ANALISIS REGRESI DUMMY DALAM MEMPREDIKSI VARIABEL YANG

MEMPENGARUHI NILAI IPK MAHASISWA PENDIDIKAN AGAMA ISLAM

Ramadani Auliyana Rosa1, Dwi Miftahkul Jannah2, Zahra Firdausa Khurin’in3,

Rizka Allifatur Rohmah4

Jurusan Matematika, Fakultas Sains dan Teknologi,

Universitas Islam Negeri Maulana Malik Ibrahim, Malang, Indonesia

Email: 1 ramadaniauliyanarosa@gmail.com, 2 dwimj55@gmail.com, 3 zkh671@gmail.com,

4
rizkaalifaturrohmah@gmail.com

ABSTRACT
Grade Point Average (GPA) is a benchmark used to measure the results of learning achievement
in college. Some factors that influence GPA value are gender, class program, and final education.
The purpose from this study is to analyze some factors on the GPA value of Islamic education
students with dummy variable. The population in this study is the students of Islamic education in
batch 2016 with the sample of 36 students. Based on the results of the data analysis in dummy
regression, the model was obtained:
𝑌 = 3.781 − 0.092𝑋1 − 0.050𝑋2 + 0.066𝑋31 + 0.036𝑋32 − 0.055𝑋33
Some factors that showed significant results are women, regular class programs, and senior high
school education. So, the best model that can be obtained is:
𝑌 = 3.781 + 0.066𝑋31
Keywords: Grade Point Average (GPA), regression, dummy

PENDAHULUAN
Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan
antara satu atau lebih variabel, yakni variabel bebas dan variabel terikat. Di dalam analisis regresi
terdiri dari variabel dependen atau variabel bebas dan variabel independen atau variabel terikat.
Variabel bebas merupakan variabel yang mempengaruhi atau sebab perubahan timbulnya variabel
seiring kenaikan atau penurunan yang bernilai positif maupun negatif. Sedangkan variabel terikat
merupakan variabel yang dipengaruhi atau di jelaskan. Analisis regresi digunakan untuk
mengetahui pengaruh antar variabel (Hijriani & dkk, 2016).

1
 Regresi linier berganda hampir sama dengan regresi linier sederhana.Perbedaannya terletak
pada variabel bebasnya yang terdiri dari beberapa prediktor (variabel independen) terhadap
variabel penduga adapun tujuan dari regresi linier berganda adalah untuk mengetahui hubungan
antara dua variabel atau lebih dan membuat prediksi perkiraan nilai Y dan X (Hasan, 2003).
Pada regresi linier berganda variabel bebasnya (variabel independen) berupa variabel
kuantitatif. Pada beberapa kasus variabel yang digunakan tidak selalu menggunakan variabel
kuantitatif akan tetapi terkadang menggunakan variabel kualitatif. Variabel kualitatif dalam model
regresi linier disebut dengan istilah variabel dummy. Dalam regresi linier berganda jumlah variabel
kualitatif (dummy) tergantung dari banyaknya kategori pada variabel tersebut. Biasanya pada
analisis regresi dummy menggunakan 1 dan 0 dalam pemberian kategori.
Nilai IPK merupakan suatu tolak ukur yang digunakan untuk mengukur hasil prestasi belajar
selama melaksanakan perkuliahan. Sering kali IPK dijadikan sebagai penentu pintar tidaknya
seseorang, padahal sebenarnya nilai IPK tidak hanya ditentukan dari kecerdasan seseorang
melainkan juga dipengaruhi oleh faktor-faktor lain berikut ini akan dilakukan penelitian mengenai
fakto-faktor apa saja yang dapat mempengaruhi nilai IPK. Karena berbagai keterbatasan,
penelitian ini dilakukan pada Mahasiswa Pendidikan Agama Islam Universitas Islam Negeri
Maulana Malik Ibrahim Malang dengan jenis kelamin, program kuliah, dan pendidikan terakhir
sebagai faktor yang mempengaruhi nilai IPK Mahasiswa PAI.
Maksud dari penelitian ini untuk menganalisis pengaruh jenis kelamin, program kuliah, dan
pendidikan terakhir terhadap IPK dengan analisis regresi berganda menggunakan variabel
dummy.

