Uji Linearitas dan Uji Regresi Linear Sederhana

LAPORAN PRAKTIKUM
PENGOLAHAN DAN ANALISIS DATA STATISTIK
MENGGUNAKAN SPSS

Dosen Pengampu:
Dr. Husni Syahrudin, M.Si
Ludovicus Manditya Hari Christanto, S.Si, M.Sc
ACARA III
Uji Linearitas dan Uji Regresi Linear Sederhana

Dibuat Oleh:
Ahmad Ryadi Febryanto (F1032131018)
Rizki Ramadan (F1032131012)

PROGRAM STUDI S1 PENDIDIKAN EKONOMI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS TANJUNGPURA
PONTIANAK
2015
ACARA III
I. Judul
Uji Linearitas dan Uji Regresi Linear Sederhana
II. Tujuan
1. Uji Linieritas
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan
yang linear atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam
analisis korelasi atau regresi linear.Pengujian pada SPSS dengan menggunakan Test for
Linearity dengan pada taraf signifikansi 0,05. Dua variabel dikatakan mempunyai hubungan
yang linear bila signifikansi (Linearity) kurang dari 0,05.
2. Uji Regresi Liner Sederhana
Untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen
apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai
variabel independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya
berskala interval atau rasio.
III. Alat dan Bahan
1. Alat:
a. Laptop dan Program SPSS
b. LCD

2. Bahan
Data Linier Regresi Sederhana
No Nama Siswa Prestasi Siswa Lamanya belajar
Persemester (permenit)
1 Adi Kusuma 76.00 45
2 Anggun Pratiwi 87.00 60
3 Anita Rahayu 67.00 30
4 Andi Pranata 90.00 60
5 Bella Sintia 78.00 60
6 Benu Bandino 78.00 60
7 Cici 89.00 60
8 Diska Putri 76.00 45
9 Dora Menda 80.00 60
10 Eko Fitriariadi 70.00 60
11 Feri Irawan 86.00 45
12 Gian Gino 95.00 90
13 Hermanto 56.00 45
14 Hendrik Pawardi 76.00 45
15 Iwan Setiawan 86.00 60
16 Jaka Tarub 96.00 60
17 Karmin 99.00 60
 18 Laila Canggung 89.00 45
19 Messi Mahesa 76.00 45
20 Novianti 76.00 45
21 Okti 86.00 45
22 Lia Eliaser 96.00 90
23 Marta 88.00 90
24 Noberta 89.00 90
25 Pendi Nurhalim 56.00 30
26 Rambo Reza 98.00 45
27 Susanti 67.00 45
28 Tiko 78.00 30
29 Ulva 66.00 60
30 Wati 78.00 45

IV. Dasar Teori

1. Pentingnya Uji Linearitas Sebagai Asumsi Yang Harus Dipenuhi Dalam Regresi Linear
Sederhana
http://duwiconsultant.blogspot.com tahun 2011 Uji linearitas dipergunakan untuk
melihat apakah model yang dibangun mempunyai hubungan linear atau tidak. Uji ini jarang
digunakan pada berbagai penelitian, karena biasanya model dibentuk berdasarkan telaah
teoretis bahwa hubungan antara variabel bebas dengan variabel terikatnya adalah linear.
Hubungan antar variabel yang secara teori bukan merupakan hubungan linear sebenarnya
sudah tidak dapat dianalisis dengan regresi linear, misalnya masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak, uji
linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut
bersifat linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat linear
antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi
yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test atau uji Lagrange
Multiplier.

Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan
linieritas dalam parameter. Yang pertama, linier dalam variabel merupakan nilai rata-rata
kondisional variabel tergantung yang merupakan fungsi linier dari variabel (variabel) bebas.
Sedang yang kedua, linier dalam parameter merupakan fungsi linier parameter dan dapat tidak
linier dalam variable
2. Konsep Dasar Uji Regresi Linear Sederhana
 Menurut http://www.jonathansarwono.info Model kelayakan regresi linear didasarkan
pada hal-hal sebagai berikut:
a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika
angka Standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T table (nilai kritis)
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi
atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda
dengan variabel bebas lebih dari satu.
e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1
dan > 3
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin besar nilai
tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik.
Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1.
Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh
variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan
0, maka tidak ada hubungan linier antara X dan Y.
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
h. Data harus berdistribusi normal , Sehingga Perlu Dilakukan Uji Normalitas Data
i. Data berskala interval atau rasio
j. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut
juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga
sebagai variabel response)
3. Uraian Tengtang Konsep Yang Diteliti
Studi kasus yang kami teliti adalah mencari hubungan antara prestasi persemester siswa
dengan lamanya belajar di rumah. Disini prestasi siswa dihitung dalam persemester saat siswa
melakukan ujian semester, sedangkan lamanya belajar di rumah di perhitungkan dengan satuan
menit. Secara logika apabila siswa makin lama belajar dirumah maka nilai ujian mereka akan
bagus dan memuaskan, begitu dengan sebaliknya, apabila siswa malas belajar di rumah, maka
nilai ujiannya akan kecil.
V. Langkah kerja
1. Uji Linearitas Data
a. Buka data regresi sederhana
b. Klik menu Analyze Compare Means Means
 c. Masukan variabel Y pada kolom Dependent List dan variabel X pada kolom Independen List
d. Klik bagian Option pada Statistik for First Layer klik Test For Linearity, kemudian klik
Continue
e. Klik Oke untuk mengakhiri perintah.
f. Copy hasil praktikum pada format laporan yang ditentukan
Ketentuan Pengambilan Keputusan:
a. Jika Sig > 0,05 maka hubungan antara variabel X dengan Y adalah linear.
b. Jika Sig < 0,05 maka hubungan antara variabel X dengan Y adalah tidak linear.
2. Uji Regresi Linear Sederhana
a. Klik Analyze Regresion Linear
b. Pada kotak bagian Dependen masukan variabel Y, selanjutnya pada bagian Independen
masukan variabel X.
c. Klik pada bagian Statistic pada bagian Regresion Coeficient centang pada bagian Estimates,
Model Fit dan Desciriptive. Pada bagian Residual beri centang untuk Case Diagnostic Outlier
Outside pilih sebanyak 1 standar deviasi, maka akan ditampilkan hasil regresi pada kasus yang
melebih 1 standar deviasi Klik Continue.
d. Klik pada bagian Plots, dalam hal ini direncanakan akan ada 3 plot sehubungan dengan analisis
regresi.
e. Klik mouse pada pilihan SDRESID dan masukan ke pilihan Y, lalu klik mouse pada
pilihan ZPRED dan masukan ke pilihan X. Setelah kedua variabel Y dan X terisi, klik
tombol Next untuk melanjutkan pengisian plot kedua.
f. Tampak variabel Y dan X kosong kembali. Sekarang klik pada pilihanZPRED dan masukan
ke pilihan Y. Lalu klik mouse sekali lagi pada pilihan DEPENDT dan masukan ke pilihan X.
Kemudian klik tombol Next untuk melanjutkan pengisian plot ketiga.
g. Untuk plot ketiga pada pilihan Standardized Residual Plots, klik mouse pada Normal
Probability Plot Ok.
h. Copy hasil praktikum pada format laporan yang ditentukan.
Pengambilan Keputusan
a. Jika Sig (2-tailed ) > 0,05 maka Ho diterima.
b. Jika Sig (2-tailed ) < 0,05 maka Ho ditolak
VI. Hasil Praktikum
1. Uji Linearitas Data
 Tabel 1
Case Processing Summary

Cases

Included Excluded Total

N Percent N Percent N Percent

Prestasi Siswa
Persemester * Lamanya 30 100.0% 0 .0% 30 100.0%
Jam Belajar (Permenit)

Tabel 2
Report

Prestasi Siswa Persemester

Lamanya
Jam
Belajar
(Permenit) Mean N Std. Deviation

30 67.0000 3 11.00000

45 78.3333 12 10.75625

60 83.5455 11 10.24074

90 92.0000 4 4.08248

Total 80.9333 30 11.50992

 Tabel 3
ANOVA Table

Sum of
Squares df Mean Square F Sig.

