Analisis Hubungan Antar Variabel dengan Uji Korelasi

4.2.1.4.Uji Normalitas Data Untuk mengetahui probabilitas data terdistribusi secara normal, telah dilakukan pengujian data dengan uji Kolmogorov Smirnov. Uji ini dilakukan sebagai syarat data dapat dianalisis dengan menggunakan parametric test. Asumsi normalitas terpenuhi jika Asymp. Sig 2- tailed nilainya lebih besar dari α 0,05. Hasil pengujian Kolmogorov Smirnov untuk data rata-rata FUP dengan menggunakan SPSS versi 13 ditunjukkan dalam Tabel 4.18. Tabel 4.18. Hasil Pengujian Normalitas Data FUP 10 87.9913 1.16199 .165 .106 -.165 .522 .949 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Dif ferences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed VAR00001 Test distribution is Normal. a. Calculated from data. b.

4.2.1.5. Analisis Hubungan Antar Variabel dengan Uji Korelasi

Seperti yang telah disebutkan sebelumnya bahwa uji korelasi berfungsi untuk melihat adanya hubungan korelasi antara dua variabel yakni variabel terikat dan variabel bebas secara searah. Dalam penelitian ini akan digunakan analisis korelasi Pearson. Korelasi Pearson digunakan apabila kedua variabel yang akan diuji berskala interval. Karena data rata-rata FUP masih berskala rasio maka harus diturunkan menjadi skala interval. Berikut ini perhitungan transformasi data rata-rata FUP dari skala rasio menjadi interval. Universitas Sumatera Utara Langkah-langkah transformasi data rata-rata FUP dari skala rasio menjadi interval: 1. Urutkan data dari yang terkecil ke data terbesar 85,873 88,001 86,463 88,715 87,590 88,806 87,703 89,255 87,999 89,508 2. Hitung rentang yaitu data tertinggi dikurang data terendah dengan: R = data tertinggi – data terendah = 89,508 – 85,873 = 3,635 3. Hitung banyak kelas dengan aturan Sturges yaitu: Banyak kelas = 1 + 3,3 log n = 1 + 3,3, log 10 = 4,3 ≈ 4 kelas 4. Hitung panjang kelas interval dengan rumus : 909 , 4 635 , 3 kelas banyak rentang p = = = 5. Tentukan ujung bawah kelas interval pertama = 85,872 6. Susun kelas interval dengan nilai panjang kelas interval yang telah didapatkan sebelumnya yaitu 0,909 : Universitas Sumatera Utara Tabel 4.19. Interval Kelas Nilai 85,872-86,781 86,782-87,691 87,692-88,601 88,602-89,510 7. Tentukan nilai interval dari data yang telah didapat : Tabel 4.20. Nilai Interval Kelas Nilai Nilai Interval 85,872-86,781 1 86,782-87,691 2 87,692-88,601 3 88,602-89,510 4 8. Transformasikan nilai rasio dari rata-rata FUP dengan menyesuaikan nilai interval dari rentang kelasnya : Tabel 4.21. Nilai Interval Kelas dari Tiap Rata-rata FUP Rata-rata FUP Nilai Interval 88,001 3 88,806 4 89,255 4 89,508 4 88,715 4 85,873 1 87,703 3 87,999 3 87,590 2 86,463 1 Setelah nilai rata-rata FUP dikonversikan dari skala rasio ke skala interval, maka uji korelasi Pearson dapat dilakukan yakni sebagai berikut. Sebagai contoh perhitungan manual, akan ditunjukkan oleh uji korelasi variabel X1 dengan Y, selanjutnya akan diolah dengan menggunakan SPSS 13. Universitas Sumatera Utara 1. Uji Korelasi Variabel 1 Kondisi Fisik Lapangan dan Sarana Bantu X 1 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Kondisi Fisik Lapangan dan Sarana Bantu X 1 dengan nilai FUP Y H 1 : Terdapat hubungan yang positif dan signifikan antara Kondisi Fisik Lapangan