Dosen Pengampu :
Dr. Achmad Samsudin, M.Pd.
Oleh:
FAUZAN FARHANILLAH
NIM. 1803465
ROBY AKBAR TAUFIK
NIM. 1803027
Keterangan:
𝑟𝑥𝑦 =Koefisien korelasi antara variabel X dan variabel Y
𝛴𝑥y =Jumlah perkalian antara variabel x dan Y
∑𝑥 2 = Jumlah dari kuadrat nilai X
∑𝑦 2 = Jumlah dari kuadrat nilai Y
(∑𝑥)2 = Jumlah nilai X kemudian dikuadratkan
(∑𝑦)2 = Jumlah nilai Y kemudian dikuadratkan
c. Cara Memberi Interpretasi Terhadap 𝒓𝒙𝒚
1) Pedoman Kategorisasi Koefisien korelasi
3) Uji t
Pengujian signifikansi koefisien korelasi product moment, selain
menggunakan kategorisasi r dan rtabel atau rhitung, dapat juga dihitung dengan
menggunakan uji t yang dibandingkan dengan ttabel dengan rumus sebagai
berikut:
𝑟 √𝑛 − 2
𝑡=
√1 − 𝑟 2
2) Uji F
Pengujian hipotesis korelasi ganda menggunakan uji F(tabel distribusi
F) dengan derajat kebebasan (dk) terdiri atas :
dk1 = dk pembilang = k
(k = banyaknya variabel bebas
dk2 = dk penyebut = n – k – 1
(n = banyaknya pasang)
Konversi nilai koefisien korelasi R kedalam nilai Fhitung menggunakan
rumus :
R2 / k
Fh
(1 R 2 ) /(n k 1)
Keterangan:
R : Koefisien Korelasi Ganda
k : Jumlah Variabel Independen
n : Jumlah Anggota Sample
1.2.3 Korelasi Parsial
Koefisien korelasi parsial merupakan koefisien korelasi antara dua variabel.
Jika variabel lainnya tetap, pada hubungan yang melibatkan lebih dari dua variabel.
(Sugiyono, 2016)
Ada 3 koefisien korelasi parsial untuk hubungan yang melibatkan 3 variabel yaitu
sebagai berikut :
1) Koefisien korelasi parsial antara y dan x1, apabila x2 tetap dirumuskan
ry1 ry2 .r12
ry.12 =
I r I r
2
y1
2
I2
𝑟 √𝑛 − 2
𝑡=
√1 − 𝑟 2
2. REGRESI
Persamaan matematik yang memungkinkan kita meramalkan nilai-nilai satu atau lebih
peubah bebas disebut persamaan regresi. Sir Francis Galton (1822 – 1911),
memperkenalkan regresi dengan nama lain model peramalan, penaksiran, atau
pendugaan. sehubungan dengan penelitiannya terhadap tinggi badan manusia. Penelitian
tersebut membandingkan antara tinggi anak laki-laki dan tinggi badan ayahnya. Galton
menunjukkan bahwa tinggi badan anak laki-laki dari ayah yang tinggi setelah beberapa
generasi cenderung mundur (regressed) mendekati nilai tengah populasi. Dengan kata
lain, anak laki-laki dari ayah yang badannya sangat tinggi cederung lebih pendek dari
pada ayahnya, sedangkan anak laki-laki dari ayah yang badannya sangat pendek
cenderung lebih tinggi dari ayahnya. (Walpole, 2019).
2.1 Regresi Linear Sederhana
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji
sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap
Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau
disebut juga dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau
disebut juga dengan Response. Regresi Linear Sederhana atau sering disingkat dengan
SLR (Simple Linear Regression) juga merupakan salah satu Metode Statistik yang
dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi tentang
karakteristik kualitas maupun Kuantitas.
Analisis regresi pada umumnya digunakan untuk keperluan uji hipotesis yang
berkaitan dengan prediksi dan eksplanasi. Contoh pemakaian analisis regresi untuk
keperluan prediksi adalah penggunaan skor tes SNMPTN untuk
memprediksikan/meramalkan keberhasilan belajar calon mahasiswa di perguruan tinggi.
Sedangkan pemakaian analisis regresi untuk keperluan eksplanasi adalah untuk
mengungkapkan faktor-faktor yang menentukan suatu fenomena. Misalnya, untuk
mengungkapkan faktor-faktor yang mempengaruhi prestasi belajar seseorang.
