BUKU PRAKTIK

ANALISIS DATA
DENGAN SPSS
23

Eka Ary Wibawa

Fakultas Ekonomi Universitas Negeri Yogyakarta
Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 2017
Hal 1
 Beberapa Macam Teknik Analisis Data yang dapat Digunakan
Sesuai dengan Hipotesis yang Akan Diuji

ANALISI DATA MACAM TEKNIK ANALISIS DATA

(Pengujian Hipotesis) PARAMETRIK

 Korelasi nir jenjang (zero order Pearson)

 Korelasi ganda
Korelasi  Korelasi semi parsial
 Korelasi parsia
 Korelasi kanonik
 Uji t (dua kelompok komparasi)
 Analisis Varian (Anova) satu, dua, tiga jalan
Komparasi  Manova (Multivariate Analysis of variance)
 Ancova (Analysis of Covariance)
 Mancova (Multivariate of Covariance)
 Regresi sederhana
 Regresi ganda
 Model linier, non linier, polynomial
Regresi  Regresi logistic
 Regresi patah
 Regresi dengan variabel dummy
 Regresi berganda binary
 Analisis factor
 Principal component analysis
 Analisis jalur
 Analisis Deskriminan
Analisis Multivariat  Analisis Konikal
 Cluster Analysis
 Hiloglinier
 Manova
 Mancova
 LISREL (Linier Structural Relationship)
Analisis Multivariat
 PLS (Partial Least Square)
Generasi Kedua
 AMOS (Analysis of Moment Structure)

Sumber: Wagiran (2013: 344)

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 2

 UJI BEDA (UJI T)
 Pengantar
 Uji beda atau uji t digunakan untuk menguji nilai rata-rata dua sampel
 Uji t dibedakan menjadi dua, yakni uji t sampel berpasangan (paired sample t test) dan uji t
sampel independen (independent sample t test).
 Kalu uji t sampel berpasangan itu hanya ada satu kelas, tanpa ada kelas kontrol. jadi yang
dibanding kan nanti nilai pre-test dengan nilai post-test.
 Sementara itu uji t sampel independen itu ada dua kelas, yakni kelas eksperimen dan kelas
kontrol. Nanti yang dibandingkan itu post-test kelas kontrol dengan post-test kelas
eksperimen. Namun kadang-kadang ada juga dosen pembimbing yang meminta pre-test nya
juga dibandingkan. Menurut hemat saya data pre-test memang digunakan yakni untuk uji
prasyaratnya yg terdiri atas uji normalitas dan uji homogenitas varians
 Uji prasyarat yang harus dipenuhi yakni uji normalitas dan uji homogenitas varians

paired sampe t test pre-test >< post test

Uji t

post-test ekserimen
independent ><
sample t test post –test kontrol

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 3

 Uji t untuk sampel yang berpasangan (paired sample t-test)

Contoh:
Suatu penelitian dilakukan untuk mengetahui apakah metode pembelajaran tertentu bisa menaikkan
motivasi belajar akuntansi siswa. Berikut adalah data tentang skor hasil pengukuran motivasi belajar
akuntansi sebelum pembelajaran (X) dan motivasi belajar akuntansi sesudah pembelajaran (Y).
Motivasi belajar akuntansi Motivasi belajar akuntansi
W = Xi-Yi W2
sebelum pembelajaran (X) pembelajaran (Y)
158 161 3 9
160 159 1 1
163 162 1 1
157 160 3 9
154 156 2 4
164 159 5 25
169 163 6 36
158 160 2 4
162 158 4 16
161 160 1 1
Jumlah 8 106

Jawab:

1. Hipotesis yang diuji adalah

H0: μW = 0
Ha: μW  0
2. Taraf signifikansi: α = 0,05
3. Statistik uji:

t=

4. Kriteria Keputusan (Daerah kritis):

H0 ditolak jika t  t / 2,n1 atau t  t / 2,n1 = t0,025; 9 = 2,26

H0 ditolak jika t < - 2,26 atau t > 2,26

5. Hitungan:

Dari data tersebut diperoleh rata-rata W = 8/10 = 0,8

dan simpangan baku sw = = = 3,3266599

t= = = 0,76

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 4

6. Kesimpulan:
Karena t = 0,76  -2,26 < 0,76 < 2,26, maka H0 diterima.
Jadi, dapat disimpulkan bahwa pada taraf signifikansi 0,05 tidak ada perbedaan yang signifikan antara
motivasi belajar akuntansi sebelum pembelajaran dan motivasi belajar akuntansi sesudah pembelajaran.

 Contoh analisis dengan SPSS untuk pengujian dua sampel yang berpasangan (Paired sample t test):
1. Pastikan Saudara telah mengentry data ke SPSS. Beri nama variabel pada “Variable View”

2. Pilih Analyze  Compare Means  Paired-Samples T Test

3. Masukkan kedua variabel ke dalam kotak dialog “Paired Variables”

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 5

 4. Kemudian klik “OK”.Muncullah output SPSS seperti di bawah ini.
Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 motivasi_sebelum 160,6000 10 4,22164 1,33500
motivasi_sesudah 159,8000 10 1,98886 ,62893

Paired Samples Correlations

N Correlation Sig.
Pair 1 motivasi_sebelum &
10 ,638 ,047
motivasi_sesudah

Paired Samples Test

Paired Differences
95% Confidence
Std. Std. Interval of the
Deviatio Error Difference Sig. (2-
Mean n Mean Lower Upper t df tailed)
Pair 1 motivasi_sebelum -
,80000 3,32666 1,05198 -1,57975 3,17975 ,760 9 ,466
motivasi_sesudah

