Refrensi Laporan Akhir Modul Korelasi - Statistika Industri
Berikut ini merupakan referensi Modul Korelasi dari Praktikum Statistika Industri
*Tidak disertakan gambar pada pengolahan software
*Tidak dijelaskan rumus pada perhitungan manual
*Artikel ini dibuat semata-mata hanya untuk membantu praktikan dimodul korelasi
Hal tersebut difungsikan untuk merahasiakan identitas dari kelompok yang bersangkutan
BAB I
PENDAHULUAN
1.1 Latar Belakang
Seiring berkembangnya zaman disertai dengan kemajuan teknologi, semakin banyak industri di Indonesia yang berkembang dengan pesat. Era saat ini banyak perusahaan yang berlomba-lomba untuk memajukan perusahaan mereka dan juga menciptakan teknologi yang secanggih mungkin untuk mempercepat poses produksi yang lebih efisien dan efektif.
PT PETRICHOR sebuah perusahaan yang bergerak di industri manufaktur yang memproduksi berbagai jenis jaket dan mendistribusikannya ke beberapa daerah di Pulau Jawa seperti kawasan Tangerang, Semarang, Surabaya dan beberapa daerah lainnya. Namun dalam proses pengerjaannya, terdapat beberapa masalah yang dihadapi PT PETRICHOR yaitu jarak pengiriman dan banyaknya kendaraan yang berdampak pada waktu keterlambatan distribusi.
PT PETRICHOR ingin mengetahui seberapa besar hubungan keeratan antara jumlah kendaraan (unit) dan jarak pengriman (km) dengan waktu keterlambatan seberapa besar ke eratannya. Banyak ilmu perhitungan statistika yang dapat digunakan untuk untuk mengetahui hubungan antar variabel. Untuk mengetahui seberapa kuat atau lemah hubungan antar variabel tersebut dengan menggunakan metode korelasi. Korelasi digunakan untuk mengetahui seberapa kuat antara variabel yang satu dengan variabel yang lainnya (Hasan, 2002). Harapannya PT PETRICHOR dapat mengetahui seberapa kuat atau lemah hubungan jarak pengiriman dan banyaknya kendaraan yang berdampak pada waktu keterlambatan distribusi yang di dapatkan. PT PETRICHHOR dapat meminimalkan waktu distribusi untuk mempercepat proses pendistribusian jaket kepada konsumen.
1.2 Tujuan Penulisan
Tujuan penulisan menjadi salah satu hal yang penting dikarenakan dapat memberikan kesimpulan yang didapatkan dari hasil pengolahan data pada studi kasus korelasi ini. Berikut merupakan tujuan laporan akhir dari modul korelasi.
1. Mengetahui nilai koefisien korelasi pearson dan koefisien determinasi antara jarak pengiriman (X1) dengan keterlambatan distribusi (Y), banyak kendaraan (X2) dengan keterlambatan distribusi (Y), dan jarak pengiriman (X1) dengan banyak kendaraan (X2).
2. Mengetahui nilai koefisien korelasi berganda dan koefisien determinasi dari jarak pengiriman (X1) dan banyak kendaraan (X2) dengan keterlambatan distribusi (Y).
3. Mengetahui nilai koefisien korelasi parsial dan koefisien determinasi dari jarak pengiriman (X1) dan keterlambatan distribusi (Y), jika banyak kendaraan (X2) sebagai variabel konstan.
BAB II
STUDI KASUS
2.1 Studi Kasus
Sebuah perusahaan bernama PT Petrichor bergerak di bidang manufaktur dan distribusi. PT Petrichor merupakan perusahaan yang kegiatan utamanya memproduksi berbagai macam jaket. Setelah jaket selesai diproduksi, PT Petrichor akan mendistribusikan produk-produk tersebut ke beberapa outlet. Dalam prosesnya, terdapat berbagai faktor yang mempengaruhi keterlambatan dalam pendistribusian. Pendistribusian dilakukan setiap satu bulan sekali yang membutuhkan kurang lebih 15 kendaraan dengan jarak tujuan ke outlet-outlet sekitar 30 sampai 50 kilometer. Perusahaan ingin mengetahui hubungan antara pengaruh jarak tujuan (X1) ke outlet-outlet tersebut dengan banyaknya kendaraan (X2) yang digunakan untuk pendistribusian terhadap keterlambatan pendistribusian (Y). Berikut merupakan data hasil pengamatan yang dilakukan selama 36 bulan.