Permasalahan yang pertama tentang prediksi dan permasalahan yang kedua tentang
eksplanasi, keduanya bisa diselesaikan dengan teknik analisis regresi. Pada dasarnya
teknik ini berusaha menganalisis peranan setiap ubahan (prediktor) dalam menentukan
besarnya varians dari suatu ubahan yang ada pada fenomena yang diteliti (ubahan
kriterium).
Seperti pada teknik korelasi, teknik analisis regresi menggunakan asumsi adanya
hubungan yang linier atau berupa garis lurus antara variabel prediktor dengan variabel
kriterium. Teknik analisis regresi yang menggunakan asumsi hubungan linier disebut
regresi linier. Adapun bentuk umum persamaan garis regresi Y atas X, dimana X adalah
ubahan prediktor adalah :
Y’ = a + b X → regresi sederhana dengan sebuah ubahan X
Y’ = a + b1.X1 + b2.X2 + ………….+bn.Xn
Pada prinsipnya teknik analisis regresi ini adalah menentukan suatu garis lurus (garis
regresi/garis prediksi) yang paling tepat diantara penyebaran titik-titik ploting (scatter-
plot). Garis regresi yang tepat ini harus memenuhi syarat sebagai berikut:
1. Berupa garis lurus atau memenuhi persamaan linier
2. Jumlah kuadrat penyimpangan skor pengamatan dan skor yang diramalkan adalah
minimum »Σ(𝑌 − 𝑌̂)2= minimum (metode least square).
Y= a + bx
a = intersep/ konstanta
= harga Y bila X = 0
b = Slope/ koef. arah = tg arah
Berdasarkan konsep kuadrat terkecil (least square) inilah, maka koefisien a dan b dapat
dihitung.
(Σ𝑌)(Σ𝑋 2 )− (ΣX)(ΣXY)
Rumus : 𝑎 = 𝑛.Σ𝑋 2 − (Σ𝑋)2
RJK Re s ba
F hitung
RJK Re s
h. Kriteria Uji Signifikansi
Jika F hitung ≥ F tabel, maka Ho datolak Ha dterima
(signifikan)
Jika F hitung ≤ F tabel, maka Ho ditorima Ha ditolak
(tidak signifikan)
i. Mencari F tabel menggunakan Tabel F :
Taraf signifikansi α = 0,05 dbRes = n-2
F tabel = F (1 - α) (db reg (bΙa) ,(db res)
Y = a +b1X1 +b1X2
(x1 )(x2 )
x x x x
1 2 1 2
n
(x1 )(y)
x y x y
1 1
n
(x2 )(y)
x y x y
2 2
n
2) Menghitung Koefisien variabel Independent Pertama (b1)
(x22 )(x1 y ) (x1 x2 )(x2 y )
b1
(x12 )( x 22 ) ( x1 x2 ) 2
f. Menguji Signifikansi:
RK reg
Fregresi
RK res
y ' a b1 x1 b2 x2
Perhitungan Manual dan SPSS
1. Nilai korelasi Pearson Produk Moment.
Soal:
Seorang guru Fisika dari SMK Negeri 10 Garut ingin melakukan sebuah
eksperimen untuk mengetahui hubungan antara prestasi belajar mata pelajaran fisika
dengan prestasi belajar mata pelajaran kimia. Dari 50 siswa yang mengikuti pelajaran
fisika dan kimia, didapatkan data berupa hasil prestasi mereka dalam satu semester.
Berikut ini data dari 50 siswa:
Mata Pelajaran Fisika Mata Pelajaran Kimia
No
Kelas Pagi Kelas Siang Kelas Pagi Kelas Siang
1 70 80 73 80
2 60 76 76 80
3 80 83 73 80
4 60 66 60 90
5 73 76 86 80
6 76 86 83 80
7 63 83 93 90
8 76 90 80 80
9 86 73 76 60
0 80 76 83 90
11 76 63 83 80
12 80 86 66 80
13 73 76 83 80
14 73 73 80 80
15 70 80 80 80
16 66 90 80 70
17 73 66 80 90
18 70 83 80 80
19 73 80 80 80
20 76 76 60 70
21 63 70 90 76
22 80 80 80 76
23 86 70 80 84
24 83 76 80 84
25 93 80 80 76
Bagaimana kesimpulan yang akan diambil oleh guru, apakah prestasi siswa
dalam kedua mata pelajaran sama ataukah berbeda?
