KORELASI DAN REGRESI

Diajukan untuk memenuhi tugas

STATISTIKA TERAPAN

Dosen Pengampu :
Dr. Achmad Samsudin, M.Pd.

Oleh:
FAUZAN FARHANILLAH
NIM. 1803465
ROBY AKBAR TAUFIK
NIM. 1803027

PROGRAM STUDI PENDIDIKAN FISIKA

SEKOLAH PASCASARJANA
UNIVERSITAS PENDIDIKAN INDONESIA
BANDUNG
2019
1. Korelasi
Korelasi berasal dari bahasa Inggris yaitu Correlation, artinya hubungan timbal balik.
Dalam statistika istilah korelasi merupakan hubungan antara dua variabel atau lebih.
Hubungan antara dua variabel disebut bivariate correlation, sedangkan hubungan antar
lebih disebut multivariate correlation.
Tujuan dilakukannya analisis korelasi antara lain :
1. Untuk mencari bukti terdapat tidaknya hubungan (korelasi) antar variabel
2. Untuk melihat besar kecilnya hubungan antar variabe
3. Untuk memperoleh kejelasan dan kepastian, apakah hubungan tersebut berarti
(meyakinkan) atau tidak meyakinkan.

1.2 Jenis-jenis Uji Korelasi

1.2.1 Korelasi Product Moment
Teknik Korelasi ini dapat digunakan apabila data yang akan dikorelasikan atau
dianalisis memenuhi syarat sebagai berikut:
1. Variabel yang akan dikorelasikan berbentuk gejala yang bersifat kontinu atau
data ratio dan data interval.
2. Sampel yang diteliti mempunyai sifat homogen atau mendekati homogen
3. Regresinya merupakan regresi linear.
Korelasi yang sering digunakan oleh peneliti(terutama peneliti yang
mempunyai data-data interval dan rasio) adalah korelasi Pearson atau Product
Moment Correlation. (Sugiyono, 2016)
Adapun beberapa persyaratan yang harus dipenuhi apabila kita menggunakan
rumus ini adalah:
1. Pengambilan sampel dari populasi harus random(acak).
2. Data yang dicari korelasinya harus berskala interval atau rasio.
3. Variasi skor kedua variabel yang akan dicari korelasinya harus sama.
4. Distribusi skor variabel yang dicari korelasinya hendaknya merupakan distribusi
normal.
5. Hubungan antara variabel X dan Y hendaknya linier.
Rumus Korelasi Product Moment/Pearson Correlation ada 2 macam, yaitu:
a. Korelasi Product Moment dengan simpangan:
 ∑𝑥𝑦
𝑟𝑥𝑦 =
√(∑𝑥 2 )(∑𝑦 2 )
Keterangan:
𝑟𝑥𝑦 =Koefisiensi korelasi anatara variabel X dan variabel Y:dua variabel yang
dikorelasikan
( x=X-M ) dan( y= Y-M).
∑𝑥𝑦 =Jumlah perkalian x dengan y
𝑥 2 =Kuadrat dari x (deviasi x)
𝑦 2 =Kuadrat dari y (deviasi y)

b. Korelasi Product Moment dengan Sederhana:

𝑁𝛴𝑥𝑦−(∑𝑥) (∑𝑦)
𝑟𝑥𝑦 =
√(𝑁𝛴𝑥 2 − (∑𝑥)2 (𝑁𝛴𝑦 2 − (𝛴𝑦)2)

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

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

2) Interpretasi Dengan Menggunakan Tabel Nilai R Product Moment

Membandingkan besar 𝑟𝑥𝑦 atau rh dengan rt. Jika rh < rt, maka Ha ditolak dan
H0 diterima, begitupula sebaliknya.

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

1.2.2 Korelasi Ganda

Korelasi Ganda (Multiple Correlation) adalah korelasi antara dua atau lebih
variabel bebas (independent) secara bersama-sama dengan satu variabel terikat
(dependent). Kegunaan korelasi Ganda (Multiple Correlation), yaitu untuk mencari
hubungan antara dua variabel bebas atau lebih yang secara bersama-sama
dihubungkan dengan variabel terikatnya. (Sugiyono, 2016).
Rumus korelasi ganda dari dua variabel bebas (X1 dan X2) dengan satu
variabel terikat (Y) sbb :
ryx2 1  ryx2 2  2 ryx1 ryx2 rx1x2
R yx1x2 
1  rx21x2

