Upload
hoangdiep
View
216
Download
1
Embed Size (px)
Citation preview
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Scatterplot
Untuk mengetahui kelinearan data, maka terlebih dahulu melakukan uji
regresi dengan menggunakan scatterplot pada Minitab. Berikut ini adalah
scatterplot dari hubungan antara banyaknya UKM (variabel bebas X) dengan nilai
IPK (variabel terikat Y).
Gambar 4.1 Scatterplot antara banyaknya UKM dengan IPK
Berdasarkan pada gambar 4.1 yang menunjukkan bahwa hubungan antara
banyaknya UKM yang diikuti (variabel bebas X) dengan nilai IPK (variabel
terikat Y), secara visual berbentuk garis lurus maka dari itu jenis regresi yang
dapat disimpulkan adalah regresi linier.
4.2 Uji Korelasi
Pengujian korelasi dilakukan pada data pengaruh banyaknya UKM yang
diikuti terhadap IPK mahasiswa Statistika ITS. Hal ini dilakukan untuk
mengetahui keeratan hubungan (linear) antara banyaknya UKM yang diikuti (X)
terhadap IPK mahasiswa Statistika ITS (Y).
H0 : ρ = 0 (korelasi tidak signifikan)
H1 : ρ ≠ 0 (korelasi signifikan)
α=0 . 05
Tolak H0 jika Pvalue < α
15
Tabel 4.1 Output Minitab korelasi
Berdasarkan pada tabel 4.1 yang berisi output minitab dapat diketahui bahwa
pada uji korelasi Pearson, Pvalue > α yaitu sebesar 0.423 > 0.05, maka dapat diberi
keputusan bahwa gagal tolak H0 yang artinya tidak ada hubungan korelasi yang
signifikan antara banyaknya UKM yang diikuti dengan nilai IPK mahasiswa
Statistika ITS.
Untuk membuktikan kebenaran dari hasil output Minitab, maka dilakukan
perhitungan manual untuk membandingkan hasil dari Minitab. Hasil perhitungan
manual uji korelasi adalah sebagai berikut.
H0 : ρ = 0 (korelasi tidak signifikan)
H1 : ρ ≠ 0 (korelasi signifikan)
α=0 . 05
rtabel =0.361
Tolak H0 jika rhitung>rtabel
r=b(sx
s y)=(0.047 )(1 .1550 .357)=0 . 152
Keputusan: rhitung<rtabel yaitu 0.152 < 0.361 sehingga gagal tolak H0.
Kesimpulan: tidak ada hubungan korelasi yang signifikan antara banyaknya
UKM yang diikuti dengan nilai IPK mahasiswa Statistika ITS.
Dari hasil perhitungan dengan Minitab dan secara manual menunjukkan hasil
yang sama yaitu gagal tolak H0. Dengan kata lain terdapat hubungan pada
banyaknya UKM yang diikuti dengan jumlah IPK yang didapatkan atau tidak
terdapat perbedaan yang signifikan.
4.3 Penaksiran Parameter
Untuk mengetahui nilai parameter regresi linier sederhana pada data
hubungan banyaknya UKM terhadap IPK mahasiswa Statistika ITS, maka
dilakukan perhitungan terhadap data hubungan banyaknya UKM terhadap IPK
16
Pearson correlation of Jumlah UKM
(X) and IPK (Y) 0.152
P-Value 0.423
mahasiswa Statistika ITS. Untuk memperoleh hasil yang akurat, maka
perhitungan dilakukan dengan dua cara yaitu dengan Minitab dan secara manual.
Hasil perhitungan dengan Minitab adalah sebagai berikut.
Tabel 4.2 Output Minitab penaksiran parameter
The regression equation
IPK (Y) 3.11 + 0.0470 Jumlah UKM (X)
Pada output minitab menunjukkan bahwa nilai a sebesar 3.11 dan nilai b
sebesar 0.0470 yang artinya jika banyaknya UKM naik satu satuan maka IPK
akan naik 0.0470 satuan. Jadi, dapat disimpulkan bahwa semakin banyak
mahasiswa Statistika ITS mengikuti UKM, maka nilai IPK akan meningkat.
