CRITICAL JOURNAL REVIEW

OLEH :

KELOMPOK I

1. DOSMA PATRICIA RAJAGUKGUK (4173311025)

2. HARIS MUNANDAR (4172111009)
3. HERLAN DARMANTO TAMPUBOLON (4171111025)
4. OSSYE NATHASIA PASARIBU (4173311078)

KELAS :

PENDIDIKAN MATEMATIKA F 2017

MATA KULIAH :

ANALISIS REGRESI DAN VARIANS

DOSEN PENGAMPUH :

CHAIRUNNISA, S.Si., M.Si.

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MEDAN

2020
 KATA PENGANTAR

Puji dan syukur terpanjatkan kepada Tuhan Yang Maha Esa atas rahmat
dan kemurahan-Nya penyusun dapat menyelesaikan makalah yang berjudul
‘Regresi Linear Sederhana” dengan segala keterbatasan waktu dan potensi yang
ada. Terima kasih kepada ibu dosen pengampu mata kuliah Analisis Regresi dan
Varians, ibu Chairunnisa, S.Si., M.Si. yang telah membimbing serta memberikan
penugasan ini kepada penyusun. Tidak lupa pula kepada teman-teman sekalian
yang telah berupaya semaksimal mungkin memberikan dukungan/motivasi
penyusun terhadap penulisan makalah ini.

Makalah ini berisi kajian Regresi Linear Sederhana yang dibagi menjadi
beberapa subtopik. Regresi Linear Sederhana merupakan suatu ilmu yang
mengkaji tentang keterikatan serta prediksi suatu variabel yang dipengaruhi
dengan variabel lain.

Penyusunan makalah ini diharapkan bermanfaat bagi pembaca serta

memberikan manfaat dan dampak yang positif. Juga penyusunan makalah ini juga
tidak lepas dari adanya kesalahan, karena itu kritik dan saran sangat diharapkan
agar penyusunan makalah ke depannya lebih baik lagi.

Medan, Oktober 2020

Penyusun,

Kelompok 1

i
 DAFTAR ISI

Kata Pengantar..................................................................................................i

Daftar Isi...........................................................................................................ii

Bab I Pendahuluan............................................................................................1

1.1 Latar Belakang Penulisan....................................................................1

1.2 Tujuan Penulisan.................................................................................2

Bab II Isi...........................................................................................................3

2.1 Persamaan Regresi Linier Sederhana..................................................3

2.2 Koefesien Korelasi..............................................................................6

2.3 Koefesien Determinasi........................................................................12

2.4 Uji Signifikansi dan Hipotesis.............................................................13

Bab III Penutup.................................................................................................17

3.1 Kesimpulan.................................................................................................17

3.2 Saran...........................................................................................................17

Daftar Pustaka...................................................................................................18

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang Penulisan

Pada hidup ini, setiap orang terikat oleh relasi/hubungan dengan orang
lain. Relasi tersebut bisa baik (positif), tidak baik (negatif), atau malah tidak ada
hubungan sama sekali. Lebih jauh lagi, dalam suatu peristiwa tentu memiliki
hubungan dengan peristiwa lain, seperti naiknya harga sembako yang
berhubungan dengan naiknya harga bahan bakar minyak. Hal ini disebut juga
dengan hubungan sebab akibat.

Untuk mengukur hubungan suatu peristiwa dengan peristiwa yang lain,

diperlukan suatu analisis lebih mendalam. Dalam hal ini, analisis korelasi
berperan untuk mengetahui erat tidaknya suatu hubungan antarperistiwa. Pada
analisis korelasi, setiap peristiwa didefinisikan sebagai perubahan nilai suatu
variabel. Sehingga, apabila akan diteliti hubungan antara kejadian naiknya harga
sembako dengan kejadian naiknya harga bahan bakar minyak, kita perlu
mendefinisikan variabel-variabelnya terlebih dahulu. Kita dapat mendefinisikan
dua kejadian dengan dua variabel yang diharapkan mengalami perubahan nilai,
yaitu variabel Y (harga sembako) dan variabel X (harga bahan bakar minyak).
Analisis ini tidak selalu hanya melibatkan variabel X dan Y saja (korelasi
sederhana), pada studi lebih lanjut, aka nada banyak variabel (lebih dari dua) yang
disebut dengan multiple correlation.

Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap

hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the
explained variable) dengan satu atau dua variabel yang menerangkan (the
explanatory variable). Variabel pertama disebut juga sebagai variabel terikat dan
variabel kedua disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari
satu, maka analisis regresi disebut regresi linier berganda. Disebut berganda
karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel terikat..

1
 Metode korelasi dan metode analisis regresi sederhana, keduanya sama-
sama digunakan untuk mengukur derajat hubungan antarvariabel. Bedanya,
regresi digunakan sebagai pengukur bentuk hubungan, dan korelasi digunakan
sebagai pengukur keeratan hubungan antar variabel.

Penyusunan makalah ini membatasi kajian korelasi dan regresi hanya pada
permasalahan yang sederhana (hanya melibatkan dua variabel). Adapun lingkup
kajian mencakup : Persamaan Regresi Linier Sederhana, Koefesien Korelasi,
Koefesien Determinasi dan Uji Signifikansi dan Hipotesis.

1.2 Tujuan Penulisan

Penyusunan makalah ini bertujuan untuk :

1) Mengkaji model persamaan regresi sederhana dan penerapannya dalam satu

contoh kasus data.
2) Mengkaji koefesien korelasi dan penerapannya dalam satu contoh kasus
data.
3) Mengkaji koefesien determinasi dan penerapannya dalam satu contoh kasus
data.
4) Mengkaji pengujian signifikansi dan hipotesis serta penerapannya dalam
satu contoh kasus data.

2
 BAB II

ISI

2.1 Persamaan Regresi Linear Sederhana

Regresi linear (linear regression) adalah teknik yang digunakan untuk

memperoleh model hubungan antara 1 variabel dependen dengan 1 atau lebih
variabel independen. Jika hanya digunakan 1 variabel independen dalam model,
maka teknik ini disebut sebagai regresi linear sederhana (simple linear regression),
sedangkan jika yang digunakan adalah beberapa variabel independen, teknik ini
disebut regresi linear ganda (multiple linear regression). Persamaan regresi linier
sederhana merupakan suatu model persamaan yang menggambarkan hubungan
satu variabel independen/bebas/ predictor (X) dengan satu variabel dependen/tak
bebas/ response (Y), yang biasanya digambarkan dengan garis lurus, seperti
disajikan pada gambar berikut.

Persamaan regresi linier sederhana secara matematik :

Y =a+bX
yang mana :
Y =¿garis regresi/ variable response
a=¿konstanta (intersep), perpotongan dengan sumbu vertikal
b=¿ konstanta regresi (slope)
X =¿variabel bebas/ predictor

Besarnya konstanta a dan b dapat ditentukan menggunakan persamaan :

3
 ❑ ❑ ❑ ❑

a=
( ∑ Y )(∑ X )−(∑ X )(∑ X Y )
❑
i
❑
2
i
❑
i
❑
i i

❑ ❑ 2
n ∑ X −(∑ X ) 2
i i
❑ ❑

❑ ❑ ❑
n ( ∑ X Y )−( ∑ X )( ∑ Y )
i i i i
❑ ❑ ❑
b= ❑ ❑ 2
n ∑ X −( ∑ X )
2
i i
❑ ❑

Dimana n = banyak data

Langkah-langkah Analisis dan Uji Regresi Linier Sederhana

Adapun langkah-langkah yang perlu dilakukan untuk melakukan analisis
dan uji regresi linier sederhana adalah sebagai berikut :
1. Menentukan tujuan dari Analisis Regresi Linear Sederhana
2. Mengidentifikasi variabel predictor dan variabel response
3. Melakukan pengumpulan data dalam bentuk tabel
4. Menghitung X², XY dan total dari masing-masingnya
5. Menghitung a dan b menggunakan rumus yang telah ditentukan
6. Membuat model Persamaan Garis Regresi

