ANALISIS REGRESI

Dibarengi dengan aplikasi SPSS for Windows

Oleh MUHAMMAD ALI GUNAWAN A. ANALISIS REGRESI SEDERHANA DENGAN CARA MANUAL 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. A. Analisis Regresi Linier Sederhana Jika ada satu variabel tak bebas atau variabel terikat (dependent variable) tergantung pada satu atau lebih variabel bebas atau peubah bebas (independent variable) hubungan antara kedua variabel tersebut dapat dicirikan melalui model matematik (statistik) yang disebut sebagai model regresi. 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 ) Rumus: a = =Y =bX n X ( X )
2 2 2

b=

n XY ( X )( Y ) n X 2 ( X )
2

n xy

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

Misalkan dari hasil penelitian mahasiswa tersebut diperoleh data sebagai berikut: X Y XY X2 Y2 Responden 1 34 32 1088 1156 1024 2 38 35 1330 1444 1225 3 34 31 1054 1156 961 4 40 38 1520 1600 1444 5 30 29 870 900 841 6 40 35 1400 1600 1225 7 40 33 1320 1600 1089 8 34 30 1020 1156 900 9 35 32 1120 1225 1024 10 39 36 1404 1521 1296 11 33 31 1023 1089 961 12 32 31 992 1024 961 13 42 36 1512 1764 1296 14 40 37 1480 1600 1369 15 42 35 1470 1764 1225 16 42 38 1596 1764 1444 17 41 37 1517 1681 1369 18 32 30 960 1024 900 19 34 30 1020 1156 900 20 36 30 1080 1296 900 21 37 33 1221 1369 1089 22 36 32 1152 1296 1024 23 37 34 1258 1369 1156 24 39 35 1365 1521 1225 25 40 36 1440 1600 1296 26 33 32 1056 1089 1024 27 34 32 1088 1156 1024 28 36 34 1224 1296 1156 29 37 32 1184 1369 1024 30 38 34 1292 1444 1156 Jumlah 1105 1000 37056 41029 33528

Langkah Analisis Dengan Cara Manual Dari data di atas, diketahui: X = 1105 Y = 1000 XY = 37056 X2 = 41029 Y2 = 33528 Masukkan nilai tersebut ke dalam rumus a dan b di atas :

( Y )( X ) ( X )( XY ) Rumus: a = =Y =bX n X ( X )
2 2 2

a=

(1000)(41029) (1105)(37056)
30(41029) (1105) 2
41029000 40946880 82120 = = 8.34129 1230870 1221025 9845

a = 8,34129

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

b=

n XY ( X )( Y ) n X 2 ( X )
2

n xy

b=

20(37056) (1105)(1000) 30(41029) (1105) 2

1111680 - 1105000 6680 = = 0.678517 1230870 - 1221025 9845

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 Gambar persamaan garis regresi:

Y
28,70

Y = 8,34 + 0,68 X

8,34 X 30 Uji Kelinieran dan Keberartian Regresi Hipotesis yang diuji adalah H0 : Regresi Linier H1 : Regresi Non Linier H0 : Harga F regresi non signifikan/ tidak bermakna/tidak berarti H1 : Harga F regresi signifikan/bermakna/berarti 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 30 32 32 33 33 34 34 34 34 34 35 Kelompok 1 2 3 4 ni 1 2 2 5 Y 29 31 30 31 32 32 31 30 30 32 32

jumlah kelompok ke i

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

36 36 36 37 37 37 38 38 39 39 40 40 40 40 40 41 42 42 42

8 9 10

2 2 5

11 12

1 3

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

Jadi, dengan demikian terdapat 12 kelompok. Langkah#2 : Hitung berturut-turut Jumlah Kuadrat (JK) = Sum Square (SS) dengan rumus berikut: X = 1105 Y = 1000 XY = 37056 X2 = 41029 Y2 = 33528

( Y ) JK(a) =

JK(T) = Y2 = 33528
2

(1000) 2 =33333,33 N 30 ( X )( Y ) (1105)(1000) JK (b|a) = b XY = 151.41 = (0,68)37056 n 30 JK (S) = JK(T) JK(a) JK(b|a) = 33528 33333.33 151.41 = 43,26 ( Y )2 2 JK (G) = Y n =
(29) 2 2 (31 + 30) 2 2 (31 + 32) 2 2 2 = 29 2 + 31 + 30 + 31 + 32 + 2 1 2 2 2 (32 + 31 + 30 + 30 + 32) 2 (32) 2 2 2 2 2 32 + 31 + 30 + 30 + 32 + 32 + 1 5 2 (30 + 32 + 34) 2 2 (33 + 34 + 32) 2 2 2 2 2 30 + 32 + 34 + 33 + 34 + 32 + 3 3 2 (36 + 34) 2 2 (36 + 35) 2 36 + 34 2 + 36 + 35 2 + 2 2 2 (38 + 35 + 33 + 37 + 36) 2 2 (37) 2 2 2 2 2 38 + 35 + 33 + 37 + 36 + 37 + 1 5 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

