Analisis Pengaruh Banyaknya Barang Yang Di Bongkar Muat Terhadap Upah Bongkar Muat Pelabuhan Belawan Tahun 2010

(1)

ANALISIS PENGARUH BANYAKNYA BARANG YANG DI

BONGKAR MUAT TERHADAP UPAH BONGKAR MUAT

PELABUHAN BELAWAN TAHUN 2010

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memcapai gelar ahli madya

NUR ISNAINI ARHAM DALIMUNTHE

082407110

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2011

(2)

PERSETUJUAN

Judul : ANALISIS PENGARUH BANYAKNYA BARANG YANG

DIBONGKAR MUAT TERHADAP UPAH BONGKAR MUAT BARANG PELABUHAN BELAWAN TAHUN 2010

Kategori : TUGAS AKHIR

Nama : NUR ISNAINI ARHAM DALIMUNTHE

NIM : 082407110

Program Studi : D-III STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM

(FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juni 2011

Diketahui

Departemen Matematika FMIPA USU Pembimbing

Prof. Dr. Tulus, M.Si Drs. Faigiziduhu Bu’ulölö, M.Si NIP. 19620901 198803 1 002 NIP. 19531218 198003 1 003

(3)

PERNYATAAN

ANALISIS PENGARUH BANYAKNYA BARANG YANG DIBONGKAR MUAT TERHADAP UPAH BONGKAR MUAT BARANG

PELABUHAN BELAWAN TAHUN 2010

TUGAS AKHIR

Saya mengakui bahwa tugas akhir ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juni 2011

NUR ISNAINI ARHAN DALIMUNTHE 082407110

(4)

PENGHARGAAN

Alhamdulillahi rabbil ‘alamin

Segala puji penulis tujukan kepada Allah Rabbul’alamin, Yang Maha Pengasih lagi Maha Penyayang, atas anugerah kesehatan dan ilham yang terus mengalir hingga hari ini. Salam penulis kepada hamba Allah yang paling mulia baginda Rasullah SAW.

Selama penyusunan Tugas Akhir ini penulis banyak menerima bantuan moril maupun materil yang tak ternilai harganya. Karenanya penulis mengucapkan terima kasih kepada :

1. Bapak Drs. Faigiziduhu Bu’ulölö, M.Si selaku Ketua Program Studi Statistika dan sekaligus Dosen Pembimbing yang telah memberikan bimbingan dan arahan dalam penulisan laporan Tugas Akhir ini.

2. Bapak Drs. Suwarno Ariswoyo, M.Si selaku sekretaris Program Studi D III Statistika FMIPA Universitas Sumatera Utara.

3. Bapak Prof. Dr. Tulus, M.Si selaku Ketua Depatemen Matematika FMIPA Universitas Sumatera Utara.

4. Ibu Dra. Mardiningsih, M.Si selaku sekretaris Depatemen Matematika FMIPA Universitas Sumatera Utara.

5. Bapak Dr. Sutarman, M.Sc selaku Dekan FMIPA Universitas Sumatera Utara 6. Seluruh Dosen Pengajar di Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Sumatera Utara khususnya Departemen Matematika. 7. Seluruh staf dan Pegawai kantor Otoritas Pelabuhan Belawan -1.

8. Teristimewa untuk Ibunda tercinta yang telah memberi dukungan dan semangat kepada penulis dalam menyelesaikan Tugas Akhir ini.

9. Teman-teman dekat saya yang telah membantu dan memberi motifasi untuk menyelesaikan Tugas Akhir ini.

Akhirnya penulis menyadari bahwa sebagaimana hasil karya manusia, Tugas Akhir yang penulis susun ini masih sangat jauh dari sempurna, baik dalam penulisan, tata bahasa maupun nilai ilmiahnya. Karena itu penulis dengan hati terbuka menerima segala kritik dan saran yang bertujuan untuk menyempurnakan penyusunan Tugas Akhir ini. Semoga Allah SWT memberikan rahmat-Nya kepda kita semua. Amin.

Medan, Juni 2011 Penulis

Nur Isnaini Arham Dalimunthe 082407110

(5)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar Isi v

Daftar Tabel vii

Daftar Gambar viii

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Identifikasi Masalah 2

1.3 Batasan Masalah dan Rumusan Masalah 3

1.4 Tujuan dan Manfaat Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 5

1.7 Tinjauan Pustaka 6

1.8 Sistematika Penulisan 8

Bab 2 Landasan Teori 9

2.1 Konsep Dasar Analisis Regresi 9

2.2 Persamaan Regresi 9

2.2.1 Persamaan Regresi Sederhana 10

2.2.2 Persamaan Regresi Berganda 11

2.3 Mean Square Error 13

2.4 Standard Error Estimasi 13

2.5 Uji F pada Regresi Linier Ganda 14

2.6 Koefisien Determinasi 15

2.7 Koefisien Korelasi 16

2.8 Uji Signifikansi Parameter Regresi Individual 19

Bab 3 Analisi Data 20

3.1 Pengolahan Data 20

3.2 Mean Square Error 27

3.3 Standar Error Estimasi 28

3.4 Uji F pada Regresi Berganda 29

3.5 Koefisien Korelasi 33

3.6 Uji Signifikansi Parameter Regresi Individual 34

Bab 4 Implementasi Sistem 37

4.1 Pengertian 37

4.2 Mengenal Program SPSS 37

4.3 Mengaktifkan Program SPSS 38

(6)

4.5 Pemasukan data 40

4.6 Analisis Regresi dan Korelasi Dengan SPSS 42

4.7 Output Program SPSS 44

Bab 5 Penutup 47

5.1 Kesimpulan 47

5.2 Saran 48

(7)

DAFTAR TABEL

Tabel 3.1 Data Barang Bongkar Muat 20

Tabel 3.2 Tampilan SPSS Regresi Linier 21

Tabel 3.3 Harga yang Diperlukan Untuk Menghitung Koefisien b0, b1, b2, b3 23 Tabel 3.4 Nilai-Nilai Ŷ yang Diperoleh dari Persamaan Regresi 24

Tabel 3.5 Tampilan SPSS Regresi Linier 29

Tabel 3.6 Harga-Harga yang Diperlukan Untuk Uji Keberartian Regresi 30 Tabel 3.7 Tampilan Hasil SPSS untuk Persamaan Garis Regresi Linier Ganda 33 Tabel 3.8 Tampilan Hasil SPSS untuk Persamaan Garis Regresi Linier Ganda 34

(8)

DAFTAR GAMBAR

Gambar 4.1. Scatter Diagram Jumlah Pasangan Usia Subur (PUS) 35

Gambar 4.2 Scatter Diagram Jumlah Akseptor KB Aktif 42

Gambar 4.3 Scatter Diagram Jumlah Akseptor Baru 50

(9)

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Pelabuhan merupakan sebuah fasilitas di ujun menerima Perkembangan pelabuhan akan sangat ditentukan oleh perkembangan aktivitas perdagangannya, semakin ramai aktivitas perdagangan di pelabuhan tersebut maka akan semakin besar pelabuhan tersebut. Perkembangan perdagangan juga mempengaruhi jenis kapal dan lalu lintas kapal yang melewati pelabuhan tersebut. Dengan semakin berkembangnya lalu lintas angkutan laut, teknologi bongkar muat, meningkatnya perdagangan antar pulau dan luar negeri, hal ini menuntut pelabuhan dalam meningkatkan kualitas peran dan fungsinya sebagai terminal point bagi barang dan kapal. Oleh karena itu, setiap negara berusaha membangun dan mengembangkan pelabuhannya sesuai dengan tingkat keramaian dan jenis perdagangan yang ditampung oleh pelabuhan tersebut. Dengan demikian, perkembangan pelabuhan akan selalu seiring dengan perkembangan ekonomi negara.

UUJBM (Unit Usaha Jasa Bongkar Muat) merupakan salah satu organisasi yang ada dalam kegiatan pelabuhan yang menangani kegiatan memuat dan membongkar muatan kapal, upah bongkar muat dan upah TKBM (Tenaga Kerja Bongkar Muat) serta mengawasi kegiatan tenaga kerja bongkar muat. Penanganan bongkar muat barang merupakan tolak ukur dari produktifitas kerja bongkar muat dan juga menunjukkan tinggi rendahnya pendapatan dari kegiatan bongkar muat itu sendiri.

