analisis regresi varian

Sunarto (030467)

Semester XIII

Uji Nomalitas Data Variabel X (Ktterampilan Mengidentifikasi) dan

Variabel Y (Kemampuan Klasifikasi)
Pengbitungan uji normalitas data menggrmakan SPSS 12. Natuji kenormalan
yang digrmakan adalah uji Lilliefors.
Pedoman pengambilan keputusan uji normalitas:
o Bila nilai signifikansi [Sig.] atau nilai probabilitas < 0,05 maka datatidak
berdistibusi normal.
o Bila niiai signifikansi [Sig.] atau nilai probabilitas > 0,05 maka data
berdistibusi norrnal.
Tests of Normality
Variabel
. Kolmooorov-Smimov Shapiro-Wilk
Statistic df sio. Statistic df Siq.
Nilaa Keteramptlan
Mengidentifikasi
Kemampuan
Mengklasifikasi
.123
.120
43
43
.099
.126
.951
.958
43
43
.064
.116
a. Lilliefors Significance Correction
Hasil pengUjian norrnalites data menggunakan uji Lilliefors, baik untuk
keterarnpilan mengidentifikasi (Variabel X) maupun kemampuan mengklasifikasi
(Variabel Y) diperoleh nilai signifikansi atau probabilitas lebih besar dari 0,05
(0,099 dan0,l26> 0,05). Dengan demikiaq kedua data berdistibusi normal.
73
74
2. Uji Homogenitas Varians
Penghitungan uji homogenitas varians menggunakan SPSS /2. Alat uji
homogenitas varians menggunakan uji Levene.
Pedoman pengambilan keputusan uji homogenitas varians:
. Bila nilai signifikansi [Sig,J atau nilai probabilitas mean (rata-rata) < 0,05
maka varians tidak homogen.
. Bila nilai signifikansi [Sig.] atau nilai probabilitas mean (rata-rata) > 0,05
maka varians homogen.
Hasil uji Levene diketahui bahwa nilai signifikansi atau nilai probabilitas mean
(rala-rata) lebih besar dari 0,05 (0,935 > 0,05), Dengan demikian, varians
homogen.
3. Uji Linearitas
Uji linearitas menggunakantestfor linearity menggunakan SPSS 12. Kriteria
pengujian linearitas adalah sebagai berikut:
. Bila signifikarsi (linearity) < 0,05 maka regresi linear
. Bila signifikansi (linearig)> 0,05 maka regresi non-linear
Test of Homogeneity of Variance
Levene
Statistic df1 dt2 Sio.
Nilai Basecl on Mean
Based on Median
Based on Median and
with adjusted df
Based on trimmed mean
007
007
oo7
006
1
1
1
I
u
u
83.992
u
.935
.934
.931
.940
'75
Test for Linearity
ANOVA Table
Sum of
Sotraigg df
Mean
Souare F Sio.
Xlasifikasi' ldentifikasi Betu,een (Gomdneo)
Grops Lineadty
Deviation from LineadtY
\Mrthin Groups
Tobl
2345.615
2007.672
337.944
2782.292
5127.W7
I
1
7
u
42
293.202
2W7.67
48.278
81.832
3.5tt:t
24.5U
.590
.il)4
.000
.75S
Hasil testfor liturity diketahui bahwa nilai signifikansi flinearity) lebih kecil '
dari 0,05 (0,000 < 0,05). Dengan demikian, kedua variabel (keterampilan
