CONTOH ANALISIS REGRESI LINEAR BERGANDA (DUA VARIABEL) MENGGUNAKAN IBM SPSS 21

Kita gunakan contoh sebelumnya pada artikel Contoh Perhitungan Manual Analisis Linear Berganda Dua Variabel. Terdapat satu variabel tak bebas Y dan dua variabel bebas X1 dan X2.

Dengan menggunakan IBM SPSS 21, maka kita dapat melakukan analisis linear berganda pada data tersebut dengan tujuan untuk melihat pengaruh X1 dan X2 terhadap Y dan sekaligus dapat memprediksi nilai Y jika X1 dan X2 diberikan.

Bentuk umum persamaan regresi linear berganda kasus tersebut adalah :

Y' = a + b1X1 + b2X2

Selanjutnya kita akan menentukan nilai dari a, b1 dan b2.

Berikut tahap-tahap yang dapat dilakukan :

1. Klik Start -> IBM SPSS 21
2. Pada Variabel View isikan data seperti berikut :

3. Pada Data View  input data seperti berikut :

4. Klik Analyze -> Regression -> Linear

5. Pada kolom Linear Regression pindahkan varibel tak bebas Y, Permintaan Minyak ke kolom Dependent, dan pindahkan variabel bebas X1, Harga Minyak dan X2, Pendapatan ke kolom Independent.

6. Klik Statistics centrang tiga item berikut lalu klik Continue.

• Estimates untuk menentukan nilai parameter a, b1 dan b2
• Model Fit: untuk uji ketepatan model regresi linier
• R Squared Change : untuk menentukan nilai R² 

7. Pilih Options masukkan nilai taraf signifikansi dalam hal ini kita pilih 5% sehingga ketik 0,05 pada kolom Entry. Tandai Include Constant in Equation. 

Pada kolom ini berfungsi untuk uji-F, untuk menguji pengaruh variabel bebas X1 dan X2 secara bersamaan terhadap variabel tak bebas Y. (Regresi Linear Berganda)

Pada Missing Values

• Exclude cases listwise :hanya data yang valid untuk semua variabel yang ikut dianalisis
• Exclude cases pairwise :menganalisis koefisien korelasi dan seluruh cases yang berharga valid dari dua variabel yang dikorelasikan.
• Replace with mean : Semua data dianalisis dan untuk data yang kosong digantikan dengan rata-rata variabel tersebut.

7. Diperoleh output sebagai berikut :

Dari output disamping menjelaskan mengenai output dari method yang kita pilih yaitu Enter.

Dari output di atas pada tabel Model Summary diperoleh nilai koefisien determinasi Rsquared = 0,942 yang berarti sekitar 94,2% variasi sampel harga minyak dan pendapatan dapat menjelaskan variasi variabel permintaan minyak goreng. Nilai ini merupakan nilai yang tinggi dan mencerminkan terjadinya hubungan kuat antara variabel bebas  X1 dan X2 dan variabel tak bebas Y.

Nilai Adjusted Rsquared pun menunjukkan nilai yang tinggi yaitu 0,929. Nilai ini sama-sama boleh digunakan dengan Rsquared. Jika kita ingin menggeneralisasikannya ke populasi dan responden yang dipilih acak maka kita gunakan Adjusted Rsquare  dan jika sampel tidak acak kita gunakan sebaiknya Rsquared. Nilai keduanya akan mendekati nilai yang sama jika sampel yang diambil berukuran besar.

Pada kolom Coefficients diperoleh nilai koefisien/parameter regresi linear berganda a = 12,775, b1 = -0,001 dan  b2  = -0,488. Sehingga persamaan regresi yang diperoleh adalah :

Y' = 12,775 -0,001X1 - 0,488X2

Dan untuk uji-t diambil dari kolom t dan sig. pada variabel X1 dan X2. Tabel ini berguna untuk pengujian parameter secara parsial, apakah variabel bebas secara terpisah berpengaruh signifikan terhadap variabel tak bebas. 

a. Uji parameter b1

Hipotesis Uji :

Ho : b1 = 0

Ha : b1 ≠ 0

Taraf Signifikansi :

Pilih nilai a = 5%

Daerah Kritis :

Dengan nilai signifikansi 5% dan derajat bebas df = n-2 = 12-2 = 10, maka diperoleh t-tabel = 2,228.

Statistik Uji :

Diperoleh t-hitung = -1,486 dan nilai p-value = 0,172

Keputusan :

Nilai t-hitung = -1,486 > t-tabel = -2,228 atau nilai p-value = 0,172 > 0,05.