Hasil perhitungan Minitab akan dibandingkan dengan hasil perhitungan
manual. Hasil perhitungan manual adalah sebagai berikut.
b=n∑
i=1
n
xi y i−∑i=1
n
x i∑i=1
n
y i
n∑i=1
n
xi2−(∑i=1
n
x i)2
=30∑
i=1
30
x i y i−∑i=1
30
x i∑i=1
30
y i
30∑i=1
30
x i2−(∑i=1
30
x i)2
=30 (204 .11)−(63 )( 96 .33 )30 (171)−(63)2
=0.0470
a= y−b x=3. 211−(0 .0470)(2 .1)=3 .21−0 .10=3 .11Jadi model regresi sederhana dari data pengaruh banyaknya UKM terhadap IPK
mahasiswa adalah y=3 . 11+0 . 047 atau IPK=3.11+0.047 Jumlah UKM.
Perhitungan manual menunjukkan hasil yang sama bahwa nilai a sebesar
3.11 dan nilai b sebesar 0.0470 yang artinya jika banyaknya UKM naik satu
satuan maka IPK akan naik 0.0470 satuan. Jadi, dapat disimpulkan bahwa
semakin banyak mahasiswa Statistika ITS mengikuti UKM, maka nilai IPK akan
meningkat.
17
4.4 Koefisien Determinasi
Untuk mengetahui prosentase besarnya variabilitas dalam data hubungan
banyaknya UKM terhadap nilai IPK mahasiswa Statistika ITS yang dijelaskan
oleh model regresi, maka dilakukan perhitungan koefisien determinasi.
Perhitungan dilakukan dengan menggunakan Minitab dan manual. Hasil
perhitungan koefisien determinasi menggunakan Minitab adalah sebagai berikut.
Tabel 4.3 Output Minitab koefisien determinasi
S 0.359353
R-Sq 2.3%
R-Sq(adj) 0.0%
Pada hasil yang dikeluarkan oleh minitab dapat diketahui bahwa nilai R-Sq
sebesar 2.3% yang artinya variabilitas dari IPK mahasiswa Statistika ITS dapat
dijelaskan oleh model sebesar 2.3%.
Hasil perhitungan Minitab akan dibandingkan dengan hasil perhitungan
manual. Hasil perhitungan manual adalah sebagai berikut.
R2=r2=( 0. 152)2=0 . 023×100 %=2 . 3 %
Perhitungan manual menunjukkan hasil yang sama bahwa nilai R2
sebesar
2.3% yang artinya variabilitas dari IPK mahasiswa Statistika ITS dapat dijelaskan
oleh model sebesar 2.3%.
4.5 Pengujian Parameter
Untuk mengetahui suatu model sesuai atau tidak, maka dilakukan pengujian
parameter pada data Jumlah UKM terhadap IPK mahasiswa Statistika ITS.
Pengujian Parameter dilakukan dengan dua cara, yaitu uji serentak (Uji F) dan uji
parsial (uji t-student).
4.5.1 Uji Serentak (Uji F)
Untuk mengetahui model regresi jumlah UKM terhadap IPK mahasiswa
Statistika ITS signifikan atau tidak, maka dilakukan pengujian dengan
18
menggunakan uji serentak (uji F). Pengujian ini dilakukan dengan dua cara yaitu
dengan Minitab dan manual. Hasil perhitungan dengan manual adalah sebagai
berikut.
H0 : βi = 0
H1 : minimal ada satu βi ≠ 0 dengan i = 1,2,…,30.