(10)

Kegiatan bongkar muat kapal meliputi membongkar dan memuat isi muatan kapal yang mana setiap kapal memiliki jenis muatan barang tersendiri seperti General Kargo, Curah Kering, Curah Cerah, Container, Mobil dan Ternak. Banyaknya barang yang akan di bongkar muat dalam kapal membutuhkan tenaga kerja yang cukup banyak untuk membongkar isi muatan kapal ke gudang penyimpanan sementara begitu juga sebaliknya. Sehingga membutuhkan biaya untuk melakukan aktivitas tersebut yang mana disebut upah.

Berbicara mengenai kegiatan bongkar muat barang maka dapat dihubungkan dengan Upah Bongkar Muat yang merupakan salah satu faktor produktivitas tenaga kerja itu sendiri. Tenaga kerja pelabuhan sangat berperan aktif dalam proses bongkar muat di pelabuhan, karena mereka yang terjun langsung di lapangan, sehingga sangat membantu dalam kelancaran proses bongkar muat. Maka dengan demikian Upah Bongkar Muat menjadi suatu hal yang diperhatikan dalam aktivitas bongkar muat sehingga tenaga kerja bongkar muat mendapatkan kesejerahteraan yang layak.

Dengan demikian penulis tertarik untuk meneliti pengaruh banyaknya barang yang di bongakar muat menurut jenisnya terhadap upah bongkar muat di Pelabuhan Utama Belawan tahun 2010. Sehingga penulis membuat judul penelitian ini “Analisis Pengaruh Banyaknya Barang yang di Bongakar Muat Terhadap Upah Bongkar Muat di Pelabuhan Utama Belawan Tahun 2010”.

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah dikemukakan sebelumnya terdapat beberapa permasalahan antara lain :

(11)

1. Apakah ada pengaruh yang signifikan dan simultan antara banyaknya barang yang dibongkar muat menurut jenisnya terhadap upah bongkar di Pelabuhan Utama Belawan,

2. Banyaknya barang yang di bongar muat yang dimaksud dalam penelitian ini dijelaskan menurut Jenis barang yaitu : general kargo (GK), curah kering (CK), counteiner dan Upah Bongkar Muat Barang.

3. Variabel- variabel yang dianalisis adalah banyaknya general kargo (GK), curah kering (CK), counteiner dan Upah Bongkar Muat Barang.

4. Upah bongkar muat yang dimaksud adalah upah menurut jenis barang yang dibongkar muat.

1.3 Batasan dan Rumusan Masalah

Untuk mengarahkan penelitian ini agar tidak menyimpang dari sasaran yang dituju maka perlu dibuat pembatasan ruang lingkup permasalahan yaitu mengetahui ada tidaknya hubungan antara banyaknya barang yang di bongkar muat menurut jenis barang terhadap upah bongkar muat di Pelabuhan Utama Belawan pada tahun 2010 dengan menggunakan Analisis regresi linier ganda dan korelasi.

Berkaitan dengan hal tersebut, penulis merumuskan permasalahan apakah terdapat hubungan yang signifikan dan simultan antara banyaknya barang yang dibongkar muat dari kapal terhadap upah bongkar barang pelabuhan utama belawan pada tahun 2010.

(12)

1.4 Maksud dan Tujuan Penelitian

Penelitian merupakan salah satu cara memperoleh data yang kemudian dapat digunakan untuk mengetahui gambaran tentang suatu keadaan atau persoalan. Dengan adanya data yang lengkap akan dapat digunakan untuk membuat keputusan atau memecahkan suatu persoalan.

Adapun penelitian yang hendak dicapai penulis adalah untuk melihat atau menganalisis hubungan antara banyaknya barang yang dibongkar muat terhadap upah bongkar muat barang di Pelabuhan Utama Belawan pada tahun 2010.

1.5 Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat antara lain:

1. Memberikan atau menambah wawasan bagi penulis, terutama dalam penerapan ilmu yang didapat di bangku kuliah dengan menyatukan materi perkuliahan dengan objek permasalahan yang dijadikan materi pembahasan.

2. Hasil penelitian ini diharapkan dapat bermanfaat sebagai bahan masukan dan referensi bagi pihak yang berkepentingan.

(13)

Metodelogi Penelitian

Metode penelitian yang digunakan penulis adalah dengan cara sebagai berikut: 1. Penelitian Kepustakaan

Penelitian kepustakaan yaitu metode pengumpulan data untuk memperoleh data dan informasi dari perpustakaan, dengan membaca buku-buku, dan referensi yang bersifat teoritis yang mendukung penulisan tugas akhir.

2. Metode Pengumpulan Data

Pengumpulan data untuk keperluan riset ini, telah dilakukan oleh penulis dengan menggunakan data sekunder yang diperoleh dari kantor Otoritas Pelabuhan 1 Belawan Jl. Suar No.1 Pelabuhan Belawan. Data yang dikumpulkan tersebut kemudian disusun dan disajikan dalam bentuk angka-angka dengan tujuan untuk mendapatkan gambaran yang jelas tentang sekumpulan data tersebut.

3. Teknik dan Analisa Data

Data penelitian dianalisis dengan menggunakan analisis multiple regresi linier (Analisis Regresi Berganda) dan korelasi. Analisis multiple regresi linier yang lebih dikenal dengan regresi linier ganda merupakan perluasan dari regresi linier sederhana, pada regresi linier ganda variabel independen lebih dari satu variabel yang dihubungkan dengan satu variabel dependen.

Regresi linier ganda juga adalah persamaan garis lurus (regresi linier) untuk memprediksi variabel dependent (numerik) dari beberapa variabel independen (numerik atau kategorik). Jenis data pada regresi linier ganda untuk variabel dependen harus numerik, sedangkan untuk variabel independen boleh semuanya numerik atau campuran numerik dengan kategorik. Di mana data numerik terdiri

(14)

dari data interval dan data ratio, sedangkan data kategorik terdiri dari data ordinal dan nominal.

Pada analisis linier ganda dihubungkan beberapa variabel independen dengan satu variabel dependen pada waktu yang bersamaan.

Model persamaan regresi linier ganda adalah :

Ŷ=α+β1 x1+ β2 x2+ … + βn xn + ei

Keterangan:

Ŷ : variabel dependen

α : intercept = nilai Y jika X = 0

β : slope = koefisien regresi = besarnya perubahan nilai Y setiap satu unit

perubahan

x : variabel independen

ei : residual/error term sampel = beda arah nilai Y observasi dengan nilai Y prediksi

Di mana koefisien regresi linier berganda dari variabel-variabel tersebut akan dicari nilai dan pengaruhnya masing-masing terhadap variabel terikat dengan menggunakan aplikasi SPSS 17.

1.7 Tinjauan Pustaka

Bongkar muat barang adalah salah satu kegiatan yang dilakukan tenaga kerja pelabuhan belawan pada kedatangan kapal ke pelabuhan. Setiap kapal yang datang akan membongkar (menurunkan) barang yang dibawa dan kemudian memuat kembali barang yang akan dikirim pada saat keberangkatan selanjutnya. Muatan

(15)

kapal berbeda-beda dan dikelompokkan menurut jenis barangnya seperti tepung, gula, beras dll termasuk ke dalam barang curah kering (CK), kemudian besi, kayu, box, dll termasuk ke dalam general cargo (GC), kemudian sapi, babi termasuk ke dalam Ternak, begitu juga Container dan Mobil.

Dari kegiatan bongkar muat tersebut memiliki para tenaga kerja yang mengangkut barang-barang tersebut, dari itu maka akan ada upah dalam kegiatan tersebut. Upah dihasilkan dari administrasi barang-barang yang dikirim kemudian di dalamnya sudah termasuk Upah Bongkar Muat Barang.

1.8 Sistematika Penulisan

Untuk memenuhi target yang ditentukan dan memperoleh hasil yang maksimal dalam penyusunan tugas akhir nanti, penulis membagi penulisan tugas akhir ini dalam lima bab. Masing-masing bab terdiri dari beberapa subbab, yaitu sebagai berikut:

BAB 1 : PENDAHULUAN

Pada bab ini penulis menguraikan latar belakang penulisan, permasalahan yang ditimbulkan, maksud dan tujuan, pembatasan masalah dan sistematika penulisan.

BAB 2 : TINJAUAN TEORITIS

Tinjauan teoritis dijelaskan dan dibahas mengenai pengertian-pengertian yang menyangkut dengan penelitian tugas akhir dan perumusan masalah.

