REGRESI BERGANDA

Makalah
Diajukan sebagai salah satu syarat penilaian dalam rangka penyelesaian tugas
Mata kuliah Ekonometrika

Oleh:
Kelompok II
Ratna Sari 1904010044
Nur Aeni 1904010048
Mawaddah 1904010053

Dosen Pengampu:
Riska, S.Pd.,M.Pd

PROGRAM STUDI EKONOMI SYARIAH

FAKULTAS EKONOMI DAN BISNIS ISLAM
INSTITUT AGAMA ISLAM NEGERI PALOPO
2022
 KATA PENGANTAR
Puji syukur kami panjatkan atas kahadirat Allah Yang Maha Esa yang telah
memberikan karunia-Nya, sehingga kami dapat membuat makalah ini tanpa ada suatu
halangan yang berarti. Makalah ini kami susun untuk memenuhi tugas mata kuliah
Ekonometrika yang didalamnya menjelaskan tentang Regresi Berganda. Terima kasih kami
ucapkan kepada Ibu Riska, S.Pd.,M.Pd dosen pengampu mata kuliah Ekonometrika,
teman teman yang hingga saat sudah membantu kelancaran penyelesaian makalah ini,
berbagai pihak yang selalu mendukung penyelesaian makalah ini. Kami menyadari masih
ada kekurangan dalam penulisan makalah ini, oleh karena itu kami mengharapkan kritik dan
saran dari pembaca. Semoga makalah yang kami susun ini bisa menjadi bahan referensi dan
memberikan informasi bagi pembaca.