Berdasarkan output SPSS, dapat diketahui bahwa nilai t = 0,76 dan Sig. = 0,466. Karena Sig. = 0,466 > 0,05,
maka Ho diterima.
Jadi, dapat disimpulkan bahwa pada taraf signifikansi 0,05 tidak ada perbedaan yang signifikan antara motivasi
belajar akuntansi sebelum pembelajaran dan motivasi belajar akuntansi sesudah pembelajaran.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 6

 UJI ANALYSIS OF VARIANVE (ANOVA)

Sebagai perluasan dari uji t yaitu untuk menguji kesamaan beberapa (lebih dari dua) rata-rata populasi
sekaligus diperlukan suatu teknik yang disebut analisis variansi (Anava) atau analisis ragam atau Analysis of
variance (Anova)

Contoh
Suatu penelitian telah dilakukan untuk mengetahui pengaruh persentase kandungan paracetamol dalam obat
penurun panas terhadap waktu yang diperlukan untuk menurunkan panas dari 39 0 C menjadi 37 0 C . Untuk
keperluan ini telah dipilih secara acak 25 penderita sakit panas dengan suhu 39 0 C dari usia yang hampir
sama dan tanpa keluhan sakit yang lain. Kedua puluh lima pasien tersebut dibagi secara acak menjadi 5
kelompok dan masing-masing kelompok yang terdiri dari 5 orang tersebut diberi obat penurun panas dengan
persentase kandungan parasetamol tertentu. Berikut ini adalah data tentang waktu (dalam jam) yang
diperlukan oleh para pasien tersebut sampai dengan panas badan mereka turun menjadi 37 0 C .
Tabel 3 Data Waktu Penurunan Panas dari 39o menjadi 37o
Kadar Parasetamol
40% 50% 60% 75% 90%
7 9 5 3 2
6 7 4 5 3
9 8 8 2 4
4 6 6 3 1
7 9 3 7 4
Σ= 33 Σ=39 Σ=26 Σ=30 Σ=14

Lakukanlah analisis terhadap data di atas sesuai maksud penelitiannya yaitu untuk mengetahui apakah rata-
rata waktu yang diperlukan untuk menurunkan panas badan dari 390 menjadi 370 adalah sama untuk kelima
kadar parasetamol tersebut.
Gunakan α = 0,05 dalam menyimpulkannya.
Berikut adalah tabel anava untuk penelitian tentang kadar parasetamol di atas.
Tabel 4. Anava untuk Uji Pengaruh Kadar Parasetamol terhadap Penurunan Panas

Sumber Variansi db JK KT F-hitung F-tabel

Perlakuan 4 79,44 19,86 6,8958 F0,05(4.20) = 2,87

Galat 20 57,6 2,88 - -

Total 24 137,04 - - -

dengan Y = 33 + 39 + 26 + 30 + 14 = 132

(Y.. )2 (132)2
FK    696,96
kr 5.5

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 7

 JKT = 72 + 62 + 92 + … + 42 + 12 + 42 – 696. 96 = 834 – 696.96 = 137.04

332  392  262  202  142

JKP   696,96  776,4  696,96  79,44
5

JKG = JKT – JKP = 137.04 – 79.44 = 57.6

JKP 79, 44
KTP    19,86
db( P) 4

JKG 57, 6
KTG    2,88
db(G) 20

Fhitung= KTP/KTG = 19,86/2,88 = 6,8958

Dari tabel di atas terlihat bahwa F-hitung = 6.8958 > 2.87. Jadi H0 ditolak.

Kesimpulan: Pada taraf signifikansi 0,05, dapat disimpulkan bahwa rata-rata waktu yang diperlukan untuk
menurunkan panas badan dari 390 menjadi 370 tidak sama untuk kelima kadar parasetamol tersebut.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 8

 Contoh analisis dengan SPSS untuk Anava/Anova
1. Pastikan Saudara telah mengentry data ke SPSS. Kadar parasetamol diurutkan saja dan setiap
perlakuan diberi kode dengan nomor perlakuan. Misalnya kadar parasetamol 40% diberi kode 1, dan
seterusnya.

2. Pilih Analyze  Compare Means  One-Way Anova

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 9

 3. Masukkan VAR00001 ke kolom Dependent List dan VAR00002 ke kolom Factor

4. Kalau untuk mengetahui perlakuan mana yang menimbuklkan perbedaan secara signifikan, klik Post
Hoc lalu pilih LSD klik Continue.

5. Kemudian Klik OK

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 10

6. Output SPSS

ANOVA
VAR00001
Sum of Squares df Mean Square F Sig.
Between Groups 79,440 4 19,860 6,896 ,001
Within Groups 57,600 20 2,880
Total 137,040 24

Berdasarkan output SPSS dapat diketahui bahwa F = 6,896 dengan Sig.= 0,001.
Karena Sig.= 0,001 < 0,05, maka dapat disimpulkan bahwa pada taraf signifikansi 0,05, rata-rata
waktu yang diperlukan untuk menurunkan panas badan dari 390 menjadi 370 tidak sama untuk
kelima kadar parasetamol tersebut.

