1. Jelaskan apa fungsi regresi dalam penelitian pendidikan!

Regresi dalam sebuah peneletian pendidikan berfungsi untuk meramalkan atau

memprediksi variabel terikat apabila variabel bebas diketahui. Yang mana regresi itu
sendiri adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh
antara dua atau lebih banyak variabel. Hubungan variabel tersebut bersifat fungsional
yang diwujudkan dalam suatu model matematis. Pada analisis regresi, variabel
dibedakan menjadi dua bagian, yaitu variabel respons (response variable) atau biasa
juga disebut variabel bergantung (dependent variable), dan variabel explanatory atau
biasa disebut penduga (predictor variable) atau disebut juga variabel bebas
(independent variable).
Analisis regersi banyak manfaat bidang kehidupan, baik dalam bidang ekonomi,
industri, dan ketenagakerjaan, sejarah, pemerintahan, ilmu lingkungan, dan lain
sebagainya. Kegunaan analisis regresi adalah untuk mengetahui variabel-variabel
kunci yang memiliki pengaruh terhadap suatu variabel bergantung, pemodelan, serta
pendugaan (estimation) atau peramalan (forecasting). Selain itu, masih ada beberapa
kegunaan lainnya, yaitu:

1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan

pada nilai variabel bebas.
2. Untuk menguji hipotesis karakteristik dependensi.
3. Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas
diluar jangkauan sample.

Analisis regresi juga, studi tentang masalah hubungan beberapa variabel yang
ditampilkan dalam persamaan matematika. Analisis regresi lebih akurat dalam
melakukan analisis korelasi, peramalan atau perkiraan nilai variabel terikat pada nilai
variabel bebas lebih akurat pula karena pada analisis ini kesulitan dalam menunjukkan
slop (tingkat perubahan suatu variabel terhadap variabel lain dapat ditentukan).
2. Ada berapa macam persamaaan regresi sederhana yang mungkin dapat digunakan
dalam penelitian pendidikan! Beri asalan!

Analisis regresi linear terbagi atas dua yakni analisis regresi linear sederhana dan
analisis regresi linear berganda. Analisis regresi linear sederhana hanya memiliki satu
variabel bebas. Sedangkan, apabila variabel bebasnya lebih dari satu, maka disebut
analisis regresi linear berganda. Dalam analisis regresi linear akan dilakukan estimasi
model (persamaan) regresi linear seperti dibawah ini

Regresi Linear Sederhana :

Y = a + bX
Dimana: Y = Variabel terikat (dependen)
                a = Konstanta
                b = Koefisien
                X = Variabel bebas (independen)
Regresi Linear Berganda: (untuk 2 Variabel bebas)
Y = a + bX1 + bX2
Dimana: Y = Variabel terikat (dependen)
                a = Konstanta
                b = Koefisien
                X1 = Variabel bebas pertama (independen)

                X2 = Variabel bebas pertama (independen)

Analisis regresi sederhana adalah sebuah metode pendekatan untuk pemodelan

hubungan antara satu variabel dependen dan satu variabel independen. Dalam model
regresi, variabel independen menerangkan variabel dependennya. Dalam analisis
regresi sederhana, hubungan antara variabel bersifat linier, dimana perubahan pada
variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Sementara pada
hubungan non linier, perubahaan variabel X tidak diikuti dengan perubahaan variabel
y secara proporsional. seperti pada model kuadratik, perubahan x diikuti oleh kuadrat
dari variabel x. Hubungan demikian tidak bersifat linier.
 Secara matematis model analisis regresi linier sederhana dapat digambarkan
sebagai berikut:

Y = A + BX + e

Y adalah variabel dependen atau respon

A adalah intercept atau konstanta

B adalah koefisien regresi atau slope

e adalah residual atau error

Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai

berikut:

1. Model regresi sederhana dapat digunakan untuk forecast atau memprediksi nilai
Y. Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat model
atau persamaan regresi linier. Ketika model yang fit sudah terbentuk maka model
tersebut memiliki kemampuan untuk memprediksi nilai Y berdasarkan variabel Y
yang diketahui. Katakanlah sebuah model regresi digunakan untuk membuat
persamaan antara pendapatan (X) dan konsumsi (Y). Ketika sudah diperoleh
model yang fit antara pendapatan dengan konsumsi, maka kita dapat
memprediksi berapa tingkat konsumsi masyarakat ketika kita sudah mengetahui
pendapatan masyarakat.

2. Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita memiliki satu

serial data variabel Y, melalui analisis regresi linier sederhana kita dapat
membuat model variabel-variabel yang memiliki pengaruh terhadap variabel Y.
Hubungan antara variabel dalam analisis regresi bersifat kausalitas atau sebab
akibat. Berbeda halnya dengan analisis korelasi yang hanya melihat hubungan
asosiatif tanpa mengetahui apa variabel yang menjadi sebab dan apa variabel
yang menjadi akibat.

Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:

1) Eksogenitas yang lemah, kita harus memahami secara mendasar sebelum

menggunakan analisis regresi bahwa analisis ini mensyaratkan bahwa variabel X
bersifat fixed atau tetap, sementara variabel Y bersifat random. Maksudnya
 adalah satu nilai variabel X akan memprediksi variabel Y sehingga ada
kemungkinan beberapa variabel Y. dengan demikian harus ada nilai error atau
kesalahan pada variabel Y. Sebagai contoh ketika pendapatan (X) seseorang
sebesar Rp 1 juta rupiah, maka pengeluarannya bisa saja, Rp 500 ribu, Rp 600
ribu, Rp 700 ribu dan seterusnya.

2) Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis regresi

bersifat linier. artinya kenaikan variabel X harus diikuti secara proporsional oleh
kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita
dapat melakukan transformasi data atau menggunakan model kuadratik,
eksponensial atau model lainnya yang sesuai dengan pola hubungan non-linier.

3. Sebutkan syarat-syarat yang harus dipenuhi, jika kita akan menggunakan

persamaan regresi dalam penelitian kita!

Syarat-syarat yang harus kita penuhi dalam menggunakan persamaan regresi

penelitian yaitu data harus berbentuk interval atau rasio, data berdistribusi normal,
adanya korelasi (hubungan) antar variabel, dan tidak terdapat korelasi antar variabel
bebasnya ( multikolinearitas ).
Selanjutnya model kelayakan regresi linear dalam IBM SPSS didasarkan pada
hal-hal sebagai berikut:
a.  Model regresi dikatakan layak jika angka signifikansi pada ANOVA
sebesar < 0.05
b.   Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan
ini diketahui jika angka Standard Error of Estimate < Standard Deviation
c.  Koefesien regresi harus signifikan. Pengujian dilakukan dengan uji t.
Koefesien regresi signifikan jika t hitung > t table (nilai kritis). Dalam
IBM SPSS dapat diganti dengan menggunakan nilai signifikansi (sig)
dengan ketentuan sebagai berikut:
·         Jika sig < 0,05; koefesien regresi signifikan
·         Jika sig > 0,05; koefesien regresi tidak signifikan
d.  Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi
antar variabel bebas yang sangat tinggi atau terlalu rendah. Syarat ini
 hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih
dari satu. Terjadi multikolinieritas jika koefesien korelasi antara variable
bebas > 0,7 atau < - 0,7
e.     Tidak terjadi otokorelasi jika: - 2 ≤ DW ≤ 2
f.     Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2
semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik. Nilai r 2 mempunyai
karakteristik diantaranya: 1) selalu positif, 2) Nilai r 2 maksimal sebesar 1.
Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna.
Maksudnya seluruh variasi dalam variabel tergantung (variabel Y) dapat
diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka
tidak ada hubungan linier antara variabel bebas (variabel X) dan variabel
tergantung (variabel Y).
g.  Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung
(Y)
h.    Data harus berdistribusi normal
i.      Data berskala interval atau rasio
j.   Terdapat hubungan dependensi, artinya satu variabel merupakan variabel
tergantung yang tergantung pada variabel (variabel) lainnya.
4. Ada berapa macam dalam pengujian signifikan koefisien regresi? Jelaskan
perbedaaan cara tersebut!