Dimana Ryx1x2 = koefisien korelasi ganda antara variabel x1 dan x2

ry1 = koefisienkorelasi Y terhadap x1
ry2 = koefisienkorelasi Y terhadap x2
rx12 = koefisienkorelasi x1 terhadap X2

a. Cara Memberi Interpretasi Terhadap 𝑹𝒚𝒙𝟏𝒙𝟐

1) Pedoman Kategorisasi Koefisien korelasi Ganda
Hipotesis yang diuji yaitu hipotesis uji satu pihak:

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

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

2) Koefisien korelasi parsial antara y dan x2, apabila x1 tetap dirumuskan

ry2  ry1.rI2
ry.12 =
 I  r  I  r 
2
y1
2
y2

3) Koefisien korelasi parsial antara x1 dan x2 apabila y tetap dirumuskan

r12  ry1.rI2
R12y =
 I  r  I  r 
2
y1
2
y2

a. Cara Memberi Interpretasi Terhadap 𝑹𝒚𝒙𝟏𝒙𝟐

1) Pedoman Kategorisasi Koefisien korelasi Parsial
Hipotesis yang diuji yaitu hipotesis uji satu pihak:

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
 Interval Koefisien Tingkat Hubungan
0,80 – 1,000 Sangat Kuat
2) 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. 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

𝑛.∑𝑋𝑌− (ΣX)(ΣXY) Σxy

𝑏= → b= Σ𝑥 2
𝑛.Σ𝑋 2 − (Σ𝑋)2
3. Menguji signifikansi,
Langkah-langkah:
a. Hitung Jumlah Kuadrat Regresi (JK Reg (a)):
(Y )2
 JK Reg  a    n
b. Hitung Jumlah Kuadrat Regresi (JK Reg (bΙa)):
{XY  X .Y }
JK Reg (ba)  b
n
c. Hitung Jumlah Kuadrat Residu/sisa (JK Res) :
JK ( S )  Y 2  JK Reg (ba)  JK Reg  a 

d. Hitung rata-rata Jumlah Kuadrat Regresi (a)

(RJK Reg (a)=(JK Reg (a))
e. Hitung Rata-rata Jumlah Kuadrat Regresi
(ba)(R JK Reg (ba)) :
R JK Reg (ba)  JK Reg (ba)
f. Hitung rata-rata Jumlah Kuadrat Residu ( RJK Res) :
JK Re s
RJK Re s 
n
g. Menguji Signifikansi:

RJK Re s ba
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)

2.2 Regresi Linear Berganda

Regresi ganda digunakan untuk meramalkan pengaruh dua variabel prediktor atau
lebih terhadap satu variabel kriterium atau untuk membuktikan ada atau tidaknya
hubungan fungsional antara dua buah variabel bebas (X) atau lebih dengan sebuah
variabel terikat (Y). Atau dengan kata lain menurut Sugiyono, manfaat dari hasil analisis
regresi adalah untuk membuat keputusan apakah naik dan menurunnya variabel
dependen dapat dilakukan melalui peningkatan variabel independen atau tidak. Sebagai
contoh, naiknya jumlah penjualan dapat dilakukan melalui jumlah iklan atau tidak.

Bentuk persamaan garis regresi ganda adalah seperti berikut ini:

Untuk 2 variabel: Ŷ = a0 + a1X1+ + a2X2

Berikut langkah-langkah menghitung korelasi ganda, yaitu:

Persamaan regresi untuk dua predictor adalah:

Y = a +b1X1 +b1X2

1) Menghitung beberapa variabel untuk menghitung beberapa variabel independent:

(x1 )2
 x  x  2
1
2
1
n
(x2 )2
 x  x  n
2
2
2
2

(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

3) Menghitung Koefisien variabel Independent Kedua (b2)

(x12 )(x2 y )  (x1 x2 )(x1 y )
b2 
(x12 )( x 22 )  ( x1 x2 ) 2
4) Menghitung Konstanta (a)
a  Y  b1 X 1  b2 X 2
5) Menguji signifikansi,
Langkah-langkah:
a. Hitung Jumlah Kuadrat Total (JKT) :
(Y )2
JKT  Y 2 
n
b. Hitung Jumlah Kuadrat Total Regresi (JK Reg):
(y)2
JK Reg  b1  x1 y  b2  x2 y  a y 
n
c. Hitung Jumlah Kuadrat Residu/sisa (JK Res) :
JK (res)  JKT  JK reg

d. Hitung Rata-rata Jumlah Kuadrat Regresi (RKreg)

