MAKALAH

“ ANALISIS UJI REGRESI LINEAR “

Untuk memenuhi tugas kelompok pada mata kuliah Statistika

Disusun Oleh :

Putri Afifah Fitrianingtyas (2101026058)

Dela Ananda Putri (2101026068)

Maulana ‘Ariq Al Dzarify (2101026172)

KPI B 1

FAKULTAS DAKWAH DAN KOMUNIKASI

UNIVERSITAS ISLAM NEGERI WALISONGO

SEMARANG
 2021

DAFTAR ISI

KATA PENGANTAR

BAB 1 PENDAHULUAN

A. LATAR BELAKANG

B. RUMUSAN MASALAH

C. TUJUAN

BAB II PEMBAHASAN

A. DEFINISI DAN KEGUNAAN ANALISIS UJI REGRESI

LINEAR.

B. PERSYARATAN JENIS DATA UNTUK ANALISIS UJI

REGRESI LINEAR.

C. APLIKASI ANALISIS UJI REGRESI LINEARSEDERHANA.

D. APLIKASI ANALISIS UJI REGRESI LINEAR GANDA.

DAFTAR PUSTAKA

KATA PENGANTAR

Puji syukur kehadirat Allah Subhanahu Wa Ta’ala, yang telah memberikan kita rahmat
dan hidayahnya sehingga berkat karunianya kita anggota kelompok Jurusan
Komunikasi dan Penyiaran Islam dapat menyusun makalah ini dengan baik dan

Alhamdulillah dapat selesai dengan tepat waktu. Makalah ini kami beri judul

“ Analisis Uji Regresi Linear “

Penyusunan makalah ini bertujuan untuk memenuhi tugas pada maatkul Statistika
yang di ampu oleh Bapak Khotibul Umam. Dan juga makalah ini bertujuan untuk menambah
wawasan bagi kami teman-teman sekalian dan pengalaman tersendiri untuk kita pribadi.

Kami selaku penulis makalah ingin mengucapkan terimakasih kepada Bapak Khotibul
Umam, selaku pengampu matkul Statistika yang telah memberikan kami kesempatan yang
sangat berharga ini untuk membuat makalah. Dan tak lupa saya mengucapkan terimakasih
untu teman-teman yang telah mendukung dan memberi support dalam pembuatan makalah
ini.

Dan yang terakhir, kami menyadari bahwasanya makalah ini masih jauh dari
kesempurnaan, oleh karena itu kami membutuhkan kritikan dan saran yang bisa membangun
kita untuk lebih memperbaiki diri kita. Dan semoga makalah ini bermanfaat untuk pembaca
dan khususnya untuk penulis.
 BAB I

PENDAHULUAN

A.LATAR BELAKANG

Penggunaan statistika dalam mengolah data penelitian berpengaruh terhadap tingkat

analisis hasil penelitian. Penelitian-penelitian dalam bidang ilmu pengetahuan alam (IPA) yang
menggunakan perhitungan-perhitungan statistika, akan menghasilkan data yang mendekati
benar jika memperhatikan tata cara analisis data yang digunakan.
Dalam memprediksi dan mengukur nilai dari pengaruh satu variabel

(bebas/independent/ predictor) terhadap variabel lain (tak bebas/dependent/response) dapat

digunakan uji regresi.
Analisis/uji regresi merupakan suatu kajian dari hubungan antara satu variabel, dengan
satu atau lebih variabel. Apabila variabel bebasnya hanya satu, maka uji/analisis regresinya
dikenal dengan regresi linier sederhana. Apabila variabel bebasnya lebih dari pada satu, maka
uji/analisis regresinya dikenal dengan regresi linear berganda. Dikatakan linier berganda karena
terdapat dua atau lebih variabel bebas yang mempengaruhi variabel tak bebas.

B.Rumusan Masalah

1. Apa definisi dan kegunaan analisis uji regresi linear?

2. Apa syarat jenis data untuk analisis uji regresi linear?

3. Bagaimana peng-aplikasi-an analisis uji regresi linear sederhana?

4. Bagaimana peng-aplikasi-an analisis uji regresi linear ganda?

C.Tujuan

1. Mengetahui definisi dan kegunaan analisis uji regresi linear.

2. Mengetahui syarat jenis data untuk analisis uji regresi linear.

3. Mengetahui cara peng-aplikasi-an analisis uji regresi linear sederhana.

 4. Mengetahui cara peng-aplikasi-an analisis uji regresi linear ganda.

BAB II PEMBAHASAN

A. DEFINISI DAN KEGUNAAN ANALISIS UJI REGRESI

LINEAR.

