ANALISIS REGRESI

A.

ANALISIS REGRESI
Tujuan perkuliahan
1. Menentukan persamaan regresi sederhana
2. Menguji keberartian koefisien regresi menggunakan uji F

2
S reg
2
S sis

2
S TC
2
S sis
4. Menentukan kontribusi variable bebas terhadap variable terikat

3. Menguji linearitas persmaan regresi menggnakan rumus F

5. Menghitung kesalahan standar estimasi persamaan regresi.

a. Pendahuluan
Dalam analsis regresi dibedakan dua jenis variabel yaitu variabel
bebas dan variabel tak bebas. Variabel bebas biasa disebut prediktor karena
memprediksi kemungiknan yang dapat terjadi pada variabel tak bebas.
Sementara itu, variabel tak bebas biasa disebut variabel respon karena
kejadiannya direspon oleh variabel bebas. Agar kedua jenis variabel tersebut
dapat dioperasikan, maka variabel bebas biasa diberi simbol X i untuk i = 1, 2,
3, ..., n dan varibel terikat biasa diberi simbol Y. Secara matematis kedua
variabel tersebut dapat dinyatakan dalam bentuk fungsi Y = (X i, i =1,2,3,.., n).
Analisis regresi yang melibatkan satu variabel bebas disebut regresi
sederhana, sedangkan analisis segresi yang melibatkan lebih dari satu
variabel bebas disebut regresi ganda.
Analisis regresi berfungsi untuk mengestimasi parameter berdasarkan
data imperis yang diperoleh dari sampel yang meliputi (1) besarnya variasi
yang dijelaskan oleh variabel bebas terhadap variabel tidak bebas, (2)
menguji signifikansi estimasi parameter berdasarkan sampel, dan (3)
megetahui kesesuaian antara teori dan empiris.
Penerapan analisis regresi pada suatu penelitian harus memenuhi
asumsi-asumsi (1) data sampel harus berdistribusi normal, (2) variabel X
tidak acak sedang variabel Y acak, dan (3) variabel yang dihubungkan
mempunyai pasangan sama dan subyek yang sama pula.

27

b.

Bentuk umum persamaan regresi

= a + bX
(dibaca Y topi) = variabel tidak bebas atau variabel resppn atau variabel
.kriterium
X

= Variabel bebas atau prediktor

a.

= bilangan konstanta

= Koefisien arah regresi

c.

Menentukan persamaan regresi

Untuk menentukan persamaan regresi dibutuhkan data berpasangan
sebagaimana dikemukakan pada pendahuluan diatas.
= a + bX
Buat tabel penolong seperti di bawah ini.
No
Resp
1
2
3
...
...
N
Jumlah

X
X1
X2
X3

Y
Y1
Y2
Y3

Xn
Yn
X
Y
(X)2 (Y)2

X2
X12
X22
X32

Y2
Y12
Y22
Y32

XY
X1Y1
X2Y2
X3Y3

Xn2
X2

Yn2
Y2

XnYn
XY

Untuk menghitung a dan b digunakan rumus

a=

b=

( Yi )( X i2 ) ( X i )( X i Yi )
n X ( X i )
2
i

atau a Y b X

n X i Yi ( X i )( Yi )
n X i2 ( X i ) 2

Berikut ini dikemukakan data fiktif dari prestasi belajar dan kemampuan
berpikir logis siwa SMA A yang diambil secara acak dari suatu populasi. Akan
ditentukan persamaan regresi beserta sifat-sifatnya.
d.

Contoh data yang menggunakan analisis persamaan regresi

28

Menentukan persamaan regresi linear

Dalam menetukan persaamaan regresi beserta sifat-sifatnya, terlebih dahulu

ditentukan tabel benolong sebagai berikut.
No

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

54
50
53
45
48
63
46
56
52
56
47
56
55
52
50
60
55

X = 1782
XY

= 30085225

No

167
155
148
146
170
173
149
166
170
174
156
158
150
160
157
177
166

Y2= 887291
(Y)2

18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

45
47
53
49
56
57
50
49
58
48
52
56
54
59
47
48
56

160
155
159
159
172
168
159
150
165
159
162
168
166
177
149
155
160

X2

= 5485

= 288380

= 94098

(X)2 = 3175524

Rata X= 52.41176

Rata Y= 161.3235

Keterangan:
X = kemampuan berpikir logis
Y = prestasi belajar bhs Inggeris

Koefisien dan konstanta persamaan regresi diperoleh dengan mensubtitusi

nilai nilai , X , Y, X2, XY, (X)2 , dan n kedalam rumus yang
dikemukakan di atas seperti di bawah ini.
.a =

b=

( Yi )( X i2 ) ( X i )( X i Yi )
n X ( X i )
2
i

n X i Yi ( X i )( Yi )
n X i2 ( X i ) 2

atau a Y b X = 93.84955

= 1.287383 (perhitungan SPSS)

29

(34 x 288389) (1782 x5485)