Tabel 2.1 Data Pengamatan
No
|
Jarak Tujuan (km) (X1)
|
Banyak Kendaraan (unit) (X2)
|
Keterlambatan Distribusi (menit) (Y)
|
1
|
31
|
15
|
115
|
2
|
40
|
15
|
148
|
3
|
36
|
14
|
124
|
4
|
33
|
15
|
121
|
5
|
30
|
15
|
125
|
6
|
33
|
15
|
122
|
7
|
48
|
15
|
168
|
8
|
31
|
16
|
125
|
9
|
37
|
15
|
137
|
10
|
40
|
15
|
149
|
Tabel 2.1 Data Pengamatan (Lanjutan)
No
|
Jarak Tujuan (km) (X1)
|
Banyak Kendaraan (unit) (X2)
|
Keterlambatan Distribusi (menit) (Y)
|
11
|
48
|
15
|
178
|
12
|
33
|
15
|
127
|
13
|
47
|
15
|
173
|
14
|
33
|
15
|
124
|
15
|
34
|
15
|
126
|
16
|
49
|
17
|
208
|
17
|
42
|
13
|
135
|
18
|
33
|
15
|
123
|
19
|
41
|
16
|
163
|
20
|
37
|
14
|
128
|
21
|
49
|
17
|
210
|
22
|
33
|
15
|
127
|
23
|
33
|
15
|
122
|
24
|
46
|
15
|
171
|
25
|
32
|
14
|
110
|
26
|
42
|
13
|
136
|
27
|
40
|
15
|
148
|
28
|
49
|
15
|
182
|
29
|
33
|
15
|
123
|
30
|
33
|
15
|
128
|
Berdasarkan data diatas PT Petrichor ingin mengetahui:
1. Koefisien korelasi pearson dan koefisien determinasi antara
a. jarak pengiriman (X1) dengan keterlambatan distribusi (Y).
b. banyak kendaraan (X2) dengan keterlambatan distribusi (Y).
c. jarak pengiriman (X1) dengan banyak kendaraan (X2).
2. Koefisien korelasi berganda dan koefisien determinasi dari jarak pengiriman (X1) dan banyak kendaraan (X2) dengan keterlambatan distribusi (Y).
3. Koefisien korelasi parsial dan koefisien determinasi dari jarak pengiriman (X1) dan keterlambatan distribusi (Y), jika banyak kendaraan (X2) sebagai variabel konstan.
BAB III
HASIL DAN PEMBAHASAN
3.1. Pengolahan Data
Pengolahan data terbagi menjadi 2 (dua) macam, yaitu pengolahan manual dan pengolahan software dengan menggunakan SPSS versi 16.0. Berikut pengolahan manual dan pengolahan software.
3.1.1 Perhitungan Manual
Perhitungan manual merupakan metode mencari nilai korelasi menggunakan rumus-rumus yang telah ada. Perhitungan manual ini salah satu metode yang digunakan untuk memecahkan masalah studi kasus diatas. Untuk mempermudah dalam melihat data-data maka diberikan tabel. Dalam tabel terdapat kolom X1, X2, Y, X12, X22, Y2, X1X2, X1Y, X2Y.
Tabel 3.1.Perhitungan Manual
No
|
X1
|
X2
|
Y
|
X12
|
X22
|
Y2
|
X1X2
|
X1Y
|
X2Y
|
1
|
31
|
15
|
115
|
961
|
225
|
13225
|
465
|
3565
|
1725
|
2
|
40
|
15
|
148
|
1600
|
225
|
21904
|
600
|
5920
|
2220
|
3
|
36
|
14
|
124
|
1296
|
196
|
15376
|
504
|
4464
|
1736
|
4
|
33
|
15
|
121
|
1089
|
225
|
14641
|
495
|
3993
|
1815
|
5
|
30
|
15
|
125
|
900
|
225
|
15625
|
450
|
3750
|
1875
|
6
|
33
|
15
|
122
|
1089
|
225
|
14884
|
495
|
4026
|
1830
|
7
|
48
|
15
|
168
|
2304
|
225
|
28224
|
720
|
8064
|
2520
|
8
|
31
|
16
|
125
|
961
|
256
|
15625
|
496
|
3875
|
2000
|
9
|
37
|
15
|
137
|
1369
|
225
|
18769
|
555
|
5069
|
2055
|
10
|
40
|
15
|
149
|
1600
|
225
|
22201
|
600
|
5960
|
2235
|
11
|
48
|
15
|
178
|
2304
|
225
|
31684
|
720
|
8544
|
2670
|
12
|
33
|
15
|
127
|
1089
|
225
|
16129
|
495
|
4191
|
1905
|
13
|
47
|
15
|
173
|
2209
|
225
|
29929
|
705
|
8131
|
2595
|
14
|
33
|
15
|
124
|
1089
|
225
|
15376
|
495
|
4092
|
1860
|
15
|
34
|
15
|
126
|
1156
|
225
|
15876
|
510
|
4284
|
1890
|
16
|
49
|
17
|
208
|
2401
|
289
|
43264
|
833
|
10192
|
3536
|
17
|
42
|
13
|
135
|
1764
|
169
|
18225
|
546