Palopo, 25 Maret 2022

Penulis
 BAB I
PENDAHULUAN

A. Latar Belakang
Analisis regresi merupakan alat statistik yang banyak digunakan dalam berbagai
bidang. Analisis tersebut bertujuan untuk mengetahui hubungan antara variabel dependen
dan variabel independen. Ada tiga macam tipe dari analisis regresi. Tipe yang pertama
adalah regresi linier sederhana yang berfungsi untuk mengetahui hubungan linier antara
dua variabel, satu variabel dependen dan satu variabel independen. Tipe kedua adalah regresi
linier berganda yang merupakan model regresi linier dengan satu variabel dependen dan lebih
dari satu variabel independen.Tipe ketiga adalah regresi non linier yang berasumsi bahwa
hubungan antara variabel dependen dan variabel independen tidak linier pada parameter
regresinya (Yan and Gang Su, 2009).
Dalam regresi linier sederhana, metode yang biasa digunakan dalam
mengestimasi parameter regresi adalah metode kuadrat terkecil atau Ordinary Least Squares
(OLS). Konsep metode ini adalah untuk mengestimasi parameter dengan memilih garis
regresi yang terdekat dengan garis dari semua data. Secara matematika penentuan parameter
regresi ini dengan cara meminimumkan jumlah kuadrat dari residualnya (Walpole dan Myers,
1986).
Sebelum menarik sampel dari suatu populasi terkadang diperoleh informasi
mengenai parameter yang akan diestimasi. Jika informasi tersebut ingin dimasukkan dalam
analisis data, maka estimasi parameter regresi dengan metode kuadrat terkecil tidak
memungkinkan untuk memasukkan informasi tersebut. Oleh karena itu, diperlukan metode
bayesian untuk menyelesaikan permasalahan tersebut.
Analisis regresi dipergunakan untuk menggambarkan garis yang menunjukan arah
hubungan antar variabel, serta dipergunakan untuk melakukan prediksi. Analisa ini
dipergunakan untuk menelaah hubungan antara dua variabel atau lebih, terutama untuk
menelusuri pola hubungan yang modelnya belum diketahui dengan sempurna. Regresi yang
terdiri dari satu variabel bebas ( predictor) dan satu variabel terikat ( Response/Criterion)
disebut regresi linier sederhana (bivariate regression), sedangkan regresi yang variabel
bebasnya lebih dari satu disebut regresi berganda ( Multiple regression/multivariate
regression), yang dapatterdiri dari dua prediktor (regresi ganda) maupun lebih.
B. Rumusan Masalah
1. Apa pengertian Regresi Linier Berganda?
2. Bagaimana Persamaan Regresi Linier Berganda?
3. Bagaimana menentukan pengaruh signifikan dari variable terikat dan variable bebas?
C. Tujuan
1. Untuk mengetahui pengertian dari regresi linier berganda.
2. Untuk mengetahui bagaimana persamaan regresi linier berganda.
3. Untuk mengetahui pengaruh signifikan dari variable terikat dan variabel bebas.
 BAB II
PEMBAHASAN
A. Pengertian Regresi Berganda
Multiple Linear Regression Analysis (analisis regresi linier berganda) adalah salah
satu teknik multivariat yang digunakan untuk mengestimasi hubungan antara satu
variabel dependen metrik dengan satu himpunan variabel independen metrik atau
nonmetrik. Dengan analisis regresi majemuk peneliti dapat mengestimasi dan atau
memprediksi nilai rata-rata (populasi) satu variabel dependen berdasarkan dua atau lebih
variabel independen. Analisis regresi akan menghasilkan sebuah persamaan atau model
regresi.
B. Persamaan Regresi Linier Berganda
Persamaan Regresi Linier Berganda membentuk persamaan garis lurus (linear) dan
menggunakan persamaan tersebut untuk membuat perkiraan (prediction) nilai suatu
variabel terikat (Y) jika nilai variabel bebas (X) yang berhubungan dengannya sudah
ditentukan.
Secara umum, persamaan regresi dimana varibel terikat (Y) merupakan nilai yang
diprediksi, maka persamaannnya :
1. Persamaan regresi dua variabel bebas :
Ŷ = a + b1 X1 + b2 X2
2. Persamaan regresi tiga variabel bebas :
Ŷ = a + b1 X1 + b2 X2 + b3 X3
3. Persamaan regresi untuk k variabel bebas :
Ŷ = a + b1 X2 + b2 X2 + b3 X3 + ⋯ + bk Xk
Dimana :
Ŷ : Variabel terikat / variabel dependen / variabel yang dipengaruhi
X : Varibel bebas / variabel independen / variabel yang mempengaruhi
a : Konstanta / intercept yaitu sifat bawaan dari variabel Y
b1, b2, bn : Paremeter yang menunjukkan slope atau kemiringan garis regresi
 Koefisien Regresi Linier Berganda
Apabila diketahui dua variabel bebas dan satu variabel terikat dengan persamaan
regresi Ŷ = a + b1 X1 + b2 X2 maka untuk mendapatkan nilai a, b1, dan b2 digunakan
rumus :
 a) ∑x1 2 = ∑X1 2 − (∑X1 2 )2
n
b) ∑x2 2 = ∑X2 2 − (∑X2 2 )2
n
c) ∑𝑦2 = ∑Y2 − (∑Y)2
n
d) ∑x1 𝑦 = ∑X1 Y − (∑X1)(∑Y)
n
e) ∑x2 𝑦 = ∑X2 Y − (∑X2)(∑ Y)
n
f) ∑x1 x2 = ∑X1 X2 − (∑X1)(∑X2)
n
g) Y̅ = ∑Y
n
̅
h) X1 = ∑X1
n
̅
i) X2 = ∑X2
n
Nilai koefisien regresi, yaitu
 b1 = (∑x2 2)(∑x1 𝑦) − (∑x1 x2)(∑x2𝑦)
(∑x1 2)(∑x2 2) −(∑x1 x2)2
 b2 = (∑x1 2)(∑x2𝑦) − (∑x1 x2)(∑x1𝑦)
(∑x1 2)(∑x2 2) − (∑x1 x2)2
 a = Y̅ − b1 X1 ̅ − b2 X2 ̅
C. Uji Signifikansi
Proses selanjutnya setelah melakukan pendugaan parameter model regresi berganda
adalah pengujian terhadap model regresi apakah signifikan atau tidak, yang dapat
dilakukan dengan dua cara yaitu uji secara simultan (bersama-sama) dengan uji F dan uji
parsial (individual) dengan uji t.
a. Pengujian Signifikansi Secara Simultan atau Bersama-Sama (Uji F)
Proses pengujian:
1. Formulasi hipotesis nihil dan hipotesis kerja
H0 : b1 = b2 = 0 (Tidak ada pengaruh variabel-variabel bebas dengan variabel
terikatnya)
H1 : b1 ≠ b2 ≠ 0 (Ada pengaruh variabel-variabel bebas dengan variabel
terikatnya)
2. Uji statistik yang digunakan adalah uji F dengan α = 0,01 atau 0,05
3. Nilai atau harga kritis diperoleh dengan melihat tabel distibusi F.
F𝛼 ;(db pembilang);(db penyebut)= F𝛼 ;(k);(n−k−1))
 Dimana :
k : jumlah variabel bebas
n : jumlah sampel
4. Kriteria pengujian hipotesis
Terima H0 jika Fhitung < Ftabel