Hasil output SPSS untuk Post Hoc:

Post Hoc Tests

Multiple Comparisons
Dependent Variable: VAR00001
LSD
Mean Difference 95% Confidence Interval
(I) VAR00002 (J) VAR00002 (I-J) Std. Error Sig. Lower Bound Upper Bound
1,00 2,00 -1,20000 1,07331 ,277 -3,4389 1,0389
3,00 1,40000 1,07331 ,207 -,8389 3,6389
*
4,00 2,60000 1,07331 ,025 ,3611 4,8389
*
5,00 3,80000 1,07331 ,002 1,5611 6,0389
2,00 1,00 1,20000 1,07331 ,277 -1,0389 3,4389
*
3,00 2,60000 1,07331 ,025 ,3611 4,8389
*
4,00 3,80000 1,07331 ,002 1,5611 6,0389
*
5,00 5,00000 1,07331 ,000 2,7611 7,2389
3,00 1,00 -1,40000 1,07331 ,207 -3,6389 ,8389
*
2,00 -2,60000 1,07331 ,025 -4,8389 -,3611
4,00 1,20000 1,07331 ,277 -1,0389 3,4389
*
5,00 2,40000 1,07331 ,037 ,1611 4,6389
*
4,00 1,00 -2,60000 1,07331 ,025 -4,8389 -,3611
*
2,00 -3,80000 1,07331 ,002 -6,0389 -1,5611
3,00 -1,20000 1,07331 ,277 -3,4389 1,0389
5,00 1,20000 1,07331 ,277 -1,0389 3,4389
*
5,00 1,00 -3,80000 1,07331 ,002 -6,0389 -1,5611
*
2,00 -5,00000 1,07331 ,000 -7,2389 -2,7611
*
3,00 -2,40000 1,07331 ,037 -4,6389 -,1611
4,00 -1,20000 1,07331 ,277 -3,4389 1,0389
*. The mean difference is significant at the 0.05 level.

Interpretasi Post Hoc:

Perlakuan yang memberikan perbedaan signifikan adalah yang memiliki tanda bintang (*) atau
Sig.nya yang kurang dari 0,05 (Sig. < 0,05)

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 11

 Kesimpulan Post Hoc:
a. Tidak ada perbedaan signifikan persentase kandungan paracetamol dalam obat penurun
panas terhadap waktu yang diperlukan untuk menurunkan panas antara kadar parasetamol
40%, 50%, dan 60%.
b. Ada perbedaan signifikan persentase kandungan paracetamol dalam obat penurun panas
terhadap waktu yang diperlukan untuk menurunkan panas antara kadar parasetamol 40%
dengan 75% dan 90%.
c. Ada perbedaan signifikan persentase kandungan paracetamol dalam obat penurun panas
terhadap waktu yang diperlukan untuk menurunkan panas antara kadar parasetamol 50%
dengan 60%, 75% dan 90%.
d. Ada perbedaan signifikan persentase kandungan paracetamol dalam obat penurun panas
terhadap waktu yang diperlukan untuk menurunkan panas antara kadar parasetamol 60%
dengan 90%.
e. Tidak ada perbedaan signifikan persentase kandungan paracetamol dalam obat penurun
panas terhadap waktu yang diperlukan untuk menurunkan panas antara kadar parasetamol
60% dengan 75%.
f. Tidak ada perbedaan signifikan persentase kandungan paracetamol dalam obat penurun
panas terhadap waktu yang diperlukan untuk menurunkan panas antara kadar parasetamol
75% dengan 90%.
g. Apabila diurutkan dari yang paling lama waktu yang diperlukan untuk menurunkan panas,
persentase kandungan paracetamol dalam obat penurun panas tersebut urutannya yakni 50%,
40%, 60%, 75% dan 90%.
h. Apabila diurutkan dari yang paling cepat waktu yang diperlukan untuk menurunkan panas,
maka urutannya yakni 90%, 75%, 60%, 40% dan 50%.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 12

 UJI KORELASI
 Teknik statistik korelasi untuk statistik parametrik dengan data interval dan rasia yakni:
a. Korelasi Product Moment
b. Korelasi Ganda
c. Korelasi Parsial
 Tabel Pedoman untuk memberikan Interpretasi terhadap Koefisien Korelasi
No Koefisien Korelasi Tingkat Hubungan
1 0,00 – 0,199 Sangat rendah
2 0,20 – 0,399 Rendah
3 0,40 – 0,599 Sedang
4 0,60 – 0,799 Kuat
5 0,80 – 1,000 Sangat kuat
(Sugiyono, 2009: 233)
Korelasi Product Moment
Rumus

rxy =
dimana:
rxy : korelasi antara X dengan Y
x : (x1 - )
y : (y1 - )
Rumus korelasi sederhana (Product Moment) adalah sebagai berikut.
 
N  XY   X  Y 
rxy 
   
N  X 2   X N Y 2  Y
2 2
 
Keterangan:
rxy : koefisien korelasi antara variabel X dan Y
∑XY : jumlah dari variabel X dan variabel Y
∑X : jumlah nilai variabel X
∑Y : jumlah nilai variabel Y
∑X2 : jumlah variabel X kuadrat
∑Y2 : jumlah variabel Y kuadrat

Pengujian signifikansi koefisien korelasi dilakukan dengan menggunakan Tabel r Product Moment.
Ho ditolak jika r hitung > r tabel.
Apabila dilihat melalui output SPSS, maka yang dilihat adalah nilai Sig. nya. Ho ditolak jika Sig. < α
(Sig. < 0,05)

Contoh kasus:
Data sebuah penelitian adalah sebagai berikut.
Responden Motivasi Belajar (X1) Perhatian Orang Tua (X2) Prestasi Belajar Siswa (Y)
1 56 61 59
2 73 82 72
3 83 80 81
4 66 76 76
5 58 64 66
6 49 65 57
7 66 56 54
8 73 59 61
9 90 64 72
10 69 74 75

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 13

Soal:
RM :
1. Apakah terdapat hubungan antara Motivasi Belajar dengan Prestasi Belajar Siswa?
2. Apakah terdapat hubungan antara Perhatian Orang Tua dengan Prestasi Belajar Siswa?
3. Apakah terdapat hubungan antara Motivasi Belajar dan Perhatian Orang Tua secara bersama-
sama dengan Prestasi Belajar Siswa?

