Dr. Hisyam Ihsan, M.

Si
Papar sheet, July 2009

Pengujian Hipotesis dengan regresi

Variabel Terikat (Dependen)
Variabel Bebas (Independen)

Y
X1
X2
X3

: Prestasi Belajar
: Spirit (dalam belajar)
: Umur (produktif)
: Sikap ( dalam belajar)

Data sampel
N0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

Y
25
68
35
62
69
8
15
31
29
15
56
55
49
61
13
29
32
37
35
34
14
44
46
53
19
61
61
39
60
19
41
16
39
68
7
10
50
16
50
63
22
68

X1
71
86
71
86
86
22
44
79
72
34
86
79
81
91
34
63
72
79
85
78
20
85
89
88
42
90
86
85
78
59
81
54
79
85
13
26
84
40
85
84
55
91

X2
23
49
30
57
43
22
22
29
24
25
32
40
33
35
27
28
32
28
32
23
29
34
36
37
28
48
37
33
45
24
32
29
25
55
25
27
37
25
29
50
30
52

X3
25
43
23
36
38
3
4
10
31
13
24
29
15
34
7
13
14
29
24
23
10
16
25
30
19
31
31
36
41
19
33
22
22
41
2
7
34
15
35
38
23
38

43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58

59
16
30
66
46
56
13
59
61
63
62
43
57
23
34
65

89
64
68
88
82
83
47
82
86
92
79
76
82
64
65
83

43
24
31
40
31
46
23
50
54
47
41
28
36
26
26
54

39
10
8
42
27
32
14
41
36
44
36
27
39
14
19
32

Langkah langkah ANALISIS DATA

1. Menggambar grafik data (Create a scatter plot of the data)

Untuk menetapkan model regresi (apakah linier atau non linier pada
variabel X) digunakan plot data sebagai berikut
Scatterplot of Y vs X1
70
60
50

40
30
20
10
0
10

20

30

40

50

60

70

80

90

100

X1

Dari plot atau grafik tersebut, maka model yang dipandang sesuai adalah
model kuadratik

Scatterplot of Y vs X2
70
60
50

40
30
20
10
0
20

30

40
X2

50

60

Dari plot atau grafik tersebut, maka model yang dipandang sesuai adalah
model logaritma
Scatterplot of Y vs X3
70
60
50

40
30
20
10
0
0

10

20

30

40

50

X3

Dari plot atau grafik tersebut, maka model yang dipandang sesuai adalah
model linier

2. Memilih Model Regresi (Choose Regression Model)

Berdasarkan gambar diatas maka hubungan antara X1 dan Y diduga
kuadratik, hubungan antara X2 dengan Y diduga logaritmik, dan hubungan antara
X3 dan Y di duga linier
Jadi model regresi ganda yang dipandang cocok dengan keadaan data adalah

Y = b0 + b1X 12 + b2lnX 2 + b3X 3 + e

3. Menguji Model (goodness of fit)

No evidence of lack of fit (P >= 0.1).

Berdasarkan hasil analisis di atas, maka model dipandang cocok dengan

keadaan.

4. Menguji Persyaratan Analisis

a. Normalitas
Pake metode grafik
Karena titik-titik dalam plotting data mendekati garis lurus maka
dapat dinyatakan normal, atau data berasal dari distribusi normal
Test for Normality
Anderson Darling Test
99

Mean
StDev
N
AD
P-Value

95
90

0.0004814
1.003
58
0.164
0.940

Percent

80
70
60
50
40
30
20
10
5

-3

-2

-1

0
SRES1

b. Homogenitas (heteroskedastitas)
Pake metode grafik
Residuals Versus the Fitted Values
(response is Y)
10

Residual

-5

-10

10

20

30
40
Fitted Value

50

60

70

Karena titik-titik dalam plotting data tidak membentuk corong maka dapat
dinyatakan homogen, atau data berasal dari distribusi yang variansinya
konstan.
c. Independensi obsevasi dalam variable dependen
Menggunakan statistik Durbin Watson, yaitu
Durbin-Watson statistic, DWs = 1.81021

Karena DWs = 1,81 mendekati 2 maka observasi dipandang independent

satu sama lain atau tidak ada autokorelasi antar observasi
Catatan:
Pada umumnya observasi yang tidak terkait dengan waktu tidak dilihat
independensi antar observasi
Tapi bila terkait dengan waktu, harus dilihat independensi antar observasi.
d. Multikolineritas
Karena regresi ganda maka multikolineritas harus dipelajari. Bersarkan
hasil analisis data diperoleh VIF untuk X12 = 2,9, untuk LnX2 = 2,5 dan
untuk X3 = 3,5 semuanya kurang dari 5. ini berarti multikolineritas
dipandang tidak bermasalah.
Simpulan: syarat analisis yang diperlukan untuk menguji hipotesis dapat dipenuhi.
Karena itu pengujian lebih lanjut dapat dilakukan

