Analisis Regresi

Untuk kepentingan penelitian di bidang pendidikan, kadang-kadang diperlukan analisis regresi.

Penelitian yang memerlukan analisis regresi antara lain: penelitian yang bertujuan untuk
mendeskripsikan pengaruh dari suatu variabel (terutama yang datanya interval) terhadap variabel
lain, memprediksi perubahan suatu hal berdasarkan perubahan hal lain, atau mendeskripsikan
perubahan suatu variabel berdasarkan variabel lain.

Sebagai contoh penelitian yang menggunakan analisis regresi misalnya: seorang guru ingin
meneliti pengaruh perhatian siswa dalam pelajaran matematika terhadap prestasi (skor hasil
ulangan) matematika, atau dengan kata lain inginn menjawab masalah penelitian: jika siswa
semakin memperhatikan pelajaran matematika, apakah prestasi belajar matematikanya semakin
meningkat? Atau penelitian yang ingin mendeskripsikan faktor-faktor yang mempengaruhi
prestasi belajar matematika.

Untuk keperluan analisis regresi, variabel yang ingin dikaji dikelompokkan menjadi dua, yakni
variabel yang mempengaruhi disebut variabel bebas (independen/prediktor)dan diberi lambang
“X”, sedangkan variabel yang dipengaruhi (variabel yang ingin diprediksi) disebut variabel tak
bebas (variabel terikat/bergantung/dependen) dan diberi lambang “Y”. Dalam analisis regresi
variabel bebasnya bisa lebih dari satu variabel.Sebagai contoh, penelitian seorang guru yang
ingin menjelaskan pengaruh persepsi siswaSD “Ngayojakarto Hadiningrat” terhadap antusiasme
guru dalam pembelajaran dan kecemasan siswa dalam pelajaran terhadap prestasi belajar
matematika.Pada penelitian ini, banyaknya variabel bebas ada dua.

Secara kuantitatif hubungan antara variabel bebas dan variabel terikat dapat dimodelkan dalam
suatu persamaan, sehingga nilai variabel terikat dapat diduga (ditentuka) jika nilai varibel
bebasnya diketahui.Persamaan yang menggambarkan hubungan antara varibel bebas dan
variabel terikat disebut persamaan regresi.Persamaan yang terdiri dari satu variabel bebas dan
satu variabel terikat disebut persamaan regresi sederhana, sedangkan yang terdiri dari satu
variabel terikat dan beberapa variabel bebas disebut persamaan regresi ganda.
Persamaan regresi linear sederhana untuk populasi:
Yi = 0 + 1 X i + i
Dengan Y = variabelterikat, X = variabel bebas, 0 = intersep/perpotongan dengan sumbu tegak,
1 = kemiringan/gradien, ierror / galat.

PPM S2 PM PPs UNY 2013 Page 1

Persamaan regresi untuk sampel:

Yi = b0 + b1 Xi + ei

Persamaan garis regresi penduga :

Yˆi = b0 + b1 Xi

̂𝑖 adalah penduga Yi, , b 0 adalah penduga untuk 0, dan b1 adalah penduga untuk 1.
dengan: 𝑌

Untuk memberikan gambaran hubungan antara garis regresi penduga dengan data hasil
pengamatan diberikan ilustrasi (gambaran) sebagai berikut.

Untuk variabel bebas Xi nilai pengamatan Yi tidak selalu tepat berada pada garis regresi
penduga:
Yˆ = b0 + b1Xi
i

Y yi Yˆi = b0 + b1 Xi
ei

Gambar 1. Garis regresipenduga hubungan antara variabel X dan Y

terdapat simpangan sebesar ei (untuk sampel), sehinggaYi = Yˆi + ei.

Persamaan regresi linear ganda untuk populasi:

Yi  0  1 X i1  2 X i 2    p 1 X i , p 1  i

dengan Yi = variabel tak bebas, Xi = variabel bebas, 0 = intersep/perpotongan dengan sumbu

tegak, 1, 2, ...., p1 = parameter model regresi.