Regresi Adalah – Analisis regresi atau yang biasa disingkat dengan anareg, merupakan
suatu metode yang digunakan dalam mengukur pengaruh variabel yang bebas pada variabel
tergantung. Anareg ini juga dapat digunakan untuk memprediksi variabel tergantung, dengan
menggunakan variabel bebas. Gujarati (2006) mendefinisikan regresi sebagai kajian pada
hubungan satu atau dua variabel yang menerangkan atau the explanatory dan variabel yang
diterangkan atau the explained variabel. Variabel yang pertama disebut sebagai variabel
tergantung dan variabel yang kedua disebut variabel bebas. Bila variabel bebas lebih dari
satu, maka anareg disebut dengan regresi linier yang berganda. Disebut berganda karena
pengaruh pada beberapa variabel bebas, yang akan dikenakan pada variabel bergantung.

Analisis regresi adalah sebuah pendekatan yang digunakan untuk mendefinisikan hubungan
matematis antara variabel output/dependen (y) dengan satu atau beberapa variabel
input/independen (x)

Tujuan dari penggunaan analisis regresi adalah :

1. Membuat estimasi rata-rata dan nilai variabel tergantung yang didasarkan pada nilai
variabel bebas.
2. Untuk menguji hipotesis karakteristik dependensi.
3. Meramalkan nilai rata-rata pada variabel bebas, yang didasari pada nilai variabel
bebas diluar jangkauan sampel.

B. PERSYARATAN JENIS DATA UNTUK ANALISIS UJI

REGRESI LINEAR.
Penggunaan asumsi didasarkan pada beberapa hal berikut ini :

1. Model regresi harus linier dalam sebuah parameter.

2. Variabel bebas yang tidak berkorelasi dengan disturbance term (Error).
3. Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0
4. Varian untuk masing-masing error term (kesalahan) konstan.
5. Tidak terjadi otokorelasi
6. Model regresi hendaknya dispesifikasi secara benar. Tidak terdapat bias spesifikasi
dalam model yang digunakan dalam analisis empiris.
7. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada
hubungan linier yang nyata.

Di dalam analisis regresi terdapat dua macam linearitas yaitu linearitas di dalam variabel dan
juga linearitas di dalam parameter. Linear di dalam variabel adalah nilai rata-rata kondisional
variabel tergantung yang merupakan fungsi linier dari variabel bebas. Sedangkan linearitas di
dalam parameter adalah fungsi linier parameter, dan tidak bisa tidak linier di dalam suatu
variabel.

Analisis regresi ini berbeda dengan analisis korelasi. Bila di dalam analisis korelasi digunakan
untuk melihat hubungan antara dua variabel, maka analisis regresi ini digunakan untuk melihat
pengaruh variabel bebas pada variabel tergantung dan memprediksi berapa nilai variabel
tergantung dengan menggunakan variabel bebas. Di dalam analisis regresi variabel bebas ini
fungsinya adalah untuk menerangkan (explanatory) sedang variable tergantung berfungsi
sebagai yang diterangkan (the explained). Di dalam analisis regresi data juga harus berskala
interval atau rasio. Hubungan kedua variabel tersebut sifatnya adalah dependensi. Untuk
menggunakan anareg dibutuhkan beberapa syarat yang harus dipenuhi.