Pembahasan:
Berikut ini adalah tabel hasil prestasi siswa pada saat mengikuti mata
pelajaran Fisika dan Kimia:
Mapel Fisika Mapel Kimia
No
𝑋 𝑋2 𝑌 𝑌2 𝑋. 𝑌
1 70 4900 73 5329 5110
2 60 3600 76 5776 4560
3 80 6400 73 5329 5840
4 60 3600 60 3600 3600
5 73 5329 86 7396 6278
6 76 5776 83 6889 6308
7 63 3969 93 8649 5859
8 76 5776 80 6400 6080
9 86 7396 76 5776 6536
10 80 6400 83 6889 6640
11 76 5776 83 6889 6308
12 80 6400 66 4356 5280
13 73 5329 83 6889 6059
14 73 5329 80 6400 5840
15 70 4900 80 6400 5600
16 66 4356 80 6400 5280
17 73 5329 80 6400 5840
18 70 4900 80 6400 5600
19 73 5329 80 6400 5840
20 76 5776 60 3600 4560
21 63 3969 90 8100 5670
22 80 6400 80 6400 6400
23 86 7396 80 6400 6880
24 83 6889 80 6400 6640
25 93 8649 80 6400 7440
26 80 6400 80 6400 6400
27 80 6400 80 6400 6400
28 80 6400 80 6400 6400
29 80 6400 90 8100 7200
30 80 6400 80 6400 6400
31 80 6400 80 6400 6400
32 76 5776 90 8100 6840
33 83 6889 80 6400 6640
34 66 4356 60 3600 3960
35 76 5776 90 8100 6840
36 86 7396 80 6400 6880
37 83 6889 80 6400 6640
38 90 8100 80 6400 7200
39 73 5329 80 6400 5840
40 76 5776 80 6400 6080
41 63 3969 70 4900 4410
42 86 7396 90 8100 7740
43 76 5776 80 6400 6080
44 73 5329 80 6400 5840
45 80 6400 70 4900 5600
46 90 8100 76 5776 6840
47 66 4356 76 5776 5016
48 83 6889 84 7056 6972
49 80 6400 84 7056 6720
50 76 5776 76 5776 5776
∑= 3821 294951 3961 316307 303162
15158100−15134981 23119
JK t = =
√14747550−14600041.√15815350−15689521 √147509.√125829
23119 23119
JK t = 384,069𝑥354,723 = 136238,10 = 0,188.
No X ̅
X Y ̅
Y X Y x2 y2 x.y
1 70 73 -6.42 -6.22 41.2164 38.6884 39.9324
2 60 76 -16.42 -3.22 269.6164 10.3684 52.8724
3 80 73 3.58 -6.22 12.8164 38.6884 -22.2676
4 60 60 -16.42 -19.22 269.6164 369.4084 315.5924
5 73 86 -3.42 6.78 11.6964 45.9684 -23.1876
6 76 83 -0.42 3.78 0.1764 14.2884 -1.5876
7 63 93 -13.42 13.78 180.0964 189.8884 -184.928
8 76 80 -0.42 0.78 0.1764 0.6084 -0.3276
9 86 76 9.58 -3.22 91.7764 10.3684 -30.8476
10 80 83 3.58 3.78 12.8164 14.2884 13.5324
11 76 83 -0.42 3.78 0.1764 14.2884 -1.5876
12 80 66 3.58 -13.22 12.8164 174.7684 -47.3276
13 73 83 -3.42 3.78 11.6964 14.2884 -12.9276
14 73 80 -3.42 0.78 11.6964 0.6084 -2.6676
15 70 80 -6.42 0.78 41.2164 0.6084 -5.0076
16 66 80 -10.42 0.78 108.5764 0.6084 -8.1276
17 73 80 -3.42 0.78 11.6964 0.6084 -2.6676
18 70 80 -6.42 0.78 41.2164 0.6084 -5.0076
19 73 80 -3.42 0.78 11.6964 0.6084 -2.6676
20 76 60 -0.42 -19.22 0.1764 369.4084 8.0724
21 63 90 -13.42 10.78 180.0964 116.2084 -144.668
22 80 80 3.58 0.78 12.8164 0.6084 2.7924
23 86 80 9.58 0.78 91.7764 0.6084 7.4724
24 83 80 6.58 0.78 43.2964 0.6084 5.1324
25 93 76,42 80 79,22 16.58 0.78 274.8964 0.6084 12.9324
26 80 80 3.58 0.78 12.8164 0.6084 2.7924
27 80 80 3.58 0.78 12.8164 0.6084 2.7924
28 80 80 3.58 0.78 12.8164 0.6084 2.7924
29 80 90 3.58 10.78 12.8164 116.2084 38.5924
30 80 80 3.58 0.78 12.8164 0.6084 2.7924
31 80 80 3.58 0.78 12.8164 0.6084 2.7924
32 76 90 -0.42 10.78 0.1764 116.2084 -4.5276
33 83 80 6.58 0.78 43.2964 0.6084 5.1324