Untuk memberikan pemahaman yang lebih jelas mengenai regresi linier

sederhana, dalam kegiatan belajar ini diberikan suatu contoh kasus, yaitu :
X Y
16 1,20
70 2,00
25 1,30
65 1,80
68 1,90
35 1,40
25 1,00
54 1,70
43 1,55
42 1,45

Dalam hal ini kita akan membicarakan masalah pendugaan nilai peubah
tak bebas Y berdasarkan peubah X yang telah diketahui nilainya

4
 1. Tujuan : pendugaan nilai peubah tak bebas Y berdasarkan peubah X yang
telah diketahui nilainya
2. Variabel : X (variable bebas/predictor)
Y (variable tak bebas/response)
3. Pengumpulan data dalam bentuk tabel.
X Y
16 1,20
70 2,00
25 1,30
65 1,80
68 1,90
35 1,40
25 1,00
54 1,70
43 1,55
42 1,45
4. Tabel bantu yang dibuat untuk memudahkan dalam melakukan
perhitungan :
No. X X2 Y Y2 XY
1. 16 256 1,20 1,44 19,2
2. 70 4900 2,00 4,00 140
3. 25 625 1,30 1,69 32,5
4. 65 4225 1,80 3,24 117
5. 68 4624 1,90 3,61 129,2
6. 35 1225 1,40 1,96 49
7. 25 625 1,00 1 25
8. 54 2916 1,70 2,89 91,8
9. 43 1849 1,55 2,4025 66,65
10. 42 1764 1,45 2,1025 60,9
Jumlah
443 23009 15,3 24,335 731,25
∑
5. Menghitung a dan b menggunakan rumus yang telah ditentukan
❑ ❑ ❑ ❑

a=
( ∑Yi
❑
)( ❑
) ( )(∑ X Y )
∑ X 2i − ∑ Xi
❑ ❑
i i

❑ ❑ 2
n ∑ X −( ∑ X )
2
i i
❑ ❑

(15,3 )( 23009 ) −( 443 ) ( 731,25 )

a= =0,830
10.23009−( 443 )2

5
 ❑ ❑ ❑

b=
n (∑ X Y )−(∑ X )(∑ Y )
❑
i i
❑
i
❑
i

❑ ❑ 2
n ∑ X −( ∑ X )
2
i i
❑ ❑

10 ( 731,25 ) −( 443 ) ( 15,3 )

b= =0,015
10.23009−( 443 )2
6. Membuat model persamaan regresi sederhana.
Berdasarkan hasil-hasil yang diperoleh, dapat dinyatakan persamaan
regresi linear sebagai :
Y =a+bX
Y =0,830+0.015 X

2.2 Koefesien Korelasi

Korelasi merupakan pengukur hubungan dua variabel atau lebih yang

dinyatakan sebagai tingkat hubungan (derajat keeratan) antarvariabel. Dalam
menggunakan korelasi, tidak dipersoalkan adanya ketergantungan atau dengan
kata lain, variabel yang satu tidak harus bergantung dengan variabel lainnya.

Meskipun variabel yang dihitung korelasinya tidak diharuskan mempunyai

hubungan ketergantungan, perlu ditekankan variabel yang dioperasikan tetap
harus mempunyai hubungan atau kaitan (relevansi). Sebaiknya tidak
menghubungkan variabel-variabel yang sangat jauh relevansinya secara logika.
(Kurniawan dan Yuniarto, 2016)

Koefesien korelasi merupakan bilangan yang menyatakan besar-kecilnya

suatu hubungan. Koefesien korelasi itu bergerak antara 0,000 sampai +1,000 atau
di antara 0,000 sampai -1,000, tergantung kepada arah korelasi, nihil positif, atau
negative. Koefesien yang bertanda positif menunjukkan arah korelasi yang positif.
Koefesien yang bertanda negative menunjukkan arah korelasi yang negatif.
Sedang koefesien yang bernilai 0,000 menunjukkan tidak adanya korelasi.