Persamaan regresi penduganya adalah Yˆi  b0  b1 X i1  b2 X i 2   bp 1 X i , p 1

PPM S2 PM PPs UNY 2013 Page 2

Untuk kepentingan penelitian, model regresi penduga perlu diuji kecocokannnya. Berikut ini
diberikan langkah-langkah yang perlu dilakukan untuk kepentingan tersebut.

1. Analisis untuk regresi linear sederhana

Untuk pendugaan parameter model regresi sederhana dapat dilakukan dengan dua langkah yaitu
ANAVA dengan uji F (model regresinya) dan dilanjutkan dengan uji t (signifikansi dari intersep
dan gradiennya).

a. Uji untuk1=0 lawan 10 dan 1=0 lawan 10, dengan ANAVA
Hipotesis

H0 : 1=0 (Tidak ada hubungan linear antara X dan Y)

H1 : 1 0 (Ada hubungan linear antara X dan Y)
dan
H0 : 0=0 (Y fungsi dengan konstanta bukan 0)
H1 : 0 0 (Y fungsi dengan konstanta 0)

Tabel1. Anava untuk pengujian pada model regresi linear sederhana

Sumber
db JK KT Fhit Ftabel/Sig.
Keragaman
Regresi 1 JKR KTR=JKR/1 Fhit=KTR/KTG Fα(1,n2)/ nilai
signifikansi
Galat n2 JKG KTG=JKG/(n2) - dariSPSS

Total n1 JKT - - -

Ho ditolak jika Fhit > Ftabel(nilai signifikasinya (sig.) kurang dari 5%), yang berarti
model regresi cocok atau ada hubungan liner antara X dan Y

Keterangan

JKT   Yi 2  nY 2
JKG   Yi 2  b0  Yi  b1  X i Yi

 X i  Yi 
2

 
  Yi    
2  X i Yi 
n 
   Yi 2 
 n   Xi 
2

 
 i X 2

n
JKR  JKT  JKG

b. Uji signifikansi gradien dan intersep

1) Uji signifikansi gradien (untuk1=0 lawan 10)dengan uji-t

PPM S2 PM PPs UNY 2013 Page 3

 Hipotesis:
H0 : 1=0 (Tidak ada hubungan linear antara X dan Y)
H1 : 1 0 (Ada hubungan linear antara X dan Y)
n n n
n xi yi  xi  yi
1diduga dengan b1, yang dihitung dengan rumus: b1  i 1 i 1 i 1
2
 n
 n
n x    xi 2
i

thit 
b1 i 1  i 1 
Statistik uji adalah : s b1 

KTG
dengan s 2 b1  
 X 
2

X 
2 i
i
n
Kriteria keputusan :

H0 ditolak jika |thit|> tα/2(n2) atau nilai sig. kurang dari 5%.

b) Uji signifikansi intersep (untuk0=0 lawan 0 0) melalui uji t

Hipotesis
H0 : 0=0
H1 : 0 0 n n n n
n yi  xi2   xi  xi yi
0 diduga dengan b0, yang dihitung dengan rumus: b0  i 1 i 1 i 1 i 1
2
n
 n

x
i 1
2
i    xi 
 i 1 
atau b0 
1
n
  Yi  b1  X i   Y  b1 X
b0
Statistik uji adalah : thit 
s b0   
 
X2
s b0   KTG   
2 1
dengan

  
2
n X
 
 X i2  n
i
 
Kriteria keputusan :

H0 ditolak jika |thit|> tα/2(n2) atau nilai sig. kurang dari 5%.

2. Analisis untuk regresi linear ganda

Untuk pendugaan parameter model regresi ganda serupa dengan uji pada regresi linear
sederhana, bedanya hanya parameter gradiennya lebih dari satu. Untuk perhitungannyayang
mudah menggunakan program SPSS.
Hipotesis yang diuji dalam analisis regresi ganda adalah

PPM S2 PM PPs UNY 2013 Page 4

 H0 : 0=0 (Y fungsi dengan konstanta bukan 0)
H1 : 0 0 (Y fungsi dengan konstanta 0)
dan
H0 : 1 = 2 = … = p-1=0
H1 : tidak semua k (k=1,2,…,p1) sama dengan nol

Untuk perhitungannya secara manual agak panjang, untuk itu agar mudah digunakan
program statistik yang sudah tersedia di pasaran (misalnya: SPSS).