Sebagai contoh kita kerjakan RM nomor 1 dahulu.

Jawab:
RM : Apakah terdapat hubungan antara Motivasi Belajar dengan Prestasi Belajar Siswa?
Hipotesis penelitian:
Ho : Tidak terdapat hubungan antara Motivasi Belajar dengan Prestasi Belajar Siswa
Ha : Ada hubungan antara Motivasi Belajar dengan Prestasi Belajar Siswa
Hipotesis statistik:
Ho : ρ = 0
Ha : ρ ≠ 0
Taraf signifikansi : 0,05
Statistik Uji :
N  XY   X  Y 
rxy 
N  X 2

  X  N  Y 2   Y 
2 2

Kriteria keputusan: Lihat Tabel Nilai Nilai
Ho ditolak jika r hitung > r tabel = r hitung > 0,632 r Product Moment
Perhitungan:
2 2
N X1 Y X1 Y X1Y
1 56 59 3136 3481 3304
2 73 72 5329 5184 5256
3 83 81 6889 6561 6723
4 66 76 4356 5776 5016
5 58 66 3364 4356 3828
6 49 57 2401 3249 2793
7 66 54 4356 2916 3564
8 73 61 5329 3721 4453
9 90 72 8100 5184 6480
10 69 75 4761 5625 5175
Σ 683 673 48021 46053 46592

rxy =

=
=
= 0,613077609 dibulatkan menjadi
= 0,613

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 14

rxy = 0,613 artinya besarnya hubungan antara motivasi belajar dengan prestasi belajar siswa sebesar
0,613

Kesimpulan:
Karena rxy = 0,613 < 0,632 maka Ho diterima. Jadi pada taraf signifikansi 0,05 dapat disimpulkan
bahwa tidak terdapat hubungan yang signifikan antara motivasi belajar dengan prestasi belajar siswa

Langkah-langkah dalam SPSS:

1. Input data dalam SPSS

2. Beri nama variabel pada Variable View

3. Pilih Analyze  Correlate  Bivariate

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 15

4. Masukkan variabel pada kotak “Variables”. Beri tanda centang (√) pada “Pearson” dan “Flag
significant correlations”

5. Klik OK
6. Kemudian akan muncul output SPSS seperti di bawah ini

Correlations
Motivasi Belajar Prestasi Belajar
Motivasi Belajar Pearson Correlation 1 ,613
Sig. (2-tailed) ,059
N 10 10
Prestasi Belajar Pearson Correlation ,613 1
Sig. (2-tailed) ,059
N 10 10

Kesimpulan:
Berdasarkan output SPSS dapat diketahui bahwa rxy = 0,613 dengan Sig.= 0,059
Karena Sig.= 0,059 > 0,05, maka Ho diterima.
Jadi pada taraf signifikansi 0,05 dapat disimpulkan bahwa tidak terdapat hubungan yang signifikan
antara motivasi belajar dengan prestasi belajar siswa.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 16

Contoh output SPSS yang lain.
Misal:
X1 : Minat Belajar
X2 : Lingkungan Sekolah
Y : Prestasi Belajar

N : 100

output SPSS:

Correlations
Lingkungan
Prestasi Belajar Minat Belajar Sekolah
** *
Prestasi Belajar Pearson Correlation 1 ,319 ,220
Sig. (2-tailed) ,001 ,028
N 100 100 100
** **
Minat Belajar Pearson Correlation ,319 1 ,529
Sig. (2-tailed) ,001 ,000
N 100 100 100
* **
Lingkungan Sekolah Pearson Correlation ,220 ,529 1
Sig. (2-tailed) ,028 ,000
N 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

Mohon Saudara buat rumusan masalah, hipotesis, dan kesimpulan berdasarkan output SPSS di
atas!

RM:
1. Apakah terdapat hubungan antara Minat Belajar dengan Prestasi Belajar Siswa?
2. Apakah terdapat hubungan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa?

Hipotesis
Ho : Tidak terdapat hubungan antara Minat Belajar dengan Prestasi Belajar Siswa
Ha : Terdapat hubungan antara Minat Belajar dengan Prestasi Belajar Siswa

Ho : Tidak terdapat hubungan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa
Ha : Terdapat hubungan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa

Kesimpulan:
Berdasarkan output SPSS dapat diketahui bahwa rx1y = 0,319 dengan Sig.= 0,001
Karena Sig.= 0,001 < 0,05, maka Ho ditolak.
Jadi pada taraf signifikansi 0,05 dapat disimpulkan bahwa terdapat hubungan yang positif dan
signifikan antara Minat Belajar dengan Prestasi Belajar Siswa.