Tolak H0 jika Fhitung > F(1,n-1)α
JKR=∑i=1
n
( yi− y )2=0 . 0853
JKT=∑i=1
n
( yi− y )2=3. 70
JKS=JKT−JKR=3 . 617
RKR= JKRdbreg
= 0 .08531
=0 .0583
RKS= JKSdbsisa
= 3 .61728
=0 .1291
Fhitung=JKRJKS
=0 .08530.1291
=0 . 66
Tabel 4.4 Analysis Of Variance (ANOVA) uji F
Sumber
Variansi
Derajat
Bebas
JK
(Jumlah
Kuadrat)
RK
(Rataan
Kuadrat)
Fhitung
Ftabel
α=0 . 05Keputusan
Regresi 1 0.0853 0.0853 0.66 4.20 Gagal Tolak H0
Sisa 28 3.617 0.1291
Total 29 3.700
Tabel 4.4 menunjukkan bahwa Fhitung <F tabel dengan nilai Fhitung dan Ftabel
masing-masing sebesar 0.66 dan 4.20. Berdasarkan nilai Fhitung dan Ftabel maka
keputusannya adalah gagal tolak H0. Hal tersebut menunjukkan bahwa model
regresi data jumlah UKM terhadap IPK mahasiswa signifikan.
Hasil perhitungan manual akan dibandingkan dengan hasil perhitungan
Minitab. Hasil perhitungan dengan menggunakan Minitab adalah sebagai berikut.
H0 : βi = 0,
H1 : βi ≠ 0, i=0,1
19
Tolak H0 jika Pvalue<α
Tabel 4.5 Analysis Of Variance (ANOVA) pada Minitab
Sumber
Variansi
Derajat
Bebas
JK (Jumlah
Kuadrat)
RK (Rataan
Kuadrat)Pvalue Keputusan
Regresi 1 0.0853 0.0853 0.423 Gagal Tolak H0
Sisa 28 3.6158 0.1291
Total 29 3.701
Tabel 4.5 menunjukkan bahwa Pvalue>α yaitu sebesar 0.423. Berdasarkan
P-value , maka keputusannya adalah gagal tolak H0. Hal tersebut menunjukkan
bahwa model regresi data jumlah UKM terhadap IPK mahasiswa signifikan.
4.5.2 Uji Parsial (Uji t-student)
Pengujian serentak menunjukkan bahwa model regresi data jumlah UKM
terhadap IPK mahasiswa tidak sesuai. Untuk mencari model lain yang lebih
cocok, maka pengujian dilanjutkan ke uji parsial. Perhitungan uji parsial
dilakukan dengan minitab dan secara manual. Hasil perhitungan dengan
menggunakan Minitab adalah sebagai berikut.
H0 : β1 = 0,
H1 : β1≠ 0
Tolak H0 jika P-value < α. Tabel 4.6 Output Minitab uji parsial (uji T)
Predictor Coef SE Coef T P
Constant 0.000 3.1124 0.1379 22.57
JUMLAH UKM 0.04695 0.05777 0.81 0.423
Tabel 4.6 menunjukkan bahwa koefisien a bernilai 3.1124 dan b bernilai
0.04695. Ini berarti nilai koefisien a dan b masing-masing tidak sama dengan 0.
Hal ini menunjukkan bahwa a dan b signifikan, artinya koefisien tersebut
berpengaruh terhadap model. Pengujian pada p-value constant untuk H0 sebesar
0.000, ini berarti nilai p-value < 0.05 sehingga tolak H0. Sedangkan pada p-value
variabel X (jumlah UKM) sebesar 0,665, ini berarti nilai p-value > 0.05 sehingga
gagal tolak H0.
20
Hasil perhitungan secara manual uji parsial dari data hubungan jumlah UKM
terhadap IPK mahasiswa Statistika ITS adalah sebagai berikut.
