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
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
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
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
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
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
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
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
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.
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
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.
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.
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.
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
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.
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
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
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)
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:
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
∑
∑
i
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
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:
s=
…(2.8)
Atau
s²y.12…k = …(2.9)
Dengan :
Yi = nilai data hasil pengamatan
= nilai hasil regresi
n = ukuran sampel
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
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 =
∑
2yi JKreg
…(2.13)
∑
2 iy =
(
)
n Y
Yi i
2
2
∑
∑
− …(2.14)Dengan:
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
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
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
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
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
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
[image:30.595.108.511.377.521.2]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
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
Tabel 3.3 Harga-Harga yang Diperlukan Untuk Menghitung Koefisien b0, b1, b2, b3
Bulan CK GC Container Upah X12 X22 X32
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
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 +
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
[image:35.595.105.527.439.676.2]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 :
Maka diperoleh hasil MSE :
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.123 diperlukan harga-harga Ŷ yangdiperoleh 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=
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
[image:37.595.107.505.636.753.2]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
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
∑
yix1i + b2∑
yix2i+ b3∑
yix3JKres =
∑
(Yi - Yˆi)2Untuk 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
[image:38.595.120.360.166.307.2]x3i = X3i–X3
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
jumlah kuadrat residu dengan menggunakan persamaan 2.11 dan persamaan 2.12
JKreg = b1
∑
yix1i + b2∑
yix2i+ b3∑
yix3JKreg = (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)2JKres = 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
= 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
[image:41.595.173.464.487.573.2]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 =
R2 =
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 =
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.
[image:42.595.106.473.600.754.2]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
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 nry.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
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 0,26Nilai 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
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.
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
4.3Mengaktifkan Program SPSS
Langkah-langkah untuk mengaktifkan program SPSS : 1. Klik tombol Start pada jendela windows.
[image:47.595.109.526.235.471.2]2. Klik All Programs, pilih menu SPSS Inc > Statistics 17.0, maka akan ditampilkan dalam bentuk sebagai berikut :
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
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.
[image:49.595.117.542.514.733.2]2. Klik menu file pada SPSS data editor, kemudian klik data.
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
[image:50.595.108.524.450.693.2]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 :
[image:51.595.108.531.511.689.2]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
[image:52.595.256.410.573.726.2]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
[image:53.595.249.418.222.394.2]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
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
[image:54.595.136.501.83.241.2]**. 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
[image:54.595.197.438.354.456.2]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
[image:54.595.174.463.545.635.2]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
[image:55.595.110.506.128.247.2]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
[image:55.595.105.513.346.508.2]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
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
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.