= 1.06985047 (perhitungan manual)
(34 x94098) (1782) 2

Sehingga persamaan regresi diperoleh seperti Y = 93.849 + 1.287 X

2

Uji keberartian koefisien regresi dan uji linearitas

Hipotesis.
H0 : Tidak terdapat pengaruh berpikir logis terhadap hasil belajar bhs Inggersi
Ha : Terdapata pengaruh berpikir terhadap hasil belajara bhs Inggeris
Atau
H0 : b = 0
Ha : b 0
Hipotesis
H0 : Persamaan regresi adalah linear
Ha : Persamaan regresi tidak linear
Kriteria uji hipotesis untuk keberartian koefisien regresi adalah tolak H0 jika
Fhitung > Ftabel dan sebaliknya menerima Ha. Kriteria uji hipotesis untuk uji
linearitas adalah menerima H0 jika Fhitung < Ftabel
JK (T ) Y 2

JK ( A)

( Y ) 2
n

JK (b / a ) b

XY

( X )( Y )
n

JK(S) = JK(T) JK(a) JK(a/b)

( Y ) 2
2
Y

JK(TC) =

ni

ni
JK(G) = JK(S) JK(TC)

Keterangan
JK(T) = Jumlah kuadrat total
JK(a) = Jumlah kuadrat koefisien a
JK(b/a) = Jumlah kuadrat regresi (b/a)
JK(S) = Jumlah kuadrat sisa
JK(TC) = Jumlah kuadrat Tuna Cocok
JK(G) = Jumlah kuadrat galat
Tabel Ringkasan ANAVA Y = a + bX

30

Sumber variasi

.dk

JK

KT

Total

.n

Y2

(Y)2

Reg (a)

JK(a)

JK(a)

Reg(b/a)

JK(b/a)

.sreg2 = JK(b/a)

Residu/Sisa

.n 2

JK(S)

.sres2 = {(Yi - i)2}/n - 2

Tuna Cocok

.k 2

JK(TC)

S2TC = JK(TC)/k-2

Galat

.n k

JK(G)

S2G = JK(G)/n-k

Keterangan
.n = banyaknya responden
.k = banyaknya kelompok skor variabel bebas (X) yang sama
X

KELOMPOK

45
45
46
47
47
47
48
48
48
49
49
50
50
50
52
52
52
53
53
54
54
55
55
56
56
56
56
56
56
57
58
59
60

2
3

1
3

10

11

12
13
14
15

1
1
1
1

146
160
149
156
155
149
170
159
155
159
150
155
157
159
170
160
162
148
159
167
166
150
166
166
174
158
172
168
160
168
165
177
177

31

.s2reg/.s2res

s2TC/.s2G

63

16

X
= 1782
2
Y = 887291
XY
(Y)2
= 30085225
Y = 93.849 + 1.287 X

173

Y
= 5485
X2
= 94098
2
= 288380
(X) = 3175524
Rata X = 52.41176
Rata Y = 161.3235

Rumus yang digunakan

JK (T ) Y 2 = 887291
JK ( A)

( Y ) 2
n

JK (b / a ) b

= (30085225)/34 = 884859.5588

XY

( X )( Y )
n

1.287{

288380

(1782x5485)}/34

1160.192647

JK(S) = JK(T) JK(a) JK(a/b) = = 887291 - 884859.5588 - 1160.192647 = 1271.248553

( Y ) 2

(146 160
149 2

2
2
2
2
Y

146

160

149

JK(G)
=

. .. =

ni
2
1

ni

656.67.
JK(TC) = JK(S) JK(G) = 1271.248553 656.67 = 611.87
DAFTAR ANAVA UNTUK REGRESI LINEAR Y = 93.849 + 1.287 X
Sumber variasi

.dk

JK

KT

Total

34

887291

Reg (a)

884859.56

Reg(b/a)

1160.192

1160.192

Residu/Sisa

.32

1271.248

39.64

Tuna Cocok

14

611.87

S2TC = JK(TC)/k-2

Galat

18

656.67

S2G = JK(G)/n-k

.29.34

1.20

Kesimpulan
Perhatikan hipotesis di bawah ini
H0 : b = 0 dan Ha : b 0
Karena (Fhitung = 29.34) > (F tabel (1: 32) = 4.15), maka H a diterima artinya b 0. atau
terdapat pengaruh berpikir logis terhadapil belajar bhs Inggeris.
Selanjutnya :
Karena (Fhitung = 1.20) < (F tabel (14:18) = 2.29) maka regresi adalah linear.

Menguji hubungan antara kedua varibel dan sumbangan efektif X

terhadap Y
H0 : Tidak terdapat hubungan antara sikap dan hasil belajar
H1 : Terdapat hubungan antara sikap dan hasil belajar
Atau

32

H0 : = 0
H1 : 0

n X Y ( X )( Y )

{nX (X) }{nY (Y })

R2 = 0.477

= 0.691

2 2 2 2

Kriteria pengujian menggunakan rumus t hitung

n2
1 r 2

. Jika thitung ttabel , maka H0

diterima. Sebaliknya H0 ditolak, berdasarkan nilai signifikansi yang ditentukan

sebelum melakukan penelitian. Jika diambil = 0.05, maka Ha diterima. Artinya
hubungan antara variabel sikap dan variabel prestasi signifikan dengan sumbangan
efektifnya sebesar 47.7% ( .thitung = 5.405080819, dan t tabel (0.05 : 32) = 2.042) dan
korelasi sebesar r = 0.691 yang termasuk korelasi baik.