Bilamana dua variabel mempunyai koefesien korelasi sebesar +1,000 atau

-1,000, kedua variabel itu dikatakan mempunyai korelasi yang sempurna. Yang
pertama disebut korelasi yang sempurna positif, sedangkan yang terakhir

6
dikatakan korelasi sempurna negatif. Dalam korelasi yang sempurna positif, tiap-
tiap kenaikan nilai variabel X selalu disertai kenaikan yang seimbang
(proporsional) pada nilai-nilai variabel Y. Sebaliknya, dalam korelasi yang
sempurna negatif, tiap-tiap kenaikan nilai variabel X selalu disertai penurunan
yang seimbang pada nilai variabel Y. Akan tetapi korelasi semacam itu sangat
jarang kita jumpai dalam praktik-praaktik pendidikan. Biasanya korelasi antara
dua variabel di antara +1,000 atau -1,000 tidak pernah kita jumpai. Karena itu jika
kita menjumpai korelasi yang lebih tinggi dari +1,000 atau -1,000, maka kita
harus meninjau kembali kebenaran dari perhitungan kita.

Sebenarnya ada banyak macam teknik statistic yang digunakan untuk

mencari korelasi. Tetapi di antaranya ada dua yang biasa dibicarakan di buku-
buku statistik penganntar. Yang satu dikembangkan oleh Karl Pearson dan disebut
teknik korelasi product dari Pearson. Yang lain dikembangkan oleh Charles
Spearman (Rank Orde Correlation Technique). Perbedaan antara keduanya ialah
bahwa korelasi dari Pearson mendasarkan perhitungannya pada angka-angka
kasar seperti apa adanya, sedangkan korelasi tata-jenjang (korelasi Spearman)
mengabaikan nilai-nilai atau angka-angka kasar, dan hanya mendasarkan
perhitungannya pada jenjang-jenjang kedudukan.

2.1.1 Cara Menghitung Koefesien Korelasi Product Moment

Koefesien korelasi product moment dari PEARSON dapat diperoleh

dengan rumus :
❑
∑ xy
r xy = ❑
N SD x SD y

Dimana :

r xy =¿ koefesien korelasi antara X dan Y

xy=¿ product dari x kali y

SDx =¿ standar deviasi dari variabel X

SD y =¿ standar deviasi dari variabel Y

7
 N=¿ jumlah subjek yang diselidiki

Langkah yang berturut-turut untuk menghitung koefesien korelasi dengan

rumus di atas adalah :

1) Cari mean dari suku kedua variabel yang bersangkutan. Sebut kedua mean
itu M x dan M y .
2) Cari SD dari kedua variabel itu. Sebut kedua SD itu SD x dan SD y.
3) Cari deviasi-deviasi tiap-tiap nilai kedua variabel itu. Sebut x untuk deviasi
variabel X dan Y untuk deviasi variabel Y. Jangan lupa mengecek:
❑ ❑
∑ x =0 dan ∑ y=0
❑ ❑

4) Kalikan tiap-tiap x dengan tiap-tiap y yang sebaris, dan masukkan dalam

kolom xy.
❑
5) Jumlahkan kolom xy untuk memperoleh ∑ xy
❑

Untuk menghemat tenaga rumus korelasi tersebut dapat diubah menjadi :

❑
∑ xy
r xy = ❑

√(
❑ ❑
∑ x2
❑
)(∑ y )
❑
2

❑ ❑

karena
N SD x SD y =N
√ √
∑ x2
❑
N
∑
❑
N
y2
=
√
❑ ❑

(∑❑ x2)(∑❑ y2)

Berikut tabel penafsiran koefesien korelasi menurut Gulford.