Sebagai contoh perhitungan untuk analisis data tersebut, perhatikan data hasil pengukuran
terhadap persepsi siswa terhadap penilaian oleh guru, kecemasan siswa terhadap pelajaran
matematika, dan prestasi belajar matematika dari 30 orang siswa SD di suatu daerah sebagai
berikut.

Tabel 2.Data Persepsi siswa terhadap penilaian guru, kecemasan siswa

terhadap matematika, dan prestasi belajar matematika siswa.

No. Urut No. Urut

PP KSM PM PP KSM PM
Siswa Siswa
1 30 165 30 16 62 127 26
2 40 135 30 17 73 114 26
3 54 151 30 18 76 123 26
4 45 163 30 19 71 168 26
5 91 133 30 20 71 128 26
6 62 145 29 21 75 140 25
7 48 165 29 22 74 137 25
8 98 151 29 23 79 128 25
9 69 128 28 24 48 164 25
10 62 148 28 25 85 123 25
11 73 115 28 26 91 159 25
12 75 129 28 27 50 133 25
13 67 124 27 28 60 150 25
14 90 120 27 29 65 140 24
15 72 123 27 30 79 125 17
PP : Persepsi siswa thd penilaian oleh Guru,
KSM : Kecemasan siswa mengikuti pelajaran,
PM : Prestasi belajar Matematika

Untuk melakukan analisis data dengan bantuan program SPSS dilakukan langkah-langkah
sebagai berikut.
1. Membuka program SPSS, maka akan diperoleh tampilan seperti berikut.

Pada saat SPSS pertama kali dibuka, maka akan terlihat tampilan sebagai berikut.

PPM S2 PM PPs UNY 2013 Page 5

 Tampilan tersebut, disebut menu data editor. Data editor terdiri atas sepuluh (atau
sebelas) menu utama, yaitu File, Edit, View, Data, Transform, Analyze, Graphs,
Utilities, (Add-ons), Window, dan Help.

2. Membuat Variabel dan Mengisi Data

Sebelum melakukan analisis data dengan SPSS, terlebih dahulu data harus di
tampilkan/dimasukkan ke dalam data editor.Caranya bisa langsung mengisi data pada
kolom var, atau langsung meng-copy data dari exel ke data dalam SPSS.

Langkah-langkah yang ditempuh untuk memasukkan data ke SPSS adalah sebagai berikut.
a. Membuka lembar kerja baru, dengan cara memilih menu New dari menu utama File pada
menu DATA EDITOR. Dengan mengklik mouse pada menu tersebut, tampak beberapa
pilihan, kemudian klik mouse pada Data. Sekarang SPSS siap membuat variabel baru
yang diperlukan.
b. Menamai variabel yang diperlukan. Untuk data di atas ada 3 variabel, maka akan
dilakukan input nama variabel sebanyak tiga kali, caranya adalah klik mouse pada
Variable View pada bagian kiri bawah monitor, sehingga akan terlihat seperti tampilan
berikut. Kemudian isilah pada kolom Name dengan ketiga variabel di atas, yakni PS,
KCM, dan PM. Pada kolom-kolom yang lain biarkan kosong (diisi juga boleh, kalau mau
mengisi klik pada sel tersebut maka akan ada menu/pilihannya).

PPM S2 PM PPs UNY 2013 Page 6

 c. Memasukkan data dan menyimpan, caranya adalah dengan mengklik mouse pada Data
View di sebelah kiri Variable View (di bagian kiri bawah monitor. Kemudian data
dimasukkan (dengan mengetikkan pada sel-sel tersebut), dan setelah seloesai disimpan.
Cara menyimpan data tersebut, klik mouse pada menu File dan dipilih (klik) menu
Save As kemudian ketik nama file data (misalnya: PP, KSM, dan PM) dan diklik
menu Save. Hasilnya akan tampak seperti berikut.