|
5670
|
1755
|
18
|
33
|
15
|
123
|
1089
|
225
|
15129
|
495
|
4059
|
1845
|
Tabel 3.1.Perhitungan Manual
No
|
X1
|
X2
|
Y
|
X12
|
X22
|
Y2
|
X1X2
|
X1Y
|
X2Y
|
19
|
41
|
16
|
163
|
1681
|
256
|
26569
|
656
|
6683
|
2608
|
20
|
37
|
14
|
128
|
1369
|
196
|
16384
|
518
|
4736
|
1792
|
21
|
49
|
17
|
210
|
2401
|
289
|
44100
|
833
|
10290
|
3570
|
22
|
33
|
15
|
127
|
1089
|
225
|
16129
|
495
|
4191
|
1905
|
23
|
33
|
15
|
122
|
1089
|
225
|
14884
|
495
|
4026
|
1830
|
24
|
46
|
15
|
171
|
2116
|
225
|
29241
|
690
|
7866
|
2565
|
25
|
32
|
14
|
110
|
1024
|
196
|
12100
|
448
|
3520
|
1540
|
26
|
42
|
13
|
136
|
1764
|
169
|
18496
|
546
|
5712
|
1768
|
27
|
40
|
15
|
148
|
1600
|
225
|
21904
|
600
|
5920
|
2220
|
28
|
49
|
15
|
182
|
2401
|
225
|
33124
|
735
|
8918
|
2730
|
29
|
33
|
15
|
123
|
1089
|
225
|
15129
|
495
|
4059
|
1845
|
30
|
33
|
15
|
128
|
1089
|
225
|
16384
|
495
|
4224
|
1920
|
Σ
|
1146
|
449
|
4276
|
44982
|
6741
|
630530
|
17185
|
167994
|
64360
|
1. Perhitungan koefisien korelasi pearson dan koefisien determinasi.
Koefisien korelasi pearson merupakan metode mengukur keeratan hubungan antarvariabel yang datanya berbentuk interval atau rasio. Koefisien korelasi juga dapat digunakan untuk mengukur kekuatan dan arah hubungan linear dari dua variabel. Koefisien korelasi hanya mengukur kekuatan hubungan linier. Sementara koefisien determinasi dapat diartikan sebagai seberapa besar kemampuan semua variabel bebas dalam menjelaskan varians dari variabel terikatnya. Secara sederhana koefisien determinasi dihitung dengan mengkuadratkan koefisien korelasi. Berikut pengolahan data korelasi koefisien antarvariabel. (Hasan.2002).
a. Koefisien korelasi pearson dan determinasi antara jarak tujuan (X1) dengan keterlambatan distribusi (Y).
=
Hasil yang diperoleh dari perhitungan korelasi pearson
Perhitungan koefisien determinasi antara jumlah jarak tujuan dengan jumlah waktu keterlambatan distribusi (r).
KP =
KP =
KP =
KP =
Hasil yang diperoleh dari perhitungan koefisien determinasi KP sebesar 85,24%. Hal tersebut menyatakan bahwa jumlah jarak tujuan mempengaruhi jumlah waktu keterlambatan 85,24% dan sisanya 14,76% disebabkan dari faktor lain.
b. Koefisien korelasi pearson dan korelasi determinan antara banyak kendaraan (X2) dengan keterlambatan distribusi (Y).
Hasil yang diperoleh dari perhitungan korelasi pearson (rx2y) sebesar 0,5456. Menyatakan bahwa koefisien korelasinya adalah bernilai positif, dan mempunyai korelasi cukup berarti.
Perhitungan koefisien determinasi antara banyak kendaraan dengan keterlambatan distribusi ( ).
KP =
KP =
KP =
KP =
Hasil yang diperoleh dari perhitungan koefisien determinasi KP sebesar 29,76%. Menyatakan bahwa banyak kendaraan mempengaruhi waktu keterlambatan 29,76% dan sisanya 70,24% disebabkan dari faktor lain.
c. Perhitungan korelasi dan determinan antara jarak tujuan (X1) dan banyak kendaraan (X2).
Hasil yang didapatkan dari perhitungan koefisien korelasi (rx1x2) diperoleh sebesar 0,2092. Hal tersebut menyatakan bahwa koefisien korelasinya adalah bernilai positif, dan mempunyai korelasi rendah atau lemah tapi pasti. Perhitungan koefisien determinasi antara jarak tujuan dan banyak kendaraan (rx1x2).
