seorang Kepala Badan. BMKG mempunyai tugas : melaksanakan tugas pemerintahan di bidang Meteorologi, Klimatologi, Kualitas Udara dan Geofisika sesuai dengan ketentuan
perundang-undangan yang berlaku.
2.8 Metode Analisis Data
2.8.1. Analisis Regresi
Untuk menentukan hubungan antara beberapa variabel bebas yaitu X
1
, X
2
, …, X
k.
dengan variabel terikat yang disebut Y mempunyai hubungan atau tidak. Syafrizal Helmi.
a. Regresi Linier Sederhana
Istilah regresi diperkenalkan oleh Francis Galton. Penafsiran regresi saat ini berkenaan dengan studi ketergantungan satu variabel bebas terhadap variabel tidak bebas. Antara
korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Analisis regresi digunkan bila ingin mengetahui bagaimana variabel dependenkriteria dapat diprediksikan
melalui variabel independen atau prediktor.
Model regresi sederhana adalah : Y = b
o
+ b
1
X + e untuk sampel
Y = β
o
+ β
1
X +
ε untuk populasi
2.1
Rumus regresi penaksir sebagai berikut :
Ŷ = b
o
+ b
1
X untuk sampel penaksir
Ŷ = β
o
+ β
1
X untuk populasi penaksir
2.2
b. Regresi Linier Berganda
Metode ini merupakan perluasan dari regresi sederhana. Regresi linier berganda ditujukan untuk menentukan hubungan linier antar beberapa variabel bebas yang disebut X
1
, X
2
,X
3
dan seterusnya dengan variabel terikat yang disebut Y. Analisis regresi linier berganda
memerlukan pengujian secara serempak dengan menggunakan F hitung. Signifikansi
Universitas Sumatera Utara
ditentukan dengan membandingkan F hitung dengan F tabel atau melihat signifikansi pada output SPSS. Dalam Analisis regresi linier berganda memerlukan pengujian asumsi klasik
diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heterokedastisitas, gejala multikolinearitas, dan gejala autokorelasi.
Model regresi linier berganda dengan k buah variabel bebas :
Y = b + b
1
X
1
+ b
2
X
2
+ b
3
X
3
.........+ b
k
X
k
+ ε
i
2.3
Untuk menghitung koefisien regresinya digunakan persamaan sebanyak k + 1 buah, yaitu :
∑
= +
b
1
∑ + b
2
∑ + b
3
∑ + b
4
∑
∑ X
1
=
∑
+
b
1
∑ + b
2
∑
X
+ b
3
∑ + b
4
∑
∑ X
2
=
∑
+
b
1
∑ + b
2
∑ + b
3
∑ + b
4
∑
∑ X
3
=
∑
+
b
1
∑ + b
2
∑
X
+ b
3
∑ + b
4
∑
∑ X
4
=
∑
+
b
1
∑ + b
2
∑
X
+ b
3
∑ + b
4
∑ 2.4
Sedangkan nilai b dapat diperoleh dengan persamaan :
b =
Ŷ - b
1
X
1
– b
2
X
2
– b
3
X
3
– b
4
X
4
2.5
Selanjutnya dengan menggunakan model regrsi linier berganda di atas, maka dapat melakukan perhitungan
Ŷ untuk setiap X
1
, X
2
, X
3
dan X
4
. Selanjutnya dengan memperhitungkan nilai simpangan masing- masing
Ŷ Y taksiran akan dapat dihitung besarnya variansi taksiran. Akan memberi gambaran tentang akuratnya persamaan regresi
ganda sebagai alat prediksi dengan rumus sebagai berikut :
. ..
=
∑
2.6
Keterangan : k : adalah banyaknya variabel bebas
2.8.2. Analisis Korelasi
Universitas Sumatera Utara
Hubungan yang dimiliki dua variabel atau lebih untuk mengukur kekuatan hubungan antara satu variabel dengan variabel lainnya, untuk mengetahui apakah ada atau tidaknya hubungan
antara satu variabel dengan variabel lainnya Syafrizal Helmi.
Menghitung nilai koefisien korelasi Pearson dapat dilakukan dengan menggunakan rumus berikut :
=
∑ ∑
∑ ∑
∑
{
∑ ∑
}
2.7
Keterangan : n
= banyak data atau anggota X
= anggota pada variabel bebas Y
= anggota pada variabel terikat
Koefisien korelasi adalah suatu angka indeks yang melukiskan hubungan antara dua rangkaian data yang dihubungkan. Dengan kata lain, koefisien korelasi adalah ukuran atau
indeks dari hubungan antara dua variabel. Koefisien korelasi besarnya antara -1 sampai +1. Tanda positif dan negatif menunjukkan arti atau arah dari hubungan koefisien korelasi
tersebut. Korelasi positif nilainya berada antara 0 sampai +1, nilai menjelaskan bahwa apabila suatu variabel naik maka akan menyebabkan kenaikan pada variabel lainnya dan sebaliknya.
