Bab 4. Contoh Studi Kasus - Perpustakaan Digital ITB ...digilib.itb.ac.id/files/disk1/549/jbptitbpp-gdl-pratiknoni-27428-5... · Contoh Studi Kasus ... No Persamaan regresi Variansi

16

Bab 4. Contoh Studi Kasus

Sebagai contoh penerapan interpretasi dan penafsiran, pada bab ini penulis mengkaji dan melakukan percobaan berulang – ulang untuk menguji teori pada Bab 3 dengan menggunakan data nilai mata ujian sekolah dan ujian Nosional tahun ajaran 2005/2006 di SMK Negeri 14 Jakarta untuk Program Studi Akuntansi, yang terdiri dari 9 mata uji teori, 7 mata uji praktik dan 5 mata uji teori dan praktik. Adapun yang termasuk ujian teori adalah mata uji: PPKN, Agama, B. Indonesia, Sejarah, Matematika, B. Inggris, Kewirausahaan, Ekonomi dan Komputer. Yang termasuk mata uji praktik adalah: Agama, B. Indonesia, Pendidikan Jasmani, B. Inggris, Kewirausahaan, Komputer dan Produktif, sedangkan yang termasuk teori dan praktik adalah: Agama, B. Indonesia, B. Inggris, Kewirausahaan, dan Komputer

4.1 Sumber Data Penulis mengumpulkan data nilai 114 siswa yang terdiri dari : 1. Nilai teori sebanyak 9 mata uji sebagai variabel yakni : 1X = Nilai mata uji PPKN 2X = Nilai mata uji Agama 3X = Nilai mata uji B. Indonesia 4X = Nilai mata uji Sejarah 5X = Nilai mata uji Matematika 6X = Nilai mata uji B. Inggris 7X = Nilai mata uji Kewirausahaan 8X = Nilai mata uji Ekonomi 9X = Nilai mata uji Komputer 2. Nilai praktik sebanyak 7 mata uji sebagai variabel yakni : 1X = Nilai mata uji Agama 2X = Nilai mata uji B. Indonesia 3X = Nilai mata uji Pendidikan Jasmani 4X = Nilai mata uji B. Inggris 5X = Nilai mata uji Kewirausahaan 6X = Nilai mata uji Komputer 7X = Nilai mata uji Produktif

3. Nilai teori yang ada praktik sebanyak 5 mata uji sebagai variabel yakni :

1X = Nilai mata uji Agama 2X = Nilai mata uji B. Indonesia 3X = Nilai mata uji B. Inggris

17

4X = Nilai mata uji Kewirausahaan 5X = Nilai mata uji Komputer 4. Nilai praktik yang ada teori sebanyak 5 mata uji sebagai variabel yakni : 1X = Nilai mata uji Agama 2X = Nilai mata uji B. Indonesia 3X = Nilai mata uji B. Inggris 4X = Nilai mata uji Kewirausahaan

5X = Nilai mata uji Komputer Data kesembilan variabel tersebut disajikan pada Lampiran 1 4.2 Sumber Informasi Untuk memberikan illustrasi tentang bagaimana cara mengiterpretasikan dan menafsirkan parameter – parameter matriks kovariansi, maka terlebih dahulu akan dikemukakan hal yang sangat penting yang merupakan sumber informasi yakni :

1. Vektor mean

⎟⎟⎟⎟⎟

⎠

⎞

⎜⎜⎜⎜⎜

⎝

⎛

=

pX

XX

XM

r2

1

, p menyatakan banyaknya variabel dan

iX menyatakan rata – rata variabel ke-i, dimana i = 1, 2,…, p. 2. Matriks kovariansi

S =

⎟⎟⎟⎟⎟

⎠

⎞

⎜⎜⎜⎜⎜

⎝

⎛

pppp

p

p

sss

ssssss

K

MOMM

K

K

21

22221

11211

.

3. Matriks korelasi

R =

⎟⎟⎟⎟⎟

⎠

⎞

⎜⎜⎜⎜⎜

⎝

⎛

pppp

p

p

rsrr

rrrrrr

K

MOMM

K

K

21

22221

11211

.

18

dan ( ) ( )jjii

ijij ss

sr = menyatakan koefisien korelasi antara variabel ke-i dan

variabel ke-j. 4. Invers matriks kovariansi

1−S =

1

21

22221

11211

.

−

⎟⎟⎟⎟⎟

⎠

⎞

⎜⎜⎜⎜⎜

⎝

⎛

pppp

p

p

sss

ssssss

K

MOMM

K

K

4.3 Hasil Percobaan

4.3.1 Kasus 9 variabel analisa elemen diagonal mata uji teori Yang termasuk mata uji teori adalah sebagai berikut :

1X = Nilai mata uji PPKN 2X = Nilai mata uji Agama 3X = Nilai mata uji B. Indonesia 4X = Nilai mata uji Sejarah 5X = Nilai mata uji Matematika 6X = Nilai mata uji B. Inggris 7X = Nilai mata uji Kewirausahaan 8X = Nilai mata uji Ekonomi 9X = Nilai mata uji Komputer

Tabel 4.1 Variansi residu No Persamaan regresi Variansi residu 1 Untuk 2 variabel

• Regresi 1X terhadap 2X :

1X̂ = 5.345 + 0.250 2X • Regresi 2X terhadap 1X :

2X̂ = 4.158 +0.359 1X

Variansi ( 1X | 2X ) = 0.39481991 Variansi ( 2X | 1X ) = 0.5671246

2 Untuk 3 variabel • Regresi 1X terhadap 2X dan 3X :

1X̂ = 4.839 + 0.210 2X + 0.102 3X

Variansi ( 1X | 2X , 3X ) = 0.3886544

19

• Regresi 2X terhadap 1X dan 3X :

2X̂ = 2.430 + 0.273 1X + 0.307 3X • Regresi 3X terhadap 1X dan 2X :

3X̂ = 4.151 + 0.153 1X + 0.356 2X

Variansi ( 2X | 1X , 3X ) = 0.505202 Variansi ( 3X | 1X , 2X ) = 0.58531283

3 Untuk 4 variabel • Regresi 1X terhadap 2X , 3X dan

4X :

1X̂ = 5.561 + 0.202 2X + 0.129 3X - 0.131 4X • Regresi 2X terhadap 1X , 3X dan

4X :

2X̂ = 2.959 + 0.264 1X + 0.325 3X - 0.091 4X • Regresi 3X terhadap 1X , 2X dan

4X :

3X̂ = 0.898 + 0.176 1X + 0.340 2X + 0.477 4X • Regresi 4X terhadap 1X , 2X dan

3X :

4X̂ = 5.921 – 0.080 1X - 0.043 2X + 0.215 3X

Variansi ( 1X | 2X , 3X , 4X ) = 0.384575 Variansi ( 2X | 1X , 3X , 4X ) = 0.503234 Variansi ( 3X | 1X , 2X , 4X ) = 0.525202 Variansi ( 4X | 1X , 2X , 3X ) = 0.236598

4 Untuk 5 variabel • Regresi 1X terhadap 2X , 3X , 4X

dan 5X :

1X̂ = 5.303 + 0.199 2X + 0.108 3X - 0.130 4X + 0.059 5X • Regresi 2X terhadap 1X , 3X , 4X

dan 5X :

2X̂ = 2.931 + 0.263 1X + 0.323 3X - 0.091 4X + 0.008 5X

Variansi ( 1X | 2X , 3X , 4X , 5X ) = 0.380278 Variansi ( 2X | 1X , 3X , 4X , 5X ) = 0.503152

20

• Regresi 3X terhadap 1X , 2X , 4X

dan 5X :

3X̂ = 0.397 + 0.142 1X + 0.321 2X + 0.454 4X + 0.138 5X • Regresi 4X terhadap 1X , 2X 3X

dan 5X :

4X̂ = 5.914 – 0.081 1X - 0.043 2X + 0.214 3X + 0.002 5X • Regresi 5X terhadap 1X , 2X 3X

dan 4X :

5X̂ = 3.335 + 0.190 1X + 0.020 2X + 0.337 3X + 0.011 4X

Variansi ( 3X | 1X , 2X , 4X , 5X ) = 0.500842 Variansi ( 4X | 1X , 2X , 3X , 5X ) = 0.236593 Variansi ( 5X | 1X , 2X , 3X , 4X ) = 1.2271618

5 Untuk 6 variabel • Regresi 1X

terhadap 2X , 3X , 4X , 5X dan 6X :

1X̂ = 5.308 + 0.199 2X + 0.108 3X - 0.129 4X + 0.059 5X - 0.002 6X • Regresi 2X


2X̂ = 2.513 + 0.256 1X + 0.283 3X - 0.111 4X - 0.010 5X + 0.148 6X • Regresi 3X


3X̂ = 0.047 + 0.138 1X + 0.282 2X + 0.417 4X + 0.115 5X + 0.150 6X • Regresi 4X


4X̂ = 5.742 – 0.080 1X - 0.053 2X + 0.202 3X - 0.005 5X + 0.055 6X • Regresi 5X


Variansi ( 1X | 2X , 3X , 4X , 5X , 6X ) = 0.380275 Variansi ( 2X | 1X , 3X , 4X , 5X , 6X ) = 0.488404 Variansi ( 3X | 1X , 2X , 4X , 5X , 6X ) = 0.485588 Variansi ( 4X | 1X , 2X , 3X , 5X , 6X ) = 0.234627 Variansi ( 5X | 1X , 2X , 3X , 4X , 6X ) = 1.194239