KP =
KP =
KP =
KP =
Hasil yang didapatkan dari perhitungan koefisien determinasi KP sebesar 4,37%. Hal tersebut menyatakan bahwa jarak tujuan mempengaruhi banyak kendaraan sebesar 4,37% dan sisanya 95.63% disebabkan dari faktor lain.
2. Perhitungan korelasi ganda dan determinan antara jarak tujuan (X1), jumlah kendaraan (X2), dan keterlambatan distribusi (Y).
Hasil yang didapatkan dari perhitungan korelasi (rx1x2y) Sebesar 0,9910. Hal tersebut menyatakan bahwa koefisien korelasinya bernilai positif, dan mempunyai korelasi yang sangat tinggi.
Perhitungan koefisien determinasi ganda antara jarak tujuan, banyak kendaraan, dan keterlambatan distribusi (rx1x2y)
KBP =
KBP =
KBP =
KBP =
Hasil yang telah didapatkan dari perhitungan koefisien determinasi KP sebesar 98,20%. Hal tersebut menyatakan bahwa jumlah jarak tujuan mempengaruhi jumlah kendaraan dan keterlambatan distribusi sebesar 98,20% dan sisanya 1,80% disebabkan dari faktor lain.
3. Perhitungan korelasi parsial dan determinan antara jarak tujuan (X1), banyak kendaraan (X2), dan keterlambatan distribusi (Y). Konstannya adalah banyak kendaraan (X2).
Hasil yang didapatkan dari perhitungan koefisien korelasi parsial ry1.2 sebesar 0,9877. Menyatakan bahwa koefisien korelasinya bernilai positif, dan mempunyai korelasi yang tinggi.
Perhitungan koefisien parsial antara jarak tujuan (X1), banyak kendaraan (X2), dan keterlambatan distribusi (Y). Dengan banyak kendaraan adalah konstan atau tetap.
KP =
KP =
KP = 97,55%
Hasil yang didapatkan dari perhitungan koefisien determinasi KP sebesar 97,55%. Menyatakan bahwa jarak tujuan dan banyak kendaraan mempengaruhi keterlambatan distribusi sebesar 97,55% dan sisanya 2,45% disebabkan dari faktor lain.
3.1.2 Pengolahan Software
Pengolahan software merupakan pengolahan yang menggunakan software sebagai alat bantu perhitungan data dengan ketelitian yang lebih daripada perhitungan manual. Menggunakan pengolahan software memudahkan pengguna dalam perhitungan dibandingkan perhitungan manual. Software yang digunakan untuk mengolah data korelasi yaitu menggunakan SPSS (statistical package for the social sciences) 16.0.
Langkah pertama yaitu membuka software SPSS 16.0.Selanjutnya akan terlihat tampilan seperti di bawah ini.
Gambar 3.1 SPSS 16.0 First Open
Menutup jendela yang bertuliskan SPSS 16.0, kemudian memilih Variable View yang berada pada bagian pojok kiri bawah. Variable View pada SPSS adalah tampilan lembar kerja SPSS untuk melakukan manajemen variabel terkait membuat dan mengedit variabel. Pada Variable View terdapat opsi name, type, width, decimals, label, values, missing, columns, align, measure, dan role.
Gambar 3.2 SPSS 16.0 Setelah Jendela Ditutup
Tahap selanjutnya, memasukkan variabel seperti tabel dibawah ini. Memasukan variabel X1, X2, Y pada kolom Name, kemudian mengubah Decimals menjadi 0, mengisi Label sesuai nama variabel masing-masing, pastikan columns berada di angka 8, align tetap berada pada posisi right dan ubah measure pada X1 menjadi nominal.
Gambar 3.3 Variable View
Langkah selanjutnya yaitu memilih Data View yang berada pada pojok kiri bawah. Data view adalah tampilan lembar kerja SPSS yang menampilkan variabel beserta data yang ada dalam variabel tersebut. Data View pada SPSS menampilkan setiap baris sebagai suatu kasus (cases) dan setiap kolom mempresentasikan suatu variabel. Kasus pada spss berguna untuk mempresentasikan suatu hasil pengamatan. Variabel merupakan atribut atau karakteristik yang mendeskripsikan suatu kasus.
Gambar 3.4 Icon Data View
Langkah selanjutnya yaitu memasukan data yang dibutuhkan sesuai variabel masing-masing pada X1, X2, dan Y sebanyak 30 data. Seperti pada data pengamatan PT Petrichor pada gambar berikut.