5. Pengujian Hipotesis
a. merumuskan hipotesis statistik
hipotesis yang akan diuji:
1).
Ada pengaruh spirit, umur, dan sikap dalam bekerja secara
bersama-sama terhadap prestasi belajar
Secara statistik dirumuskan
H0: bi = 0 untuk semua i = 1,2,3
melawan
H1: bi 0 untuk suatu i = 1,2,3
2).
Ada pengaruh yang positif spirit dalam bekerja (X1) terhadap
prestasi belajar (Y)
Secara statistik dirumuskan
H0: b1 = 0 melawan
H1: b1 > 0
3).
Ada pengaruh yang positif umur produktif (X2) terhadap
prestasi belajar (Y)
Secara statistik dirumuskan
H0: b2 = 0 melawan
H1: b2 > 0
4).
Ada pengaruh yang positif sikap dalam nekerja (X3) terhadap
prestasi belajar (Y)
Secara statistik dirumuskan
H0: b3 = 0 melawan
H1: b3 > 0
b. membuat persamaan regresi
Berdasarkan hasil opengolahan data diperoleh persamaan regresi sebagai
berikut

)
y = - 88.2 + 0.00372 X12 + 28.7 lnX2 + 0.322 X3
Dengan R-square (R2) = 93,8% (koefisien determinasi)

Ini berarti sebanyak 93,8% total variasi ditentukan oleh ketiga variable
bebas spirit, umur, dan sikat terhadap prestasi belajar secara bersamasama. Sisanya 6,2% variasi prestasi belajar ditentukan oleh variable lain .
c. menguji hipotesis bersama-sama (simultan)
Hasil pengolahan data diperoleh sebagai berikut:
Analysis of Variance (ANAVA)
Source
Regression
Residual Error
Total

DF
3
54
57

SS
20013.7
1320.9
21334.6

MS
6671.2
24.5

F
272.72

P
0.000

Untuk menguji hipotesis pertama yaitu

H0: bi = 0 untuk semua i = 1,2,3
melawan
H1: bi 0 untuk suatu i = 1,2,3
Digunakan statistik F dalam tabel ANAVA di atas
Untuk taraf signifikansi a = 0,05 dibandingkan dengan p = 0,000.
Karena a = 0,05 > p = 0,000 maka H1 diterima (H0 di tolak) pada taraf
signifikasi a = 0,05 .

Dengan demikian ada pengaruh yang signifikan spirit,

umur, dan sikap secara bersama-sama terhadap prestasi
belajar pada taraf signifikansi a = 0,05 .
d. menguji hipotesis sendiri-sendiri (parsial)
Hasil pengolahan data diperoleh berikut:
Predictor
Constant
X1^2
lnX2
X3

Coef
-88.16
0.0037173
28.747
0.3219

SE Coef
11.52
0.0004621
3.779
0.1048

T
-7.66
8.04
7.61
3.07

P
0.000
0.000
0.000
0.003

VIF
2.9
2.5
3.5

Untuk menguji hipotesis 2, yaitu

H0: b1 = 0 melawan
H1: b1 > 0
Digunakan statistik T,
Untuk taraf signifikansi a = 0,05 dibandingkan dengan p = 0,000.
Karena a = 0,05 > p = 0,000 maka H1 diterima (H0 di tolak) pada taraf
signifikansi a = 0,05 .
Dengan demikian ada pengaruh positif dan signifikan variabel spirit
terhadap prestasi belajar pada taraf signifikansi a = 0,05 .
Untuk menguji hipotesis 3, yaitu
H0: b2 = 0 melawan

H1: b2 > 0

Digunakan statistik T,
Untuk taraf signifikansi a = 0,05 dibandingkan dengan p = 0,000.
Karena a = 0,05 > p = 0,000 maka H1 diterima (H0 di tolak) pada taraf
signifikansi a = 0,05 .
Dengan demikian ada pengaruh positif dan signifikan variabel umur
produktif terhadap prestasi belajar pada taraf signifikansi a = 0,05 .
Untuk menguji hipotesis 4, yaitu
H0: b4 = 0 melawan
H1: b4 > 0
Digunakan statistik T,
Untuk taraf signifikansi a = 0,05 dibandingkan dengan p = 0,003.
Karena a = 0,05 > p = 0,003 maka H1 diterima (H0 di tolak) pada taraf
signifikansi a = 0,05 .
Dengan demikian ada pengaruh positif dan signifikan variabel sikap
dalam bekerja terhadap prestasi belajar pada taraf signifikansi
a = 0,05 .