Prestasi Siswa Between Groups (Combined) 1228.473 3 409.491 4.074 .017

Persemester * Linearity 1127.576 1 1127.576 11.218 .002
Lamanya Jam
Deviation from
Belajar (Permenit) 100.897 2 50.448 .502 .611
Linearity

Within Groups 2613.394 26 100.515

Total 3841.867 29

Tabel 4
Measures of Association

R R Squared Eta Eta Squared

Prestasi Siswa Persemester

* Lamanya Jam Belajar .542 .293 .565 .320
(Permenit)

Ketentuan Pengambilan Keputusan:

a. Jika Sig > 0,05 maka hubungan antara variabel X dengan Y adalah linear.
b. Jika Sig < 0,05 maka hubungan antara variabel X dengan Y adalah tidak linear.

2. Uji Regresi Linear Sederhana

Tabel 5
Descriptive Statistics

Mean Std. Deviation N

Prestasi siswa persemester 80.9333 11.50992 30

lamanya belajar dirumah

55.00 16.867 30
permenit
 Tabel 6
Correlations

lamanya belajar
Prestasi siswa dirumah
persemester permenit

Pearson Correlation Prestasi siswa persemester 1.000 .542

lamanya belajar dirumah

.542 1.000
permenit

Sig. (1-tailed) Prestasi siswa persemester . .001

lamanya belajar dirumah

.001 .
permenit

N Prestasi siswa persemester 30 30

lamanya belajar dirumah

30 30
permenit

Tabel 7
Variables Entered/Removedb

Variables Variables
Model Entered Removed Method

1 lamanya belajar
dirumah . Enter
permenita

a. All requested variables entered.

b. Dependent Variable: Prestasi siswa persemester

Tabel 8
Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .542a .293 .268 9.84576

a. Predictors: (Constant), lamanya belajar dirumah permenit

b. Dependent Variable: Prestasi siswa persemester

 Tabel 9
ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 1127.576 1 1127.576 11.632 .002a

Residual 2714.291 28 96.939

Total 3841.867 29

a. Predictors: (Constant), lamanya belajar dirumah permenit

b. Dependent Variable: Prestasi siswa persemester

Tabel 10
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 60.600 6.227 9.732 .000

lamanya belajar dirumah

.370 .108 .542 3.411 .002
permenit

a. Dependent Variable: Prestasi siswa persemester

Tabel 11
Casewise Diagnosticsa

Case Prestasi Siswa

Number Std. Residual Persemester Predicted Value Residual

10 -1.298 70.00 82.7818 -1.27818E1

13 -2.157 56.00 77.2364 -2.12364E1

16 1.343 96.00 82.7818 1.32182E1

17 1.647 99.00 82.7818 1.62182E1

18 1.195 89.00 77.2364 1.17636E1

25 -1.594 56.00 71.6909 -1.56909E1

26 2.109 98.00 77.2364 2.07636E1

27 -1.040 67.00 77.2364 -1.02364E1

29 -1.704 66.00 82.7818 -1.67818E1

a. Dependent Variable: Prestasi Siswa Persemester

 Tabel 12
Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 71.6909 93.8727 80.9333 6.23554 30