5. Harga uji statistik dihitung dengan rumus :

SSR/df SSR/k
Fhitung = =
SSE/df SSE/(n−k−1)
Dimana:
SSR (Sum Of Squares from The Reggression) = b1∑x1𝑦 + b2 ∑x2𝑦

SST (Sum Of Squares Deviation) = ∑y2

SSE (Sum Of Squares from The Error) = SST – SSR
df : derajat bebas
6. Kesimpulan

b. Pengujian Signifikansi Parsial atau Individual (Uji t)

Proses pengujian:
1. Formulasi hipotesis nihil dan hipotesis kerja
H0 : bk = 0 (Tidak ada pengaruh variabel bebas k terhadap variabel Y)
𝐻1 : bk ≠ 0 (Ada pengaruh variabel bebas k terhadap variabel Y)

2. Uji statistik yang digunakan adalah uji t dengan α = 0,01 atau 0,05
3. Nilai atau harga kritis diperoleh dengan melihat tabel distribusi t.

1 1
t( a), (db) = t( 𝑎), (𝑛 − 𝑘 )
2 2
Dimana :
db: derajat kebebasan
n : jumlah sampel
k : kelompok sampel
4. Kriteria pengujian hipotesis
Terima H0 jika thitung < ttabel
5. Harga uji statistik dihitung dengan rumus :
b𝑘− 𝛽 𝑘
t=
Sb1

Sb 1 = S𝑦.12

√∑xk2 (1 − r122)
Sy12 = standard error of estimasi (standar eror estimasi)
 Sy12 = ∑𝑦2 − b1∑x1𝑦 − b2∑x2𝑦
n-k
√
Dimana :
n : jumlah sampel
k : kelompok sampel
r12 = koefisien korelasi sederhana antara X1 dan X2 (antara dua variabel independen)

6. Nilai R𝑦(1,2) atau R(𝑥1,x2)𝑦 dapat dihitung dengan rumus :

R(1,2) = b1∑x1𝑦 + b2∑x2𝑦

√ ∑𝑦2

7. Nilai determinan : KP = R2.100%

8. Kesimpulan

Kasus :
Diambil sampel random sebanyak 12 siswa dalam suatu penelitian untuk menentukan
hubungan antara nilai prestasi matematika (Y) dan nilai dua tes yaitu tes kemampuan
geometri (X) dan kemampuan aljabar (X2). Datanya adalah sebagai berikut.

Nilai Prestasi Kemampuan Kemampuan

Matematika (Y) Geomteri (X1) Aljabar (X2)
11,2 56,5 71,0
14,5 59,5 72,5
17,2 69,2 76,0
17,8 74,5 79,5
19,3 81,2 84,0
24,5 88,0 86,2
21,2 78,2 80,0
16,9 69,0 72,0
14,8 58,1 68,0
20,0 80,5 85,0
13,2 58,3 71,0
22,5 84,0 87,2

a. Lakukan uji asumsi dalam analisis regresi linear dan simpulkan hasilnya.
b. Tentukan persamaan regresi linear dugaanya dan interpretasikan.
c. Ujilah apakah ada pengaruh linear antara nilai prestasi matematika (Y) dan
nilai dua tes yaitu tes kemampuan geometri (X1) dan kemampuan aljabar (X2)
d. Manakah diantara dua variabel bebas yang secara signifikan berpengaruh
terhadap nilaiprestasi matematika. Gunakan α = 0,05
 Uji Asumsi
Untuk menjawab pertanyaan (a) : lakukan uji asumsi dan simpulkan hasilnya
Asumsi yang harus dipenuhi dalam analisis regresi berganda adalah:
1. Sampel harus diambil secara acak (random) dari populasi yang berdistribusi normal
Perhitungan dengan menggunakan SPSS untuk uji normalitas data (One Sample KS),
diperoleh data sebagai berikut.