21

5X̂ = 2.747 + 0.186 1X - 0.024 2X +

0.283 3X - 0.023 4X + 0.221 6X • Regresi 6X


6X̂ = 2.251 – 0.004 1X + 0.198 2X + 0.203 3X + 0.152 4X + 0.121 5X

Variansi ( 6X | 1X , 2X , 3X , 4X , 5X ) = 0.653852

6 Untuk 7 variabel • Regresi 1X terhadap

2X , 3X , 4X , 5X , 6X dan 7X :

1X̂ = 4.615 + 0.171 2X + 0.065 3X -0.194 4X + 0.050 5X - 0.036 6X + 0.296 7X • Regresi 2X terhadap

1X , 3X , 4X , 5X , 6X dan 7X :

2X̂ = 2.283 + 0.229 1X + 0.263 3X -0.144 4X -0.013 5X + 0.130 6X + 0.144 7X • Regresi 3X terhadap

1X , 2X , 4X , 5X , 6X dan 7X :

3X̂ = -0.366 + 0.085 1X + 0.254 2X + 0.334 4X + 0.105 5X + 0.112 6X + 0.286 7X • Regresi 4X terhadap

1X , 2X , 3X , 5X , 6X dan 7X :

4X̂ = 5.029 - 0.118 1X - 0.066 2X + 0.157 3X - 0.009 5X + 0.022 6X + 0.254 7X • Regresi 5X terhadap

1X , 2X , 3X , 4X , 6X dan 7X :

5X̂ = 2.570 - 0.165 1X -0.032 2X + 0.268 3X -0.051 4X + 0.207 6X +

Variansi ( 1X | 2X , 3X , 4X , 5X , 6X , 7X ) = 0.361190 Variansi ( 2X | 1X , 3X , 4X , 5X , 6X , 7X ) = 0.484095 Variansi ( 3X | 1X , 2X , 4X , 5X , 6X , 7X ) = 0.468109 Variansi ( 4X | 1X , 2X , 3X , 5X , 6X , 7X ) = 0.220428 Variansi ( 5X | 1X , 2X , 3X , 4X , 6X , 7X ) = 1.191328

22

0.119 7X • Regresi 6X terhadap

1X , 2X , 3X , 4X , 5X dan 7X

6X̂ = 1.660 - 0.063 1X + 0.169 2X + 0.151 3X -0.063 4X + 0.109 5X + 0.348 7X • Regresi 7X terhadap

1X , 2X , 3X , 4X , 5X dan 6X :

7X̂ = 1.440 + 0.169 1X + 0.061 2X + 0.126 3X -0.238 4X + 0.021 5X + 0.114 6X

Variansi ( 6X | 1X , 2X , 3X , 4X , 5X , 7X ) = 0.6278051 Variansi ( 7X | 1X , 2X , 3X , 4X , 5X , 6X ) = 0.20647458


terhadap 2X , 3X , 4X , 5X , 6X , 7X dan 8X :

1X̂ = 4.545 + 0.167 2X + 0.061 3X - 0.185 4X + 0.050 5X - 0.039 6X + 0.282 7X + 0.027 8X • Regresi 2X

terhadap 1X , 3X , 4X , 5X , 6X , 7X dan

8X :

2X̂ = 1.918 + 0.221 1X + 0.237 3X - 0.100 4X - 0.014 5X + 0.113 6X + 0.071 7X + 0.133 8X • Regresi 3X

terhadap 1X , 2X , 4X , 5X , 6X , 7X dan 8X :

3X̂ = -0.731 + 0.077 1X + 0.228 2X + 0.374 4X + 0.101 5X + 0.092 6X + 0.198 7X + 0.153 8X • Regresi 4X terhadap 1X , 2X , 3X , 5X , 6X , 7X dan 8X

Variansi ( 1X | 2X , 3X , 4X , 5X , 6X , 7X , 8X ) = 0.360857 Variansi ( 2X | 1X , 3X , 4X , 5X , 6X , 7X , 8X ) = 0.475670 Variansi ( 3X | 1X , 2X , 4X , 5X , 6X , 7X , 8X ) = 0.456888 Variansi ( 4X | 1X , 2X , 3X , 5X , 6X , 7X , 8X ) = 0.210733

23

4X̂ = 5.151 – 0.108 1X - 0.044 2X + 0.172 3X - 0.007 5X + 0.037 6X + 0.317 7X - 0.141 8X • Regresi 5X


8X :

5X̂ = 2.491 + 0.164 1X - 0.036 2X + 0.262 3X - 0.041 4X + 0.204 6X + 0.102 7X + 0.032 8X • Regresi 6X


8X :

6X̂ = 1.268 – 0.067 1X + 0.147 2X + 0.125 3X + 0.109 4X + 0.106 5X + 0.264 7X + 0.149 8X • Regresi 7X


8X :

7X̂ = 0.775 + 0.144 1X + 0.027 2X + 0.080 3X + 0.277 4X + 0.016 5X + 0.078 6X + 0.208 8X • Regresi 8X


7X

8X̂ = 2.437 + 0.034 1X + 0.130 2X + 0.156 3X - 0.312 4X + 0.013 5X + 0.113 6X + 0.527 7X

Variansi ( 5X | 1X , 2X , 3X , 4X , 6X , 7X , 8X ) = 1.190851 Variansi ( 6X | 1X , 2X , 3X , 4X , 5X , 7X , 8X ) = 0.617264 Variansi ( 7X | 1X , 2X , 3X , 4X , 5X , 6X , 8X ) = 0.183815 Variansi ( 8X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) = 0.465424


terhadap 2X , 3X , 4X , 5X , 6X , 7X ,

8X dan 9X :

Variansi ( 1X | 2X , 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.36083858

24

1X̂ = 4.601 + 0.167 2X + 0.062 3X -

0.184 4X + 0.050 5X - 0.039 6X + 0.284 7X + 0.026 8X - 0.010 9X • Regresi 2X

terhadap 1X , 3X , 4X , 5X , 6X , 7X ,

8X dan 9X :

2X̂ = 1.883 + 0.221 1X + 0.237 3X - 0.101 4X - 0.014 5X + 0.113 6X + 0.070 7X + 0.134 8X + 0.006 9X • Regresi 3X

terhadap 1X , 2X , 4X , 5X , 6X , 7X ,

8X dan 9X :

3X̂ = -1.786 + 0.077 1X + 0.224 2X + 0.352 4X + 0.095 5X + 0.094 6X + 0.150 7X + 0.163 8X + 0.196 9X • Regresi 4X

terhadap 1X , 2X , 3X , 5X , 6X , 7X ,

8X dan 9X :

4X̂ = 4.612 – 0.107 1X - 0.044 2X + 0.164 3X - 0.009 5X + 0.038 6X + 0.294 7X - 0.134 8X + 0.092 9X • Regresi 5X

terhadap 1X , 2X , 3X , 4X , 6X , 7X ,

8X dan 9X :

5X̂ = 1.772 + 0.164 1X - 0.036 2X + 0.251 3X - 0.052 4X + 0.205 6X + 0.072 7X + 0.040 8X + 0.131 9X • Regresi 6X

terhadap 1X , 2X , 3X , 4X , 5X , 7X ,

8X dan 9X :

6X̂ = 1.537 – 0.067 1X + 0.147 2X + 0.129 3X + 0.113 4X + 0.106 5X + 0.275 7X + 0.146 8X - 0.050 9X

Variansi ( 2X | 1X , 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.4756625 Variansi ( 3X | 1X , 2X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.4498118 Variansi ( 4X | 1X , 2X , 3X , 5X , 6X , 7X , 8X , 9X ) = 0.2091806 Variansi ( 5X | 1X , 2X , 3X , 4X , 6X , 7X , 8X , 9X ) = 1.1877317 Variansi ( 6X | 1X , 2X , 3X , 4X , 5X , 7X , 8X , 9X ) = 0.61681706

25

• Regresi 7X

terhadap 1X , 2X , 3X , 4X , 5X , 6X ,

8X dan 9X :

7X̂ = -0.455 + 0.138 1X + 0.026 2X + 0.058 3X + 0.246 4X + 0.011 5X + 0.078 6X + 0.211 8X + 0.220 9X • Regresi 8X

terhadap 1X , 2X , 3X , 4X , 5X , 6X ,

7X dan 9X :

8X̂ = 3.270 + 0.033 1X + 0.130 2X + 0.167 3X - 0.296 4X + 0.016 5X + 0.109 6X + 0.558 7X - 0.158 9X • Regresi 9X

terhadap 1X , 2X , 3X , 4X , 5X , 6X ,

7X dan 8X :

9X̂ = 5.424 – 0.005 1X + 0.002 2X + 0.079 3X + 0.080 4X + 0.020 5X - 0.015 6X + 0.227 7X - 0.062 8X

Variansi ( 7X | 1X , 2X , 3X , 4X , 5X , 6X , 8X , 9X ) = 0.1746449 Variansi ( 8X | 1X , 2X , 3X , 4X , 5X , 6X , 7X , 9X ) = 0.4608713 Variansi ( 9X | 1X , 2X , 3X , 4X , 5X , 6X , 7X , 9X ) = 0.180536979

Dari Tabel 4.1 dapat dilihat persamaan regresi dan variansi residu. Persamaan regresi 5X terhadap 1X , 2X , 3X , 4X , 6X , 7X , 8X dan 9X adalah:

