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

b=

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

Muhammad Ali Gunawan

n xy

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

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=

b=

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

n xy

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 = 8,34 + 0,68 X

Y
28,70

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

ni
1
2

Muhammad Ali Gunawan

Y
29
31
30
31
32
32
31
30
30
32
32

jumlah
kelompok ke i

www.forumpenelitian.blogspot.com

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

10

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
JK(T) = Y2 = 33528

( Y )
JK(a) =

(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

(29) 2 2
(31 + 30) 2 2
(31 + 32) 2
2
2
= 29 2
+ 31 + 30
+ 31 + 32
+
2
1
2

2
(32 + 31 + 30 + 30 + 32) 2 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
2
2
(36 + 34) 2
(36 + 35)
2
2
36 + 34
+ 36 + 35
+
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
2
3
36
+
35
+
38

= 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 XY ( X )( Y )

{N X

}{

( X ) N Y 2 ( Y )
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.
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

Prestasi Belajar
Motivasi

Mean
33.3333
36.8333

Std. Deviation
2.5909
3.3639

N
30
30

Correlations

Pearson Correlation
Sig. (1-tailed)
N

Prestasi
Belajar
1.000
.881
.
.000
30
30

Prestasi Belajar
Motivasi
Prestasi Belajar
Motivasi
Prestasi Belajar
Motivasi

Motivasi
.881
1.000
.000
.
30
30

Variables Entered/Removedb

Model
1

Variables
Entered
Motivasia

Variables
Removed

Method
Enter

a. All requested variables entered.

b. Dependent Variable: Prestasi Belajar
Model Summaryb

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

Model
1

Regression
Residual
Total

Sum of
Squares
151.083
43.584
194.667

df
1
28
29

Mean Square
151.083
1.557

F
97.062

Sig.
.000a

a. Predictors: (Constant), Motivasi

b. Dependent Variable: Prestasi Belajar
Coefficientsa

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

Residuals Statisticsa

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

Maximum
36.8390
1.536

Mean
33.3333
.000

Std. Deviation
2.2825
1.000

.2281

.5228

.3138

7.400E-02

30

28.6322
-2.7679
-2.219
-2.259
-2.8696
-2.453
.002
.000
.000

37.0772
2.5180
2.018
2.086
2.6899
2.229
4.126
.159
.142

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

2.2963
1.2259
.983
1.015
1.3089
1.053
.962
.045
.033

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

Frequency

3
2
Std. Dev = .98
1

Mean = 0.00
N = 30.00

0
-2.00 -1.50 -1.00

-.50

0.00

.50

1.00

1.50

2.00

Regression Standardized Residual

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Prestasi Belajar
1.00

Expected Cum Prob

.75

.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

Prestasi Belajar

34

32

30
28
-3

-2

-1

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

Model
1

Regression
Residual
Total

Sum of
Squares
151.083
43.584
194.667

df
1
28
29

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

Model Summaryb

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