Menghitung kesalahan standar estimasi persamaan regresi

Selanjutnya akan dihitung kesalahan standar estimasi persamaan regresi tersebut dalam
mengestimasi nilai variabel dependen Y dengan menggunakan metoda kuadrat terkecil (leastsquare methods). Rumus yang digunakan adalah

Se

a Y b XY

= 6.576888987

n2
Kesalahan standar estimasi dari permasaan regresi Y = Y = 93.849 + 1.287 X adalah
6.577. Perlu diketahui bahwa makin besar standar estimasi persamaan regresi makin
kurang tepat variabel bebas menjelaskan variabel terikat. Karena kesalahan standar
estimasi cukup tinggi, maka ada kecenderungan bahwa masih ada persamaan estimasi
yang lain yang dapat digunakan untuk menjelaskan variabel terikat Y. Untuk mengatasi
masalah ini, dibutuhkan ketepatan menentukan model regresi yang diperlukan. Model
tersebut diperoleh dengan cara mencoba-coba beberapa model dan memilih model
yang cocok atau hampir cocok digunakan mempridiksi variabel terikat Y.
Karena kesalahan standar estimasi termasuk tinggi, maka diperlukan model regresi lain
yang memiliki kesalahan standar estimasi lebih kecil. Untuk menemukan model regresi
seperti itu, diselidiki beberapa model regresi kemudian diambil kesalahan standar
estimasi yang lebih kecil. Pemilihan tersebut harus didasari oleh teori maupun empiris
yang dilakukan. Beberapa model regresi yang mungkin diselidiki adalah Y = a + bX 2 ,
Y = a + b ln X, dan sebagainya.
Pada kajian ini, model regresi dan kesalahan standar estimasi yang digunakan seperti
yang telah diuraikan di atas.

33

Melakukan analisis data menggunakan SPSS

Masukkan data ke dalam Data Editor SPSS lengkap dengan nama variabel yang
dianalisis seperti contoh di bawah ini.

Setelah itu, sorot menu Analysis

Regression Linear ... seperti di bawah ini

Jika menu Regression diklik, maka muncul jendela seperti di bawah. Pindahkan variabel
hasil velajar (variabel dependet) kedalam kotak dependent dan variabel sikap kedalam
kotak variabel Independet seperti di bawah ini.

34

Selanjutnya, klik statistics dan aktifkan Estimates, Model fit, Deskriptif, dan Part and
partial correlation kemudian kembali ke menu Linear Regression.

Klik Option dan aktifkan Use Methot Criteria of F kemudian kembali ke menu Linear
Regression dan klik

35

OK sehingga diperoleh hasil analisis seperti pada gambar di bawah ini.

Descriptive Statistics
Mean
161.3235
52.4118

VAR00002
VAR00001

Std. Deviation
8.58371
4.60644

N
34
34

Correlations
Pearson
Correlation

VAR00002
VAR00001

VAR00002
1.000
.691

VAR00001
.691
1.000

Sig. (1-tailed)

VAR00002

.000

VAR00001

.000

VAR00002

34

34

VAR00001

34

34

Model Summary
Model
1

R
R Square
.691(a)
.477
a Predictors: (Constant), VAR00001

Adjusted R
Square
.461

Std. Error of
the Estimate
6.30204

ANOVA(b)
Model
1

Sum of
Squares
Regressio
n
Residual

Df

Mean Square

1160.537

1160.537

1270.904

32

39.716

2431.441
a Predictors: (Constant), VAR00001
b Dependent Variable: VAR00002

33

Total

Coefficients(a)

36

Sig.

29.221

.000(a)

Unstandardized
Coefficients

Model
1

B
93.850
1.287

(Constant)
VAR00001

Standardized
Coefficients

Std. Error
12.529
.238

Sig.

Beta
.691

7.491
5.406

.000
.000

a Dependent Variable: VAR00002

Tugas
Lakukan analisis regresi sederhana yang datanya disajikan di bawah ini.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

X
34
38
34
40
30
40
40
34
35
39
33
32
42
40
42

Y
32
36
31
38
29
35
33
30
32
36
31
31
36
37
35

No
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

X
42
41
32
34
36
37
36
37
39
40
33
34
36
37
38

Y
38
37
30
30
30
33
32
34
35
36
32
32
34
32
34

REGRESI GANDA DUA PREDIKTOR

Tujuan perkuliahan
6.

Menentukan korelasi ganda dan uji signifikansinya

7.

Menguji keberartian koefisien regresi

8.

Menguji linearitas persmaan regresi

9.

Menentukan kontribusi bersama variable bebas terhadap variable terikat

10.

Menentukan kontribusi variabel bebas secara parsial.

1.

Merumuskan masalah
Apakah terdapat pengaruh sikap dan motivasi terhadap hasil belajar bahasa
Inggeris?

37

2.

Menjabarkan definisi operasional

Sikap adalah skor yang diperoleh dari responden melalui angket dan diberi
simbol X1. Motivasi adalah skor yang diperoleh dari responden melalui
angket dan diberi simbol X2. Hasil belajar adalah skor yang diperoleh dari
responden melalui tes dan diberi simbol Y.