Jadi Ho diterima dan Ha ditolak.

Kesimpulan :

Dengan signifikansi 5% ternyata harga minyak goreng tidak berpengaruh terhadap permintaan minyak goreng tersebut. Hal ini minyak goreng adalah kebutuhan pokok yang sangat dibutuhkan oleh semua orang dalam memenuhi kebutuhan makanannya. Berapapun harganya permintaan akan minyak gorengpun tetap ada.

b. Uji parameter b2

Hipotesis Uji :

Ho : b2 = 0

Ha : b2 ≠ 0

Taraf Signifikansi :

Pilih nilai a = 5%

Daerah Kritis :

Dengan nilai signifikansi 5% dan derajat bebas df = n-2 = 12-2 = 10, maka diperoleh t-tabel = 2,228.

Statistik Uji :

Diperoleh t-hitung = -3,776 dan nilai p-value = 0,172

Keputusan :

Nilai t-hitung = -3,776 < t-tabel = -2,228 atau nilai p-value = 0,004 < 0,05.

Jadi Ho ditolak dan Ha diterima.

Kesimpulan :

Dengan signifikansi 5% ternyata pendapatan konsumen berpengaruh terhadap permintaan minyak goreng tersebut. 

Tabel ANOVA  di atas adalah salah satu untuk menguji ketepatan model. Apakah variabel bebas secara bersama-sama mempengaruhi variabel tak bebas. Kita menggunakan uji F.

Hipotesis Uji :

Ho : b1 = b2 = 0

Ha : Terdapat bi ≠ 0 dengan i = 1 dan 2

Taraf Signifikansi :

Pilih nilai a = 5%

Daerah Kritis :

Dengan nilai signifikansi 5%, derajat bebas pembilang dk = 2 dan derajat bebas penyebut df = n-k-1 = 12-2-1 = 9, maka diperoleh F-tabel =19,39.

Statistik Uji :

Diperoleh F-hitung = 73,312 dan nilai p-value = 0,000

Keputusan :

Nilai t-hitung = 73,312 > F-tabel = 19,39 atau nilai p-value = 0,000 < 0,05.

Jadi Ho ditolak dan Ha diterima.

Kesimpulan :

Dengan signifikansi 5% harga minyak goreng dan pendapatan konsumen secara bersama-sama berpengaruh terhadap permintaan minyak goreng.

by MEYF

Read More

CONTOH PENGHITUNGAN MANUAL ANALISIS REGRESI LINEAR BERGANDA (DUA VARIABEL) - 1

Menurut kajian literatur permintaan suatu produk ditentukan oleh harga barang dan pendapatan seseorang. Hasil pengamatan terhadap 12 sampel atas permintaan suatu barang dalam hal ini gula diperoleh data harga minyak goreng dan pendapatan konsumen :

Langkah-langkah penyelesaiannya:

> Variabel bebas dan variabel tak bebas

• Variabel Bebas : X1 = Harga minyak goreng dan X2 = Pendapatan konsumen
• Variabel Tak Bebas : Y = Permintaan minyak goreng

> Persamaan regresi linear berganda : Y' = a + b1X1 + b2X2

> Menentukan nilai konstanta dan koefisien regresi

sehingga

Khusus untuk parameter b1 data adalah dalam ribuan, sehingga hasil tersebut harus dibagi dengan 1000, diperoleh b1 = -0,000582 = -0,001.

Jadi persamaan Regresi Linear Berganda dengan dua variabel bebas adalah :

Y' = 12,7753 - 0,001 X1 - 0,488 X2

> Interpretasi koefisien regresi 

• Nilai a = 12,7753 artinya jika tidak ada harga minyak goreng dan pendapatan konsumen, namun permintaan akan minyak goreng sebanyak 12,7753.
• Nilai b1 = -0,001 artinya jika harga minyak goreng meningkat satu rupiah maka akan terjadi penurunan permintaan sebesar 0,001 satuan dimana pendapatan konsumen dianggap tetap.
• Nilai b2 = - 0,488 artinya jika pendapatan konsumen mengalami kenaikan sebesar satu rupiah maka akan terjadi penurunan permintaan gula sebesar 0,488 satuan dimana harga gula dianggap tetap.

> Menghitung Koefisien Determinasi

Artinya sekitar 94,21% variasi variabel bebas harga minyak goreng X1 dan pendapatan konsumen X2 dapat menjelaskan variasi variabel tak bebas permintaan minyak goreng Y.