dan Sarana Bantu X 1 dengan nilai FUP Y b Perhitungan nilai r : Tabel 4.22. Tabel Penolong untuk Menentukan Nilai r No.resp X Y XY X2 Y2 1 2,656 3 7,967 7,053 9,000 2 2,656 4 10,623 7,053 16,000 3 2,656 4 10,623 7,053 16,000 4 2,656 4 10,623 7,053 16,000 5 1,000 4 4,000 1,000 16,000 6 1,000 1 1,000 1,000 1,000 7 2,656 3 7,967 7,053 9,000 8 2,656 3 7,967 7,053 9,000 9 1,000 2 2,000 1,000 4,000 10 2,656 1 2,656 7,053 1,000 TOTAL 21,590 29 65,425 52,368 97,000 [ ] [ ] 2 2 2 2 ∑ ∑ ∑ ∑ ∑ ∑ ∑ − − − = Y Y N X X N Y X XY N r xy Universitas Sumatera Utara [ ][ ] 327 , 29 97 10 590 , 21 368 , 52 10 29 590 , 21 425 , 65 10 2 2 = − − − = xy r c Menentukan taraf signifikan, yaitu α = 0,05 d Menentukan r tabel dengan dk = n-2 = 10-2 = 8 r tabel = r α2 ; 10-2 r tabel = r 0,025; 8 = 0,632 e Dasar pengambilan keputusan : Berdasarkan tabel nilai kritis Pearson Product Moment , jika : r hitung r tabel 0,632, maka H “diterima” r hitung r tabel 0,632, maka H “ditolak” f Kesimpulan : r hitung 0,327 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Kondisi Fisik Lapangan dan Sarana Bantu X 1 dengan nilai FUP Y” Bila dibandingkan dengan perhitungan menggunakan bantuan software SPSS 13, yakni: Tabel 4.23. Korelasi Variabel X 1 dengan Y 1 ,327 ,357 10 10 ,327 1 ,357 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N Kondisi Fisik Lapangan dan Sarana Bantu FUP Kondisi Fisik Lapangan dan Sarana Bantu FUP Universitas Sumatera Utara 2. Uji Korelasi Variabel 2 Kepenyeliaan, Perencanaan dan Koordinasi X 2 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Kepenyeliaan, Perencanaan dan Koordinasi X 2 dengan nilai FUP Y H 1 : Terdapat hubungan yang positif dan signifikan antara Kepenyeliaan, Perencanaan dan Koordinasi X 2 dengan nilai FUP Y Tabel 4.24. Korelasi Variabel X 2 dengan Y 1 ,000 1,000 10 10 ,000 1 1,000 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N FUP Kepenyeliaan, Perencanaan dan Koordinasi FUP Kepenyeliaan, Perencanaan dan Koordinasi b Kesimpulan : r hitung 0 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Kepenyeliaan, Perencanaan dan Koordinasi X 2 dengan nilai FUP Y” Universitas Sumatera Utara 3. Uji Korelasi Variabel 3 Komposisi Kelompok Kerja X 3 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Komposisi Kelompok Kerja X 3 dengan nilai FUP Y H 1 : Terdapat hubungan yang positif dan signifikan antara Komposisi Kelompok Kerja X 3 dengan nilai FUP Y Tabel 4.25. Korelasi Variabel X 3 dengan Y 1 -,474 ,166 10 10 -,474 1 ,166 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N FUP Komposisi Kelompok Kerja FUP Komposisi Kelompok Kerja b Kesimpulan : r hitung -0,474 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Komposisi Kelompok Kerja X 3 dengan nilai FUP Y” 4. Uji Korelasi Variabel 4 Kerja Lembur X 4 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Kerja Lembur X 4 dengan nilai FUP Y Universitas Sumatera Utara H 1 : Terdapat hubungan yang positif dan signifikan antara Kerja Lembur X 4 dengan nilai FUP Y Tabel 4.26. Korelasi Variabel X 4 dengan Y 1 ,019 ,958 10 10 ,019 1 ,958 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N FUP Kerja Lembur FUP Kerja Lembur b Kesimpulan : r hitung 0,019 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Kerja Lembur X 4 dengan nilai FUP Y” 5. Uji