One-Sample Kolmogorov-Smirnov Test

Matematika Geometri Aljabar

N 12 12 12

Normal Parametersa Mean 17.758 71.417 77.700

Std. Deviation 3.9473 11.2482 6.8111

Most Extreme Absolute .107 .189 .194

Differences Positive .107 .189 .194

Negative -.081 -.143 -.156

Kolmogorov-Smirnov Z .369 .653 .672

Asymp. Sig. (2-tailed) .999 .787 .757

Monte Carlo Sig. (2- Sig. .996c .718c .685c

tailed) 95% Confidence Interval Lower Bound .995 .709 .676

Upper Bound .998 .727 .694

a. Test distribution is Normal.

c. Based on 10000 sampled tables with starting seed 1314643744.

Kriteria pengujian normalitas data:

Jika sig. > 0,05 maka data normal
Jika sig < 0,05 maka data tidak normal
Dilihat dari hasil perhitungan dengan menggunakan SPSS diatas diketahui nilai sig.
untuk nilai prestasi matematika adalah 0,999 > 0,05. Nilai sig. kemampuan geometri
adalah 0,787 > 0,05. Nilai sig. kemampuan aljabar adalah 0,757 > 0,05. Maka dapat
disimpulkan data untuk nilai prestasi matematika, kemampuan geometri dan
kemampuan aljabar berdistribusi normal.
2. Data variabel terikat harus berskala interval atau skala rasio
3. Antara variabel bebas dengan variabel terikat mempunyai hubungan secara teoritis dan
melalui perhitungan korelasi sederhana dapat diuji signifikansi hubungantersebut.
4. Persamaan regresinya linear
Perhitungan dengan menggunakan SPSS untuk uji linearitas.
 Prosedur uji linearitas dengan SPSS: Entry data → Compare Means → Means.
Muncul kotak dialog uji linearitas. Pindahkan y ke variabel dependen, pindahkan x ke
variabel independen. Pilih kotak option dan pilih Test of Linearity pilih continue pilih
OK.

Sum of Mean
Squares df Square F Sig.

Matematika * Between (Combined) 169.389 10 16.939 8.469 .262

Aljabar
Groups Linearity 134.907 1 134.907 67.454 .077

Deviation
34.482 9 3.831 1.916 .512
from
Linearity
Within Groups 2.000 1 2.000

Total 171.389 11

Hasil analisis menunjukkan bahwa harga F sebesar 1,916 dengan signifikansi 0,512.
Kriteria pengujian uji linearitas :
Jika sig. ≥ 0,05 maka model regresi linear
Jika sig < 0,05 maka model regresi tidak linear
Hasil analisis menunjukkan bahwa sig. = 0,512 > 𝛼 = 0,05 berarti model regresilinear.
  Proses Pengujian
Menjawab pertanyaan (b): tentukan persamaan regresi linear dugaan dan simpulkan hasilnya.

Nomor Kemampuan Kemampuan Nilai Prestasi X1.Y X2.Y X1.X2 X12 X22 𝐘𝟐
Geomteri (X1) Aljabar (X2) Matematika
(Y)
1 56,5 71,0 11,2 795,20 4011,50 3192,25 5041,00 125,44
632,80
2 59,5 72,5 14,5 862,75 1051,25 4313,75 3540,25 5256,25 210,25

3 69,2 76,0 17,2 1190,24 1307,20 5259,20 4788,64 5776,00 295,84

4 74,5 79,5 17,8 1326,10 1415,10 5922,75 5550,25 6320,25 316,84

5 81,2 84,0 19,3 1567,16 1621,20 6820,80 6593,44 7056,00 372,49

6 88,0 86,2 24,5 2156,00 2111,90 7585,60 7744,00 7430,44 600,25

7 78,2 80,0 21,2 1657,84 1696,00 6256,00 6115,24 6400,00 449,44

8 69,0 72,0 16,9 1166,10 1216,80 4968,00 4761,00 5184,00 285,61

9 58,1 68,0 14,8 859,88 1006,40 3950,80 3375,61 4624,00 219,04

10 80,5 85,0 20,0 1610,00 1700,00 6842,50 6480,25 7225,00 400,00

11 58,3 71,0 13,2 769,56 937,20 4139,30 3398,89 5041,00 174,24

12 84,0 87,2 22,5 1890,00 1962,00 7324,80 7056,00 7603,84 506,25

∑ 857 932,4 213,1 15688,43 16820,25 67395,00 62595,82 72957,78 3955,69

Menentukan persamaan regresi dengan cara alternatif 1:

a) ∑x1 2 = ∑X1 2 − (∑X1 2 )2 = 62595,82 − (875)2 = 1391,736667

n 12
b) ∑x2 2 = ∑X2 2 − (∑X2 2 )2 = 72957,78 − (932,4 )2 = 510,3
n 12
c) ∑𝑦2 = ∑Y2 − (∑Y)2 = 3955,69 − (213,1)2 = 171,3891667
n 12
d) ∑x1 𝑦 = ∑X1 Y − (∑X1)(∑Y) = 15688,43 − (857) (213,1) = 469,5383333
n 12
e) ∑x2 𝑦 = ∑X2 Y − (∑X2)(∑Y) = 16820,25 − (932,4) (213,1) = 262,38
n 12
f) ∑x1 x2 = ∑X1 X2 − (∑X1)(∑X2) = 67395 − (875) (932,4) = 806,1
n 12
g) Y̅ = ∑Y = 213,1 = 17,75833333
n 12
h) ̅
X1 = ∑X1 = 857 = 71,41666667
n 12
i) ̅
X2 = ∑X2 = 932,4 = 77,7
n 12

Nilai koefisien regresi, yaitu

 b1 = (∑x2 2)(∑x1 𝑦) − (∑x1 x2)(∑x2𝑦) = (510,3) (469,5383333) − (806,1) (262,38) = 0,465200282
(∑x1 2)(∑x2 2) −(∑x1 x2)2 (1391,736667)( 510,3) –(806,1)2

 b2 = (∑x1 2)(∑x2𝑦) − (∑x1 x2)(∑x1𝑦) = (1391,736667)(262,38) − (806,1)(469,5383333) = -0,220689688

(∑x1 )(∑x2 ) − (∑x1 x2)2
2 2
(1391,736667)(510,3) − (806,1)2

 a = Y̅ − b1 X1 ̅ − b2 X2 ̅
= 17,75833333 – (0,465200282)( 71,41666667) – (-0,220686135)(77,7) = 1,68259255

Sehingga persamaan regresi linear berganda untuk kasus diatas adalah:

Y = 1,68286855 + 0,465200286X1 - 0,220689691X2
atau
Y = 1,68286855 + 0,465200286 Kemampuan Geometri -0,220689691 Kemampuan Aljabar

Interpretasinya: :

Interpretasi terhadap persamaan juga relatif sama, pengaruh antara kemampuan

geometri (X1) dan kompensasi aljabar (X2) terhadap nilai prestasi matematika (Y) yaitu:
1. Jika variabel kemampuan geometri meningkat satu satuan dengan asumsi variabel
kemampuan aljabar tetap, maka nilai prestasi matematika akan meningkat 0,465200286
2. Jika variabel kemampuan aljabar meningkat satu satuan dengan asumsi variabel
kemampuan geometri tetap, maka nilai prestasi matematika akan menurun 0,22068969
3. Jika variabel kemampuan geometri dan kemampuan aljabar sama dengan nol, maka
nilai prestasi belajar matematika adalah 1,68286855.
 Sebagai pembanding berikut adalah hasil perhitungan dengan menggunakan SPSS. Regresi
linear menggunakan skala interval dan ratio.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) 1.683 6.422 .262 .799

Kemampuan Geometri .465 .101 1.326 4.607 .001 .085 11.757

Kemampuan Aljabar -.221 .167 -.381 -1.323 .218 .085 11.757

a. Dependent Variable: Nilai Prestasi Matematika

Berdasarkan data diatas maka perhitungan secara manual dan secara software,
mendapatkan hasil yang sama, perbedaannya adalah angka dibelakang koma yaitu tiga angka
dibelakang koma.
Untuk menjawab pertanyaan (c): Ujilah apakah ada pengaruh linear antara nilai
prestasi matematika (Y) dan nilai dua tes yaitu tes kemampuan geometri (𝐗𝟏) dan
kemampuan aljabar (𝐗𝟐)
Menggunakan Uji F.
Proses pengujian:
1. Formulasi hipotesis nihil dan hipotesis kerja
H0 : b1 = b2 = 0 (Kemampuan Geometri dan aljabar tidak pengaruh signifikan terhadap nilai
prestasi matematika)
H1 : b1 ≠ b2 ≠ 0 (Kemampuan Geometri dan aljabar pengaruh signifikan terhadap nilai
prestasi matematika)
2. Uji statistik yang digunakan adalah uji F dengan α = 0,05
3. Nilai atau harga kritis diperoleh dengan melihat tabel distibusi F.
F𝛼 ;(db pembilang);(db penyebut) = F𝛼 ;(k);(n−k−1))