mengidentifikasi dan kemampuan mengllasifikasi) memprmyai hubungan yang
linear.
Lampiran 16.
UJI KORELASI
l. Penghitungan Koefisien Korelasi
Conelations
ldentifikasi Klasifikasi
ldentlfrl(asr Peanson uorelatlon
Slg. (2-tailed)
N
'l
43
.626"
.000
43
Klasifikasi Pearson Conelation
Sig. (2-tailed)
N
.626*'
.000
43
1
43
"*- Correlation is significant at the 0.01 level (2-tailed).
Berdasarkan hasil perhitungan koefisien korelasi menggunakan SPSS 12
diperoleh angka koefisien korelasi sebesar 0,626. Angka koefisien korelasi
sebesar 0,626 menunjukkan keterampilan mengidentifikasi (Variabel X) dengan
kemampuan mengklasifikasi (Variabel Y) mempunyai hubungan yang kuat. Aratr
hubungan yang positif (tidak ada tanda negatif pada aneka 0,626) menunjukkan
semakin tingg, keteraurpilan mengidentifikasi akan membuat
mengkl asifikasi cenderung meningkat.
2. Uji Signilikansi Koelisien Korelasi
Berdasmkan output correlation pada kolom Sign. (2-tailed) diketahui nilai
probabilitas 0,000. Dengan demikiannilaiprobabilitas lebih kecil dari 0,05
,76
77
(0,000 < 0,05). Hal ini menunjukkan bahwa koefisien korelasi signifikan (dapat
digeneralisasikan).
3. Penghitungan Koefisien Determinasi
KD : f xl}tr/o
(0,626)2 x 100%
A392 x 100%
392%
Lampiran 17.
ANALISIS REGRESI UI\TEAR SEDERIIANA
GoefiFcienttr
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Siq. B Std. Enor Beta 1 (Gonstant)
ldentifikasi
23.924
.62.
6.394
.121 .626
3.742
5.136
.001
.oo0
a. Dependent Variablg Klasifikasi
Berdasarkan tabel hasil perhitungan analisis regresi linear sederhana di atas,
diperoleh nilai a:23,924 (konstanta) dan b :0,622. Dengan demikian
persamaan regresi i :23,924 + 0,62?X. Dari persnmean regresi tersebut
diketahui bahwa setiap kenaikan keterampilan mengidentifikasi (variabel X) satu
satuan akan diikuti oleh kenaikan kemampuan mengklasifikasi (variabel Y) A,622
safuan ciengan harga : 4 konstan.
Untuk menguji apakah pers:rmaan regresi tersebut signifikan atau tidak maka
digunakan uji t. Hipotesis untuk pengujian signifikan regresi adatah sebagai
berikut:
lt : Regresi tidak signifikan
Hi : Regresi signifikan
Dasar pengambilan keputusannya adalah :
Jika statistik t*t,oe < 11666, maka Ho diterima
Jika statistik bi*g > t126s1, rnaka Ho ditolak
t78
79
Dari tabel ou$ut SPSS di atas terlihat bahwa nilai t1;s,* adalah 5,136 dan nilai
t1u6.1 dengan dk : 41 (n - 2 : 43 - 2) padataraf kesalah an 5Yo sebesar 2,020. oleh
karenatbrt'e ) t.ocr (5,136 >2,020) maka Ho ditolak atau dapat dikatakan batrwa
regresi signifikan.