Korelasi Variabel 5 Ukuran Besar Proyek X 5 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Ukuran Besar Proyek X 5 dengan nilai FUP Y H 1 : Terdapat hubungan yang positif dan signifikan antara Ukuran Besar Proyek X 5 dengan nilai FUP Y Tabel 4.27. Korelasi Variabel X 5 dengan Y 1 -,484 ,156 10 10 -,484 1 ,156 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N FUP Ukuran Besar Proyek FUP Ukuran Besar Proyek Universitas Sumatera Utara b Kesimpulan : r hitung -0,484 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Ukuran Besar Proyek X 5 dengan nilai FUP Y” 6. Uji Korelasi Variabel 6 Pekerja Langsung Versus Kontraktor X 6 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Pekerja Langsung Versus Kontraktor X 6 dengan nilai FUP Y H 1 : Terdapat hubungan yang positif dan signifikan antara Pekerja Langsung Versus Kontraktor X 6 dengan nilai FUP Y Tabel 4.28. Korelasi Variabel X 6 dengan Y 1 -,323 ,363 10 10 -,323 1 ,363 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N FUP Pekerja Langsung Versus Kontraktor FUP Pekerja Langsung Versus Kontraktor b Kesimpulan : r hitung -0,323 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Pekerja Langsung Versus Kontraktor X 6 dengan nilai FUP Y” Universitas Sumatera Utara 7. Uji Korelasi Variabel 7 Kurva Pengalaman X 7 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Kurva Pengalaman X 7 dengan nilai FUP Y H 1 : Terdapat hubungan yang positif dan signifikan antara Kurva Pengalaman X 7 dengan nilai FUP Y Tabel 4.29. Korelasi Variabel X 7 dengan Y 1 ,072 ,844 10 10 ,072 1 ,844 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N FUP Kurva Pengalaman FUP Kurva Pengalaman b Kesimpulan : r hitung 0,072 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Kurva Pengalaman X 7 dengan nilai FUP Y” 8. Uji Korelasi Variabel 8 Kepadatan Tenaga Kerja X 8 dengan nilai FUP Y a Hipotesis Operasional H : Tidak terdapat hubungan yang positif dan signifikan antara Kepadatan Tenaga Kerja X 8 dengan nilai FUP Y H 1 : Terdapat hubungan yang positif dan signifikan antara Kepadatan Tenaga Kerja X 8 dengan nilai FUP Y Universitas Sumatera Utara Tabel 4.30. Korelasi Variabel X 8 dengan Y 1 ,027 ,942 10 10 ,027 1 ,942 10 10 Pearson Correlation Sig. 2-tailed N Pearson Correlation Sig. 2-tailed N FUP Kepadatan Tenaga Kerja FUP Kepadatan Tenaga Kerja b Kesimpulan : r hitung 0,027 r tabel 0,632, maka H “diterima” “Tidak terdapat hubungan yang positif dan signifikan antara Kurva Kepadatan Tenaga Kerja X 8 dengan nilai FUP Y” Untuk melihat hubungan antarvariabel maka digunakan analisis matriks korelasi. Adapun langkah-langkahnya adalah sebagai berikut. 1. Melihat hubungan antara variabel terikat dengan setiap variabel bebas. 2. Menyusun matriks korelasi untuk melihat variabel bebas mana yang paling berpengaruh dengan variabel terikat dan untuk melihat apakah terdapat hubungan antara masing-masing variabel bebas. Tabel 4.31. Matriks Korelasi Antarvariabel X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 FUP X 1 1,000 0,488 0,122 0,405 -0,327 -0,218 0,089 -0,145 0,327 X 2 0,488 1,000 0,000 0,639 0,000 0,000 0,000 -0,373 0,000 X 3 0,122 0,000 1,000 -0,027 0,557 0,062 0,606 0,248 -0,474 X 4 0,405 0,639 -0,027 1,000 0,071 0,524 0,175 0,190 0,013 X 5 -0,327 0,000 0,557 0,071 1,000 