JK reg
RK reg 
jumlah prediktor
e. Hitung rata-rata Jumlah Kuadrat Residu ( RKRes) :
JK Re s
RK 
n  jumlah prediktor  1
Re s

f. Menguji Signifikansi:
RK reg
Fregresi 
RK res

g. Kriteria Uji Signifikansi

Jika F hitung ≥ F tabel,
maka Ho datolak Ha dterima (signifikan)
Jika F hitung ≤ F tabel, maka Ho diterima Ha ditolak (tidak signifikan)
h. Mencari F tabel menggunakan Tabel F :
Taraf signifikansi α = 0,05, (n-jumlah predictor-1)=

Menentukan Persamaan Regresi Berganda

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

1. Menghitung r dengan rumus 1.

(𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑋𝑖 𝑌𝑖 )−(∑𝑖=1 𝑋𝑖 )(∑𝑖=1 𝑌𝑖 )
r=
2 2
√𝑛 ∑𝑛 2 𝑛 √ 𝑛 2 𝑛
𝑖=1 𝑋𝑖 −(∑𝑖=1 𝑋𝑖 ) . 𝑛 ∑𝑖=1 𝑌𝑖 −(∑𝑖=1 𝑌𝑖 )

15158100−15134981 23119
 JK t = =
√14747550−14600041.√15815350−15689521 √147509.√125829
 23119 23119
 JK t = 384,069𝑥354,723 = 136238,10 = 0,188.

2. Menghitung r dengan rumus 2.

(∑ 𝑥.𝑦)
r= ; dimana 𝑥 = (𝑋 − 𝑋̅); 𝑦 = (𝑌 − 𝑌̅)
√(∑ 𝑥 2 )(∑ 𝑦 2 )

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 )

462,38 462,38 462,38

r= = = = 0,188
√(2950,18)(2516,58) √7424363,98 2724,76

I. Pengujian Hipotesis Korelasi

 Pengujian hipotesis korelasi cara 1.

Hipotesis:
H0: 𝜌 = 0. H1: 𝜌 ≠ 0. H1: 𝜌 > 0. H1: 𝜌 < 0.

Didapatkan rasio r hitung = 0,188. Dengan 𝑑𝑓 = 𝑛 − 1 = 49, didapatkan

harga F dalam tabel dengan kondisi dua ekor, nilai Ft0,05 sebesar 0,2759.
Dengan demikian dapat diinterpretasikan bahwa dengan pengujian dua ekor,
rasio r berada pada penolakan H0 pada taraf 5%.
 Pengujian hipotesis korelasi cara 2.
𝑟√(𝑛 − 2) 0,188√50 − 2 0,188√48 0,188.6.9282 1,170
𝑡= = = = = = 1,188.
√1 − 𝑟2 √1 − (0,188)2 √1 − 0,035 √0,964 31,048

Dengan n = 49 dan taraf kesalahan 5%, didapatkan nilai ttabel sebesar 2,0098.
Maka rasio t berada pada penolakan H0.

2. Peneliti ingin mengetahui pengaruh pelaksanaan Model pembelajaran CUPs terhadap

Pemahaman Konsep Fisika. Kemudian diambil sampel secara acak kepada 8 siswa dengan
data sebagai berikut:
Pembelajaran 2 3 1 4 1 3 2 2
CUPs (X) kali
Pemahaman 50 60 30 70 40 50 40 35
Konsep (Y) hasil

1. Carilah persamaan regresinya.

2. Carilah apakah penelitian tersebut signifikan

Langkah-langkah Uji Regresi Linier:

1. Membuat hipotesis
Ho: Tidak ada pengaruh pelaksanaan Model pembelajaran CUPs terhadap
Pemahaman Konsep Fisika Siswa
Ha: Ada pengaruh pelaksanaan Model pembelajaran CUPs terhadap Pemahaman
Konsep Fisika Siswa.
4. Membuat tabel persiapan
No X Y X2 Y2 XY
1 2 50 4 2500 100
2 3 60 9 3600 180
3 1 30 1 900 30
4 4 70 16 4900 280
5 1 40 1 1600 40
6 3 50 9 2500 150
7 2 40 4 1600 80
8 2 35 4 1225 70

