LAPORAN PRAKTIKUM BIOSTATISTIKA

ACARA 3

KORELASI DAN REGRESI

Disusun Oleh:

MARATUS SOLIKHATI

1401070028

PROGRAM STUDI PENDIDIKAN BIOLOGI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS MUHAMMADIYAH PURWOKERTO

2017
 Sabtu, 15 April 2017

KORELASI DAN REGRESI

A. Tujuan
1. Mengetahui cara pengujian korelasi dengan software SPSS
2. Mengetahui cara pengujian regresi dengan software SPSS
3. Mengetahui kegunaan uji korelasi
4. Mengetahui kegunaan uji regresi

B. Dasar Teori
KORELASI
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengakuan asosiasi
merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistic bivariate yang di gunnakan untuk mengukur kekuatan hubungan antara
dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi
terdapat dua teknik korelasi yang sangat popular sampai sekarang, yaitu
Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Pengukuran
asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau
kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi jika
perilaku variabel yang satu mempengaruhi variabel yang lain. Jika tidak terjadi
pengaruh, maka kedua variabel tersebut disebut independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua
variabel atau lebih dengan skala-skala tertentu, misanya pearson data harus
bersekala interval atau rasio. Spearman dan Kendal menggunakan skala
ordinal. Kuat lemahnya hubungan di ukur menggunakan jarak (range) 0 sampai
dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah
(two tailed). Dikatakan korelasi searah jika koefesien korelasi ditemukan
positif, sebalikanya jika koefisien korelasinya ditemukan negative maka di
katakana korelasi tidak searah.
Koefesien korelasi ialah suatu pengukuran statistic kovariasi atau asosiasi
antara dua variabel. Jika koefesian korelasi diketemukan tidak sama dengan nol
(0), maka terdapat hubungan antara dua variabel tersebut. Jika koefesien
diketemukan +1, maka hubungan tersebut disebut hubungan korelasi sempurna
atau hubungan linear sempurna dengan emiringan (slope) positif. Sebalikanya,
jika koefesien diketemukan -1, maka hubungan tersebut disebut hubungan
korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope)
negatif.
Dalam korelasi sempurna tidak diperlukan lavi pengujian hipotesis
mengenai signifikasi antara variabel yang dikorelasikan, karena kedua variabel
mempunyai dua hubungan linear yang sempurna. Artinya variabel X
mempunyai hubungan sangat kuat dengan variabel Y. jika korelasi sam dengan
nol (0), maka tidak terdapat hubungan antara kedua variabel.
Pengukuran asosiasi berguna untuk mengukur kekuatan (strength) dan
arah hubungan-hubungan antar dua variabel atau lebih. Contoh: mengukur
hubungan antar dua variabel: 1) Motivasi kerja dengan produktifitas; 2)
Kualitas layanan dengan kepuasan pelanggan; 3) Tingkat inflasi dengan IHSG.

KEGUNAAN KORELASI

Pengukuran ini membahas hubungan antar dua variabel untuk masing-masing

kasus akan menghasilkan keputusan, diantaranya:

a). Hubungan kedua variabel tidak ada;

b). Hubungan kedua variabel lemah;

c). hubungan kedua variabel cukup kuat;

d). Hubungan kedua variabel kuat; dan

e). Hubungan kedua variabel sangat kuat;

Penentuan tersebut didasarkan pada kreteria yang menyebutkan jika

hubungan mendekati 1, maka hubungan semakin kuat, sebaliknya jika
hubungan mendekati nol (0), maka hubungan semakin lemah. Adapun Asumsi-
asumsi dasar korelasi diantaranya ialah:
- Kedua variabel bersifat independen satu dengan yang lainnya, artinya
masing-masing variabel berdiri sendiri dan tidak tergantung satu dengan
yang lainnya.
- Tidak ada istilah variabel bebas dan variabel tegantung.
- Data untuk kedua variabel berdistribusi normal, artinya data yang
distribusinya simestris sempurna. Jika digunakan Bahasa umum disebut
berbentk kurva bel.
KARAKTERISTIK KORELASI

Beberapa karakteristik-karakteristik korelasi diantaranya:

1. Kisaran Korelasi: Kisaran (range) korelasi mulai dari nol (0) sampai satu (1),
korelasi bisa pisitif dan bisa juga negatif.

2. Korelasi Sama Dengan Nol: Korelasi sama dengan 0 mempunyai arti tidak
ada hubungan antra dua variabel.

3. Korelasi Sama Dengan Satu: Korelasi sama dengan +1, artinya kedua
variabel mempunyai hubungan linier sempurna (membentuk garis lurus)
positif. Korelasi seperti ini mempunyai makna jika nilai X naik, maka nilai
Y juga naik.

4. Korelasi Sama Dengan Minus Satu: artinya kedua variabel mempunyai

hubungan linier sempurna (membentuk garus lurus) negatif. Korelasi
sempurna seperti ini mempunyai makna jika nilai X turun, maka nulai Y
juga turun dan berlaku sebaliknya.