(16)

Pada bab ini dijelaskan mengenai pembahasan dan analisa data untuk mengetahui pengaruh banyaknya barang yang di bongkar dimuat terhadap upah bongkar muat di Pelabuhan Utama Belawan pada tahun 2010.

BAB 4 : IMPLEMENTASI SISTEM

Bab ini dijelaskan cara penggunaan rumus-rumus yang dipakai dengan menggunakan program aplikasi SPSS 17.

BAB 5 : KESIMPULAN DAN SARAN

Hasil dari analisa dan pendugaan pada bab-bab sebelumnya dirangkumkan pada bab ini. Selain kesimpulan, pada bab ini juga memberikan saran-saran yang sifatnya membangun untuk peningkatan indeks pembangunan manusia.

(17)

BAB 2

LANDASAN TEORI

2.1 Konsep Dasar Analisis Regresi

Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai analisis prediksi. Karena merupakan prediksi, maka nilai prediksi tidak selalu tepat dengan nilai riilnya, semakin kecil tingkat penyimpangan antara nilai prediksi dengan nilai riilnya, maka semakin tepat persamaan regresi yang dibentuk.

Sehingga dapat didefinisikan bahwa analisis regresi adalah metode statistika digunakan untuk menentukan kemungkinan bentuk hubungan antara variabel-variabel, untuk meramalkan atau memperkirakan nilai dari suatu variabel lain yang belum diketahui.

2.2 Persamaan Regresi

Analisis regresi digunakan apabila ada korelasi antara satu atau beberapa variabel bebas dengan variabel terikat (dependent). Variabel bebas dapat berupa data kontinu maupun kategori. Persamaan regresi adalah suatu persamaan matematis yang mendefinisikan hubungan antara dua variabel. Persamaan regresi yang digunakan untuk membuat taksiran mengenai variabel dependent disebut persamaan regresi

(18)

estimasi, yaitu suatu formula matematis yang menunjukkan hubungan keterkaitan antara satu atau beberapa variabel yang nilainya sudah diketahui dengan satu variabel lain yang nilainya belum diketahui.

Sifat hubungan antar variabel dalam persamaan regresi merupakan hubungan sebab akibat (causal relationship). Oleh karena itu, sebelum menggunakan persamaan regresi dalam menjelaskan hubungan antara dua atau lebih variabel, maka perlu dikayini terlebih dahulu bahwa secara teoritis atau perkiraan sebelumnya, dua atau lebih variabel tersebut memiliki hubungan sebab akibat.

2.2.1 Persamaan Regresi Linier Sederhana

Regresi linier sederhana yaitu suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk persamaan antara variabel bebas tunggal dengan variabel tak bebas tunggal. Regresi linier sederhana hanya memiliki satu peubah bebas X yang dihubungkan dengan satu peubah tak bebas Y.

Bentuk umum dari persamaan regresi linier sederhana untuk populasi adalah sebagai berikut:

µyx = β0 +β1X _…(2.1)

(19)

Jika β₀_,β₁ dan pendugaannya b0 dan b1 , maka bentuk regresi linier sederhana untuk sampel adalah sebagai berikut:

Yˆ = b0 + b1 X1 _…(2.2)

Dengan:

Yˆ = Variabel tak bebas (dependent variable)

X = Variabel bebas (independent variable)

b0 = Intersep (titik potong kurva terhadap sumbu Y)

b1 = Kemiringan (slope) kurva linier

2.2.2 Persamaan Regresi Linier Berganda

Regresi linier berganda mengandung makna bahwa dalam suatu persamaan regresi terdapat satu variabel dependent dan lebih dari satu variabel independent. Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan antara variabel dependent dengan faktor-faktor yang mempengaruhi lebih dari satu variabel independent.

Persamaan regresi berganda yang mempunyai variabel dependent Y dengan dua variabel independent atau lebih. Secara umum persamaan regresi gandanya dapat ditulis sebagai berikut:

(20)

Dengan:

β0 = koefisien intercept regresi

β1β2··· βk = koefisien slope regresi

e = error persamaan regresi

Untuk regresi linier yang menggunakan lebih dari dua variabel independent maka persamaan yang digunakan adalah:

Yˆ = b0 + b1X1 + b2X2 + …+ bnXn _…(2.4) Bentuk data yang akan diolah ditunjukkan pada tabel berikut ini;

Tabel 2.1 Bentuk Umum Data Observasi

Responden

Variabel Tak Bebas

Variabel Bebas

(Y) X1 X2 Xk

1 Y1 X11 X21 … Xk1

2 Y2 X11 X22 … Xk2

. . . . … .

n Yn X1n X2n … Xkn

∑

_∑

(21)

Dari tabel 2.1 dapat dilihat bahwa Y1 berpasangan dengan X11, X21, …, Xk1 dan

Y2 berpasangan dengan X12, X22, …, Xk2 dan umumnya data Yn berpasangan dengan

X1n, X2n, …, Xkn.

Dalam penelitian ini, penulis menggunakan regresi linier berganda dengan 4 variabel, yaitu satu variabel tak bebas (dependent variable) dan tiga variabel bebas (independent variable).

Persamaan regresi berganda dengan tiga variabel bebas ditaksir oleh:

Yˆ = b0 + b1X1 + b2X2 + b3X3 _…(2.5) Dengan :

Yˆ = nilai estimasi Y

b0 =nilai Y pada perpotongan antara garis linier dengan sumbu vertikal Y

X1, X2, X3 = nilai variabel independent

b1, b2, b3 = slope yang berhubungan dengan nilai X1, X2 dan X3

Dan diperoleh persamaan normal yaitu:

∑Yi = b0n + b1∑X1i +b1∑X2i +b3∑X3i

∑YiX1i = b0∑X1i + b1∑X1i2 + b2∑X1iX2i + b3∑X1iX3i _…(2.6)

∑YiX2i = b0∑X2i + b1∑X1iX2i + b2∑X1i X3i + b3∑X2iX3i

∑YiX3i = b0∑X3i + b1∑X1iX3i + b2∑ X2iX3i + b3∑X3i2

Harga-harga b0, b1, b2, b3 yang telah didapat kemudian disubstitusikan ke dalam persamaan 2.6 sehingga diperoleh model regresi linier berganda Y atas X1, X2 dan X3.

(22)

2.3 Mean Square Error

MSE = =

…(2.7)

2.4 Standar Error Estimasi

Dalam persamaan model regresi linier yang diperoleh, maka antara nilai Y dengan

Yˆakan menimbulkan perbedaan hasil yang sering disebut sebagai standard error of estimation (s). atau kesalahan estimasi standar yang dirumuskan dengan:

…(2.8)

Atau

s²y.12…k = _…(2.9)

Dengan :

Yi = nilai data hasil pengamatan = nilai hasil regresi

n = ukuran sampel

(23)

2.5 Uji F pada Regresi Linier Ganda

Pengujian hipotesis bagi koefisien-koefisien regresi linier berganda dapat dilakukan secara serentak atau keseluruhan. Pengujian regresi linier perlu dilakukan untuk mengetahui apakah variabel-variabel bebas secara bersamaan memiliki pengaruh terhadap variabel tak bebas.

Langkah-langkah pengujiannya adalah sebagai berikut: 1. Menentukan formulasi hipotesis

H0 : b1 = b2 = b3 = … = bk = 0, (X1,X2, ..., Xk tidak mempengaruhi Y)

H1 : minimal ada satu parameter koefisien regresi yang tidak sama dengan nol atau mempengaruhi Y.

2. Menentukan taraf nyata dan Ftabel dengan derajat kebebasan v1 = k dan v2 = n- k-1 3. Menentukan kriteria pengujian

H0 diterima bila Fhitung≤ Ftabel

Ho ditolak bila Ftabel > Ftabel

4. Menentukan nilai statistik F dengan rumus:

Fhit =

) 1 (n−k−

JK k JK

res reg

…(2.10)

Dengan:

JKreg = jumlah kuadrat regresi

JKres = jumlah kuadrat residu (sisa) (n – k – 1) = derajat kebebesan

(24)

Dengan:

x1i = X1i – X

x2i = X2i–X2 xki = Xki–Xk

JKres =

∑

(Yi - Yˆi)2 _…(2.12)

5. Membuat kesimpulan apakah H0 diterima atau ditolak.

2.6 Koefisien Determinasi

Koefisien determinasi yang dinyatakan dengan R² untuk menguji regresi linier berganda yang mencakup lebih dari dua variabel. Koefisien determinasi adalah untuk mengetahui proporsi keberagaman total dalam variabel tak bebas Y yang dapat dijelaskan atau diterangkan oleh variabel-variabel bebas X yang ada di dalam model persamaan regresi linier berganda secara bersama-sama. Maka R² akan ditentukan dengan rumus:

R² =

∑

yi JK_reg

…(2.13)

∑

2 i

y =

(

)

n Y

Y_i i

∑

− _…(2.14)

Dengan:

(25)

2.7Koefisien Korelasi

Analisis Korelasi adalah alat yang dapat digunakan untuk mengetahui adanya derajat hubungan linier antara satu variabel dengan variabel lain. Hubungan antara variabel ini dapat berupa hubungan yang kebetulan belaka, tetapi dapat juga merupakan hubungan sebab akibat.