Std. Predicted Value -1.482 2.075 .000 1.000 30

Standard Error of Predicted

1.878 4.198 2.413 .814 30
Value

Adjusted Predicted Value 70.9184 95.1778 81.0148 6.30891 30

Residual -2.12364E1 20.76364 .00000 9.67451 30

Std. Residual -2.157 2.109 .000 .983 30

Stud. Residual -2.208 2.159 -.004 1.010 30

Deleted Residual -2.22476E1 21.75238 -.08147 10.22572 30

Stud. Deleted Residual -2.385 2.322 -.006 1.048 30

Mahal. Distance .088 4.306 .967 1.464 30

Cook's Distance .000 .175 .028 .041 30

Centered Leverage Value .003 .148 .033 .050 30

a. Dependent Variable: Prestasi siswa persemester

 Gambar 1

Ini namanya uji normalitas data, di sebut chart grafik. Ini grafik normalitas data. Dengan
ketentuan ; jika residual berasal dari distribusi normal maka nilai-nilai sebaran data akan
terletak disekitar garis lurus . unutk meyakin kan data ini normal atau tidak maka bisa di uji
pada kolmorov.
 Gambar 2
Keterangan gambar kedua ini menggambarkan hubungan antara nilai yang diprediksi dengan
student ized delete residual. Jika model regresi layak untuk dipakai dalam atau untuk prediksi,
data akan berpencar disekitar angka nol( 0 pada sumbu y) dan tidak membentuk suatu pola atau
tren atau garis tertentu. ( data yang layak tersebar di dekat angka nol) yang dilihat persebaran
yang paling dominan.
 Gambar 3
Persyaratan Model fit pada tiap data, Jika model regresi memenuhi syarat sebaran data akan
berada mulai dari kiri bawah lurus kearah kanan atas.
Pengambilan Keputusan
a. Jika Sig (2-tailed ) > 0,05 maka Ho diterima.
b. Jika Sig (2-tailed ) < 0,05 maka Ho ditolak

VII. Pembahasan
1. Uji Lineritas Data Regresi
Pada tabel 1 uji linieritas terdapat tabel Case Processing Summary. Pada tabel ini terdapat
kolom Cases yang terbagi menjadi 3 kolom yaitu Included, excluded dan total pada setiap
kolom terdapat nilai N dan percent. Pada studi kasus kami yang membahs tentang hubungan
antara prestasi siswa persemester dengan lamanya belajar di rumah. Pada studi kasus kami
tersebut menunjukan nilai N Included atau data yang masuk sebesar 30 siswa dengan Percent
 100%, nilai Excluded atau data yang keluar N 0, Percent 0% dengan Total N 30 dan Percent
100%.
Pada tabel 2 terdapat tabel Report Prestasi Siswa Persemester yang menunjukan nilai
Mean, N, dan Std. Deviation Lamanya Jam Belajar siswa (Permenit). Terdapat 3 siswa yang
belajar 30 menit dengan nilai Mean 67,0000 dan Std. Deviation 11,00000, 12 siswa yang
belajar 45 menit dengan nilai Mean 78,3333 dan Std. Deviation 10,75625, 11 siswa yang
belajar 60 menit dengan nilai Mean 83,5455 dan Std. Deviation 10,24074, 4 siswa yang belajar
90 menit dengan nilai Mean 92,0000 dan Std. Deviation 4,08248 dengan total nilai Mean
80,9333 dan Std. Deviation 11,50992.
Pada tabel 3 dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity
sebesar 0,611. Karena signifikansi kurang dari 0,05 maka dapat disimpulkan bahwa antara
variabel tersebut terdapat hubungan yang linear.
Pada tabel 4 Measures Of Association prestasi siswa semester dan lamanya jam belajar
dengan nilai R 0,542, nilai R Squared atau R kaudrat 0,293, nilai Eta 0,565 dan nilai Eta
Squaered atau Eta kaudrat 0,320. Disini menunjukan bahwa terdapat 32% (0,320 x 100)
prestasi siswa dipengaruhi oleh lamanya belajar siswa permenit.
2. Uji Linier Regresi Sedrhana
Pada table 5 Descriptive Statitics dapat diketahui nilai Mean prestasi siswa persemester adalah 80,9333 dan
nilai Std. Deviation 11,50992 dengan jumlah siswa 30 dan pada kolom bawahnya terdapat kolom lamanya belajar
dirumah yang dihitung dalam permenit dengan nilai rata-rata atau Mean 55,00 dan nilai Std. Deviation 16,867
dengan jumlah siswa yang sama yaitu 30 siswa.
Pada table 6 Correlation terdapat hubungan antara variabel prestasi siswa persemester dengan lamanya
belajar dirumah dengan menghitung permenit nilai kekuatan hubungannya adalah 0,542, jika kita melihat teori
sebelumnya dengan melihat hubungan tersebut pada korelasi product moment person maka hubungan tersebut
sedang menurut Sugiyono pada tahun 2007 tentang koefisien korelasi yang terdapat di Laporan Praktikum Acara
2.
Hasil dari tabel 7 Variables Entered/Removed, tabel ini menjelaskan tentang variabel yang
dimasukkan, di mana semua variabel dimasukkan dan tidak ada variabel yang dikeluarkan
(removed). Hal ini disebabkan metode yang dipakai adalah single step (enter) dan bukan
stepwise.
Tabel 8 Model Summary diatas menjelaskan tentang besarnya nilai korelasi/hubungan(R)
yaitu sebesar 0,542 dan dijelaskan besarnya persentase pengaruh variabelIndependent (X)
terhadap variabel Dependent (Y) yang disebut dengan koefisien determinasi yang merupakan
hasil dari penguadratan R. Dari output tersebut diperoleh nilai koefisien determinasi (R Square)
sebesar 0,293, yang mempunyai pengertian bahwa pengaruh variabel independent (lamanya
belajar siswa permenit) terhadap variabel dependent (prestasi siswa persemester) adalah
sebesar 29,3% (0,293x100), sedangkan sisanya dipengaruhi oleh variabel yang lain.