Uji Nomalitas Data Variabel X (Ktterampilan Mengidentifikasi) dan
Variabel Y (Kemampuan Klasifikasi)
Pengbitungan uji normalitas data menggrmakan SPSS 12. Natuji kenormalan
yang digrmakan adalah uji Lilliefors.
Pedoman pengambilan keputusan uji normalitas:
o Bila nilai signifikansi [Sig.] atau nilai probabilitas < 0,05 maka datatidak
berdistibusi normal.
o Bila niiai signifikansi [Sig.] atau nilai probabilitas > 0,05 maka data
berdistibusi norrnal.
Tests of Normality
Variabel
. Kolmooorov-Smimov Shapiro-Wilk
Statistic df sio. Statistic df Siq.
Nilaa Keteramptlan
Mengidentifikasi
Kemampuan
Mengklasifikasi
.123
.120
43
43
.099
.126
.951
.958
43
43
.064
.116
a. Lilliefors Significance Correction
Hasil pengUjian norrnalites data menggunakan uji Lilliefors, baik untuk
keterarnpilan mengidentifikasi (Variabel X) maupun kemampuan mengklasifikasi
(Variabel Y) diperoleh nilai signifikansi atau probabilitas lebih besar dari 0,05
(0,099 dan0,l26> 0,05). Dengan demikiaq kedua data berdistibusi normal.
73
74
2. Uji Homogenitas Varians
Penghitungan uji homogenitas varians menggunakan SPSS /2. Alat uji
homogenitas varians menggunakan uji Levene.
Pedoman pengambilan keputusan uji homogenitas varians:
. Bila nilai signifikansi [Sig,J atau nilai probabilitas mean (rata-rata) < 0,05
maka varians tidak homogen.
. Bila nilai signifikansi [Sig.] atau nilai probabilitas mean (rata-rata) > 0,05
maka varians homogen.
Hasil uji Levene diketahui bahwa nilai signifikansi atau nilai probabilitas mean
(rala-rata) lebih besar dari 0,05 (0,935 > 0,05), Dengan demikian, varians
homogen.
3. Uji Linearitas
Uji linearitas menggunakantestfor linearity menggunakan SPSS 12. Kriteria
pengujian linearitas adalah sebagai berikut:
. Bila signifikarsi (linearity) < 0,05 maka regresi linear
. Bila signifikansi (linearig)> 0,05 maka regresi non-linear
Test of Homogeneity of Variance
Levene
Statistic df1 dt2 Sio.
Nilai Basecl on Mean
Based on Median
Based on Median and
with adjusted df
Based on trimmed mean
007
007
oo7
006
1
1
1
I
u
u
83.992
u
.935
.934
.931
.940
'75
Test for Linearity
ANOVA Table
Sum of
Sotraigg df
Mean
Souare F Sio.
Xlasifikasi' ldentifikasi Betu,een (Gomdneo)
Grops Lineadty
Deviation from LineadtY
\Mrthin Groups
Tobl
2345.615
2007.672
337.944
2782.292
5127.W7
I
1
7
u
42
293.202
2W7.67
48.278
81.832
3.5tt:t
24.5U
.590
.il)4
.000
.75S
Hasil testfor liturity diketahui bahwa nilai signifikansi flinearity) lebih kecil '
dari 0,05 (0,000 < 0,05). Dengan demikian, kedua variabel (keterampilan
mengidentifikasi dan kemampuan mengllasifikasi) memprmyai hubungan yang
linear.
Lampiran 16.
UJI KORELASI
l. Penghitungan Koefisien Korelasi
Conelations
ldentifikasi Klasifikasi
ldentlfrl(asr Peanson uorelatlon
Slg. (2-tailed)
N
'l
43
.626"
.000
43
Klasifikasi Pearson Conelation
Sig. (2-tailed)
N
.626*'
.000
43
1
43
"*- Correlation is significant at the 0.01 level (2-tailed).
Berdasarkan hasil perhitungan koefisien korelasi menggunakan SPSS 12
diperoleh angka koefisien korelasi sebesar 0,626. Angka koefisien korelasi
sebesar 0,626 menunjukkan keterampilan mengidentifikasi (Variabel X) dengan
kemampuan mengklasifikasi (Variabel Y) mempunyai hubungan yang kuat. Aratr
hubungan yang positif (tidak ada tanda negatif pada aneka 0,626) menunjukkan
semakin tingg, keteraurpilan mengidentifikasi akan membuat
mengkl asifikasi cenderung meningkat.
2. Uji Signilikansi Koelisien Korelasi
Berdasmkan output correlation pada kolom Sign. (2-tailed) diketahui nilai
probabilitas 0,000. Dengan demikiannilaiprobabilitas lebih kecil dari 0,05
,76
77
(0,000 < 0,05). Hal ini menunjukkan bahwa koefisien korelasi signifikan (dapat
digeneralisasikan).
3. Penghitungan Koefisien Determinasi
KD : f xl}tr/o
(0,626)2 x 100%
A392 x 100%
392%
Lampiran 17.
ANALISIS REGRESI UI\TEAR SEDERIIANA
GoefiFcienttr
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Siq. B Std. Enor Beta 1 (Gonstant)
ldentifikasi
23.924
.62.
6.394
.121 .626
3.742
5.136
.001
.oo0
a. Dependent Variablg Klasifikasi
Berdasarkan tabel hasil perhitungan analisis regresi linear sederhana di atas,
diperoleh nilai a:23,924 (konstanta) dan b :0,622. Dengan demikian
persamaan regresi i :23,924 + 0,62?X. Dari persnmean regresi tersebut
diketahui bahwa setiap kenaikan keterampilan mengidentifikasi (variabel X) satu
satuan akan diikuti oleh kenaikan kemampuan mengklasifikasi (variabel Y) A,622
safuan ciengan harga : 4 konstan.
Untuk menguji apakah pers:rmaan regresi tersebut signifikan atau tidak maka
digunakan uji t. Hipotesis untuk pengujian signifikan regresi adatah sebagai
berikut:
lt : Regresi tidak signifikan
Hi : Regresi signifikan
Dasar pengambilan keputusannya adalah :
Jika statistik t*t,oe < 11666, maka Ho diterima
Jika statistik bi*g > t126s1, rnaka Ho ditolak
t78
79
Dari tabel ou$ut SPSS di atas terlihat bahwa nilai t1;s,* adalah 5,136 dan nilai
t1u6.1 dengan dk : 41 (n - 2 : 43 - 2) padataraf kesalah an 5Yo sebesar 2,020. oleh
karenatbrt'e ) t.ocr (5,136 >2,020) maka Ho ditolak atau dapat dikatakan batrwa
regresi signifikan.