Untuk mencari korelasi antara variabel Y dan X dapat dirumuskan sebagai berikut:

r =

} ) ( }{ ) ( { ) )( ( 2 2 2 2 1 1

∑

− − − i i i i i i i i Y Y n X X n Y X Y X n …(2.15)

Untuk menghitung korelasi antara variabel tak bebas dengan tiga buah variabel bebas masing-masing adalah:

1. Koefisien korelasi antara Y dengan X1

ry1 =

} ) ( }{ ) ( { ) )( ( 2 2 2 1 2 1 1 1

∑

−

∑

− − i i i i i i i i Y Y n X X n Y X Y X n …(2.16)

2. Koefisien korelasi antara Y dan X2

ry2 =

} ) ( }{ ) ( { ) )( ( 2 2 2 2 2 2 2 2

∑

− − − i i i i i i i i Y Y n X X n Y X Y X n …(2.17)

3. Koefisien korelasi antara Y dan X3

ry3 =

(

)(

)

} ) ( }{ ) (

{ ₃2 ₃ 2 2 2

3 3

∑

− − − i i i i i i i i Y Y n X X n Y X Y X n …(2.18)

(26)

Sedangkan untuk menghitung korelasi variabel bebas masing-masing adalah: 1. Koefisien korelasi antara X1 dengan X2

r12 =

} ) ( }{ ) ( { ) )( ( 2 2 2 2 2 1 2 1 2 1 2 1

∑

− − − i i i i i i i i X X n X X n X X X X n …(2.19)

2. Koefisien korelasi antara X1 dengan X3

r13 =

} ) ( }{ ) ( { ) )( ( 2 3 2 3 2 1 2 1 3 1 3 1

∑

− − − i i i i i i i i X X n X X n X X X X n …(2.20)

3. Koefisien korelasi antara X2 dan X3

r23 =

} ) ( }{ ) ( { ) )( ( 2 3 2 3 2 2 2 2 3 2 3 2

∑

− − − i i i i i i i i X X n X X n X X X X n …(2.21)

Dua variabel dikatakan berkorelasi apabila perubahan pada suatu variabel akan diikuti oleh perubahan variabel lain, baik dengan arah yang sama maupun dengan arah yang berlawanan. Hubungan antara variabel dapat dikelompokkan menjadi tiga jenis hubungan sebagai berikut:

1. Korelasi Positif

Terjadinya korelasi positif apabila perubahan pada variabel yang satu diikuti dengan perubahan variabel yang lain dengan arah yang sama atau berbanding lurus. Artinya, apabila variabel yang satu meningkat, maka akan diikuti dengan peningkatan variabel yang lain.

2. Korelasi negatif

Korelasi negatif terjadi apabila perubahan pada variabel yang satu diikuti dengan perubahan variabel yang lain dengan arah yang berlawanan atau berbanding terbalik. Artinya, apabila variabel yang satu meningkat, maka akan diikuti dengan penurunan pada variabel yang lain dan sebaliknya.

(27)

3. Korelasi nihil

Korelasi nihil terjadi apabila perubahan pada variabel yang satu diikuti pada perubahan variabel yang lain dengan arah yang tidak teratur (acak).

Koefisien korelasi nihil adalah -1 ≤ r ≤ 1. Jika dua variabel berkorelasi negatif maka nilai koefisien korelasi akan mendekati -1. Jika dua variabel tidak berkorelasi akan mendekati 0. Sedangkan jika dua variabel berkorelasi positif maka koefisien korelasi akan mendekati +1.

Untuk lebih memudahkan mengetahui seberapa jauh derajat keeratan antara variabel tersebut, dapat dilihat pada perumusan berikut ini:

-1,00 ≤ r ≤ -0,80 berarti berkorelasi kuat secara negatif -0,79 ≤ r ≤ -0,50 berarti berkorelasi sedang secara negatif -0,49 ≤ r ≤ 0,49 berarti berkorelasi lemah

0,50 ≤ r ≤ 0,79 berarti berkorelasi sedang secara positif 0,80 ≤ r ≤ 1,00 berarti berkorelasi kuat secara positif.

2.8 Uji Signifikansi Parameter Regresi Individual

Meskipun telah diberikan cara uji keberartian regresi dengan uji F, namun belum diketahui bagaimana keberartian adanya setiap variabel bebas dalam regresi itu. Oleh karena itu untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam regresi perlu diadakan pengujian mengenai b1, b2, b3. Pengujian dapat dirumuskan dengan hipotesa sebagai berikut:

H0: variabel X tidak mempengaruhi Y

(28)

Untuk menguji hipotesis ini digunakan kekeliruan baku taksiran ( ), jumlah

kuadrat-kuadrat dengan = dan koefisien korelasi ganda antar variabel bebas

Xi. Dengan harga- harga ini dibentuk kekeliruan baku koefisien b1, dengan persamaan:

…(2.22)

Selanjutnya hitung statistik:

…(2.23) Yang berdistribusi t student dengan derajat kebebasan dk= (n-k-1). Kriterianya adalah tolak H0 jika ti lebih besar atau lebih kecil dari t tabel .

(29)

BAB 3

ANALISIS DATA

3.1 Pengolahan Data

Data yang diambil dari kantor Otoritas Pelabuhan Belawan 1 adalah data Upah Bongkar Muat Barang, jumlah barang berupa Curah Kering (CK), General Cargo (GC), dan Container.

Tabel 3.1 Upah Bongkar Muat, Jumlah Barang berupa Curah Kering (CK), General Cargo (GC), dan Container.

Bulan CK GC Container Upah

Januari 168.970,00 248.693,00 126.528,00 2.157.524.877,50 Februari 151.147,00 13.313,00 83.350,00 1.885.584.962,80 Maret 230.934,00 100.601,00 87.976,00 2.852.503.578,83 April 176.144,00 31.114,00 76.830,00 2.030.819.805,06 Mey 214.372,00 60.147,00 94.970,00 3.178.297.591,69 Juni 153.096,00 12.735,00 76.335,00 1.787.285.874,21 Juli 18.276,00 19.044,00 65.406,00 2.408.777.437,64 Agustus 234.765,00 65.733,00 55.030,00 1.861.357.619,90 September 182.904,00 29.752,00 43.805,00 1.308.950.710,84 Oktober 235.170,00 41.369,00 50.814,00 1.570.210.197,60 November 30.638,00 11.755,00 57.530,00 1.393.063.420,98 Desember 188.961,00 69.784,00 63.685,00 1.339.550.803,11 Jumlah 1.985.377,00 704.040,00 882.259,00 23.773.926.880,16 Rata-rata 165.448,08 58.670,00 73.521,58 1.981.160.573,35

(30)

Dari data tabel 3.1 maka:

Y = Upah Bongkar Muat Barang X1 = Curah Kering (CK)

X2 = General Cargo (GC) X3 = Container

Dalam menganalisa data tabel 3.1 tersebut menggunakan SPSS, diperoleh

output dan penjelasannya sebagai berikut :

Tabel 3.2 Tampilan SPSS untuk Persamaan Garis Regresi Linier Ganda. Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

T Sig.

B Std. Error Beta

1 (Constant) 1.680E8 7.432E8 .226 .827

CK 1.700.923 2.235.580 .208 .761 .469

GC -4.354.021 3.572.643 -.486 -1.219 .258

Container 24.308.582 9.887.299 .940 2.459 .039 a. Dependent Variable: Upah

Dari tabel 3.2, kolom unstandardized coefficients, diperoleh nilai: b0 = 1.680E8

b1 = 1.700.923 b2 = -4354.021 b3 = 24.308.582

(31)

Dengan demikian persamaan regresi linier ganda yang didapat atas X1, X2, dan X3 adalah:

Ŷ = 168.000.000+1.700.923X1 – 4.354.021X2 + 24.308.582X3

Untuk lebih jelasnya digunakan penghitungan secara manual, untuk itu perlu dicari harga-harga untuk tabel berikut.