Pada table 9 Anova di tunjukan nilai Sum Of Squares Regression 1127,576 dan Residual
2714,291 dengan total 3841,867 pada kolom Df terdapat nilai Df Regresion 1 dan nilai
Residualnya 28 dengan total 29, pada kolom Mean Square Regresion bernilai 1127,576 dan
nilai Residualnya 96,939 , dan nilai F Regresion yaitu 11,632 dan nilai Sig 0,002 < 0,005 yang
berarti Hipotesis H0 ditolak yang berbunyi Terdapat hubungan antara prestasi siswa
persemester dengan lamanya siswa belajar di rumah atau prestasi siswa dipengaruhi oleh
lamanya belajar siswa di rumah.
Pada tabel 10 (Coefficients a), pada kolom B nilai Constant (a) adalah 60,600, sedangkan
nilai lamanya belajar siswa (b) adalah 0,370, sehingga persamaan regresi dapat ditulisY = a +
bX atau ( Y=60,600 +0,370) Koefisien b dinamakan koefisien arah regresi yang menyatakan
perubahan rata-ratavariabel Y untuk setiap perubahan variabel X sebesar satu satuan.
Perubahan inimerupakan pertambahan bila b bertanda positif (+) dan penurunan bila b bertanda
negatif. Sehingga dari persamaan tersebut dapat diterjemahkan sebagai berikut: Dari output
diatas (tabel coefficients) diketahui nilai t hitung = 9,732 dengan nilai signifikansi 0,002
< 0,05 maka Ho ditolak dan Ha diterima, yang berarti Ada pengaruh yang signifikan variabel
lamanya belajar di rumah permenit (X) terhadap variabel Prestasi siswa persemester (Y).
Untuk mengetahui persamaan regresi-nya dilihat dari Tabel Coefficients. Diketahui
nilai constant-Nya (konstanta) adalah : 60,600 dan nilai lamanya jam belajar adalah
0,370. Dari keterangan tersebut kita dapat memperoleh Persamaan regresi-nya sebagai berikut
: Y = 60,600 + 0,370 X. Maksudnya jika Konstanta (a) = 60,600 Artinya : apabila lamanya
belajar siswa permenit (X1) sama dengan nol (tidak ada perubahan), maka prestasi siswa
persemesternya (Y) sebesar 60,600.
Koefisien regresi lamanya belajar siswa (b) = + 0,370 Koefisien regresi positif (searah),
sebesar 0,370 artinya, jika lamanya belajar siswa meningkat sebesar 1 satuan, maka prestasi
siswa (Y) akan meningkat sebesar 0,370 artinya, jika lamanya belajar meningkat sebesar
0,370 maka prestasinya akan meningkat sebesar 0,370.
Pada tabel 11 terdapat tabel Casewise Diagnostics menunjukan nilai Std. Residual, Prestasi
Siswa Persemester, Predicted Value, dan Residual pada setiap beberapa siswa yang dianggap
nilainya dapat diprediksi naik dan turun. Siswa tersebut ditunjukan dengan Kolom Case
Number yaitu siswa yang bernomor 10, 13, 16, 17, 18, 25, 26, 27, dan 29. Siswa bernomor 10
dengan prestasi 70,00 diprediksikan nilainya akan meningkat menjadi 82,7818, Siswa
bernomor 13 dengan prestasi 56,00 diprediksikan nilainya akan meningkat menjadi 77,2364,
 Siswa bernomor 16 dengan prestasi 96,00 diprediksikan nilainya akan menurun menjadi
82,7818, Siswa bernomor 17 dengan prestasi 99,00 diprediksikan nilainya akan menurun
menjadi 82,7818, Siswa bernomor 18 dengan prestasi 89,00 diprediksikan nilainya akan
menurun menjadi 82,7818, Siswa bernomor 25 dengan prestasi 56,00 diprediksikan nilainya
akan meningkat menjadi 71,6909, Siswa bernomor 26 dengan prestasi 98,00 diprediksikan
nilainya akan menurun menjadi 77,2364 Siswa bernomor 27 dengan prestasi 67,00
diprediksikan nilainya akan meningkat menjadi 77,2364, Siswa bernomor 29 dengan prestasi
66,00 diprediksikan nilainya akan meningkat menjadi 82,7818