ANALISIS FAKTOR_Erah Humaerah_070629

ANALISIS FAKTOR

Tabel 1. Descriptive Statistics



Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable


Tabel 2. Correlation Matrix



Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya ALASAN dan ALASAN), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda

Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (H0) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 15,091 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 3, memiliki signifikasi 0,002 (berarti memiliki tingkat kesalahan sebesar 2%) sehingga kita dapat percaya 98% bahwa antarvariabel terdapat korelasi












Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.
Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,573. Jadi, analisis factor layak dilakukan


Tabel 4. Anti-image Matrices



Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang tinggi (diatas 0,500).

Tabel 5. Communalities



Table 5 (communalities) menunjukan beberapa varians yang dapat dijelaskan oleh factor yang diekstrak. Cara memperolehnya adalah korelasi pangkat dua. Setiap variable berkorelasi dengan factor-faktor yang diekstrak. Kalau korelasi tersebut dipangkat dua, diperolehlah communalities


Tabel 6. Total Variance Explained



Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 3 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 1,659 dan mampu menjelaskan varians sebesar 55,305%
Component 2 mempunyai nilai 0,992 dan mampu menjelaskan varians sebesar 33,078%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 55,305% atau kita kehilangan informasi sebesar 44,695%.

Tabel 7 Scree plot




Tabel ini menunjukan korelasi setiap variable dengan setiap factor (disebut juga component) yang diekstrak. Lihat pada table Component Matrix, kita ambil contoh antara variable 1 dengan factor 1 (component 1) adalah -0.908.

Table 9. Component Score Coefficient Matrix


















Table 10. Component Score Covariance Matrix

REGRESI_Erah Humaerah_070629

Regression

Mean menunjukan nilai rerata dari Berat badan, yaitu 50,2333
Mean menunjukan nilai rerata dari Ukuran celana, yaitu 22,0000
Standar deviasi Berat badan= 9.30214
Standar deviasi Ukuran celana = 11.86127
Banyaknya data yang dianalisis (N) = 30
Dengan mengunakan korelasi Pearson diperoleh r= -0,223.Itu berarti hubungan antara Berta badan terhadapUkuran celana sangat kuat.Dari koefesien korelasi yang bertanda – diperoleh arti adanya hubungan searah.Artinya,BilaBerta badan tinggi maka kuran celana tinggi.



Nilai R Square dalam tabel model summary menunjukan besarnya pengaruh kontribusi berta badan terhadap ukuran celana. Dalam tabel tersebut terlihat bahwa nilai kontribusinya adalah 8,94.
Persamaan regresi adalah Y = a + bX, sehingga dalam tabel coefficient didapatkan persamaan Y = 3,917+ 0,742X.



Charts


Analisis Output
Berdasarkan hasil output spss, selanjutnya kita melakukan uji hipotesis yang menyatakan model yang dihadapkan bentuknya linier atau tidak.
Hipotesis :
H0 : b=0 (tidak ada hubungan linier antara berta badan dan ukuran celana)
H1 : b≠0 (ada hubungan linier antara berat badan dan ukuran celana)
Dalam output diperoleh nilai Fhit = 237,057 (dalam tabel ANOVA) sedangkan Ftabel = 4,13(tabel distribusi F dengan taraf signifikasi 5% ), karena nilai Fhit > Ftabel maka disimpulkan bahwa kita dapat menolak H0 artinya ada hubungan linier antara berat badan dan ukuran celana.
Pada tabel model summary diperoleh R2 = 0,894. Artinya variable berat badan dapat menerangkan variabilitas sebesar 5% dari variabilitas uuan celana, sedangkan sisanya diterangkan oleh variable lain (dimana R2 merupakan koefisien determinasi)
Untuk penguji signifikan koefisien regresi dapat dilakukan sebagai berikut(lihat tabel coefficients) :
Untuk konstanta
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikansi 3%. Nilai t hit = 8,277, hal ini bisa dilihat dari nilai sig = 0,000
Untuk koefisien berat badan
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikasi 3% tabel hit = 5,397 hal ini bisa dilihat dari nilai sig = 0,00
uuran celana = 8,917 + 0,714 berat badan
Tanda + pada variable berat badan menunjukan arah searah, artinya bila berat badan naik maka ukuran celana akan naik, begitu juga sebaliknya.