(32)

Tabel 3.3 Harga-Harga yang Diperlukan Untuk Menghitung Koefisien b0, b1, b2, b3

Bulan CK GC Container Upah X12 X22 X32

Januari 168.970,00 248.693,00 126.528,00 2.157.524.877,50 28.550.860.900,00 61.848.208.249,00 16.009.334.784,00 Februari 151.147,00 13.313,00 83.350,00 1.885.584.962,80 22.845.415.609,00 177.235.969,00 6.947.222.500,00 Maret 230.934,00 100.601,00 87.976,00 2.852.503.578,83 53.330.512.356,00 10.120.561.201,00 7.739.776.576,00 April 176.144,00 31.114,00 76.830,00 2.030.819.805,06 31.026.708.736,00 968.080.996,00 5.902.848.900,00 Mey 214.372,00 60.147,00 94.970,00 3.178.297.591,69 45.955.354.384,00 3.617.661.609,00 9.019.300.900,00 Juni 153.096,00 12.735,00 76.335,00 1.787.285.874,21 23.438.385.216,00 162.180.225,00 5.827.032.225,00 Juli 18.276,00 19.044,00 65.406,00 2.408.777.437,64 334.012.176,00 362.673.936,00 4.277.944.836,00 Agustus 234.765,00 65.733,00 55.030,00 1.861.357.619,90 55.114.605.225,00 4.320.827.289,00 3.028.300.900,00 September 182.904,00 29.752,00 43.805,00 1.308.950.710,84 33.453.873.216,00 885.181.504,00 1.918.878.025,00 Oktober 235.170,00 41.369,00 50.814,00 1.570.210.197,60 55.304.928.900,00 1.711.394.161,00 2.582.062.596,00 November 30.638,00 11.755,00 57.530,00 1.393.063.420,98 938.687.044,00 138.180.025,00 3.309.700.900,00 Desember 188.961,00 69.784,00 63.685,00 1.339.550.803,11 35.706.259.521,00 4.869.806.656,00 4.055.779.225,00 Jumlah= 1.985.377,00 704.040,00 882.259,00 23.773.926.880,16 385.999.603.283,00 89.181.991.820,00 70.618.182.367,00 Rata-rata= 165.448,08 58.670,00 73.521,58 1.981.160.573,35

(33)

Tabel 3.3 Harga-Harga yang Diperlukan Untuk Menghitung Koefisien b0, b1, b2, b3 (Lanjutan)

Bulan X1.y X2.y X3.y X1.x2 X1.x3 X2.x3

Januari 364.556.978.551.175,00 536.561.334.360.107,00 272.987.307.700.320,00 42.021.656.210,00 21.379.436.160,00 31.466.627.904,00 Februari 285.000.510.372.332,00 25.102.792.609.756,40 157.163.506.649.380,00 2.012.220.011,00 12.598.102.450,00 1.109.638.550,00 Maret 658.740.061.473.527,00 286.964.712.533.877,00 250.951.854.851.148,00 23.232.191.334,00 20.316.649.584,00 8.850.473.576,00 April 357.716.723.742.489,00 63.186.927.414.636,80 156.027.885.622.760,00 5.480.544.416,00 13.533.143.520,00 2.390.488.620,00 Mey 681.338.011.325.769,00 191.165.065.247.378,00 301.842.922.282.799,00 12.893.832.684,00 20.358.908.840,00 5.712.160.590,00 Juni 273.626.318.198.054,00 22.761.085.608.064,40 136.432.467.207.820,00 1.949.677.560,00 11.686.583.160,00 972.126.225,00 Juli 44.022.816.450.308,60 45.872.757.522.416,20 157.548.497.086.282,00 348.048.144,00 1.195.360.056,00 1.245.591.864,00 Agustus 436.981.621.635.823,00 122.352.620.428.887,00 102.430.509.823.097,00 15.431.807.745,00 12.919.117.950,00 3.617.286.990,00 September 239.412.320.815.479,00 38.943.901.548.911,70 57.338.585.888.346,20 5.441.759.808,00 8.012.109.720,00 1.303.286.360,00 Oktober 369.266.332.169.592,00 64.958.025.664.514,40 79.788.660.980.846,40 9.728.747.730,00 11.949.928.380,00 2.102.124.366,00 November 42.680.677.091.985,20 16.375.460.513.619,90 80.142.938.608.979,40 360.149.690,00 1.762.604.140,00 676.265.150,00 Desember 253.122.859.306.469,00 93.479.213.244.228,20 85.309.292.896.060,30 13.186.454.424,00 12.033.981.285,00 4.444.194.040,00 Jumlah 4.006.465.231.133.000,00 1.507.723.896.696.400,00 1.837.964.429.597.840,00 132.087.089.756,00 147.745.925.245,00 63.890.264.235,00

(34)

Dari tabel 3.3 diperoleh harga-harga sebagai berikut:

∑ Y = 23.773.926.880,00 ∑ X1Y = 4.006.465.231.133.000,00 ∑ X1 = 1.985.377,00 ∑ X2Y = 1.507.723.896.696.400,00 ∑ X2 = 704.040,00 ∑ X3Y = 1.837.964.429.597.840,00 ∑ X3 = 882.259,00 ∑ X1 X2 = 132.087.089.756,00 ∑ X12 = 385.999.603.283,00 ∑ X1 X3 = 147.745.925.245,00 ∑ X22 = 164.460.871.615,00 ∑ X2 X3 = 63.890.264.235,00 ∑ X32 = 89.181.991.820,00

Dengan persamaan 2.6 :

∑Yi = bon + b1∑X1i +b2∑X2i +b3∑X3i

∑YiX1i = b0∑X1i + b1∑X1i2 + b2∑X1iX2i + b3∑X1iX3i ∑YiX2i = b0∑X2i + b1∑X1iX2i + b2∑X2i 2+ b3∑X2iX3i ∑YiX3i = b0∑X3i + b1∑X1iX3i + b2∑ X2iX3i + b3∑X3i2

Maka diperoleh Persamaan sebagai berikut:

23.773.926.880 = 12b0 + 1.985.377b1 +704.040,00b2 + 882.259,00b3 4.006.465.231.133.000,00 = 1985377,00b0 + 385.999.603.283,00b1 +

132.087.089.756,00b2 + 147.745.925.245,00+11b3 1.507.723.896.696.400,00 = 704.040,00b0 + 132.087.089.756,00b1

+164.460.871.615,00b2 + 63.890.264.235,00b3 1.837.964.429.597.840,00 = 882.259,00b0 + 63.890.264.235,00+11b1 +

(35)

Setelah persamaan 2.6 disubstitusikan, diperoleh harga-harga sebagai berikut: b0 = 168.000.000

b1 = 1.700.923 b2 = -4.354.021 b3 = 24.308.582

Dengan demikian persamaan regresi linier ganda yang didapat atas X1, X2, dan X3 adalah:

Ŷ = 168.000.000+1.700.923X1 -4.354.021X2 + 24.308.582X3

3.2 Mean Square Error

Tabel 3.4 Nilai-Nilai Ŷ yang Diperoleh dari Persamaan Regresi

Bulan Ŷ Y- Ŷ (Y- Ŷ )2

Januari 28.420.941,33 2.129.103.936,17 4.533.083.571.010.330.000,00 Februari 903.036.094,03 982.548.868,77 965.402.279.519.241.000,00 Maret 874.619.610,82 1.977.883.968,02 3.912.024.990.930.760.000,00 April 922.141.772,50 1.108.678.032,56 1.229.166.979.872.240.000,00 Mey 991.294.696,73 2.187.002.894,96 4.782.981.662.576.540.000,00 Juni 902.018.169,64 885.267.704,57 783.698.908.751.095.000,00 Juli 275.076.238,45 2.133.701.199,19 4.552.680.807.441.910.000,00 Agustus 986.903.183,53 874.454.436,37 764.670.561.292.421.000,00 September 901.024.981,35 407.925.729,49 166.403.400.779.133.000,00 Oktober 1.087.558.435,51 482.651.762,09 232.952.723.445.686.000,00 November 346.678.918,65 1.046.384.502,33 1.094.920.526.714.310.000,00 Desember 786.636.243,09 552.914.560,02 305.714.510.678.793.000,00 Jumlah= 7.157.409.285,63 16.616.517.594,53 23.323.700.923.012.500.000,00

Dari persamaan 2.7 :

(36)

Maka diperoleh hasil MSE :

MSE =

MSE = 2.915.462.615.376.560.000,00

Dengan demikian tampak bahwa MSE dari model regresi ini sangat besar yang menunjukkan bahwa model yang dihasilkan tidak dekat dengan kenyataan yang sesungguhnya.