MACAM-MACAM KORELASI

1) Korelasi Poduct Moment (Pearson)

Korelasi Pearson Product Moment, yang merupakan pengukuran
parametik, akan menghasilkan koefesien korelasi yang berfungsi untuk
mengukur kekuatan hubungan linier antara dua variabel. Jika hubungan dua
variabel tidak linier, maka koefesien krelasi pearson tersebut tidak
mencerminkan kekuatan hubungan dua variabel yang sedang diteliti, meski
kedua variabel mempunyai hubungan kuat. Simbol untuk korelasi Pearson
adalah p jika diukur dalam populasi, dan r jika di ukur dalam sampel.
Korelasi Pearson mempunyai jarak -1 sampai dengan +1. Jika koefisien
korelasi adalah -1, maka kedua variabel yang diteliti mempunyai hubungan
linier sempurna negatif. Jika koefisien korelasi adalah +1, maka kedua
variabel yang diteliti mempunyai hubungan sempurna positif. Jika
koefisien korelasi menunjukkan angka 0, maka tidak tidak terdapat
hubungan antara dua variable yang dikaji. Jika hubungan dua variable linier
sempurna, maka sebaran data tersebut akan membentuk garis lurus.
 Sekalipun demikian pada kenyataannya kita akan sulit menemukan data
yang dapat mementuk garis linier sempurna.
Syarat-syarat data yang digunakan dalam Korelasi Pearson, diantaranya:
- Bersekala interval/ rasio
- Variabel X dan Y harus bersifat independen satu dengan lainnya
- Variabel harus kuatitaif simetris
2) Korelasi Spearman
Korelasi Spearman merupakan korelasi non-parametik. Koefisien
korelasi ini mempunyai symbol r (rho). Pengukuran dengan menggunakan
korelasi Spearman digunakan untuk menilai adanya seberapa baik fungsi
monotik (suatu fungsi yang sesuai perintah) arbiter digunakan untuk
menggambarkan hubungan dua variabel dengan tanpa membuat asumsi
distribusi frekuensi dari variabel-variabel yang diteliti. Nilai koefisien
korelasi dan kreteria penilaian kekuatan hubungan dua variabel sama
dengan yang digunakan dalam korelasi Pearson. Penghitungan dilakukan
dengan cara yang sama dengan korelasi Pearson, perbedaan terletak pada
hubungan data kedalam bentuk rangking sebelum dihitung koefisien
korelasinya. Itulah sebabnya korelasi ini disebut sebagai Korelasi Rank
Spearman.
Syarat-syarat dan Asumsi Penggunaan Korelasi Rank Spearman
Data yang digunakan harus bersekala ordinal. Berbeda denga Korelasi
Pearson, Korelasi Spearman tidak memerlukan adanya hubungan linier
dalam variabel-variabel yang diukur dan tidak perlu menggunakan data
yang bersifat interval, tapi cukup dengan menggunakan data ordinal.
Asumsi yang digunakan dalam korelasi ini adalah tingkatan (rank)
berikutnya harus menunjukkan posisi jarak yang sama pada variabel-
variabel yang di ukur. Jika menggunakan skala Likert, maka jarak skala
yang digunakan harus sama. Juga, data tidak harus berdistribusi normal.
3) Korelasi Kendalls Tau
Korelasi Kendalls Tau digunakan untuk mengukur kekuatan
hubungan dua variabel. Korelasi ini sama dengan Korelasi Spearman yang
dikategorokan sebagai statistic non-parametik. Data yang digunakan
bersekala ordinal dan tidak harus berdistribusi normal.
4) Korelasi Parsial
Korelasi Parsial merupakan korelasi antara dua variabel ketika
pengaruh dari satu atau lebih variabel yang berhubungan yang berperan
 sebagai variabel ketiga dikendalikan atau diparsialkan. Tujuannya ialah
untuk memperoleh varian unik dalam hubungan antare kedua variabel yang
dikorelasikan dan menghilangkan varian variabel ketiga yang dapat
berpengaruh terhadap hubungan kedua variabel tersebut. vasiavel yang
diteliti harus kontinus dan bersekala interval. Hubungan antar bvariabel
bersifat linier dan data harus berdistribusi normal. Korelasi parsal hanya
digunakan jika variabel ketiga mempunyai keterkaitan dengan salah satu
variabel yang kita korelasikan.
5) Korelasi Point Biserial
Korelasi ini digunakan untuk menganalisis hubungan antara data
interval/rasio dengan data dikotomi (murni).
6) Korelasi Biserial
Korelasi ini digunakan untuk menganalisis hubungan data
interval/rasio dengan data dikotomi (buatan).
7) Korelasi Phi (Koefesien Phi)
Korelasi ini digubakan untuk analisis hubungan antara data nominal
dikotomi dangan data dikotomi.
8) Korelasi Koefesien Kontegensi
Korelasi ini digunakan untuk menganalisis hubungan antara data
nominal (politomi) dengan data nominal (politomi).