Berdasarkan output SPSS dapat diketahui bahwa rx2y = 0,220 dengan Sig.= 0,028
Karena Sig.= 0,028 < 0,05, maka Ho ditolak.
Jadi pada taraf signifikansi 0,05 dapat disimpulkan bahwa terdapat hubungan yang positif dan
signifikan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 17

 UJI REGRESI

A. Regresi Linear Sederhana

Regresi linear sederhana adalah persamaan regresi yang menggambarkan hubungan antara
satu variabel bebas (X) dan satu variabel tak bebas (Y), dimana hubungan keduanya dapat
digambarkan sebagai suatu garis lurus. Hubungan kedua variabel tersebut dapat dituliskan dalam
bentuk persamaan:
Yi = 0 + 1 X i + i
Y = Variabel terikat, X = Variabel bebas, 0 = intersep/perpotongan dengan sumbu tegak, 1 =
kemiringan/gradien, i error yang saling bebas dan menyebar normal N (0,2) i = 1, 2, …, n.
Dalam kenyataan seringkali kita tidak dapat mengamati seluruh anggota populasi, sehingga
hanya mengambil sampel misalkan sampel itu berukuran n dan ditulis sebagai {(xi , yi), i = 1, 2, 3, . . .,
n}. Persamaan yang diperoleh adalah dugaan dari persamaan di atas dan dapat dituliskan sebagai:
= b0 + b1 Xi
b0 adalah penduga untuk 0, dan b1 adalah penduga untuk 1.

Pendugaan Parameter  0 dan  1

Untuk menduga nilai parameter 0 dan 1 terdapat bermacam-macam metode, misalnya
metode kuadrat terkecil (least square method), metode kemungkinan maksimum (maximum
likelihood method), metode kuadrat terkecil terboboti (weighted least square method), dsb.
Disini metode yang digunakan adalah metode kuadrat terkecil, karena mudah dikerjakan
secara manual. Prinsip dasar metode kuadrat terkecil adalah meminimumkan jumlah kuadrat
simpangan atau Jumlah Kuadrat Galat
(JKG)=  e =  (Y
i 1
2
i
i 1
i  Yˆi ) 2
Dengan menggunakan bantuan pelajaran kalkulus, diperoleh nilai dugaan parameter regresi sebagai
berikut: n n n n n n n

Y  X   X  X Y
i i
2
i i i n X i Yi  X i  Yi
b0  i 1 i 1 i 1 i 1
2 b1  i 1 i 1 i 1

 
2
 
n n n n
n X i2    X i  n X    X i 
2

 i 1 
i
i 1 i 1  i 1 
Dengan demikian dapat diperoleh hubungan;

b0 
1
n
  Yi  b1  X i   Y  b1 X
Contoh Kasus
Diketahui data penelitian
Subjek i 1 2 3 4 5 6 7 8 9
Xi 1.5 1.8 2.4 3.0 3.5 3.9 4.4 4.8 5.0
Yi 4.8 5.7 7.0 8.3 10.9 12.4 13.1 13.6 15.3
Tentukan persamaan regresi untuk kasus di atas!

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 18

Jawab
Buatlah tabel penolong untuk perhitungan seperti di bawah ini
Subjek i Xi Yi Xi2 Xi.Yi
1 1,5 4,8 2,3 7,2
2 1,8 5,7 3,2 10,26
3 2,4 7,0 5,8 16,8
4 3,0 8,3 9,0 24,9
5 3,5 10,9 12,3 38,15
6 3,9 12,4 15,2 48,36
7 4,4 13,1 19,4 57,64
8 4,8 13,6 23,0 65,28
9 5,0 15,3 25,0 76,5
Σ 30,3 91,1 115,11 345,09
Mean 3,3667 10,1222

Dengan menggunakan tebl penolong di atas, dapat diketahui bahwa:

9 9 9

 X i = 30,3
i 1
 Yi = 91,1
i 1
X Y
i 1
i i = 345,09

X
i 1
i
2
= 115,11 X = 3,3667 Y = 10,1222

Kemudian masukkan ke rumus:

b1 = = 2,9303  dibulatkan menjadi 2,930

b0 = 10.1222 – (2.9303)(3.3667) = 0,2568  dibulatkan menjadi 0,257

Jadi persamaan regresi dugaannya yaitu: Yˆ = 0,257 + 2,930X

Dari persamaan regresi di atas, interpretasinya adalah sebagai berikut.

Jika X= 0, maka Y = 0,257

Jika X ditambah satu satuan, maka Y akan meningkat sebesar 2,930.
Jika X ditambah dua satuan, maka Y akan meningkat sebesar 5,860.
Dst.

Catatan:
a. Uji signifikansi persamaan regresi dapat dihitung manual dengan Uji F atau uji t, dan lebih
praktis apabila dengan melihat output SPSS dengan melihat nilai Sig. nya. Apabila nilai Sig. <
0,05, maka persamaan regresi tersebut signifikan.
b. Untuk mengerahui besarnya pengaruh variabel X terhadap variabel Y, maka dapat
menggunakan koefisien korelasi. Koefisien inilah yang disebut dengan koefisien regresi.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 19

 c. Dalam analisis regresi, Saudara akan menjumpai istilah Koefisien Determinasi, yakni koefisien
regresi yang dikuadratkan (R2). Sebagai contoh di bawah ini merupakan interpretasi dari
koefisien regresi dan koefisien determinasi.
R= 0,9107, artinya besarnya pengaruh variabel X terhadap variabel Y = 0,9107
R2= 0,829, artinya 82,9% variabel Y dipengaruhi oleh variabel X, selebihnya sebesar 17,1%
dipengaruhi oleh faktor lain yang tidak diteliti pada penelitian ini.
Koefisien tersebut dapat dihitung manual (seperti menghitung koefisien korelasi dan lebih
praktis apabila dengan melihat output SPSS)

Langkah-langkah analisis regresi dalam SPSS 23:

1. Masukkan data ke dalam Data View SPSS, kemudian beri nama variabel.

2. Pilih Analyze  Regression  Linear

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 20

3. Masukkan variabel Y ke dalam Dependent dan variabel X ke dalam Independent

4. Klik Statistics, kemudian akan muncul kotak dialog Linear Regression Statistics. Pilih atau beri
tanda centang pada Estimates dan Model fit. Kemudian klik Continue

5. Terakhir klik OK.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 21

Ouput SPSS sebagai berikut

Regression
a
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
b
1 X . Enter
a. Dependent Variable: Y
b. All requested variables entered.