= F0,05 ;(3−1);(12−2−1))

= F0,05 ; 2 ;9

= 4,26
4. Kriteria pengujian hipotesis
Terima H0 jika Fhitung < Ftabel

5. Harga uji statistik dihitung dengan rumus :

SSR/df SSR/k
Fhitung = =
SSE/df SSE//(n−k−1)

SSR = b1∑x1𝑦 + b2 ∑x2𝑦 = (0,465200286)(469,5383333) + (-0,220689691)(262,38)

= 218,4293514 – 57,90456112 = 160,5247903
SST = ∑𝑦2 = 171,38917
SSE = SST – SSR = 171,38917 - 160,5247903 = 10,8643797
 Fhitung = 160,5247903/2 = 80,26239515 = 80,26239515 = 66,4889892
10,8643797/(12−2−1) 10,8643797/9 1,2071533

6. Nilai R(1,2) atau R(𝑥1,x2)𝑦 dapat dihitung dengan rumus :

Fhitung = 160,5247903/2 = (0,465200282)(469,5383333) + (−0,220689688)(262,38)

√ 10,8643797/(12−2−1) 171,3891667

= 0,967786125 ~ 0,968
7. Nilai determinan : KP = R2.100% = (0,968)2.100% = 93,7024%8.
8. Kesimpulan
Dari hasil analisis diperoleh Fhitung = 66,49 > Ftabel = 4,26 maka H0 ditolak dan H1
diterima. Artinya, kemampuan Geometri (X1) dan aljabar(X1) berpengaruh signifikan
terhadap nilai prestasi matematika (Y) dengan besar pengaruh yaitu 93,7024%.
Sebagai pembanding berikut adalah hasil perhitungan dengan menggunakan SPSS pada
tabel ANOVA.
ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 160.525 2 80.262 66.489 .000a

Residual 10.864 9 1.207

Total 171.389 11

a. Predictors: (Constant), Kemampuan Aljabar, Kemampuan Geometri

b. Dependent Variable: Nilai Prestasi Matematika

Dengan dasar pengambilan keputusan.

 Jika probabilitasnya (nilai sig) > 0,05 maka H0 diterima
 Jika probabilitasnya (nilai sig) < 0,05 maka H1 diterima
Kesimpulannya :
Karena nilai Sig = 0,000 < 0,05 maka H1 diterima. Artinya, kemampuan Geometri dan
aljabar berpengaruh signifikan terhadap nilai prestasi matematika.

Untuk menjawab pertanyaan (d): Manakah diantara dua variabel bebas yang secara
signifikan berpengaruh terhadap nilai prestasi matematika. Gunakan α = 0,05

Menggunkan uji t.
 Untuk 𝜷𝟏
Proses pengujian:
1. Formulasi hipotesis nihil dan hipotesis kerja
H0 : b1 = 0 (Tidak ada pengaruh kemampuan geometri terhadap nilai prestasi matematika)
𝐻1 : b1 ≠ 0 (Ada pengaruh kemampuan geometri terhadap nilai prestasi matematika)
2. Uji statistik yang digunakan adalah uji t dengan α = 0,05
3. Nilai atau harga kritis diperoleh dengan melihat tabel distribusi t
 1 1 1
t(1 − a); (db) = t( 1 − 𝑎), (𝑛 − 𝑘) = t(1 − (0,05); (12 − 3) = t( 0,975); (9) = 2,26
2 2 2
4. Kriteria pengujian hipotesis
Terima H0 jika −ttabel < thitung < ttabel

5. Harga uji statistik dihitung dengan rumus :

b1− 𝛽 1
t=
Sb 1

Sb 1 = S𝑦.12
√∑x12 (1 − r122)