3.

Menjabarkan hipotesis penelitian

H0 : Tidak terdapat pengaruh sikap dan motivasi terhadap hasil belajar
bahasa Inggeris.
H1 : Terdapat pengaruh sikap dan motivasi terhadap hasil belajar bahasa
Inggeris.

4.

Pengumpulan data penelitian (akan diambil data fiktif)

5.

Pengujian hipotesis penelitian

a. Menentukan persamaan regresi
b. Uji signifikansi regresi linear ganda
c. Menfsirkan regresi linear dan korelasi berganda
d. Uji dan penafsiran koefisien korelasi parsial
e. Sumbangan efektif tiap prediktor terhadap respon

a.

Menentukan persamaan regresi

Regresi ganda merupakan persamaan penaksir yang memiliki lebih dari satu
variabel bebas. Dalam uraian ini, dibahas regresi yang mempunyai dua
variabel bebas. Bentuk umum model regresi dua varaibel bebas adalah
sebagai berikut.
= b0 + b1X1 + b2X2
Besarnya b0, b1, dan b3 ditentukan dengan menggunakan persamaan berikut.
Y

= nb0

+ b1X1 + b2 X2

X1Y = b0X1 + b1X12 + b2 X1X2

X2Y = b0X2 + b1X1X2 + b2 X22
Untuk menghitung b0, b1, dan b3 dibutuhkan tabel penolong seperti di bawah
ini.

38

X1
1
2

X2

X12

X22

Y2

X1Y

X2Y

X1X2

2
11
2
12

Y1
Y2

X11Y1
X12Y2
...
X1nYn

X21Y1
X22Y2
...
X2nYn

X11X21
X12X22
...
X1nX2n

X1Y

X2Y

X1X2

X21
X22
....
X2n

Y1
Y2
...
Yn

X
X

X11
X12
....
X1n

X21
X222

X1n

X2n2

X1

X2

X12

X22

Yn
Y2

Untuk menemukan persamaan regresi menggunakan sistem persamaan

linear di atas, dibawah ini diberikan data fiktif mengenai kemampuan berpikir
logis (X1) dan motivasi berprestasi (X 2) sebagai variabel independen dan hasil
belajar matematika (Y) sebagai variabel independen. Data fiktif tesebut
adalah sebagai berikut.
Skor-skor yang dibutuhkan untuk menentukan persamaan regresi ganda
disajikan pada tabel di bawah ini.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
No
nb0

X1
7
3
4
6
8
7
4
6
7
6
8
4
4
6
8
7
4
6
105
X1

+ b1X1

X2
7
3
6
4
7
5
6
3
4
3
7
3
5
4
6
4
3
6
86
X2
+ b2 X2

Y
15
10
15
17
17
20
10
14
15
10
15
10
15
17
17
20
10
14
261
Y
= Y

X1^2
49
9
16
36
64
49
16
36
49
36
64
16
16
36
64
49
16
36
657
X1^2

X2^2
49
9
36
16
49
25
36
9
16
9
49
9
25
16
36
16
9
36
450
X2^2

X1Y
105
30
60
102
136
140
40
84
105
60
120
40
60
102
136
140
40
84
1584
X1Y

X2Y
105
30
90
68
119
100
60
42
60
30
105
30
75
68
102
80
30
84
1278
X2Y

X1X2
49
9
24
24
56
35
24
18
28
18
56
12
20
24
48
28
12
36
521
X1X2

18 b0 + 105 b1 + 86 b2 = 261

39

b0X1 + b1X12 + b2 X1X2 = X1Y

105 b0 + 657 b1 + 521 b2 = 1584

b0X2 + b1X1X2 + b2 X22 = X2Y

86 b0 + 521 b1 + 450 b2 = 1278

det (A) =

det(A2) =

18
105

105
657

86
521

86

521

450

18
105
86

261
1584
1278

86
521
450

= 24600

det (A1) =

= 32508

det (A3) =

b0 =

det( A1 )
= 150687/24600 = 6.125488
det( A)

b1 =

det( A2 )
= 32508/24600 = 1.321463
det( A)

b2 =

det( A3 )
= 3429/24600 = 0.13939
det( A)

261
1584

105
657

86
521

1278

521

450

18
105
86

105
657
521

261
1584
1278

= 150687

= 3429

Hasil perhitungan tersebut sama dengan hasil perhitungan menggunakan

ptogram SPSS. Perhatikan kolom yang berwarna merah pada table di bawah ini.
Berdasarkan perhitungan matematis dan olahan SPSS diperoleh persamaan
regresi Y = 6.125 + 1.321 X1 + 0.139 X2

Tabel .Coefficients Regresi Berdasarkan Berhitungan (Olahan) SPSS

Unstandardized
Standardized
Coefficients
Coefficients
Model
B
Std. Error
Beta
1 (Constant)
6.125
2.598
X1
1.321
.443
.642
X2
.139
.473
.063
a Dependent Variable: Y

b.