No. Nilai Koefesien Korelasi Keterangan

1. 0< r< 0 , 2 Hubungan yang sangat kecil dan
bisa dianggap tidak ada korelasi
2. 0,2 ≤ r< 0 , 4 Hubungan yang kecil/tidak erat
3. 0,4 ≤ r <0,7 Hubungan yang moderat/sedang
4. 0,7 ≤ r <0,9 Hubungan yang erat
5. 0,9 ≤ r <1 Hubungan yang sangat erat

Menghitung Koefesien Korelasi dengan Rumus Angka Kasar

8
 Rumus-rumus yang menggunakan deviasi-deviasi tersebut di atas disebut
rumus deviasi. Rumus-rumus deviasi sangat mudah dikerjakan bilamana
kebetulan mean dari masing-masing variabel yang dipersoalkan merupakan
bilangan bulat. Akan tetapi, jika mean dan masing-masing variabel tidak
merupakan bilangan bulat, segera kita akan terlibat dalam kesukaran mencari
deviasi-deviasi dari tiap-tiap nilai variabel.

Sebagaimana juga dalam mencari SD, koefesien korelasi dapat dicari

dengan rumus angka kasar, atau disebut juga new score method. Rumus ini
mungkin memudahkan pekerjaan kita, terutama jika tersedia mesin hitung.
Adapun rumus angka kasar sebenarnya dijabarkan dari rumus deviasi. Karenanya
tidak ada perbedaan hasil perhitungan koefesien korelasi dengan kedua rumus itu.
Rumus angka kasar untuk mencari koefesien korelasi product moment berbunyi :
❑ ❑
r xy =∑ XY −( ∑ X )¿ ¿ ¿ ¿
❑ ❑

dimana

❑ 2

❑
∑
❑
x 2=∑ X 2−¿
(∑❑ X ) ¿
❑ ❑ N

❑ 2

❑
∑
❑
y2 =∑ Y 2−¿
(∑❑ Y ) ¿
❑ ❑ N

❑ ❑

❑ ❑
∑ xy =∑ XY −¿
( )( ∑Y)
∑X
❑
¿ ❑

❑ ❑ N

Untuk memberikan contoh tentang bagaimana penggunaan rumus itu,

perhatikan contoh permasalahan berikut.

Contoh Permasalahan

Tentukan koefesien korelasi berdasarkan data yang disajikan tabel berikut!

X Y
16 1,20
70 2,00

9
 25 1,30
65 1,80
68 1,90
35 1,40
25 1,00
54 1,70
43 1,55
42 1,45

Pembahasan :

Dengan menggunakan table bantu, diperoleh hasil perhitungan sebagai

berikut :

No. X Y X2 Y2 XY
1. 16 1,20 256 1,44 19,2
2. 70 2,00 4900 4,00 140
3. 25 1,30 625 1,69 32,5
4. 65 1,80 4225 3,24 117
5. 68 1,90 4624 3,61 129,2
6. 35 1,40 1225 1,96 49
7. 25 1,00 625 1 25
8. 54 1,70 2916 2,89 91,8
9. 43 1,55 1849 2,4025 66,65
10. 42 1,45 1764 2,1025 60,9
Jumlah
443 15,3 23009 24,335 731,25
∑
Dengan memperhatikan nilai-nilai jumlah pada tabel di atas, dengan
menggunakan rumus angka kasar, diperoleh :
❑ ❑
r xy =∑ XY −( ∑ X )¿ ¿ ¿ ¿
❑ ❑

53,46
¿ =0,95499
55,97925

Atau dengan menggunakan rumus-rumus deviasi, dapat diperoleh besar

koefesien korelasi yang sama. Terlebih dahulu ditentukan masing-masing mean
untuk kedua variabel X dan Y.
❑
∑ X
443 (mean variabel X)
M x= ❑
= =44,3
N 10

10
 ❑
∑ Y
15,3 (mean variabel Y)
M y= ❑
= =1,53
N 10

Kemudian disusun tabel bantu sebagai berikut :