5X̂ = 1.772 + 0.164 1X - 0.036 2X + 0.251 3X - 0.052 4X + 0.205 6X + 0.072 7X + 0.040 8X + 0.131 9X . Demikian juga persamaan regresi 7X terhadap 1X , 2X , 3X , 4X , 5X , 6X , 8X dan

9X adalah:

7X̂ = -0.455 + 0.138 1X + 0.026 2X + 0.058 3X + 0.246 4X + 0.011 5X + 0.078 6X + 0.211 8X + 0.220 9X Untuk kasus 9 variabel seperti yang diperlihatkan pada Tabel 4.1 diatas terlihat bahwa nilai variansi residu yang disusun dari yang terbesar hingga terkecil, berturut – turut adalah: 1) Var ( 5X | 1X , 2X , 3X , 4X , 6X , 7X , 8X , 9X ) = 1.1877317, 2) Var ( 6X | 1X , 2X , 3X , 4X , 5X , 7X , 8X , 9X ) = 0.61681706,

26

3) Var ( 2X | 1X , 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.4756625, 4) Var ( 8X | 1X , 2X , 3X , 4X , 5X , 6X , 7X , 9X ) = 0.4608713, 5) Var ( 3X | 1X , 2X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.4498118, 6) Var ( 1X | 2X , 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.36083858, 7) Var ( 4X | 1X , 2X , 3X , 5X , 6X , 7X , 8X , 9X ) = 0.2091806, 8) Var ( 9X | 1X , 2X , 3X , 4X , 5X , 6X , 7X , 9X ) = 0.180536979 9) Var ( 7X | 1X , 2X , 3X , 4X , 5X , 6X , 8X , 9X ) = 0.1746449. Jadi, 5X lebih sukar diprediksi oleh variabel – variabel lainnya ketimbang 7X bila diprediksi oleh semua variabel lainnya. Analisa seperti ini dapat dipakai untuk merumuskan langkah - langkah manajemen sekolah menentukan kebijakan yang akan diterapkan tahun berikutnya. Analisa berikutnya secara berturut – turut sebagai berikut : Var ( 1X | 2X ) = 0.39481991 Var ( 1X | 2X , 3X ) = 0.3886544 Var ( 1X | 2X , 3X , 4X ) = 0.384575 Var ( 1X | 2X , 3X , 4X , 5X ) = 0.380278 Var ( 1X | 2X , 3X , 4X , 5X , 6X ) = 0.380275 Var ( 1X | 2X , 3X , 4X , 5X , 6X , 7X ) = 0.361190 Var ( 1X | 2X , 3X , 4X , 5X , 6X , 7X , 8X ) = 0.360857 Var ( 1X | 2X , 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.36083858, dari hasil nilai variansi residu maka diperoleh: 0.39481991 ≥ 0.3886544 ≥ 0.384575 ≥ 0.380278 ≥ 0.380275 ≥ 0.361190 ≥ 0.360857 ≥ 0.36083858, sehingga dapat disimpulkan bahwa : • Jika prediktornya semakin banyak maka nilai variansi residunya semakin kecil

dan sebaliknya jika prediktornya semakin sedikit maka nilai variansi residunya semakin besar.

• Penambahan variabel tidak mempengaruhi perubahan nilai variansi residu secara signifikan, melainkan perubahannya bersifat konstan, hanya pada penambahan prediktor 7X menyebabkan nilai variansi residu sedikit turun lebih tajam yakni sebesar 0.019085 jika dibanding perubahan yang lain sangat kecil.

Cara perhitungannya ditunjukkan pada Lampiran 2 dan hanya diberikan satu contoh saja untuk tiap tingkat.

4.3.2 Kasus 9 variabel analisa elemen non diagonal mata uji teori : Yang termasuk mata uji teori adalah sebagai berikut :

1X = Nilai mata uji PPKN

27

2X = Nilai mata uji Agama 3X = Nilai mata uji B. Indonesia 4X = Nilai mata uji Sejarah 5X = Nilai mata uji Matematika 6X = Nilai mata uji B. Inggris 7X = Nilai mata uji Kewirausahaan 8X = Nilai mata uji Ekonomi 9X = Nilai mata uji Komputer

Tabel 4.2 Korelasi residu No Persamaan Regresi Korelasi Residu 1. Dua variabel 1X dan 2X

Variansi ( 1X ) = 0.433763 Variansi ( 2X ) = 0.6230625 Kovariansi ( 1X , 2X ) = 0.155768 Korelasi antara ( 1X ) dan ( 2X ) = 0.299631 Nilai 2112 tt = = -0.29963 Jadi korelasi antara ( 1X ) dan ( 2X ) = -

12t = 21t−

2. Tiga variabel • Regresi 1X terhadap 3X :



1X̂ = 5.345 + 0.250 2X

Variansi residu ( 1X | 3X ) = 0.412261 Variansi residu ( 2X | 3X ) = 0.535887 Kovariansi residu ( 1X , 2X | 3X ) = 0.112473 Korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = 0.239291 Nilai elemen 2112 tt = pada matriks T = -0.239291 Jadi korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = - 2112 tt −= Variansi residu ( 1X | 2X ) = 0.394820 Variansi residu ( 3X | 2X ) = 0.594598

28




3X̂ = 5.630 + 0.281 1X

Kovariansi residu ( 1X , 3X | 2X ) = 0.060548 Korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = 0.124964 Nilai elemen 3113 tt = pada matriks T = -0.124964 Jadi korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = - 2112 tt −= Variansi residu ( 2X | 1X ) = 0.567125 Variansi residu ( 3X | 1X ) = 0.657055 Kovariansi residu ( 2X , 3X | 1X ) = 0.201709 Korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = 0.330435 Nilai elemen 3223 tt = pada matriks T = -0.33 Jadi korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = - 3223 tt −=

3 Empat variabel • Regresi 1X terhadap 3X dan 4X :

1X̂ = 6.507+ 0.206 3X - 0.157 4X • Regresi 2X terhadap 3X dan 4X :

2X̂ = 4.680+ 0.380 3X - 0.133 4X • Regresi 3X terhadap 1X dan 2X :

Variansi residu ( 1X | 3X , 4X ) = 0.406287 Variansi residu ( 2X | 3X , 4X ) = 0.531645 Kovariansi residu ( 1X , 2X | 3X , 4X ) = 0.1074397 Korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = 0.231173 Nilai elemen 2112 tt = pada matriks T = -0.231173 Jadi korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = - 2112 tt −= Variansi residu ( 3X | 1X , 2X ) = 0.585313

29

3X̂ = 4.151+ 0.153 1X + 0.356 2X


4X̂ = 6.814 – 0.047 1X + 0.034 2X

Variansi residu ( 4X | 1X , 2X ) = 0.263678 Kovariansi residu ( 3X , 4X | 1X , 2X ) = 0.1258968 Korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = 0.3204674 Nilai elemen 4334 tt = pada matriks T = -0.3204674 Jadi korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = - 4334 tt −=

4 Lima variabel • Regresi 1X terhadap 2X , 3X dan 4X :

1X̂ = 5.561 + 0.202 2X + 0.129 3X - 0.131 4X • Regresi 5X terhadap 2X , 3X dan 4X :

5X̂ = 4.391 + 0.058 2X + 0.362 3X - 0.014 4X • Regresi 4X terhadap 1X , 2X dan 3X :

4X̂ = 5.921 – 0.080 1X - 0.043 2X + 0.215

3X • Regresi 5X terhadap 1X , 2X dan 3X :

Variansi residu ( 1X | 432 ,, XXX ) = 0.38457473 Variansi residu ( 5X | 432 ,, XXX ) = 1.24102783 Kovariansi residu ( 1X , 5X | 432 ,, XXX ) = 0.0730242 Korelasi antara residu ( 1X | 432 ,, XXX ) dan residu ( 5X | 432 ,, XXX ) = 0.1057026 Nilai elemen 5115 tt = pada matriks T = -0.1057026 Jadi korelasi antara residu ( 1X | 432 ,, XXX ) dan residu ( 5X | 432 ,, XXX ) = - 5115 tt −= Variansi residu ( 4X | 1X , 2X , 3X ) = 0.23659841 Variansi residu ( 5X | 1X , 2X , 3X ) = 1.2271899 Kovariansi residu ( 4X , 5X | 1X , 2X , 3X ) = 0.00257963

30

5X̂ = 3.400 + 0.189 1X + 0.019 2X +

0.339 3X

Korelasi antara residu ( 4X | 1X , 2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = 0.00478735 Nilai elemen 5445 tt = pada matriks T = -0.0047874 Jadi korelasi antara residu ( 4X | 1X , 2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = - 5445 tt −=

5 Enam variabel • Regresi 1X

terhadap 2X , 3X , 5X dan 6X :