Menentukan korelasi ganda

R y.12

ry21 ry22 2ry1 ry 2 r12

1 r122

= 0.674

40

t
2.357
2.982
.295

Sig.
.032
.009
.772

r y1
ry 2

r12

n 1YX (X1)(Y)

{nX (X ) }{nY (Y })

= 0.671

{nX (X ) }{nY (Y })

= 0.361

2 2 2 2
1 1

n X 2 Y ( X 2 )( Y )

2 2 2 2
2 2

nX1X2 (X1)(X2)

{nX (X ) }{nX (X })

= 0.463

2 2 2 2
1 1 2 2
41

t hitung

n2
1 r 2

Correlations

Pearson Correlation
Sig. (1-tailed)
N

Y
X1
X2
Y
X1
X2
Y
X1
X2

X1

X2

1.000
.671
.361
.
.001
.071
18
18
18

.671
1.000
.463
.001
.
.026
18
18
18

.361
.463
1.000
.071
.026
.
18
18
18

Model Summary
Model
1

R
.674

R Square Adjusted R Square Std. Error of the Estimate

.454
.381
2.61927

Uji signifikansi regresi linear ganda

c.

Berdasarkan hasil perhitungan di atas diperoleh persamaan regresi Y = 6.125 +

1.321 X1 + 0.139 X2. Persamaan ini akan digunakan untuk pemperkirakan hasil
belajar siswa pada bidang studi bahasa Inggeris jika sikap dan motivasi belajar
ditingkatkan. Untuk itu harus diuji pengaruh X 1 dan X2 secara bersama-sama
terhadap Y. Jabaran hipotesis untuk menguji pengaruh kedua variable tersebut
adalah sebagai berikut.
H0 : R = 0. Tidak terdapat pengaruh variable X 1 dan X2 terhadap variable Y
H1 : R 0 Terdapat pengaruh variable X1 dan X2 terhadap variable Y
JK Re g

Fhitung = s2reg/.s2res =

k
JK res
n k 1

JKreg = b1x1y + b2x2y = 85.591098

x1y =

X Y
1

X Y
1

= 61.5

42

x2y =

JKRes =

Y 2

X Y = 31
2

( Y ) 2
n

JK reg

= 102.9089

Fhitung =( 85.591098/2) : (102.9089: 15) = 6.237879

Ftabel = 3.68 (pembilang = 2, penyebut = 15, = 0.05)

Tabel . ANOVA berhitungan Uji F untuk Mengetahui Pengaruh Bersama

Variabel X1 dan X2 terhadap Variabel Y.
Model

Sum of Squares

1 Regression
85.591
Residual
102.909
Total
188.500
a Predictors: (Constant), X2, X1
b Dependent Variable: Y

df

Mean Square

Sig.

2
15
17

42.796
6.861

6.238

.011

Kesimpulan
Berdasarkan hasil perhitungan di atas ternyata F hitung > Ftabel . Hal ini menunjukkan
bahwa H0 ditolak atau Ha diterima, artinya terdapat pengaruh X 1 dan X2 secara
bersama-sama terhadap Y dengan koefisien determinasi 0.454. Artinya terdapat
45.4% variasi Y dijelaskan secara bersama sama oleh X 1 dan X2
d.

Uji signifikansi koefisien regresi linear ganda

Selanjutnya,akan diselidiki apakah koefisien b 1 dan b2

R y.12

ry21 ry22 2ry1 ry 2 r12

1 r122

= 0.674

43

r y1
ry 2

r12

n 1YX (X1)(Y)

{nX (X ) }{nY (Y })

= 0.671

{nX (X ) }{nY (Y })

= 0.361

2 2 2 2
1 1

n X 2 Y ( X 2 )( Y )

2 2 2 2
2 2

nX1X2 (X1)(X2)

{nX (X ) }{nX (X })

= 0.463

2 2 2 2
1 1 2 2
44

Kriteria pengujian hipotesis menggunaan rumus

t

S y21, 2 , ... , k

(1 Ri2 )

X i2

S y21, 2, 3,...,k

, .i = 1, 2, 3, . . . , k.

( X i ) 2
n

JK (Re s )
= 102.9089/15 = 6.860593
N k 1

JKreg = b1x1y + b2x2y

x1y =

X Y

x2y =

JKRes =

X Y
1

X Y
2

( Y ) 2
n

JK reg

= 102.9089

Ri merupakan korelasi berganda Xi terhadap X lainnya (Xi diperlakukan sebagai

respon, sedangkan X lainnya tetap sebagai prediktor). Jika peneliti berhadapan
dengan dua prediktor misalnya X 1 dan X2, maka Ri adalah korelasi X1 dan X2
atau X2 dengan X1 sehingga R1 = R2 = r12 yaitu korelasi linear sederhana.
Korelasi pada kasus ini yang diambil contoh pada kajian adalah sebagai berikut.
Uji t untuk koefisien X1 (b1)

r12

nX1X2 (X1)(X2)

{nX (X ) }{nX (X })

= 0.463

2 2 2 2
1 1 2 2
45

 x1 =

2
1

x2 =

2
2

S y21, 2, 3,...,k
S

2
b1

Sb1 =
.t =

( X 1 ) 2

= 44.5

( X 2 ) 2

= 39.111

n
n

JK (Re s )
= 102.9089/15 = 6.860593
N k 1

S y212

2
1

(1 R12 )

0.196238 =

= 0.196238

0.442988

b1
= 2.983071
S b1

.thitung = 1.753 (db = n k 1 = 18 2 1 = 15)