METODE PENELITIAN
Prameter yang akan digunakan dalam penelitian ini ada tiga, variabel independen yang
berupa variabel dummy dan satu variabel dependen.Variabel independennya nilai IPK mahasiswa
(𝑌), Jenis kelamin (𝑋1 ), Program kuliah (𝑋2 ), dan Pendidikan terakhir (𝑋3 )adalah variabel-
variabel independen. Jenis kelamin perempuan sebagai kontrol (𝑋1 ), kelas regular sebagai kontrol
(𝑋2 ), dan MA + Pondok sebagai kontrol (𝑋3 ).
Menurut Simbolon (2009: 239) bahwa regresi linear sederhana terdiri dari sebuah peubah
tak bebas sebagai respon atau diprediksi dan lebih dari satu peubah bebas sebagai prediktor atau
yang memprediksi. Dalam analisis regresi berganda, variabel bebas dinyatakan dengan (𝑋) dan

2
variabel tak bebas dinyatakan dengan (𝑌). Model regresi berganda adalah (Enjelita Ndruru,
Situmorang, & Tarigan, 2014)
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 + 𝜀𝑖
Keterangan:
𝑌= variabel terikat
𝛽0 = intersep
𝑋𝑖 = koefisien (slope kemiringan) dari variabel ke 𝑖
𝑋𝑖𝑗 = variabel bebas presiktor ke-𝑗 dari responden ke-𝑖
𝜀𝑖 = error
Model regresi berganda yang telah diuraikan sebelumnya berasumsi bahwa semua variabel
indpenden yang digunakan dalam model merupakan variabel kuantitatif. Namun, dalam
kenyataannya perubahan nilai suatu variabel tidak selalu hanya dipengaruhi oleh variabel kuaitatif
(variabel dummy). Cara ini digunakan untuk mencari regresi linear berganda apabila terdapat atau
semua peubah bebasnya berupa data kualitatif, atribut atau kategori. Seperti biasa, peubah boneka
yang dipakai adalah 1 untuk pengamatan yang masuk kategori dan 0 untuk pengamatan yang
masuk kategori lain (Sudjana, 2003:98). Dalam model regresi
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝛽3 𝐷𝑖 + 𝜀𝑖, 𝑖 = 1,2,3, … 𝑛
Variabel D merupakan variabel intersep sehingga persamaan regresi yang terbentuk ada dua,
yang berbeda hanya pada variabel intersep, yaitu:

Pada kasus D bernilai 1:

𝑌𝑖 = (𝛽1 + 𝛽3 ) + 𝛽2 𝑋𝑖 + 𝜀𝑖,
Pada kasus D bernilai 0:
𝑌𝑖 = 𝛽1 + +𝛽2 𝑋𝑖 + 𝜀𝑖,

Menurut Hakim (2002: 250) bahwa untuk menggunakan analisis regresi terdapat hal-hal
yang harus dipenuhi yaitu asumsi-asumsinya. Asumsi adalah sebuah perkiraan yang biasa dibuat
oleh manusia untuk menyederhanakan suatu masalah. Berikut ini beberapa asumsi yang terdapat
pada analisis regresi yaitu (Hakim, 2002: 251) yaitu:

