BAB IV
HASIL DAN PEMBAHASAN
4.1. Pendahuluan
Setelah bahan tersedia yaitu berupa data dan telah diketahui metode yang akan digunakan maka tindakan selanjutnya adalah melakukan pengolahan data tersebut
dengan metode yang telah ada. Kemudian hasil pengolahan data tersebut dianalisis sehingga dapat dibuat suatu kesimpulan yang berarti.
Bab ini menyajikan hasil penelitian yang diambil dari database mahasiswa yang diwisuda pada periode I, II Tahun 2010 dan periode II Tahun 2011 di Sekolah
Tinggi Teknik Harapan STTH Medan. Data bersifat nominal yang terdiri dari rata- rata nilai UN, IP Komulatif IP Semester 1, 2 dan 3, jumlah sks mata kuliah yang
diambil pada semester 4, dan pendidikan orang tua. Dari data yang sudah diperoleh dilakukan uji asumsi klasik dengan
menggunakan program dan pengolahan data SPSS Statistical Package for the Social Sciences. Selanjutnya dilakukan perancangan aplikasi penentu keterhubungan antara
data mahasiswa dan masa studi dengan algoritma regresi linier berganda menggunakan bahasa pemograman C++
4.2. Hasil Percobaan
4.2.1. Uji Asumsi Klasik
Pengujian jenis ini digunakan untuk menguji asumsi, apakah model regresi yang digunakan dalam penelitian ini memenuhi asumsi klasik layak uji atau tidak. Uji
asumsi klasik digunakan untuk memastikan bahwa multikorelasi, autokorelasi, dan heteroskedastisitas tidak terdapat dalam model yang digunakan dan data yang
digunakan terdistribusi normal. Jika semua itu terpenuhi bahwa model analisis telah layak digunakan Gujarati, 2003.
Universitas Sumatera Utara
•
Multikolinieritas
Uji multikolinieritas bertujuan untuk menunjukkan apakah terdapat hubungan korelasi yang sempurna atau mendekati sempurna antar variabel bebas yang
terdapat dalam model, yaitu koefisien korelasinya tinggi atau bahkan satu Algifari, 2000.
Untuk mengetahui ada atau tidaknya gejala multikolinieritas dilakukan dengan melihat harga VIF Variance Inflation Factor melalui aplikasi perangkat
lunak SPSS Versi 18.00. Apabila nilai tolerance- nya diatas 0,1 dan VIF dibawah 10, maka model regresi bebas dari multikolinieritas Ghozali, 2002.
Tabel 4.1. Collinearity Statistic
Model Collinearity Statistics
Tolerance VIF
1 Constant
IP_Komulatif 0,431
2,319 Rata_Rata_Nilai_UN
0,611 1,636
Jumlah_SKS_Sem_IV 0,595
1,680 Pendidikan_Orangtua
0,969 1,032
Berdasarkan tabel 4.1. diatas dapat diketahui bahwa nilai VIF untuk rata-rata nilai UN adalah 1,636. Nilai VIF untuk IP Komulatif IP Semester 1, 2 dan 3 adalah
2,319. Nilai VIF untuk jumlah sks mata kuliah yang diambil pada semester 4 adalah 1,680. Nilai VIF untuk pendidikan orang tua adalah 1,032. Demikian juga untuk
nilai tolerance pada masing-masing variabel berkisar antara angka 1 dimana untuk rata-rata nilai UN adalah 0,611, untuk IP Komulatif IP Semester 1, 2 dan 3 adalah
0,431, untuk jumlah sks mata kuliah yang diambil pada semester 4 adalah 0,595 dan untuk pendidikan orang tua adalah 0,969. Dengan demikian dapat disimpulkan
bahwa model regresi tidak mengalami gangguan multikolineritas. •
Autokorelasi
Autokorelasi menunjukkan hubungan antara nilai-nilai yang beurutan dari variabel yang sama. Konsekuensi dari adanya autokorelasi terhadap penaksiran regresi adalah
Universitas Sumatera Utara
varians sampel tidak dapat menggambarkan varians populasinya dan lebih jauh lagi, model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel
dependen pada nilai variabel independen tertentu Algifari, 2000. Pengujian autokorelasi dilakukan menggunakan uji Durbin-Watson satu sisi. Data tidak akan
terjadi autokorelasi jika memenuhi syarat dari D-W. Untuk mengetahui ada atau tidaknya autokorelasi, dapat dilakukan uji “Durbin Watson” dengan ketentuan
sebagai berikut Algifari, 2000 : •
D-W 1,08 = terdapat autokorelasi •
1,08 ≤ D-W ≤ 1,66 = tanpa kesimpulan
• 1,66
≤ D-W ≤ 2,34 = tidak terdapat autokorelasi •
2,34 ≤ D-W ≤ 2,92 = tanpa kesimpulan
• D-W 2,92 = terdapat autokorelasi
Untuk mengetahui ada atau tidaknya gejala autokorelasi dilakukan dengan melihat nilai Durbin-Watson melalui SPSS.