C. APLIKASI ANALISIS UJI REGRESI LINEARSEDERHANA.

Aplikasi Analisis Uji Regresi Linear

Analisis Regresi Sederhana Dengan Menggunakan SPSS
A. Konsep Dasar Uji Regresi Sederhana
1. Tujuan regresi sederhana yaitu menguji pengaruh antara satu variable terhadap
variabel lain.
 Ada dua variabel:
a. Variabel Independent (variabel bebas) adalah variabel yang memengaruhi.
b. Variabel Dependent (variabel terikat) adalah variabel yang dipengaruhi.
2. Dalam analis regresi ini, akan dikembangkan sebuah estimating equation
(model/persamaan regresi) yaitu suatu formula matematikayang mencari nilai
variabel dependent dari hasil variabel independent yang diketahui.
3. Analisis regresi digunakan terutama untuk tujuan peramalan, dimana dalam model
tersebut ada sebuah variabel dependent dan satu atau lebih variabel independent.
Model regresi : Y = a+bX
Keterangan :
Y : Variabel terikat
A : Kostanta regresi
bX: Nilai turunan atau peningkatan variabel bebas
B. Asumsi Dasar Uji Regresi Sederhana
Pengambilan keputusan dalam uji regresi sederhana dapat mengacu pada dua
hal, yaitu dengan membandingkan nilai t hitung dengan t table atau dengan
membandingkan nilai signifikan dengan nilai probabilitas 0,05.
Membandingkan nilai t hitung dengan nilai t table:
1. Jika nilai t hitung lebih besar dari nilai t tabel, artinya variabel bebas
berpengaruh terhadap variabel terikat.
2. Jika nilai t hitung lebih kecil dari nilai t tabel, artinya variabel bebas
tidak berpengaruh terhadap variabel terikat.
Membandingkan nilai signifikansi dengan probabilitas 0,05:
1. Jika nilai signifikansi lebih kecil dari nilai probabilitas 0,05, artinya
variabel bebas berpengaruh secara signifikan terhadap variabel terikat.
2. Jika nilai signifikansi lebih dari nilai probabilitas 0,05, artinya variabel
bebas tidak berpengaruh secara signifikan terhadap variabel terikat.
C. Langkah-Langkah Uji Regresi Sederhana
Contoh kasus uji analisis regresi linear sederhana
PT. Ubey Motor dalam beberapa bulan terakhir ini mengalami penurunan
penjualan secara drastis terhadap motor jenis A, oleh sebab itu kepala pemasaran
melakukan terobosan baru dengan cara memberlakukan promosi khusus dengan
harapan dapat meningkatkan daya beli masyarakat. Promosi dilakukan pada 20 cabang
 yang tersebar di provinsi Aceh. Berikut data total penjualan dan biaya promosi yang
dikeluarkan pada 20 cabang PT Ubey Motor tersebut.

Data di atas merupakan hasil penjualan dalam satu bulan terakhir setelah melakukan promosi.
Kemudian kepala pemasaran PT tersebut ingin mengetahui seberapa jauh biaya promosi
berpengaruh terhadap penjualan atau seberapa besar hubungannya. Oleh karena itu dalam hal
ini kita akan menggunakanj uji regresi sederhana, karena hanya ada satu variabel bebas
(independent) yaitu promosi dan satu variabel terikat (dependent) yaitu penjualan.

Berikut langkah-langkah menggunakan SPSS

1. Buka aplikasi SPSS yang telah di install sebelumnya sampai muncul area kerja berikut.

2. Pada pojok kiri bawah dari gambar di atas klik Variable View dan buat variabel dari data
seperti gambar berikut:
3. Bila sudah di isi semua variable view seperti gambar di atas, selanjutnya klik Data View ada
pada sebelah kiri Variable view untuk kita isi data kabupaten, hasil penjualan dan biaya
promosi seperti gambar berikut:

4. Selanjutnya pilih menu Analyze --- > Regression ---> Linear. bila sudah maka terlihat seperti
gambar berikut:

5. Pindahkan variabel Hasil Penjualan [Penjualan] ke dalam kotak Dependent

6. Pindahkan variabel Biaya Promosi [Promosi] ke dalam kotak Independet
7. Pindahkan variabel Kabupaten ke dalam kotak Case Labels
8. jika sudah terlihat seperti gambar berikut:
9. Selanjutnya klik Options (biasa sudah terisi secara default) bila belum dapat di isi seperti
berikut:

10. Dari gambar di atas dapat kita ketahui bahwa pada kotak Stepping Method Criteria kita
menggunakan uji F dengan taraf kepercayaan 5% atau nilai probabilitas 0.05 yang terdapat
pada kotak Entry. Biarkan secara default yaitu include constant in equation. Pada kotak
Missing Values biarkan secara default yaitu Exclude cases listwise kegunaannya untuk
penanganan missing value atau tidak ada data yang hilang. Selanjtnya klik Continue maka akan
kembali ke gambar seperti pada langkah 8
11. Selanjtnya klik Statistik, lalu centang apa yang terlihat seperti pada bambar berikut:
12. Dari gambar di atas, pada kotak Regression Coefficients biasanya secara default sudah
tercentang Estimates, karena ini perlakuan koefesien regresi untuk mengestimasi variabel.
sedangkan centang model fit berguna untuk mecocokkan model regresi, dan centang
Descriptives untuk mengetahui deskriptive dari data. Pada kotak Residuals centang Casewise
diagnostics dan pilih All cases yang berfungsi untuk melihat pengaruh regresi terhadap hasil
penjualan dan biaya promosi dari semua kabupaten. Selanjtnya klik Continue maka akan
kembali ke gambar seperti pada langkah 8.
13. Selanjtnya klik Plot. maka muncul seperti gambar berikut:

14. Dari gambar di atas, merupakan tampilan plot dapat digunakan untuk menguji asumsi-
asumsi pada regresi, seperti uji normalitas, uji linieritas, dan uji kesamaan varians dari
variabel.
Kemudian klik SDRESID lalu pindahkan ke dalam kotak Y, kemudian klik ZPRED lalu
pindahkan ke dalam kotak X. Jika kedua variabel tersebut sudah dimasukkan kedalam kotak Y
dan kotak X, selanjtnya klik tombol Next untuk kita mengisi plot yang kedua.
Pertama kota tersebut terlihat kosong seperti semula, sekarang pilih ZPRED lalu masukkan
kedalam kotak Y, kemudian klik DEPENDNT lalu pindahkan ke dalam kotak X, selanjutnya
klik tombol Next untuk kita mengisi plot yang ketiga.
Untuk plot yang ketiga pada bagian Standarized Residual Plots cukup centang Normal
probability plot saja seperti terlihat pada gambar berikut:

15. Selanjutnya klik Continue dan tekan OK.

Analisis
Bagian Output Descriptive Statistics dan Correlation

Analisis bagian Descriptive Statistics

1. Rata-rata hasil penjualan PT ubey motor dari 20 cabang yang ada di Provinsi Aceh
adalah Rp. 307.40 juta dengan standar deviasi Rp. 20.332 juta.
2. Rata-rata biaya promosi PT ubey motor dari 20 cabang adalah Rp. 28.80 juta dengan
standar deviasi Rp. 3.334 juta
Analisis bagian Correlations
 1. Besar hubungan antara hasil penjualan dengan biaya promosi dapat diketahui dengan
melihat koefesien korelasi adalah 0.740. artinya nilai ini dapat menunjukkan hubungan
yang sangat kuat antara hasil penjualan dengan biaya promosi, nilai koefesien korelasi
semakin mendekati ke 1 maka semakin sempurna hubungan antara kedua variabel
tersebut (arah hubungan ke positif).
2. Taraf kepercayan yang digunakan yaitu 0.05. diperoleh hasil tingkat signifikan
koefesien korelasi sebesar 0.071. karena nilainya lebih besar dari 0.05 maka hubungan
hasil penjualan dengan biaya promosi tidak berbeda secara nyata.
Analisis bagian Variables Entered dan Model Summary

Analisis bagian Variabel Entered/Removed

Tabel tersebut diperlihatkan bahwa variabel yang kita masukkan yaitu biaya promosi dan tidak
terdapat variabel yang dikeluarkan (removed). karena metode yang kita pakai adalah single
step.
Analisis bagian Model Summary
Pada tabel model tersebut dapat diketahui bahwa nilai R sebesar 0.740 atau koefesien korelasi
nilai R tersebut dapat dikuadratkan yaitu 0.740 x 0.740 = 0.548. R square (koefesien
determinasi) dalam hal ini variasi dari variabel terikat (hasil penjualan) dapat dijelaskan oleh
variabel bebas (biaya promosi) yaitu sebesar 54.8%. sedangkan sisanya 45.2% dipengaruhi
oleh faktor yang lain. Tingkat besarnya hubungan dari kedua varibabel tersebut dapat dilihat
pada tabel berikut:
Dari tabel diatas dapat diketahui bahwa hubungannya kuat antara hasil penjualan dengan
biaya promosi.
Standard Error of the Estimate sebesar 15.636 dapat diartikan bahwa hasil penjualan yang
dipakai dari variabel terikat sebesar Rp.15.636 juta. sedangkan bila kita lihat pada tabel
sebelumnya (tabel descriptive statistics) nilai standar deviasi hasil penjualan diperoleh sebesar
Rp. 20.322 juta, nilai ini mendandakan standar error of the estimate lebih besar dari pada yang
diperoleh dari model hanya Rp.15.636 juta.
Analisis bagian Anova dan Coefficients