0,667 0,408 0,583 -0,484 X 6 -0,218 0,000 0,062 0,524 0,667 1,000 0,272 0,667 -0,323 X 7 0,089 0,000 0,606 0,175 0,408 0,272 1,000 0,408 0,408 X 8 -0,145 -0,373 0,248 0,190 0,583 0,667 0,408 1,000 0,029 FUP 0,327 0,000 -0,474 0,013 -0,484 -0,323 0,072 0,029 1,000 Universitas Sumatera Utara Tabel 4.31 memberikan hasil perhitungan dengan menggunakan bantuan Ms. Excel 2007. Dari tabel tersebut dapat dilihat bahwa variabel yang akan diambil untuk dimasukkan ke dalam model persamaan regresi adalah variabel x 3 , x 5 , dan x 7 . Hal ini dikarenakan variabel-variabel tersebut memiliki nilai korelasi yang paling tinggi diantara variabel-variabel yang lainnya apabila dikaitkkan dengan variabel terikatnya y yaitu nilai FUP. 3. Memeriksa kemungkinan kombinasi variabel bebas yang dapat diterima. Dari langkah sebelumnya telah diketahui bahwa variabel x 1 , x 2 , x 4 , x 6 , dan x 8 dikeluarkan dari model. Tabel 4.32. menunjukkan kombinasi semua variabel bebas yang diterima beserta nilai korelasinya. Tabel 4.32. Kombinasi Variabel Bebas Jumlah Variabel dalam Model R 2 Std. Deviasi Variabel dalam Model 1 0,225 0,892 X 3 1 0,234 0,738 X 5 1 0,167 0,831 X 7 2 0,295 0,952 X 3 ,X 5 ,FUP 2 0,429 1,110 X 3 ,X 7 ,FUP 2 0,322 1,051 X 5 ,X 7 ,FUP 3 0,528 1,021 X 3 ,X 5 ,X 7 ,FUP Dari Tabel 4.32. di atas diketahui bahwa kombinasi yang memberikan nilai R 2 yang tertinggi adalah kombinasi yang memasukkan ketiga variabel bebas kedalam model, akan tetapi yang memberikan nilai standar deviasi terkecil adalah kombinasi variabel bebas x 5 dengan nilai FUP. Oleh karena ini kedua kombinasi ini akan dikaji lebih lanjut pada langkah berikutnya. Universitas Sumatera Utara 4. Menghitung dan menganalisis parameter model Model persamaan regresi yang dibentuk dengan menggunakan bantuan sofware SPSS 13 adalah sebagai berikut. a. X 5 dengan FUP .484 a .234 .139 1.11102 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Predictors: Constant, Ukuran Besar Proyek a. 4.786 1.255 3.814 .005 -.786 .502 -.484 -1.565 .156 Constant Ukuran Besar Proyek Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Dependent Variable: FUP a. Y= -0,786X 5 + 4,786 t = -0,7860,738 = - 1,065 Menghitung t tabel dengan ketentuan : df = n – 1 = 10 – 1 = 9 Tingkat keyakinan 5 Maka, t tabel = 1,83 t hitung -1,065 t tabel 1,83 -- Kesimpulan Model Persamaan tidak dapat digunakan. b. X 3 , X 5 dan X 7 dengan FUP .723 a .523 .285 1.01229 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Predictors: Constant, Kurva Pengalaman, Ukuran Besar Proyek, Komposisi Kelompok Kerja a. Universitas Sumatera Utara 5.259 1.254 4.195 .006 -.615 .556 -.379 -1.105 .312 -.840 .527 -.625 -1.593 .162 .870 .512 .604 1.700 .140 Constant Ukuran Besar Proyek Komposisi Kelompok Kerja Kurva Pengalaman Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Dependent Variable: FUP a. Y= – 0,840X 3 - 0,615X 5 + 0,870X 7 + 5,259 t 3 = -0,8401,021 = - 0,823 t 5 = -0,6151,021 = - 0,602 t 7 = 0,8701,021 = 0,852 Menghitung t tabel dengan ketentuan : df = n – 3 = 10 – 3 = 7 Tingkat keyakinan 5 Maka, t tabel = 1,90 t hitung X 3 , X 5 , X 7 t tabel 1,90 -- Kesimpulan Model Persamaan tidak dapat digunakan. Universitas Sumatera Utara

4.2.2. Produktivitas Proses Pemancangan Berdasarkan Durasi Aktivitas- aktivitas Pemancangan