Gambar 3.5 Daftar Data Pada Data View
Tahap selanjutnya, guna menganalisis korelasi pada data tersebut memilih Analyze kemudian mengklik Correlate selanjutnya Bivariate. Menu analyze adalah menu bar yang berfungsi untuk melakukan analisis statistika. Correlate atau korelasi merupakan nilai yang menunjukkan kekuatan dan arah hubungan linier antara random variable
Gambar 3.6 Membuka Jendela Bivariate
Langkah berikutnya akan muncul kotak dialog Bivariate Correlations. Kemudian memilih variabel sesuai dengan korelasi antara variabel yang diinginkan. Bivariate Correlations atau korelasi sederhana digunakan untuk mengetahui keeratan bubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi. Bivariate Correlations menunjukkan seberapa besar hubungan yang terjadi antara dua variabel.
Gambar 3.7 Bivariate Correlations Sebelum
Dalam menganalisis korelasi pearson antara jarak tujuan (X1) dengan keterlambatan distribusi (Y), memilih jarak tujuan (X1) kemudian mengklik ikon tanda panah yang berada diantara kotak list. Setelah itu memasukkan keterlambatan distribusi (Y) juga ke dalam list Variables. Setelah itu mengklik OK. Selanjutnya akan muncul output pada jendela baru.
Gambar 3.8 Bivariate Correlations X1Y
Berdasarkan langkah-langkah yang sudah dilakukan di atas, akan muncul output Correlations.
Gambar 3.9 Output Correlation X1Y
Pada output Correlations terdapat kolom dan baris yang berisi jarak tujuan dan keterlambatan distribusi. Sig (2-tailed) diartikan sebagai pengujian dua arah. N diartikan 30 data seperti pada Gambar 3.9.
Guna mengetahui besarnya korelasi hubungan antara banyak kendaraan (X2) dengan keterlambatan distribusi (Y), melakukan step seperti gambar berikut. Mulai memasukkan banyak kendaraan (X2) dan keterlambatan distribusi (Y) ke dalam list variables dengan cara mengklik panah pada samping list lalu mengklik OK.
Gambar 3.10 Bivariate Correlations X2Y
Berdasarkan langkah-langkah yang sudah dilakukan di atas, akan muncul output Correlations.
Gambar 3.11 Output Correlations X2Y
Pada output Correlations terdapat kolom dan baris yang berisi jarak tujuan dan keterlambatan distribusi. Sig (2-tailed) diartikan sebagai pengujian dua arah. N diartikan 30 data seperti pada Gambar 3.11.
Tahap berikutnya untuk mengetahui besarnya korelasi hubungan antara jarak tujuan (X1) dengan banyak kendaraan (X2), melakukan step seperti Gambar 3.10 kemudian memilih keterlambatan distribusi (Y) lalu memilih tanda panah diantara kotak list untuk mengeluarkan variabel. Setelah itu, memilih jarak tujuan (X1) lalu mengklik tanda panah untuk memasukkan variabel X1 ke dalam list Variables lalu memilih OK.
Gambar 3.12 Bivariate Correlations X1X2
Berdasarkan langkah-langkah yang sudah dilakukan di atas, akan muncul output Correlations
Gambar 3.13 Output Correlations X1X2
. Pada output Correlations terdapat kolom dan baris yang berisi jarak tujuan dan keterlambatan distribusi. Sig (2-tailed) diartikan sebagai pengujian dua arah. N diartikan 30 data seperti pada Gambar 3.13.
Koefisien korelasi parsial merupakan tingkatan berbentuk angka yang mendeskripsikan keeratan hubungan antar variabel yang variabel lainnya konstan pada hubungan yang terdiri lebih dari dua variabel. Untuk mencari parsial menggunakan SPSS 16.0. Pertama mengklik menu Analyze, kemudian klik Correlate, dan selanjutnya klik Partial.
Gambar 3.14 Membuka Jendela Partial
Tahap berikutnya akan muncul jendela baru Partial Correlations. Partial Correlations merupakan korelasi yang digunakan untuk mengetahui hubungan antar variabel. Partial Correlations dapat dilihat sebagai berikut.
Gambar 3.15 Partial Correlation Sebelum
Tahap selanjutnya yaitu memasukkan variabel jarak tujuan (X1), keterlambatan distribusi (Y) ke dalam list Variables dan banyak kendaraan (X2) ke dalam list Controlling for dengan cara mengklik panah di samping masing-masing list. List Controlling for digunakan untuk variabel konstan. Setelah itu, memilih options.
Gambar 3.16 Partial Correlation Sesudah
Tahap berikutnya akan muncul jendela baru Partial Correlation: Options. Lalu kemudian mencetang pada check box zero-order correlations, kemudian mengklik Continue.
Gambar 3.17 Partial Correlation Options
Berdasarkan langkah-langkah yang sudah dilakukan di atas, akan muncul output Correlations.