3
1. Uji homoskedastisitas digunakan untuk menguji ada tidaknya kesamaan variabel residual dari
satu pengamatan ke pengamatan yang lain. Uji ini dapat menggunakan Scatter Plot. Sumbu X
adalah nilai-nilai prediksi ZPRED (Regression Standartdized Predicted Value) dan sumbu Y
adalah nilai ZRESID (Regression Standartdized Predicted Value). Jika grafik yang diperoleh
menunjukkan adanya pola tertentu dari titik-titik yang ada, maka dikatakan terjadinya
homoskedastisitas. Akan tetapi, jika membentuk pola tertentu dikatakan tidak terjadi
homoskedastisitas.
2. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau
residual memiliki distribusi normal, untuk melihat apakah variabel bebas dan variabel tak bebas
atau terikat mempunyai distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi
tidak valid atau bias, terutama untuk sampel kecil. Uji normalitas dapat dilakukan melalui dua
pendekatan yaitu melalui pendekatan metode grafik normal (histogram dan P-P Plot) dari
standartized residual cumulative probability. Jika hasil identifikasi berada di sekitar garis
normal, asumsi kenormalan dapat diprnuhi. Selain itu pengujian kenormalan dapat juga
menggunakan uji Kolmogrov-Sminov, Chi-Square, Liliefors maupun Shapiro-Wilk. Uji
Kolmogoro Sminov dapat digunakan untuk melihat kenormalan dengan identifikasi. Jika nilai
p-value lebih besar dari 𝜇, asumsi kenormalan dapat diterima.
3. Uji autokorelasi adalah uji untuk mengatahui korelasi antara anggota serangkaian observasi
yang diurutkan menurut waktu seperto data deter waktu atau ruang seperti data cross-section.
Uji ini dilakukan untuk mengetahui ada tidaknya korelasi antara faktor penggangu yang satu
dengan yang lainnya (nonautokorelasi). Ada tidaknya autokorelasi dalam regresi dapat
diketahui dengan menggunakan beberapa cara antara lain, metode grafik dan uji Durbin-Watson
(DW-test).
4. Uji multikolinearitas yaitu uji untuk mengetahui adanya hubungan linear yang pasti antara
peubah-peubah bebasnya. Multikolinearitas muncul jika terdapat hubungan yang sempurna
atau pasti di antara beberapa variabel atau semua variabel independen dalam model. Pada kasus
multikolinearitas yang serius, koefisien regresi tidak lagi menunjukkan pengaruh murni dari
variabel independen dalam model. Terdapat beberapa metode untuk mendeteksi keberadaan
multikolinearitas. Untuk mendeteksi multikolinearitas digukanakn pengukuran terhadap nilai
VIF (Variable Inflation Factor) dan nilai Tolerance. Jika nilai VIF masih kurang dari 10 maka
multikolinearitas tidak terjadi.

4
 Uji F dilakukan untuk mengetahui apakah ada hubungan antara faktor dengan respon untuk
mewakili data keseluruan, sedangkan uji 𝑡 untuk mengetahui apakah ada hubungan secara parsial
(sendiri-sendiri) antara setiap faktor dengan respon. Uji yang juga akan dilakukan dalam analisis
ini adalah uji determinasi, uji ini digunakan untuk mengetahui tingkat yang paling baik antara dua
variabel atau digunakan untuk mengukur besarnya kontribusi (share) dari variabel X terhadap
variasi naik turunnya variabel Y yang biasanya dinyatakan dalam presentase, (Ghozali, 2011)
(Muliawan & Muhlis, 2018)
Faktor yang Mempengaruhi Hasil Belajar Menurut Anni (2004:11) terbagi menjadi 2 yaitu
faktor internal dan faktor eksternal. Faktor internal, yang mencakup aspek fisik, misalnya
kesehatan organ tubuh, aspek psikis, misalnya intelektual, emosional, motivasi, dan aspek sosial,
misalnya kemampuan bersosialisasi dengan lingkungan. Faktor eksternal, misalnya variasi dan
derajat kesulitan materi yang dipelajari, tempat belajar, iklim, suasana lingkungan, budaya belajar
masyarakat dan sebagainya. (Catharina, 2004).

HASIL DAN PEMBAHASAN

Penelitian ini menggunakan data primer yang dilakukan dengan menyebar kuisioner secara
manual (kertas). Populasi dalam penelitian ini merupakan mahasiswa jurusan Pendidikan Agama
Islam Universitas Islam Negeri Maulana malik Ibrahim malang program reguler dan program
International class program (ICP). Berdasarkan kriteria yang telah ditetapkan sebelumnya dan
hasil kuisioner yang di dapat maka diperoleh jumlah sampel sebanyak 36 mahasiswa.