34 66 60 -10.42 -19.22 108.5764 369.4084 200.2724
35 76 90 -0.42 10.78 0.1764 116.2084 -4.5276
36 86 80 9.58 0.78 91.7764 0.6084 7.4724
37 83 80 6.58 0.78 43.2964 0.6084 5.1324
38 90 80 13.58 0.78 184.4164 0.6084 10.5924
39 73 80 -3.42 0.78 11.6964 0.6084 -2.6676
40 76 80 -0.42 0.78 0.1764 0.6084 -0.3276
41 63 70 -13.42 -9.22 180.0964 85.0084 123.7324
42 86 90 9.58 10.78 91.7764 116.2084 103.2724
43 76 80 -0.42 0.78 0.1764 0.6084 -0.3276
44 73 80 -3.42 0.78 11.6964 0.6084 -2.6676
45 80 70 3.58 -9.22 12.8164 85.0084 -33.0076
46 90 76 13.58 -3.22 184.4164 10.3684 -43.7276
47 66 76 -10.42 -3.22 108.5764 10.3684 33.5524
48 83 84 6.58 4.78 43.2964 22.8484 31.4524
49 80 84 3.58 4.78 12.8164 22.8484 17.1124
50 76 76 -0.42 -3.22 0.1764 10.3684 1.3524
∑= 3821 76,42 3961 79,22 -8.5E-14 5.68E-14 2950.18 2516.58 462.38
(∑ 𝑥.𝑦)
r= ; dimana 𝑥 = (𝑋 − 𝑋̅); 𝑦 = (𝑌 − 𝑌̅)
√(∑ 𝑥 2 )(∑ 𝑦 2 )
Dengan n = 49 dan taraf kesalahan 5%, didapatkan nilai ttabel sebesar 2,0098.
Maka rasio t berada pada penolakan H0.
690
b 11,5
60
Menghitung rumus a
(Y )(X 2 ) (X )(X .Y )
a
nX 2 (X )2
(375)(48) (18)(930)
a
8(48) 324
1260
a 21
60
Jadi Persamaan regresi linier dengan rumus:
Y a bX
Y 21 11,5( X )
6. Menguji signifikansi,
Langkah-langkah:
a. Hitung Jumlah Kuadrat Regresi (JK Reg (a)):
(Y )2
JK Reg a n
(375)2 140625
JK Reg a 8
8
17578,125
RJK Re s ba
F hitung
RJK Re s
991,875
F hitung 23,34
42,5
8-2=6
REGRESSION
/MISSING LISTWISE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X
/SCATTERPLOT=(*SRESID ,*ZPRED)
Regression
Notes
Comments
Filter <none>
Weight <none>
Syntax REGRESSION
/MISSING LISTWISE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X
/SCATTERPLOT=(*SRESID
,*ZPRED)
/RESIDUALS HISTOGRAM(ZRESID)
NORMPROB(ZRESID).
Resources Processor Time 00:00:02.08
Descriptive Statistics
Dari output tersebut dapat dilihat rata-rata nilai Pemahaman Konsep dari 8 siswa
adalah 46,88 dengan standar deviasi 13, 346 sedangkan rata-rata nilai Model CUPs adalah
2,25 dengan standar deviasi 1,035
Correlations
Pemahaman
Konsep Model CUPs
N Pemahaman Konsep 8 8
Model CUPs 8 8
Dari tabel dapat dilihat bahwa besar hubungan antara variabel Pemahaman Konsep
dengan Model Pembelajaran CUPs adalah 0,892, hal ini menunjukkan ada hubungan positif,
makin besar Model Pembelajaran CUPS maka makin tinggi juga pada Pemahaman Konsep
Siswa.
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
Dari tabel diatas menunjukkan variabel yang dimasukkan adalah Model CUPs,
sedangkan variabel yang dikeluarkan tidak ada. (Variables Removed tidak ada)
Model Summaryb
Change Statistics
Model Summaryb
Change Statistics
1 6 .003
Pada tabel diatas angka R square adalah 0,795 yaitu kuadrat dari koefisien korelasi
(0,892 x 0,892 = 0,795). Standar Error of the Estimate adalah 6,519, perhatikan pada analisis
deskriptif statistic bahwa standar deviasi Pehamahaman Konsep adalah 13, 346 lebih besar
dari standar error, oleh karena lebih kecil dari pada standar deviasi Pemahaman Konsep
maka model regresi bagus dalam bertindak sebagai predictor Pemahaman Konsep.
