makalah (6) by anamaulida

VIEWS: 48 PAGES: 20

									  KESALAHAN ANALISIS DATA PADA SKRIPSI




                      Oleh:
           1.   Dwi Suciati      (4150405009)
           2.   Munirul Chakim   (4150405016)
           3.   Rina Marfungah   (4150405026)
           4.   Abdul Gofur R.   (4150405033)




                JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
         UNIVERSITAS NEGERI SEMARANG
                          2009
                                     BAB 1
                             PENDAHULUAN


1.1      Latar Belakang Masalah
         Statistik diartikan sebagai kumpulan data bilangan maupun non bilangan
yang disusun dalam tabel atau diagram yang menggambarkan suatu persoalan
(Sudjana 2005: 2). Sedangkan statistika diartikan sebagai ilmunya. Statistika
adalah pengetahuan yang berhubungan dengan cara-cara pengumpulan data,
pengolahan atau penganalisisannya dan penarikan kesimpulan berdasarkan
kumpulan data dan penganalisisan yang dilakukan (Sudjana 2005: 3). Disadari
atau tidak, statistika sudah banyak digunakan dalam kehidupan sehari-hari.
Statistika sangat penting digunakan dalam bidang teknik, industri, bisnis,
ekonomi, astronomi, biologi, kedokteran, asuransi, pertanian, perniagaan,
sosiologi, antropologi, pemerintahan, pendidikan, dan sebagainya.
         Dunia penelitian atau riset, dimanapun dilakukan, tidak akan terlepas dari
masalah statistika. Masalah statistika dapat diselesaikan dengan metode-metode
statistik. Dalam dunia perkuliahan, para mahasiswa yang skripsi atau tugas
akhirnya berupa studi kasus atau penelitian biasanya menggunakan metode
statistika untuk menyelesaikan analisis data skripsi atau tugas akhir.
         Mata kuliah mengenai metode statistika tidak hanya diajarkan kepada
mahasiswa jurusan matematika saja. Akan tetapi seluruh mahasiswa disemua
jurusan diajarkan mata kuliah tersebut. Hanya saja penekanan metode statistika
pada mahasiswa jurusan matematika lebih mendalam sehingga pemahaman
mereka mengenai statistika lebih paham daripada mahasiswa dari jurusan lain.
Akibatnya, jika ditelusuri lebih jauh masih banyak ditemukan skripsi dan tugas
akhir mahasiswa non matematika yang analisis datanya masih salah atau kurang
benar.
         Pada makalah ini akan dibahas kesalahan analisis data dan pembetulan
analisis data pada salah satu skripsi yang berjudul “ Pengaruh Penggunaan Modal
Kerja dan Tenaga Kerja terhadap Pendapatan Industri Kecil Getuk Goreng di



                                         1
Kecamatan Sokaraja Kabupaten Banyumas”, yang ditulis oleh Ari Wiyatmi
(3364981601), Prodi Pendidikan Akuntansi, Jurusan Ekonomi, Fakultas Ilmu
Sosial. Rumusan masalah yang terdapat pada skripsi tersebut antara lain:
(1) Bagaimana pengaruh penggunaan modal kerja terhadap pendapatan industri
      kecil getuk goreng di Kecamatan Sokaraja Kabupaten Banyumas?
(2) Bagaimana pengaruh penggunaan tenaga kerja terhadap pendapatan industri
      kecil getuk goreng di Kecamatan Sokaraja Kabupaten Banyumas?
(3) Seberapa besar pengaruh penggunaan modal kerja dan tenaga kerja terhadap
      pendapatan industri kecil getuk goreng di Kecamatan Sokaraja Kabupaten
      Banyumas?
         Berdasarkan latar belakang di atas, maka penulis mengambil judul
“Kesalahan Analisis Data pada Skripsi”.