Σ= 18 375 48 18825 930

5. Mencari persamaann Regresi

Menghitung rumus b
nX .Y  (X )(Y )
b
nX 2  (X )2
8(930)  (18)(375)
b
8.48  (18)2

690
b  11,5
60

Menghitung rumus a
(Y )(X 2 )  (X )(X .Y )
a
nX 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

b. Hitung Jumlah Kuadrat Regresi (JK Reg (bΙa)):

{XY  X .Y }
JK Reg (ba)  b
n
{930  (18)(375)}
JK Reg (ba)  11,5  991,875
8
c. Hitung Jumlah Kuadrat Residu/sisa (JK Res) :
JK ( S )  Y 2  JK Reg (ba)  JK Reg  a 

JK ( S )  18.825  991,875  17.578,125  255

d. Hitung rata-rata Jumlah Kuadrat Regresi (a)
(RJK Reg (a)=(JK Reg (a))
(RJK Reg (a)=(JK Reg (a))= 17.578,125
e. Hitung Rata-rata Jumlah Kuadrat Regresi
(ba)(R JK Reg (ba)) :
R JK Reg (ba)  JK Reg (ba)
=991,875
f. Hitung rata-rata Jumlah Kuadrat Residu ( RJK Res) :
JK Re s
RJK Re s 
n
255
RJK Re s   42,5
82
g. Menguji Signifikansi:

RJK Re s ba
F hitung 
RJK Re s
 991,875
F hitung   23,34
42,5

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

8-2=6

F tabel = F (1 - α) (db reg (bΙa) ,(db res)

F tabel= F (1-0,05)(1,6)
F tabel= 5,99
Cara mencari F tabel : angka 1 = pembilang, angka 6 = penyebut
Ternyata F hitung > F tabel atau 23,24 > 5,99
maka signifikan

Dengan SPSS 2.2

1. Lakukan Copypaste data yang akan diolah dari data yang sudah di input.
2. Masuk menu bar, Klik Analysis lalu klik regression -> Linear

3. Lalu masukkan variabel X ke Independent, dan variabel Y ke Dependent.

4. Klik statistics ->ceklis estimates-> model fit,R squared change, descriptives di regression
coefficients. Klik continue.
 5. Klik Plot, masukkan ZPRED kekotak X, SRESID kekotak Y
6. Klik Histogram dan normal probability plot
7. Klik continue, klik ok!

Hasil Output Regression

REGRESSION

/DESCRIPTIVES MEAN STDDEV CORR SIG N

/MISSING LISTWISE

/STATISTICS COEFF OUTS R ANOVA CHANGE

/CRITERIA=PIN(.05) POUT(.10)

/NOORIGIN

/DEPENDENT Y
/METHOD=ENTER X

/SCATTERPLOT=(*SRESID ,*ZPRED)

/RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Regression
Notes

Output Created 20-MAR-2019 07:32:52

Comments

Input Active Dataset DataSet0

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data

8
File

Missing Value Handling Definition of Missing User-defined missing values are

treated as missing.

Cases Used Statistics are based on cases with no

missing values for any variable used.

Syntax REGRESSION

/DESCRIPTIVES MEAN STDDEV

CORR SIG N

/MISSING LISTWISE

/STATISTICS COEFF OUTS R

ANOVA CHANGE

/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

Elapsed Time 00:00:02.25

Memory Required 1356 bytes

Additional Memory Required

912 bytes
for Residual Plots

Descriptive Statistics

Mean Std. Deviation N

Pemahaman Konsep 46.8750 13.34635 8

Model CUPs 2.2500 1.03510 8

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

Pearson Correlation Pemahaman Konsep 1.000 .892

Model CUPs .892 1.000

Sig. (1-tailed) Pemahaman Konsep . .001

Model CUPs .001 .

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

1 Model CUPsb . Enter

a. Dependent Variable: Pemahaman Konsep

b. All requested variables entered.

Dari tabel diatas menunjukkan variabel yang dimasukkan adalah Model CUPs,
sedangkan variabel yang dikeluarkan tidak ada. (Variables Removed tidak ada)

Model Summaryb

Change Statistics

Adjusted R Std. Error of the R Square

Model R R Square Square Estimate Change F Change df1

1 .892a .795 .761 6.51920 .795 23.338 1

Model Summaryb

Change Statistics

Model df2 Sig. F Change

1 6 .003

a. Predictors: (Constant), Model CUPs

b. Dependent Variable: Pemahaman Konsep

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

Model Sum of Squares df Mean Square F Sig.