No. X Y x x2 y y2 xy
1. 16 1,20 -28,3 800,89 -0,33 0,1089 9,339
2. 70 2,00 25,7 660,49 0,47 0,2209 12,079
3. 25 1,30 -19,3 372,49 -0,23 0,0529 4,439
4. 65 1,80 20,7 428,49 0,27 0,0729 5,589
5. 68 1,90 23,7 561,69 0,37 0,1369 8,769
6. 35 1,40 -9,3 86,49 -0,13 0,0169 1,209
7. 25 1,00 -19,3 372,49 -0,53 0,2809 10,229
8. 54 1,70 9,7 94,09 0,17 0,0289 1,649
9. 43 1,55 -1,3 1,69 0,02 0,0004 -0,026
10. 42 1,45 -2,3 5,29 -0,08 0,0064 0,184
Jumlah 0 0
443 15,3
∑ (hampiran) 3384,1 (hampiran) 0,926 53,46
Perhitungan dengan menggunakan rumus korelasi pertama product
moment pearson diperoleh :
❑
∑ xy
53,46 53,46
r xy = ❑
= = =0,95499
√(3384,1)(0,926) 55,979
√(∑
❑ ❑

❑
x2 )(∑ y )
❑
2

Dengan melihat nilai koefesien korelasi ini dapat disimpulkan bahwa

variabel X memiliki korelasi positif yang hampir sempurna dengan variabel Y.

2.1.2 Cara Menghitung Korelasi Tata-Jenjang (Korelasi Spearman)

Kadang-kadang serangkaian bahan atau data telah dilaporkan dalam

bentuk tata-jenjang, sehingga lebih mudah untuk menyelidiki lebih jauh bahan itu
atas dasar tata-jenjang. Misalnya kejuaraan dari suatu cabang olahraga
kebanyakan dilaporkan dalam bentuk tata-jenjang seperti juara pertama, juara
kedua, juara ketiga dan seterusnya, tanpa memandang berapa perbedaan score
atau nilai yang dicapai dalam tiap-tiap jenjang. Dalam situasi-situasi semacam itu
kita dapat juga mencari r dengan rumus-rumus yang akan memberikan hasil yang
sama dengan pekerjaan yang jauh lebih kecil. Rumus ini dikembangkan oleh

11
SPEARMAN dan diberi nama koefisien korelasi tata-jenjang (rank order
correlation coefficient). Rumus tersebut berbunyi :
❑
6∑ d2
rho=1− ❑

N ( N 2−1)

dimana:

d = perbedaan antara pasangan jenjang

N = jumlah pasangan

2. 3 Koefesien Determinasi

Koefesien determinan (coefficient of determination) dilambangkan dengan

r2 dan umumnya dinyatakan dalam presentase (%). Koefesien determinasi adalah
nilai yang digunakan untuk mengukur besarnya kontribusi variabel independen X
terhadap variasi (naik/turunnya) variabel dependen Y. Variasi Y lainnya (sisanya)
disebabkan oleh faktor lain yang juga memengaruhi Y dan sudah termasuk dalam
kesalahan pengganggu (distubance error).

Pada kasus sebelumnya, telah diperoleh nilai koefesien korelasi r =0,95.

Dari nilai ini kita jelas peroleh nilai r 2=0,90. Hal ini menunjukkan bahwa
variabel response Y dipengaruhi oleh variabel X dalam persentase 90% pada
model regresi.

Rumus yang dapat digunakan untuk menghitung koefesien determinasi,

sebagai berikut :

2 SX
r =b
SY

Dimana :

b=¿ koefesien regresi

S X =¿ simpangan baku variabel X

12
 SY =¿ simpangan baku variabel Y

Nilai koefisien determinasi terletak antara 0  R2  1, dan biasanya

dinyatakan dalam persentase. Nilai R2 semakin mendekati 1 menunjukkan
semakin besar kontribusi variabel bebas (X) terhadap variasi perubahan variabel
terikat (Y).