1.2      Permasalahan
         Permasalahan yang akan dikaji adalah sebagai berikut.
(1) Dimana letak kesalahan analisis data yang terdapat pada skripsi berjudul
      “Pengaruh Penggunaan Modal Kerja dan Tenaga Kerja terhadap Pendapatan
      Industri Kecil Getuk Goreng di Kecamatan Sokaraja Kabupaten Banyumas”?
(2) Bagaimana pembetulan analisis data pada skripsi berjudul “Pengaruh
      Penggunaan Modal Kerja dan Tenaga Kerja terhadap Pendapatan Industri
      Kecil Getuk Goreng di Kecamatan Sokaraja Kabupaten Banyumas”?


1.3      Tujuan
         Tujuan dari permasalahan di atas adalah sebagai berikut.
(1) Untuk mengetahui letak kesalahan analisis data yang terdapat pada skripsi
      berjudul “Pengaruh Penggunaan Modal Kerja dan Tenaga Kerja terhadap
      Pendapatan Industri Kecil Getuk Goreng di Kecamatan Sokaraja Kabupaten
      Banyumas”.




                                          2
(2) Untuk mengetahui pembetulan analisis data pada skripsi berjudul “Pengaruh
   Penggunaan Modal Kerja dan Tenaga Kerja terhadap Pendapatan Industri
   Kecil Getuk Goreng di Kecamatan Sokaraja Kabupaten Banyumas”.




                                     3
                              BAB 2
                          LANDASAN TEORI

       Terdapat dua macam teknik statistik inferensial yang dapat digunakan
untuk menguji hipotesis penelitian, yaitu statistik parametris dan statistik
nonparametris (Sugiyono 2004: 8).
       Statistik parametris lebih banyak digunakan untuk menganalisis data yang
berbentuk interval dan rasio, dengan dilandasi beberapa persyaratan tertentu
misalnya data variabel yang akan dianalisis harus berdistribusi normal (Sugiyono
2004: 8). Biasanya sampling yang dilakukan beranggotakan n yang cukup besar (n
> 30). Analisis statistik yang terdapat pada statistik parametris misalnya analisis
regresi (uji hubungan dan pengaruh antar variabel), uji t (uji perbedaan) dua
variabel, dan uji perbedaan data lebih dari dua variabel (Sukestiyarno 2008: 7).
       Statistik nonparametris digunakan untuk menganalisis data yang berbentuk
nominal dan ordinal serta tidak dilandasi persyaratan data harus berdistribusi
normal (Sugiyono 2004: 8). Analisis nonparametris biasanya lebih tepat jika
digunakan pada suatu sampling data ukuran kecil. Analisis statistic yang terdapat
pada statistic nonparametris misalnya uji tanda, uji kebebasan chi kuadrat, uji U
Mann-whitney, dan sebagainya (Sukestiyarno 2008: 7).
       Dalam kehidupan sehari-hari banyak ditemukan persoalan atau fenomena
yang meliputi lebih dari sebuah variabel. Misalnya, berat orang dewasa laki-laki
sampai taraf tertentu bergantung pada tingginya, tekanan semacam gas bergantung
pada temperature, hasil produksi padi tergantung pada jumlah pupuk yang
digunakan, banyak hujan, cuaca, dan sebagainya.
       Jika dipunyai sebuah data yang terdiri dari dua atau lebih variabel maka
dapat diketahui hubungan atau pengaruh antar variabel tersebut. Hubungan dan
pengaruh yang didapat pada umumnya dinyatakan dalam bentuk persamaan
matematik yang menyatakan hubungan fungsional antara variabel-variabel. Studi
yang menyangkut masalah ini dikenal dengan analisis regresi linier (Sudjana
2005: 310). Analisis regresi linier juga digunakan untuk meramalkan suatu
variabel (variabel dependen) berdasar satu atau beberapa variabel lain (variabel



                                         4
independen) dalam suatu persamaan linier (Trihendradi 2006: 154). Ada dua
macam analisis regresi linier yaitu analisis regresi linier sederhana dan analisis
regresi linier ganda.


