 80 120 110 490

900 2500 3600 6400 8100 21900

1500 3500 4800 9600 9900 30500

1002.99 136.19 2.79 1469.19 802.59 3883.33

57.9 76.9 86.4 105.4 114.9 489.9

-7.9 -6.9 -6.4 14.6 -4.9 0.1

62.41 47.61 40.96 213.16 24.01 522.71

r r

= =

1 - Σ (Y- Ŷ)2 Σ (Y- Y )2 1 - 522.71 3883.33 1 - 0.13460 0.8653

r r r r r r

= = = = = =

0.9302 (0.93) b (Sdx : Sdy)
Persamaan regresi tabel 3.5

0.946 (0.95) x (27.39 : 27.86 ) 0.9300 (0.93)

4.2.2.2. Pengujian signifikansi Korelasi Sederhana untuk mengetahui apakah hasil perhitungan korelasi sederhana signifikan atau tidak, maka diperlukan uji signifikansi dengan uji t, adapun rumusnya adalah :

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

104

Uji signifikansi : th

=

r

(N - 2) (1 - r )

th th

> <

tt tt

= =

korelasi signifikan korelasi tidak signifikan

Bila diterapkan pada hasil perhitungan korelasi di atas, hasilnya adalah : Uji signifikansi : r = 0.93 th

= 0.93

(6 - 2) ( 1 - 0.93 )

th th

= =

1.86
0.2645

7.032

kemudian t hitung( th ) tersebut dibandingkan dengan t tabel ( tt ), hasilnya menunjukan bahwa korelasi tersebut signifikan karena th lebih besar dari tt (7.032>2.13) pada taraf kepercayaan 95 % (0,05) dengan derajat kebebasan 4 (nilai t tabel dapat dilihat dalam daftar tabel t) 4.2.2.3. Korelasi Ganda korelasi yang terdiri dari dua variabel bebas (X1, X2) serta satu variabel terikat (Y). apabila perumusan masalahnya terdiri dari tiga masalah, maka hubungan antara masing-masing variabel dilakukan dengan cara perhitungan korelasi sederhana, oleh karena itu berikut ini hanya akan dikemukakan cara perhitungan ganda antara X1, dan X2 dengan Y, yang bila dibagankan akan nampak sebagai berikut :

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002 1

X

105

Y X2
Adapun untuk menghitung koefisien korelasi ganda dapat digunakan rumus berikut: • Cara pertama

Menggunakan rumus sebagai berikut

r2yx1+r2yx2 - 2ryx1.ryx2.rx1x2 Ry.x1x2 = 1 – r2x1x2

Bila rumus tersebut dipergunakan untuk menghitung koefisien korelasi ganda dengan mengacu pada tabel 3.9 hasilnya adalah sebagai berikut : Dari perhitungan koefisien korelasi dengan menggunakan data pada tabel 3.9. diperoleh hasil sebagai berikut ry.x1 = 0.987 (korelasi X1 dengan Y) ry.x2 = 0.959 (korelasi X2 dengan Y) rx1x2 = 0.971 (korelasi X1 dengan X2)

0.9872 + 0.9592 – 2 x 0.987. 0.959. 0.971 Ry.x1x2 = 1 – 0.9712

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

106

Ry. x1x2

=

1.8938 -- 1.8382 0.0571 0.9737 0.987

Ry. x1x2 Ry. x1x2 • Cara kedua

= =

Menggunakan nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total direduksi Ry. x1x2 = JK (reg) JK (R)

Ry. x1x2 Ry. x1x2

= =

95.50 98 0.987

Lihat halaman 99

4.2.2.4. Uji signifikansi Korelasi Ganda : Fh Fh < Ft Fh > Ft Fh Fh Fh

=
=

(R2/2) : (1-R2)/(n-3)
Korelasi tidak signifikan Korelasi signifikan

Angka 2 dan 1 dalam kurung untuk derajat

= =

(0.9872)/(2) : (1-0.9872)/(1)
Korelasi tidak signifikan

<

= 37.758 Ft (37.758 < 200)

4.2.3. Korelasi Parsial Korelasi parsial adalah korelasi antara satu variabel bebas dengan variabel terikat dengan dengan variabel bebas lainnya bersifat tetap. Sebagai contoh korelasi dengan dua variabel bebas : X1, X2 dan Y,