Gambar 3.18 Output Correlation
Pada output Correlations terdapat kolom control variables, jarak tujuan, keterlambatan distribusi, dan banyak kendaraan. Pada baris terbagi menjadi 2 yaitu pada nonea terdapat jarak tujuan, keterlambatan distribusi, dan banyak kendaraan. Pada banyak kendaraan terdapat jarak tujuan dan keterlambatan distribusi. Sig (2-tailed) pengujian dua arah.
3.2. Analisis
Analisis merupakan suatu metode yang memuat sejumlah kegiatan seperti mengurai, membedakan, memilah sesuatu untuk digolongkan dan dikelompokkan kembali menurut kriteria tertentu kemudian dicari kaitannya dan ditafsirkan maknanya. Analisis korelasi adalah analisis yang ebrtujuan untuk mengukur kekuatan hubungan antara dua peubah demikian melalui sebuah bilangan yang disebut koefisien korelasi (Walpole, 2015).
3.2.1 Analisis Perhitungan Manual
Berdasarkan hasil perhitungan manual diatas, Pada koefisien korelasi antara jarak tujuan (X1) dengan keterlambatan distribusi (Y) sebesar 0,9233 artinya hubungan antara jarak tujuan dengan banyaknya kendaraan bersifat positif dan sangat kuat sekali. Jika jarak tujuan bertambah maka peramalan keterlambatan distribusi meningkat. Pada koefisien korelasi antara banyak kendaraan (X2) dengan keterlambatan distribusi (Y) sebesar 0,5456 artinya hubungan antara banyak kendaraan dengan keterlambatan distribusi bersifat positif, dan mempunyai korelasi cukup berarti. Jika banyak kendaraan sedikit maka keterlambatan distribusi meningkat. Pada koefisien korelasi antara jarak tujuan (X1) dengan banyak kendaraan (X2) sebesar 0,2092 artinya bersifat positif, dan mempunyai korelasi rendah atau lemah tapi pasti. Jika jarak tujuan meningkat maka banyak kendaraan yang digunakan akan bertambah.
Koefisien determinasi antara jarak tujuan (X1) dengan banyak kendaraan yang digunakan (Y) sebesar 85,24% artinya bahwa jumlah jarak tujuan mempengaruhi jumlah waktu keterlambatan 85,24% dan sisanya 14,76% disebabkan dari faktor lain. Koefisien determinasi antara banyak kendaraan (X2) dengan keterlambatan distribusi (Y) sebesar 29,76% artinya bahwa banyak kendaraan mempengaruhi waktu keterlambatan 29,76% dan sisanya 70,24% disebabkan dari faktor lain. Koefisien determinasi antara jarak tujuan (X1) dengan banyak kendaraan yang digunakan sebesar (X2) sebesar 4,37% artinya bahwa jarak tujuan mempengaruhi banyak kendaraan sebesar 4,37% dan sisanya 95.63% disebabkan dari faktor lain.
Pada Koefisien korelasi ganda antara jarak tujuan (X1) dan banyak kendaraan (X2) dengan keterlambatan distribusi (Y) sebesar 0,9910 berarti keeratan hubungan antara variabel bebas yaitu jarak tujuan dan variabel tetap yaitu banyak kendaraan terhadap banyak atau dikitnya variabel terikat yaitu jumlah keterlambatan distribusi. Koefisien determinasi ganda antara jarak tujuan (X1) dan banyak kendaraan (X2) dengan keterlambatan distribusi (Y) sebesar 98,20% berarti pengaruh jarak tujuan dan banyak kendaraan terhadap banyak atau dikitnya keterlambatan distribusi dan sisanya 1,80% disebabkan oleh faktor selain dari jarak tujuan dan banyak kendaraan.
Koefisien korelasi parsial antara jarak tujuan (X1) dan banyak kendaraan (X2) dengan keterlambatan distribusi (Y) bila banyaknya kendaraan (X2) dianggap konstan/tetap sebesar 0,9877. Koefisien determinasi ganda antara jarak tujuan (X1) dan banyak kendaraan (X2) dengan keterlambatan distribusi (Y) sebesar 97,55% berarti pengaruh jarak tujuan dan banyak kendaraan terhadap banyak atau dikitnya keterlambatan distribusi dan sisanya 2,45% disebabkan oleh faktor selain dari jarak tujuan dan banyak kendaraan. Koefisien korelasi parsial ini merupakan nilai korelasi yang terlepas dari pengaruh variabel lainnya yaitu banyaknya kendaraan karena variabel tersebut kontan atau tetap.
3.2.2 Analisis Pengolahan Software
Analisis software merupakan penjelasan dari hasil output software yang dipakai. Software yang digunakan adalah SPSS 16.0 dengan output terinci dan sistematis. Dibawah ini merupakan analisis pengolahan software.
Pada Gambar 3.9 terdapat tabel yang menjelaskan koefisien korelasi antara jarak tujuan (X1) dengan keterlambatan distribusi (Y). Pada pearson correlation menghasilkan nilai sebesar 0.923 yang berarti korelasi bersifat positif dimana jika jarak tujuan (X1) membesar maka keterlambatan distribusi (Y) akan semakin membesar pula dan koefisien korelasi antara jarak tujuan (X1) dengan keterlambatan distribusi (Y) sangat kuat, kutip dua (“) pada baris Pearson Correlations menandakan korelasi signifikan jika dibawah 0,01, kemudian Sig. (2-tailed) menghasilkan nilai sebesar 0.000 yang berarti lebih kecil dari 0.01 maka hubungan antara jarak tujuan (X1) dengan banyak kendaraan (X2) signifikan maka H0 ditolak yang artinya ada hubungan (korelasi) antara jarak tujuan (X1) dengan banyak kendaraan (X2). Sig. (2-tailed) digunakan karena belum mengetahui jenis hubungan positif atau negatif antara variabel jarak tujuan (X1) dengan keterlambatan distribusi (Y). N sebesar 30, dimana N merupakan jumlah data yang dianalisis.
Berdasarkan analisis kedua pada Gambar 3.11 menjelaskan hasil koefisien korelasi antara banyak kendaraan (X2) dengan keterlambatan distribusi (Y). Bagian Partial Correlation menghasilkan nilai sebesar 0.546, dapat diartikan hubungan antara banyak kendaraan (X2) dengan keterlambatan distribusi (Y) cukup berarti dan bersifat positif. Sig. (2-tailed) menghasilkan nilai sebesar 0.002 yang berarti lebih kecil dari 0.01 maka hubungan antara banyak kendaraan (X2) dengan keterlambatan distribusi (Y) signifikan, dengan N sebesar 30.
Analisis ketiga dengan Gambar 3.13 menjelaskan hasil perbandingan antara X1 dengan X2. Bagian pearson correlation menghasilkan nilai sebesar 0.209 maka hubungan antara jarak tujuan (X1) dengan banyak kendaraan (X2) lemah tapi pasti dan bersifat positif. Sig. (2-tailed) menghasilkan nilai sebesar 0.263 dimana lebih besar dari 0.05 maka hubungan antara jarak tujuan (X1) dengan banyak kendaraan (X2) tidak signifikan.
Kemudian analisis keempat, terlihat pada Gambar 3.18 hasil output pada bagian pertama (-none-a) sebelum digunakan korelasi parsial atau tanpa variabel kontrol menunjukan bahwa jarak tujuan (X1) dan banyak kendaraan (X2) diperoleh nilai korelasi sebesar 0.209 dengan nilai signifikan uji dua arah (two-tailed) diperoleh sebesar 0.268. Berdasarkan tabel (r) dengan N-2=28 dan taraf signifikan 0.05 diperoleh 0.361 karena nilai korelasi sebesar 0.209 < 0.361 dan nilai signifikan 0.268 > 0.05 tingkat keeratan tergolong rendah. Hasil output pada bagian kedua menghitung koefisien korelasi parsial menggunakan variabel kontrol yaitu banyak kendaraan (X2). Dalam hal ini koefisien korelasi antara jarak tujuan (X1) dengan keterlambatan distribusi (Y) diperoleh nilai 0.988. dan nilai uji dua arah (two-tailed) diperoleh nilai 0.000. Dengan nilai df (Degree of Freedom) = N - jumlah variabel - 1 = 30-2-1 = 27 dan taraf signifikan 0.05 diperoleh 0.3673 dari tabel r. Karena nilai 0.988 lebih besar dari 0.3673 dan nilai signifikan 0.000 lebih kecil dari 0.05 maka dapat diketahui bahwa korelasi hubungan sangat kuat dan bersifat positif.
3.2.3 Analisis Perbandingan
Analisis perbandingan merupakan suatu metode analisa dengan cara membandingkan dua hasil yang didapatkan dari perhitungan manual dan pengolahan software yang dilakukan. Berdasarkan hasil yang didapat dari kedua metode perhitungan, baik dalam perhitungan manual dan pengolahan software menggunakan aplikasi SPSS versi 16.0 dan ternyata didapat hasil yang sama. Berikut ini merupakan tabel perbandingannya.