1X̂ = 4.612 + 0.208 2X + 0.083 3X + 0.060 5X - 0.009 6X • Regresi 4X

terhadap 2X , 3X , 5X dan 6X

4X̂ = 5.375 – 0.070 2X + 0.195 3X - 0.009 5X +0.055 6X • Regresi 4X


4X̂ = 5.914 – 0.081 1X - 0.043 2X + 0.214 3X + 0.002 5X • Regresi 6X


6X̂ = 3.151 – 0.016 1X + 0.192 2X + 0.235 3X + 0.235 5X

Variansi residu ( 1X | 2X , 3X , 5X , 6X ) = 0.384249 Variansi residu ( 4X | 2X , 3X , 5X , 6X ) = 0.237079 Kovariansi residu ( 1X , 4X | 2X , 3X , 5X , 6X ) = -0.030695 Korelasi antara residu ( 1X | 2X , 3X , 5X , 6X ) dan residu ( 4X | 2X , 3X , 5X , 6X ) = -0.101698 Nilai elemen 4114 tt = pada matriks T = 0.101698 Jadi korelasi antara residu ( 1X | 2X , 3X , 5X , 6X ) dan residu ( 4X | 2X , 3X , 5X , 6X ) = - 4114 tt −= Variansi residu ( 4X | 1X , 2X , 3X , 5X ) = 0.236593 Variansi residu ( 6X | 1X , 2X , 3X , 5X ) = 0.6593311 Kovariansi residu ( 4X , 6X | 1X , 2X , 3X , 5X ) = 0.0360052 Korelasi antara residu ( 4X | 1X , 2X , 3X , 5X ) dan residu ( 6X | 1X , 2X , 3X , 5X ) = 0.0911617

31

Nilai elemen 6446 tt = pada matriks T = -0.0911617 Jadi korelasi antara residu ( 4X | 1X , 2X , 3X , 5X ) dan residu ( 6X | 1X , 2X , 3X , 5X ) = - 6446 tt −=

6 Tujuh variabel • Regresi 1X


1X̂ = 5.209 + 0.115 3X - 0.227 4X + 0.050 5X - 0.014 6X + 0.334 7X • Regresi 2X


2X̂ = 3.477 + 0.289 3X - 0.196 4X - 0.001 5X + 0.127 6X + 0.220 7X • Regresi 6X terhadap 1X , 2X , 3X , 4X dan 5X :

6X̂ = 2.251 – 0.004 1X + 0.198 2X + 0.203 3X + 0.152 4X + 0.121 5X • Regresi 7X


7X̂ = 1.698 + 0.169 1X + 0.084 2X + 0.149 3X + 0.256 4X + 0.034 5X

Variansi residu ( 1X | 3X , 4X , 5X , 6X , 7X ) = 0.37590881 Variansi residu ( 2X | 3X , 4X , 5X , 6X , 7X ) = 0.503823 Kovariansi residu ( 1X , 2X | 3X , 4X , 5X , 6X , 7X ) = 0.086115 Korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X ) = 0.197878 Nilai elemen 2112 tt = pada matriks T = -0.197878 Jadi korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X ) = -

2112 tt −= Variansi residu ( 6X | 1X , 2X , 3X , 4X , 5X ) = 0.6538518 Variansi residu ( 7X | 1X , 2X , 3X , 4X , 5X ) = 0.21504091 Kovariansi residu ( 6X , 7X | 1X , 2X , 3X , 4X , 5X ) = 0.0748406 Korelasi antara residu ( 6X | 1X , 2X , 3X , 4X , 5X ) dan residu ( 7X | 1X , 2X , 3X , 4X , 5X ) = 0.1995892

32

Nilai elemen 7667 tt = pada matriks T = -0.1995892 Jadi korelasi antara residu ( 6X | 1X , 2X , 3X , 4X , 5X ) dan residu ( 7X | 1X , 2X , 3X , 4X , 5X ) =-

7667 tt −=

7 Delapan variabel • Regresi 1X

terhadap 3X , 4X , 5X , 6X , 7X dan 8X :

1X̂ = 5.053 + 0.105 3X - 0.209 4X + 0.049 5X - 0.021 6X + 0.305 7X + 0.051 8X • Regresi 2X


2X̂ = 3.033 + 0.260 3X - 0.146 4X - 0.004 5X + 0.108 6X + 0.138 7X + 0.145 8X • Regresi 7X


7X̂ = 1.440 + 0.169 1X + 0.061 2X + 0.126 3X + 0.238 4X + 0.021 5X + 0.114 6X

• Regresi 8X terhadap 1X , 2X , 3X , 4X , 5X dan 6X :

Variansi residu ( 1X | 3X , 4X , 5X , 6X , 7X , 8X ) = 0.3746778 Variansi residu ( 2X | 3X , 4X , 5X , 6X , 7X , 8X ) = 0.4938875 Kovariansi residu ( 1X , 2X | 3X , 4X , 5X , 6X , 7X , 8X ) = 0.0826176 Korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X , 8X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X , 8X ) = 0.1920567 Nilai elemen 2112 tt = pada matriks T = -0.1920567 Jadi korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X , 8X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X , 8X ) = - 2112 tt −= Variansi residu ( 7X | 1X , 2X , 3X , 4X , 5X , 6X ) = 0.2064746 Variansi residu ( 8X | 1X , 2X , 3X , 4X , 5X , 6X ) = 0.5227977 Kovariansi residu ( 7X , 8X | 1X , 2X , 3X , 4X , 5X , 6X ) = 0.1088406

33

8X̂ = 3.196 + 0.124 1X + 0.163 2X +

0.226 3X - 0.186 4X + 0.023 5X + 0.173 6X

Korelasi antara residu ( 7X | 1X , 2X , 3X , 4X , 5X , 6X ) dan residu ( 8X | 1X , 2X , 3X , 4X , 5X , 6X ) = 0.3312765 Nilai elemen 8778 tt = pada matriks T = -0.3312765 Jadi korelasi antara residu ( 7X | 1X , 2X , 3X , 4X , 5X , 6X ) dan residu ( 8X | 1X , 2X , 3X , 4X , 5X , 6X ) = - 8778 tt −=

8 Sembilan variabel • Regresi 1X


9X :

1X̂ = 5.104 + 0.105 3X - 0.209 4X + 0.049 5X - 0.021 6X + 0.307 7X + 0.050 8X - 0.010 9X • Regresi 2X


9X :

2X̂ = 3.009 + 0.260 3X - 0.147 4X - 0.004 5X + 0.108 6X + 0.137 7X + 0.145 8X + 0.004 9X • Regresi 8X


7X :

Variansi residu ( 1X | 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.3746614 Variansi residu ( 2X | 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.493884 Kovariansi residu ( 1X , 2X | 3X , 4X , 5X , 6X , 7X ,

8X , 9X ) = 0.082625 Korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X , 8X , 9X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = 0.192079 Nilai elemen 2112 tt = pada matriks T = -0.192079 Jadi korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X , 8X , 9X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X , 8X , 9X ) = - 2112 tt −= Variansi residu ( 8X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) = 0.46542237

34

8X̂ = 2.437 + 0.034 1X + 0.130 2X +

0.156 3X - 0.312 4X + 0.013 5X + 0.113 6X + 0.527 7X • Regresi 9X


7X :

9X̂ = 5.273 – 0.007 1X - 0.006 2X + 0.069 3X +0.099 4X + 0.019 5X - 0.022 6X + 0.194 7X

Variansi residu ( 9X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) = 0.182320 Kovariansi residu ( 8X , 9X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) = 0.082625 Korelasi antara residu ( 8X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) dan residu ( 9X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) = 0.192079 Nilai elemen 9889 tt = pada matriks T = -0.192079 Jadi korelasi antara residu ( 8X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) dan residu ( 9X | 1X , 2X , 3X , 4X , 5X , 6X , 7X ) = - 9889 tt −=

Cara perhitungannya ditunjukkan pada Lampiran 3 dan hanya diberikan satu contoh saja untuk setiap tingkat. 4.3.3 Kasus tujuh variabel elemen diagonal mata uji praktik Yang termasuk mata uji praktik adalah sebagai berikut :

1X = Nilai mata uji Agama 2X = Nilai mata uji B. Indonesia 3X = Nilai mata uji Pendidikan Jasmani 4X = Nilai mata uji B. Inggris 5X = Nilai mata uji Kewirausahaan 6X = Nilai mata uji Komputer 7X = Nilai mata uji Produktif

Tabel 4.3 Variansi residu No Persamaan Regresi Variansi Residu 1. Dua variabel


Variansi ( 1X | 2X ) = 0.316107

35

1X̂ = 7.2953 + 0.0856 2X • Regresi 2X terhadap 1X

2X̂ = 7.12118 + 0.1067 1X :

Variansi ( 2X | 1X ) = 0.394116

2 Tiga variabel • Regresi 1X terhadap 2X dan 3X :


2X̂ = 8.506 + 0.114 1X - 0.189 3X • Regresi 3X terhadap 1X dan 2X :

3X̂ = 7.569 + 0.043 1X - 0.036 2X

Variansi ( 1X | 2X , 3X ) = 0.313657 Variansi ( 2X | 1X , 3X ) = 0.391434 Variansi ( 3X | 1X , 2X ) = 0.074375

3 Empat variabel • Regresi 1X terhadap 2X , 3X dan

4X :


4X :

2X̂ = 5.706 + 0.061 1X - 0.181 3X + 0.470 4X • Regresi 3X terhadap 1X , 2X dan

4X :

3X̂ = 7.524 + 0.042 1X - 0.038 2X + 0.010 4X • Regresi 4X terhadap 1X , 2X dan

3X :

4X̂ = 4.243 + 0.091 1X + 0.202 2X + 0.021 3X


4. Lima variabel • Regresi 1X terhadap

2X , 3X , 4X dan 5X :

Variansi ( 1X | 2X , 3X , 4X , 5X ) = 0.294861

36

1X̂ = 3.629 + 0.034 2X + 0.146 3X +

0.146 4X + 0.233 5X • Regresi 2X terhadap

1X , 3X , 4X dan 5X :

2X̂ = 5.172 + 0.041 1X - 0.189 3X + 0.455 4X + 0.101 5X • Regresi 3X terhadap

1X , 2X , 4X dan 5X :

3X̂ = 7.371 + 0.037 1X - 0.040 2X + 0.007 4X + 0.027 5X • Regresi 4X terhadap

1X , 2X , 3X dan 5X :

4X̂ = 3.845 + 0.076 1X + 0.195 2X + 0.015 3X + 0.074 5X • Regresi 5X terhadap

1X , 2X , 3X dan 4X :

5X̂ = 4.908 + 0.189 1X + 0.068 2X + 0.088 3X + 0.116 4X

Variansi ( 2X | 1X , 3X , 4X , 5X ) = 0.351838 Variansi ( 3X | 1X , 2X , 4X , 5X ) = 0.074178 Variansi ( 4X | 1X , 2X , 3X , 5X ) = 0.151144 Variansi ( 5X | 1X , 2X , 3X , 4X ) = 0.238854

5. Enam variabel • Regresi 1X terhadap

2X , 3X , 4X , 5X dan 6X :

1X̂ = 2.911 + 0.029 2X + 0.154 3X + 0.135 4X + 0.233 5X + 0.097 6X • Regresi 2X terhadap

1X , 3X , 4X , 5X dan 6X :

2X̂ = 2.888 + 0.034 1X - 0.159 3X + 0.406 4X + 0.102 5X + 0.300 6X • Regresi 3X terhadap

1X , 2X , 4X , 5X dan 6X :

3X̂ = 2.888 + 0.034 1X - 0.159 2X +

Variansi ( 1X | 2X , 3X , 4X , 5X , 6X ) = 0.294291 Variansi ( 2X | 1X , 3X , 4X , 5X , 6X ) = 0.346300 Variansi ( 3X | 1X , 2X , 4X , 5X , 6X ) = 0.073439

37

0.406 4X + 0.102 5X + 0.300 6X • Regresi 4X terhadap

1X , 2X , 3X , 5X dan 6X :

4X̂ = 1.253 + 0.066 1X + 0.169 2X + 0.044 3X + 0.073 5X + 0.329 6X • Regresi 5X terhadap

1X , 2X , 3X , 4X dan 6X :

5X̂ = 5.182 + 0.189 1X + 0.070 2X + 0.085 3X + 0.122 4X - 0.038 6X • Regresi 6X terhadap

1X , 2X , 3X , 4X dan 5X :

6X̂ = 7.343 + 0.020 1X + 0.052 2X - 0.091 3X + 0.138 4X - 0.010 5X

Variansi ( 4X | 1X , 2X , 3X , 5X , 6X ) = 0.144263 Variansi ( 5X | 1X , 2X , 3X , 4X , 6X ) = 0.238769 Variansi ( 6X | 1X , 2X , 3X , 4X , 5X ) = 0.060606

7. Tujuh variabel • Regresi 1X terhadap

2X , 3X , 4X , 5X , 6X dan 7X :

1X̂ = 1.963 + 0.027 2X + 0.139 3X + 0.133 4X + 0.227 5X + 0.073 6X + 0.162 7X • Regresi 2X terhadap

1X , 3X , 4X , 5X , 6X dan 7X :

2X̂ = 1.906 + 0.032 1X - 0.174 3X + 0.404 4X + 0.096 5X + 0.275 6X + 0.168 7X • Regresi 3X terhadap

1X , 2X , 4X , 5X , 6X dan 7X :

3X̂ = 6.500 + 0.034 1X - 0.036 2X + 0.019 4X + 0.017 5X - 0.143 6X + 0.244 7X • Regresi 4X terhadap

1X , 2X , 3X , 5X , 6X dan 7X :

Variansi ( 1X | 2X , 3X , 4X , 5X , 6X , 7X ) = 0.293579 Variansi ( 2X | 1X , 3X , 4X , 5X , 6X , 7X ) = 0.345535 Variansi ( 3X | 1X , 2X , 4X , 5X , 6X , 7X ) = 0.071781 Variansi ( 4X | 1X , 2X , 3X , 5X , 6X , 7X ) = 0.144194

38

4X̂ = 0.960 + 0.065 1X + 0.168 2X + 0.039 3X + 0.072 5X + 0.322 6X + 0.050 7X • Regresi 5X terhadap

1X , 2X , 3X , 4X , 6X dan 7X :

5X̂ = 3.301 + 0.183 1X + 0.065 2X + 0.055 3X + 0.117 4X - 0.083 6X + 0.313 7X • Regresi 6X terhadap

1X , 2X , 3X , 4X , 5X 6X dan 7X :

6X̂ = 5.187 + 0.014 1X + 0.046 2X - 0.115 3X + 0.129 4X - 0.020 5X + 0.313 7X • Regresi 7X terhadap

1X , 2X , 3X , 4X , 5X dan 6X :

7X̂ = 5.820 + 0.015 1X + 0.013 2X - 0.092 3X + 0.009 4X + 0.036 5X + 0.147 6X

Variansi ( 5X | 1X , 2X , 3X , 4X , 6X , 7X ) = 0.236072 Variansi ( 6X | 1X , 2X , 3X , 4X , 5X , 7X ) = 0.057822 Variansi ( 7X | 1X , 2X , 3X , 4X , 5X , 6X ) = 0.027180

Dari Tabel 4.3 dapat dilihat persamaan regresi dan variansi residu Persamaan regresi 2X terhadap 1X , 3X , 4X , 5X , 6X dan 7X adalah :

2X̂ = 1.906 + 0.032 1X - 0.174 3X + 0.404 4X + 0.096 5X + 0.275 6X + 0.168 7X . Demikian juga persamaan regresi 7X terhadap 1X , 2X , 3X , 4X , 5X dan 6X adalah :

7X̂ = 5.820 + 0.015 1X + 0.013 2X - 0.092 3X + 0.009 4X + 0.036 5X + 0.147 6X Untuk kasus 7 variabel seperti yang diperlihatkan pada Tabel 4.3 diatas terlihat bahwa nilai variansi residu yang disusun dari yang terbesar hingga terkecil, berturut – turut adalah: 1). Var ( 2X | 1X , 3X , 4X , 5X , 6X , 7X ) = 0.345535, 2). Var ( 1X | 2X , 3X , 4X , 5X , 6X , 7X ) = 0.293579, 3). Var ( 5X | 1X , 2X , 3X , 4X , 6X , 7X ) = 0.236072, 4). Var ( 4X | 1X , 2X , 3X , 5X , 6X , 7X ) = 0.144194, 5). Var ( 3X | 1X , 2X , 4X , 5X , 6X , 7X ) = 0.071781,

39

6). Var ( 6X | 1X , 2X , 3X , 4X , 5X , 7X ) = 0.057822, 7). Var ( 7X | 1X , 2X , 3X , 4X , 5X , 6X ) = 0.027180. Jadi, 2X lebih sukar diprediksi oleh variabel – variabel lainnya ketimbang 7X bila diprediksi oleh semua variabel lainnya. Analisa seperti ini dapat dipakai untuk merumuskan langkah - langkah manajemen sekolah menentukan kebijakan yang akan diterapkan tahun berikutnya. Analisa berikutnya secara berturut – turut sebagai berikut : Var ( 1X | 2X ) = 0.316107 Var ( 1X | 2X , 3X ) = 0.313657 Var ( 1X | 2X , 3X , 4X ) = 0.308414 Var ( 1X | 2X , 3X , 4X , 5X ) = 0.294861 Var ( 1X | 2X , 3X , 4X , 5X , 6X ) = 0.294291 Var ( 1X | 2X , 3X , 4X , 5X , 6X , 7X ) = 0.293579, dari hasil nilai variansi residu maka diperoleh: 0.316107 ≥ 0.313657 ≥ 0.308414 ≥ 0.294861 ≥ 0.294291 ≥ 0.293579, sehingga dapat disimpulkan bahwa : • Jika prediktornya semakin banyak maka nilai variansi residunya semakin kecil


• Penambahan variabel tidak mempengaruhi perubahan nilai variansi residu secara signifikan, melainkan perubahannya bersifat konstan, hanya pada penambahan prediktor 5X menyebabkan nilai variansi residu sedikit turun lebih tajam yakni sebesar 0.013553 jika dibanding perubahan yang lain sangat kecil.

Cara perhitungannya ditunjukkan pada Lampiran 4 dan hanya diberikan satu contoh saja untuk setiap tingkat. 4.3.4 Kasus tujuh variabel elemen non diagonal mata uji praktik Yang termasuk mata uji praktik adalah sebagai berikut :

1X = Nilai mata uji Agama 2X = Nilai mata uji B. Indonesia 3X = Nilai mata uji Pendidikan Jasmani 4X = Nilai mata uji B. Inggris 5X = Nilai mata uji Kewirausahaan 6X = Nilai mata uji Komputer 7X = Nilai mata uji Produktif

Tabel 4.4 Korelasi residu

40

No. Persamaan Regresi Korelasi Residu 1 Dua variabel 1X dan 2X

Variansi ( 1X ) = 0.319018 Variansi ( 2X ) = 0.397746 Kovariansi ( 1X , 2X ) = 0.034028 Korelasi antara ( 1X ) dan ( 2X ) = 0.095526 Nilai 2112 tt = = - 0.095526 Jadi korelasi antara ( 1X ) dan ( 2X ) = - 12t = 21t−



2X̂ = 9.272 – 0.170 3X • Regresi 1X terhadap 2X :


3X̂ = 7.882 – 0.032 2X

Variansi residu ( 1X | 3X ) = 0.316961 Variansi residu ( 2X | 3X ) = 0.395557 Kovariansi residu ( 1X , 2X | 3X ) = 0.036150 Korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = 0.102093 Nilai elemen 2112 tt = pada matriks T = -0.102093 Jadi korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = -

2112 tt −= Variansi residu ( 1X | 2X ) = 0.316107 Variansi residu ( 3X | 2X ) = 0.074955Kovariansi residu ( 1X , 3X | 2X ) = 0.013551 Korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = 0.088035 Nilai elemen 3113 tt = pada matriks T = -0.088035

41



3X̂ = 7.313 + 0.039 1X

Jadi korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = -

2112 tt −= Variansi residu ( 2X | 1X ) = 0.394116 Variansi residu ( 3X | 1X )= 0.074884 Kovariansi residu ( 2X , 3X | 1X ) = - 0.014173 Korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = - 0.082499 Nilai elemen 3223 tt = pada matriks T = 0.082499 Jadi korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = -

3223 tt −=

3. Empat variabel • Regresi 1X terhadap 3X dan 4X :

1X̂ = 5.310+ 0.165 3X + 0.209 4X • Regresi 2X terhadap 3X dan 4X :

2X̂ = 6.027- 0.171 3X + 0.482 4X • Regresi 3X terhadap 1X dan 2X :

3X̂ = 7.569+ 0.043 1X - 0.036 2X

Variansi residu ( 1X | 3X , 4X ) = 0.309401 Variansi residu ( 2X | 3X , 4X ) = 0.355416 Kovariansi residu ( 1X , 2X | 3X , 4X ) = 0.018730 Korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = 0.056483 Nilai elemen 2112 tt = pada matriks T = -0.056483 Jadi korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = - 2112 tt −= Variansi residu ( 3X | 1X , 2X ) = 0.074375

42


4X̂ = 4.405 + 0.092 1X + 0.201 2X

Variansi residu ( 4X | 1X , 2X ) = 0.152486 Kovariansi residu ( 3X , 4X | 1X , 2X ) = 0.001585 Korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = 0.014885 Nilai elemen 4334 tt = pada matriks T = - 0.014885 Jadi korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = - 4334 tt −=

4. Lima variabel • Regresi 1X terhadap 2X , 3X dan 4X :

1X̂ = 4.992 + 0.053 2X + 0.174 3X + 0.184 4X • Regresi 5X terhadap 2X , 3X dan 4X :

5X̂ = 5.850 + 0.078 2X + 0.121 3X + 0.151


4X̂ = 4.243 + 0.091 1X + 0.202 2X + 0.021


Variansi residu ( 1X | 2X , 3X , 4X ) = 0.308414 Variansi residu ( 5X | 2X , 3X , 4X ) = 0.249833 Kovariansi residu ( 1X , 5X | 2X , 3X , 4X ) = 0.058189 Korelasi antara residu ( 1X | 2X , 3X , 4X ) dan residu ( 5X | 2X , 3X , 4X ) = 0.2096283 Nilai elemen 5115 tt = pada matriks T = -0.2096283 Jadi korelasi antara residu ( 1X | 2X , 3X , 4X ) dan residu ( 5X | 2X , 3X , 4X ) = - 5115 tt −= Variansi residu ( 4X | 1X , 2X , 3X ) = 0.152452 Variansi residu ( 4X , 5X | 1X , 2X , 3X ) = 0.240922 Kovariansi residu ( 5X | 1X , 2X , 3X ) = 0.017753

43

5X̂ = 5.403 + 0.199 1X + 0.092 2X + 0.091

3X

Korelasi antara residu ( 4X | 1X , 2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = 0.0926311 Nilai elemen 5445 tt = pada matriks T = -0.0926311 Jadi korelasi antara residu ( 4X | 1X , 2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = - 5445 tt −=

5. Enam variabel • Regresi 1X


1X̂ = 3.108 + 0.053 2X + 0.162 3X + 0.245 5X + 0.143 6X • Regresi 4X


4X̂ = 1.459 + 0.173 2X + 0.055 3X + 0.090 5X + 0.339 6X • Regresi 4X terhadap 1X ,

2X , 3X dan 5X :

4X̂ = 3.845 + 0.076 1X + 0.195 2X + 0.015 3X + 0.074 5X • Regresi 6X terhadap 1X , 2X , 3X dan 5X :

6X̂ = 7.875 + 0.030 1X + 0.079 2X -

Variansi residu ( 1X | 2X , 3X , 5X , 6X ) = 0.296944 Variansi residu ( 4X | 2X , 3X , 5X , 6X ) = 0.145563 Kovariansi residu ( 1X , 4X | 2X , 3X , 5X , 6X ) = 0.019650 Korelasi antara residu ( 1X | 2X , 3X , 5X , 6X ) dan residu ( 4X | 2X , 3X , 5X , 6X ) = 0.094515 Nilai elemen 4114 tt = pada matriks T = -0.094515 Jadi korelasi antara residu ( 1X | 2X , 3X , 5X , 6X ) dan residu ( 4X | 2X , 3X , 5X , 6X ) = -

4114 tt −= Variansi residu ( 4X | 1X ,

2X , 3X , 5X ) = 0.151144 Variansi residu ( 6X | 1X ,

2X , 3X , 5X ) = 0.063496 Kovariansi residu ( 4X , 6X | 1X , 2X , 3X , 5X ) = 0.020902

44

0.089 3X + 0.001 5X

Korelasi antara residu ( 4X | 1X , 2X , 3X , 5X ) dan residu ( 6X | 1X , 2X , 3X , 5X ) = 0.213363 Nilai elemen 6446 tt = pada matriks T = -0.213363 Jadi korelasi antara residu ( 4X | 1X , 2X , 3X , 5X ) dan residu ( 6X | 1X , 2X , 3X , 5X ) = -

6446 tt −= 6

Tujuh variabel • Regresi 1X


1X̂ = 2.016 + 0.134 3X + 0.144 4X + 0.230 5X + 0.080 6X + 0.166 7X • Regresi 2X


2X̂ = 1.970 – 0.170 3X - 0.408 4X + 0.103 5X + 0.277 6X + 0.173 7X • Regresi 6X


6X̂ = 7.343 + 0.020 1X + 0.052 2X - 0.091 3X + 0.138 4X - 0.010 5X

Variansi residu ( 1X | 3X , 4X , 5X , 6X , 7X ) = 0.293832 Variansi residu ( 2X | 3X , 4X , 5X , 6X , 7X ) = 0.345834 Kovariansi residu ( 1X , 2X | 3X , 4X , 5X , 6X , 7X ) = 0.009368 Korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X ) = 0.029388 Nilai elemen 2112 tt = pada matriks T = -0.029388 Jadi korelasi antara residu ( 1X | 3X , 4X , 5X , 6X , 7X ) dan residu ( 2X | 3X , 4X , 5X , 6X , 7X ) = - 2112 tt −= Variansi residu ( 6X | 1X , 2X , 3X , 4X , 5X ) = 0.060606 Variansi residu ( 7X | 1X , 2X , 3X , 4X , 5X ) = 0.028488

45

• Regresi 7X


7X̂ = 6.899 + 0.018 1X + 0.021 2X + 0.079 3X + 0.030 4X + 0.035 5X

Kovariansi residu ( 6X , 7X | 1X , 2X , 3X , 4X , 5X ) = 0.008905 Korelasi antara residu ( 6X | 1X , 2X , 3X , 4X , 5X ) dan residu ( 7X | 1X , 2X , 3X , 4X , 5X ) = 0.214318 Nilai elemen 7667 tt = pada matriks T = -0.214318 Jadi korelasi antara residu ( 6X | 1X , 2X , 3X , 4X , 5X ) dan residu ( 7X | 1X , 2X , 3X , 4X , 5X ) = - 7667 tt −=

Cara perhitungannya ditunjukkan pada Lampiran 5 dan hanya diberikan satu contoh saja untuk setiap tingkat. 4.3.5 Kasus lima variabel mata uji teori yang ada praktiknya untuk elemen diagonal Mata uji teori yang ada praktiknya sebagai berikut : 1X = Nilai mata uji Agama

2X = Nilai mata uji B. Indonesia 3X = Nilai mata uji B. Inggris 4X = Nilai mata uji Kewirausahaan

5X = Nilai mata uji Komputer Tabel 4.5 Variansi residu No. Persamaan Regresi Variansi Residu 1. Dua variabel



2X̂ = 4.971 + 0.394 1X


2. Tiga variabel • Regresi 1X terhadap 2X dan

3X :

Variansi ( 1X | 2X , 3X ) = 0.520178

46

1X̂ = 3.321 + 0.303 2X + 0.150 3X

• Regresi 2X terhadap 1X dan

3X :

2X̂ = 3.838 + 0.325 1X + 0.228 3X • Regresi 3X terhadap 1X dan

2X :

3X̂ = 3.597 + 0.195 1X + 0.277 2X

Variansi ( 2X | 1X , 3X ) = 0.557060 Variansi ( 3X | 1X , 2X ) = 0.677471

3 Empat variabel • Regresi 1X terhadap 2X ,

3X dan 4X :

1X̂ = 2.626 + 0.264 2X + 0.124 3X + 0.180 4X : • Regresi 2X terhadap 1X ,

3X dan 4X :

2X̂ = 1.953 + 0.262 1X + 0.151 3X + 0.433 4X • Regresi 3X terhadap 1X ,

2X dan 4X :

3X̂ = 2.082 + 0.156 1X + 0.191 2X + 0.372 4X • Regresi 4X terhadap 1X ,

2X dan 3X :

4X̂ = 3.601 + 0.080 1X + 0.195 2X + 0.132 3X


4. Lima variabel • Regresi 1X terhadap 2X ,

3X , 4X dan 5X :

1X̂ = 2.873 + 0.267 2X + 0.123 3X + 0.189 4X - 0.043 5X • Regresi 2X terhadap 1X ,

3X , 4X dan 5X :

Variansi ( 1X | 2X , 3X , 4X , 5X ) = 0.512318 Variansi ( 2X | 1X , 3X , 4X , 5X ) = 0.499185

47

2X̂ = 0.535 + 0.261 1X + 0.152 3X

+ 0.372 4X + 0.239 5X • Regresi 3X terhadap 1X ,

2X , 4X dan 5X :

3X̂ = 2.382 + 0.155 1X + 0.196 2X + 0.383 4X - 0.052 5X • Regresi 4X terhadap 1X ,

2X , 3X dan 5X :

4X̂ = 1.936 + 0.080 1X + 0.162 2X + 0.129 3X + 0.255 5X • Regresi 5X terhadap 1X ,

2X , 3X dan 4X :

5X̂ = 5.752 – 0.016 1X + 0.089 2X - 0.015 3X + 0.217 4X

Variansi ( 3X | 1X , 2X , 4X , 5X ) = 0.643640 Variansi ( 4X | 1X , 2X , 3X , 5X ) = 0.216736 Variansi ( 5X | 1X , 2X , 3X , 4X ) = 0.184972

Dari Tabel 4.5 dapat dilihat persamaan regresi dan variansi residu. Persamaan regresi 3X terhadap 1X , 2X , 4X dan 5X adalah:

3X̂ = 2.382 + 0.155 1X + 0.196 2X + 0.383 4X - 0.052 5X Demikian juga persamaan regresi 5X terhadap 1X , 2X , 3X dan 4X adalah:

5X̂ = 5.752 – 0.016 1X + 0.089 2X - 0.015 3X + 0.217 4X Untuk kasus 5 variabel seperti yang diperlihatkan pada Tabel 4.5 diatas terlihat bahwa nilai variansi residu yang disusun dari yang terbesar hingga terkecil, berturut – turut adalah: 1). Var ( 3X | 1X , 2X , 4X , 5X ) = 0.643640, 2). Var ( 1X | 2X , 3X , 4X , 5X ) = 0.512318, 3). Var ( 2X | 1X , 3X , 4X , 5X ) = 0.499185, 4). Var ( 4X | 1X , 2X , 3X , 5X ) = 0.216736, 5). Var ( 5X | 1X , 2X , 3X , 4X ) = 0.184972. Jadi, 3X lebih sukar diprediksi oleh variabel – variabel lainnya ketimbang 5X bila diprediksi oleh semua variabel lainnya. Analisa seperti ini dapat dipakai untuk merumuskan langkah - langkah manajemen sekolah menentukan kebijakan yang akan diterapkan tahun berikutnya

48

Analisa berikutnya secara berturut – turut sebagai berikut Var ( 1X | 2X ) = 0.535887 Var ( 1X | 2X , 3X ) = 0.520178 Var ( 1X | 2X , 3X , 4X ) = 0.512665 Var ( 1X | 2X , 3X , 4X , 5X ) = 0.512318, dari hasil nilai variansi residu maka diperoleh: 0.535887 ≥ 0.520178 ≥ 0.512665 ≥ 0.512318, sehingga dapat disimpulkan bahwa : • Jika prediktornya semakin banyak maka nilai variansi residunya semakin kecil


• Penambahan variabel tidak mempengaruhi perubahan nilai variansi residu secara signifikan, melainkan perubahannya bersifat konstan, hanya pada penambahan prediktor 3X menyebabkan nilai variansi residu sedikit turun lebih tajam yakni sebesar 0.015709 jika dibanding perubahan yang lain sangat kecil .

Cara perhitungannya ditunjukkan pada Lampiran 6 dan hanya diberikan satu contoh saja untuk setiap tingkat. 4.3.6 Kasus lima variabel mata uji teori yang ada praktiknya untuk elemen non diagonal Mata uji teori yang ada praktiknya sebagai berikut : 1X = Nilai mata uji Agama


5X = Nilai mata uji Komputer Tabel 4.6 Korelasi residu No. Persamaan Regresi Korelasi residu 1. Dua variabel 1X dan 2X

Variansi ( 1X ) = 0.623063 Variansi ( 2X ) = 0.691324 Kovariansi ( 1X , 2X ) = 0.245492 Korelasi antara ( 1X ) dan ( 2X ) = 0.374051 Nilai 2112 tt = = -0.374051 Jadi korelasi antara ( 1X ) dan ( 2X ) = -

12t = 21t−

49

2 Tiga variabel • Regresi 1X terhadap 3X :






3X̂ = 4.975 + 0.305 1X

Variansi residu ( 1X | 3X ) = 0.576950 Variansi residu ( 2X | 3X ) = 0.617857 Kovariansi residu ( 1X , 2X | 3X ) = 0.187287 Korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = 0.313686 Nilai elemen 2112 tt = pada matriks T = -0.31369 Jadi korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = - 2112 tt −= Variansi residu ( 1X | 2X ) = 0.535887 Variansi residu ( 3X | 2X ) = 0.697930Kovariansi residu ( 1X , 3X | 2X ) = 0.1047079 Korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = 0.171213 Nilai elemen 3113 tt = pada matriks T = -0.171213 Jadi korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = - 2112 tt −= Variansi residu ( 2X | 1X ) = 0.594598 Variansi residu ( 3X | 1X ) = 0.723123 Kovariansi residu ( 2X , 3X | 1X ) = 0.164756 Korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = 0.251261 Nilai elemen 3223 tt = pada matriks T = -0.251261 Jadi korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = - 3223 tt −=

3. Empat variabel

50

• Regresi 1X terhadap 3X dan

4X :

1X̂ = 3.375 + 0.176 3X + 0.316 4X • Regresi 2X terhadap 3X dan

4X :

2X̂ = 2.839 - 0.197 3X + 0.516 4X • Regresi 3X terhadap 1X dan

2X :

3X̂ = 3.597+ 0.195 1X + 0.277 2X • Regresi 4X terhadap 1X dan

2X :

4X̂ = 4.077+ 0.106 1X + 0.232 2X

Variansi residu ( 1X | 3X , 4X ) = 0.550774 Variansi residu ( 2X | 3X , 4X ) = 0.547924 Kovariansi residu ( 1X , 2X | 3X , 4X ) = 0.144503 Korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = 0.263045 Nilai elemen 2112 tt = pada matriks T = -0.263045 Jadi korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = - 2112 tt −= Variansi residu ( 3X | 1X , 2X ) = 0.677471 Variansi residu ( 4X | 1X , 2X ) = 0.241315 Kovariansi residu ( 3X , 4X | 1X , 2X ) = 0.089672 Korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = 0.221778 Nilai elemen 4334 tt = pada matriks T = - 0.221778 Jadi korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = - 4334 tt −=

4. Lima variabel • Regresi 1X terhadap 2X , 3X dan

4X :


4X :

5X̂ = 5.711 + 0.085 2X - 0.017 3X + 0.215 4X

Variansi residu ( 1X | 2X , 3X , 4X ) = 0.512665 Variansi residu ( 5X | 2X , 3X , 4X ) = 0.185097 Kovariansi residu ( 1X , 5X | 2X , 3X , 4X ) = -0.008011 Korelasi antara residu ( 1X | 2X , 3X , 4X ) dan residu ( 5X | 2X , 3X , 4X ) = -0.026006 Nilai elemen 5115 tt = pada matriks T = 0.026006

51

• Regresi 4X terhadap 1X ,

2X dan 3X :


3X :

5X̂ = 6.535 + 0.002 1X + 0.131 2X + 0.014 3X

Jadi korelasi antara residu ( 1X | 2X , 3X , 4X ) dan residu ( 5X | 2X , 3X , 4X ) = - 5115 tt −= Variansi residu ( 4X | 1X , 2X , 3X ) = 0.229446 Variansi residu ( 5X | 1X , 2X , 3X ) = 0.195819 Kovariansi residu ( 4X , 5X | 1X , 2X , 3X ) = 0.049888 Korelasi antara residu ( 4X | 1X , 2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = 0.235360 Nilai elemen 5445 tt = pada matriks T = -0.235360 Jadi korelasi antara residu ( 4X | 1X , 2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = - 5445 tt −=

Cara perhitungannya ditunjukkan pada Lampiran 7 dan hanya diberikan satu contoh saja untuk setiap tingkat. 4.3.7 Kasus lima variabel mata uji praktik yang ada teorinya untuk elemen diagonal Mata uji praktik yang ada teorinya sebagai berikut : 1X = Nilai mata uji Agama


5X = Nilai mata uji Komputer Tabel 4.7 Variansi residu No. Persamaan Regresi Variansi Residu 1. Dua variabel




52

2X̂ = 7.1218 + 0.1067 1X

2. Tiga variabel • Regresi 1X terhadap 2X dan 3X :



3X̂ = 4.405 + 0.092 1X + 0.201 2X

Variansi ( 1X | 2X , 3X ) = 0.310678 Variansi ( 2X | 1X , 3X ) = 0.356744 Variansi ( 3X | 1X , 2X ) = 0.152486

3 Empat variabel • Regresi 1X terhadap 2X , 3X dan

4X :

1X̂ = 4.728 + 0.029 2X + 0.151 3X + 0.238 4X : • Regresi 2X terhadap 1X , 3X dan

4X :


4X :


3X :

4X̂ = 5.572 + 0.192 1X + 0.065 2X + 0.117 3X


4. Lima variabel • Regresi 1X terhadap 2X , 3X , 4X

dan 5X :

1X̂ = 4.185 + 0.024 2X + 0.129 3X +

Variansi ( 1X | 2X , 3X , 4X , 5X ) = 0.296047

53

0.239 4X + 0.080 5X • Regresi 2X terhadap 1X , 3X , 4X

dan 5X :

2X̂ = 1.610 + 0.029 1X + 0.405 3X + 0.098 4X + 0.319 5X • Regresi 3X terhadap 1X , 2X , 4X

dan 5X :

3X̂ = 1.610 + 0.068 1X + 0.168 2X + 0.075 4X + 0.325 5X • Regresi 4X terhadap 1X , 2X , 3X

dan 5X :

4X̂ = 5.882 + 0.193 1X + 0.068 2X + 0.124 3X - 0.047 5X • Regresi 5X terhadap 1X , 2X , 3X

dan 4X :

5X̂ = 6.675 + 0.017 1X + 0.056 2X + 0.138 3X - 0.012 4X

Variansi ( 2X | 1X , 3X , 4X , 5X ) = 0.348162 Variansi ( 3X | 1X , 2X , 4X , 5X ) = 0.144404 Variansi ( 4X | 1X , 2X , 3X , 5X ) = 0.239298 Variansi ( 5X | 1X , 2X , 3X , 4X ) = 0.061216

Dari Tabel 4.7 dapat dilihat persamaan regresinya dan variansi residu Persamaan regresi 2X terhadap 1X , 3X , 4X dan 5X adalah:

2X̂ = 1.610 + 0.029 1X + 0.405 3X + 0.098 4X + 0.319 5X . Sedangkan persamaan regresi 5X terhadap 1X , 2X , 3X dan 4X adalah:

5X̂ = 6.675 + 0.017 1X + 0.056 2X + 0.138 3X - 0.012 4X .

Untuk kasus 5 variabel seperti yang diperlihatkan pada Tabel 4.7 diatas terlihat bahwa nilai variansi residu yang disusun dari yang terbesar hingga terkecil, berturut – turut adalah: 1). Var ( 2X | 1X , 3X , 4X , 5X ) = 0.348162, 2). Var ( 1X | 2X , 3X , 4X , 5X ) = 0.296047, 3). Var ( 4X | 1X , 2X , 3X , 5X ) = 0.239298 , 4). Var ( 3X | 1X , 2X , 4X , 5X ) = 0.144404, 5). Var ( 5X | 1X , 2X , 3X , 4X ) = 0.061216. Jadi, 2X lebih sukar diprediksi oleh variabel – variabel lainnya ketimbang 5X bila diprediksi oleh semua variabel lainnya.

54

Analisa seperti ini dapat dipakai untuk merumuskan langkah - langkah manajemen sekolah menentukan kebijakan yang akan diterapkan tahun berikutnya Analisa berikutnya secara berturut – turut sebagai berikut Var ( 1X | 2X ) = 0.316107 Var ( 1X | 2X , 3X ) = 0.310678 Var ( 1X | 2X , 3X , 4X ) = 0.296443 Var ( 1X | 2X , 3X , 4X , 5X ) = 0.296047, dari hasil nilai variansi residu maka diperoleh: 0.316107 ≥ 0.310678 ≥ 0.296443 ≥ 0.296047, sehingga dapat disimpulkan bahwa : • Jika prediktornya semakin banyak maka nilai variansi residunya semakin kecil


• Penambahan variabel tidak mempengaruhi perubahan nilai variansi residu secara signifikan, melainkan perubahannya bersifat konstan, hanya pada penambahan prediktor 4X menyebabkan nilai variansi residu sedikit turun lebih tajam yakni sebesar 0.014235 jika dibanding perubahan yang lain sangat kecil .

Cara perhitungannya ditunjukkan pada Lampiran 8 dan hanya diberikan satu contoh saja untuk setiap tingkat. 4.3.8 Kasus lima variabel mata uji praktik yang ada teorinya untuk elemen non diagonal Mata uji praktik yang ada teorinya sebagai berikut : 1X = Nilai mata uji Agama


5X = Nilai mata uji Komputer Tabel 4.8 Korelasi residu No. Persamaan Regresi Korelasi Residu 1. Dua variabel 1X dan 2X Variansi ( 1X ) = 0.319018

Variansi ( 2X ) = 0.397746 Kovariansi ( 1X , 2X ) = 0.034028 Korelasi antara ( 1X ) dan ( 2X ) = 0.095526 Nilai 2112 tt = = -0.095526 Jadi korelasi antara ( 1X ) dan ( 2X ) = -

12t = 21t−

55







3X̂ = 5.839 + 0.113 1X

Variansi residu ( 1X | 3X ) = 0.311449 Variansi residu ( 2X | 3X ) = 0.357628 Kovariansi residu ( 1X , 2X | 3X ) = 0.016602 Korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = 0.049745 Nilai elemen 2112 tt = pada matriks T = -0.049745 Jadi korelasi antara residu ( 1X | 3X ) dan residu ( 2X | 3X ) = - 2112 tt −= Variansi residu ( 1X | 2X ) = 0.316107 Variansi residu ( 3X | 2X ) = 0.155150Kovariansi residu ( 1X , 3X | 2X ) = 0.029022 Korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = 0.131048 Nilai elemen 3113 tt = pada matriks T = -0.131048 Jadi korelasi antara residu ( 1X | 2X ) dan residu ( 3X | 2X ) = - 2112 tt −= Variansi residu ( 2X | 1X ) = 0.394116 Variansi residu ( 3X | 1X ) = 0.168460 Kovariansi residu ( 2X , 3X | 1X ) = 0.079346 Korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = 0.307939 Nilai elemen 3223 tt = pada matriks T = -0.307939 Jadi korelasi antara residu ( 2X | 1X ) dan residu ( 3X | 1X ) = - 3223 tt −=

3. Empat variabel • Regresi 1X terhadap 3X dan 4X :

Variansi residu ( 1X | 3X , 4X ) = 0.29673771

56

1X̂ = 4.843 + 0.164 3X + 0.241 4X




4X̂ = 6.086 + 0.203 1X + 0.089 2X

Variansi residu ( 2X | 3X , 4X ) = 0.35485822 Kovariansi residu ( 1X , 2X | 3X , 4X ) = 0.010218 Korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = 0.031489 Nilai elemen 2112 tt = pada matriks T = -0.031489 Jadi korelasi antara residu ( 1X | 3X , 4X ) dan residu ( 2X | 3X , 4X ) = - 2112 tt −= Variansi residu ( 3X | 1X , 2X ) = 0.152486 Variansi residu ( 4X | 1X , 2X ) = 0.241534 Kovariansi residu ( 3X , 4X | 1X , 2X ) = 0.017896 Korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = 0.093253 Nilai elemen 4334 tt = pada matriks T = - 0.093253 Jadi korelasi antara residu ( 3X | 1X , 2X ) dan residu ( 4X | 1X , 2X ) = - 4334 tt −=

4 Lima variabel • Regresi 1X terhadap 2X , 3X dan

4X :


4X :

5X̂ = 6.753 + 0.057 2X + 0.140 3X -0.008 4X

Variansi residu ( 1X | 2X , 3X , 4X ) = 0.296443 Variansi residu ( 5X | 2X , 3X , 4X ) = 0.061298 Kovariansi residu ( 1X , 5X | 2X , 3X , 4X ) = 0.004931 Korelasi antara residu ( 1X | 2X , 3X , 4X ) dan residu ( 5X | 2X , 3X , 4X ) = 0.036582

57

• Regresi 4X terhadap 1X ,

2X dan 3X :


3X :

5X̂ = 6.608 + 0.014 1X + 0.055 2X + 0.136 3X

Nilai elemen 5115 tt = pada matriks T = -0.036582 Jadi korelasi antara residu ( 1X | 2X , 3X , 4X ) dan residu ( 5X | 2X , 3X , 4X ) = - 5115 tt −= Variansi residu ( 4X | 1X , 2X , 3X ) = 0.239433 Variansi residu ( 5X | 1X , 2X , 3X ) = 0.061250 Kovariansi residu ( 4X , 5X | 1X ,

2X , 3X ) = -0.002876 Korelasi antara residu ( 4X | 1X ,

2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = -0.023748 Nilai elemen 5445 tt = pada matriks T = 0.023748 Jadi korelasi antara residu ( 4X | 1X , 2X , 3X ) dan residu ( 5X | 1X , 2X , 3X ) = - 5445 tt −=

Cara perhitungannya ditunjukkan pada Lampiran 9 dan hanya diberikan satu contoh saja untuk setiap tingkat.

Documents

Bab 4. Contoh Studi Kasus - Perpustakaan Digital ITB ...digilib.itb.ac.id/files/disk1/549/jbptitbpp-gdl-pratiknoni-27428-5... · Contoh Studi Kasus ... No Persamaan regresi Variansi