2.1      Analisis Regresi Linier Sederhana
         Analisis regresi linier sederhana terdiri dari satu variabel dependen
(variabel terikat) dan satu variabel independen (variabel bebas). Analisis regresi
linier sederhana dinyatakan dengan hubungan persamaan regresi:

             ^
          Y  a  bX

                                                                (Sudjana 2005: 312).

                 ( Yi )( X i )  ( X i )( X i Yi )
                               2

          a
                         n  X i   X i 
                                   2          2




                  n  X i Yi - ( X i )( Yi )
          b
                      n  X i   X i 
                              2             2



                                                                (Sudjana 2005: 315).
         Keterangan :
         X           : Variabel independen
         Y           : Variabel dependen
         a           : Konstanta
         b           : Koefisien regresi
                                                             (Trihendradi 2006: 154).
         Pada analisis regresi linier sederhana ada dua uji pokok, yaitu uji
kelinieran dan uji koefisien (Trihendradi 2006: 154).
(1) Uji Kelinieran
      Hipotesis:
      H0 : Persamaan regresi tidak linier
      H1 : Persamaan regresi linier




                                                         5
         Berdasarkan pengolahan data dengan SPSS, jika nilai sig pada output
ANOVA lebih dari α (5%) atau nilai F hitung pada output ANOVA kurang dari F
tabel maka H0 diterima (Trihendradi 2006: 157).
(2) Uji Koefisien
      Hipotesis:
      H0 : Koefisien regresi tidak signifikan
      H1 : Koefisien regresi signifikan
         Berdasarkan pengolahan data dengan SPSS, jika nilai sig pada output
Coefficients lebih dari α (5%) atau nilai T hitung pada output Coefficients kurang
dari T tabel maka H0 diterima (Trihendradi 2006: 158).
         Model persamaan regresi linier sederhana dapat dilihat pada output
Coefficients. Sedangkan untuk mengetahui besarnya nilai kontribusi variabel
bebas terhadap variabel terikat dapat dilihat pada output Model Summary
(Sukestiyarno 2008: 12-13).


2.2      Analisis Regresi Linier Ganda
         Analisis regresi linier ganda terdiri dari satu variabel dependen dan
beberapa variabel independen. Analisis regresi linier ganda dinyatakan dengan
hubungan persamaan regresi:


           ˆ
           Y  a0  a1 X 1  a2 X 2  ... ak X k


           a0  Y  a1 X 1  a2 X 2


                   ( X 2i )( X 1iYi )  ( X 1i X 2i )( X 2iYi )
                           2

            a1 
                        ( X 1i )( X 2i )  ( X 1i X 2i )
                                2         2                   2




                   ( X 1i )( X 2iYi )  ( X 1i X 2i )( X 1iYi )
                           2

            a2 
                        ( X 1i )( X 2i )  ( X 1i X 2i ) 2
                                2          2




                                                                      (Sudjana 2005: 349).




                                                 6
       Keterangan :
       X1, X2, ..., Xk : Variabel independen
       Y                    : Variabel dependen
       a0                   : Konstanta

       a1 , a 2 ,..., a k   : Koefisien regresi
       Pada analisis regresi linier ganda ada enam uji pokok, yaitu:
(1) Uji Kelinieran
   Hipotesis:
   H0 : Persamaan regresi tidak linier
   H1 : Persamaan regresi linier
       Berdasarkan pengolahan data dengan SPSS, jika nilai sig pada output
ANOVA lebih dari α (5%) maka H0 diterima (Trihendradi 2006: 157).
(2) Uji Koefisien
   Hipotesis:
   H0 : Koefisien regresi tidak signifikan
   H1 : Koefisien regresi signifikan
       Berdasarkan pengolahan data dengan SPSS, jika nilai sig pada output
Coefficients lebih dari α (5%) maka H0 diterima (Trihendradi 2006: 158).
(3) Uji Normalitas Data
       Berdasarkan teori statistika model linier hanya variabel dependen yang
mempunyai distribusi diuji normalitasnya, sedangkan variabel independen
diasumsikan bukan merupakan fungsi distribusi, jadi tidak perlu diuji
normalitasnya. Salah satu cara untuk menguji kenormalan data yaitu dengan uji
Kolmogorov-Smirnov.
   Hipotesis:
   H0 : Variabel adalah normal
   H1 : Variabel adalah tidak normal
       Berdasarkan pengolahan data dengan SPSS, jika nilai sig pada output
NPar Tests lebih dari α (5%) maka H0 diterima.