Uji t untuk koefisien X2 (b2)
S

2
b2

S y212
2
2

(1 R22 )

= 102.9089/15 = 6.860593

t2 = 0.295 (manual 0.328)

.ttabel = 1.753 (db = n k 1 = 18 2 1 = 15)
Kesimpulan
Karena thitung > ttabel atau 0.05 > 0.009, maka X1 mempunyai pengaruh
terhadap Y. Sementara itu, pada hipotesis 2, ternyata X 2 tidak berpengaruh
terhadap Y karena (0.05 < 0.772 atau (thitung = 0.295) < (ttabel = 1.752). Jadi
H0 diterima.
Tabel .Coefficients Regresi Berdasarkan Berhitungan (Olahan) SPSS
Unstandardized
Standardized
Coefficients
Coefficients
Model
B
Std. Error
Beta
1 (Constant)
6.125
2.598
X1
1.321
.443
.642
X2
.139
.473
.063
a Dependent Variable: Y

e.

t
2.357
2.982
.295

Sig.
.032
.009
.772

Sumbangan efektif X1 dan X2 secara bersama-sama terhadap Y

46

Rumus yang digunakan menentukan sumbangan efektif X1 dan X2 terhadap

Y adalah kuadrat dari R y.12

ry21 ry22 2ry1 ry 2 r12

1 r122

yaitu 0.454. Artinya

45.4% variasi Y dijelaskan secara berasama-sama oleh X1 dan X2. Variasi

sebanyak 54.6% dijelaskan oleh variasi lain.

Model Summary
Model
1

R
.674

R Square Adjusted R Square Std. Error of the Estimate

.454
.381
2.61927

Sumbangan efektif X1 dan X2 terhadap Y secara parsial.

f.
SEP.X1 =

SEP.X2 =

b1 X 1Y

( R 2 .100%) = 41.85%

b2 X 2 Y

( R 2 .100%) = 3.55%

(b1 X 1Y ) (b2 X 2Y )
(b1 X 1Y ) (b2 X 2Y )

Memperhatikan sumbangan efektif X2 terhadap Y hanya 3.55% yang sangat

kecil dan dikaitkan dengan uji-t

koefisien X 2 yang tidak signifikan, serta

korelasi antara X2 dengan Y sebesar 0.361 yang termasuk katagori rendah,

maka X2 dapat diabaikan pengaruhnya dan persamaan regresi hanya
melibatkan X1 sehingga persmaan regresi yang layak digunakan memprediksi
Y berbentuk Y = 6.438 + 1.382 X1.
Setelah membuang X2 ternyata sumbangan efektif X 1 sebesar 45.2% dan
nilai F = 13,139 dengan probabalitas sebesar 0.002 < 0.01 < 0.05 yang
sangat signifikan. Informasi ini memperkuat alasan untuk membuang variable
X2.
Tabel . Coefficients persamaan regresi setelah mengeliminir variable X 2
Unstandardized
Coefficients
Model
B
1 (Constant)
6.438
X1
1.382

Std. Error
2.304
.381

47

Standardized
Coefficients
Beta
.671

Sig.

2.795
3.625

.013
.002

a Dependent Variable: Y

Tabel . Model Summary setelah mengeliminir variable X2

Model

R R Square

1
.671
a Predictors: (Constant), X1

Adjusted R Square

.451

Std. Error of the Estimate

.417

2.54344

Tabel .. ANOVA setelah mengeliminir variable X2

Model

Sum of Squares
1

Regression
Residual
Total
a Predictors: (Constant), X1
b Dependent Variable: Y

df

84.994
103.506
188.500

Mean Square
1
16
17

84.994
6.469

13.139

Sig.
.002

REGRESI GANDA 3 VARIBEL BEBAS DALAM PENELITIAN PENDIDIKAN.

No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

X1
65
72
75
80
80
80
80
67
63
70
75
60
62
71
62

X2
55
80
80
89
80
80
75
90
58
70
76
70
58
58
61

X3
70
64
65
75
66
61
80
80
57
48
65
65
65
70
52

Y
70
64
63
63
66
64
69
64
57
48
80
54
49
80
52

X1 = kepemimpinan kepala sekolah

X2 = lingkungan
X3 = motivasi guru
Y = kinerja guru
A.

Hipotesis

48

No

X1

X2

X3

16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

77
80
77
65
71
65
71
66
69
63
77
80
75
75
70

70
80
80
52
62
52
62
61
56
90
80
75
75
70
60

61
60
65
60
75
80
80
80
55
70
59
75
50
65
70

61
75
64
60
75
80
75
80
80
52
59
75
80
65
70

H0

: Tidak terdapat pengaruh yang antara Kepemimpinan Kepala Sekolah,

Lingkungan dan Motivasi Guru secara bersama-sama terhadap Kinerja
Guru.

H1 : Terdapat pengaruh yang antara Kepemimpinan Kepala Sekolah, Lingkungan

dan Motivasi Guru secara bersama-sama terhadap Kinerja Guru.
B.

Menyusun Persamaan Regresi.

Skor skor yang dibutuhkan untuk menghitung koefisien regresi adalah
sebagai berikut.