9) Korelasi Ganda
Korelasi ganda (multiple correlation) adalah korlasi antara dua atau
lebih variabel bebas (independent) secara bersama-sama dengan satu
variabel terikat (dependent). Angka yang menunjukkan arah dan besar
kuatnya hubungan antara dua atau lebih variabel bebas dengan satu variabel
tarikat disebut koefesien korelasi ganda dan di simbolkan R.
10) Koefisien Determinasi
Koefisien determinasi dilambangan dengan r2. Nilai ini menyatakan
proporsi variasi keseluruhan dalam nilai variabel dependent yang dapat
diterangkan atau diakibatkan oleh hubungan linier dengan variabel
independent, selain itu (sisanya) diterngakan oleh variabel yang lain (galat
atau peubahan lainnya). Nilai koefisien determinasi dinyatakan dalam
kuadrat dari nilai koefesien korelasi r2 x 100%= n%, memiliki makna
bahwa nilai variabel dependent dapat diterangkan oleh variabel
independent sebesar n%, sedangkan sisanya sebesar (100-n) % diterangkan
 oleh gelat (error) atau pengaruh variabel yang lain. Sedangkan untuk
analisis korelasi dengan jumlah variabel dependent lebih dari satu
(ganda/majemuk), terdapat koefisien determinasi penyesuaian (adjustment)
yang sangat sensitive dengan jumlah variabel. Biasanya untuk analisis
korelasi majemuk/ganda yang sering dipakai adalah koefisien dterminasi
penyesuaian (koefisien determinasi sederhana tidak memperhatikan jumlah
variabel independent). Rumus yang dipakai adalah:

KD = r2 x 100%

Keterangan :