H0 : β1 = 0,
H1 : β1 ≠ 0
Tolak H0 jika thitung > ttabel
s(b )=√∑Y 2−a∑ y−b∑ XYn−2
√∑ ( X2 )−∑ ( X )2 /n
=3. 66336 .470446
=0 .566161
t=b−βs (b )
= 0 . 0470−00 .566161
=0 .083
Berdasarkan pada perhitungan manual tersebut maka dapat thitung dapat
dibandingakan dengan ttabel dengan taraf signifikan sebesar 0,05 yang berderajat
bebas 28 yaitu sebesar 1.701. Sehingga dapat diperoleh keputusan gagal tolak H0
karena nilai thitung < ttabel yaitu 0.083 < 1.701. Jadi dapat diperoleh kesimpulan
bahwa model sesuai.
4.6 Uji Asumsi Residual
Dalam sebuah penelitian tidaklah seluruhnya nilainya perameter tersebut
murni. Pada umumnya dalam sebuah penelitian pastilah terdapat error tau yang
saat ini bias disebut dengan residual. Residual yang terdapat dalam sebuah
penelitian haruslah memiliki syarat. Syarat dari residual tersebut antara lain adalah
residual identik, independen dan berdistribusi normal.
4.6.1 Pemeriksaan Asumsi Residual Identik
Pemeriksaan asumsi residual yang identik perlu dilakukan, hal ini
dikarenakan sebagai syarat dalam penemuhan asumsi residual yang IIDN. Berikut
ini merupakan grafik dari pemeriksaan asumsi residual yang identik.
21
Gambar 4.2 Pemeriksaan Asumsi Residual Identik
Berdasarkan pada grafik asumsi residual identik maka dapat terlihat bahwa
residual dari data jumlah UKM yang diikuti dengan jumlah IPK yang didapatkan
adalah tidak identik karena titik-titik merah membentuk sebuah pola. Namun,
dalam hal ini dapat diasumsikan identik.
4.6.2 Pemeriksaan Asumsi Residual Independen
Berikut ini merupakan grafik dari pemeriksaan asumsi residual yang
independen.
Gambar 4.3 Pemeriksaan Asumsi Residual Independen
Berdasarkan pada gambar 4.3 maka dapat terlihat bahwa residual yang
dimiliki data jumlah UKM yang diikuti dengan besarnya IPK yang diperoleh
22
adalah independen. Hal itu dikarenakan grafik tidak membentuk suatu pola
tertentu.
4.6.3 Pengujian Asumsi Residual Berdistribusi normal
Uji asumsi residual IIDN (0,σ 2) dilakukan untuk menguji identik,
independen dan kenormalan hubungan banyaknya UKM terhadap IPK mahasiswa
Statiatika ITS. Berikut ini adalah hasil dari pengujian asumsi normalitas.
H0 = Residual berdistribusi normal
H1 = Residual tidak berdistribusi normal
α=0 . 05
Gambar 4.4 Pengujian Asumsi Residual Berdistribusi Normal
Berdasarkan pada grafik pengujian residual berdistribusi normal, dapat
diketahui bahwa p-value > α yaitu sebesar 0.229 > 0.05 maka dapat diperoleh
keputusan bahwa data residual adalah berdistribusi normal.
Berikut ini merupakan grafik output minitab yang menampilkan 4 buah
grafik yaitu distribusi normal, identik, histogram dan independen
23
Gambar 4.5 Uji Asumsi Residual IIDN (0,σ 2)
Gambar 4.5 secara visual menunjukkan residual plots pengaruh
banyaknya UKM terhadap IPK mahasiswa Statistika ITS. Pada grafik versus
fits menunjukkan garis yang dibentuk dari titik-titik menyebar yang artinya
residual data banyaknya UKM terhadap IPK mahasiswa Statistika ITS adalah
tidak identik namun dalam hal ini diasumsikan identik. Pada grafik versus
order menunjukkan terbentuknya pola interval yang artinya residual data
banyaknya UKM terhadap IPK mahasiswa Statistika ITS adalah independent.
Sedangkan pada normal probability plot dapat terlihat secara visual bahwa
titik-titik merah menyebar disekitar garis, maka dapat disimpulkan bahwa
data banyaknya UKM terhadap IPK mahasiswa Statistika ITS berdistribusi
normal.
24