3.3 Standar Error Estimasi

Untuk menghitung kekeliruan baku taksiran

s

_y.123diperlukan harga-harga Ŷ yang diperoleh dari persamaan regresi di atas untuk tiap harga X1, X2 dan X3 yang diketahui.

Maka kekeliruan bakunya dapat dihitung dengan persamaan 2.9:

s

y.12…k=

s

y.123=

s

y.123

=

(37)

Dalam hal ini berarti rata-rata Upah Bongkar Muat Barang yang sebenarnya akan menyimpang dari rata-rata Upah Bongkar Muat Barang yang diperkirakan sebesar 1.707.472.581,00.

3.4 Uji F pada Regresi Linier Ganda

Menguji keberartian regresi linier berganda dimaksudkan untuk meyakinkan apakah regresi berbentuk linier yang didapat berdasar penelitian ada artinya bila dipakai untuk membuat kesimpulan mengenai peubah.

Dari harga-harga tabel 3.3 dapat diketahui nilai jumlah kuadrat regresi (JKreg), nilai jumlah kuadrat residu (JKres) dan selanjutnya dapat dihitung Fhitung. Hipotesa mengenai keberartian model regresi adalah:

H0: persamaan regresi tidak bersifat nyata dan variabel X tidak mempengaruhi Y H1: Persamaan regresi bersifat nyata dan variabel X mempengaruhi Y

Dengan kriteria pengujian: Tolak H0: jika Fhitung >Ftabel Terima H0: jika Fhitung <Ftabel

Tabel 3.5 Tampilan SPSS untuk Persamaan Garis Regresi Linier Ganda: ANOVAb

Model

Sum of

Squares Df Mean Square F Sig.

1 Regression 1.822E18 3 6.074E17 2.398 .143a

Residual 2.026E18 8 2.532E17

(38)

a. Predictors: (Constant), Container, CK, GC b. Dependent Variable: Upah

Dari tabel 3.5 diperoleh nilai F hitung sebesar 2,398. Dan F hitung dapat di tentukan dengan persamaan 2.10 dan 2.11:

JKreg = b1

∑

y_ix₁_i + b2

∑

y_ix₂_i+ b3

∑

y_ix₃

JKres =

∑

(Yi - Yˆi)2

Untuk menguji regresi yang telah terbentuk diperlukan nilai-nilai y, x1, x2 dan x3 dengan persamaan 3.5:

y = Yi– i

x1i = X1i – X ₁

x2i = X2i–X ₂

x3i = X3i–X3

(39)

Tabel 3.7 Harga-Harga yang Diperlukan Untuk Uji Keberartian Regresi (Lanjutan)

Dari harga-harga di atas dapat dihitung nilai jumlah kuadrat regresi dan nilai

Bulan _x₁ _x₂ _x₃ _Y y2

Januari _{3.521,92 190.023,00} _53.006,42 _{176.364.304,15} 31.104.367.779.489.500,00 Februari _{-14.301,08 -45.357,00} _9.828,42 _{-95.575.610,55} 9.134.697.331.368.090,00 Maret _65.485,92 _41.931,00 _14.454,42 _{871.343.005,48} 759.238.633.204.728.000,00 April _{10.695,92 -27.556,00} _3.308,42 _{49.659.231,71} 2.466.039.294.358.530,00 Mey _48.923,92 _1.477,00 _{21.448,42 1.197.137.018,34 1.433.137.040.687.970.000,00} Juni _{-12.352,08 -45.935,00} _2.813,42 _{-193.874.699,14} 37.587.398.965.333.000,00 Juli _{-147.172,08 -39.626,00} _-8.115,58 _{427.616.864,29} 182.856.182.628.063.000,00 Agustus _69.316,92 _{7.063,00 -18.491,58} _{-119.802.953,45} 14.352.747.654.544.100,00 September _{17.455,92 -28.918,00 -29.716,58} _{-672.209.862,51} 451.866.099.251.232.000,00 Oktober _{69.721,92 -17.301,00 -22.707,58} _{-410.950.375,75} 168.880.211.326.327.000,00 November -134.810,08 -46.915,00 -15.991,58 -588.097.152,37 345.858.260.621.782.000,00 Desember _23.512,92 _11.114,00 _-9.836,58 _{-641.609.770,24} 411.663.097.263.148.000,00

Bulan x1.y x2.y x3.y

Januari 621.140.382.202,69 33.513.274.168.128,90 9.348.439.791.078,32 Februari 1.366.834.771.062,09 4.335.022.967.565,16 -939.356.923.623,70 Maret 57.060.695.445.164,40 36.536.283.562.921,60 12.594.754.860.841,70 April 531.151.004.136,50 -1.368.409.789.092,61 164.293.429.854,25 Mey 58.568.631.724.011,00 1.768.171.376.093,10 25.676.693.576.518,80 Juni 2.394.756.439.961,04 8.905.634.304.842,78 -545.450.309.796,08 Juli -62.933.264.786.517,10 -16.944.745.864.487,60 -3.470.360.296.911,24 Agustus -8.304.371.340.483,12 -846.168.260.193,81 2.215.346.297.238,49 September -11.734.039.342.427,80 19.438.964.803.967,80 19.975.780.396.667,90 Oktober -28.652.247.851.944,40 7.109.852.450.793,08 9.331.689.903.132,08 November 79.281.426.118.646,40 27.590.577.903.282,20 9.404.604.620.167,58 Desember -15.086.117.060.093,90 -7.130.850.986.410,31 6.311.247.972.413,82 Jumlah 73.114.595.503.717,70 112.907.606.637.410,00 90.067.683.317.581,90

(40)

jumlah kuadrat residu dengan menggunakan persamaan 2.11 dan persamaan 2.12

JKreg = b1

∑

y_ix₁_i + b2

∑

y_ix₂_i+ b3

∑

y_ix₃

JKreg = (1.700.923,00)(73.114.595.503.717,70)+ (-4.354.021,00)(112.907.606.637.410,00)+ (24.308.582,00)( 90.067.683.317.581,90)

JKreg = 1.822.177.652.900.630.000,00

JKres =

∑

(Yi - Yˆi)2

JKres = 23.323.700.923.012.500.000,00 Sehingga diperoleh persamaan 2.10 :

2,398324 2,398

Dengan tabel distribusi F dengan dk pembilang = 3 dan dk penyebut = 12 dan

α = 0.05

Maka diperoleh: Ftabel = F(α) (k, n-k-1)

(41)

= F(0.05) (3, 12-3-1) = F(0.05) (3, 8)

= 4,48

Dengan demikian di peroleh 2,398 < Ftabel = 4,48. Karena Fhitung <Ftabel maka H0 ditolak dan H1 diterima. Hal ini berarti bahwa persamaan regresi linier ganda Y atas X1, X2 dan X3 bersifat tidak nyata atau Curah Kering (CK), General Cargo (GC), dan Container tidak mempengaruhi mempengaruhi Upah Bongkar Muat Barang yang peroleh pada tahun 2010 di kantor Otoritas Pelabuhan Belawan 1.

3.5 Koefisien Determinasi

Koefisien determinasi ganda:

Tabel 3.7 Tampilan Hasil SPSS untuk Persamaan Garis Regresi Linier Ganda: Model Summary

Model R R Square

Adjusted R Square

Std. Error of the Estimate

1 .688a 0.474 .276 5.0323539E8

a. Predictors: (Constant), Container, CK, GC

Masing-masing dapat dicari dengan persamaan 2.13:

R2 =

(42)

Diperoleh nilai koefisien determinasi sebesar 0,47, hal ini berarti sekitar 47% upah bongkar muat barang dapat dijelaskan oleh variabel curak kering (CK), general cargo (GC) dan container dengan persamaan regresi Ŷ = 168.000.000 +1.700.923X1 – 4.354.021X2 + 24.308.582X3 sedangkan sisanya dijelaskan oleh faktor lain.