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

107

maka korelasi parsial anara X1 dengan Y dikontrol oleh variabel X2 dan korelasi X2 denga Y dikontrol oleh X1 adapun rumusnya adalah sbb : Korelasi X1 dengan Y dikontrol oleh X2 ry1.2 =

ry1 -

ry2 .r12

(1 – ry22) (1 - r122) Korelasi X2 dengan Y dikontrol oleh X1: ry2.1 =

ry2 -

ry1 .r12

(1 – ry12) (1 - r122) uji signifikansi korelasi parsial : th = r N -3 1 - r2 th th > > tt tt = = Korelasi signifikan

Korelasi tidak signifikan

Contoh perhitungan Dengan menggunakan data dalam tabel 3.9 diperoleh hasil perhitungan : • Korelasi X1 dengan Y dikontrol oleh X2 = 0.987 - 0.959 .0.971 (1 – 0.9592) (1 – 0.9712) ry1.2 ry1.2 • = = 0.0558 0.0677 0.8242

ry1.2

Korelasi X2 dengan Y dikontrol oleh X1 = 0.959 - 0.987. 0.971 108

ry2.1

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

(1 – 0.9872) (1 – 0.9712) ry2.1 ry2.1 = = 0.00062 0.03842 0.0161

4.2.3.1. pengujian signifikansi korelasi parsial Ry1.2 = th = 0.8242 0.82 1

0.3276 th th = = 0.82
0.5723

1.43 < tt = 6.31 (taraf signifikansi 95% dengan db 1) Kesimpulan : korelasi tidak signifikan 0.0161 = 0.0161 0.9997 1

Ry2.1 = th

th th =

= 0.0161 0.9998 0.01610 < tt = 6.31 (taraf signifikansi 95% dengan db 1) Kesimpulan : korelasi tidak signifikan

4.2.4. penafsiran koefisien korelasi koefisien korelasi pada dasarnya tidak hanya menunjukan hubungan antara variabel satu dengan lainnya, tapi juga menunjukan indeks proporsi perbedaan satu variabel terkait dengan variabel lainnya, dengan demikian koefisien korelasi juga menunjukan berapa besar varians total satu variabel berhubungan denga varians variabel lain. Hal ini berarti bahwa tiap nilai r perlu ditafsirkan posisinya dalam keterkaitan tersebut.

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

109

Untuk memberikan tafsiran pada nilai koefisien korelasi, dapat digunakan patokan berikut : POSITIF 0.90 - 1.00 0.70 - 0.90 0.50 - 0.70 0.30 - 0.50 0.00 - 0.30 NEGATIF -0.90 - -1.00 -0.70 - -0.90 -0.50 - -0.70 -0.30 - -0.50 -0.00 - -0.30 PENAFSIRAN Korelasi sangat tinggi (Very high) Korelasi tinggi (High) Korelasi sedang (moderate) Korelasi rendah (Low) Korelasi kecil (Little if any)

Sumber : Dennis E. Hinkle. Applied Statistics for behavioural Science. Halaman :118

4.2.5. Mnghitung Kontribusi Variabel Prediktor Untuk mengetahui berapa besar kontribusi/sumbangan variabel prediktor (Variabel bebas) terhadap Variabel kriteria (variabel terikat), dapat dilakukan dengan menghitung Koefisien Diterminasi (r2) yang merupakan pangkat dua dari koefisien korelasi, sebagai contoh hasil perhitungan koefisien korelasi sederhana menunjukan nilai r = 0.93, maka koefisien diterminasinya adalah 0.932 = 0.8649, ini berarti bahwa 86,49% variasi dalam variabel Y dapat diterangkan/ditentukan oleh variasi dalam variabel X. Adapun untuk Regresi/Korelasi, maka disamping kontribusi totalnya dapat diketahui melalui perhitungan koefisien diterminasi (R2), perlu juga diketahui sumbangan relatif masing-masing prediktor. Dengan mengacu pada hasil perhitungan korelasi ganda dengan data tabel 3.9. diperoleh koefisien Diterminasi untuk korelasi ganda sebesar 0.9742, yang berarti bahwa 97.42 % variasi dalam Variabel Y ditentukan/dapat diterangkan oleh variasi dalam variabel X1 dan X2. adapun sumbangan relatif masing-masing prediktor adalah dengan cara menghitungnya melalui langkah berikut : • Lakukan pemilahan Jumlah Kuadrat Regresi untuk masing-masing prediktor JK (reg) • = b1Σx1y + b2Σx2y  1.66 (57) + 0.017 (52) 94.62 + 0.88 = 95.50 Bagi unsur JKreg untuk masing-masing prediktor dengan Jkreg 1.Sumbangan Relatif X1 = 94.62 : 95.50 x 100% = 99.08%
stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