Note :
b1 yang digunakan -0,582 dan pengali -32 seharusnya -32000 sehingga perkalian keduanya akan memiliki hasil yang sama yaitu (-0,00582 x -32000) = (-0,582 x 32).

> Menghitung Koefisien Korelasi Berganda

Artinya terjadi hubungan yang sangat kuat antara variabel bebas harga minyak goreng X1 dan pendapatan konsumen X2 dengan variabel tak bebas permintaan minyak goreng Y.

> Menghitung Nilai Standart Error Estimate

Jadi standart error persamaan regresi adalah 0,6818, hal ini menunjukkan penyimpangan data-data terhadap garis persamaan regresi linear berganda yang terbentuk. Nilainya cukup kecil.

> Menghitung Nilai Korelasi Parsial

dimana

Next Session adalah Pengujian Koefisien Regresi secara keseluruhan dan secara parsial.

by MEYF

Read More

ANALISIS REGRESI LINEAR BERGANDA (DUA VARIABEL BEBAS)

Sebelumnya kita sudah membahas mengenai analisis linear sederhana yaitu mengetahui hubungan secara linear antara satu variabel bebas X dengan satu variabel tak bebas Y. Selanjutnya kita akan membahas mengenai hubungan linear antara dua atau lebih variabel bebas X terhadap satu variabel tak bebas Y.
Analisis Linear Berganda bertujuan 

• Untuk memprediksi nilai dari variabel tak bebas Y jika diketahui nilai variabel-variabel bebas X1, X2, ..., Xn.
• Untuk mengetahui hubungan antara variavel tak bebas Y jika variabel-variabel bebas X1, X2, ..., Xn mengalami kenaikan atau penurunan. 
• Untuk mengetahui arah hubungan antara variabel tak bebas dengan variabel-variabel bebas.

Untuk asumsi yang harus dipenuhi sama dengan analisis regresi linear sederhana. Pls see this Asumsi Dasar dan Asumsi Klasik Regresi.

Hal-hal yang harus diketahui dalam Analisis Regresi Linear Berganda :

> Variabel Tak Bebas Y
Variabel yang dipengaruhi.Jumlahnya satu variabel tak bebas.

> Variabel Bebas X1, X2, ..., Xn
Variabel yang mempengaruhi dan jumlahnya dua atau lebih variabel bebas.

> Persamaan Regresi Linear Berganda :

Y' = a + b1 X1 + b2 X2 + ... + bn Xn

dimana

Y'             = variabel tak bebas (nilai yang diprediksikan)

X1, X2, ..., Xn = variabel bebas

a              = konstanta (nilai Y'bila variabel X1,X2,...,Xn=0)

b1, b2, ..., bn = koefisien regresi 

Dalam hal ini kita harus menentukan nilai konstanta a dan koefisien regresi b1, b2,...bn

  
Kita akan ambil kasus variabel X1 dan X2, sehingga persamaan regresi akan menjadi

Y' = a + b1 X1 + b2 X2

Nilai koefisien regresi b1 dan b2 jika 

• bernilai 0, maka tidak ada pengaruh variabel bebas X1 dan X2 terhadap variabel tak bebas Y.
• bernilai negatif maka terjadi hubungan yang berbalik arah antara variabel bebas X1 dan X2 dengan variabel tak bebas Y.
• bernilai positif maka terjadi hubungan yang searah antara variabel bebas X1 dan X2 dengan variabel tak bebas Y.

maka harus tentukan nilai konstanta a dan koefisien regresi b1 dan b2 dengan formula berikut ini :

dimana

> Analisis Koefisien Determinasi (R²)

• Artinya : Sekitar R² variasi variabel tidak bebas Y dapat dijelaskan oleh variabel bebas X1 dan X2.
• Koefisien determinasi digunakan untuk mengetahui prosentase sumbangan pengaruh variabel bebas X1 dan X2 terhadap variabel bebas Y.
• Jika nilai R²=0 berarti variasi variabel bebas X1 dan X2 tidak sedikitpun dapat menjelaskan variasi variabel tidak bebas Y dalam model tersebut.
• Jika nilai R²=1 berarti variasi variabel bebas X1 dan X2 dapat menjelaskan dengan SEMPURNA variabel tidak bebas Y dalam model tersebut. 
• Jadi nilai koefisien determinasi R² sebesar mungkin.

> Analisis Korelasi Ganda (R)

• Gunanya adalah untuk mengetahui seberapa besar korelasi yang terjadi antara variabel bebas X1, X2, ..., Xn secara serentak dengan variabel tak bebas Y.
• Nilainya -1 ≤ R ≤ +1, R semakin mendekati nilai +/- 1 maka semakin kuat hubungannya yang terjadi dan sebaliknya jika R mendekati 0 maka semakin lemah hubungan yang terjadi.

> Korelasi Parsial

Korelasi parsial berarti korelasi antara satu variabel bebas dengan satu variabel tak bebas Y dimana variabel bebas lainnya dianggap tetap atau konstan.

• r12.Y adalah korelasi antara variabel bebas X1 dan X2 dimana variabel Y dianggap tetap. 
  
  
  
• rY1.2 adalah korelasi antara variabel bebas X1 dengan variabel tak bebas Y dimana variabel X2 dianggap tetap. 
  
  
  
• rY2.1 adalah korelasi antara variabel bebas X2 dengan variabel tak bebas Y dimana variabel bebas X1 dianggap tetap.
  

dimana 

> Standart Error Estimate

Jika nilai kesalahan baku besar, berarti persamaan regresi yang terbentuk kurang tepat untuk melakukan peramalan/prediksi, dan akan memiliki selisih yang besar antara nilai Y kenyataan dengan Y prediksi.

> Uji Koefisien Regresi Secara Bersama-sama (Uji F)

Uji F digunakan untuk mengetahui apakah variabel independen X1 dan X2 secara bersama-sama signifikan berpengaruh terhadap variabel tak bebas Y.

Langkah-langkah uji-F :

1. Hipotesis Uji

Ho : b1 = b2 = 0;(Tidak ada pengaruh variabel bebas X1 dan X2 terhadap variabel tak bebas Y)

Ha : $ b_i ≠ 0;(Ada pengaruh variabel bebas X1 dan X2 terhadap variabel tak bebas Y)

2. Taraf Signifikansi

Tingkat signifikansi yang biasa digunakan adalah 5%, adapun yang lainnya adalah 1% - 10%.

3.  Menentukan Daerah Penolakan H_o (Daerah Kritis)

Bentuk pengujian F berbeda dengan uji sebelumnya. 

H_o akan ditolak jika F_hitung > F_tabel,berarti H₁ diterima.

H_o akan diterima jika F_hitung ≤ F_tabel, berarti H₁ ditolak.

4. Menentukan Statistik Uji F-hitung

dimana k adalah jumlah variabel dan n adalah jumlah data sampel.

5.  Keputusan (Membandingkan Fhitung dengan Ftabel.

6. Kesimpulan (Apakah ada pengaruh antara variabel bebas X1 dan X2 terhadap variabel tidak bebas Y).

> Uji Koefisien Regresi secara Parsial (Uji-t)

Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel bebas X1 dan X2 secara parsial berpengaruh signifikan terhadap variabel tak bebas Y.

Langkah-langkah pengujiannya adalah sama dengan uji t pada regresi linear sederhana, yaitu:

1.  Menentukan Hipotesis Uji

H_o : bi = 0 

(tidak ada pengaruh antara variabel bebas Xi terhadap variabel tidak bebas Y)

H_a : bi ≠ 0 

(ada pengaruh antara variabel bebas Xi terhadap variabel tidak bebas Y)

2.  Menentukan Tingkat Signifikansi

Tingkat signifikansi yang biasa digunakan adalah 5%, adapun yang lainnya adalah 1% - 10%.

3.  Menentukan Daerah Penolakan H_o (Daerah Kritis)

Bentuk pengujian kita adalah dua arah sehingga gunakan uji-t dua arah :

H_o akan ditolak jika t_hitung > t_tabel atau -(t_hitung) < -(t_tabel),berarti H₁ diterima.

H_o akan diterima jika -(t_hitung) < t_tabel < t_hitung , berarti H₁ ditolak.

4.  Menentukan t-hitung

5.  Keputusan (Membandingkan t-hitung dengan t-tabel.

6. Kesimpulan (Apakah ada pengaruh antara variabel bebas Xi terhadap variabel tidak bebas Y).

by MEYF

Reference:

- Mendenhall, Sincinch. 1996. A Second Course In Statistics. Regression Analysis. Fifth Edition. Prentice Hall Internatiomal Edition. 

- Priyatno, Duwi. 2010. Paham Analisa Statistik Data dengan SPSS. Mediakom. Yogyakarta.

- Sugiyono. 2008. Metode Penelitian Bisnis. Alfabeta. Bandung.

- Sugiyono. 2009. Metode Penelitian Kuantitatif Kualitatif dan R & B. Bandung.

- Sugiyono, 2008. Statistik Nonparametris untuk Penelitian. Alfabeta. Bandung.

-Supranto, J. 2004. Analisis Multivariat : Arti dan Interpretasi. Rineka Cipta. Jakarta.

-Walpole, Ronald E. 1992. Pengantar Statistika Edisi ke-3. PT Gramedia Pustaka Utama. Jakarta.

Read More

ANALISIS REGRESI LINIER SEDERHANA DENGAN IBM SPSS 21

Dari contoh sebelumnya pada penghitungan manual regresi linier sederhana, maka dapat kita gunakan software statistik IBM SPSS 21 sebagai berikut :

Kasus masih sama,Sebuah penelitian terhadap batang pohon mahoni yang diambil delapan sampel acak dan akan diteliti apakah ada pengaruh diameter batang pohon dengan tinggi batang pohon. 

Langkah-langkah yang dilakukan :

1. Klik Start -> IBM SPSS 21

2. Pada Variable View input data seperti berikut ini :

3. Pada Data View input data seperti berikuti ini :

4. Klik Analyze -> Regression -> Linear

5. Pindahkan Variabel Tinggi Pohon ke kolom Dependent dan Variabel Diameter Batang Pohon ke kolom Independent.

Pada Method pilih Enter berarti analisis data setiap variabel dianalisis satu-satu.

6. Tandai beberapa item :

• Estimates : untuk menentukan konstanta a dan b
• Model Fit: untuk uji ketepatan model regresi linier
• R Squared Change : untuk menentukan nilai R² 

• Klik Continue

7. Pilih Options masukkan nilai taraf signifikansi dalam hal ini kita pilih 5% sehingga ketik 0,05 pada kolom Entry. Tandai Include Constant in Equation. 

Pada kolom ini brfungsi untuk uji-F, digunakan untuk melihat pengaruh variabel bebas X secara bersamaan terhadap variabel tak bebas Y. (Regresi Linear Berganda)

Pada Missing Values

• Exclude cases listwise :hanya data yang valid untuk semua variabel yang ikut dianalisis
• Exclude cases pairwise :menganalisis koefisien korelasi dan seluruh cases yang berharga valid dari dua variabel yang dikorelasikan.
• Replace with mean : Semua data dianalisis dan untuk data yang kosong digantikan dengan rata-rata variabel tersebut.

Klik Continue

8. Output Analisis Regresi Linear Sederhana

Merupakan output dari method yang kita pilih yaitu Enter.

Dari output di atas diperoleh nilai koefisien determinasi R² = 0,785 berarti sekitar 75,5% variasi dari diameter batang pohon mahoni dapat menjelaskan variasi dari variabel tinggi batang pohon mahoni. (cukup tinggi).

dan nilai korelasi R = 0,886. Artinya hubungan yang kuat antara variabel diameter batang pohon mahoni dengan variabel tinggi pohon mahoni. 

Pada Adjusted R Square diperoleh nilai  0,750 artinya sekitar 75% variasi yang terjadi pada tinggi pohon dapat dijelaskan oleh variabel diameter batang pohon mahoni dan sisanya dijelaskan oleh variabel lainnya.

Note : 

R Square dan Adjusted R Square sama-sama boleh digunakan bedanya adalah jika kita ingin menggeneralisasikan ke populasi maka gunakan Adjusted R Square,dan individu yang kita gunakan adalah dipilih secara acak, namun jika individu atau sampel non acak sebaiknya gunakan R Square. Pada ukuran sampel yang besar, nilai R Square dan Adjusted R Square akan mendekati nilai sama.

Pada kolom B adalah nilai konstanta dan koefisien persamaan regresi. Sehingga dari angka inilah kita dapat membentuk persamaan regresi.

(Constant) = -1,315

Diameter Batang Pohon Mahoni = 4,541

Jadi persamaan regresi yang diperoleh adalah :

Y' = -1,315 + 4,541 X

Dan untuk uji-t diambil dari kolom t dan sid pada variabel Diameter Batang Pohon Mahoni.

Hipotesis Uji :

Ho : b = 0

Ha : b ≠ 0

Taraf Signifikansi :

Pilih nilai a = 5%

Daerah Kritis :

Dengan nilai signifikansi 5% dan derajat bebas 6 maka diperoleh t-tabel = 2,447.