LAMPIRAN HASIL PENGOLAHAN DATA dengan MINITAB

Regression Analysis: Y versus X12, lnX2, X3
The regression equation is
Y = - 88.2 + 0.00372 X12 + 28.7 lnX2 + 0.322 X3
Predictor
Constant
X12
lnX2
X3

Coef
-88.16
0.0037173
28.747
0.3219

S = 4.94585

SE Coef
11.52
0.0004621
3.779
0.1048

R-Sq = 93.8%

PRESS = 1493.34

T
-7.66
8.04
7.61
3.07

P
0.000
0.000
0.000
0.003

VIF
2.9
2.5
3.5

R-Sq(adj) = 93.5%

R-Sq(pred) = 93.00%

Analysis of Variance
Source
Regression
Residual Error
Total

DF
3
54
57

SS
20013.7
1320.9
21334.6

MS
6671.2
24.5

F
272.72

P
0.000

No replicates.
Cannot do pure error test.
Source
X12
lnX2
X3

DF
1
1
1

Seq SS
17147.8
2635.1
230.8

Unusual Observations
Obs
19
28
32

X12
7225
7225
2916

Y
35.000
39.000
16.000

Fit
45.764
50.800
26.561

SE Fit
1.131
1.148
1.141

Residual
-10.764
-11.800
-10.561

St Resid
-2.24R
-2.45R
-2.19R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 1.81021

The goodness of fit of a statistical model describes how well it fits a set of observations
In statistics, a lack-of-fit test is any of many tests of a null hypothesis that a proposed
statistical model fits well
A statistical model is a set of mathematical equations which describe the behavior of an
object of study in terms of random variables and their associated probability distributions
Kontribusi Variabel Independen terhadap dependen
1. Kontribusi semua variable independen terhadap dependen
SSreg
R2
adalah koefisien determinasi.
SStot
Dimana
SSreg adalah jumlah kuadrat regresi
SStot adalah jumlah kuadrat total
Menentukan berapa persen total variasi variable dependen dapat ditentukan oleh
semua variable independen secara bersama-sama (tanpa memperhitungkan
variable lainnya).
2. Effect Size (ukuran kekuatan hubungan/pengaruh variable independen terhadap
variable dependen dalam populasi statistik)
R2
2
, dikategori atas kecil, sedang, dan besar.
Cohen 's f
1 R2
3. Kontribusi salah satu variable independen terhadap dependen (sumbangan efektif)
SeqSS ( X k )
Kontribusi Xk terhadap Y adalah ECX k
(untuk Minitab),
SStot
atau ECX k k rxk y (untuk SPSS)
dimana

SeqSS ( X k ) adalah sequential sum of square untuk variable ke-k.

(ini diperoleh dari dekomposisi SSreg dalam table ANOVA)
k standardized koefisien regresi variable ke-k
rxk y korelasi parsial variable ke-k dengan dependen

Interpretasi: Persentase total variasi dependen ditetukan oleh Xk tanpa

memperhitungkan semua variable independen diluar Xk
Kalau dijumlahkan semua ECX hasilnya sama dengan R 2
4. Sumbangan Relatif.
ECX k
R2
Kalau di jumlahkan semua kontribusi RCX hasilnya 100%.
Kontribusi Xk dalam R 2 adalah RCX k

Contoh

Regression Analysis: y versus x1, x2

The regression equation is
y = - 1.48 + 0.577 x1 + 0.297 x2
Predictor
Constant
x1
x2

Coef
-1.484
0.5772
0.2967

S = 1.27128

SE Coef
4.016
0.6484
0.5674

R-Sq = 21.4%

PRESS = 26.7089

T
-0.37
0.89
0.52

P
0.723
0.403
0.617

VIF
1.275
1.275

R-Sq(adj) = 0.0%

R-Sq(pred) = 0.00%

Analysis of Variance
Source
Regression
Residual Error
Total
Source
x1
x2

DF
1
1

DF
2
7
9

SS
3.087
11.313
14.400

MS
1.543
1.616

F
0.96

P
0.430

Seq SS
2.645
0.442

Unusual Observations
Obs
6

x1
6.00

y
2.000

Fit
4.354

SE Fit
0.756

Residual
-2.354

St Resid
-2.30R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 2.27322

10