Analisis bagian Anova

Dari tabel uji anova diperoleh nilai F tes (F hitung=51.352) dan nilai probabilitas (signifikan)
kecil dari 0.05. karena nilai probabilitas kecil dari 0.05 maka model regresi ini dapat digunakan
untuk memprediksi hasil penjualan.

Analisis bagian Coeffecients

Pada bagian ini kita akan memperoleh persamaan regresi yaitu:
Y = 247.727 + 2.072X
keterangan:
Y = hasil penjualan
X = biaya promosi
Dari persamaan di atas nilai 247.727 merupakan konstanta, artinya bila tidak ada biaya promosi
(x) maka hasil penjualan tetap sebesar 247.727 juta.
koefesien regresi 2.072 menandakan setiap ada peningkatan satu satuan (x=biaya promosi)
maka Y ada peningkatan satu-satuan tergantung nilai x, begitu juga sebaliknya.

Dalam hal ini uji t sangat dibutuhkan untuk menguji signifikan konstanta dan varibel bebas
(biaya promosi). Persamaan regresi yang telah diperoleh sebelumnya akan di uji apakah
variabel bebas (biaya promosi) dapat dijadikan sebagai variabel untuk memprediksi hasil
penjualan yang akan datang.
Sebelumnya kita buat hipotesis:
H0 = koefesien regresi tidak signifikan
H1 = koefesien regresi signifikan
Pengujian statistik:
jika t hitung < t tabel maka H0 diterima, nilai probabilitas > 0.05
jika t hitung > t tabel maka H1 di tolak, nilai probabilitas < 0.05

Dari hasil perhitungan diperoleh nilai t hitung 6.326 dan t tabel 1.73. jadi 6.326 > 1.73. dan
nilai signifikan atau probabilitas 0.00. maka berdasarkan pengujian statistik H0 di tolak dan
terima H1. Jadi koefesien regresi signifikan atau biaya promosi berpengaruh secara nyata
terhadap hasil penjualan.
Kesimpulan:
Berdasarkan hasil perhitungan di atas model regresi yang diperoleh sebelumnya dapat
dijadikan sebagai alat untuk memprediksi hasil penjualan yang akan datang.

Sumber
Mustamim,Isradil.2020.Cara uji analisis regresi sederhana menggunakan aplikasi SPSS.
Sains,Statistik.2017.Regresi sederhana menggunakan SPSS

D. APLIKASI ANALISIS UJI REGRESI LINEAR GANDA.

 Regresi linier berganda merupakan model persamaan yang menjelaskan hubungan satu
variabel tak bebas/ response (Y) dengan dua atau lebih variabel bebas/ predictor (X1,
X2,…Xn). Tujuan dari uji regresi linier berganda adalah untuk memprediksi nilai variable tak
bebas/ response (Y) apabila nilai-nilai variabel bebasnya/ predictor (X1, X2,..., Xn) diketahui.
Disamping itu juga untuk dapat mengetahui bagaimanakah arah hubungan variabel tak bebas
dengan variabel - variabel bebasnya.
Persamaan regresi linier berganda secara matematik diekspresikan oleh :

Y = a + b1 X1 + b2 X2 + … + bn Xn yang mana :
Y = variable tak bebas (nilai variabel yang akan diprediksi) a =
konstanta b1,b2,…, bn = nilai koefisien regresi
X1,X2,…, Xn = variable bebas

Bila terdapat 2 variable bebas, yaitu X1 dan X2, maka bentuk persamaan regresinya adalah :

Y = a + b1X1 + b2X2

Keadaan-keadaan bila koefisien-koefisien regresi, yaitu b1 dan b2 mempunyai nilai :