110

2.Sumbangan Relatif X2 = 0.88 : 95.50 x 100% = 0.92% • Kemudian sebagai berikut : 1. Tentukan Efektivitas Garis Regresi dengan rumus (R2 x JK R) : JK (R) EGR = (0.974 x 98) : 98) x 100% = 97.4% (Koefisien Diterminasi) lakukan penghitungan untuk mengetahui Kontribusi/sumbangan efektif masing-masing prediktor dengan cara

2. Hitung sumbangan efektif masing-masing prediktor
o Sumbangan Efektif X1 = (99.08 : 100) x 97.4% = 96.50% o Sumbangan Efektif X2 = (0.92 : 100) x 97.4%

= 0.90%

UNTUK DIDISKUSIKAN
1. Kemukakan macam-macam hubungan antar Variabel serta contohcontohnya yang berkaitan dengan masalah pendidikan ? 2. Berikan penjelasan keterkaiatan antara analisa regresi dengan analisa korelasi ? 3. Jelaskan apa yang ingin diperoleh dengan melakukan penelitian yang bersifat korelasional ? 4. Hitung persamaan regresi lininer sederhana dan regresi ganda dari data berikut ini : Responden Variabel X1 Variabel X2 30 34 38 34 30 41 46 Variabel Y 40 42 46 49 54 60 64

A 20 B 23 C 25 D 23 E 23 F 35 4.2.6. Pengujian Persyaratan Analisis G 36

Dalam melakukan analisis data yang menggunakan teknik korelasional dengan dua berntuk perhitungan yaitu korelsi product moment dan regresi diperlukan asumsi – asumsi tertentu agar intrepretasi terhadap hisilnya dapat dipertanggungjawabkan dilihat dari sudut pandang statistika. Dalam hubungan ini, asumsi/persyaratan yang perlu dipenuhi adalah :

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

111

Korelasi product momen/Pearson 1. sampel diambil secara acak 2. ukuran sampel minimum dipenuhi 3. data sampel masing-masing variabel berdidtribusi normal 4. bentuk regresi linier (Santosa Murwani. 2000. h 32)

sementara itu menurut Dennis

E. Hinkle

menyatakan bahwa analisis bagi individu atau

menggunakan korelasi Pearson perlu memenuhi dua kondisi yaitu : 1. Variabel yang dikorelasikan harus berpasangan subjek yang sama. 2. variabel yang dikorelasikan skala pengukurannya harus interval atau rasio, dan hubungannya harus bersifat linier. 3. Homogenitas kelompok

Regresi (Fred N. KerlingerElazar J. Pedhazur : 1973 : 47) 1. Skor Variabel Y (dependent Variable) harus berdistribusi normal untuk setiap nilai X, sedangkan untuk variabel bebas (X) tidak disyaratkan berdidtribusi normal. 2. Skor variabel dependen (Y) mempunyai varians yang sama (homogenitas variansi) untuk setiap nilai variabel bebas (X).