PPM S2 PM PPs UNY 2013 Page 7

 3. Menggunakan SPSS untuk Analisis Regresi dan Korelasi
Andaikan dari data di atas PP dan SKM sebagai variabel prediktor (bebas) dengan simbol
X 1 dan X 2 dan PM sebagai variabel kriteria (terikat) dengan simbol Y . Berikut ini akan dicari
apakah persamaan regresi gandaberbentuk “𝑌̂ = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 ” dan akan diuji dengan
hipotesis nol “ Y tidak tergantung pada X1, X 2 ,” atau model regresi “ 𝑌̂ = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2

tidak cocok, atau “ 1   2  0 ,” atau “Regresi Y atas X1, X 2 tidak signifikan,” pada taraf
signifikan   a , dengan Analisis Varians:

Source of Sum of Variance Ratio

df Mean Squares
Variance Squares (F)
Regresi k SS(Reg) MS(Reg)=(SS(Reg))/k MS(Reg)/MS(Res)
Residu n-k-1 SS(Res) MS(Res)=(SS(Res))/n-k-1
Total n-1 SS(Total)

Kriteria keputusann: Hipotesis nol ditolak jika F hitung> F a;(n-k-1), atau Sig (F )  a atau
jika “ p value” < a. langkah-langkah yang ditempuh adalah:

PPM S2 PM PPs UNY 2013 Page 8

 a. Membuka file PP, KSM, dan PM (kalau data di atas sudah ditutup). Kalau file PP,
KSM, dan PM sudah dibuka atau kalau dalam proses membuat variabel dan mengisi
data tadi belum ditutup, kemudian mengklik mouse pada menu Analyze dan memilih
menu Regression Linear sehingga terlihat tampilan seperti berikut.

b. Memulai analisis, yakni dengan mengklik mouse kalau sudah melihat tampilan
seperti di atas, sehingga di layar akan terlihat tampilan seperti di bawah ini.

PPM S2 PM PPs UNY 2013 Page 9

 Cara pengisian untuk dependent, klik Prestasi belajar matematika, kemudian klik
tanda “  ” yang dekat dependent, maka variabel Prestasi belajar matematikaakan
berpindah ke kotak kosong di bawah dependent. Untuk pengisian independent(s)
caranya sama (bisa serentak), sehingga variabel persepsi siswa terhadap penilaian
guru dan kecemasan matematika siswa akan menempati kotak kosong di bawah
independent(s). setelah variabel-variabel diisikan ke tempat yang sesuai kemudian
klik OK, maka akan terlihat hasil analisisnya (output-nya).

c. Dari output nampak bahwa Sig (F ) 0,367; ini berarti bahwa hipotesis nol yang
menyatakan bahwa model regresinya tidak cocok (tidak berbentuk
“𝑌̂ = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2” atau Y tidak tergantung pada X1, X 2 ,” atau “

1   2  0 ,” atau “Regresi Y atas X1, X 2 tidak signifikan,” pada taraf signifikan

  0,05 , H0 gagal ditolak.

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 14.605 2 7.302 1.039 .367a
Residual 189.695 27 7.026
Total 204.300 29
a. Predictors: (Constant), ksm, pp

b. Dependent Variable: pm

Coefficientsa
B
%%R Correlations

Model B Std. Error Beta t Sig. Zero-order Partial Part

1(Constant) 21.872 5.900 3.707 .001

pp -.009 .034 -.052 -.260 .797 -.147 -.050

ksm .039 .033 .242 1.203 .240 .263 .226

a. Dependent Variable: pm

Dari hasil analisis ini dapat disimpulkan bahwa persepsi siswa terhadap penilaian guru
dan kecemasan siswa terhadap matematika bukan merupakan prediktor yang baik untuk prestasi
belajar matematika siswa.