Uji F dan Uji T

Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji untuk
melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama
terhadap variabel terikatnya. Atau untuk menguji apakah model regresi yang kita buat
baik/signifikan atau tidak baik/non signifikan. Dalam artikel ini dijelaskan tentang Uji
F dan Uji T dalam penelitian.

Jika model signifikan maka model bisa digunakan untuk prediksi/peramalan,

sebaliknya jika non/tidak signifikan maka model regresi tidak bisa digunakan untuk
peramalan.

Cara Melakukan Uji F

Uji F dapat dilakukan dengan membandingkan F hitung dengan Tabel F: F Tabel

dalam Excel, jika F hitung > dari F tabel, (Ho di tolak Ha diterima) maka model
signifikan atau bisa dilihat dalam kolom signifikansi pada Anova (Olahan dengan
SPSS, Gunakan Uji Regresi dengan Metode Enter/Full Model). Model signifikan
selama kolom signifikansi (%) < Alpha (kesiapan berbuat salah tipe 1, yang
menentukan peneliti sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5%
atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model tidak signifikan, hal ini
juga ditandai nilai kolom signifikansi (%) akan lebih besar dari alpha.

Uji T

Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh
masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya.
Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t tabel atau dengan
melihat kolom signifikansi pada masing-masing t hitung, proses uji t identik dengan
Uji F (lihat perhitungan SPSS pada Coefficient Regression Full Model/Enter). Atau
bisa diganti dengan Uji metode Stepwise.
 Seperti kita telah pelajari pada berbagai artikel dalam website statistikian, bahwa
ada banyak sekali yang membahas tentang Uji F dan Uji T. Pertanyaannya,
sebenarnya apakah yang dimaksud dengan Uji F dan Uji T tersebut? Di atas kita telah
pelajari sebagian dari yang dimaksud untuk menjawab pertanyaan ini. Namun perlu
statistikian jelaskan lagi bahwa sebenarnya Uji F dan Uji T itu tidak hanya sebatas
dari apa yang telah dibahas di atas, dimana di atas membahas tentang Uji F dan Uji T
dalam konteks analisis regresi linear. Namun dalam konteks yang lain, bisa jadi ada
dalam berbagai jenis analisis, misalnya Uji ANOVA, ANCOVA, MANOVA juga
terdapat nilai F. Dan pada uji beda 2 sampel berpasangan, yaitu paired t test dan uji
beda 2 sampel bebas, yaitu independen t test, juga ada nilai T.

Perbedaan Uji F dan Uji T

Jadi, dapat ditarik kesimpulan bahwa uji F adalah uji yang mengukur besarnya
perbedaan variance antara kedua atau beberapa kelompok. Sedangkan Uji T adalah uji
yang mengukur perbedaan dua atau beberapa Mean antar kelompok.
5. Apa arti koefisien regresi b bertanda negatif? Beri contoh agar penjelasan saudara
lebih jelas!

Tanda positif atau negatif dari nilai koefisien regresi bukanlah menyatakan tanda
aljabar, melainkan menyatakan arah hubungan atau lebih tegasnya menyatakan
pengaruh variabel bebas X terhadap variabel terikat Y. Nilai b yang positif
menyatakan bahwa variabel bebas X berpengaruh positif terhadap nilai variabel
terikat Y. Sedangkan nilai b yang negatif (b dengan tanda negatif) menyatakan bahwa
variabel bebas X berpengaruh negatif terhadap nilai variabel terikat Y.

Interpretasi terhadap nilai koefisien regresi b bertanda negatif, adalah sebagai

berikut :
b = - A (b bertanda negatif), artinya bila nilai variabel bebas X
naik/bertambah/meningkat 1 unit, maka nilai variabel Y akan turun/berkurang sebesar
A unit. Sebaliknya bila nilai variabel turun/berkurang 1 unit, maka nilai variabel Y
akan naik/bertambah/meningkat sebesar A unit.