                                              7
       Selain itu kenormalan data dapat juga dideteksi dari penyebaran data (titik)
pada sumbu diagonal dari grafik atau melihat grafik histograf dari residualnya.
Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis histograf
menuju pola distribusi normal, maka model regresi memenuhi asumsi normalitas
(Sukestiyarno 2008: 14).
(4) Uji Multikolinearitas
       Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antara variabel bebas. Jadi uji multikolinearitas terjadi
hanya pada regresi ganda. Model regresi yang baik seharusnya tidak terjadi
korelasi tinggi diantara variabel bebas. Gejala multikolinearitas dapat dideteksi
dengan melihat nilai Variance Inflasi Factor (VIF) dan tolerance pada output
Coefficients. Multikolinearitas terjadi jika VIF berada di atas 10 dan nilai
tolerance di atas 1 (Sukestiyarno 2008: 14).
(5) Uji Autokorelasi
       Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada
korelasi antar error satu dengan error yang lainnya. Gejala autokorelasi dapat
dideteksi dengan menggunakan uji Durbin Watson (DW) pada output Model
Summary. Ketentuan jika -2 < DW < 2 berarti tidak terjadi autokorelasi
(Sukestiyarno 2008: 14).
(6) Uji Heteroskedastisitas
       Heteroskedastisitas terjadi apabila error atau residual dari model yang
diamati tidak memiliki varian yang konstan dari satu observasi ke observasi
lainnya. Pengujian heteroskedastisitas dilakukan dengan melihat diagram residual
terhadap variabel bebas pada output Scatterplot. Jika nilai error membentuk pola
tertentu tidak bersifat acak terhadap nol maka dikatakan terjadi heteroskedasti
(Sukestiyarno 2008: 14).
       Model persamaan regresi linier ganda dapat dilihat pada output
Coefficients. Sedangkan untuk mengetahui besarnya nilai kontribusi variabel
bebas secara bersama-sama terhadap variabel terikat dapat dilihat pada output
Model Summary (Sukestiyarno 2008: 19).




                                        8
                                        BAB 3
                                   PEMBAHASAN


3.1      Kesalahan Analisis Data pada Skripsi
         Kesalahan analisis data pada skripsi berjudul “Pengaruh Penggunaan
Modal Kerja dan Tenaga Kerja terhadap Pendapatan Industri Kecil Getuk Goreng
di Kecamatan Sokaraja Kabupaten Banyumas” terletak pada:
(1) Tidak terdapat analisis regresi linier sederhana untuk menjawab permasalahan
      pertama, yaitu pengaruh penggunaan modal kerja terhadap pendapatan
      industri kecil getuk goreng di Kecamatan Sokaraja Kabupaten Banyumas.
(2) Tidak terdapat analisis regresi linier sederhana untuk menjawab permasalahan
      kedua, yaitu pengaruh penggunaan tenaga kerja terhadap pendapatan industri
      kecil getuk goreng di Kecamatan Sokaraja Kabupaten Banyumas.
(3) Uji pokok untuk melakukan analisis regresi linier ganda untuk menjawab
      permasalahan ketiga, yaitu pengaruh penggunaan modal kerja dan tenaga kerja
      terhadap pendapatan industri kecil getuk goreng di Kecamatan Sokaraja
      Kabupaten Banyumas masih kurang, yaitu tidak terdapat uji kelinieran, uji
      normalitas    data,    uji   multikolinearitas,   uji   autokorelasi,   dan   uji
      heteroskedastisitas.