= 2143

2
1

= 154 301

X
X

Y = 143 033

2
1

X 12

2
2

X 22

2
3

X 32

Y 2

n
( Y ) 2

y X 2Y

y X 3Y

= 151 563

2
3

= 1988

Y = 1994

= 134 182

Y =135 444
2

n
( X 3 ) 2

2
2

n
( X 2 ) 2

y X 1Y

X Y = 139 237 X Y = 133 145

X X = 142 063 X X = 139 628

( X 1 )

= 2105

1 X 2 = 151 154

= 1 219 367
= 3 862 167
= 2 443 867
= 2 909 467

( X 1 )( Y )

n
( X 2 )( Y )

n
( X 3 )( Y )

= 594,933
= -675,333

= 1.009,267
n
( X 1 )( X 2 )
= 1.176,833
x1 x 2 X 1 X 2
n
( X 1 )( X 3 )
= 53,533
x1 x3 X 1 X 3
n
( X 2 )( X 3 )
= 136.667
x 2 x3 X 2 X 3
n
Skor skor tersebut di atas diperoleh menggunakan program exel
Nilai-nilai yang didapat disubtitusikan ke sistem persamaan berikut :
3

49

Sehingga diperoleh system persmaan linear tiga variavel sebagai berikut.

594.933 = 1219.367 b1 + 1176.833 b2 + 53.533 b3
-675,333 = 1176,833 b1 + 3.862,167 b2 + 136,667 b3
1.009,267= 53,533 b1 + 136,667 b2
+ 2.443,867 b3
Dengan menyelesaikan sistem persamaan linear di atas diperoleh nilai nilai b 1
= 0.924, b2 = -0,471, dan b3 = 0,419 dan diperoleh dengan menggunakan rumus

a Y b1 X 1 b2 X 2 b3 X 3 sehingga a = 5.734. Selanjutnya persamaan regresi

yang dicari adalah Y = 5,734 + 0,924X1 - 0,471X2 + 0,419X3. (Bandingkan hasil

olahan SPSS dengan hasil perhitungan secara matematis)
Persamaan regresi tersebut berarti bahwa nilai Y diperkirakan akan mengalami
kenaikan sebesar 0,924 untuk setiap kenaikan satu unit variable X 1. Hal yang
sama terjadi pada variable X3, tetapi Y akan mengalami penurunan sebanyak
0.471 jika X2 bertambah satu unit.
Tabel ..Coefficients regresi tiga variable bebas
Unstandardized
Standardized
.t
Coefficients
Coefficients
B
Std. Error
Beta
(Constant)
5.734
19.082
.300
sikap
.924
.269
.598
3.438
motivasi
-.471
.151
-.543
-3.118
logika
.419
.160
.384
2.623
a Dependent Variable: prestasi

Sig.
.766
.002
.004
.014

Correlations
Zero-order

Partial

.316
-.201
.378

.559
-.522
.457

Menguji pengaruh bersama sama X1, X2, dan X3 terhadap Y (dihitung

menggunakan SPSS)
H0 : R = 0. Tidak terdapat pengaruh variable X 1 dan X2 terhadap variable Y
H1 : R 0 Terdapat pengaruh variable X1 dan X2 terhadap variable Y
Kriteria pengujian.
Jika Fhitung > Ftabel atau 0.05 > probabilitas, maka persamaan regresi layak
digunakan untuk menaksir nilai Y. Sebaliknya, jika F hitung < Ftabel atau 0.05 <
probabilitas, maka persamaan regresi tidak layak digunakan memprediksi nilai Y
Berdasarkan hasil olahan SPSS, seperti ditunjukkan dalam tabel .... di bawah ini
ternyata persamaan regresi Y = 5,734 + 0,924X1
50

- 0,471X2 + 0,419X3 layak

digunakan untuk memprediksi nilai Y, karena 0.05 > 0.001. Selanjutnya, secara
manual (perhitungan menggunakan exel/kalkulator) diperoleh F hitung = 6.916
dengan = 0.05. Sedangkan F tabel = 2.96 dengan db penyebut = 26 dan db
pembilang = 3. Hal ini menunjukkan bahwa F hitung > Ftabel . Akibatnya, H0 ditolak
atau H1 diterima.
R2

b1 x1 y b2 x 2 y b3 x3 y

R2
m
F
= 6.916, db
1 R2
N m 1

= 0.444

pembilang = 3, db penyebut = 30 3 1 = 26

F tabel = 2.96. Bandingkan nilai F

yang dihitung secara matematis dengan nilai F yang dihitung menggunakan

SPSS pada table di bawah ini.
Tabel . Ringkasan ANOVA hasil olahan SPSS
Model

Sum of Squares

Df

Mean Square

1 Regression
1291.282
3
Residual
1618.185
26
Total
2909.467
29
a Predictors: (Constant), logika, sikap, motivasi
b Dependent Variable: prestasi

