ANALISA TINGKAT KEJAHATAN DI KOTA MEDAN TERHADAP BEBERAPA FAKTOR DENGAN MENGGUNAKAN
MULTIPEL REGRESI
TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya
AZWARUDDIN
052407013
PROGRAM STUDI DIPLOMA III STATISTIKA DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : ANALISA TINGKAT KEJAHATAN DI KOTA
MEDAN TERHADAP BEBERAPA FAKTOR DENGAN MENGGUNAKAN MULTIPEL REGRESI
Kategori : TUGAS AKHIR
Nama : AZWARUDDIN
Nomor Induk Mahasiswa : 052407013
Program Studi : DIPLOMA-3 STATISTIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Juni 2008
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU Pembimbing
Dr. Saib Suwilo, M.Sc.
NIP. 131 796 149 NIP.131 796 150
PERNYATAAN
ANALISA TINGKAT KEJAHATAN DI KOTA MEDAN TERHADAP BEBERAPA FAKTOR DENGAN MENGGUNAKAN
MULTIPLE REGRESI
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 2008
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Daftar Isi vi
Daftar Tabel viii
Daftar Gambar ix
Bab 1 Pendahuluan 1
1.1Latar Belakang 1
1.2Perumusan Masalah 5
1.3Tujuan dan Manfaat Penelitian 6
1.4Metode Penelitian 6
1.5Sistematika Penulisan 9
Bab 2 Landasan Teori 10
2.1 Pengertian Regresi dan Korelasi 10
2.1.1 Pengertian Regresi 10
2.1.2 Pengertian Korelasi 11
2.2 Analisis Regresi Linier 13
2.2.1 Regresi Linier Sederhana 14
2.2.2 Regresi Linier Berganda 16
2.3 Uji Keberartian Regresi Linier (Uji F) 19
2.4 Analisis Korelasi Berganda 20
2.5 Uji Koefisien Regresi Linier dengan t (Student) 23
Bab 3 Pengolahan Data 24
3.1 Pengolahan Data 24
3.2 Persamaan Regresi Linier Berganda 26
3.3 Pengujian Regresi Linier Berganda 29
3.4 Perhitungan Korelasi Linier Berganda 31
3.5 Perhitungan Korelasi antara Variabel Y dengan Xi (ry123) 32
3.6 Korelasi Antara Variabel Bebas 34
3.7 Pengujian Koefisien Regresi Linier dengan t (Student) 35
Bab 4 Implementasi Sistem 38
4.1 Pengertian Implementasi Sistem 38
4.2 SPSS (Statistical Product for Service Solution)
dan Komputer Statistik 38
Bab 5 Penutup 47
5.1Kesimpulan 47
5.2Saran 48
DAFTAR PUSTAKA 49
DAFTAR TABEL
Halaman
Tabel 2.1 Interpretasi dari nilai R 13
Tabel 2.2 Bentuk umum Tabel data Regresi Linier Berganda 17 Tabel 3.1 Data tindak kejahatan, persentase tingkat pengangguran
Penduduk miskin dan penduduk urban tahun 1999-2006 24 Tabel 3.2 Masukan data dan kuadrat maisng-masing variabel 25 Tabel 3.3 Pergandaaan antara variabel Xi
dan Pergandaan antara variabel Y dengan Xi 25
Tabel 3.4 Deviasi masing-masing variabel dan kuadrat deviasinya 25 Tabel 3.5 Pergandaan antara Deviasi Y dengan Xi 26
DAFTAR GAMBAR
Halaman
Gambar 4.1 Tampilan cara mengaktifkan SPSS 40
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Kapolri Jenderal Polisi Sutanto mengungkapkan, angka kejahatan selama satu tahun terakhir (2006-2007) mengalami peningkatan tajam. Terutama, di enam kota besar seperti Jakarta, Surabaya (Jawa Timur), Semarang (Jawa Tengah), Bandung (Jawa Barat), Medan (Sumatera Utara), dan Makassar (Sulawesi Selatan). Medan (Sumatera Utara) termasuk dalam kota besar yang tingkat kejahatannya tinggi.
Penyalahgunaan hukum dari tahun ke tahun, juga terus meningkat. Ini terjadi akibat masih adanya anggota masyarakat yang kurang sadar hukum dan adanya pelaku yang sengaja menggunakan celah-celah hukum demi keuntungan pribadi. Walaupun telah Berbagai cara juga telah dilakukan aparat untuk meningkatkan kesadaran hukum di masyarakat dari tingkat desa hingga ke kota-kota besar.
Kekhawatiran pemerintah terhadap tingginya angka kemiskinan dan pengangguran di tanah air sehingga menyiapkan berbagai langkah antisipasi dinilai sebagai suatu yang wajar. Hal ini mengingat belum pulihnya perekonomian dalam negeri, setelah dihantam badai krisis ekonomi sejak beberapa tahun silam. Kondisi itu tentunya berpengaruh kuat terhadap masyarakat, khususnya pada sektor ketersediaan lapangan kerja dan kemiskinan.
Dalam kondisi perekonomian yang belum stabil, angka pengangguran setengah terbuka jelas lebih banyak dibanding angka pengangguran terbuka. Bayangkan jika angka pengangguran terbuka ditambah dengan angka pengangguran setengah terbuka, maka jumlah angka pengangguran semakin banyak.
Kondisi ini tidak bisa dibiarkan berlarut-larut. Perlu suatu solusi yang tepat sebagai pemecahnya. Mengapa? Karena kita semua tahu pengangguran bersentuhan dengan kebutuhan ekonomi yang sangat berbahaya bagi konduktifitas kondisi sosial masyarakat. Kondisi sosial yang tidak kondusif akan melakukan konformitas. Sementara konformitas penting untuk mempertahankan nilai-nilai sosial bangsa.
Namun karena ketidakmampuan negara dalam hal menekan angka pengangguran, maka kini nilai-nilai sosial bangsa itu sudah terabaikan. Demi untuk mengisi perut sebagian orang sudah rela melakukan apa saja. Sepertinya tidak peduli, apakah perbuatannya merugikan orang lain (masyarakat), melanggar norma atau etika, yang penting kebutuhan sesaat dapat terpenuhi.
Berkumpulnya preman atau pelaku kejahatan karena faktor kemiskinan akibat menganggur, semakin sulit dicegah. Berbagai penyimpangan yang mereka lakukan adalah buah dari sendi kehidupan masyarakat pengangguran yang tiada pilihan. Mereka hadir di semua tempat, ruang dan waktu. Kejahatan jalanan yang makin mengkhawatirkan merupakan fenomena penjahat sosial yang sering terlihat oleh kita. Di ujung jalan, di lampu merah, di pasar, terminal maupun bis kota adalah ladang empuk bagi pelaku kejahatan melakukan aksinya. Rasa aman, terlebih di kota, kini sudah menjadi barang langka.