KD = Koefisien Determinasi

r = Koefisien Korelasi

REGRESI
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton dimana yang bersangkutan melakukan kajian yang
menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para orang
tua yang tinggi cenderung bergerak (regress) kearah ketinggian rata-rata
populasi secara keseluruhan. Galton memperkenalkan kata regresi (regression)
sebagai nama proses umum untuk memprediksi satu variabel, yaitu tinggi
badan anak dengan menggunakan variabel lain, yaitu tinggi badan orang tua.
Pada perkembangan berikutnya hukum Galton mengenai regresi ini ditegaskan
lagi oleh Karl Pearson dengan menggunakan data lebih dari seribu. Pada
perkembangan berikutnya, para ahli statistik menambahkan isitilah regresi
berganda (multiple regression) untuk menggambarkan proses dimana beberapa
variabel digunakan untuk memprediksi satu variabel lainnya.
Regresi dalam pengertian moderen menurut Gujarati (2009) ialah sebagai
kajian terhadap ketergantungan satu variabel, yaitu variabel tergantung
terhadap satu atau lebih variabel lainnya atau yang disebut sebagai variabel
variabel eksplanatori dengan tujuan untuk membuat estimasi dan / atau
memprediksi rata rata populasi atau nilai rata-rata variabel tergantung dalam
kaitannya dengan nilai nilai yang sudah diketahui dari variabel
ekslanatorinya. Selanjutnya menurut Gujarati meski analisis regresi berkaitan
dengan ketergantungan atau dependensi satu variabel terhadap variabel
variabel lainnya hal tersebut tidak harus menyiratkan sebab akibat
(causation). Dalam mendukung pendapatnya ini, Gujarati mengutip pendapat
Kendal dan Stuart yang diambil dari buku mereka yang berjudul The
Advanced Statistics yang terbit pada tahun 1961 yang mengatakan bahwa,
suatu hubungan statistik betapapun kuat dan sugestifnya tidak akan pernah
dapat menetapkan hubungan sebab akibat (causal connection); sedang gagasan
mengenai sebab akibat harus datang dari luar statistik, yaitu dapat berasal dari
teori atau lainnya.
Sedang menurut Levin & Rubin (1998:648), regresi digunakan untuk
menentukan sifat sifat dan kekuatan hubungan antara dua variabel serta
memprediksi nilai dari suatu variabel yang belum diketahui dengan didasarkan
pada observasi masa lalu terhadap variabel tersebut dan variabel-variabel
lainnya. Selanjutnya dalam regresi kita akan mengembangkan persamaan
estimasi (estimating equation), yaitu rumus matematika yang menghubungkan
variabel-variabel yang diketahui dengan variabel-variabel yang tidak diketahui.
Setelah dipelajari pola hubungannya, kemudian kita dapat mengaplikasikan
analisis korelasi (correlation analysis) untuk menentukan tingkatan dimana
variabel variabel tersebut berhubungan. Kesimpulannya, analisis korelasi
mengungkapkan seberapa benar persamaan estimasi sebenarnya
menggambarkan hubungan tersebut. Lebih lanjut Levin & Rubin mengatakan
bahwa: Kita sering menemukan hubungan sebab akibat antar variabel
variabel; yaitu variabel bebas menyebabkan variabel tergantung berubah.
Sekalipun demikian mereka melanjutkan bahwa: penting untuk kita
perhatikan bahwa yang kita anggap hubungan (relationship) yang diketemukan
melalui regresi sebagai hubungan asosiasi (relationship of association) tetapi
tidak selalu harus sebab dan akibat (cause and effect). Kecuali kita mempunyai
alasan alasan khusus untuk percaya bahwa (perubahan pada) nilai nilai
variabel tergantung disebabkan oleh nilai 2nilai variabel (variabel) bebas;
jangan menyimpulkan (infer) hubungan sebab akibat dari hubungan yang
diketemukan dalam regresi.
Karena Levin & Rubin dalam mendefinisikan regresi juga menggunakan
istilah analisis korelasi, maka sebaiknya dalam bagian ini penulis perlu
menjelaskan perbedaan antara regresi dan korelasi. Menurut Gujarati (2009:
20) analisis korelasi bertujuan untuk mengukur kekuatan (strength) atau
tingkatan (degree) hubungan linier (linear association) antara dua variabel.
Untuk mengukur kekuatan hubungan linier ini digunakan koefesien korelasi.
Sebaliknya dalam regresi kita tidak melakukan pengukuran seperti itu. Dalam
regresi kita membuat estimasi atau memprediksi nilai rata-rata satu variabel
didasarkan pada nilai nilai tetap variabel variabel lain. Perbedaan yang
mendasar antara regresi dan korelasi ialah dalam regresi terdapat (hubungan)
asimetri dalam kaitannya dengan perlakuan terhadap variabel tergantung dan
variabel bebas. Variabel tergantung diasumsikan statistitikal, acak atau
stokhastik, yaitu mempunyai distribusi probabilitas. Sedang variabel bebas /
prediktornya diasumsikan mempunyai nilai nilai tetap. Sebaliknya dalam
korelasi kita memperlakukan dua variabel atau variabel variabel apa saja
secara simetris, yaitu tidak ada perbedaan antara variabel bebas dan variabel
tergantung. Sebagai contoh korelasi antara nilai ujian matematik dan statistik
sama dengan korelasi nilai ujian statistik dan matematik. Lebih lanjut dalam
korelasi kedua variabel diasumsikan random.
Regresi linier mempunyai persamaan yang disebut sebagai persamaan
regresi. Persamaan regresi mengekspresikan hubungan linier antara variabel
tergantung / variabel kriteria yang diberi simbol Y dan salah satu atau lebih
variabel bebas / prediktor yang diberi simbol X jika hanya ada satu prediktor
dan X1, X2 sampai dengan Xk, jika terdapat lebih dari satu prediktor
(Crammer & Howitt, 2006:139). Persamaan regresi akan terlihat seperti di
bawah ini:
- Untuk persamaan regresi dimana Y merupakan nilai yang diprediksi, maka
persamaannya ialah:

Y = a + 1X1 (untuk regresi linier sederhana)

Y = a + 1X1 + 2X2 + + kXk (untuk regresi linier berganda)

- Untuk persamaan regresi dimana Y merupakan nilai sebenarnya

(observasi), maka persamaan menyertakan kesalahan (error term / residual)
akan menjadi:
 Y = a + 1X1 + e (untuk regresi linier sederhana)

Y = a + 1X1 + 2X2 + + kXk + e (untuk regresi linier

berganda)

Dimana:

X : Nilai sebenarnya suatu kasus (data)

: Koefisien regresi jika hanya ada satu prediktor dan koefisien regresi parsial
jika terdapat lebih dari satu prediktor. Nilai ini juga mewakili mewakili
koefesien regresi baku (standardized) dan koefisien regresi tidak baku
(unstandardized). Koefesien regresi ini merupakan jumlah perubahan yang
terjadi pada Y yang disebabkan oleh perubahan nilai X. Untuk menghitung
perubahan ini dapat dilakukan dengan cara mengkalikan nilai prediktor
sebenarnya (observasi) untuk kasus (data) tertentu dengan koefisien regresi
prediktor tersebut.

a : merupakan intercept yang merupakan nilai Y saat nilai prediktor sebesar

nol.

Sedang garis regresi didefinisikan sebagai garis lurus yang ditarik dari titik
titik diagram pencar (scattered diagram) dari nilai variabel tergantung dan
variabel bebas sehingga garis tersebut menggambarkan hubungan linier antara
variabel-variabel tersebut. Jika nilai-nilai ini merupakan garis regresi nilai baku
maka garis ini sama dengan garis korelasi. Garis ini disebut juga sebagai garis
kecocokan yang sempurna dimana garis lurus tersebut berada pada posisi
terdekat pada titik-titik diagram pencar. Garis ini dapat digambarkan dari nilai-
nilai persamaan regresi dalam bentuk yang paling sederhana yaitu:

Nilai yang diprediksi = intercept + (koefisien regresi x nilai prediktor)

Sumbu vertikal dari diagram pencar digunakan untuk menggambarkan

nilai-nilai variabel tergantung sedang sumbu horizontal menggambarkan nilai
prediktor. Intercept merupakan titik sumbu vertikal yang merupakan nilai
variabel tergantung yang diprediksi saat nilai prediktor atau variabel bebas
sebesar nol. Nilai yang diprediksi akan sebesar akan sebesar 0 jika koefisien
 regresi baku digunakan. Itulah sebabnya saat menggunakan IBM SPSS
keluaran yang digunakan dalam koefisien regresi menggunakan keluaran pada
kolom unstandardized coefficient.

Persamaannya ialah:

Y = a + 1X1

Dengan:

Y= variabel tergantung / variabel kriteria

a= intercept Y

= kemiringan (slope)

X= variabel bebas

Garis regresi mempunyai 3 (tiga) kemungkinan yaitu:

1) hubungan linier positif,

2) hubungan linier negatif, dan

3) tidak ada hubungan linier.

C. Alat dan Bahan

1. Alat
Laptop dan program SPSS
Buku petunjuk praktikum
2. Bahan
Data hasil pretest
Data hasil posttest

D. Cara Kerja
A. Korelasi (Hipotesis dengan Taraf Kesalahan 1 %)
1. Memasukan Data pada data view dengan format :
2. Mengubah name item 1 menjadi Motivasi dan item 2 nenjadi Prestasi.
Menuliskan label Motivasi Belajar dan :Prestasi Belajar:. Mengubah
decimal menjadi 0 pada jendela Variabel View.

3. Mengklik menu Analyze, kemudian pilih Correlate dan pilih Bivariate

4. Memasukan variable Motivasi Belajar dan Prestasi Belajar pada kotak

variable. Memilih Pearson pada kotak Correlation Coefficients dan
mengabaikan yang lain.
5. Mengklik option pada jendela Brivate Correlation. Akan muncul jendela
seperti di bawah ini.

6. Memilih means and standard deviations pada kotak statistic dan mengabaikan
yang lain. Mengklik Continue. Klik OK. Akan Nampak jendela SPSS Viewer
sebagai berikut.
7. Menginterpetasikan data hasil perhitungan SPSS.

B. Regresi
Dengan menggunakan data yang sama pada uji korelasi, akan diketahui
hubungan dengan uji korelasi. Hipotesis dengan taraf kesalahan 0,05 = 5%
1. Memasukan Data pada data view dengan format :

2. Mengubah name item 1 menjadi Motivasi dan item 2 nenjadi Prestasi.

Menuliskan label Motivasi Belajar dan :Prestasi Belajar:. Mengubah
decimal menjadi 0 pada jendela Variabel View.
3. Membuat hipotersis
a. Hipotesis 1
Ho : Tidak ada hubungan yang signifikan anatara Motivasi Belajar terhadap
Prestasi Belajar
Ha : Ada hubungan yang signifikan anatara Motivasi Belajar terhadap
Prestasi Belajar
b. Hipotesis 2
Ho : koefisien arah regresi b = 0 (Tidak Berarti)
Ha : Koefisien arah regresi b 0 (berarti beb=ntuk persamaan linear Y= a +
bX sudah tepat).

4. Mengklik Alalyze, memblok Regressito, Blok Linear (klik linear)

Maka akan Nampak jendela Linear Regression sebagai berikut:

5. Memasukan variable Motivasi Belajar ke dalam kotak dependent dan

memasukan variable Prestasi Belajar ke dalam kotak Independen(s).
 Mengklik statistics, akan Nampak sub menu sebagai berikut:

6. Dalam kotak sub menu linear regression : Statististics Klik (memberi tanda
check) pada Estimate, Confidence intervals, Mode Fit dan Descriptives.
Mengklik continue maka akan kembali ke menu Linear Regression).
Mengklik option, akan nampak sub menu Linear Regression :Option sebagai
berikut .
7. Pada sub menu Linear Regression :Option, mengklik Use Probability of F,
Include Constant in Equation, dan Replace with Mean (pada kotak Missing
Value. Mengklik continue (akan kembali ke menu Linear regression). Klik Ok
akan Nampak SPSS Viewer sebagai berikut :

8. Menginterpetasikan hasil perhitungan Regresi SPSS.

E.
Hasil Pengamatan
Data awal uji korelasi dan uji regresi
1. Uji

Korelasi
Correlations
MOTIVASI PRESTASI
BELAJAR BELAJAR
MOTIVASI Pearson
1 ,560**
BELAJAR Correlation
Sig. (2-tailed) ,001
N 30 30
PRESTASI Pearson
,560** 1
BELAJAR Correlation
Sig. (2-tailed) ,001
 N 30 30