3.2      Pembetulan Analisis Data pada Skripsi
         Pembetulan analisis data pada skripsi berjudul “Pengaruh Penggunaan
Modal Kerja dan Tenaga Kerja terhadap Pendapatan Industri Kecil Getuk Goreng
di Kecamatan Sokaraja Kabupaten Banyumas” adalah sebagai berikut.
(1) Untuk mengetahui pengaruh penggunaan modal kerja terhadap pendapatan
      industri kecil getuk goreng di Kecamatan Sokaraja Kabupaten Banyumas
      dilakukan analisis regresi linier sederhana dengan variabel bebasnya adalah
      modal kerja (X) dan variabel terikatnya adalah pendapatan (Y). Analisisnya
      dengan SPSS adalah sebagai berikut.




                                            9
Regression
          Variables Enter ed/Re movebd

           Variables       Variables
  Model     Entered        Remov ed        Method
  1        MODAL_a                   .    Enter
           KERJA
     a. All requested variables entered.
     b. Dependent Variable: PENDAPATAN


                          Model Sum m ary

                                         Adjusted         Std. Error of
  Model         R         R Square       R Square         the Estimate
  1              .748 a       .559            .546       6716317.593
     a. Predictors: (Constant), MODAL_KERJA


                                             ANOVAb

                             Sum of
  Model                     Squares           df           Mean Square            F           Sig.
  1        Regression       1.9E+015                 1      1.889E+015           41.882         .000 a
           Residual         1.5E+015                33      4.511E+013
           Total            3.4E+015                34
     a. Predictors: (Constant), MODAL_KERJA
     b. Dependent Variable: PENDAPATAN

                                                        a
                                            Coe fficients

                                  Unstandardiz ed              Standardized
                                    Coef f icients             Coef f icients
  Model                            B         Std. Error            Beta               t           Sig.
  1        (Cons tant)          5244901       1766201                                 2.970         .006
           MODAL_KERJA              .869           .134                   .748        6.472         .000
     a. Dependent Variable: PENDAPATAN


(a) Uji Kelinieran
   Hipotesis:
   H0 : Persamaan regresi tidak linier
   H1 : Persamaan regresi linier
       Berdasarkan output ANOVA diperoleh nilai sig = 0,000 = 0% kurang dari
α (5%) atau nilai F hitung = 41,882 lebih dari F tabel = F(1;33;0,05) = 4,139 maka
H0 ditolak atau H1 diterima. Jadi persamaan regresi linier.




                                                   10
(b) Uji Koefisien
   Hipotesis:
   H0 : Koefisien regresi tidak signifikan
   H1 : Koefisien regresi signifikan
       Berdasarkan output Coefficients diperoleh nilai sig = 0,000 = 0% kurang
dari α (5%) atau nilai T hitung = 6,472 lebih dari T tabel = t(33;0,05) = 1,692 maka
H0 ditolak atau H1 diterima. Jadi koefisien regresi signifikan.
       Berdasarkan output Coefficients diperoleh model persamaan regresi linier
sederhana:
          
        Y  5244901 0,869 X
          Berdasarkan output Model Summary diperoleh R Square = 0,559 =
55,9% (nilai pengaruhnya cukup tinggi). Artinya modal kerja mempengaruhi
pendapatan sebesar 55,9% dan masih ada pengaruh lain di luar modal kerja
sebesar 44,1%.
(2) Untuk mengetahui pengaruh penggunaan tenaga kerja terhadap pendapatan
   industri kecil getuk goreng di Kecamatan Sokaraja Kabupaten Banyumas
   dilakukan analisis regresi linier sederhana dengan variabel bebasnya adalah
   tenaga kerja (X) dan variabel terikatnya adalah pendapatan (Y). Analisisnya
   dengan SPSS adalah sebagai berikut.
Regression
              Variables Enter ed/Re m ovebd

                Variables      Variables
  Model         Entered        Remov ed       Method
  1            TENAGA_a                 .    Enter
               KERJA
     a. All requested variables entered.
     b. Dependent Variable: PENDAPATAN


                             Model Sum m ary

                                            Adjusted       Std. Error of
  Model            R         R Square       R Square       the Estimate
  1                 .766 a       .587            .574     6501787.052
     a. Predictors: (Constant), TENAGA_KERJA