430.427
62.238

F
6.916

Sig.
.001

Kesimpulan
Karena (Fhitung = 6.916) > (Ftabel = 2.96) maka H0 ditolak dan H1 diterima, jadi
terdapat

pengaruh antara Kepemimpinan Kepala Sekolah, Lingkungan dan

Motivasi Guru secara bersama-sama terhadap Kinerja Guru. Sementara itu,

pada tabel ANOVA olahan SPSS diperoleh bahwa 0.05 > 0.001 yang
menunjukkan bahwa H1 diterima.
Tabel ..Coefficients regresi tiga variable bebas
Unstandardized
Standardized
T
Coefficients
Coefficients
B
Std. Error
Beta
(Constant)
5.734
19.082
.300
sikap
.924
.269
.598
3.438
motivasi
-.471
.151
-.543
-3.118
logika
.419
.160
.384
2.623
a Dependent Variable: prestasi

Analisis regresi ganda menggunakan spss

51

Sig.
.766
.002
.004
.014

Correlations
Zero-order

Partial

.316
-.201
.378

.559
-.522
.457

Dari hasil dengan SPSS

( analyze, Regression,linier, pada kolom dependent:

isi dengan y1 pada kolom indenden isi dengan variabel X1,X2,X3) diperoleh
output sbb: Dari Output Coefficients (dari kolom B ) didapat persamaan regresi
sebagai berikut : Y = 5,734 + 0,924X1 - 0,471X2 + 0,419X3
Arti dari persamaan regresi tersebut adalah sebagai berikut :
Untuk mengetahui apakah model regresi tersebut sudah benar atau
salah, diperlukan uji hipotesis dengan menggunakan angka F, pada
tabel berikut :

Menentukan F tabel :
Taraf signifikansi 0,05 ;
db pembilang = m = jml variabel bebas 1
= 31
=2
df penyebut
= Nm1
= 30 2 1
= 27
Diperoleh F tabel = 3,35
Karena F hitung > F tabel maka persamaan regresi yang
dapat
dipergunakan sebagai dasar penaksiran /peramalan pada besarnya
variabel terikat (Y) berdasarkan variabel bebas ( X1, X2 dan X3 ).

UJI HIPOTESIS
X 1 = KEPEMIMPINAN KEPALA SEKOLAH
X2 = LINGKUNGAN
X3 = MOTIVASI GURU
Y = KINERJA GURU
HIPOTESIS :
Ho : Tidak terdapat pengaruh yang signifikan antara Kepemimpinan Kepala
Sekolah, Lingkungan dan Motivasi Guru secara bersama-sama terhadap Kinerja
Guru.
H1 : Terdapat pengaruh yang signifikan antara Kepemimpinan Kepala Sekolah,
Lingkungan dan Motivasi Guru secara bersama-sama terhadap Kinerja Guru.
1. Pengaruh X1, X2,X3 secara bersama-sama terhadap Y1

52

Untuk melihat pengaruh X1, X2 dan X3 secara bersama-sama

terhadap Y1 dapat digunakan output model Summary sebagai
berikut :
ANOVA
Model
Sum of Squares
1 Regression
1291.282
Residual
1618.185
Total
2909.467
a Predictors: (Constant), logika, sikap, motivasi

df
3
26
29

Mean Square
430.427
62.238

F
6.916

Sig.
.001

b Dependent Variable: prestasi

Besarnya R Square ( r 2 ) didapat sebesar 0, 444. Angka R square ini

dapat digunakan untuk melihat besarnya pengaruh variabel X1, X2
dan X3 secara bersama-sama terhadap Y1 dengan cara menghitung
Koefisien Determinasi ( KD) dengan rumus sebagai berikut :
KD = r 2 x 100%
= 0,444 x 100 %
= 44,4 %
Angka 44,4 % mempunyai arti bahwa pengaruh X1, X2 dan X3 secara
bersama-sama terhadap Y1 adalah sebesar 44,4 % dan sisanya
sebesar 0,556 atau 55,6 % karena pengaruh faktor lain.
KESIMPULAN :
Selanjutnya berdasarkan hasil bahwa F hitung > F tabel yaitu 6,916 >
3,35 ini berarti Ho di tolak dan H1 diterima atau

terdapat pengaruh

yang signifikan antara Kepemimpinan Kepala Sekolah, Lingkungan dan

Motivasi Guru secara

Cara kedua :

Selain menggunakan angka F maka untuk menguji hipotesis juga dapat

menggunakan angka signifikansi (sig )

yang ada. Dari

output anova

diperoleh signifikansi nya (sig) sebesar 0,001. Karena 0,001 < 0,05 maka Ho
dtolak dan H1 diterima artinya

terdapat pengaruh yang signifikan antara

Kepemimpinan Kepala Sekolah, Lingkungan dan Motivasi Guru secara

bersama-sama terhadap Kinerja Guru.

53

Model Summary
Model

R R Square Adjusted R Std. Error

Square
of the
Estimate
1
.666
.444
.380 7.88910
a Predictors: (Constant), logika, sikap, motivasi

b Dependent Variable: prestasi

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: prestasi
1.00

Expected Cum Prob

.75

.50

.25

0.00
0.00

.25

.50

.75

1.00

Observed Cum Prob

Histogram
Dependent Variable: prestasi
10

Frequency

Std. Dev = .95

Mean = 0.00
N = 30.00

0
-2.00

-1.00
-1.50

0.00
-.50

1.00
.50

2.00
1.50

2.50

Regression Standardized Residual

54