Dengan memperhatikan persyaratan di atas, nampak bahwa asumsi normalitas distribusi serta homogenitas variansi diperlukan baik dalam perhitungan korelasi maupun regresi, sedangkan asumsi-asumsi lainnya lebih bersifat pra analisa, oleh karena itu uraian berikut akan difokuskan pada pengujian normalitas dan homogenitas. 1. Uji Normalitas Distribusi Terdapat Square (χ2 ) 1.1. Uji Kolmogorov-Smirnov beberapa cara pengujian normalitas distribusi yaitu menggunakan formula/prosedur Kolmogorov-Smirnov, Liliefors, dan Chi

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

112

Untuk

perhitungan

normalitas

distribusi,

dimisalkan

terdapat

sekelompok data dengan skala pengukuran interval dengan dua variabel bebas dan satu variabel terikat sebagai berikut : Tabel skor Variabel bebas (X) dan variabel terikat (Y) X1 4 4 9 12 12 X2 1 2 8 8 10 Y 7 12 17 20 21

Dari tabel tersebut misalkan kita ingin menguji normalitas variabel Y , maka untuk memudahkan diperlukan tabel bantu sebagai berikut : Tabel bantu Perhitungan Normalitas

Skor Y
7 12 17 20 21 77

f
1 1 1 1 1 5

p
0.2 0.2 0.2 0.2 0.2 1.0

kp
0.2 0.4 0.6 0.8 1.0 -

zx
-1.43 -0.58 0.27 0.78 0.96 0

zt
0.08 0.28 0.61 0.79 0.83 -

a1
0.08 0.08 0.21 0.19 0.03 -

A2
0.12 0.12 0.01 0.01 0.17 -

Mean = 15.4

SD = 5.86 Langkah-langkah perhitungan : Setelah data dimasukan dalam kolom pertama dan dihitung

frekuensinya, kemudian dilakukan perhitungan sebagai berikut : 1. Cari prosentasi (p) dengan cara frekuensi (f) dibagi dengan jumlah data. Dalam contoh baris pertama di atas adalah 1 : 5 = 0.2, demikian seterusnya sampai selesai untuk setiap frekuensi. 2. Cari Kp (prosesntase kumulatif) dengan cara menjumlahkan prosen tase kumulatif dengan prosentase di bawahnya, khusus untuk baris pertama nilai p langsung dipindahkan, untuk baris ke

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

113

dua adalah 0,2 + 0.2 = 0.4, baris ke tiga 0.4 + 0.2 = 0.6, dan seterusnya. 3. Cari nilai Zx dengan cara Skor Y dikurangi dengan Mean/nilai ratarata dibagi nilai Standar Deviasi, sebagai contoh untuk baris pertama adalah (7 – 15.4)/5.86 = - 1.43. untuk baris selanjutnya dihitung dengan cara yang sama. 4. Cari nilai Z tabel (Zt) dengan melihat Tabel Kurva Normal baku (Tabel Z ) berdasarkan nilai Zx –nya, contoh untuk baris pertama. Nilai Z tabel dilihat dalam baris 1,4 dan kolom 3, diperoleh nilai Z sebesar 0.4236, karena nilai Zx – nya bernilai minus maka nilai Z tabel yang diisikan adalah 0.5 - 0.4236 = 0.0764 (0.08). bila Zx bernilai positif maka nilai Z tabel yang diisikan adalah ditambah 0.5. 5. Nilai a1 diperoleh dengan cara menyelisihkan nilai Kp dengan nilai Zt di bawahnya, sedang untuk baris pertama nilai Zt langsung diisikan, contoh untuk baris kedua nilai 0.08 diperoleh dengan cara 0.2 – 0.28 = -0.08 (yang dipakai nilai mutlaknya). 6. nilai a2 diperoleh dengan menyelisihkan nilai Kp dengan nilai Zt yang sejajar, contoh untuk baris pertama 0.2 – 0.08 = 0.12. 7. setelah selesai cari nilai a maksimum, diperoleh nilai 0.21, kemudian bandingankan dengan nilai tabel pada baris N = 5, pada tingkat signifikansi 0.05 diperoleh nilai 0.565, karena a maksimum lebih kecil dari nilai D maksimum berarti distribusi normal. 1.2. Uji Lilliefors Cara lain pengujian normalitas distribusi adalah menggunakan formula Lilliefors, berikut akan diberikan contoh perhitungan dengan menggunaka data pada pengujian Kolmogorof-Smirnov Tabel bantu Perhitungan Normalitas