No. Keterangan Jumlah

1 Mahasiswa PAI progam reguler 16
2 Mahasiswa PAI progam ICP 20
Jumlah Sampel 36

5
1. Uji Asumsi Regresi
a. Uji Normalitas
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual 0.130 36 0.126 0.949 36 0.100
a. Lilliefors Significance Correction

Uji normalitas digunakan untuk menguji apakah variabel dependen dan independen pada
model regresi memiliki distribusi normal atau tidak. Berdasarkan hasil pada tabel, uji normalitas
secara statistik dilakukan menggunakan Uji Kolmogorov-Smirnov. Uji ini dianggap lebih
sederhana dan tidak menimbulkan perbedaan presepsi. Pada Uji Kolmogorov Smirnov
menunjukkan nilai statistik 0.130 dimana nilai ini lebih besar dari taraf signifikan 0.05. Hal ini
menunjukkan bahwa nilai residual dalam analisis regresi berdistribusi normal.
b. Autokorelasi
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 0.490a 0.240 0.114 0.10635 1.494
a. Predictors: (Constant), MAPONDOK, JK, SMA, MA, PROGRAM
b. Dependent Variable: IPK

Uji autokorelasi dilakukan untuk mengetahui ada tidaknya korelasi antara pengganggu pada
periode 𝑡 dengan kesalahan pengganggu pada periode 𝑡 − 1 atau periode sebelumnya. Uji
Autokorelasi pada penelitian ini dilakukan menggunakan Uji Durbin-Watson. Hasil pada tabel
menunjukkan bahwa nilai Durbin-Watson sebesar 1.494, menggunakan taraf signifikan 0.05,
jumlah variabel independen 5 (𝑘 = 5) , jumlah sampel 𝑛 = 36, maka diperoleh niali 𝑑𝑈 adalah
1.6539 dan nilai 𝑑𝐿 1.2953. Karena nilai DW 1.494 berada diantara 𝑑𝐿 dan 𝑑𝑈 maka tidak
menghasilkan kesimpulan yang pasti.

6
c. Heteroskedastisitas

Uji heteroskedasisitas dilakukan untuk mengetahui ketidaksamaan varian dari residual

pengamatan ke pengamatan yang lain. Uji heteroskedastisitas dapat dilakukan dengan melihat
sebaran pada grafik P-P plot antara nilai ZPRED (Standarized Predicted Value) yang diwakilkan
dengan sumbu 𝑌 (Expected Cum Prob) dengan residualnya SRESID (Studentized Residual) yang
digambarkan pada sumbu 𝑋 (Observed Cum Prob). Hasil pada grafik menunjukkan bahwa data
terjadi heteroskedastisitas karena data menyebar secara teratur dan berpola jelas. Dimana titik-
titik menyebar di sekitaran garis lurus pada angka 0 di sumbu 𝑌.
d. Multikolinearitas

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 3.781 0.038 99.744 0.000

JK -0.092 0.037 -0.408 -2.487 0.019 0.942 1.062

PROGRAM -0.050 0.042 -0.226 -1.192 0.242 0.707 1.414
SMA 0.066 0.045 0.285 1.466 0.153 0.669 1.496
MA 0.036 0.046 0.144 0.773 0.446 0.727 1.375
MAPONDO -0.055 0.082 -0.114 -0.678 0.503 0.899 1.112
K
a. Dependent Variable: IPK

7
 Uji Multikolinearitas dilakukan untuk menguji adanya korelasi antar variabel independen
pada analisis regresi. Uji Multikolinearitas dilakukan dengan melihat nilai Tolerance dan VIF
variabel independen. Jika nilai Tolerance > 0.10 dan nilai VIF < 10, maka data terbebas dari
multikolinearitas. Hasil pada tabel menunjukkan bahwa nilai Tolerance pada 𝐽𝐾 = 0.19,
Program = 0.707, SMA = 0.669, MA = 0.727, MA/Pondok = 0.889. Seluruh nilai Toleransi
pada data menunjukkan > 0.10 yang menunjukkan bahwa data terbebas dari multikolinearitas.
Hasil VIF pada tabel menunjukkan 𝐽𝐾 = 1.602, Program = 1.414, SMA = 1.496, MA = 1.375,
MA/Pondok = 1.112. Seluruh data menunjukkan < 10 yang berarti bahwa data terbebas dari
multikolinearitas yang berarti bahwa tidak ada hubungan antar variabel independennya.
2. Model Regresi