Dan untuk koefisien korelasi ganda adalah:

R =

R = 0,69

Dari perhitungan di atas diperoleh korelasi antara variabel Curah Kering (CK), General Cargo (GC) dan Container tehadap Upah Bongkar Muat Barang sebesar 0,69. angka korelasi tersebut membuktikan bahwa ada hubungan antara variabel independent dan ketiga variabel dependent dengan arah positif.

3.6Perhitungan Korelasi Antar Variabel Y dengan Xi (ry.123)

Tabel 3.8 Tampilan SPSS untuk Persamaan Garis Regresi Linier Ganda:

Correlations

CK GC Container Upah

CK Pearson

Correlation

1 0.297 0.098 0.155

Sig. (2-tailed) 0.348 0.763 0.630

N 12 12 12 12

GC Pearson

Correlation

(43)

Sig. (2-tailed) 0.348 0.007 0.409

N 12 12 12 12

Container Pearson Correlation

0.098 0.731** 1 0.605*

Sig. (2-tailed) 0.763 0.007 0.037

N 12 12 12 12

Upah Pearson Correlation

0.155 0.263 0.605* 1

Sig. (2-tailed) 0.630 0.409 0.037

N 12 12 12 12

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).

Dari Tabel 3.2 dapat ditentukan korelasi antara variabel tak bebas Y dengan variabel bebas (X) dengan menggunakan persamaan rumus:

a. Koefisien korelasi antara Upah Bongkar Muat Barang dengan banyaknya barang Curah Kering (CK). Dengan rumus 2.14 :

ry.x1 =

} ) ( }{ ) ( { ) )( ( 2 2 2 1 2 1 1 1

∑

− − − i i i i i i i i Y Y n X X n Y X Y X n

ry.x1=

} 6.880,00) (23.773.92 -20) E {16(50.948 } ) (1.985.377 -11) {12(3,86E 0) 2377392688 )( (1.985.377 -15) + E 16(4,00647 2 2 ₊ +

ry.x1 = 0,155402654

ry.x1 = 0,16

Nilai korelasi antara Upah Bongkar Muat Barang dengan banyaknya barang Curah Kering (CK) sebesar 0,16 menunjukkan bahwa terdapat korelasi yang lemah dengan nilai yang searah (positif)

(44)

b. Koefisien korelasi antara Upah Bongkar Muat Barang dengan barang General Cargo (GC). Dengan persamaan 2.15 :

} ) ( }{ ) ( { ) )( ( 2 2 2 2 2 2 2 2

∑

−

∑

− − i i i i i i i i Y Y n X X n Y X Y X n = } 6.880,00) (23.773.92 -20) E {16(50.948 } (704040) -0.871.615) {12(164.46 0) 2377392688 (704040)( -15) + E 16(1,50772 2 2 + 0,263050257 0,26

Nilai korelasi antara Upah Bongkar Muat dengan banyaknya barang General Cargo (GC) sebesar 0,26 menunjukkan bahwa terdapat korelasi yang lemah dengan nilai yang searah (positif).

c. Koefisien korelasi antara Upah Bongkar Muat Barang dengan banyaknya barang Container. Dengan persamaan 2.15 :

(

)(

)

} ) ( }{ ) (

{ ₃2 ₃ 2 2 2

3 3

∑

−

∑

− − i i i i i i i i Y Y n X X n Y X Y X n } 6.880,00) (23.773.92 -20) E {12(50.948 } ) (882.259, -.182.367) {12(70.618 .880,00) 23.773.926 0)( (882.259,0 -15) E 12(1,83796 2 2 + +

(45)

0,605329984 0,61

Nilai korelasi antara Upah Bongkar Muat Barang dengan banyaknya barang Container sebesar 0,61 menunjukkan bahwa terdapat korelasi antara Upah Bongkar Muat dengan banyaknya barang Container.

Berdasarkan perhitungn di atas dapat diperoleh kesimpulan: 1. Variabel X1 tidak berpengaruh terhadap variabel Y 2. Variabel X2 tidak berpengaruh terhadap variabel Y 3. Variabel X3 terdapat korelasi terhadap variabel Y

(46)

BAB 4

IMPLEMENTASI SISTEM

4.1Pengertian

Implementasi sistem merupakan prosedur yang dilakukan untuk menyelesaikan desain sistem yang ada dalam desain yang disetujui, menginstal dan memulai sistem baru atau sistem yang diperbaiki. Tahapan implementasi sistem merupakan tahapan-tahapan penerapan hasil desain tertulis ke dalam programming. Dalam pengolahan data dalam hal ini digunakan software SPSS 17,0 f0r windows sebagai implementasi sistem dalam memperoleh hasil perhitungan.

4.2Mengenal Program SPSS

SPSS merupakan program untuk olah data statistik yang paling popular dan paling banyak pemakaiannya di seluruh dunia dan banyak digunakan oleh para peneliti untuk berbagai keperluan seperti riset pasar, untuk menyelesaikan tugas penelitian seperti skripsi, tesis, disertasi dan sebagainya. Awalnya, SPSS merupakan singkatan dari

Statistical Package For The Social Sciences karena program ini mula-mula dipakai

untuk meneliti ilmu-ilmu sosial. Namun, seiring perkembangannya dari waktu ke waktu penggunaan SPSS semakin luas untuk berbagai bidang ilmu sepeti bisnis, pertanian, industry, ekonomi, psikologi, dan lain-lain sehingga sampai sekarang kepanjangan SPSS adalah Statistical Product and Sevice Solution. SPSS pertama kali di buat pada tahun 1968 oleh tiga orang mahasiswa dari Stanford University.

(47)

4.3Mengaktifkan Program SPSS

Langkah-langkah untuk mengaktifkan program SPSS : 1. Klik tombol Start pada jendela windows.

2. Klik All Programs, pilih menu SPSS Inc > Statistics 17.0, maka akan ditampilkan dalam bentuk sebagai berikut :

(48)

3. Tampilan awal pada SPSS :

Gambar 4.2 Tampilan Awal SPSS

4.4Mengoperasikan SPSS

Tampilan pada SPSS yang telah aktif dilanjutkan dengan membuat data baru, dengan cara :

1. Pilih menu File.

2. Pilih New.

3. Ketika muncul jendela editor, klik Variabel View yang terletak di sebelah kiri bawah jendela editor. Lalu lakukan langkah sebagai berikut :

a. Name : digunakan untuk memberikan nama variabel

b. Type : digunakan untuk menentukan tipe data

(49)

d. Decimals : digunakan untuk memberikan nilai desimal atau angka di belakang koma

e. Label : digunakan untuk memberi nama variabel

f. Value : digunakan untuk memberikan value atau nilai untuk data

nominal dan ordinal

g. Missing : digunakan untuk menentukan data yang hilang

h. Columns : digunakan untuk menetukan lebar kolom

i. Align : digunakan untuk menetukan rata kanan, kiri, atau tengah

j. Measure : digunakan untuk menentukan tipe atau ukuran data, yaitu

nominal, ordinal atau skala.

4.5 Pemasukan Data

Langkah-langkah analisis dengan SPSS adalah sebagai berikut : 1. Bukalah program SPSS.

2. Klik menu file pada SPSS data editor, kemudian klik data.

(50)

3. Pada kotak dialok data pilihexcel(*xls,*xlsx, *xlsm) pada menu file of tifes

Gambar 4.4 Mengimpor Data dari Ms. Excel

4. Kemudian klik data yang akan dibuka dengan mengklik menu open.

Gambar 4.5 Tampilan Pemasukan Data pada Ms. Excel

(51)

Gambar 4.6 Tampilan Data yang Telah Diimpor dari Ms. Excel

4.6Analisis Regresi dan Korelasi Dengan SPSS

Adapun langkah-langkah analisis regresi dalam SPSS adalah sebagai berikut :

1. Pilih menu Analyze > Regression > Linear. Akan tampak tampilan sepeti gambar di bawah ini :

(52)

2. Setelah itu akan muncul kotak dialog. Masukkan variabel terikat Upah (Y) pada kotak Dependent, sedangkan variabel bebas CK (X1), GC (X2) dan Container (X3) pada kotak Independent (s). Masukkan variable Bulan (bulan) pada Case Labels

Gambar 4.8 Kotak Dialog Linear Regression

3. Isi kolom Method dengan perintah Enter

4. Klik Option: pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry

(53)

5. Cek Include Constant In Equation

6. Pada pilihan Missing Value cek Exclude Cases Listwise

7. Tekan Continue

8. Piih Statistics: pada bagian Regression Coefficient pilih Estimate Model Fit

dan Descriptive. Pada pilihan Residual kosongkan saja

Gambar 4.10 Kotak Dialog Linear Regression: Statistics

9. Tekan Continue

10.Klik OK untuk proses

4.7 Output Program SPSS

Correlations

CK GC Container Upah

CK Pearson

Correlation

1 .297 .098 .155

Sig. (2-tailed) .348 .763 .630

N 12 12 12 12

GC Pearson

Correlation

.297 1 .731** .263

Sig. (2-tailed) .348 .007 .409

(54)

Container Pearson Correlation

.098 .731** 1 .605*

Sig. (2-tailed) .763 .007 .037

N 12 12 12 12

Upah Pearson Correlation

.155 .263 .605* 1

Sig. (2-tailed) .630 .409 .037

N 12 12 12 12

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).