Aparat keamanan yang punya tugas memberikan rasa aman kepada masyarakat seakan tidak mampu berbuat banyak. Ini karena jumlah pelaku kejahatan kendati ditangkap terus bertambah, bahkan modusnya makin berani dan menggila. Ini kenyataan di lapangan selalu menunjukkan, rata-rata pelaku kejahatan adalah para penganggur yang terdesak kebutuhan ekonomi, khususnya pelaku kejahatan kelas teri.
Dapatkah mereka kita sebut malas bekerja? Mau Cuma mengambil jalan pintas yang cepat menghasilkan uang tanpa bersusah payah bermandikan keringat? Mungkin ada benarnya, tetapi mungkin pula karena mereka tidak tahu harus bekerja apa, sementara tuntutan ekonomi kebutuhan hidup terus mendesak.
dengan kemiskinan itu tidak pantas dibiarkan berlarut-larut, sebab bakal memicu berbagai kerawanan.
Dengan melihat realita tersebut diatas dan memiliki harapan atau mimpi bangsa ini untuk menjadi negara yang makmur dan sejahtera maka penulis ingin membuat regresi dari faktor-faktor yang mempengaruhi masyarakat melakukan tindak kejahatan, maka penulis mengambil judul “Analisa tingkat kejahatan di kota Medan terhadap beberapa faktor dengan menggunakan multipel regresi”.
1.2 Perumusan Masalah
Sesuai dengan permasalahan dalam latar belakang yang ingin penulis tunjukkan maka identifikasi masalahnya adalah melihat faktor yang mempengaruhi terjadinya tindakan kejahatan dengan melihat dan mengolah data yang diperoleh. Sesuai dengan data yang diperoleh maka penulis memiliki ada tiga faktor yang mempengaruhi terjadinya tindakan kejahatan, diantaranya adalah jumlah penduduk yang tergolong dalam kemiskinan, persentase tingkat pengangguran dan jumlah penduduk urbanisasi.
1.3 Tujuan dan Manfaat Penelitian
Dengan mengetahui hal apa yang paling mempengaruhi tingkat tindak kejahatan, maka hasil analisa tersebut menjadi masukan kepada Aparat keamanan yang punya tugas memberikan rasa aman kepada masyarakat dan kepada pihak pemerintah untuk memfokuskan diri pada bagian dimana perlu perhatian kepada para pengangguran untuk penyediaan lapangan kerja. Juga hal ini menjadi masukan bagi orang tua untuk memperhatikan anak-anak remaja mereka baik dilingkungan rumah maupun dilingkungan studi dan pergaulan remaja.
1.4 Metode Penelitian
Adapun metode-metode yang dilakukan dalam pengumpulan data faktor yang mempengaruhi tingkat tindak kejahatan di kota medan diantaranya adalah:
1. Metode Penelitian Kepustakaan (Studi literatur)
Penelitian yang dilakukan dengan mengamati data yang telah tersedia, data tersebut diperoleh dengan membaca buku-buku serta bahan-bahan yang bersifat teoritis yang berasal dari perpustakaan dimana data itu diperoleh.
2. Metode Pengumpulan Data
tujuan untuk mendapatkan gambaran yang jelas tentang sekumpulan data tersebut.
3. Metode Analisa Data
Adapun pengolahan data dalam penentuan hubungan beberapa faktor yang mempengaruhi tingkat tindak kejahatan adalah dengan menggunakan analisis regresi berganda (multipel regresi).
• Variabel dalam penelitian
Ada dua variabel dalam penelitian ini yaitu variabel bebas dan variabel tidak bebas. Dimana Y merupakan variabel tidak bebas dan X merupakan variabel bebas. Variabel tidak bebasnya adalah jumlah kejahatan yang terjadi, sedangkan variabel bebasnya: X1 = Persentase tingkat pengangguran
X2 = Jumlah penduduk miskin
X3 = Jumlah penduduk urban
• Metode yang digunakan
Model yang digunakan dalam penelitian ini adalah model regresi (multipel regresi) dan korelasi serta pengolahan data menggunakan program SPSS.
a. Multipel Regresi
Multipel regresi adalah persamaan yang mempunyai lebih dari satu variabel independent. Bentuk persamaan multiple regresi adalah :
i ki k i
i
i
b
b
X
b
X
b
X
Dimana :
i
Y = Pengamatan ke – i pada variabel tak bebas
ki
X = Pengamatan ke – i pada variabel bebas
k
b = Koefisien regresi variabel bebas X k
i
ε = Pengamatan ke –i variabel gangguan
b. Analisis Korelasi
Tujuan dari korelasi adalah untuk mengukur keeratan hubungan antara variabel-variabel.
Adapun rumus korelasi adalah :
(
)( )
(
)
{
∑
∑
−
∑
∑
}
{
∑ ∑
∑
−
( )
}
−
=
22 2
2
i i
ki ki
i ki i
ki yx
Y
Y
n
X
X
n
Y
X
1.5 Sistematika Penulisan
Adapun sistematika penulisan Tugas Akhir ini adalah sebagai berikut :
BAB 1 : PENDAHULUAN
Dalam bab ini diejelaskan mengenai latar belakang, identifikasi masalah, tujuan penelitian, manfaat penelitian, lokasi dan waktu penelitian, metologi penelitian, tinjauan pustaka dam sistematika penulisannya.
BAB 2 : LANDASAN PENULISAN
Bab ini menjelaskan uraian tentang teori-teori yang akan digunakan dalam pemecahan masalah, diantaranya multiple regresi dan korelasi.
BAB 3 : ANALISIS DATA
Bab ini menjelaskan uraian tentang metode-metode yang digunakan dalam mengolah data.
BAB 4 : IMPLEMENTASI SISTEM
Bab ini menjelaskan tentang implementasi sistem yang digunakan untuk analisa penelitian.
BAB 5 : PENUTUP
BAB 2
LANDASAN TEORI
2.1 Pengertian Regresi dan Korelasi
2.1.1 Pengertian Regresi
menurut istilah Galton : “Regression to Mediocrity”. Dari uraian diatas dapat disimpulkan bahwa pada umumnya tinggi anak mengikuti tinggi orang tuanya.
Jadi analisa regresi berkenaan dengan studi ketergantungan dari suatu variabel yang disebut variabel tak bebas (dependent variabel), pada satu atau lebih variabel, yaitu variabel yang menerangkan dengan tujuan untuk memperkirakan atau meramalkan nilai-nilai dari variabel tak bebas apabila nilai variabel yang menerangkan sudah diketahui. Variabel yang menerangkan sering disebut variabel bebas (independent variabel).