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 3.781 0.038 99.744 0.000

JK -0.092 0.037 -0.408 -2.487 0.019 0.942 1.062

PROGRAM -0.050 0.042 -0.226 -1.192 0.242 0.707 1.414
SMA 0.066 0.045 0.285 1.466 0.153 0.669 1.496
MA 0.036 0.046 0.144 0.773 0.446 0.727 1.375
MAPONDOK -0.055 0.082 -0.114 -0.678 0.503 0.899 1.112
a. Dependent Variable: IPK

Model analisis regresi yang di dapat adalah:

𝑌 = 3.781 − .092𝑋1 − .050𝑋2 + .066𝑋3 + .036𝑋4 − .055𝑋5

Hasil analisis regresi dummy diketahui dengan cara melakukan pengkodean (1,0) ke dalam
persamaan variabel independen yang dimisalkan ke dalam variabel dummy, sebagai berikut:
 Pengkodean untuk 𝑋1 sebagai jenis kelamin :
𝑋11= Variabel dummy untuk peremupuan = 0
𝑋12= Variabel dummy untuk laki-laki = 1

8
 Maka nilai 𝑋1:
𝑋11 = 3,781 − 0,92(0) = 3,781
𝑋12 = 3,781 − 0,92(1) = 2,861
Dari hasil yang didapat menunjukkan bahwa variabel jenis kelamin perempuan lebih tinggi
dibandingkan dengan laki-laki dimana selisihnya adalah 0.92. Hal ini menunjukkan bahwa
nilai IPK lebih berpengaruh terhadap mahasiswa perempuan di Jurusan Pendidikan Agama
Islam (PAI).
 Pengkodean untuk 𝑋2 sebagai program kelas:
𝑋21= Variabel dummy untuk regular = 0
𝑋22= Variabel dummy untuk ICP = 1
Maka nilai 𝑋2 :
𝑋21 = 3,781 − 0,50(0) = 3,781
𝑋22 = 3,781 − 0,50(1) = 3,281
Dari hasil yang didapakan menunjukkan bahwa variabel program kelas regular lebih
tinggi dibandingkan dengan program kelas ICP dimana selisihnya adalah 0.50. Hal ini
menunjukkan bahwa nilai IPK lebih berpengaruh terhadap mahasiswa regular di Jurusan
Pendidikan Agama Islam (PAI).
 Pengkodean untuk 𝑋3 sebagai pendidikan terakhir:
𝑋31= Variabel dummy untuk SMA = 1, untuk lainnya = 0
𝑋32= Variabel dummy untuk MA = 1, untuk lainnya = 0
𝑋33= Variabel dummy untuk SMA+Pondok = 1, untuk lainnya = 0
𝑋34= Variabel dummy untuk MA+Pondok = 1,untuk lainnya=0
Maka nilai 𝑋3:
𝑋31 = 3,781 + 0,66(1) + 0,36(0) − 0,55(0) = 4,441
𝑋32 = 3,781 + 0,66(0) + 0,36(1) − 0,55(0) = 4,141
𝑋33 = 3,781 + 0,66(0) + 0,36(0) − 0,55(1) = 3,231
𝑋34 = 3,781 + 0,66(0) + 0,36(0) − 0,55(0) = 3,781
Dari hasil yang didapatkan menunjukkan bahwa variabel pendidikan terakhir SMA berada
di tingkat pertama tertinggi dibandingkan pendidikan terakhir lainnya, dimana selisih antara
SMA dan MA adalah 0,3 selisih antara SMA dan SMA+Pondok adalah 1,21, selisih antara