                                                     11
                                          ANOVAb

                            Sum of
  Model                    Squares        df         Mean Square            F            Sig.
  1           Regression   2.0E+015              1    1.983E+015           46.905          .000 a
              Residual     1.4E+015             33    4.227E+013
              Total        3.4E+015             34
     a. Predictors: (Constant), TENAGA_KERJA
     b. Dependent Variable: PENDAPATA N

                                                      a
                                          Coe fficients

                                 Unstandardiz ed          Standardized
                                   Coef f icients         Coef f icients
  Model                           B         Std. Error        Beta               t            Sig.
  1           (Cons tant)     -9601589       3617273                            -2.654          .012
              TENAGA_KERJA    255440.5 37297.423                   .766          6.849          .000
     a. Dependent Variable: PENDAPATAN


(a) Uji Kelinieran
   Hipotesis:
   H0 : Persamaan regresi tidak linier
   H1 : Persamaan regresi linier
       Berdasarkan output ANOVA diperoleh nilai sig = 0,000 = 0% kurang dari
α (5%) atau nilai F hitung = 46,905 lebih dari F tabel = F(1;33;0,05) = 4,139 maka
H0 ditolak atau H1 diterima. Jadi persamaan regresi linier.
(b) Uji Koefisien
   Hipotesis:
   H0 : Koefisien regresi tidak signifikan
   H1 : Koefisien regresi signifikan
       Berdasarkan output Coefficients diperoleh nilai sig = 0,000 = 0% kurang
dari α (5%) atau nilai T hitung = 6,849 lebih dari T tabel = t(33;0,05) = 1,692 maka
H0 ditolak atau H1 diterima. Jadi koefisien regresi signifikan.
       Berdasarkan output Coefficients diperoleh model persamaan regresi linier
sederhana:
          
       Y  9601589 255440,5 X




                                               12
          Berdasarkan output Model Summary diperoleh R Square = 0,587 =
58,7% (nilai pengaruhnya cukup tinggi). Artinya tenaga kerja mempengaruhi
pendapatan sebesar 58,7% dan masih ada pengaruh lain di luar tenaga kerja
sebesar 41,3%.
(3) Untuk mengetahui pengaruh penggunaan modal kerja dan tenaga kerja secara
   bersama-sama terhadap pendapatan industri kecil getuk goreng di Kecamatan
   Sokaraja Kabupaten Banyumas dilakukan analisis regresi linier ganda dengan
   variabel bebasnya adalah modal kerja (X1) dan tenaga kerja (X2) dan variabel
   terikatnya adalah pendapatan (Y). Analisisnya dengan SPSS adalah sebagai
   berikut.
NPar Tests
           One -Sam ple Kolm ogorov-Sm irnov Tes t

                                                        PENDA P
                                                         A TA N
  N                                                            35
  Normal Parameters a,b       Mean                       1E+007
                              Std. Dev iation           9967381
  Mos t Ex treme              A bs olute                     .155
  Dif f erences               Positive                       .152
                              Negative                      -.155
  Kolmogorov-Smirnov Z                                       .918
  A sy mp. Sig. (2-tailed)                                   .368
    a. Test dis tribution is Normal.
    b. Calc ulated f rom data.

Regression
          Variables Enter ed/Re m ovebd

             Variables       Variables
  Model      Entered         Remov ed       Method
  1         TENAGA_
            KERJA,
                                       .   Enter
            MODAL_ a
            KERJA
    a. All requested variables entered.
    b. Dependent Variable: PENDAPATAN




                                                   13
                                                     b
                                       Model Sum m ary

                                                 Adjusted           Std. Error of              Durbin-
 Model           R           R Square            R Square           the Estimate               Wats on
 1                .860 a         .740                 .724         5239354.386                      1.817
    a. Predictors: (Constant), TENAGA_KERJA, MODAL_KERJA
    b. Dependent Variable: PENDAPATAN