2.1.2 Pengertian Korelasi
dan jika kurang dari 0 dikatakan berkorelasi negatif. Besarnya hubungan dinyatakan dengan koefisien korelasi atau R adalah :
∑
= 2
2
i reg
y JK R
Dengan JKreg =b1
∑
x1iyi +b2∑
x2iyi +...+bk∑
xkiyiDimana :
)
(X X
xi = i −
)
(Y Y
yi = i −
Untuk :
Y = Rata-rata variabel tak bebas
X = Rata-rata variabel bebas R = Koefisien Korelasi JKreg = Jumlah Kuadrat Regresi
k
b = Koefisien regresi variabel bebas Xk
Dan didapatlah rumus untuk menghitung koefisien korelasi (r) antara dua variabel yaitu :
pertanyaan ini, maka makna dari R yang kita hitung dapat dikonsultasikan dengan tabel dibawah ini :
Tabel 2.1
INTERPRETASI DARI NILAI R
R Interpretasi
0 0,10-0,20 0,21-0,40 0,41-0,60 0,61-0,80 0,81-0,99
1
Tidak berkorelasi Sangat rendah Rendah Agak rendah Cukup Tinggi Sempurna
Sumber : Usman Husain, M. Pd . Pengantar Statistika
2.2 Analisis Regresi Linier
Analisi regresis linier digunakan untuk peramalan, dimana dalam model terdapat variabel bebas X dan variabel Y. Regresi linier adalah menentukan satu persamaan dan garis yang menunjukkan hubungan antara variabel bebas dan variabel terikat, yang merupakan persamaan penduga yang berguna untuk menaksir atau meramalkan variabel terikat. Untuk mempelajari hubungan – hubungan antara beberapa variabel. Analisis ini terdiri dari 2 bentuk,yaitu :
1. Analisis Sederhana (Simpel Analisis) 2. Analisis Berganda (Multipel Regresi)
Variabel bebas merupakan variabel yang peubah tanpa adanya pengaruh variabel-variabel lain, tetapi perubahan yang terjadi pada variabel bebas akan mengakibatkan terjadinya perubahan pada variabel lain. Variabel tak bebas merupakan variabel yang hanya akan berubah manakala terjadi perubahan pada variabel atau variabel yang lain. Analisis regresi berguna untuk mendapatkan hubungan fungsional antara dua variabel bebas terhadap variabel tak bebas atau meramalkan pengaruh variabel bebas terhadap variabel tak bebas. Asumsi agar analisis regresi dapat digunakan adalah :
1. Variabel yang dicari hubungan fungsionalnya mempunyai data yang berdistribusi normal.
2. Variabel bebas tidak acak, sedangkan variabel tak bebas harus acak.
3. Variabel yang dihubungkan mempunyai pasangan sama dari subjek yang sama.
4. Variabel yang dihubungkan mempunyai data interval atau rasio.
2.2.1 Regresi Linier Sederhana
Regresi linier sederhana merupakan prosedur untuk mendapatkan hubungan matematis dalam bentuk suatu persamaan antara variabel tak bebas tunggal dengan variabel bebas tunggal. Regresi linier sederhana hanya ada satu peubah bebas X. Bentuk-bentuk model umum regresi sederhana dalah hubungan variabel-variabel X dan Y sebenarnya dinyatakan :
i i
i
b
b
X
Dimana :
Y = Variabel bebas X = Variabel tak bebas
0
b = intercept Y dari garis, yaitu titik dimana garis itu memotong sumbu Y
1
b = Kemiringan Garis
i
ε = Kesalahan pengganggu
Menentukan titik taksiran Y (nilai tunggal Y) atau taksiran selang kepercayaan (selang keyakinan) dengan satu nilai X baru yakni X0, model regresi taksiran
menghasilkan :
i
i
X
Y
ˆ
=
β
0+
β
1Dimana :
i
Yˆ = Nilai taksiran untuk Y
0
β = Penaksir untuk b0
1
β = Penaksir untuk b1
Untuk menentukan b0 dan b1 adalah :
∑
∑
∑ ∑
∑ ∑
− −
= 2 2
2 2
1
)
( i
i
i i i i
i
X X
n
Y X X Y
X b
∑
∑
∑
∑ ∑
− −
= 2 2
0
)
( i
i
i i i
i
X X
n
Y X Y
2.2.2 Regresi Linier Berganda
Regresi linier berganda terdapat sejumlah (sebut k buah, k ≥ 1) peubah bebas yang dihubungkan dengan Y linier atau perangkat satu dalam semua peubah bebas X1,
X2,…,Xk maka bentuk persamaan umum multipel regresi adalah :
Dimana :
i
Y = Pengamatan ke – i pada variabel tak bebas
ik
X = Pengamatan ke – i pada variabel bebas
k
b = Koefisien regresi variabel bebas X ik
i
ε = Pengamatan ke –i variabel gangguan
Regresi berganda berguna untuk mendapatkan pengaruh dua variabel bebas atau untuk mencari hubungan fungsional dua variabel tak bebas atau lebih. Dengan taksiran :
ki k i
i
i X X X
Yˆ =
β
0+β
1 1 +β
2 2 +...+β
Dimana :
i
Yˆ = nilai taksiran untuk Y
0
β = Penaksir untuk b0
1
β = Penaksir untuk b1
k
Untuk memudahkan pengolahan data, maka data-data dapat dimasukkan ke dalam tabel. Bentuk umum dari tabel untuk variabel penduga yang lebih dari satu adalah seperti bentuk tabel di bawah ini:
Tabel 2.2 Bentuk Umum Tabel Data Regresi Linier Berganda
NO OBSERVASI RESPON YI VARIABEL BEBAS X1 VARIABEL BEBAS X2 VARIABEL BEBAS VARIABEL BEBAS XK
1 Y1 X11 X21 ... Xk1
2 Y2 X12 X22 ... Xk2
3 Y3 X13 X23 ... Xk3
. . . . ... .
. . . . ... .
. . . . ... .