Statistik Uji :

Diperoleh t-hitung = 4,686 dan nilai p-value = 0,003

Keputusan :

Nilai t-hitung = 4,686 > t-tabel = 2,447 atau nilai p-value = 0,003 < 0,05.

Jadi Ho ditolak dan Ha diterima.

Kesimpulan :

Dengan signifikansi 5% diameter batang pohon mahoni berpengaruh terhadap tinggi pohon mahoni.

Note : 

Uji F pada regresi linear sederhana memberikan nilai signifikans yang sama dengan uji t, yaitu sebesar 0,03.

Namun pada regresi linear berganda akan berbeda. 

by MEYF

Read More

CONTOH PENGHITUNGAN MANUAL ANALISIS REGRESI SEDERHANA

Sebuah penelitian terhadap pohon Mahoni, dimana akan diteliti apakah ada hubungan antara tinggi pohon dengan diameter batang pohon, dengan artian apakah ada pengaruh diameter batang pohon terhadap tinggi pohon tersebut.

Diambil sampel secara acak sejumlah delapan pohon mahoni.Dapat dilihat dari Tabel 1 pada kolom X dan Y.

Hal pertama yang akan kita lakukan adalah membentuk persamaan regresi, yaitu :

Y' = a + bX

Selanjutnya adalah menentukan konstanta a dan koefisien b, kita ikuti langkah sebagai berikut :

maka diperoleh :

Persamaan regresi diperoleh :

Y' = -1,3147 + 4,5413X

dimana :

Y' = Tinggi pohon mahoni yang diprediksi

X  = Diameter batang pohon mahoni

Interpretasi dari koefisien regresi :

• Nilai a = -1,3147 artinya tidak ada diameter batang pohon maka tidak ada tinggi pohon. (karena tidak ada tinggi yang bernilai negatif sehingga dianggap nol).
• Nilai b = 4,5413 artinya jika terjadi peningkatan diameter batang pohon mahoni satu satuan maka akan terjadi peningkatan tinggi pohon mahoni sebesar 4,5413 satuan.

Koefisien Determinasi R^{2 :}

r = 0,886 bernilai positif dan kuat

artinya terdapat hubungan atau korelasi yang kuat antara tinggi pohon mahoni dengan diameter batang pohon mahoni. Semakin besar diameter batang pohon mahoni maka semakin tinggi batang pohon mahoni.

R² = 0,886² = 0,785

artinya sekitar 78,5% variasi dari variabel diameter batang pohon mahoni dapat menjelaskan variasi dari variabel tinggi pohon mahoni.

(cukup tinggi)

Standar Error Estimate Persamaan Regresi:

Jadi besarnya standar error estimate persamaan regresi adalah 6,6364. Hal ini menunjukkan penyimpangan data-data terhadap garis regresi, atau bagaimana penyimpangan data yang menyebar disekitar garis regresi.

(cukup kecil).

Pengujian Koefisien Regresi :

> Hipotesis Uji

Ho : b =  0

Ha : b ≠ 0

> Taraf Signifikansi

Pilih nilai signifikansi a = 5%

> Daerah Kritis

dengan nilai a = 5% dan derajat bebas n-2=8-2=6, maka diperoleh nilai t-tabel pada 5%/2 = 2,5% yaitu 2,447.

> Statistik Uji

> Keputusan

nilai t-hitung = 4,6805 > t-tabel = 2,447 sehingga Ho ditolak dan Ha diterima.

> Kesimpulan

Dengan tingkat signifikansi 5% cukup menjelaskan bahwa ada pengaruh diameter batang pohon mahoni terhadap tinggi pohon mahoni.

by MEYF

Reference:

- Mendenhall, Sincinch. 1996. A Second Course In Statistics. Regression Analysis. Fifth Edition. Prentice Hall Internatiomal Edition. 

- Priyatno, Duwi. 2010. Paham Analisa Statistik Data dengan SPSS. Mediakom. Yogyakarta.

- Sugiyono. 2008. Metode Penelitian Bisnis. Alfabeta. Bandung.

- Sugiyono. 2009. Metode Penelitian Kuantitatif Kualitatif dan R & B. Bandung.

- Sugiyono, 2008. Statistik Nonparametris untuk Penelitian. Alfabeta. Bandung.

-Supranto, J. 2004. Analisis Multivariat : Arti dan Interpretasi. Rineka Cipta. Jakarta.

-Walpole, Ronald E. 1992. Pengantar Statistika Edisi ke-3. PT Gramedia Pustaka Utama. Jakarta.

Read More