                                                       ANOVAb

                                 Sum of
 Model                          Squares                df            Mean Square                   F                     Sig.
 1          Regression          2.5E+015                       2      1.250E+015                  45.526                   .000 a
            Residual            8.8E+014                      32      2.745E+013
            Total               3.4E+015                      34
    a. Predictors: (Constant), TENAGA_KERJA, MODAL_KERJA
    b. Dependent Variable: PENDAPATA N

                                                                               a
                                                                   Coe fficients

                           Unstandardiz ed        Standardized
                             Coefficients         Coefficients                                            Correlations                 Collinearity Statistic s
Model                       B       Std. Error        Beta            t            Sig.      Zero-order      Partial         Part     Toleranc e        VIF
1       (Cons tant)     -7154337     2969006                         -2.410          .022
        MODAL_KERJA          .544         .125              .468      4.338          .000         .748          .609           .391         .698         1.433
        TENAGA_KERJA    169633.6 35980.311                  .509      4.715          .000         .766          .640           .425         .698         1.433
  a. Dependent Variable: PENDAPATAN


                                                                          a
                                                 Colline arity Diagnos tics


                                                                                            V arianc e Proportions
                                                    Condition                                    MODA L_          TENA GA _
 Model      Dimension         Eigenvalue             Index             (Cons tant)                KERJA            KERJA
 1          1                      2.706                1.000                  .01                        .03             .01
            2                       .255                3.257                  .10                        .75             .02
            3                       .039                8.379                  .89                        .22             .98
    a. Dependent Variable: PENDA PA TAN

                                                                a
                                            Res iduals Statistics

                               Minimum            Max imum            Mean            Std. Deviation                     N
 Predicted Value               -683040             3E+007             1E+007          8573949.466                            35
 Residual                      -1E+007             1E+007               .000          5082920.363                            35
 Std. Predicted Value            -1.713              2.052              .000                  1.000                          35
 Std. Residual                   -2.304              2.414              .000                   .970                          35
    a. Dependent Variable: PENDAPATAN




                                                            14
Charts


                                              Normal P-P Plot of Regression Standardized Residual



                                                                        Dependent Variable: PENDAPATAN


                                                                      1.0




                                                                      0.8
                                                  Expected Cum Prob




                                                                      0.6




                                                                      0.4




                                                                      0.2




                                                                      0.0
                                                                            0.0        0.2       0.4         0.6   0.8       1.0
                                                                                             Observed Cum Prob




                                                                                             Scatterplot



                                                                        Dependent Variable: PENDAPATAN

                                     3
 Regression Standardized Predicted




                                     2




                                     1
               Value




                                     0




                                     -1




                                     -2

                                          0                                 10000000                   20000000          30000000   40000000
                                                                                                PENDAPATAN




                                                                                                                   15
(a) Uji Kelinieran
   Hipotesis:
   H0 : Persamaan regresi tidak linier
   H1 : Persamaan regresi linier
       Berdasarkan output ANOVA diperoleh nilai sig = 0,000 = 0% kurang dari
α (5%) atau nilai F hitung = 45,526 lebih dari F tabel = F(2;32;0,05) = 3,30 maka H0
ditolak atau H1 diterima. Jadi persamaan regresi linier.
(b) Uji Koefisien
   Hipotesis:
   H0 : Koefisien regresi tidak signifikan
   H1 : Koefisien regresi signifikan
       Berdasarkan output Coefficients diperoleh nilai sig untuk variabel modal
kerja = 0,000 = 0% kurang dari α (5%) atau nilai T hitung untuk variabel modal
kerja = 4,338 lebih dari T tabel = t(32;0,05) = 1,694 maka H0 ditolak atau H1
diterima. Sedangkan nilai sig untuk variabel tenaga kerja = 0,000 = 0% kurang
dari α (5%) atau nilai T hitung untuk variabel modal kerja = 4,715 lebih dari T
tabel = t(32;0,05) = 1,694 maka H0 ditolak atau H1 diterima. Jadi koefisien regresi
untuk kedua variabel bebas tersebut signifikan.
(c) Uji Normalitas Data
       Untuk menguji normalitas ada 2 cara yaitu dengan uji Kolmogorov-
Smirnov dan dengan melihat grafik histograf dari residualnya.
Untuk uji normalitas dengan Kolmogorov-Smirnov sebagai berikut :
Hipotesis :
H0 : Variabel adalah normal
H1 : Variabel adalah tidak normal
       Dari output NPar Tests diperoleh nilai sig = 0,368 = 36,8% lebih dari α
(5%), berarti H0 diterima. Jadi variabel dependen adalah normal.
       Berdasarkan output Normal P-Plot of Regression, terlihat data menyebar
di sekitar garis diagonal dan mengikuti arah garis histograf menuju pola distribusi
normal, maka model regresi memenuhi asumsi normalitas.