n Yi X1n X2n ... Xkn
Penduga b0, b1, b2, ..., bn dilakukan berdasarkan metode kuadrat terkecil dengan
meminimumkan jumlah kuadrat galat, seperti berikut :
Min ∑∈i2 = min Q = ∑(yi −b0 −b1X1−b2X2 −bnXn), dimana Q = ∑∈2i Untuk menentukan syarat perlu agar Q minimum, maka perlu ditentukan turunan parsial Q terhadap b0, b1, b2, ..., bn sebagai berikut :
) (
2 0 1 1 2 2
0
ni n i i
i b b X b X b X
Y b q − − − − ∑ =
∂∂ (-1) = 0
) (
2 0 1 1 2 2
1
ni n i i
i b b X b X b X
Y b q − − − − ∑ =
∂∂ (-X1i) = 0
) (
2 0 1 1 2 2
2
ni n i i
i b b X b X b X
Y b q − − − − ∑ =
∂∂ (-X2i) = 0
... )
(
2 Yi b0 b1X1i b2X2i bnXni b q − − − − ∑ =
Penyelesaian terhadap hasil turunan parsial diatas akan menghasilkan gugus persamaan normal berikut :
i i i
i b X b X Y
X b
nb0 + 1∑ 1 + 2∑ 2 + 3∑ 3 =∑
i i i i i i
i b X b X X b X X X Y
X
b0∑ 1 + 1∑ 12 + 2∑ 1 2 + 3∑ 1 3 =∑ 1
i i i i i i
i b X X b X b X X X Y
X
b 3 2 3 2
2 2 2 1 2 1 2
0∑ + ∑ + ∑ + ∑ =∑
i i i i i i
i b X X b X X b X X Y
X
b0∑ 3 + 1∑ 3 1 + 2∑ 3 2 + 3∑ 32 =∑ 3
Dalam notasi matriks maka persamaan di atas dapat ditulis sebagai berikut :
∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ 2 3 2 3 1 3 3 3 2 2 2 1 2 2 3 1 2 1 2 1 1 3 2 1 X X X X X X X X X X X X X X X X X X X X X n i i i i i i i i i i i i i i i i i i i i 3 2 1 0 b b b b = ∑ ∑ ∑ ∑ i i i i i i Y X Y X Y X Y 3 21 1 ) '
(X X b (X'Y) Maka dapat ditentukan bahwa : b=(X'X)−1(X'Y)
Matriks (X'X) dalam persamaan diatas dapat ditentukan secara langsung dari nilai-nilai pengamatan, sebagai berikut :
) '
(X X =
n n n X X X X X X X X X 3 32 31 2 22 21 1 12 11 ... ... ... 1 ... 1 1 n n
n X X
Serta matriks (X'Y) dapat dibentuk secara langsung dari nilai-nilai pengamatan, sebagai berikut :
) '
(X Y =
n n n X X X X X X X X X 3 32 31 2 22 21 1 12 11 ... ... ... 1 ... 1 1 4 3 2 1 Y Y Y Y
dimana (X'X)−1 adalah kebalikan (invers) matriks dari (X'X)dan X adalah ' matriks transpose dari matriks X.
) ( ) det( 1 ) '
( 1 ' Adj X'X
X X X
X − =
Adapun untuk menghitung kekeliruan baku taksiran dari persamaan regresi antara variabel independent dengan variabel dependent yang bertujuan untuk mengetahui seberapa besar kekeliruan dari persamaan regresi adalah :
1 ) ˆ ( 2 2 ... 12 . − − − =
∑
k n Y Y Sy k2.3 Uji Keberartian Regresi Linier (Uji F)
Menguji keberartian regresi linier ganda ini dimaksudkan untuk meyakinkan diri apakah regresi berbentuk linier yang didapat berdasarkan penelitian ada artinya bila dipakai untuk membuat kesimpulan mengenai hubungan sejumlah peubah yang sedang dipelajari.
Uji keberartian regresi ganda dilakukan dengan menggunakan rumus :
Dimana :
∑
∑
∑
+ + += i i i i k ki i
reg b x y b x y b x y
JK 1 1 2 2 ...
( )
ˆ 2∑
−= i i
res Y Y
JK
Hipotesa :
H0 : terdapat hubungan fungsional yang signifikan antara variabel X1 dan X2 dengan
variabel Y.
H1 : tidak terdapat hubungan fungsional yang signifikan antara variabel X1 dan X2
dengan variabel Y.
( )(dkpembilangdkpenyebut)
tab F
F = 1−α ,
dkpembilang = k
dkpenyebut = n-k-1
jika Fhit > Ftab maka H0 ditolak.
Berarti terdapat hubungan fungsional (hubungan yang berarti) yang signifikan antara variabel X1 dan X2 dengan variabel Y.
2.4 Analisis Korelasi Berganda
Korelasi dapat bersifat linier dan non linier. Korelasi dikatakan linier apabila semua titik (Xi, Yi) pada diagram pencar (scatter plot) terlihat mengelompok atau
bergerombol disekitar garis lurus, sedangkan korelasi dikatakan non linier apabila titik-titik (Xi,Yi) terletak disekitar kurva non linier.
Ilustrasi untuk sifat dari korelasi ini dapat dilihat pada diagram yang ditunjukkan berikut ini :
Korelasi Linier Positif Korelasi Non Linier Positif
Korelasi Linier Negatif Korelasi Non Linier Negatif
Dalam analisis korelasi akan dijumpai dua variabel berkorelasi positif, negatif, atau tidak berkorelasi. Dua variabel dikatakan berkorelasi positif adalah jika datanya cenderung berubah secara bersamaan, dengan kata lain, jika kenaikan pada suatu variabel diikuti oleh variabel lainnya ataupun jika penurunan pada suatu variabel diikuti oleh variabel lainnya.
Apabila garis regresi linier terbaik untuk sekumpulan data yang berbentuk linier, maka derajat hubungannya akan dinyatakan dengan r dan bisa dinamakan koefisien korelasi. Adapun rumus korelasi linier adalah :
(
)( )
(
)
{
∑
∑
−∑
∑
}
{
∑
∑
−( )
∑
}
− = 2 2 2 2 i i ki ki i ki i ki yx Y Y n X X n Y X Y X n rDalam suatu regresi linier sederhana r2 lebih berarti dari pada r. sebab r2 sebagai koefisien determinasi merupakan suatu ukuran yang menunjukkan besarnya sumbangan dari variabel X yang merupakan pengaruh linier variabel terhadap variansi (naik turunnya ) Y.
∑
= 2 2 y JK R regHarga r2 yang terkecil adalah 0 dan yang terbesar1, 0≤r2 ≥1. Adapun rumus korelasi berganda adalah
)
1
)(
1
(
23.2 132.22.5 Uji Koefisien Regresi Linier dengan t (student)
Dalam penelitian sering ingin diketahui apakah koefisien-koefisien regresi linier populasi dengan menggunakan pendekatan uji nyata, maka dapat mengikuti langkah-langkah serbagai berikut:
1. H0: β0 = 0 lawan H1: β1≠ 0
2. α = 0.05 (dapat juga menggunakan α = 0.01 atau α = 0.10) 3. Daerah kritis : t < -t ;n−k
2
α dan t > t ;n−k 2
α
4. Statistika uji nyata yang dipergunakan untuk permasalahan diatas adalah:
i
b i i
S b t =
Dimana
i
b
S adalah galat baku dari persamaan regresi (Standart error of the regression).
∑
−=
) 1 )(
( 2 2
2 ... 12 .
R x
S S
ij k y bi
Dimana :
1 ) ˆ
( 2
2 ... 12 .