Tabel 3.2 Analisis Perbandingan
No.
|
Perhitungan
|
Manual
|
Software
|
1
|
Jarak pengiriman (X1) dengan keterlambatan distribusi (Y)
|
0,9233
|
0,923
|
2
|
Banyak kendaraan (X2) dengan keterlambatan distribusi (Y).
|
0,5456
|
0,546
|
3
|
Jarak pengiriman (X1) dengan banyak kendaraan (X2)
|
0,2092
|
0,209
|
4
|
Jarak pengiriman (X1) dan keterlambatan distribusi (Y), jika banyak kendaraan (X2) sebagai variabel konstan
|
0,9877
|
0,988
|
Berdasarkan data dari Tabel 3.2 dari perhitungan manual dan pengolahan software, didapatkan hasil perhitungan korelasi variabel jarak pengiriman (X1) dengan variabel keterlambatan distribusi (Y) yaitu sebesar 0,9233 dan 0,923. Berdasarkan dari perhitungan manual dan pengolahan software, didapatkan hasil perhitungan korelasi variabel banyak kendaraan (X2) dengan variabel keterlambatan distribusi (Y) yaitu sebesar 0,5456 dan 0,546. Berdasarkan dari perhitungan manual dan pengolahan software, didapatkan hasil perhitungan korelasi variabel jarak tujuan (X1) dengan variabel banyak kendaraan (X2) yaitu sebesar 0,2092 dan 0,209. Berdasarkan dari perhitungan manual dan pengolahan software, didapatkan hasil perhitungan korelasi parsial antara variabel X1 dengan variabel Y dengan variabel X2 dianggap konstan yaitu sebesar 0,9877 dan 0,988. Didapatkan nilai jarak tujuan, banyak kendaraan, dan keterlambatan distribusi pada perhitungan manual dan pengolahan software hanya berbeda koma dimana manual dengan pembulatan empat angka dibelakang koma dan software dengan pembulatan tiga angka dibelakang koma.
BAB IV
KESIMPULAN
4.1 Kesimpulan
Kesimpulan merupakan suatu proporsi (kalimat yang disampaikan) yang diambil dari beberapa premis (ide pemikiran) dengan aturan-aturan inferensi yang berlaku. Berikut ini adalah kesimpulan dari modul korelasi dengan berdasarkan studi kasus secara perhitungan manual dan pengolahan software menggunakan aplikasi SPSS versi 16.0. Untuk variabel X1 sebagai jarak pengiriman, variabel X2 sebagai banyak kendaraan, dan Y sebagai keterlambatan distribusi.
1. Nilai koefisien korelasi pearson dan koefisien determinan berdasarkan hasil perhitungan manual dan pengolahan software bahwa nilai koefisien korelasi pearson antara jarak tujuan (X1) dan keterlambatan distribusi (Y) bernilai sebesar 0,923 dengan koefisien determinasi yang memiliki nilain sebesar 85,3%. Nilai banyak kendaraan (X2) dan keterlambatan distribusi (Y) bernilai sebesar 0,546 dengan koefisien determinasi yang memiliki nilai sebesar 29,8%. Nilai jarak tujuan (X1) dan banyak kendaraan (X2) bernilai sebesar 0,209 dengan koefisien determinasi yang memiliki nilai sebesar 4,4%.
2. Nilai koefisien korelasi berganda merupakan indeks atau angka yang digunakan untuk mengukur keeratan seberapa kuat hubungan antara tiga variabel atau lebih. Untuk nilai koefisien korelasi berganda diantaranya terdapat jarak tujuan (X1), banyak kendaraan (X2), dan keterlambatan distribusi
(Y) bernilai sebesar 0,991 dengan koefisien determinasi yang memiliki nilai sebesar 98,3%.
3. Nilai koefisien korelasi parsial merupakan indeks atau angka yang digunakan untuk mengukur keeratan hubungan antara dua variabel, jika variabel lainnya konstan, pada hubungan yang melibatkan lebih dari dua variabel. Untuk nilai koefisien korelasi parsial diantaranya jarak tujuan (X1), banyak kendaraan (X2), dan keterlambatan distribusi (Y) bernilai sebesar 0,9 dengan koefisien determinasi yang memiliki nilai sebesar 98,3%.
4.2 Saran
1. Praktikan dapat memahami materi dengan baik agar mempermudah dalam melakukakan prektikum, membuat studi kasus, perhitungan, dan studi kasus.
2. Bahasa yang digunakan dalam membuat laporan akhir praktikum menggunakan Bahasa baku, formal, dan mudah di mengerti.
3. Praktikan lebih teliti dalam perhitungan manual supaya hasil yang diperoleh tepat .
4. Praktikan di harapkan menganalisis data dengan teliti supaya mempermudah dalam penarikan hasil kesimpulan dan mudah dimengerti.
DAFTAR PUSTAKA
Hasan, Iqbal. 2002. Pokok-pokok Materi Statistika 2 (Statistika Inferensif). Jakarta: Bumi Aksara
Walpole, Ronald E. 1982. Pengantar Statistika Edisi ke-3. Jakarta: PT. Gramedia Pustaka Utama.
Komentar
Posting Komentar