                                         16
(d) Uji Multikolinieritas
         Berdasarkan output Coefficients diperoleh nilai tolerance =0,698 kurang
dari 1 dan nilai VIF = 1,433 kurang dari 10. Ini berarti tidak terjadi
multikolinieritas.
(e) Uji Autokorelasi
         Berdasarkan output Model Summary diperoleh nilai Durbin Watson
(DW) = 1,817. Ternyata nilai DW terletak diantara -2 dan 2. Ini berarti tidak
terjadi autokorelasi.
(f) Uji Heteroskedastisitas
         Pada output Scatterplot terlihat bahwa nilai error bersifat acak terhadap
nol. Ini berarti tidak terjadi heteroskedasti.
         Berdasarkan output Coefficients diperoleh model persamaan regresi linier
ganda:
         
         Y  7154337  0,544 X 1  169633,6 X 2
         Berdasarkan output Model Summary diperoleh R Square = 0,740 = 74%
(nilai pengaruhnya tinggi). Artinya, modal kerja dan tenaga kerja secara bersama-
sama mempengaruhi pendapatan sebesar 74% dan masih ada pengaruh lain di luar
modal kerja dan tenaga kerja sebesar 26%.




                                           17
                                       BAB 4
                                    PENUTUP


4.1       Simpulan
          Berdasarkan pembahasan dapat disimpulkan sebagai berikut:
(1) Letak kesalahan analisis data yang terdapat pada skripsi berjudul “Pengaruh
      Penggunaan Modal Kerja dan Tenaga Kerja terhadap Pendapatan Industri
      Kecil Getuk Goreng di Kecamatan Sokaraja Kabupaten Banyumas” adalah
      adanya permasalahan yang belum terjawab dalam analisis data serta pada
      analisis regresi, penggunaan uji pokok analisis regresi linier ganda masih
      kurang lengkap.
(2) Pembetulan dilakukan untuk menjawab permasalahan yang belum terjawab
      dalam analisis data serta untuk melengkapi kekurangan uji pokok dalam
      analisis regresi linier ganda berdasarkan landasan teorinya.


4.2       Saran
          Berdasarkan simpulan maka saran yang dapat disampaikan adalah sebagai

berikut:

(1) Mahasiswa perlu mempelajari dan memahami mata kuliah statistika lebih

      mendalam lagi.

(2) Cara belajar statistika akan lebih efektif dan efisien jika banyak latihan

      perhitungan dan praktek dengan menggunakan software yang berkaitan

      dengan statistika serta mempelajari cara menginterpretasikan outputnya.

(3) Mahasiswa harus teliti dalam melakukan perhitungan-perhitungan dalam

      statistika serta teliti dalam menginterpretasikan output software mengenai

      statistika.




                                          18
                         DAFTAR PUSTAKA

Sudjana. 2005. Metoda Statistika. Bandung: Tarsito.

Sugiyono. 2004. Statistik Nonparametris. Bandung: CV Alfabeta.

Sukestiyarno. 2008. Workshop Olah Data Penelitian dengan SPSS. Semarang:
   UNNES.

Trihendradi, C. 2006. Langkah Mudah Menguasai               Analisis   Statistik
    Menggunakan SPSS 15. Yogyakarta: Andi Offset.




                                      19

								
To top