ANOVAa
Total 1246.875 7
Hipotesis
Pengambilan Keputusan
Jika F Hitung > F Tabel atau Probabilitasnya < 0,05 maka H0 ditolak
Dari tabel di atas dapat kita lihat bahwa F hitung adalah 23, 338, sedangkan nilai F
tabel dapat diperoleh dengan menggunakan tabel distribusi F dengan menggunakan tabel
distribusi F dengan derajat kebebasan residual/sisa yaitu 6 sebagai derajat kebebasan
penyebut dan derajat regression perlakuan yaitu 1 sebagai derajat kebebasan pembilang
dengan taraf signifikansi 0,05 sehingga diperoleh nilai F tabel kita lihat ditabel distribusi F=
5,99.
Karena F hitung > F tabel, maka Ho ditolak, berdasarkan signifikansinya terlihat pada
kolom sig. yaitu probabilitas kurang dari 0,05, maka Ho ditolak.
Kesimpulan
Ada koefisien yang berarti maka model regresi dapat dipakai untuk memprediksi pemahaman
konsep siswa.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Residuals Statisticsa
Jika residual berasal dari ditribusi normal maka nilai sebaran data akan terletak sekitar
garis lurus, terlihat bahwa sebaran data pada gambar di atas tersebar hamper semua pada
sumbu normal, maka dapat dikatakan bahwa pernyataan normlitas dapat dipenuhi.
2. Berikut ini contoh Penelitian tentang “UTS (X1), UAS (X2), dan IPK di UNIV X”.
Hitunglah korelasi dan regresi berganda dari tabel berikut:
a. Deskripsi Data
MKuliah X1 X2 Y
No UTS UAS IPK
1 82 80 3.86
2 90 86 3.86
3 72.5 80 3.86
4 86 84 3.86
5 78 97.2 3.86
6 80 90 3.86
7 75 80 3.86
8 90 90 3.5
9 88 83 3.5
10 70.5 70 3.5
11 83 82 3.5
12 55 62.9 3.5
13 55 84 3.5
14 75 80 3.7
15 85 90 3.7
16 90 89 3.7
17 71.7 79 3.7
18 82 80 3.7
19 81 69.2 3.7
20 25 82 3.7
21 75 80 3.7
22 72 78 3.87
23 92 89 3.87
24 95 80 3.87
25 78 80 3.87
26 84 87.4 3.87
27 75 86 3.87
28 75 80 3.87
Jumlah 2160.7 2298.7 104.71
Rata-
rata 77.16785714 82.09642857 3.739642857
IPK(Y
No UTS(X1) UAS(X2) ) X1.X2 X1 .Y X2.Y X1^2 X2^2 Y^2
14.899
3.86
1 82 80 6560 316.52 308.8 6724 6400 6
14.899
3.86
2 90 86 7740 347.4 331.96 8100 7396 6
5256.2 14.899
3.86
3 72.5 80 5800 279.85 308.8 5 6400 6
14.899
3.86
4 86 84 7224 331.96 324.24 7396 7056 6
375.19 9447.8 14.899
3.86
5 78 97.2 7581.6 301.08 2 6084 4 6
14.899
3.86
6 80 90 7200 308.8 347.4 6400 8100 6
14.899
3.86
7 75 80 6000 289.5 308.8 5625 6400 6
8 90 90 3.5 8100 315 315 8100 8100 12.25
9 88 83 3.5 7304 308 290.5 7744 6889 12.25
4970.2
3.5
10 70.5 70 4935 246.75 245 5 4900 12.25
11 83 82 3.5 6806 290.5 287 6889 6724 12.25
3956.4
3.5
12 55 62.9 3459.5 192.5 220.15 3025 1 12.25
13 55 84 3.5 4620 192.5 294 3025 7056 12.25
14 75 80 3.5 6000 262.5 280 5625 6400 12.25
15 85 90 3.7 7650 314.5 333 7225 8100 13.69
16 90 89 3.7 8010 333 329.3 8100 7921 13.69
5140.8
3.7
17 71.7 79 5664.3 265.29 292.3 9 6241 13.69
18 82 80 3.7 6560 303.4 296 6724 6400 13.69
4788.6
3.7
19 81 69.2 5605.2 299.7 256.04 6561 4 13.69