Skor Y
7 12

f
1 1

p
0.2 0.2

kp
0.2 0.4

zx
-1.43 -0.58

zt
0.08 0.28

zt - Kp
0.12 0.12 114

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

17 20 21 77

1 1 1 5

0.2 0.2 0.2 1.0

0.6 0.8 1.0 Mean = 15.4 SD = 5.86

0.27 0.78 0.96 0

0.61 0.79 0.83 -

0.01 0.01 0.17 -

Dengan melihat tabel di atas nampak bahwa perhitungan dengan menggunakan uji Lilliefors sama dengan perhitungan dengan menggunakan uji Kolmogorov-smirnov dalam penentuan nilai tiap-tiap kolom, sedangkan kolom terakhir dalam pengujian normalitas distribusi ini sama dengan nilai a2 pada uji Kolmogorov-Smirnov. Sesudah kolom-kolom lengkap terisi kemudian tentukan L0 maksimum dari kolom terakhir (zt - Kp), dimana diperoleh Lo = 0.17, bandingkan nilai ini dengan Lt pada baris N = 5 dengan taraf signifikansi 0.05 yaitu sebesar 0.337, dan karena Lo = 0.17 lebih kecil dari Lt = 0.33, maka distribusi data tersebut Normal. Bila diperhatikan kedua cara pengujian normalitas tersebut mengacu pada prinsip yang sama namun dengan tabel uji yang berbeda, disamping itu perlu juga dipahami bahwa nilai-nilai yang dibandingkan dengan nilai tabel mengambil nilai mutlaknya, dalam arti positif atau negatif diperlakukan sama. 1.3. Uji Chi-Kuadrat Pengujian dengan cara ini agak berbeda dengan dua cara sebelumnya, dimana dalam pengujian ini harus dicari selisih antara Zt dengan Zt dibawahnya yang menggambarkan luas tiap kelas, dan perlunya dicari frekuensi yang diharapkan serta tidak perlunya dicari prosentase. Namun untuk itu sebaiknya data dikelompokan terlebih dahulu agar dapat ditentukan batas kelasnya. Untuk lebih jelas berikut akan dikemukakan cara perhitungan dengan menggunakan data pada pengujian sebelumnya.

Menentukan distribusi frekuensi : 1. Jumlah Kelas Interval

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

115

1 + 3,3 log n  1+ 3.3 log 5 = 3.306 (ditetapkan 3) 2. Range (rentang) Data terbesar – Data terkecil  21 - 7 = 14 3. Panjang kelas interval ( i ) i = Range (rentang) : Jumlah Kelas Interval  14/3 = 4.6(5) Tabel bantu Perhitungan Normalitas Skor Y 7 – 11 12 – 16 17 – 21 Batas Kelas 6.5 11.5 16.5 21.5 zx zt Lki Fh fo 1 1 3 5 (fo-fh)2 fh 0.026 0.256 2.017 2.299

-1.52 0.06 -0.67 0.25 0.19 0.95 0.19 0.58 0.33 1.65 1.04 0.85 0.27 1.35 Mean = 15.4 ; SD = 5.86

Cara pengisian kolom-kolom o Untuk pengisian kolom Zx dan Zt caranya sama seperti dalam pengujian Kolmogorov-Smirnov dan Lilliefors. o Kolom Lki (Luas tiap kelas interval) dicari dengan menyelisihkan Zt dengan Zt sebelumnya, contoh nilao 0.19 diperoleh dari 0.25 – 0.06. o Kolom fh diperoleh dengan cara nilai Lki dikalikan dengan jumlah data. o Kolom fo adalah frekuensi tiap kelompok data Skor Y. o Sesudah itu kemudian dicari nilai X2 masing-masing kelompok kemudian dijumlahkan, hasilnya diperoleh nilai 2.299, nilai ini kemudian dibandingkan dengan nilai tabel pada tingkat kepercayaan 95% pada baris 2 (jumlah kelompok dikurangi satu), diperoleh nilai X2 tabel sebesar 5.99. karena X2 hitung lebih kecil dari X2 tabel maka distribusi normal.

2. Pengujian homogenitas Variansi

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

116

Sebagaimana telah dikemukakan dimuka bahwa dalam analisis regresi diperlukan asumsi bahwa nilai Y mempunyai varians yang sama/homogen untuk setiap nilai X, oleh karena itu data variabel Y mesti dikelompokan berdasarkan nilai X nya, sebelum dilakukan pengujian hogenitas variansi. Uji yang biasa digunakan untuk ini biasanya Uji Bartlett dengan menggunakan nilai Chi-Kuadrat sebagai ukuran pengujian. Untuk memperjelas pengertian tersebut berikut ini akan dokemukakan cara perhitungan dengan menggunakan data-data yang telah dipergunakan dalam uji normalitas. Tabel skor Variabel bebas (X) dan variabel terikat (Y) X1 4 4 9 12 12 X2 1 2 8 8 10 Y 7 12 17 20 21

Dengan data tersebut maka perhitungan uji homogenitas dilakukan dua kali terhadap variabel Y, pertama yang dikelompokan berdasarkan X1 dan kedua yang dikelompokan berdasarkan X2 , pengelompokan dilakukan dengan mengurutkan nilai X dari kecil ke besar, dan contoh perhitungan hanya akan menggunakan data X1 dengan Y.

Langkah-langkah perhitungan o Kelompokan skor nilai Y berdasarkan pengurutan skor nilai X1 X1 4 4 9 12 12 Y 7 12 17 20 21 Kelompok 1 1 2 3 3

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

117

o Pengelompokan di atas menunjukan terdapat 3 kelompok data yang anggotanya terdiri : untuk kelompok satu adalah 7 dan 12; kelompok dua 17; dan kelompok tiga adalah 20 dan 21. o Sesudah diketahui kelompoknya, untuk memudahkan perhitungan masukan ketiga kelompok tersebut pada tabel berikut
Sampel/Klp

db 1 0 1 2

1/db 1.00 0 1.00 2

si2 12.5 0 0.5

log si2 1.097 0 -0.301

db log si2 db si2 1.097 0 -0.301 0.796 12.5 0 0.5 13

1 2 3

o Kolom si2 merupakan varians dari tiap kelompok, cara mencarinya dapat digunakan rumus (N x ΣX2) - (Σ X)2/N(N – 1). Contoh untuk kelompok sati (2 x 193) – (19)2 / 2(1)  386 – 361/ 3 = 12.5 1. Lakukan pengujian normalitas distribusi terhadap data berkut dengan o tiga cara pengujian untuk masing-masing variabel Kemudian cari varian gabungan (s2) dengan rumus : Σ db si2/ Σ db, hasilnya adalah 13/2 = 6.5. Tabel skor Variabel bebas (X) dan variabel terikat (Y) o Cari nilai B dengan rumus (Σ db) log s2 = 2 x 0.813 = 1.626. sesudah X1 X2 Y 2 diketahui nilai B, kemudian hitung nilai Chi-Kuadrat (X41dengan rumus ) 15 32 13 33 42 (Ln 10) x (B - (Σ db) log s2)  2.3026 x (1.626 – 0.796 ) = 1.911 18 32 43 o Nilai X2 tersebut kemudian dibandingan dengan nilai X2 tabel pada 18 35 44 33 45 tingkat19 signifikansi 95% pada kolom K-1 nilainya adalah 3,84. 13 35 49 o Kesimpulan : karena X2 hitung lebih kecil dari X2 tabel maka 15 38 46 19 38 50 kelompok data tersebut bersifat homogen (1.911 < 3.84). 2. Lakukan pengujian bila untuk regresi ganda dengan variabel dalam Pengujian homogenitas Homogenitas Variansi terhadap data berikutbebas X1 konteks regresi ganda dan X2 , pengujian homogenitas Variansi dilakukan dua kali yaitu untuk Tabel skor Variabel bebas (X) dan variabel terikat (Y) regresi Y atas X1 dan untuk regresi Y atas X2, sehingga harus dilakukan X1 X2 Y pengelompokan Y berdasarkan X1 dan pengelompokan Y 51 berdasarkan X2, 25 42 23 43 52 adapun langkah-langkah perhitungannya sama. 28 42 53 28 45 54 29 43 55 23 45 59 stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002 118 25 48 56 29 49 60 29 48 62 25 49 63

UNTUK DIDISKUSIKAN

stkip Kuningan / Lembaga Penelitian / Uhar / Penelitian Kuantitatif / 2002

119

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->