1 Regression 991.875 1 991.875 23.338 .003b

Residual 255.000 6 42.500

Total 1246.875 7

a. Dependent Variable: Pemahaman Konsep

b. Predictors: (Constant), Model CUPs

Hipotesis

Pengambilan Keputusan

Jika F Hitung < F Tabel atau Probabilitasnya ≥ 0,05 maka H0 diterima

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

Model B Std. Error Beta t Sig.

1 (Constant) 21.000 5.831 3.601 .011

Model CUPs 11.500 2.380 .892 4.831 .003

a. Dependent Variable: Pemahaman Konsep

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 32.5000 67.0000 46.8750 11.90363 8

Std. Predicted Value -1.208 1.691 .000 1.000 8

Standard Error of Predicted

2.380 4.761 3.158 .865 8
Value

Adjusted Predicted Value 28.7500 63.5714 46.2998 11.67970 8

Residual -9.00000 7.50000 .00000 6.03561 8

Std. Residual -1.381 1.150 .000 .926 8

Stud. Residual -1.483 1.409 .036 1.052 8

Deleted Residual -10.38461 11.25000 .57521 7.88563 8

Stud. Deleted Residual -1.701 1.572 .031 1.118 8

Mahal. Distance .058 2.858 .875 .990 8

Cook's Distance .033 .496 .159 .154 8

Centered Leverage Value .008 .408 .125 .141 8

a. Dependent Variable: Pemahaman Konsep

Charts

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

b. Berikut langkah-langkah menghitung korelasi ganda, yaitu:

1) Menghitung korelasi antara UTS dengan IPK (ry1)
nX 1Y  (X 1 )(Y )
ry1 
(nX 12  (X 1 )2 (nY 2  (Y )2 )
(28)(8078,52)  (2160, 7)(104,51)
ry1 
(28.172027,39  4668624,5)(28.390, 7155  10922,34
226198,56  225814, 757
ry1 
148142, 42  17, 694
383,803
ry1   0, 237
1619,021921
Menguji Hipotesis
Ho : Tidak ada Korelasi antara UTS dengan IPK
H1 : Ada Korelasi antara UTS dan IPK
ry1 = 0,237
rtabel = 0,3172
 rhitung < rtabel
H0 diterima dan H1 ditolak
Kesimpulannya tidak ada korelasi antara UTS dengan IPK

Diketahui signifikansi = 0,112, dan signifikansi tabel= 0,05

Sig Hit> Sig tabel
Kesimpulannya tidak ada korelasi antara UTS dengan IPK
2) Menghitung korelasi antara UAS dengan IPK (ry2)
nX 1Y  (X 1 )(Y )
ry 2 
(nX 12  (X 1 )2 (nY 2  (Y ) 2 )

(28)(8589, 03)  (2298, 7)(104,51)

ry 2 
(28.190039, 65  5284021, 7)(28.390, 7155  10922,34
240492,84  240237,137
ry 2 
37093,82  17, 694
255, 703
ry1   0,316
810,14693318
Menguji Hipotesis
Ho : Tidak ada Korelasi antara UAS dengan IPK
H1 : Ada Korelasi antara UAS dan IPK
ry2 = 0,316
rtabel = 0,3172
rhitung < rtabel
H0 diterima dan H1 ditolak
Kesimpulannya tidak ada korelasi antara UAS dengan IPK
 Diketahui signifikansi = 0,051, dan signifikansi tabel= 0,05
Sig Hit> Sig tabel
Kesimpulannya tidak ada korelasi antara UAS dengan IPK
3) Menghitung korelasi antara UTS dengan UAS (r12)
nX 1 X 2  (X 1 )(X 2 )
r12 
(nX 12  (X 1 )2 (nX 2 2  (X 2 )2 )

(28)(178305, 2)  (2160, 7)(2298, 7)

r12 
(28.172027,39  4668624,5)(28.190039, 65  5284021, 7)
4992545, 6  4966801, 09
ry 2 
148142, 42  37088,5
25744,51
ry1   0,347
74124,08613
Menguji Hipotesis
Ho : Tidak ada Korelasi antara UTS dengan UAS
H1 : Ada Korelasi antara UTS dan UAS
ry2 = 0,347
rtabel = 0,3172
rhitung > rtabel
H0 ditolak dan H1 diterima
Kesimpulannya ada korelasi antara UTS dengan UAS
 Diketahui signifikansi = 0,035, dan signifikansi tabel= 0,05
Sig Hit< Sig tabel
Kesimpulannya ada korelasi antara UTS dengan UAS
4) Menghitung korelasi antara IPK UTS dan UAS (ry-12)