KORELASI_Erah Humaerah_070629

KORELASI

Korelasi adalah salah satu tekhnik statistic yang digunakan untuk mencari hubungan antara dua variable atau lebih yang sifatnya kuantitatif. Misalkan kita mempunyai dua variable, variable Y dan X. Kita ingin menguji apakah apakah hubungannya berbanding terbalik atau lurus atau bahkan tidak mempunyai hubuungan sama sekali.




Korelasi Pearson

Correlations


Mean dari fisdas1 = 2.3333
Mean dari fisdas2 = 2.7667
Standar deviasi Fsdas1 = 1.02833
Standar deviasi Fisdas2= .97143
Banyaknya data yang dianalisis = 30
Dengan mengunakan korelasi Pearson diperoleh antara nilai fisdas1 terhadap nilai fisdas2 sangat kuat. Dari koefesien korelasi yang bertanda – diperoleh arti adanya hubungan tidak searah. Artinya,Bila nilai fisdas1 tinggi maka nilai fisdas2 nya tinggi.

Non parametric Correlations


1. Dengan menggunakan nilai koefisien kendall’stau_b diperoleh:

• Nilai korelasinya = -0,023 artinya asosiasi antara nilai matematika dengan english (bila nilai matematika tinggi maka nilai english pun tinggi,begitu pula sebaliknya).
• Hasil output pada Sig. (2-taild) = 1.33 (Nilainya lebih besar dari tingkat signifikasi)Sehingga dapat disimpulkan hasil tersebut signifikan pada tarf signifikasi 5 %,bahkan pada taraf signifikasi 1%.Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara nilai fisdas1 dengan fisdas2.

2. Dengan menggunakan nilai koefisien korelasi Spearman diperoleh;
• Nilai korelasinya = -0.013: artinya asosiasi antara nilai matematika dan english tidak searah (bila nilai matematika rendah maka nilai english tinggi, begitu pula sebaliknya).
• Hasil dari output dari sig. (2-taild) =1,21 (nilainya lebih besar dari nilai signifikasi), maka dapat disimpulkan hasil tersebut signifikan pada taraf signifikasi 5%, bahkan pada taraf signifikasi 1%. Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara fisdas1 dengan fisdas2.

ANALISIS FAKTOR_Wiwin Windayati_070674

ANALISIS FAKTOR

Tabel 1. Descriptive Statistics




Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable.



Tabel 2. Correlation Matrix


Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya ALASAN dan ALASAN), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda.


Tabel 3. KMO and Bartlett's Test




Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.
Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,599. Jadi, analisis factor layak dilakukan.
Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (H0) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 9,336 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 10, memiliki signifikasi 0,498 (berarti memiliki tingkat kesalahan sebesar 49,8%) sehingga kita dapat percaya 31,9% bahwa antarvariabel terdapat korelasi.


Tabel 4. Anti-image Matrices


Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang tinggi (diatas 0,500).



Table 5 (communalities) menunjukan beberapa varians yang dapat dijelaskan oleh factor yang diekstrak. Cara memperolehnya adalah korelasi pangkat dua. Setiap variable berkorelasi dengan factor-faktor yang diekstrak. Kalau korelasi tersebut dipangkat dua, diperolehlah communalities.

Tabel 6. Total Variance Explained




Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 5 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 1,707 dan mampu menjelaskan varians sebesar 34,135%
Component 2 mempunyai nilai 1,059 dan mampu menjelaskan varians sebesar 21,188%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 55,323% atau kita kehilangan informasi sebesar 44,677%.


Tabel 7 Scree plot



Scree plot merupakan cara mendeskripsikan eigenvalue secara visual. Pada sisi vertikal dimasukan eigenvalue, sedangkan sumbu horizontal mewakili seluruh faktor. Lalu ditariklah garis yang menghubungkan titik-titik yang mewakili eigenvalue.