9
 SMA dan MA+Pondok adalah 0,66. Sehingga bisa disimpulkan bahwa pendidikan terakhir
SMA lebih berpengaruh terhadap IPK di Jurusan Pendidikan Agama Islam (PAI).
Pada hasil analisis hasil yang di dapat menunjukkan bahwa P-value dari koefisien regresi
𝑋1 adalah 0. 019 < α = 0.05 artinya 𝑋1 tidak signifikan sehingga variabel 𝑋1 harus
dikeluarkan dari model. Pada koefisien regresi 𝑋2 adalah 0. 242 > α = 0.05 artinya 𝑋2
signifikan sehingga variabel 𝑋2 bisa digunakan dalam model. Pada koefisien regresi 𝑋31 adalah
. 153 > α = 0.05 artinya 𝑋31 signifikan sehingga variabel 𝑋31 bisa digunakan dalam model.
Pada koefisien regresi 𝑋32 adalah 0.446 > α = 0.05 artinya 𝑋32 signifikan sehingga variabel
𝑋32 bisa digunakan dalam model. Pada koefisien regresi 𝑋33 adalah 0.502 > α = 0.05 artinya
𝑋33 signifikan sehingga variabel 𝑋33 bisa digunakan dalam model. Pada variabel JK
menunjukkkan hasil yang tidak signifikan artinya model yang diperoleh tidak mampu
mengakibatkan hubungan antar dua variabel tidak signifikan. Maka tidak terdapat pengaruh
antara variabel JK terhadap nilai IPK.
a. Koefisien Determinasi
Pada hasil analisis yang didapat menunjukkan nilai 𝑅 2 sebesar 0.24. Dari hasil tersebut
dapat disimpulkan bahwa variabel dependen yaitu IPK mahasiswa Jurusan Pendidikan Agama
Islam (PAI) dapat dijelaskan dengan variabel independen yaitu jenis kelamin, program kelas dan
pendidikan terakhir setiap mahasiswa secara bersama-sama sebesar 24% dan 76% untuk variabel
independen lainnya yang tidak di jelaskan pada penelitian ini.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 0.107 5 0.021 1.896 0.125b
Residual 0.339 30 0.011

Total 0.447 35

a. Dependent Variable: IPK

b. Predictors: (Constant), MAPONDOK, JK, SMA, MA, PROGRAM

b. Uji Serempak
𝐻0 = 𝛽0 = 𝛽1 = 𝛽2 = 𝛽3 = 0
𝐻0 =Minimal ada satu 𝛽 yang tidak sama dengan 0
Berdasarkan hasil di atas nilai 𝐹𝐻𝑖𝑡𝑢𝑛𝑔 =1.896 dan nilai 𝐹𝑇𝑎𝑏𝑒𝑙 = 2.534. Karena 𝐹𝐻𝑖𝑡𝑢𝑛𝑔 <𝐹𝑇𝑎𝑏𝑒𝑙 dan <
𝛼 < maka terima 𝐻0 , artinya tidak terdapat pengaruh antara jenis kelamin, program kelas dan
pendidikan terakhir terhadap indeks prestasi kumulatif mahasiswa.