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

Langkah#3: Hitung derajat kebebasan (dk) dk(a) = 1 dk = derajat kebebasan = degree of freedom (df) dk (b|a) = 1 jumlah prediktor = 1 dk sisa = n 2 = 30 2 = 28 dk tuna cocok = k 2 = 12 2 = 10 k = jumlah pengelompokan data X = 12 dk galat = n k = 30 12 = 18 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 Langkah #5 : Masukkan ke dalam tabel F (ANAVA) untuk Regresi Linier berikut F(Reg) = MK(Reg) : MK(Sisa) = 151,41 : 1,54 = 98,01 F(TC) = MK(TC) : MK(G) = 0,56 : 2,09 = 0,27

Tabel ringkasan ANAVA untuk menguji keberartian dan linieritas regresi Sumber Variasi JK (SS) dk (df) MK (MS) Fhitung Ftabel Total 33528 30 1117,6 Koefisien (a) 33333,33 1 Regresi (b|a) 151,41 1 151,41 98,01*) 4,20 Sisa (residu) 43,26 28 1,54 Tuna cocok 5,59 10 0,56 0,27ns 2,42 Galat (error) 37,67 18 2,09 *) Signifikan pada taraf signifikansi 5% ns = nonsignifikan Keterangan: JK(T) = Jumlah Kuadrat Total JK(a) = Jumlah Kuadrat (a) koefisien (a) = konstanta, X = 0 JK(b|a) = Jumlah Kuadrat (b|a) 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) Langkah#6: Langkah Terakhir, membuat keputusan atau kesimpulan Aturan pengambilan keputusan: Jika Fhitung (regresi) lebih besar dari harga Ftabel pada taraf signifikansi 5% ( = 0,05), maka harga F hitung (regresi) signifikan, yang berarti bahwa koefisien regresi adalah berarti (bermakna). Dalam hal ini, F hitung (regresi) = 98,01, sedangkan F tabel untuk dk 1 : 28 (pembilang =1; penyebut = 28) untuk taraf signifikansi 5% = 4,20. Ini berarti harga Fhitung > Ftabel, sehingga hipotesis nol ditolak dan hipotesis alternatif diterima, sehingga F regresi adalah signifikan. Dengan demikian, terdapat hubungan fungsional yang signifikan antara varaibel motivasi dan prestasi belajar. Jika harga Fhitung (tuna cocok) lebih kecil dari harga Ftabel, maka harga F hitung (tuna cocok) nonsignifikan, yang berarti bahwa hipotesis nol diterima dan hipotesis alternatif ditolak, sehingga regresi Y atas X adalah linier. Dalam hal ini, Fhitung (tuna cocok) = 0,27, sedangkan harga Ftabel untuk taraf signifikansi 5% = 2,42, dengan demikian harga F tuna cocok < F tabel. Ini berarti, H0 diterima sehingga harga F tuna cocok adalah nonsignifikan. Dengan demikian, hubungan antara variabel motivasi dan prestasi belajar matematika adalah linier.

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

Langkah#7: menghitung kadar hubungan antara X dan Y atau kontribusi X terhadap Y Koefisien korelasi (r) dapat dihitung dengan rumus berikut:

r2 =

JK (TD ) JK ( S ) JK (TD )

Dimana: JK(TD) = Jumlah kuadrat total dikoreksi JK(TD) = JK(T) JK(a) = 33528 33333,33 = 194,67 194,67 43,26 = 0,778 Jadi r 2 = 194,67 Koefisien korelasinya (r) = 0,778 = 0,881 . Hubungan motivasi dengan prestasi belajar matematika = 0,881. Kontribusi atau sumbangan motivasi terhadap prestasi belajar adalah sebesar 77,8% sedangkan sisanya (residunya) sebesar 22,2% dijelaskan oleh variabel lain yang tidak diteliti. Koefisien korelasi juga dapat dihitung dengan korelasi product moment dengan rumus:
rxy =

{N X

N XY ( X )( Y )
2 2

( X ) N Y 2 ( Y )

}{

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. B. ANALISIS REGRESI DENGAN BANTUAN SPSS 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)

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

Struktur Data (masih menggunakan contoh data di atas)

Langkah#2 : Klik menu Analyze pilih Regression klik Linier

Dengan mengklik Linier sebagaimana di atas, akan muncul kotak sebagai berikut

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

Langkah#3: Pindahkan variabel yang akan dianalisis dalam kolom Dependent sebagai variabel terikat (y) dan Independet sebagai variabel bebas (x).

Langkah#4: Klik Statistics untuk menentukan uji tambahan seperti gambar berikut, lalu klik Continue

Langkah#5 : Pilih Plot untuk membuat visualisasi keluaran seperti berikut

Langkah#6 : Klik Save jika ingin menyimpan beberapa hasil prosedur uji, seperti gambar berikut

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

Langkah#7: Klik Options, apabila dikehendaki beberapa perhitungan statistik lain dalam analisa regresi, seperti berikut

Langkah#8: Klik Continue, kemudian klik OK sehingga menghasilkan output seperti gambar berikut.