Tabel 8. Component Matrix(a)



Tabel ini menunjukan korelasi setiap variable dengan setiap factor (disebut juga component) yang diekstrak. Antara variable 1 (X1) dengan factor 1 nilai korelasi adalah 0,537, sedangkan dengan factor 2, nilai korelasi adalah 0,340. Pangkat-duakanlah kedua nilai korelasi itu, lalu jumlahkan, hasilnya adalah 0,593. Dengan cara demikianlah seluruh communalities diperoleh.
Lihat pada table Component Matrix, kita ambil contoh antara variable 1 (MAKANANNYA TIDAK ENAK) dengan factor 1 (component 1) adalah 0,771, dengan factor 2 adalah 0,109. masing-masing nilai tersebut dipangkat duakan, lalu kemudian dijumlahkan, maka akan dihasilkan nilai communialities sebesar 0,58.
Dari component matrik kita bisa melihat bahwa MAKANANNYA TIDAK ENAK ikut component 1 karena mempunyai loading factor sebesar 0,771 yang lebih besar dari pada loading factor ke component 2 Dengan cara yang sama kita bisa mengelompokkan :
Component 1 : Makanannya tidak enak.
Component 2 : Alasan.


Table 9. Rotated Component Matrix(a)



Melalui component matriks, jelas bagi kita Makanannya tidak enak adalah anggota factor 1 karena variable tersebut memiliki korelasi yang tinggi dengan factor 1, sedangkan dengan factor 2, korelasinya rendah

Table 10. Component Score Coefficient Matrix


Table 11. Component Score Covariance Matrix




Table 12. Component Transformation Matrix


Tabel 13.Component Plot in Rotated Space

REGRESI_Wiwin Windayati_070674

Regression




Mean menunjukan nilai rerata dari Banyak makan, yaitu 3,9667
Mean menunjukan nilai rerata dari Berat badan, yaitu 56,20000
Standar deviasi Banyak makan = 0.80872
Standar deviasi Berat badan = 42,1328
Banyaknya data yang dianalisis (N) = 30
Dengan mengunakan korelasi Pearson diperoleh r= -0,781. Itu berarti hubungan antara nilai Banyak makan terhadap nilai Berat badan sangat kuat. Dari koefesien korelasi yang bertanda – diperoleh arti adanya hubungan searah.Artinya,Bila nilai b Banyak makan tinggi maka nilaiBerat badan tinggi.




Nilai R Square dalam tabel model summary menunjukan besarnya pengaruh kontribusi nilai Banyak makan terhadap nilai Berat badan. Dalam tabel tersebut terlihat bahwa nilai kontribusinya adalah 0,05.
Persamaan regresi adalah Y = a + bX, sehingga dalam tabel coefficient didapatkan persamaan Y = -4,461 + 0,150X.



Analisis Output
Berdasarkan hasil output spss, selanjutnya kita melakukan uji hipotesis yang menyatakan model yang dihadapkan bentuknya linier atau tidak.
Hipotesis :
H0 : b=0 (tidak ada hubungan linier antara Banyak makan dan Berat badan)
H1 : b≠0 (ada hubungan linier antara Banyak makan dan Berat badan)
Dalam output diperoleh nilai Fhit = 43,886 (dalam tabel ANOVA) sedangkan Ftabel = 3,12 (tabel distribusi F dengan taraf signifikasi 5% ), karena nilai Fhit > Ftabel maka disimpulkan bahwa kita dapat menolak H0 artinya ada hubungan linier antara Banyak makan dan Berat badan
Pada tabel model summary diperoleh R2 = 0,610. Artinya variable Banyak makan dapat menerangkan variabilitas sebesar 5% dari variabilitas Berat badan, sedangkan sisanya diterangkan oleh variable lain (dimana R2 merupakan koefisien determinasi)
Untuk penguji signifikan koefisien regresi dapat dilakukan sebagai berikut(lihat tabel coefficients) :
Untuk konstanta
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikansi 3%. Nilai t hit = 2,229, hal ini bisa dilihat dari nilai sig = 0,000
Untuk koefisien Banyak makan
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikasi 3% tabel hit = 1,123 hal ini bisa dilihat dari nilai sig = 0,002
Berat badan = Y = -4,461 + 0,150 Banyak makan
Tanda + pada variable Berat badan menunjukan arah searah, artinya bila nilai Banyak makan naik maka Berat badan akan naik, begitu juga sebaliknya.