− −
−
=
∑
k n
Y Y Sy k
( − −1,α)
= n k
tabel t
t
2 1 α
BAB 3
PENGOLAHAN DATA
3.1 Pengolahan Data
[image:31.595.189.443.423.574.2]Data yang diambil dari Badan Pusat Statistik adalah data jumlah tindak kejahatan yang terjadi, persentase tingkat pengangguran, jumlah penduduk miskin dan jumlah penduduk urban pada tahun 1999 – 2006. Adapun datanya adalah sebagai berikut :
Tabel 3.1
Data tindak kejahatan, persentase tingkat pengangguran, penduduk miskin dan penduduk urban
tahun 1999 – 2006
Tahun Y X1 X2 X3
1999 5633 7,46 215,28 188,79 2000 6082 9,38 282,17 190,56 2001 5876 11,53 153,32 193,37 2002 6274 13,28 93,20 197,55 2003 7085 15,23 143,50 197,93 2004 8759 19,43 142,60 201,07 2005 10252 12,46 145,72 203,62 2006 11505 15,01 160,65 206,73
Sumber: Badan Pusat Statistika
Dimana :
Y : Tindakan Kejahatan
X1 : Persentase Tingkat Pengangguran
X2 : Penduduk Miskin (1000)
Table 3.2 Masukan data dan Kuadrat masing-masing variabel
No Y X1 X2 X3 Y2 X12 X22 X32
1 5633 7,46 215,28 188,79 31730689 55,65 46345,48 35641,66 2 6082 9,38 282,17 190,56 36990724 87,98 79619,91 36312,62 3 5876 11,53 153,32 193,37 34527376 132,94 23507,02 37393,74 4 6274 13,28 93,20 197,55 39363076 176,36 8686,24 39027,90 5 7085 15,23 143,50 197,93 50197225 231,95 20592,25 39177,87 6 8759 19,43 142,60 201,07 76720081 377,52 20334,76 40428,18 7 10252 12,46 145,72 203,62 105103504 155,25 21234,32 41460,49 8 11505 15,01 160,65 206,73 132365025 225,30 25808,42 42736,80 Jlh 61466 103,78 1336,44 1579,63 506997700 1442,96 246128,40 312179,26
[image:32.595.110.494.366.521.2]rata-rata 7683,25 12,97 167,06 197,45
Tabel 3.3 Pergandaan antara variabel Xi
dan Pergandaan antara variabel Y dengan Xi
No X1X2 X1X3 X2X3 X1Y X2Y X3Y
1 1605,99 1408,37 40642,71 42022,18 1212672,24 1063454,07
2 2646,75 1787,44 53769,95 57049,16 1716157,94 1158978,01
3 1767,78 2229,61 29648,19 67750,28 900908,32 1136269,15
4 1237,70 2623,53 18412,11 83318,72 584736,8 1239458,82
5 2185,51 3014,53 28403,53 107904,6 1016697,5 1402362,39
6 2770,72 3906,74 28672,24 170187,4 1249033,4 1761151,11
7 1815,67 2537,09 29671,29 127739,9 1493921,44 2087496,86
8 2411,36 3103,00 33210,98 172690,1 1848278,25 2378414,84
Jlh 16441,47 20610,31 262431,00 828662,23 10022405,89 12227585,25
Tabel 3.4 Deviasi masing-masing variabel dan kuadrat deviasinya
N o
)
(Y−Y (X1−X1) (X2−X2) (X3−X3)
2
)
(Y −Y 2
1
1 )
(X −X (X2−X2)2
2 3 3 )
(X −X
1 -2050,25 -5,51 48,23 -8,66 4203525,06 30,39 2325,65 75,05 2 -1601,25 -3,59 115,12 -6,89 2564001,56 12,91 13251,46 47,54 3 -1807,25 -1,44 -13,74 -4,08 3266152,56 2,08 188,65 16,64 4 -1409,25 0,31 -73,86 0,10 1985985,56 0,09 5454,56 0,01 5 -598,25 2,26 -23,56 0,48 357903,06 5,10 554,84 0,23 6 1075,75 6,46 -24,46 3,61 1157238,06 41,70 598,05 13,06 7 2568,75 -0,51 -21,34 6,17 6598476,56 0,26 455,18 38,01 8 3821,75 2,04 -6,41 9,28 14605773,06 4,15 41,02 86,03
[image:32.595.106.533.600.763.2]Tabel 3.5 Pergandaan antara deviasi Y dengan Xi No ) ( ) ( 2 2 1 1 X X X X − − ) ( ) ( 3 3 1 1 X X X X − − ) ( ) ( 3 3 2 2 X X X X − − ) ( ) ( 1 1 X X Y Y − − ) ( ) ( 2 2 X X Y Y − − ) ( ) ( 3 3 X X Y Y − −
1 -265,84 47,76 -417,791 11302 -98873,306 17762,08
2 -413,55 24,77 -793,681 5752,491 -184327,89 11040,1
3 19,81 5,88 56,02197 2606,958 24822,579 7371,366
4 -22,71 0,03 -7,49074 -433,344 104080,16 -142,933
5 -53,18 1,09 -11,3211 -1350,55 14091,779 -287,534
6 -157,92 23,34 -88,3859 6946,656 -26307,466 3888,003
7 10,93 -3,16 -131,533 -1316,48 -54804,281 15836,66 8 -13,05 18,90 -59,4091 7786,816 -24478,309 35448,36
Jlh -895,50 118,60 -1453,59 31294,55 -245796,74 90916,10
3.2 Persamaan Regresi Linier Berganda
Untuk membuat persamaan regresi dari data diatas maka dibutuhkan harga-harga di bawah ini :
25 , 12227585 89 , 10022405 23 , 828662 63 , 1579 44 , 1336 78 , 103 61466 3 2 1 3 2 1 = ∑ = ∑ = ∑ = ∑ = ∑ = ∑ = ∑ Y X Y X Y X Y X X X i i i i i i i 26 , 312179 40 , 246128 96 , 1442 262431 31 , 20610 47 , 16441 2 3 2 2 2 1 3 2 3 1 2 1 = ∑ = ∑ = ∑ = ∑ = ∑ = ∑ i i i i i i i i i X X X X X X X X X
Dengan mensubstitusikan angka-angka diatas ke dalam sistem persamaan normal, maka terbentuk :
8 b0 + 103,78 b1 + 1336,44 b2 + 1579,63 b3 = 61466
103,78 b0 + 1442,96 b1 + 16441,47 b2 + 20610,31 b3 = 828662,23
1336,44b0 + 16441,47 b1 + 246128,4 b2 + 262431 b3 = 10022405,89
Sistem persamaan ini kemudian dapat ditulis dalam notasi matriks sebagai berikut : = 25 , 12227585 89 , 10022405 23 , 828662 61466 26 , 312179 262431 31 , 20610 63 , 1579 262431 4 , 246128 47 , 16441 44 , 1336 31 , 20610 47 , 16441 96 , 1442 78 , 103 63 , 1579 44 , 1336 78 , 103 8 3 2 1 0 b b b b
(X'X) b (X'Y)
Untuk dapat memperoleh nilai-nilai dugaan bagi parameter model, maka perlu ditentukan invers matriks (X'X) , yaitu :
b=(X'X)−1(X'Y)
1
) '
(X X − = ( ' )
) ' ( det 1 X X Adj X X Diperoleh : − − − − − − = − , 008168 , 0 000199 , 0 008178 , 0 540001 , 1 000199 , 0 000073 , 0 000436 , 0 057217 , 0 008178 , 0 000436 , 0 024417 , 0 225082 , 1 540001 , 1 057217 , 0 225082 , 1 869551 , 297 ) ' (X X 1
− − = = − 683 , 437 666 , 13 705 , 86 4 , 79896 ) ' ( ) '
Jadi dapat diketahui : b0 =−79896,4 705 , 86
1 =−
b 666 , 13 2 = b 683 , 437 3 = b
Dengan demikian persamaan regresi linier berganda atas X1, X2, dan X3 adalah
3 2
1 13,666 437,683
705 , 86 4 , 79896
ˆ X X X
Y =− − + +
Untuk menghitung kekeliruan baku taksiran diperlukan harga - harga Yˆ yang diperoleh dari persamaan regresi diatas untuk tiap harga X1, X2, dan X3 yang
diketahui:
Tabel 3.6 Kekeliruan Taksiran Baku
No Y X
1 X2 X3 Yˆ (Yˆ−Y) (Yˆ−Y)2
1 5633 7,46 215,28 188,79 5028,92 603,999 364815,094
2 6082 9,38 282,17 190,56 6550,68 -468,776 219750,762
3 5876 11,53 153,32 193,37 5835,90 40,032 1602,599
4 6274 13,28 93,20 197,55 6692,18 -418,236 174921,626
5 7085 15,23 143,50 197,93 7376,47 -291,531 84990,191
6 8759 19,43 142,60 201,07 8371,53 387,406 150083,548
7 10252 12,46 145,72 203,62 10134,99 116,949 13677,032
8 11505 15,01 160,65 206,73 11479,25 25,688 659,862
Jlh 61466 103,78 1336,44 1579,627 61469,921 -4,468 1007436,115
Dengan k = 3, n = 8 , dan
∑
− 2) ˆ
(Y Y = 1007436,115
1 ) ˆ ( 2 2 ... 12 . − − − =
∑
k n Y Y Sy k059 , 251859
=
1 ) ˆ
( 2
... 12 .
− −
−
=
∑
k n
Y Y Sy k
1 3 8
115 , 1007436
123 .
− − =
y
S
4 115 , 1007436
=
059 , 251859
=
= 501,86
Ini berarti bahwa rata-rata jumlah kejahatan yang terjadi menyimpang dari rata-rata yang diperkirakan sebesar 501,86
3.3 Pengujian Regresi Linier Ganda
Perumusan Hipotesa : H0 : b1 = b2 = b3 = 0
H1 : Minimal ada satu parameter koefisien regresi yang tidak sama dengan nol
Jika Fhit > Ftab maka Tolak H0
Untuk menguji model regresi yang telah terbentuk, maka dapat diambil :
i i
i X X
x1 = 1 − 1
i i
i X X
x2 = 2 − 2
i i
i X X
x3 = 3 − 3
i i
i Y Y
Dan diperlukan harga-harga yang akan dicantumkan pada tabel diatas.
y x
∑
1 = 31294,55y x
∑
2 = -245796,74y x
∑
3 = 90916,10JKreg = b1
∑
x1y +b2∑
x2y +b3∑
x3y= (-86,705)( 31294,55)+(13,666)( -245796,74)+(437,683)( 90916,10)
= 33731619,134
JKres =
∑
(Yˆ−Y)2= 1007436,115
Jadi F hitung dapat dicari dengan :
Fhit =
) 1
(n−k−
JK
k JK
res reg
=
4 / 115 , 1007436
3 / 134 , 33731619
=
059 , 251859
09 , 11243873
= 44,644
Ftab(3;4;0,05)= 6,59. Dengan demikian dapat disimpulkan bahwa:
3.4 Perhitungan Korelasi Linier Berganda
Berdasarkan Table 3.4 dapat dilihat Harga 2 2
) (
∑
∑
yi = Yi −Yi = 34739055,50sedangkan JKreg yang telah dihitung adalah : = 33720038,2792478. Maka selanjutnya
dengan rumus
∑
= 2
2
y JK
R reg . Sehingga didapat koefisien determinasi :
50 , 34739055
2792478 ,
33720038
2 =
R
= 0,970666525
Dan untuk Koefisien korelasi ganda, kita gunakan : R = R2
= 0,970666525
= 0,98522
3.5 Perhitungan Korelasi antara Variabel Y dengan Xi (ry123)
a. Kuat hubungan antara jumlah kejahatan dengan tingkat pengangguran
(
)
( )
(
)
{
∑
∑
−∑
∑
}
{
∑
∑
−( )
∑
}
− = 2 2 2 1 2 1 1 1 1 Y Y n X X n Y X Y X n ryx =(
)(
)
{
2}{
2}
) 61466 ( 506997700 . 8 ) 78 , 103 ( 9648 , 1442 . 8 61466 78 , 103 ) 23 , 828662 . 8 ( − − − = 0,54
Nilai positif yang menandakan hubungan yang searah antara banyaknya tindak kejahatan yang terjadi dengan tingkat pengangguran. Artinya banyaknya tindak kejahatan yang terjadi dikarenakan banyaknya penduduk yang mengganggur. dan apabila pengangguran ini dapat diatasi pemerintah mungkin tingkat kejahatan akan lebih sedikit. Hubungan antara keduanya tidak begitu kuat, ini ditandai dengan nilai r = 0,54
b. Kuat hubungan antara jumlah kejahatan dengan kemiskinan
(
)
( )
(
)
{
∑
∑
−∑
∑
}
{
∑
∑
−( )
∑
}
− = 2 2 2 2 2 2 2 2 2 Y Y n X X n Y X Y X n ryx =(
)(
)
{
2}{
2}
Nilai negatif yang menandakan hubungan yang tidak searah antara banyaknya tindak kejahatan yang terjadi dengan kemiskinan. Hubungan antara keduanya tergolong sangat lemah, ini ditandai dengan nilai r = -0,276
c. Kuat hubungan antara jumlah kejahatan dengan penduduk urban
(
)
( )
(
)
{
∑
∑
−∑
∑
}
{
∑
∑
−( )
∑
}
− = 2 2 2 3 2 3 3 3 3 Y Y n X X n Y X Y X n ryx =(
)(
)
{
2}{
2}
) 61466 ( 506997700 . 8 ) 627 , 1579 ( 25559 , 312179 . 8 61466 627 , 1579 ) 2526 , 12227585 . 8 ( − − − = 0,9275
Nilai positif yang menandakan hubungan yang searah antara banyaknya tindak kejahatan yang terjadi dengan jumlah penduduk urban. Artinya banyaknya tindak kejahatan yang terjadi dikarenakan banyaknya penduduk yang melakukan urbanisasi dari desa ke kota. dan apabila tingkat penduduk urban ini dapat dibatasi oleh pemerintah kota medan mungkin tingkat kejahatan akan lebih sedikit. Hubungan antara keduanya tidak begitu kuat, ini ditandai dengan nilai r = 0,9275
3.6 Korelasi antara variabel bebas
a. Hubungan antara tingkat pengangguran dengan kemiskinan.
(
)(
)
(
)
{
∑
∑
−∑
∑
}
{
∑
∑
−( )
∑
}
− = 2 2 2 2 2 1 2 1 2 1 2 1 12 Y Y n X X n X X X X n r =(
)(
)
{
2}{
2}
) 44 , 13366 ( 4008 , 246128 . 8 ) 78 , 103 ( 9648 , 1442 . 8 44 , 1336 78 , 103 ) 164414697 . 8 ( − − − = -0,6022
b. Hubungan antara tingkat pengangguran dengan penduduk urban
(
)(
)
(
)
{
∑
∑
−∑
∑
}
{
∑
∑
−( )
∑
}
− = 2 3 2 3 2 1 2 1 3 1 3 1 13 Y Y n X X n X X X X n r =(
)(
)
{
2}{
2}
) 627 , 1579 ( 25559 , 312179 . 8 ) 627 , 130 ( 9648 , 1442 . 8 627 , 1579 78 , 103 ) 31497 , 20610 . 8 ( − − − = 0,7253
c. Hubungan antara kemiskinan dengan penduduk urban
(
)(
)
(
)
{
∑
∑
−∑
∑
}
{
∑
∑
−( )
∑
}
− = 2 3 2 3 2 2 2 21 3 2 3 2 23 Y Y n X X n X X X X n r =(
)(
)
{
2}{
2}
Berdasarkan perhitungan diatas dapat dilihat bahwa yang mempunyai korelasi cukup kuat adalah antara tingkat pengangguran dengan penduduk urban (0,7253) yaitu positif. Antara tingkat pengangguran dengan kemiskinan juga cukup kuat walaupun negatif 0,6022). Sedangkan hubungan kemiskinan dengan penduduk urban hanya (-0,578) yang berarti hubungannya masih agak rendah.
3.7 Pengujian koefisien regresi linier berganda dengan t (student)
Persamaan regresi berganda :
3 2
1 13,666 437,683
705 , 86 4 , 79896
ˆ X X X
Y =− − + +
H0 = θi =0 dimana I = 1,2,…,k
H1 = θi ≠0
Dimana :
Terima H0 jika thitung < ttabel
Terima H0 jika thitung > ttabel
Dimana koefisien korelasi ganda adalah 0,985 atau (R=0,985) Maka kekeliruan baku koefisien bi adalah sebagai berikut :
1 ) ˆ
( 2
2 ... 12 .
− −
−
=
∑
k n
Y Y Sy k
1 3 8
115 , 1007436
2 123 .
− − =
y
S
4 115 , 1007436
=
059 , 251859
Dimana : 4 , 79896
0 =−
b ; b1 =−86,705 ; b2 =13,666 ; b3 =437,683
∑
−=
) 1 )(
( 12 2
2 ... 12 . 1 R x S
Sb y k
) 971 , 0 1 )( 68 , 96 ( 059 , 251859 − = = 78,425
∑
− = ) 1 )(( 22 2
2 ... 12 . 2 R x S
Sb y k
) 971 , 0 1 )( 42 , 22869 ( 059 , 251859 − = = 4,301
∑
− = ) 1 )(( 32 2
2 ... 12 . 3 R x S
Sb y k
) 971 , 0 1 )( 57 , 276 ( 059 , 251859 − = = 45,342 Jadi : bi i i S b t =
t1 = -1,106
t2 = 3,178
( − −1,α)
= n k
tabel t
t
2 1 α
α = − dimana α =0,05
(8−3−1;0,975)
=t ttabel
(4;0,975) =2,78
=t ttabel
t1 = -1,106 < ttabel =2,78
t2 = 3,178 > ttabel =2,78
t2 = 9,653 > ttabel =2,78
[image:44.595.108.269.86.298.2]BAB 4
IMPLEMENTASI SISTEM
4.1 Pengertian Implementasi Sistem
Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikan desain sistem yang ada dalam desain yang disetujui, menginstall dan memulai sistem baru atau sistem yang diperbaiki.
Tahapan implementasi merupakan tahapan penerapan hasil desain tertulis ke dalam programing (coding). Dalam pengolahan data pada karya tulis ini penulis menggunakan satu perangkat lunak sebagai implementasi sistem yaitu program SPSS 14.0 for widows dalam masalah memperoleh hasil perhitungan.
4.2 SPSS (Statistical Product for Service Solution) dan Komputer Statistika
Untuk memudahkan dan mempercepat pengolahan data-data statistika, banyak kita mengenal perangkat lunak komputer yang medukung yang dapat kita gunakan untuk mengolah data, seperti paket SPSS, Microstat, Statgraf, MINITAB dan perangkat lunak lainnya yang menggunakan bahasa pemograman tingkat tinggi seperti PASCAL, FORTAN, BASIC dan lain sebagainya.
Dalam hal pengolahan data komputer mempunyai kelebihan dari manusia yaitu kecepatan, ketetapan dan keandalan dalam memproses data. Dan dengan adanya perangkat lunak komputer tersebut kita sangat terbantu karena memang ada kalenya data-data yang sangat rumit dan banyak itu tidak dapat dikerjakan secara manual atau dengan menggunakan tenaga manusia yang tentunya membutuhkan waktu dan tenaga yang sangat banyak untuk mengolah data tersebut, disamping itu faktor kesalahan yang dilakukan oleh manusia relatif besar. Dan dengan adanya komputer perangkat lunak, diharapkan perkerjaan tersebut dapat dilakukan dengan cepat dan tepat waktu dengan kesalahan yang relatif kecil.
Dalam pembahasan data ini penulis menggunakan program komputer yaitu : SPPS. SPSS adalah suatu program komputer khusus statistik yang mampu memproses data statistik secara cepat dan tepat.
4.3 Langkah-langkah pengolahan data dengan SPSS
Berikut ini adalah langkah-langkah yang dilakukan dalam menyelesaikan program linier berganda dengan SPSS sesuai dengan data dalam penulisan ini :
1. Aktifkan program SPSS pada window dengan perintah :
start lalu all program dan pilih SPSS for window tekan SPSS 14.0 for window
Gambar 4.1 tampilan Cara Mengaktifkan SPSS
2. Pemasukan Data ke SPSS
Langkah-langkahnya sebagai berikut :
Gambar 4.2 Tampilan jendela Data View dalam SPSS
Gambar 4.3 Tampilan jendela Variabel View dalam SPSS 2.2Pengisian :
Name. Sesuai kasus, letakkan pointer pada kolom name klik ganda pada sel tersebut dan ketik sesuai yang diinginkan (singkat saja)
Type. Tipe data untuk data dalam kasus ini adalah numeric (kuantitatif) Width. Untuk kesragaman, ketik 8
Desimal. Untuk menentukan bebera angka dibelakang koma Label. Label adalah keterangan untuk nama variabel
Value dan Missing. Diabaikan saja Column. Untuk keseragaman ketik 8
Align. Adalah posisi data, untuk kersgaman pilih Rigth
Measure. Adalah hal yang penting menyangkut tipe variabel nantinya menentukan jenis analisis yang digunakan.