(ry1 ) 2   ry 2   2  ry1  ry 2   r12 

2

ry 12 
1  (r12 ) 2

0, 056169  0, 099856  0, 051975048

ry 12 
1  0,120409

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

Tabel Model Summary dalam Output SPSS

Nilai R Square
Nilai R Square:

0,118 x 100 %= 11, 8 %

Ini berarti nilai IPK dipengaruhi oleh UTS dan UAS

c. Berikut langkah-langkah menghitung regresi ganda, yaitu:

Untuk dapat meramalkan bagaimana hubungan UTS dan UAS dapat mempengaruhi
IPK, maka harus dicari persamaan regresinya terlebih dahulu .
Persamaan regresi untuk dua predictor adalah:
Y = a +b1X1 +b1X2

1) Menghitung beberapa variabel dari tabel penolong:

(x1 )2
 x  x 
2
1
2
1
n
4668624,5
x 2
1  172027,39 
28

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

2) Menghitung Koefisien variabel Independent Pertama (b1)

(x22 )(x1 y )  (x1 x2 )(x2 y )
b1 
(x12 )( x 22 )  ( x1 x2 ) 2

(1324,58986)(13, 70725)  (919, 4467857)(9,13225)

b1 
(5290,8007)(1324,589286)  (919, 4467857) 2
18156, 47649  8396, 617909
b1 
7008137,922  845382,3917
9759,858581
b1 
6162755,53
b1  0, 002

3) Menghitung Koefisien variabel Iependent Kedua (b2)

(x12 )(x2 y )  (x1 x2 )(x1 y )
b2 
(x12 )( x 22 )  ( x1 x2 ) 2

(5290,8007)(9,13225)  (919, 4467857)(13,70725)

b2 
(5290,8007)(1324,589286)  (919, 4467857) 2
 48316,91469  12603,08695
b2 
7008137,922  845382,3917
35713,82774
b2 
6162755,53
b2  0, 005795107004
b2  0, 006
4) Menghitung Konstanta (a)
a  Y  b1 X 1  b2 X 2
a  3,7325  (0,001583684203)(77,167857)  (0,005795107004)(82.09642857)
a  3, 7325  0,122209516  0, 47575759
a  3,134532893
a  3,135
Tabel Coefficients dalam Output

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

c. Hitung Jumlah Kuadrat Residu/sisa (JK Res) :

JK (res)  JKT  JK reg

JK (res)  0, 631928571  0, 074633591

JK (res)  0,557294979  0,557

d. Hitung rata-rata Jumlah Kuadrat Regresi (a)
(RJK Reg (a)=(JK Reg (a))
(RJK Reg (a)=(JK Reg (a))= 17.578,125
e. Hitung Rata-rata Jumlah Kuadrat Regresi (RKreg)
JK reg
RK reg 
jumlah prediktor
0,074633591
RKreg 
2
RKreg  0,037316795  0,037

f. Hitung rata-rata Jumlah Kuadrat Residu ( RKRes) :

JK Re s
RK 
n  jumlah prediktor  1
Re s

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

h. Kriteria Uji Signifikansi

Ho: Tidak ada regresi antara IPK dengan UTS dan UAS

H1: Ada regresi antara IPK dengan UTS dan UAS

Jika F hitung ≥ F tabel,

maka Ho datolak Ha dterima (signifikan)
Jika F hitung ≤ F tabel, maka Ho diterima Ha ditolak (tidak signifikan)
i. Mencari F tabel menggunakan Tabel F :
Taraf signifikansi α = 0,05, (n-jumlah predictor-1)= 25
F tabel = 3,3852
Ternyata F hitung < F tabel atau 1,674 < 3,39 maka tidak signifikan

Kesimpulannya tidak ada regresi antara IPK dengan UTS dan UAS

Tabel ANOVA dalam Output SPSS

Menentukan Persamaan Regresi Berganda

y '  a  b1 x1  b2 x2

3,135  0, 002 x1  0, 006 x2

x1 = 0, x2 = 0 => 3,135

x1 = 1, x2 = 1 => 3,135  0,002  0,006  3,143

x1 = 2, x2 = 2 => 3,135  0, 004  0, 012  3,151

x1 = 55, x2 = 70 => 3,135  0,11  0, 042  3, 665

x1 = 95, x2 = 97,2 => 3,135  0,19  0,5832  3,9082

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