Korelasi negatif nilainya berada antara -1 sampai 0, nilai tersebut menjelaskan bahwa apabila suatu variabel naik maka variabel lainnya akan turun, dan sebaliknya.
Tabel 2.1 Interpretasi Koefisien Korelasi Nilai r Interval Koefisien
Tingkat Hubungan
0,80 – 1,000 0,60 – 0,799
0,40 – 0,599 0,20 – 0,399
0,00 – 0,199 Sangat Kuat
Kuat Cukup Kuat
Rendah Sangat Rendah
Sumber : Helmi, 2010.
2.8.3. Koefisien Determinasi
Universitas Sumatera Utara
Menurut Syafrizal Helmi Situmorang 2012, hal : 162, R
2
pada intinya mengukur proporsi atau persentase sumbangan variabel bebas yaitu variabel tekanan udara X
1
, kelembaban udara X
2
, kecepatan angin X
3
dan suhu udara X
4
terhadap variasi naik turunnya variabel terikat atau curah hujan Y secara bersama-sama dimana 0
≤ R
2
≤1. Jika R
2
semakin besar mendekati satu maka dapat dikatakan bahwa pengaruh variabel bebas yaitu variabel tekanan
udara X
1
, kelembaban udara X
2
, kecepatan angin X
3
, dan suhu udara X
4
terhadap variabel terikat atau curah hujan Y adalah besar. Berarti model yang digunakan semakin
kuat untuk menerangkan pengaruh variabel bebas X
1
,X
2
, X
3
dan X
4
terhadap variabel terikat Y. Sebaliknya jika R
2
semakin kecil mendekati nol maka dapat dikatakan bahwa pengaruh variabel bebas X
1
,X
2
, X
3
dan X
4
terhadap variabel terikat Y adalah semakin kecil. Berarti model yang digunakan tidak kuat untuk menerangkan pengaruh variabel bebas
tekanan udara X
1
, kelembaban udara X
2
, kecepatan angin X
3
dan suhu udara X
4
terhadap variasi naik turunnya variabel terikat atau curah hujan Y. Semakin mendekati nol berarti model tidak baik atau variasi model dalam menjelaskan amat terbatas, sebaliknya
mendekati satu model semakin baik. R
2
dapat dihitung dengan perumusan sebagai berikut :
=
∑ ∑
∑ ∑
∑
= 1
−
. ..
2.8
2.8.4. Uji Asumsi Klasik
a Uji Normalitas
Ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Data yang baik adalah data yang mempunyai pola distribusi normal, yakni distribusi data
tersebut tidak menceng ke kiri atau menceng ke kanan.
b Heterokedastisitas
Universitas Sumatera Utara
Untuk melihat seberapa besar peranan variabel bebas terhadap variabel terikat. Dalam setiap persamaan regresi pasti memunculkan residu. Residu, yaitu variabel-variabel lain yang
terlibat akan tetapi tidak termuat di dalam model sehingga residu adalah variabel tidak diketahui. Ada dua cara mendeteksi heterokedastisitas, yaitu : Metode grafik, Park Test,
Glejser Test, Sperman’s Rank Correlatioan Test.
c Multikolinieritas
Menunjukkan adanya lebih dari satu hubungan linier yang sempurna. Koefisien-koefisien regresi biasanya diinterprentasikan sebagai ukuran perubahan variabel terikat jika salah satu
variabel bebasnya naik sebesar satu unit dan seluruh variabel bebas lainnya dianggap tetap. Untuk mendeteksi adanya multikolinieritas adalah dengan menggunakan nilai Variance
Inflation Factor VIF. Jika VIF lebih kecil dari 10, maka dalam model tidak terdapat multikolinieritas.
VIF = 2.9
keterangan : = Koefisien determinasi R
2
berganda ketika X
k
diregresikan dengan variabel- variabel X lainnya.
d Autokorelasi
Korelasi antara anggota serangkaian observasi yang diurutkan menurutkan waktu atau ruang. Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara
kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya. Pengujian ini dapat dilakukan dengan Uji Durbin Watson.
Hipotesis Ho : Tidak ada autokorelasi positif atau negatif
H1 : Terdapat autokorelasi positif atau negatif
Universitas Sumatera Utara
d = ∑
ê ê
∑ ê
2.10
Keterangan : d = nilai d
e
t
= nilai residu dari persamaan regresi periode t e
t-1
= nilai residu dari persamaan regresi periode t-1
Tolak Ho apabila nilai d hitung atau nilai Durbin Watson lebih besar daripada nilai Durbin Watson tabel batas bawah dL, yang berarti terdapat masalah autokorelasi positif
ddL, atau nilai d hitung terletak diantara nilai 4 - dL d 4. Terima Ho apabila nilai d hitung lebih besar daripada nilai d tabel batas atas dU dan lebih besar daripada 4 – dU.
2.9 Uji F Uji serentak