2.3pengisian variabel Variabel Y (Kejahatan)
Oleh karena itu merupakan variabel pertama, tempatkan pointer pada baris pertama. Name; Y. Type ; numeric. Width ;8. decimal ;0.
Label ; kejahatan
Variabel X1 (Tingkat Pengangguran)
oleh karena itu merupakan variabel kedua, tempatkan pointer pada baris kedua. Name; X1. Type ; numeric. Width ;8. decimal ;2.
Variabel X2 (Kemiskinan)
oleh karena itu merupakan variabel kedua, tempatkan pointer pada baris kedua. Name; X2. Type ; numeric. Width ;8. decimal ;2.
Label ; kemiskinan
Variabel X3 (Penduduk Urban)
oleh karena itu merupakan variabel kedua, tempatkan pointer pada baris kedua. Name; X2. Type ; numeric. Width ;8. decimal ;2.
Label ; Penduduk Urban
Gambabr 4.4 Tampilan jendela pengisian Variabel View dalam SPSS Setelah selesai kemudian tekan ctrl+T untuk kembali ke data view.
2.4pengisian data
pengisian data pada X1 yaitu pada kolom kedua X1, X2 yaitu pada kolom
ketiga X2 dan X3 yaitu pada kolom keempat X3. Setelah itu dismpan.
Gambar 4.5 Tampilan Jendela Pengisian Data View dalam SPSS
3. Pengolahan Data Langkah-langkah :
1. Buka lembar kerja / file yang telah dibuat.
Dari menu utama SPSS, pilih menu Anlyze, lalu pilih sub menu Regression, lalu pilih linier.
2. Pengisian
a. Dependet, pilih variabel Kejahatan, lalu pindahkan ke kolom dependent. b. Independent, pilih variabel tingkat pengangguran, kemiskinan dan
penduduk urban pindahkan ke kolom independent. c. Case label, pilih variabel nomor atau dapat diabaikan. d. Methode, pilih enter sehingga hasilnya seperti berikut ini
Sebelum Sesudah
Gambar 4.7 Tampilan Jendela Pengisian Linier Regression
3. Pilih kolom statistic dengan mengklik tab statistik dan berikan tanda ceklist pada kotak pada kotak estimate, model fit, descriptivees, part and partial correlations, kemudian pada residuals berikan ceklist pada casewise diagnostics serta all cases, sehingga akan tampil seperti berikut :
4. Kemudian klik continue, untuk meneruskan pengisian.
5. Klik pot dan berikan tanda ceklist pada pilihan produce all partial plot, lalu klik tombol continue. Akan tampak seperti dibawah ini :
Gambar 4.9 Tampilan jendela pengisian linier regression plots
BAB 5 PENUTUP
5.1 Kesimpulan
Berdasarkan hasil pengolahan pada bab sebelumnya serta hasil dari pengumpulan data yang telah dilakukan, maka dapat diambil kesimpulan :
1. Dengan menggunakan rumus didapat nilai koefisien-koefisien b0 = -79896,4,
b1 = -86,705, b2 = 13,666, b3 = 437,683, sehingga persamaan estimasi linier
ganda yang dicari adalah :
3 2
1 13,666 437,683
705 , 86 4 , 79896
ˆ X X X
Y =− − + +
2. Dengan taraf nyata α =0,05;dkpembilang =3;dkpenyebut =4 , maka Fhitung sebesar
44,644 dengan Ftabel sebesar 6,59. sehingga didapat Fhitung = 44,644 > Ftabel =
6,59 dan dapat disimpulkan bahwa H0 ditolakdan H1 diterima. Ini berarti ada
hubungan fungsional (berarti) yang signifikan antara tingkat pengangguran (X1), jumlah kemiskinan (X2) dan penduduk urban (X3) terhadap banyaknya
tindak kejahatan yang terjadi.
dengan penduduk urban yaitu sebesar 0,9275 yang berarti bawah penduduk urban memberikan pengaruh yang lebih besar.
5.2 Saran
DAFTAR PUSTAKA
Gujarati Damodar, “Ekonometrika Dasar”, Erlangga, Jakarta, 1999.
Makridakis, Wheelwhright and McGee, “Metode dan Aplikasi Peramalan” edisi 2, Binarupa Aksara, Jakarta, 1999.
Ps, Djarwanto dan Subagyo, Pangestu, “Statistik Induktif” edisi 4, BPFE, Yogyakarta, 1998.
LAMPIRAN
Pendapatan Produk Domestik Regional Bruto (PDRB) Sektor Pertanian Atas Dasar Harga Berlaku dan Konstan Kabupaten Deli Serdang
Tahun Atas dasar harga berlaku (jutaan rupiah)
Atas dasar harga konstan (jutaan rupiah)
1996 970472,25 904276,25
1997 1092550,46 981578,05
1998 1793293,09 1013383,33
1999 2082706,17 1075389,43
2000 2608218,51 1216913,53
2001 3178225,02 1312348,28
2002 3667031,06 2941377,67
2003 2241769,79 3068033,38
2004 2245293,55 2911432,02
2005 2855011,74 2977111,10
2006 2952026,30 3077750,97
Pendapatan Produk Domestik Regional Bruto (PDRB) Sektor Listrik, Gas Dan Air Bersih Atas Dasar Harga Berlaku dan Konstan Kabupaten Deli Serdang
Tahun
Atas dasar harga berlaku (jutaan rupiah)
Atas dasar harga konstan (jutaan rupiah)
1996 7139,77 6811,85
1997 8337,04 7414,99
1998 9184,53 7787,06
1999 10559,16 8029,03
2000 11681,04 8444,83
2001 14091,47 8686,80
2002 48723,62 12649,67
2003 40469,21 15013,83
2004 47553,63 23132,61
2005 49821,33 23926,20
2006 55705,92 25418,23
Data tindak kejahatan, persentase tingkat pengangguran, penduduk miskin dan penduduk urban
tahun 1999 – 2006
Tahun Tindakan Kejahatan
Persentase Tingkat Pengangguran
Penduduk Miskin (1000)
Penduduk Urban (10000)
1999 5633 7,46 215,28 188,79
2000 6082 9,38 282,17 190,56
2001 5876 11,53 153,32 193,37
2002 6274 13,28 93,20 197,55
2003 7085 15,23 143,50 197,93
2004 8759 19,43 142,60 201,07
2005 10252 12,46 145,72 203,62 2006 11505 15,01 160,65 206,73