Tabel 4.2. Model Summary
Model
b
Durbin- Watson
1 1,936
Berdasarkan tabel 4.2. diatas dapat dilihat bahwa nilai Durbin Watson adalah sebesar 1,936. Hal tersebut menunjukan bahwa tidak terdapat autokorelasi karena
memiliki nilai Durbin Watson diantara 1,66 dan 2,34. •
Heteroskedastisitas
Untuk uji heterokedastisitas cara yang sering digunakan dalam menentukan apakah suatu model terbebas dari masalah heterokedastisitas atau tidak hanya dengan
melihat pada scatter plot dan dilihat apakah residual memiliki pola tertentu atau tidak. Cara ini menjadi fatal karena pengambilan keputusan apakah suatu model
terbebas dari masalah heterokedastisitas atau tidak hanya berpatok pada pengamatan gambar saja tidak dapat dipertanggungjawabkan kebenarannya. Banyak metode
Universitas Sumatera Utara
statistika yang digunakan untuk menentukan apakah suatu model terbebas dari masalah heterokedastisitas atau tidak, seperti misalnya Uji White, Uji Park, Uji
Glejser dan lain-lain. Bila variabel penjelas secara statistik signifikan mempengaruhi residual maka
dapat dipastikan model ini memiliki masalah heterokedastisitas. Dalam tesis ini akan dilakukan Uji Glejser dengan menggunakan SPSS untuk mengetahui apakah terjadi
gejala heterokedastisitas atau tidak.
Tabel 4.3. Koefisien
Berdasarkan tabel 4.3. diatas diketahui bahwa nilai t-statistik dari seluruh variabel penjelas tidak ada yang signifikan secara statistik, sehingga dapat
disimpulkan bahwa model ini tidak mengalami masalah heterokedastisitas.
4.2.2. Analisis Regresi Linier Berganda dengan Bahasa Pemograman C++
Setelah dilakukan uji asumsi klasik dengan menggunakan aplikasi perangkat lunak SPSS versi 18.00, diketahui bahwa tidak terdapat gejala multikorelasi, autokorelasi,
dan heterokedastisitas terhadap model data yang diteliti. Langkah selanjutnya adalah membuat rancangan aplikasi dengan
menggunakan Bahasa Pemograman C++ untuk melihat pengaruh antara rata-rata nilai UN
1
, IP Komulatif IP Semester 1, 2 dan 3
2
, jumlah sks mata kuliah yang diambil pada semester 4
3
, dan pendidikan orang tua
4
, terhadap masa
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
7,9312
0,333 23,829 0,000
IP_Komulatif b
2
-0,876 0,089
-0,534 -9,838 0,000 Rata_Rata_Nilai_UN b
1
-0,049 0,038
-0,059 -1,292 0,197 Jumlah_SKS_Sem_IV b
3
-0,022 0,017
-0,059 -1,278 0,202 Pendidikan_Orangtua b
4
0,017 0,023
0,028 0,763 0,446
a. Dependent Variable: Masa_Studi
Universitas Sumatera Utara
studi . Algoritma yang digunakan adalah regresi linier berganda yang menghasilkan persamaan sebagai berikut :
dimana : = Masa Studi
1
= Rata-Rata Nilai UN,
2
= IP Komulatif IP semester 1, 2 dan 3,
3
= Jumlah SKS Mata Kuliah yang Diambil Pada Semester 4,
4
= Pendidikan Orangtua = Konstanta
= Berdasarkan hasil perhitungan dengan menggunakan bahasa pemograman
C++ listing program dapat dilihat dalam lampiran 3 diperoleh bentuk persamaan
liniernya adalah sebagai berikut : Koefisien Regresi
= 7,9312 – 0,0494 - 0,8757
2
– 0,0222
3
+ 0,0174
Nilai koefisien regresi pada variabel-variabel bebasnya menggambarkan apabila diperkirakan variabel bebasnya naik sebesar satu unit dan nilai variabel bebas
lainnya diperkirakan konstan atau sama dengan nol, maka nilai variabel terikat diperkirakan bisa naik atau bisa turun sesuai dengan tanda koefisien regresi variabel
bebasnya.
4
4.2.3. Menguji Keberartian Koefisien Regresi
•
Pengujian Hipotesis Secara Overall Uji F
Untuk mengetahui signifikan atau tidaknya suatu pengaruh dari variabel-variabel bebas secara bersama-sama atas suatu variabel tidak bebas digunakan uji F statistik.
Ho : Tidak ada pengaruh yang signifikan rata-rata nilai UN
1
, IP komulatif IP semester 1, 2 dan 3
2
, jumlah SKS mata kuliah yang diambil pada semester 4
3
, dan pendidikan orang tua
4
.