Dengan menggunakan rumus sebelumnya, dihitung nilai-nilai simpangan

baku X dan Y

SX=
√ ∑
❑

❑
( X −M X )2
n−1
=19,3910 1

SY =
√ ∑
❑
(Y −M Y )2
n−1
=0,320763

Telah diketahui bahwa b = 0,015, sehingga dapat dihitung :

SX 19,39101
2
r =b
SY (
=( 0,015 ) )
0,320763
=0,90

Jelas bahwa ini menunjukkan hasil yang sama dari hasil perhitungan
sebelumnya.

2.4 Uji Signifikansi dan Hipotesis

Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu:

tingkat signifikansi atau probabilitas (α) dan tingkat kepercayaan atau confidence
interval. Didasarkan tingkat signifikansi pada umumnya orang menggunakan
0,05. Kisaran tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang
dimaksud dengan tingkat signifikansi adalah probabilitas melakukan kesalahan
tipe I, yaitu kesalahan menolak hipotesis ketika hipotesis tersebut benar. Tingkat
kepercayaan pada umumnya ialah sebesar 95%, yang dimaksud dengan tingkat
kepercayaan ialah tingkat di mana sebesar 95% nilai sampel akan mewakili nilai

13
populasi di mana sampel berasal. Dalam melakukan uji hipotesis terdapat dua
hipotesis yaitu: H0 (hipotesis nol) dan H1 (hipotesis alternatif).

Beberapa hal yang harus diperhatikan dalam uji hipotesis, yaitu:

 Untuk pengujian hipotesis kita menggunakan data sampel.

 Dalam pengujian akan menghasilkan dua kemungkinan, yaitu pengujian
signifikan secara statistik jika kita menolak H0 dan pengujian tidak
signifikan secara statistik jika kita menerima H0.
 Jika kita menggunakan nilai t, maka jika nilai t yang semakin besar atau
menjauhi 0, kita akan cenderung menolak H0; sebaliknya jika nilai t
semakin kecil atau mendekati 0 kita akan cenderung menerima H0.

Pengujian hipotesis dimaksudkan untuk melihat apakah suatu hipotesis

yang diajukan ditolak atau dapat diterima. Hipotesis merupakan asumsi atau
pernyataan yang mungkin benar atau salah mengenai suatu populasi. Dengan
mengamati seluruh populasi, maka suatu hipotesis akan dapat diketahui apakah
suatu penelitian itu benar atau salah. Untuk keperluan praktis, pengambilan
sampel secara acak dari populasi akan sangat membantu. Dalam pengujian
hipotesis terdapat asumsi/ pernyataan istilah hipotesis nol. Hipotesis nol
merupakan hipotesis yang akan diuji, dinyatakan oleh H0 dan penolakan H0
dimaknai dengan penerimaan hipotesis lainnya yang dinyatakan oleh H1.

Jika telah ditentukan koefisien determinasi (r2), maka selanjutnya

dilakukan uji signifikan hipotesis yang diajukan. Uji ini dapat menggunakan Uji-
t ; Uji-F ; Uji-z atau Uji Chi Kuadrat. Dengan uji signifikansi ini dapat diketahui
apakah variable bebas/ predictor/ independent (X) berpengaruh secara signifikan
terhadap variable tak bebas/ response/ dependent (Y). Arti dari signifikan adalah
bahwa pengaruh antar variabel berlaku bagi seluruh populasi.

Langkah-langkah yang perlu dilakukan dalam uji-t pada regresi linier

adalah:

1. Menentukan Hipotesis
H0 :  = 0; variabel X tidak berpengaruh signifikan/nyata terhadap Y
H1 :   0; variabel X berpengaruh signifikan/nyata terhadap Y

14
 2. Menentukan tingkat signifikansi (  )
Tingkat signifikansi,  yang sering digunakan adalah  = 5% ( = 0,05) 3
3. Menghitung nilai t hitung menggunakan rumus :

r √n−2
t hit =
√ 1−r 2
4. Menentukan daerah penolakan H0 (daerah kritis)
Bentuk pengujian dua arah, sehingga menggunakan uji-t dua arah :
 H0 akan ditolak jika t hit > t tabel atau −t hit <−t tabel berarti H1 diterima.
 H0 akan diterima jika −t hit < ttab < t hit , berarti H1 ditolak.