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 ,991 ,982 ,980 ,53877
a. Predictors: (Constant), X

a
ANOVA
Model Sum of Squares df Mean Square F Sig.
b
1 Regression 112,484 1 112,484 387,516 ,000
Residual 2,032 7 ,290
Total 114,516 8
a. Dependent Variable: Y
b. Predictors: (Constant), X

a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) ,257 ,532 ,483 ,644
X 2,930 ,149 ,991 19,685 ,000
a. Dependent Variable: Y

Ini adalah koefisien regresi.

R = 0,991, artinya besarnya pengaruh variabel X terhadap variabel Y adalah sebesar 0,991.

Ini adalah koefisien determinasi.

R2 = 0,982, artinya 98,2% variabel Y dipengaruhi oleh variabel X, selebihnya sebesar 1,8%
dipengaruhi oleh faktor lain yang tidak diteliti pada penelitian ini.

Ini adalah konstanta (b0) dan koefisien (b1) X untuk membuat persamaan
garis regresi. Dari output tersebut dapat diketahui bahwa b0 = 0,257 dan b1
= 2,930, sehingga persamaan garis regresinya yakni:
Yˆ = 0,257 + 2,930X.
Interpretasinya:
Jika X= 0, maka Y = 0,257
Jika X ditambah satu satuan, maka Y akan meningkat sebesar 2,930.
Dst.

Uji signifikansi regresi baik dengan Uji F maupun Uji t. Tolak H0 jika Sig. <
0,05.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 22

 Kesimpulan:
Berdasarkan output SPSS tersebut dapat diketahui bahwa koefisien regresi R = 0,991, artinya
besarnya pengaruh variabel X terhadap variabel Y adalah sebesar 0,991. Karena Sig. = 0,000, maka H0
ditolak. Jadi dapat disimpulkan bahwa pada taraf signifikansi 0,05 terdapat pengaruh yang positif
dan signifikan variabel X terhadap variabel Y.
Persamaan garis regresinya yaitu Yˆ = 0,257 + 2,930X.
Hal ini berarti Jika X= 0, maka Y = 0,257
Jika X ditambah satu satuan, maka Y akan meningkat sebesar 2,930
Besarnya koefisien determinasi R2 = 0,982, artinya 98,2% variabel Y dipengaruhi oleh variabel X,
selebihnya sebesar 1,8% dipengaruhi oleh faktor lain yang tidak diteliti pada penelitian ini.

B. Regresi Ganda

Regresi linear ganda adalah persamaan regresi yang menggambarkan hubungan antara lebih
dari satu variabel bebas (X) dan satu variabel terikat (Y). Hubungan variabel-variabel tersebut dapat
dituliskan dalam bentuk persamaan:
Persamaaan regresi untuk dua prediktor (variabel bebas):
Yˆ = b0 + b1X1 + b2X2
Persamaaan regresi untuk tiga prediktor:
Yˆ = b0 + b1X1 + b2X2 + b3X3
Persamaaan regresi untuk n prediktor:
Yˆ = b0 + b1X1 + b2X2 + .... + bnXn
Untuk melakukan pendugaan parameter model regresi ganda dan menguji signifikansinya
dapat dilakukan dengan perhitungan manual maupun bantuan program SPSS 23. Asumsi yang harus
dipenuhi dalam analisis regresi ganda adalah:
1. Tidak ada multikolinearitas (korelasi antara variabel independen atau variabel bebas)
2. Tidak terjadi heteroskedastisitas (variansi error konstan)
3. Linearitas (terdapat hubungan linear antara X dengan Y)
4. Normalitas (error berdistribusi normal)
5. Autokorelasi (error bersifat acak)  jika datanya time series

C. Contoh Kasus Regresi Ganda dan Perhitungan Manualnya

Diketahui data hasil penelitian sebagai berikut.
Reponden Minat Belajar Perhatian Orang Prestasi
(X1) Tua (X2) Belajar (Y)
1 77 89 85
2 74 85 80
3 81 76 85
4 81 61 76
5 67 71 70
6 61 55 63
7 73 62 76
8 85 76 77
9 61 71 65
10 78 86 83
Buatlah persamaan garis regresi dan interpretasinya!