2. Uji Regresi
Correlations
PRESTASI MOTIVASI
BELAJAR BELAJAR
Pearson Correlation PRESTASI BELAJAR 1,000 ,560
MOTIVASI BELAJAR ,560 1,000
Sig. (1-tailed) PRESTASI BELAJAR . ,001
MOTIVASI BELAJAR ,001 .
N PRESTASI BELAJAR 30 30
MOTIVASI BELAJAR 30 30

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 874,598 1 874,598 12,767 ,001b
Residual 1918,068 28 68,502
Total 2792,667 29
a. Dependent Variable: PRESTASI BELAJAR
b. Predictors: (Constant), MOTIVASI BELAJAR

Coefficientsa
Standardi
zed
Unstandardized Coefficien 95,0% Confidence
Coefficients ts Interval for B
Std. Lower Upper
Model B Error Beta t Sig. Bound Bound
1 (Constant) 48,179 6,927 6,955 ,000 33,990 62,368
MOTIVASI
,429 ,120 ,560 3,573 ,001 ,183 ,675
BELAJAR
a. Dependent Variable: PRESTASI BELAJAR

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 ,560a ,313 ,289 8,277
a. Predictors: (Constant), MOTIVASI BELAJAR

F. Pembahasan
1. Uji Korelasi
 Analisis korelasi atau uji korelasi dengan menggunakan rumus

korelasi r xy bertujuan untuk membuktikan adanya hubungan yang

signifikan antara motivasi belajar dengan prestasi belajar dengan taraf

kesalahan 1% atau (0,01).
Dalam melakukan uji ini, yang pertama kali dilakukan
adalah menentukan hipotesis terlebih dahulu. Hipotesis
tersebut :

H0 : Tidak ada hubungan yang signifikan antara motivasi belajar

terhadap prestasi belajar

Ha : Ada hubungan yang signifikan antara motivasi belajar terhadap

prestasi belajar

Kriteria pengujian atau keputusan yang diambil pada uji ini adalah
dengan melihat nilai probabilitas yang diperoleh dan membandingkannya
dengan taraf signifikan ( = 0,01). Ketentuannya adalah :

Jika probabilitas (sig) > , maka H0 diterima

Jika probabilitas (sig) < , maka H0 ditolak,

dengan besarnya yang digunakan adalah 1% (0,01)

Dari hasil perhitungan nilai probabilitas pada uji korelasi, diperoleh

bahwa nilai Asymp.Sig.(2-tailed) = 0,001 (Tabel 1)

Correlations
Motivasi belajar Prestasi belajar
Motivasi belajar Pearson Correlation 1 .560**
Sig. (2-tailed) .001
N 30 30
Prestasi belajar Pearson Correlation .560** 1
Sig. (2-tailed) .001
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).

Dari tabel di atas, hasil perbandingan antara nilai sig. dan diperoleh :
 Sig = 0,001 < = 0,01 sehingga keputusannya H0 ditolak, dengan
demikian dapat dikatakan bahwa ada hubungan yang signifikan antara
motivasi belajar terhadap prestasi belajar. Kemudian untuk dapat mengetahui
kuat lemahnya tingkat atau derajat keeratan hubungan antara motivasi belajar
dengan prestasi belajar, digunakan tabel kriteria pedoman untuk koefisien
korelasi yang dikemukakan oleh Sugiyono (2008) (Tabel 2) :

Interval Koefisien Tingkat Hubungan

0,00 0,199 Sangat rendah
0,20 0,399 Rendah
0,40 0,599 Sedang
0,60 0,799 Kuat
0,80 1,000 Sangat kuat
Pada uji korelasi ini, koefisien korelasi yang diperoleh sebesar 0,560,
yang berarti bahwa dengan melihat kriteria di atas, hubungan antara
motivasi belajar dengan prestasi belajar memiliki tingkat atau derajat
keeratan hubungan yang sedang. Hubungan tersebut juga bersifat positif
dikarenakan koefisien korelasi yang didapatkan adalah 0,560 (tidak
memiliki tanda minus atau -). Arti positif adalah hubungan antara
motivasi belajar dengan prestasi belajar searah. Semakin tinggi motivasi
belajarnya, maka akan semakin baik prestasi yang diperoleh. Begitu pula
sebaliknya, semakin rendah motivasi belajarnya, maka akan semakin buruk
prestasi belajar yang diperoleh.
2. Uji Regresi
Analisis regresi merupakan suatu model matematis yang dapat
digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel.
Analisis pada uji ini dilakukan dengan melihat hasil pada 4 tabel yaitu,
tabel correlations, model summary, anova, dan coefficient.
a. Correlations

Hipotesis untuk hasil dari tabel correlations adalah :

H0 : Tidak ada hubungan yang signifikan antara motivasi belajar

terhadap prestasi belajar
 Ha : Ada hubungan yang signifikan antara motivasi belajar terhadap
prestasi belajar