5. Menentukan t tabel (mempergunakan table Uji-t)

Tabel Uji-t untuk  = 5 % dan derajat kebebasan (df) = n – k; (n= banyak
pasangan sampel/ pengukuran, k adalah jumlah variabel (variabel bebas
dan variabel terikat).
6. Kriteria Pengujian nilai t hitung dan t tabel
 Bila nilai t hit < t tabel , maka H0 diterima, H1 ditolak
 Bila nilai t hit > t tabel , maka H0 ditolak, H1 diterima
7. Kesimpulan hasil uji signifikansi.
Dengan membandingkan nilai t hit dengan t tabel berdasarkan kriteria
pengujian nlai maka akan diperoleh kesimpulan.

Untuk lebih memahami uji signifikansi dan hipotesis perhatikan contoh

kasus sebelumnya. Telah diketahui bahwa koefisien determinasi (r2) = 0,90

Koefisien Korelasi (r) = 0,95

15
 Jumlah data n = 10

Hipotesis yang diasumsikan/ diajukan :

H0 :  = 0; variabel X tidak berpengaruh signifikan terhadap Y

H1 : 0; variable X berpengaruh signifikan terhadap Y

Tingkat signifikansi () = 5%

Nilai t hitung,

r √n−2 0,95 √ 10−2

t hit = = =8,497
√ 1−r 2 √1−0,90
Derajat kebebasan, df = n – k = 10 – 2 = 8

Dengan menggunakan tabel uji - t untuk taraf signifikan  = 5% = 0,05

dan df = 8, maka diperoleh nilai t pada tabel, yaitu : t tabel=t (2,5 % ;8 )= 2,306

Membandingkan t hit dengan t tabel :

t hit > t tabel  8,497 > 2,306

Kesimpulan : Ada pengaruh nyata (signifikan) variable predictor X

terhadap variable response Y dengan taraf signifikan 5%.

BAB III

16
 PENUTUP

3.1 Kesimpulan

Berdasarkan kajian yang telah dilakukan, diperoleh kesimpulan sebagai

berikut :

1) Persamaan regresi linier sederhana merupakan suatu model persamaan

yang menggambarkan hubungan satu variabel independen/bebas/
predictor (X) dengan satu variabel dependen/tak bebas/ response (Y).
2) Koefesien korelasi merupakan bilangan/nilai yang menunjukkan hubungan
keeratan antara dua variabel.
3) Koefesien determinasi adalah nilai yang digunakan untuk mengukur
besarnya kontribusi variabel independen X terhadap variasi
(naik/turunnya) variabel dependen Y.
4) Uji signifikansi dan hipótesis dilakukan untuk mengetahui apakah
hipótesis yang ditetapkan ditolak atau diterima sehingga diperoleh
simpulan dari permasalahan data yang ada.

3.2 Saran

Setelah membaca makalah ini, pembaca disarankan agara mengkaji ke

permasalahan yang lebih kompleks seperti regresi linier berganda, korelasi
nonlinear dan materi-materi pengayaan relevan lainnya agar memperkaya
pengetahuan pembaca sekalian.

DAFTAR PUSTAKA

17
Anas. 1996. Pengantar Statistika Pendidikan. Jakarta : Rajawali Spiegel.

Hadi, Sutrisno. 2016. Statistik. Yogyakarta : Pustaka Pelajar.

Harlan J. 2018. Analisis Regresi Linear. Depok: Gunadarma.

Kurniawan, Robert dan Budi Yuniarto. 2016. Analisis Regresi : Dasar dan
Penerapannya dengan R. Jakarta : Kencana.

Walpole R.E. 2015. Pengantar Statistika. Jakarta: Gramedia Pusataka Utama

18