▪ Nilai=0. Dalam hal ini variabel Y tidak dipengaruh oleh X1 dan X2

▪ Nilainya negative. Disini terjadi hubungan dengan arah terbalik antara variabel tak
bebas Y dengan variabel-variabel X1 dan X2
▪ Nilainya positif. Disni terjadi hubungan yang searah antara variabel tak bebas Y dengan
variabel bebas X1 dan X2

Koefisien-koefisien regresi b1 dan b2 serta konstanta a dapat dihitung dengan menggunakan

rumus :
Koefisien Determinasi (r2)

• Untuk mengetahui prosentase pengaruh variable-variable X1 dan X2 terhadap

variable Y digunakan koefisien determinasi • Besarnya r2 dihitung dengan rumus
:

• Apabila r2 bernilai 0 , maka dalam model persamaan regresi yang terbentuk,

variasi variable tak bebas Y tidak sedikitpun dapat dijelaskan oleh variasi
variable-variable bebas X1 dan X2
• Apabila r2 bernilai 1, maka dalam model persamaan regresi yang terbentuk,
variable tak bebas Y secara sempurna dapat dijelaskan oleh variasi
variablevariable bebas X1 dan X2.

Koefisien Korelasi Ganda (r)

▪ Untuk mengetahui seberapa besar korelasi secara serentak/ simultan antara variable-
variable X1, X2, ...., Xn dengan variabel Y dapat digunakan koefisien korelasi ganda.
▪ Besarnya nilai koefisien korelasi ganda dapat dihitung dengan rumus :

▪ Nilai r : -1 ≤ r ≤ +1.

Apabila nilai r mendekati nilai +1 atau – 1, maka dapat dikatakan bhawa semakin
kuatnya hubungan/korelasi yang terjadi. Sebaliknya, apabila nilai r mendekati
0, maka semakin lemahnya hubungan/korelasi yang terjadi.

Korelasi Parsial

Merupakan suatu korelasi yang menjelaskan korelasi antara 1 variable dengan 1

variable dan variable lainnya dianggap konstan. Terdapat 3 macam bentuk korelasi
parsial, yaitu :

1) korelasi antara X1 dengan X2 yang mana Y dianggap konstan (r12.Y)

 2) korelasi antara Y dengan X1 yang mana X2 dianggap konstan (rY1.2)

3) korelasi antara Y dengan X2 yang mana X1 dianggap konstan (rY2.1)

yang mana

Kesalahan Baku Estimasi (Standart Error Estimate)

Kesalahan baku estimasi digunakan untuk melihat apakah persamaan regresi yang
terbentuk tepat/ kurang tepat dipakai untuk mengestimasi/ memprediksi variabel
response Y. Jika kesalahan bakunya besar, maka persamaan regresi yang dibentuk
kurang tepat dipakai untuk mengestimasi. Hal ini disebabkan karena selisih nilai antara
variable response Y estimasi dengan Y kenyataan akan besar. Secara matematik
kesalahan baku estimasi diekspresikan oleh :
Pengujian Hipotesis

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/ hipotesis alternatif 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 varible
berlaku bagi seluruh populasi. Dalam modul ini hanya dibahas uji signifikansi
menggunakan Uji-F.

Uji - F

Penggunaan Uji-F bertujuan mengetahui apakah variabel-variabel bebas (X1 dan

X2 ) secara signifikan bersama-sama berpengaruh terhadap variable tak bebas Y.

Tahapan yang dilakukan dalam Uji - F adalah:

1. Menentukan Hipotesis

H0 : 1 = 2 = 0; (variable X1 dan X2 tidak berpengaruh terhadap Y)

 H1 : 1 2 ≠ 0; (variabel X1 dan X2 berpengaruh terhadap Y)

2. Menentukan Taraf/tingkat Signifikansi ( )

Nilai yang sering digunakan untuk adalah = 5%

3. Menentukan F hitung

Rumus F hitung :

4. Menentukan F table (mempergunakan table Uji-F)

Tabel Uji-F untuk = 5% dengan derajat kebebasan pembilang (Numerator,

df) = k - 1; dan untuk penyebut (Denominator, df ) = n – k. n= jumlah
sample/ pengukuran, k= jumlah variable bebas dan terikat).
5. Kriteria Pengujian nilai Fhit dan ttab

Apabila nilai Fhit < Ftab, maka hipotesis H1 ditolak dan H0 diterima.

Apabila nilai Fhit > Ftab, maka hipotesis H1 diterima dan H0 ditolak.