Pada tabel 12 hasil dari uji Residual Statistics, pada tabel diatas mengemukakan ringkasan
hasil-hasil dari Predicted Value (nilai yang diprediksi) yang berupa nilai Minimal,
Maksimum, Mean, Standar Deviasi dan N.
Pada Gambar 1 hasil dari Normal Probability Plot, gambar ini memperlihatkan
penyebaran dari data-data yang ada pada variabel (menggambarkan garis regresi), karena titik-
titik terletak mendekati atau sekitar garis lurus maka data tersebut berdistribusi normal.
Pada Gambar 2 hasil dari Scatterplot, menunjukan hubungan antara nilai Regression
Standardized Predicted Value dan Regression Studentized Deleted (Press) Residual dimana
persyaratan kelayakan model regresi (Model Fit), jika model regresi layak untuk diprediksi,
data akan berpencar disekitar angka nol (nol pada sumbu Y dan tidak membentuk suatu pola
atau tren garis tertentu) dan pada gambar 2 yang kami dapatkan menunjukan bahwa model
regresi layak untuk diprediksi karena data yang kami teliti berada di sekitar angka nol.
Pada gambar 3 Scatterplot menunjukan hubungan antara Regression Standarrized Predicted
Value dengan Prestasi Siswa Persemester. Persyaratan model fit pada tiap data, jika model
regresi memenuhi syarat sebaran data akan berada mulai dari kiri bawah lurus kearah kanan
atas. Dan pada data yang kami kelola menunjukan bahwa data kami memenuhi syarat karena
berada mulai kiri bawah dan lurus ke arah kanan atas.

VIII. Kesimpulan
Pada pembahasan di atas data yang kami teliti dengan jumlah Total N atau siswa 30 dan
Percent 100% dengan nilai Mean prestasi siswa persemester 80,9333 dan Std. Deviation
11,50992 dan lamanya belajar dirumah yang dihitung dalam permenit dengan nilai rata-rata atau
Mean 55,00 dan nilai Std. Deviation 16,867. Menunjukan bahwa data kami berbentuk linier karna
nilai yang sig di tunjukan 0,611 > 0,05 yang berarti hubungan antara variabel X dengan Y
adalah linear.
Dan pada uji Regresi Linier Sederhana ternyata prestasi siswa dipengaruhi oleh lamanya
belajar permenit seperti penjelasan diatas dengan nilai Sig 0,002 < 0,005 yang berarti Hipotesis
H0 ditolak yang berbunyi Terdapat hubungan antara prestasi siswa persemester dengan
lamanya siswa belajar di rumah atau prestasi siswa dipengaruhi oleh lamanya belajar siswa di
rumah. Dengan persentase pengaruh 32% prestasi siswa dipengaruhi oleh lamanya belajar
siswa permenit. Dengan nilai kekuatan antara dua variabel 0,542 atau sedang