Kriteria pengujian atau keputusan yang diambil untuk hasil dari

tabel correlations adalah dengan melihat nilai probabilitas yang
diperoleh dan membandingkannya dengan taraf signifikan ( = 0,05).
Ketentuannya adalah :

Jika probabilitas (sig) > , maka H0 diterima

Jika probabilitas (sig) < , maka H0 ditolak,

dengan besarnya yang digunakan adalah 5% (0,05)

Dari hasil perhitungan nilai probabilitas yang diperoleh,

menunjukkan bahwa nilai Asymp.Sig.(2-tailed) = 0,001 (Tabel
3) :

Correlations
Prestasi belajar Motivasi belajar
Pearson Correlation Prestasi belajar 1.000 .560
Motivasi belajar .560 1.000
Sig. (1-tailed) Prestasi belajar . .001
Motivasi belajar .001 .
N Prestasi belajar 30 30
Motivasi belajar 30 30

Dari tabel di atas, hasil perbandingan antara nilai sig. dan

diperoleh :

Sig = 0,001 < = 0,01 sehingga keputusannya H0 ditolak,

dengan demikian dapat dikatakan bahwa ada hubungan yang
signifikan antara motivasi belajar terhadap prestasi belajar.

b. Anova
Hipotesis untuk hasil dari tabel anova adalah :
H0 : Koefisien arah regresi b = 0 (tidak berarti)
Ha : Koefisien arah regresi b 0 (berarti = bentuk persamaan linear
Y = a + bX sudah tepat)
 Kriteria pengujian atau keputusan yang diambil untuk hasil dari tabel
anova adalah dengan melihat nilai probabilitas yang diperoleh dan
membandingkannya dengan taraf signifikan ( = 0,05). Ketentuannya adalah :
Jika probabilitas (sig) > , maka H0 diterima
Jika probabilitas (sig) < , maka H0 ditolak,
dengan besarnya yang digunakan adalah 5% (0,05)
Dari hasil perhitungan nilai probabilitas yang diperoleh, menunjukkan
bahwa nilai Asymp.Sig.(2-tailed) = 0,001 (Tabel 4)

Dari tabel di atas, hasil perbandingan antara nilai sig. dan

diperoleh :

Sig = 0,001 < = 0,01 sehingga keputusannya H0 ditolak,

dengan demikian dapat dikatakan bahwa bentuk persamaan linear Y =
a + bX sudah tepat. Dimana bentuk persamaan linear Y = a + bX
merupakan rumus dari regresi linear sederhana. Itu berarti bahwa
model regresi linear sederhana dapat digunakan untuk memprediksi

ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 874.598 1 874.598 12.767 .001b
Residual 1918.068 28 68.502
Total 2792.667 29
a. Dependent Variable: Prestasi belajar
b. Predictors: (Constant), Motivasi belajar

tingkat prestasi belajar yang dipengaruhi oleh motivasi belajar. Karena

regresi linear sederhana digunakan hanya untuk satu variabel bebas
(independent) dan satu variabel tak bebas (dependent).

c. Coefficient
Hipotesis untuk hasil dari tabel anova adalah :
H0 : Tidak ada pengaruh motivasi belajar yang signifikan terhadap
prestasi belajar
Ha : Ada pengaruh motivasi belajar yang signifikan terhadap prestasi
belajar
Kriteria pengujian atau keputusan yang diambil untuk hasil dari
tabel anova adalah dengan melihat nilai probabilitas yang diperoleh
 dan membandingkannya dengan taraf signifikan ( = 0,05).
Ketentuannya adalah :
Jika probabilitas (sig) > , maka H0 diterima
Jika probabilitas (sig) < , maka H0 ditolak,
dengan besarnya yang digunakan adalah 5% (0,05)
Dari hasil perhitungan nilai probabilitas yang diperoleh, menunjukkan
bahwa nilai Asymp.Sig.(2-tailed) = 0,001 (Tabel 4) :

Coefficientsa
Unstandardized Standardized 95.0% Confidence Interval for
Coefficients Coefficients B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) 48.179 6.927 6.955 .000 33.990 62.368
Motivasi
.429 .120 .560 3.573 .001 .183 .675
belajar
a. Dependent Variable: Prestasi belajar
Dari tabel di atas, hasil perbandingan antara nilai sig. dan
diperoleh :

Sig = 0,001 < = 0,01 sehingga keputusannya H0 ditolak,

dengan demikian dapat dikatakan bahwa ada pengaruh motivasi
belajar yang signifikan terhadap prestasi belajar. Hasil coefficients
juga menunjukkan persamaan Y = a + bX yaitu :

Y = 48,179 + 0,429 x100

= 91,079

Di mana:
Y = Variabel terikat
X = Variabel bebas
a dan b = Konstanta
Dengan menggunakan rumus Y = 48,179 + 0,429 X maka dapat
diprediksi tingkat prestasi belajar jika motivasi belajarnya 100%.

d. Model Sumary
Hasil yang diperoleh dari tabel model summary sebagai berikut (Tabel5) :

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .560a .313 .289 8.277
a. Predictors: (Constant), Motivasi belajar
R disebut koefisien korelasi, dari tabel di atas menunjukkan nilai
koefisien korelasi antara variabel motivasi belajar dan prestasi belajar
adalah 0,560 dan menurut Sugiono (2008) hubungannya sedang,
dengan demikian dapat dikatakan bahwa hubungan antara motivasi
belajar dan prestasi belajar sebesar 56,0 %.