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 23

Jawab:
Dalam perhitungan manual regresi ganda kita akan menggunakan metode kuadrat terkecil.
Koefisien-koefisien b0, b1, b2 dapat dihitung dengan menggunakan rumus sebagai berikut:

ΣY = n.b0 + b1.ΣX1 + b2.ΣX2 ................................. (1)

ΣX1Y = b0.ΣX1 + b1.ΣX12 + b2.ΣX1X2 ................................. (2)

ΣX2Y = b0.ΣX2 + b1.ΣX1X2 + b2.ΣX22 ................................. (3)

Langkah pertama kita harus membuat tabel pertolongan untuk perhitungan sebagai berikut:
N X1 X2 Y X12 X22 Y2 X1.X2 X1.Y X2.Y
1 77 89 85 5.929 7.921 7.225 6.853 6.545 7.565
2 74 85 80 5.476 7.225 6.400 6.290 5.920 6.800
3 81 76 85 6.561 5.776 7.225 6.156 6.885 6.460
4 81 61 76 6.561 3.721 5.776 4.941 6.156 4.636
5 67 71 70 4.489 5.041 4.900 4.757 4.690 4.970
6 61 55 63 3.721 3.025 3.969 3.355 3.843 3.465
7 73 62 76 5.329 3.844 5.776 4.526 5.548 4.712
8 85 76 77 7.225 5.776 5.929 6.460 6.545 5.852
9 61 71 65 3.721 5.041 4.225 4.331 3.965 4.615
10 78 86 83 6.084 7.396 6.889 6.708 6.474 7.138
Σ 738 732 760 55.096 54.766 58.314 54.377 56.571 56.213

Langkah selanjutnya adalah memasukkan hasil perhitungan tersebut ke dalam rumus:

760 = 10b0 + 738b1 + 732b2 ................................. (1)
56.571 = 738b0 + 55.096b1 + 54.377b2 ................................. (2)
56.213 = 732b0 + 54.377b1 + 54.766b2 ................................. (3)

10b0 + 738b1 + 732b2 = 760 ................................. (1)

738b0 + 55.096b1 + 54.377b2 = 56.571 ................................. (2)
732b0 + 54.377b1 + 54.766b2 = 56.213 ................................. (3)

Langkah selanjutnya untuk menghitung koefisien-koefisien b0, b1, b2 kita akan menggunakan metode
eliminasi dan subtititusi. Terlebih dahulu kita akan mengeliminasi b0
10b0 + 738b1 + 732b2 = 760 ................................. (1) x 738
738b0 + 55.096b1 + 54.377b2 = 56.571 ................................. (2) x 10

7.380b0 + 544.644b1 + 540.216b2 = 560.880 ................................. (1)

7.380b0 + 550.960b1 + 543.770b2 = 565.710 ................................. (2)
- 6.316b1 - 3.554b2 = - 4.830 ................................. (4)

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 24

 10b0 + 738b1 + 732b2 = 760 ................................. (1) x 732
732b0 + 54.377b1 + 54.766b2 = 56.213 ................................. (3) x 10

7.320b0 + 540.216b1 + 535.824b2 = 556.320 ................................. (1)

7.320b0 + 543.770b1 + 547.660b2 = 562.130 ................................. (3)
- 3.554b1 - 11.836b2 = - 5.810 ................................. (5)

Selanjutnya kita akan mengeliminasi b1 dengan menggunakan persamaan (4) dan (5)
- 6.316b1 - 3.554b2 = - 4.830 ................................. (4) x 3.554
- 3.554b1 - 11.836b2 = - 5.810 ................................. (5) x 6.316

- 22.447.064b1 - 12.630.916b2 = -17.165.820 ................................. (4)

- 22.447.064b1 - 74.756.176b2 = -36.695.960 - ................................. (5)
62.125.260b2 = 19.530.140
b2 = 0,314367135

Selanjutnya kita subtitusikan b2 untuk mencari b1

- 22.447.064b1 - 12.630.916b2 = -17.165.820 ................................. (4)
- 22.447.064b1 - 12.630.916(0,314367135) = -17.165.820
- 22.447.064b1 - 3.970.744,8758884 = -17.165.820
- 22.447.064b1 = -17.165.820 + 3.970.744,8758884
- 22.447.064b1 = -13.195.075,124111
b1 = 0,5878307793

Selanjutnya kita subtitusikan b1 dan b2 untuk mencari b0

760 = 10b0 + 738b1 + 732b2 ................................. (1)
760 = 10b0 + 738(0,5878307793) + 732(0,314367135)
760 = 10b0 + 433,8191151232 + 230,11674282
760 = 10b0 + 663,9358579432
10b0 = 760 - 663,9358579432
10b0 = 96,0641420568
b0 = 9,60641420568

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 25

 Dari hasil perhitungan di atas, kita peroleh:
b0 = 9,60641420568 dibulatkan menjadi 9,606
b1 = 0,5878307793 dibulatkan menjadi 0,588
b2 = 0,314367135 dibulatkan menjadi 0,314

sehingga persamaan garis regresinya yakni:

Yˆ = 9,606 + 0,588X1 + 0,314X2

Interpretasinya:
Jika X1 dan X2 = 0, maka Y = 9,606
Jika X1 ditambah satu satuan dan X2 = 0, maka Y akan meningkat sebesar 0,588.
Jika X2 ditambah satu satuan dan X1 = 0, maka Y akan meningkat sebesar 0,314.
Jika X1 dan X2 masing-masing ditambah satu satuan, maka Y akan meningkat sebesar 0,902.

Contoh Analisis Regresi Ganda dalam SPSS

Langkah-langkah dalam SPSS:
1. Masukkan data ke dalam SPSS pada menu Data View dan beri nama variabelnya dalam
Variable View. Beri label variabel tersebut pada kolom “Label”

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 26

2. Pilih Analyze  Regression  Linear

3. Masukkan Variabel Y ke Dependent dan Variabel X1 dan X2 ke Independent

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 27

4. Pilih Statistics, kemudian akan muncul kotak dialog Linear Regression Statistics. Pilih atau
beri tanda centang pada Estimates, Model fit, dan Colinearity diagnostics (untuk
mendeteksi multikolinearitas variabel bebas).
Kemudian klik Continue

5. Pilih Plots, kemudian akan muncul kotak dialog Linear Regression Plots. Masukkan *ZPRED
ke dalam kolom X dan *ZRESID ke dalam kolom Y. Beri tanda centang pada Normal
probability plot. Kemudian klik Continue.