Gambar 4.11 Output pada korelasi

Variables Entered/Removed Model

Variables Entered

Variables

Removed Method 1 Container,

CK, GCa

. Enter

a. All requested variables entered.

Gambar 4.12 Output Variabel Entered/Remove dari hasil Regresi

Model Summary

Model R R Square

Adjusted R Square

Std. Error of the Estimate

1 .688a .474 .276 5.0323539E8

a. Predictors: (Constant), Container, CK, GC

(55)

ANOVAb Model

Sum of

Squares Df Mean Square F Sig.

1 Regression 1.822E18 3 6.074E17 2.398 .143a

Residual 2.026E18 8 2.532E17

Total 3.848E18 11

a. Predictors: (Constant), Container, CK, GC b. Dependent Variable: Upah

Gambar 4.14 Output Hasil Anova

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

B Std. Error Beta

1 (Constant) 1.680E8 7.432E8 .226 .827

CK 1700.923 2235.580 .208 .761 .469

GC -4354.021 3572.643 -.486 -1.219 .258

Container 24308.582 9887.299 .940 2.459 .039

a. Dependent Variable: Upah

(56)

BAB 5

PENUTUP

5.1 Kesimpulan

Bedasarkan hasil analisis yang telah dilakukan, maka dapat diambil beberapa kesimpulan diantaranya:

1. Dari perhitungan diperoleh bahwa persamaan penduga dari Upah Bongkar Muat Barang untuk banyaknya barang Curah Kering (CK), General Cargo (GC) dan Container adalah:

Ŷ = 168.000.000+1.700.923X1 -4.354.021X2 + 24.308.582X3

2. Melalui uji keberartian regresi dengan taraf nyata (α= 0,05) disimpulkan bahwa H0 diterima dan H1 ditolak. Hal ini berarti bahwa persamaan regresi linier ganda bersifat tidak nyata.

3. Korelasi antara Curah Kering (CK), General Cargo (GC) dan Container tehadap Upah Bongkar Muat Barang sebesar 0,69. angka korelasi tersebut membuktikan bahwa hubungan antara variabel independent dan ketiga variabel dependent sedang dengan arah positif.

4. Dari hasil uji keberartian regresi dan korelasi dapat diketahui bahwa : a. Variabel X1 tidak berpengaruh terhadap variabel Y

b. Variabel X2 tidak berpengaruh terhadap variabel Y c. Variabel X3 terdapat korelasi terhadap variabel Y

(57)

5.2 Saran

Tenaga Kerja Bongkar Muat (TKBM) yang berada pada kantor Otoritas Pelabuahn Belawan 1 memiliki kontribusi yang sangat penting bagi pelabuhan belawan, namun hasil kerja yang diberikan bukan dilihat dari seberapa banyak barang yang dibongkar muat pada kapal. Semoga dari hasil perhitungan regresi yang membuktikan bahwa, banyaknya barang yang dibongkar muat tidaklah berpengaruh banyak terhadap upah yang dihasilkan dari barang tersebut dapat menjadi pertimbangan pihak kantor Otoritas Pelabuhan Belawan agar menjadi pertimbangan terhadap pembagian Upah kepada tenaga kerja tersebut.

(58)

DAFTAR PUSTAKA

OTORITAS Pelabuhan Belawan. Datan Kegiatan Bongkar Muat 2010.

Yasril.2008. Analisis Multivariat.Jogjakarta:Mitra Cendikia.

Sudjana.1996. Teknik Analisis Regresi dan Korelasi.Bandung:Tarsito.

Sarwono. 2006. Analisis Jalur untuk Riset Bisnis dengan SPSS. Yogyakarta: Andi. Suharjo,Bambang.2008. Analisis Regresi Terapan dengan SPSS.Yogyakarta : Graha Andi.

(1)

5. Cek Include Constant In Equation

6. Pada pilihan Missing Value cek Exclude Cases Listwise 7. Tekan Continue

8. Piih Statistics: pada bagian Regression Coefficient pilih Estimate Model Fit dan Descriptive. Pada pilihan Residual kosongkan saja

Gambar 4.10 Kotak Dialog Linear Regression: Statistics

9. Tekan Continue 10.Klik OK untuk proses

4.7 Output Program SPSS

Correlations

CK GC Container Upah

CK Pearson

Correlation

1 .297 .098 .155

Sig. (2-tailed) .348 .763 .630

N 12 12 12 12

GC Pearson

Correlation

.297 1 .731** .263

Sig. (2-tailed) .348 .007 .409

(2)

Container Pearson Correlation

.098 .731** 1 .605*

Sig. (2-tailed) .763 .007 .037

N 12 12 12 12

Upah Pearson Correlation

.155 .263 .605* 1

Sig. (2-tailed) .630 .409 .037

N 12 12 12 12

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).

Gambar 4.11 Output pada korelasi

Variables Entered/Removed

Model

Variables Entered

Variables

Removed Method 1 Container,

CK, GCa

. Enter a. All requested variables entered.

Gambar 4.12 Output Variabel Entered/Remove dari hasil Regresi

Model Summary

Model R R Square

Adjusted R Square

Std. Error of the Estimate

1 .688a .474 .276 5.0323539E8

a. Predictors: (Constant), Container, CK, GC

(3)

ANOVAb

Model

Sum of

Squares Df Mean Square F Sig. 1 Regression 1.822E18 3 6.074E17 2.398 .143a

Residual 2.026E18 8 2.532E17

Total 3.848E18 11

a. Predictors: (Constant), Container, CK, GC b. Dependent Variable: Upah

Gambar 4.14 Output Hasil Anova

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig. B Std. Error Beta

1 (Constant) 1.680E8 7.432E8 .226 .827

CK 1700.923 2235.580 .208 .761 .469

GC -4354.021 3572.643 -.486 -1.219 .258

Container 24308.582 9887.299 .940 2.459 .039 a. Dependent Variable: Upah

(4)

BAB 5

PENUTUP

5.1 Kesimpulan

Bedasarkan hasil analisis yang telah dilakukan, maka dapat diambil beberapa kesimpulan diantaranya:

1. Dari perhitungan diperoleh bahwa persamaan penduga dari Upah Bongkar Muat Barang untuk banyaknya barang Curah Kering (CK), General Cargo (GC) dan Container adalah:

Ŷ = 168.000.000+1.700.923X1 -4.354.021X2 + 24.308.582X3

2. Melalui uji keberartian regresi dengan taraf nyata (α= 0,05) disimpulkan bahwa H0 diterima dan H1 ditolak. Hal ini berarti bahwa persamaan regresi linier ganda bersifat tidak nyata.

4. Dari hasil uji keberartian regresi dan korelasi dapat diketahui bahwa : a. Variabel X1 tidak berpengaruh terhadap variabel Y

(5)

5.2 Saran

(6)

DAFTAR PUSTAKA

OTORITAS Pelabuhan Belawan. Datan Kegiatan Bongkar Muat 2010. Yasril.2008. Analisis Multivariat.Jogjakarta:Mitra Cendikia.

Sudjana.1996. Teknik Analisis Regresi dan Korelasi.Bandung:Tarsito.

Sarwono. 2006. Analisis Jalur untuk Riset Bisnis dengan SPSS. Yogyakarta: Andi. Suharjo,Bambang.2008. Analisis Regresi Terapan dengan SPSS.Yogyakarta : Graha Andi.