20 25 82 3.7 2050 92.5 303.4 625 6724 13.69
21 75 80 3.7 6000 277.5 296 5625 6400 13.69
14.976
3.87
22 72 78 5616 278.64 301.86 5184 6084 9
14.976
3.87
23 92 89 8188 356.04 344.43 8464 7921 9
14.976
3.87
24 95 80 7600 367.65 309.6 9025 6400 9
14.976
3.87
25 78 80 6240 301.86 309.6 6084 6400 9
338.23 7638.7 14.976
3.87
26 84 87.4 7341.6 325.08 8 7056 6 9
14.976
3.87
27 75 86 6450 290.25 332.82 5625 7396 9
14.976
3.87
28 75 80 6000 290.25 309.6 5625 6400 9
104.5 178305 8078.5 8589.0 172027 190039 390.71
Jumlah 2160.7 2298.7 1 .2 2 3 .4 .7 55
Rata- 77.167857 82.096428 3.732 6368.0 288.51 306.75 6143.8 6787.1 13.954
rata 14 57 5 43 86 11 35 3 13
ry 12
1 (r12 ) 2
0,104049952
ry 12 0,1182935614 0,344
0,879591
Menguji Hipotesis
Ho : Tidak ada Korelasi antara IPK dengan UTS dan UAS
H1 : Ada Korelasi antara IPK dengan UTS dan UAS
ry2 = 0,347
rtabel = 0,3172
rhitung > rtabel
H0 ditolak dan H1 diterima
Kesimpulannya antara IPK dengan UTS dan UAS
5) Koefisien Determinasi Ganda
x 2
1 172027,39 166736,5893
x 2
1 5290,8007
(x2 )2
x x
2
2
2
2
n
5284021,7
x 2
2 190039,65
28
x 2
2 190039, 65 188715, 0607
x 2
2 1324,589286
(x1 )(x2 )
x x x x
1 2 1 2
n
2160,7.2298,7
x x
1 2 178305, 2
28
4966801,09
x x
1 2 178305, 2
28
x x 1 2 178305, 2 177385, 7532
x x 1 2 919, 4467857
(x1 )(y)
x y x y
1 1
n
2160,7.104,51
x y 8078,52
1
28
225814,757
x y 8078,52
1
28
x y 8078,52 8064,81275
1
x y 13, 70725
1
(x2 )(y)
x y x y
2 2
n
2298,7.104,51
x y 8589,03
2
28
240237,137
x y 8589,03
2
28
x y 8589, 03 8579,89775
2
x y 9,13225
2
5) Menguji signifikansi,
Langkah-langkah:
a. Hitung Jumlah Kuadrat Total (JKT) :
(Y )2
JKT Y 2
n
10922,34
JKT 390,7155
28
JKT 390, 7155 390, 0835714
JKT 0, 6319286 0, 632
b. Hitung Jumlah Kuadrat Total Regresi (JK Reg):
(y)2
JK Reg b1 x1 y b2 x2 y a y
n
JK Reg (0, 001583684203.8978,52) (0, 005795107004.8589, 03)
10922.34
(3,134532893.104,51)
28
JK Reg 12, 79382451 49, 77434791 327,5900326 390, 0835714
JK Reg 0, 074633591 0, 075
0,557294979
RK
28 2 1
Re s
0,557294979
RK Re s
25
RK Re s 0,02229179916 0,022
g. Menguji Signifikansi:
RK reg
Fregresi
RK res
0,037316795
Fregresi
0,02229179916
Fregresi 1,674014499 1,674
Ho: Tidak ada regresi antara IPK dengan UTS dan UAS
Kesimpulannya tidak ada regresi antara IPK dengan UTS dan UAS
y ' a b1 x1 b2 x2
x1 = 0, x2 = 0 => 3,135
Maka, semakin besar angka yang dimasukkan dalam x1 dan dan x2 nya, maka
nilai hasil persamaan regresi bergandanya semakin bertambah, dapat disimpulkan
persamaan ini merupakan persamaan berganda
DAFTAR PUSTAKA
Furqon. (2013). Statistik Terapan untuk Penelitian. Bandung: Alfabeta.
Sudjana. (2005). Metoda Statistika. Bandung: PT. Tarsito.
Sugiyono. (2016). Statistik untuk Penelitian. Bandung: Alfabeta.
Walpole, Ronald E (2019). Pengantar Statistik. Jakarta: PT Gramedia Pustaka Utama