Sy12 = ∑𝑦2 − b1∑x1𝑦 − b2∑x2𝑦

√ n–k

Sy12 = 171,3891667 − (0,465200282)(469,5383333) − ( −0,220689688)(262,38)

√ 12 – 3

= 1,098657246
r12 = ∑𝑥1𝑥2 806,1
= = 0,956527812
√(∑𝑥12)(∑𝑥22) √(1391,736667)(510,3)
1,098704385

S b1 = √(1391,736667) (1− (0,956527812 )2) = 0,100984231

b1− 𝛽1 0,465200282−0
t= = = 4,60666218
Sb 0,100984231
1

4,607
Daerah Penerimaan H0
Daerah Penerimaan H1

-2,26 2,26

6. Kesimpulan
Dari hasil analisis diperoleh thitung = 4,607 > 0,05, maka H1 diterima. Artinya ada
pengaruh signifikan kemampuan geometri terhadap nilai prestasi matematika.
 Untuk 𝜷𝟐
Proses pengujian:
1. Formulasi hipotesis nihil dan hipotesis kerja
H0 : b2 = 0 (Tidak ada pengaruh kemampuan aljabar terhadap nilai prestasi matematika)
𝐻1 : b2 ≠ 0 (Ada pengaruh kemampuan aljabar terhadap nilai prestasi matematika)
2. Uji statistik yang digunakan adalah uji t dengan α = 0,05
3. Nilai atau harga kritis diperoleh dengan melihat tabel distribusi t.
1 1 1
t(1 − a); (db) = t( 1 − 𝑎), (𝑛 − 𝑘) = t(1 − (0,05); (12 − 3) = t( 0,975); (9) = 2,26
2 2 2
4. Kriteria pengujian hipotesis
Terima H0 jika −ttabel < thitung < ttabel
5. Harga uji statistik dihitung dengan rumus:
b1− 𝛽1
t=
Sb 1

Sb 1 = S𝑦.12
√∑x12 (1 − r122)

Sy12 = ∑𝑦2 − b1∑x1𝑦 − b2∑x2𝑦

√ n–k

Sy12 = 171,3891667 − (0,465200282)(469,5383333) − ( −0,220689688)(262,38)

√ 12 – 3
= 1,098657246

r12 = ∑𝑥1𝑥2 806,1

= = 0,956527812
√(∑𝑥12)(∑𝑥22) √(1391,736667)(510,3)
1,098657246

S b2 = √(510,3) (1− (0,956527812)2) = 0,166763376

b2− 𝛽2 0,220689688 − 0
t= = = -1,322269971
Sb 0,1667633768
2

Daerah Penerimaan H1
-1,323

Daerah Penerimaan H0

-2,26 2,26

6. Kesimpulan
Dari hasil analisis diperoleh thitung = -1,323 < 0,05, maka H0 diterima. Artinya tidak
ada pengaruh signifikan kemampuan aljabar terhadap nilai prestasi matematika.
Secara umum, dapat disimpulkan bahwa variabel bebas yang berpengaruh signifikan
adalah kemampuan geometri (𝑋1) sedangkan kemampuan geometri (𝑋2) tidak berpengaruh
terhadap nilai prestasi matematika (Y).
 BAB III
PENUTUP
A. Kesimpulan
Multiple Linear Regression Analysis (analisis regresi linier berganda) adalah salah
satu teknik multivariat yang digunakan untuk mengestimasi hubungan antara satu variabel
dependen metrik dengan satu himpunan variabel independen metrik atau nonmetrik.
Dengan analisis regresi majemuk peneliti dapat mengestimasi dan atau memprediksi nilai
rata-rata (populasi) satu variabel dependen berdasarkan dua atau lebih variabel
independen. Tujuan dari analisis regresi yaitu untuk membuat perkiraan nilai suatu
variabel terikat jika nilai variabel bebas yang berhubungan
dengannya sudah ditentukan dan untuk menguji hipotesis signifikansi pengaruh dari
variabel bebas (X) terhadap variabel terikat (Y).
B. Saran
Saran dari penulis yaitu dalam pemberian contoh kasus kami hanya memberikan
kasus dengan dua variable bebas namun belum yang lebih dari dua. Untuk itu, diharapkan
pembaca dapat memberian contoh dengan variabel lebih dari dua.
 DAFTAR PUSTAKA

https://www.academia.edu/19539381/Makalah_Analisis_Regresi_Berganda