6. Terakhir klik OK

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 28

Hasil output SPSS sebagai berikut.

Regression
a
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 Perhatian Orang
Tua, Minat . Enter
b
Belajar
a. Dependent Variable: Prestasi Belajar
b. All requested variables entered.

b
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 ,918 ,842 ,797 3,53413
a. Predictors: (Constant), Perhatian Orang Tua, Minat Belajar
b. Dependent Variable: Prestasi Belajar

a
ANOVA
Model Sum of Squares df Mean Square F Sig.
b
1 Regression 466,570 2 233,285 18,678 ,002
Residual 87,430 7 12,490
Total 554,000 9
a. Dependent Variable: Prestasi Belajar
b. Predictors: (Constant), Perhatian Orang Tua, Minat Belajar

a
Coefficients
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 9,606 11,031 ,871 ,413
Minat Belajar ,588 ,154 ,628 3,811 ,007 ,831 1,203
Perhatian Orang Tua ,314 ,113 ,459 2,790 ,027 ,831 1,203
a. Dependent Variable: Prestasi Belajar

a
Collinearity Diagnostics
Variance Proportions
Perhatian Orang
Model Dimension Eigenvalue Condition Index (Constant) Minat Belajar Tua
1 1 2,982 1,000 ,00 ,00 ,00
2 ,012 15,713 ,18 ,10 ,99
3 ,006 22,842 ,82 ,90 ,01
a. Dependent Variable: Prestasi Belajar

a
Residuals Statistics
Minimum Maximum Mean Std. Deviation N
Predicted Value 62,7543 83,4639 76,0000 7,20007 10
Residual -6,46393 3,99118 ,00000 3,11681 10
Std. Predicted Value -1,840 1,037 ,000 1,000 10
Std. Residual -1,829 1,129 ,000 ,882 10
a. Dependent Variable: Prestasi Belajar

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 29

Analisis regresi ganda:
Untuk analisis regresi ganda maka yang perlu dilihat adalah output SPSS berikut ini.
b
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 ,918 ,842 ,797 3,53413
a. Predictors: (Constant), Perhatian Orang Tua, Minat Belajar
b. Dependent Variable: Prestasi Belajar

a
ANOVA
Model Sum of Squares df Mean Square F Sig.
b
1 Regression 466,570 2 233,285 18,678 ,002
Residual 87,430 7 12,490
Total 554,000 9
a. Dependent Variable: Prestasi Belajar
b. Predictors: (Constant), Perhatian Orang Tua, Minat Belajar

a
Coefficients
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 9,606 11,031 ,871 ,413
Minat Belajar ,588 ,154 ,628 3,811 ,007 ,831 1,203
Perhatian Orang Tua ,314 ,113 ,459 2,790 ,027 ,831 1,203
a. Dependent Variable: Prestasi Belajar

Kesimpulan dan interpretasi:

Output SPSS tersebut menunjukkan bahwa koefisien regresi ganda R = 0,918, artinya besarnya
pengaruh Minat Belajar dan Perhatian Orang Tua secara bersama-sama terhadap Prestasi Belajar
adalah sebesar 0,918.

Besarnya koefisien determinasi R2 = 0,842, artinya 84,2% Prestasi Belajar dipengaruhi oleh Minat
Belajar dan Perhatian Orang Tua secara bersama-sama, selebihnya sebesar 15,8% dipengaruhi oleh
faktor lain yang tidak diteliti pada penelitian ini.

Berdasarkan output SPSS tersebut dapat diketahui bahwa F = 18,678 dengan Sig. = 0,002. Karena Sig.
= 0,002 < 0,05, maka H0 ditolak. Jadi dapat disimpulkan bahwa pada taraf signifikansi 0,05 terdapat
pengaruh yang positif dan signifikan Minat Belajar dan Perhatian Orang Tua secara bersama-sama
terhadap Prestasi Belajar.

Persamaan garis regresinya yaitu Yˆ = 9,606 + 0,588X1 + 0,314X2

Interpretasinya:
Jika Minat Belajar dan Perhatian Orang Tua = 0, maka Prestasi Belajar = 9,606
Jika Minat Belajar ditambah satu satuan dan Perhatian Orang Tua = 0, maka Prestasi Belajar akan
meningkat sebesar 0,588.
Jika Perhatian Orang Tua ditambah satu satuan dan Minat Belajar = 0, maka Prestasi Belajar akan
meningkat sebesar 0,314.
Jika Minat Belajar dan Perhatian Orang Tua masing-masing ditambah satu satuan, maka Prestasi
Belajar akan meningkat sebesar 0,902.

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 30

 Perhitungan Sumbangan Efektif dan Sumbangan Relatif
 Sumbangan relatif digunakan untuk mengetahui besarnya sumbangan masing-
masing variabel bebas atau prediktor terhadap prediksi
 Sumbangan efektif digunakan untuk mengetahui besarnya sumbangan efektif tiap
prediktor atau variabel bebas dari keseluruhan prediksi

(Sutrisno Hadi, 2004)

Lampiran Materi Teknik Analisis Data_Pendidikan Akuntansi_Eka Ary Wibawa_2017 Hal 31