R Square disebut koefisien determinasi, dari tabel di atas nilainya

menunjukkan sebesar 0,313. Nilai tersebut diartikan bahwa variasi
yang terjadi terhadap baik buruknya prestasi belajar sebesar 31,3 %
dapat diterangkan karena adanya perubahan tinggi rendahnya motivasi
belajar dan sisanya hanya sebesar 100 31,3 = 68,8 % oleh variabel /
faktor lain
G. Kesimpulan
Dari praktikum acara 3 kali ini, maka dapat disimpulkan sebagai berikut:
1. Uji korelasi adalah suatubentuk analisis data dalam penelitian yang
bertujuan untuk mengetahui kekuatan atau bentuk arah hubungan diantara
dua variable dan besarnya pengaruh yang disebabkan oleh variable yang
satu (variable bebas) terhadap variable lainnya (variable terikat)
2. Uji regresi adalah bentuk analisis data untuk mengetahui pengaruh satu
variable bebas (independen) terhadap satu variable tak bebas (dependen)
yaitu menggunakan regresi linier
3. Uji korelasi terhadap korelasi terhadap motivasi belajar dan prestasi
belajar memiliki hubungan yang sedang dengan taraf kepercayaan 99%
4. Prediksi tingginya prestasi belajar (Y ) sebesar 91,079
5. Hubungan antara variable motivasi belajar dan variable prestasi belajar
pada uji regresi menunjukkan hubungan sebesar 56% dalam taraf sedang
6. Variasi yang terjadi terhadap keberhasilan prestasi belajar oleh perubahan
besar kecilnya motivasi belajar sebesar 31,3% dan 68,7% oleh variable
atau faktor lain.

DAFTAR PUSTAKA
Cramer, D. & Howitt, D. (2006). The Sage Dictionary of Statistics. London: Sage
Publication.
Gujarati dan Porter. 2009. Dasar-Dasar Ekonometrika. Salemba Empat. Jakarta.
Levin, Richard and David S Rubin. 1998. Statistic For Management.7th Edition.
Prentice-all International Inc.
Mulia, Dini Siswani. 2017. Petunjuk Praktikum Biostatistika. Purwokerto: UMP
Sugiyono, (2008). Metode Penelitian Bisnis. Bandung. Alfabeta.
Sugiyono. 2011. Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:
Alfabeta
LAMPIRAN

Correlations
Descriptive Statistics
Mean Std. Deviation N
MOTIVASI BELAJAR 56,27 12,793 30
PRESTASI BELAJAR 72,33 9,813 30

Correlations
MOTIVASI PRESTASI
BELAJAR BELAJAR
MOTIVASI BELAJAR Pearson Correlation 1 ,560**
Sig. (2-tailed) ,001
N 30 30
PRESTASI BELAJAR Pearson Correlation ,560** 1
Sig. (2-tailed) ,001
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).

Regression
Descriptive Statistics
Mean Std. Deviation N
PRESTASI BELAJAR 72,33 9,813 30
MOTIVASI BELAJAR 56,27 12,793 30

Correlations
PRESTASI MOTIVASI
BELAJAR BELAJAR
Pearson Correlation PRESTASI BELAJAR 1,000 ,560
MOTIVASI BELAJAR ,560 1,000
Sig. (1-tailed) PRESTASI BELAJAR . ,001
MOTIVASI BELAJAR ,001 .
N PRESTASI BELAJAR 30 30
MOTIVASI BELAJAR 30 30

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 MOTIVASI
. Enter
BELAJARb
a. Dependent Variable: PRESTASI BELAJAR
b. All requested variables entered.

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 ,560a ,313 ,289 8,277
a. Predictors: (Constant), MOTIVASI BELAJAR

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 874,598 1 874,598 12,767 ,001b
Residual 1918,068 28 68,502
Total 2792,667 29
a. Dependent Variable: PRESTASI BELAJAR
b. Predictors: (Constant), MOTIVASI BELAJAR

Coefficientsa
Standardiz
ed
Unstandardized Coefficient 95,0% Confidence
Coefficients s Interval for B
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
1 (Constant) 48,179 6,927 6,955 ,000 33,990 62,368
MOTIVASI
,429 ,120 ,560 3,573 ,001 ,183 ,675
BELAJAR
a. Dependent Variable: PRESTASI BELAJAR