Universitas Sumatera Utara
Ha : Ada pengaruh signifikan rata-rata nilai UN
1
, IP komulatif IP semester 1, 2 dan 3
2
, jumlah SKS mata kuliah yang diambil pada semester 4
3
, dan pendidikan orang tua
4
Dengan α = 5
.
Kriteria Uji : 1. Terima Ho jika F hitung F tabel 2. Tolak Ho jika F hitung
≥ F tabel Dengan menggunakan aplikasi perangkat lunak SPSS diperoleh perhitungan
hasil uji F yang disajikan pada tabel berikut :
Tabel 4.4. Pengujian Hipotesis Secara Overall Uji F
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression
87,142 4
21,785 73,238
0,000
a
Residual 147,244
495 0,297
Total 234,386
499 a. Predictors: Constant, Pendidikan_Orangtua, IP_Komulatif, Rata_Rata_Nilai_UN,
Jumlah_SKS_Sem_IV
Dari tabel di atas, diperoleh nilai F hitung sebesar 73,238. Karena nilai F hitung 73,238 F tabel 2,389, maka Ho ditolak.
4.2.4. Koefisien Determinasi
Besarnya pengaruh rata-rata nilai UN
1
, IP komulatif IP semester 1, 2 dan 3
2
, jumlah SKS mata kuliah yang diambil pada semester 4
3
, dan pendidikan orang tua
4
berpengaruh terhadap variabel masa studi terhadap variabel masa studi , dapat ditunjukkan oleh koefisien determinasi. Dengan menggunakan
aplikasi perangkat lunak SPSS diperoleh perhitungan koefisien determinasi yang disajikan pada tabel berikut :
Universitas Sumatera Utara
Tabel 4.5. Koefisien Determinasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
0,610
a
0,372 0,367
0,545 a. Predictors: Constant, Pendidikan_Orangtua, IP_Komulatif,
Rata_Rata_Nilai_UN, Jumlah_SKS_Sem_IV b. Dependent Variable: Masa_Studi
KD = R
2
= 0,610 x 100 x 100
= 61 Berdasarkan perhitungan di atas diperoleh nilai KD sebesar 61 . Hal ini
mengandung arti, bahwa variabel Rata-rata nilai UN
1
, IP komulatif IP semester 1, 2 dan 3
2
, Jumlah SKS Mata Kuliah yang Diambil Pada Semester 4
3
, dan Pendidikan Ortu
4
berpengaruh terhadap variabel Masa Studi sebesar 61.
4.3. Ukuran Error
Dalam regresi ada beberapa ukuran error yang sering dipakai untuk menilai performansi suatu fungsi prediksi. Ukuran Error yang dipakai untuk menilai
performansi suatu prediksi dalam tesis ini adalah mean squared error MSE berdasarkan rumus yang terdapat dalam persamaan 2.20, dan mean absolute
deviation MAD yang terdapat. Berdasarkan data mahasiswa yang terdapat pada lampiran 2, diperoleh nilai MSE sebesar 0,26 dan nilai MAD sebesar 0,41.
4.4. Capture Program
Berikut ini adalah merupakan hasil tampilan program aplikasi dengan bahasa pemograman C++ untuk mencari atau menentukan solusi dari sistem persamaan
linier SPL untuk menentukan keterhubungan antara data mahasiswa dan masa studi.
Universitas Sumatera Utara
Pada Gambar 4.1. dapat dilihat proses input data dari file dengan extensi txt .txt. Pada proses ini diketikkan alamat data tersebut. Data berada di
c:\regresi\dataoke.txt.
Gambar 4.1. Input Data
Gambar 4.2. merupakan hasil tampilan data dari file c:\regresi\dataoke.txt.
Gambar 4.2. Tampilan Data
Universitas Sumatera Utara
Selanjutnya menghitung jumlah dari masing-masing variabel a, b1, b2, b3, b4 yang dapat dilihat pada Gambar 4.3. dan 4.4.
Gambar 4.3. Jumlah Dari Masing-Masing Variabel
Gambar 4.4. Jumlah Dari Masing-Masing Variabel
Universitas Sumatera Utara
Kemudian untuk hasil persamaan matematikanya dapat dilihat pada Gambar 4.5.
Gambar 4.5. Persamaan Matematika
Setelah diperoleh persamaan matematikanya, maka selanjutnya adalah diperoleh hasil koefisien matriks yang ditunjukkan pada Gambar 4.6.
Gambar 4.6. Koefisien Matriks
Universitas Sumatera Utara
Nilai dari variabel a, b1, b2,b3,b4 ditunjukkan pada Gambar 4.7.
Gambar 4.7. Nilai Variabel
Universitas Sumatera Utara
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan