Escolar Documentos
Profissional Documentos
Cultura Documentos
Pendahuluan
Regresi adalah bentuk hubungan fungsional antara variabel respon dan prediktor.
Analisis regresi merupakan teknik statistik yang banyak penggunaannya serta mempunyai
manfaat yang cukup besar bagi pengambil keputusan. Secara umum, dalam analisis regresi
digunakan metode kuadrat terkecil (least sqaure method) untuk mencari kecocokan garis
regresi dengan data sampel yang diamati.
Ada beberapa hal yang harus diperhatikan dalam menggunakan analisis regresi yaitu:
• Representasi pemetaan dari karakteristik sistem kongkrit yang akan dipelajari.
• Abstraksi yang merupakan transformasi karakteristik sistem kongkrit yang akan dipelajari
keadaan formula-formula matematika.
• Kesimpulan dalam analisis regresi diambil dengan mengambil dalih pada asumsi-asumsi
yang menyangkut parameter populasi, dan apabila asumsi-asumsi tersebut dipenuhi maka
prosedur kesimpulan parametriklah yang lazim paling sesuai untuk dipergunakan, dan
apabila asumsi-asumsi tersebut dilanggar, maka penerapan prosedur paramterik bisa jadi
akan menyebabkan hasil kesimpulan yang menyesatkan
• Apabila kejadian tersebut terjadi dapat digunakan dengan pendekatan prosedur non
parametrik.
Contoh:
Seorang Mahasiswa ingin melakukan analisis regresi terhadap data hasil penelitiannya yang
berjudul Hubungan antara motivasi dan hasil belajar matematika di SMA X. Pertanyaan
penelitiannya seperti berikut:
Apakah hasil belajar matematika (Y) dapat diprediksi dari motivasi (X)? atau apakah terdapat
hubungan fungsional antara motivasi dan hasil belajar matematika?
Variabel X = variabel prediktor (bebas, independent)
Variabel Y = variabel kriterium (terikat, dependent)
∧
rsamaan regresi sederhana : Y = a + bX
(∑ Y )(∑ X ) − (∑ X )(∑ XY )
2
− −
Rumus: a = =Y =bX
n∑ X − (∑ X )
2 2
n∑ XY −(∑ X )(∑ Y ) n∑ xy
b= =
n ∑ X 2 − (∑ X ) ∑x
2 2
(∑ Y )(∑ X ) − (∑ X )(∑ XY )
2
− −
Rumus: a = =Y =bX
n∑ X − (∑ X )
2 2
a=
(1000)(41029) − (1105)(37056)
30(41029) − (1105) 2
a = 8,34129
20(37056) − (1105)(1000)
b=
30(41029) − (1105) 2
b = 0,678517
∧
Dari hasil di atas, dapat dibuat persamaan garis regresinya : Y = 8,34 + 0,68 X
∧
Jika X = 30, maka Y = 8,34 + 0,68 (30) = 28,70
28,70
8,34
X
30
H0 : Regresi Linier
H1 : Regresi Non Linier
Langkah yang dilakukan dalam menguji hipotesis di atas adalah sebagai berikut:
Langkah #1: Urutkan data X dari yang terkecil sampai dengan data yang terbesar,
diikuti oleh data Y. (untuk lebih memudahkan anda dengan cara manual, saya sarankan
untuk menggunakan program Excel).
Setelah data anda urutkan, maka kelompokkan data skor motivasi dan prestasi belajar seperti
pada tabel berikut.
X Kelompok ni Y jumlah
30 1 1 29 kelompok ke i
32 2 2 31
32 30
33 3 2 31
33 32
34 4 5 32
34 31
34 30
34 30
34 32
35 5 1 32
Langkah#2 : Hitung berturut-turut Jumlah Kuadrat (JK) = Sum Square (SS) dengan
rumus berikut:
∑X = 1105
∑Y = 1000
∑XY = 37056
∑X2 = 41029
∑Y2 = 33528
5 1
2 (30 + 32 + 34) 2 2 (33 + 34 + 32) 2
30 + 32 + 34 − + 33 + 34 + 32 − +
2 2 2 2
3 3
2 (36 + 34) 2
2
(36 + 35)
2
36 + 34 − + 36 + 35 − +
2 2
2 2
2 (38 + 35 + 33 + 37 + 36) 2 2 (37) 2
38 + 35 + 33 + 37 + 36 − + 37 − +
2 2 2 2
5 1
2 (36 + 35 + 38) 2
36 + 35 2
+ 38 3
− = 37,67
3
JK (G) = 37,67
JK (TC) = JK (S) – JK (G) = 43,26 – 37,67 = 5.59
Langkah #4 : Hitung mean kuadrat (MK) atau Rerata Jumlah Kuadrat (RJK)
MK(T) = JK(T) : n = 33528 : 30 = 1117,6
MK(S) = JK(S) : dk(S) = 43,26 : 28 = 1,54
MK(reg) = JK(reg) : dk(reg) = 151,41 :1 = 151,41
MK(TC) = JK(TC) : dk(TC) = 5,59 : 10 = 0,56
MK(G) = JK(G) : dk(G) = 37,67 : 18 = 2,09
Keterangan:
JK(T) = Jumlah Kuadrat Total
JK(a) = Jumlah Kuadrat (a) à koefisien (a) = konstanta, X = 0
JK(b|a) = Jumlah Kuadrat (b|a) à Koefisien regresi
JK(S) = Jumlah Kuadrat Sisa
JK(G) = Jumlah Kuadrat Galat (Error)
JK(TC) = Julmlah Kuadrat Tuna Cocok (penyimpangan linieritas)
MK = Mean Kuadrat = Sum Square (SS) = Rerata Jumlah Kuadrat (RJK)
JK (TD ) − JK ( S )
r2 =
JK (TD )
N ∑ XY − (∑ X )(∑ Y )
rxy =
{N ∑ X 2
}{
− (∑ X ) N ∑ Y 2 − (∑ Y )
2 2
}
Ingat : kalau anda menggunakan rumus ini, maka gunakanlah tabel nilai-nilai r product
moment.
Kesimpulan Penelitian:
1. Terdapat hubungan yang signifikan antara motivasi dan prestasi belajar matematika
2. Motivasi dapat memprediksi prestasi belajar sebesar 77,8%. Sedangkan sisanya sebesar
22,2% dijelaskan oleh variabel lain yang tidak diteliti.
Apakah software SPSS sudah terinstall di komputer anda? Kalau belum silahkan download
softwarenya di kotak slideshare di bagian kiri blog ini, lalu install ke komputer anda.
Setelah software SPSS di install, langkah-langkah analisis regresi sederhana sebagaimana telah
dijelaskan dengan cara manual di atas dapat kita lakukan dengan langkah-langkah sebagai
berikut.
Langkah#1: Masukkan data yang akan dianalisis pada data editor SPSS (SPSS data
Editor)
Dengan mengklik Linier sebagaimana di atas, akan muncul kotak sebagai berikut
Langkah#4: Klik Statistics untuk menentukan uji tambahan seperti gambar berikut, lalu klik
Continue
Langkah#6 : Klik Save jika ingin menyimpan beberapa hasil prosedur uji, seperti gambar
berikut
Langkah#8: Klik Continue, kemudian klik OK sehingga menghasilkan output seperti gambar
berikut.
OUTPUT
Regression
Descriptive Statistics
Correlations
Prestasi
Belajar Motivasi
Pearson Correlation Prestasi Belajar 1.000 .881
Motivasi .881 1.000
Sig. (1-tailed) Prestasi Belajar . .000
Motivasi .000 .
N Prestasi Belajar 30 30
Motivasi 30 30
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 Motivasia . Enter
a. All requested variables entered.
b. Dependent Variable: Prestasi Belajar
Model Summaryb
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 151.083 1 151.083 97.062 .000a
Residual 43.584 28 1.557
Total 194.667 29
a. Predictors: (Constant), Motivasi
b. Dependent Variable: Prestasi Belajar
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) 8.341 2.547 3.275 .003 3.124 13.558
Motivasi .679 .069 .881 9.852 .000 .537 .820
a. Dependent Variable: Prestasi Belajar
Charts
Histogram
Dependent Variable: Prestasi Belajar
7
2
Frequency
0 N = 30.00
-2.00 -1.50 -1.00 -.50 0.00 .50 1.00 1.50 2.00
.75
Expected Cum Prob
.50
.25
0.00
0.00 .25 .50 .75 1.00
38
36
34
Prestasi Belajar
32
30
28
-3 -2 -1 0 1 2
Ho : Motivasi dengan prestasi belajar tidak mempunyai hubungan berupa garis linier
Ha : Motivasi dengan prestasi belajar mempunyai hubungan berupa garis linier.
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 151.083 1 151.083 97.062 .000a
Residual 43.584 28 1.557
Total 194.667 29
a. Predictors: (Constant), Motivasi
b. Dependent Variable: Prestasi Belajar
Mekanisme pengujian signifikansi harga F-hitung pada analisis data dengan SPSS sedikit
berbeda dengan analisis secara manual. Pada analisis secara manual, signifikansi nilai F-hitung
diuji dengan membandingkan nilai F-tabel. Bila F-hitung > F tabel maka nilai F-hitung
signifikan, yang berarti H1 diterima. Pada analisis data dengan SPSS, signifikansi nilai F-
hitung ditentukan berdasarkan nilai signifikansi yang diperoleh dari perhitungan. Bila nilai
signifikansi yang diperoleh dari perhitungan (Sig.) lebih kecil dari taraf signifikansi yang
ditetapkan (α), maka nilai F-hitung yang diperoleh signifikan, yang berarti H1 diterima.
Dengan demikian dari tabel Anovab sebagaimana di atas (perhatikan lingkaran merah).
Ternyata nilai Sig. = 0,000 < dari α = 0,05. sehingga dapat disimpulkan bahwa terdapat
hubungan yang signifikan antara motivasi dengan prestasi belajar matematika di SMA X.
Untuk mengetahui besarnya kontribusi motivasi terhadap prestasi bisa dilihat pada tabel model
summary berikut:
Dari hasil di atas, dapat dilihat bahwa hasil perhitungan dengan menggunakan cara manual
sama dengan hasil perhitungan dengan SPSS. Perbedaan nilai dibelakang koma dapat diterima,
karena hal ini terkait dengan tingkat ketelitian.