10
c. Uji Parsial
 𝛽0:
𝐻0 : 𝛽0 = 0 tidak terdapat pengaruh yang signifikan
𝐻1 : 𝛽0 ≠ 0 terdapat pengaruh yang signifikan
Pada intercept sebesar 99,744 dan nilai 𝑡𝑇𝑎𝑏𝑒𝑙 = 1,697, karena 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 > 𝑡𝑇𝑎𝑏𝑒𝑙 jadi dapat
disimpulkan bahwa tolak 𝐻0 terdapat pengaruh intercept pada 𝑌.
 𝛽1:
𝐻0 : 𝛽1 = 0 tidak terdapat pengaruh yang signifikan antara jenis kelamin dengan indeks prestasi
𝐻1 : 𝛽1 ≠ 0 terdapat pengaruh yang signifikan antara jenis kelamin dengan indek prestasi
Nilai 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 sebesar −2,487 dan nilai 𝑡𝑇𝑎𝑏𝑒𝑙 sebesar 1,697, karena 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 < 𝑡𝑇𝑎𝑏𝑒𝑙 , jadi dapat
disimpulkan bahwa terima 𝐻0 , tidak terdapat pengaruh jenis kelamin dengan indeks prestasi.
 𝛽2:
𝐻0 : 𝛽2 = 0 tidak terdapat pengaruh yang signifikan antara program kelas dengan indeks
prestasi
𝐻1 : 𝛽2 ≠ 0 terdapat pengaruh yang signifikan antara program kelas dengan indek prestasi
Nilai 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 sebesar −1,192 dan nilai 𝑡𝑇𝑎𝑏𝑒𝑙 sebesar 1,697, karena 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 < 𝑡𝑇𝑎𝑏𝑒𝑙 , jadi dapat
disimpulkan bahwa terima 𝐻0 , tidak terdapat pengaruh program kelas dengan indeks prestasi.
 𝛽3:
𝐻0 : 𝛽3 = 0 tidak terdapat pengaruh yang signifikan antara pendidikan terakhir dengan indeks
prestasi
𝐻1 : 𝛽3 ≠ 0 terdapat pengaruh antara yang signifikan antara pendidikan terakhir dengan indeks
prestasi
Nilai 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 pedidikan terakhir SMA sebesar −1.446, 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 pedidikan terakhir MA sebesar
0.773, nilai𝑡𝐻𝑖𝑡𝑢𝑛𝑔 pedidikan terakhir SMA+pondok sebesar −0.678 dan nilai 𝑡𝑇𝑎𝑏𝑒𝑙 sebesar
1.697. Karena ketiga nilai 𝑡𝐻𝑖𝑡𝑢𝑛𝑔 < 𝑡𝑇𝑎𝑏𝑒𝑙 , jadi dapat disimpulkan bahwa terima 𝐻0 , tidak
terdapat pengaruh pendidikan terakhir dengan indeks prestasi.

11
KESIMPULAN
Model analisi regresi yang di dapat adalah:
𝑌 = 3.781 − 0.092𝑋1 − 0.050𝑋2 + 0.066𝑋31 + 0.036𝑋32 − 0.055𝑋33
Nilai IPK dipengaruhi oleh jenis kelamin (𝑋1 ), program kelas (𝑋2 ), dan pendidikan terakhir
(𝑋3 ). Analisis regresi dummy menghasilkan model terbaik pada 𝑋1 yaitu perempuan, model
terbaik pada 𝑋2 yaitu program reguler, dan model terbaik pada 𝑋3 yaitu SMA. Dari ketiga model
terbaik pada analisis regresi menghasilkan model yang paling terbaik yaitu variabel pendidikan
terakhir SMA dengan model regresi 𝑌 = 3.781 + 0.066𝑋31 merupakan faktor yang paling
mempengaruhi nilai IPK.

DAFTAR PUSTAKA
Catharina, A. (2004). Psikologi Belajar. Semarang: Unnes Press.
Enjelita Ndruru, R., Situmorang, M., & Tarigan, G. (2014). Analisa Faktor-faktor yang
Mempengaruhi Hasil Produksi PA di di Deli Serdang. Saintia Matematika, 2.
Hakim, Abdul. 2002. Statistika Induktif untuk Ekonomi dan Bisnis. Yogyakarta: Ekonisia.
Hasan. (2003). Statistic I. Jakarta: Bumi aksara.
Hijriani, & dkk. (2016). Implementasi Metode Regresi Linier Sederhana pada Penyajian Hasil
Prediksi Pemakaian Air Bersi PDAM Way Rilau Kota Bandar Lampung dengan Sistem
Informasi Geografis. Jurnal Informatika Mulawarman.
Muliawan, & Muhlis. (2018). Pengaruh Kualitas Pelayanan Terhadap Kepuasan Konsumen
Indomaret Kota Bukit Purwakarta. Economicus, 75-76.
Simbolon, Hotman. 2009. Statistika. Yogyakarta: Graha Ilmu.

12