OUTPUT

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

Uraian Output Uji regresi dengan SPSS secara keseluruhan sebagai berikut:

Regression
Descriptive Statistics Mean 33.3333 36.8333 Std. Deviation 2.5909 3.3639 N 30 30

Prestasi Belajar Motivasi

Correlations Prestasi Belajar 1.000 .881 . .000 30 30

Pearson Correlation Sig. (1-tailed) N

Prestasi Belajar Motivasi Prestasi Belajar Motivasi Prestasi Belajar Motivasi

Motivasi .881 1.000 .000 . 30 30

b Variables Entered/Removed

Model 1

Variables Entered Motivasia

Variables Removed .

Method Enter

a. All requested variables entered. b. Dependent Variable: Prestasi Belajar

b Model Summary

Model 1

R R Square .881a .776

Adjusted R Square .768

Std. Error of the Estimate 1.2476

Durbin-W atson 1.770

a. Predictors: (Constant), Motivasi b. Dependent Variable: Prestasi Belajar

ANOVAb Sum of Squares 151.083 43.584 194.667

Model 1

df 1 28 29

Regression Residual Total

Mean Square 151.083 1.557

F 97.062

Sig. .000a

a. Predictors: (Constant), Motivasi b. Dependent Variable: Prestasi Belajar

a Coefficients

Model 1

(Constant) Motivasi

Standardi zed Unstandardized Coefficien Coefficients ts B Std. Error Beta 8.341 2.547 .679 .069 .881

t 3.275 9.852

95% Confidence Interval for B Sig. Lower Bound Upper Bound .003 3.124 13.558 .000 .537 .820

a. Dependent Variable: Prestasi Belajar

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

10

a Residuals Statistics

Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value

Minimum 28.6968 -2.031 .2281 28.6322 -2.7679 -2.219 -2.259 -2.8696 -2.453 .002 .000 .000

Maximum 36.8390 1.536 .5228 37.0772 2.5180 2.018 2.086 2.6899 2.229 4.126 .159 .142

Mean 33.3333 .000 .3138 33.3291 -1.18E-15 .000 .002 4.264E-03 -.007 .967 .034 .033

Std. Deviation 2.2825 1.000 7.400E-02 2.2963 1.2259 .983 1.015 1.3089 1.053 .962 .045 .033

N 30 30 30 30 30 30 30 30 30 30 30 30

a. Dependent Variable: Prestasi Belajar

Charts
Histogram Dependent Variable: Prestasi Belajar
7 6 5 4 3 2 Std. Dev = .98 1 0 -2.00 -1.50 -1.00 -.50 0.00 .50 1.00 1.50 2.00 Mean = 0.00 N = 30.00

Frequency

Regression Standardized Residual

Normal P-P Plot of Regression Standardized Residual Dependent Variable: Prestasi Belajar
1.00

.75

Expected Cum Prob

.50

.25

0.00 0.00 .25 .50 .75 1.00

Observed Cum Prob

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

11

Scatterplot Dependent Variable: Prestasi Belajar

40 38

36

34

Prestasi Belajar

32

30 28 -3 -2 -1 0 1 2

Regression Standardized Predicted Value

Langkah#9 : Interpretasikan hasil analisis Berdasarkan perhitungan maka langkah selanjutnya adalah melakukan uji hipotesis nyata tidaknya model regresi linier dengan mengambil hipotesis: a. Susun Hipotesis Ho : Motivasi dengan prestasi belajar tidak mempunyai hubungan berupa garis linier Ha : Motivasi dengan prestasi belajar mempunyai hubungan berupa garis linier. b. Tetapkan signifikansi, misalnya = 0,05 c. Bandingkan dengan signifikansi yang diperoleh pada tabel Anovab . apabila < Sig, maka H1 diterima, sebaliknya bila Sig, maka H0 diterima.
ANOVAb Sum of Squares 151.083 43.584 194.667

Model 1

df 1 28 29

Regression Residual Total

Mean Square 151.083 1.557

F 97.062

Sig. .000a

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 Fhitung ditentukan berdasarkan nilai signifikansi yang diperoleh dari perhitungan. Bila nilai signifikansi yang diperoleh dari perhitungan (Sig.) lebih kecil dari taraf signifikansi yang ditetapkan (), 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 = 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:

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

12

b Model Summary

Model 1

R R Square .881a .776

Adjusted R Square .768

Std. Error of the Estimate 1.2476

Durbin-W atson 1.770

a. Predictors: (Constant), Motivasi b. Dependent Variable: Prestasi Belajar

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. SEKIAN DAN TERIMA KASIH SELAMAT MENCOBA DAN SEMOGA BERMANFAAT

Jangan Lewatkan Materi-Materi Berikutnya. Hanya di

www.forumpenelitian.blogspot.com

Muhammad Ali Gunawan

www.forumpenelitian.blogspot.com

13