PPM S2 PM PPs UNY 2013 Page 10

 4. Soal-soal Latihan

a. Berikut disajikan hasil pengukuran minat belajar matematika (MBM), kecemasan

matematika (KM), dan prestasi belajar matematika siswa SD di suatu daerah (PBM).
Selidiki apakah minat belajar matematika dan kecemasan matematika berpengaruh
terhadap prestasi belajar siswa.Jika ada berpengaruh, tentukan model regresinya.

Siswa MBM KM PBM

1 90 105 90
2 60 116 90
3 94 119 90
4 93 105 90
5 91 110 90
6 62 106 80
7 68 112 80
8 89 120 80
9 69 123 75
10 62 108 75
11 73 115 75
12 75 120 75
13 67 117 70
14 68 120 70
15 72 125 70
16 62 120 65
17 73 120 65
18 76 123 65
19 71 123 65
20 71 125 65
21 75 139 60
22 74 135 60
23 65 137 60
24 48 145 60
25 65 141 60
26 45 142 60
27 50 140 60
28 60 145 60
29 65 147 60
30 45 150 50

PPM S2 PM PPs UNY 2013 Page 11

 b. Hasil pengukukuran Pengetahuan Awal (PA), Kreativitas (KRE), Konsep Diri
Akademik (KD), dan Kemampuan Menyelesaikan Masalah Matematika (KMM) dari
siswa SD suatu sekolah diberikan seperti Tabel berikut.Selidikilah, apakah
pengetahuan awal, kreativtas, dan konsep diri siswa mempengaruhi kemampuan
menyelesaiakan masalah matematika. Jika iya, tentukan model persamaan regresi
terbaik yang menghubungkan PA, KRE, dan KD dengan KMM (   0,05 ).
No. No. No.
PA KRE KD KMM PA KRE KD KMM PA KRE KD KMM
Resp. Resp. Resp.
1 39 49 88 55 31 37 63 97 40 61 33 60 98 40
2 39 51 66 50 32 39 52 85 43 62 41 48 75 45
3 39 57 91 49 33 42 55 79 55 63 39 63 66 39
4 43 50 70 45 34 38 56 80 52 64 34 57 83 36
5 40 57 74 45 35 33 52 69 57 65 37 54 79 42
6 44 65 82 58 36 47 56 72 53 66 39 47 83 50
7 44 62 70 55 37 38 54 82 48 67 33 69 78 53
8 36 60 85 48 38 42 69 79 51 68 36 69 85 41
9 42 55 73 41 39 37 53 78 58 69 41 59 75 43
10 41 61 84 55 40 41 47 57 48 70 39 71 69 52
11 36 58 74 41 41 40 54 75 50 71 33 58 89 54
12 36 55 63 46 42 43 52 71 36 72 37 68 84 42
13 38 57 82 56 43 41 58 76 53 73 32 69 94 35
14 34 50 75 45 44 43 63 103 47 74 36 72 80 37
15 33 63 82 52 45 41 64 82 56 75 43 70 77 40
16 40 60 86 44 46 35 54 67 46 76 35 48 77 45
17 40 59 83 50 47 41 64 63 44 77 36 71 79 43
18 40 57 81 52 48 36 60 70 40 78 41 78 69 43
19 40 54 68 60 49 35 60 82 32 79 41 76 78 50
20 40 76 70 48 50 40 57 84 47 80 40 47 88 57
21 40 49 83 42 51 39 56 78 53 81 32 74 72 43
22 41 65 82 52 52 37 62 74 51 82 36 62 86 45
23 41 56 74 51 53 35 68 83 57 83 34 81 67 55
24 39 64 73 42 54 38 60 96 48 84 32 52 72 50
25 35 71 77 45 55 38 53 80 59 85 32 44 81 36
26 40 52 71 50 56 37 55 61 45 86 35 59 80 49
27 40 62 80 42 57 41 60 79 41 87 38 41 95 40
28 38 59 69 50 58 32 64 59 58 88 32 47 76 55
29 40 56 88 48 59 44 70 77 43 89 29 51 78 40
30 37 58 72 48 60 35 65 82 49 90 31 57 84 41

PPM S2 PM PPs UNY 2013 Page 12