6. Kesimpulan : akan disimpulkan apakah ada/ tidak pengaruh variable-variable

bebas ( X1 dan X2 ) terhadap variable tak bebas (Y).

Uji Koefisien Regresi Parsial (Uji-t)

Pengujian koefisien regresi secara parsial bertujuan mengetahui apakah persamaan model
regresi yang terbentuk secara parsial variable-variable bebasnya
(X1 dan X2) berpengaruh signifikan terhadap variable tak bebas (Y).
Tahapan dalam melakukan Uji-t sama dengan pada regresi linear sederhana. (Lihat

Modul Regresi Linier Sederhana)

Soal latihan :

Diberikan data tentang IQ dan tingkat kehadiran sepuluh siswa di kelas yang
diperkirakan mempengaruhi nilai UAS.

Siswa IQ Tingkat kehadiran (%) Nilai UAS

(X2) (X1) (Y)

1 110 60 65
2 120 70 70
3 115 75 75
4 130 80 75
5 110 80 80
6 120 90 80
7 120 95 85
8 125 95 95
9 110 100 90
10 120 100 98
Pertanyaan :

1. Buatlah persamaan regresi linier berganda !

2. Variabel yang mana memberikan pengaruh lebih besar terhadap nilai UAS ?

Jelaskan mengapa demikian ?

3. Berapa koefisien determinasinya? Interpretasi hasil ini !

4. Lakukan Uji-F

Jawaban :

1. Persamaan regresi : Y = 25.047 + 0.6705X1 – 0.00343X2

2. Dilihat dari persamaan regresi, nilai b1 lebih besar dibandingkan dengan nilai
 b2. Nilai b1 menandakan kemiringan X1 (kehadiran dikelas) dan b2 menandakan
kemiringan X2 (IQ). Dalam hal ini dapat disimpulkan bahwa presentase
kehadiran dikelas lebih berpengaruh daripada IQ.
3. Koefisien Determinasi : r2 = (0.6935)2 = 0.4809 = 48.09%

Nilai akhir (Y) yang dapat dijelaskan oleh tingkat kehadiran (X1) dan IQ (X2)
pada persamaan regresi Y = 25.047 + 0.6705X1 – 0.00343X2 adalah 48.09%.
Sisanya, sebesar 51.91% dijelaskan oleh faktor lain diluar variable-variabel
pada persamaan regresi Y = 25.047 + 0.6705X1 – 0.00343X2.

Contoh pembacaan dan penjelasan mengenai :

R2 , Uji-F, Uji-t parsial dan Persamaan regresi berganda dari hasil pengolahan data software
statistik.

Dari tabel terlihat, r atau R = 0,729 dan R2 = 0,532. Hal ini berarti bahwa 53,2%
varians variabel tak bebas mampu dijelaskan oleh variabel bebas. Juga dapat dikatakan
bahwa 46,8% variable bebas belum mampu menjelaskan varians variabel tak bebas.

Anova ( Uji-F; uji simultan ) :

 Nilai F-hitung adalah 9,658 dengan taraf signifikan 0,002. Nilai signifikan ini lebih
kecil dari 0,05 yang mengandung arti bahwa, secara serempak variable bebas
berpengaruh signifikan terhadap variable tak bebas untuk taraf signifikan 5 %.
Uji - t Parsial

Uji-t parsial digunakan untuk mengetahui pengaruh variable-variable bebas terhadap

variabel tak bebasnya secara parsial.

Berdasarkan hasil yang terdapat dalam table di atas, maka dapat dibentuk suatu persamaan
regresi linear berganda, yaitu :
Y = 66,051 + 0,823X1 – 0,664X2

yang mana :

Y = hasil pelajaran fisika

X1 = nilai matematika

X2 = nilai bahasa

DAFTAR PUSTAKA

Mustamim,Isradil.2020.Cara uji analisis regresi sederhana menggunakan aplikasi SPSS.

Sains,Statistik.2017.Regresi sederhana menggunakan SPSS
M Nazir, 1983, Metode Statistika Dasar I , GramediaPustaka Utama ;Jakarta.

Sudijono, Anas. 1996. Pengantar Statistik Pendidikan. Jakarta: Rajawali

Spiegel. Murray. R. 2004. Statistika. Jakarta :Erlangga