KORELASI_Wiwin Windayati_070674

KORELASI

Korelasi adalah salah satu tekhnik statistic yang digunakan untuk mencari hubungan antara dua variable atau lebih yang sifatnya kuantitatif. Misalkan kita mempunyai dua variable, variable Y dan X. Kita ingin menguji apakah apakah hubungannya berbanding terbalik atau lurus atau bahkan tidak mempunyai hubuungan sama sekali.

Menurut Young ( 1982:317). Ukuran korelasi adalah sebagai berikut :
1. 0.70 – 1.00 ( Baik plus atau Minus ) menunjukan adanya derajat asosiasi yang tinggi.
2. 0.40 - < style="margin: 0px auto 10px; display: block; text-align: center; cursor: pointer; width: 158px; height: 400px;" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEg-2x00HEpZ1jA6kOXUdE1iCIszQGis9kA09q5pyaXC_d4nwKD23rIGbl6lB-2PXQACMWDBgiWDEy76ibyDdJ0wTkxa9vvYob7GkGYrgEeruXpue9-4LtzmfoP8HrVsqeOMMwCVkipB0-xP/s400/tabel.JPG" alt="" id="BLOGGER_PHOTO_ID_5426231685270322946" border="0">
Korelasi Pearson

Correlations

Mean dari Morfologi Tumbuhan = 2,7000
Mean dari Anatomi Tumbuhan = 3,1000
Standar deviasi Morfologi Tumbuhan = 0,87691
Standar deviasi Anatomi Tumbuhan =0,71197
Banyaknya data yang dianalisis = 30
Dengan mengunakan korelasi Pearson diperoleh r= 0,105. Itu berarti hubungan antara nilai Morfologi Tumbuhan terhadap nilai Anatomi Tumbuhan sangat kuat. Dari koefesien korelasi yang bertanda + diperoleh arti adanya hubungan searah. Artinya,Bila nilai Morfologi Tumbuhan tinggi maka nilai Anatomi Tumbuhan tinggi.

Nonparametric Correlations

1. Dengan menggunakan nilai koefisien kendall’stau_b diperoleh:

• Nilai korelasinya = 0,105 artinya asosiasi antara nilai Morfologi Tumbuhan dengan Anatomi Tumbuhan (bila nilai Morfologi Tumbuhan tinggi maka nilai Anatomi Tumbuhan pun tinggi).
• Hasil output pada Sig. (2-taild) = 0,605 (Nilainya lebih besar dari tingkat signifikasi) Sehingga dapat disimpulkan hasil tersebut signifikan pada taraf signifikasi 5 %,bahkan pada taraf signifikasi 1%.Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara nilai Morfologi Tumbuhan dengan Anatomi Tumbuhan
2. Dengan menggunakan nilai koefisien korelasi Spearman diperoleh;
• Nilai korelasinya = 0,105 artinya asosiasi antara Morfologi Tumbuhan dengan Anatomi Tumbuhan searah (bila nilai Morfologi Tumbuhan rendah maka nilai Anatomi Tumbuhan tinggi).
• Hasil dari output dari sig. (2-taild) = 0,610 (nilainya lebih besar dari nilai signifikasi), maka dapat disimpulkan hasil tersebut signifikan pada taraf signifikasi 5%, bahkan pada taraf signifikasi 1%. Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara Morfologi Tumbuhan dengan Anatomi Tumbuhan.

Factor Analysis


Nama : Gerhana Pertiwi
Kelas : 3 B (070633)




Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable.



Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya IRIT dan IRIT), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda.


Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.
Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,511. Jadi, analisis factor layak dilakukan.
Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (H0) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 1,358 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 6, memiliki signifikasi 0,968 (berarti memiliki tingkat kesalahan sebesar 96,8%) sehingga kita dapat percaya 31,9% bahwa antarvariabel terdapat korelasi.


Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang tinggi (diatas 0,500).




Scree plot merupakan cara mendeskripsikan eigenvalue secara visual. Pada sisi vertical dimasukan eigenvalue, sedangkan sumbu horizontal mewakili seluruh factor. Lalu ditariklah garis yang menghubungkan titik-titik yang mewakili eugenvalue.





Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 5 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 1.233 dan mampu menjelaskan varians sebesar 30.822%
Component 2 mempunyai nilai 1,046dan mampu menjelaskan varians sebesar 26157%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 56.979% atau kita kehilangan informasi sebesar 46,01%.