Anda di halaman 1dari 29

# MAKALAH

ANALISIS REGRESI

DISUSUN OLEH:

## UNIVERSITAS NEGERI MEDAN

2022
KATA PENGANTAR

KATA PENGANTAR.............................................................................................................ii
DAFTAR ISI..........................................................................................................................iii
BAB I.......................................................................................................................................1
PENDAHULUAN...................................................................................................................1
A. LATAR BELAKANG..................................................................................................1
B. RUMUSAN MASALAH.............................................................................................1
C. TUJUAN......................................................................................................................1
BAB II.....................................................................................................................................2
MATERI..................................................................................................................................2
A. PENGERTIAN.............................................................................................................2
B. PENDUGAAN GARIS REGRESI...............................................................................3
C. KETEPATAN GARIS REGRESI................................................................................4
D. PEMBACAAN MAKNA OUTPUT SPSS..................................................................5
E. PERSAMAAN REGRESI LINEAR Y TERHADAP X...............................................7
DAFTAR PUSTAKA............................................................................................................13
LAMPIRAN...........................................................................................................................14

ii
DAFTAR ISI

Segala puji hanya kepada Allah SWT. Tuhan yang Maha Esa. Atas Rahmat dan
Karunia-Nya sampailah penulis dalam menyusun makalah yang berjudul analisis
regresi. Terima kasih atas arahan dan bimbingan kepada Ibu Dr. Nerli Khairani, M.Si
selaku dosen pengampu mata kuliah statistika pendidikan matematika pasca sarjana
Universitas Negeri Medan sehingga penulis dapat menyelesaikan makalah ini dengan
tepat waktu.

Adapun cakupan materi dalam makalah ini mengenai analisis regresi. Penulis
menyadari bahwa makalah ini masih jauh dari kata sempurna. Oleh karena itu kami
mengharapkan masukan dan saran dari pembaca untuk perbaikan penulisan
kedepannya, terima kasih.

Tim Penulis

## Medan, Septermber 2022

iii
BAB I

PENDAHULUAN
A. LATAR BELAKANG

Analisis regresi merupakan salah satu bagian dari ilmu statistika yang paling
banyak aplikasinya. Analisis regresi membuat peneliti dapat menyusun model
hubungan atau pengaruh beberapa variabel bebas terhadap variabel terikat, bahkan
digunakan untuk meninjau kondisi berikutnya. Regresi mempunyai bermacam-
macam bentuk diantaranya regresi linier sederhana dan regresi linier berganda yang
digunakan untuk mencari model hubungan linier antara variabel-variabel bebas
dengan variabel terikat sepanjang tipe datanya adalah interval atau rasio.
Sebagai akibatnya, analisis regresi perlu dipelajari untuk mengetahui analisis
data yang terdiri atas banyak variabel. Jika peneliti mempunyai data yang terdiri atas
dua atau lebih variabel maka perlu untuk mempelajari cara bagaimana variabel-
variabel itu berhubungan. Hubungan yang didapat pada umumnya dinyatakan dalam
bentuk persamaan untuk menjelaskan hubungan fungsional antara variabel-variabel
dalam penelitian. Studi yang menyangkut masalah ini dikenal dengan analisis regresi.
Pada makalah ini akan membahas lebih lanjut terkait topik analisis regresi sebagai
berikut.
B. RUMUSAN MASALAH

## 1. Apa defenisi dari analisis regresi?

2. Apa bentuk-bentuk dari analisis regresi?
3. Bagaimana teknik analisis regresi?
4. Bagaimana membaca ouput dari SPSS?
C. TUJUAN
1. Mengetahui defenisi dari analisis regresi
2. Mengetahui bentuk-bentuk dari analisis regresi
3. Mengetahui teknik dari analisis regresi
4. Mengetahui cara membaca output dari SPSS

1
BAB II

MATERI
A. PENGERTIAN
Istilah regresi dikembangkan oleh Galton. Galton melakukan analisis
Hasilnya disimpulkan bahwa rata-rata tinggi badan anak laki-laki dari ayah yang
tinggi kurang dibandingkan dengan rata-rata ayah mereka. Sebaliknya rata-rata tinggi
anak laki-laki dari ayah yang pendek, lebih dari rata-rata tinggi ayah mereka.
Dalam mengetahui hubungan antara tinggi ayah dan anak laki-laki maka dapat
menggambarkan tinggi ayah pada absis X dan tinggi anak pada ordinat Y, sehingga
diperoleh diagram pencar dari nilai X dan Y. Jika ditarik suatu garis lurus yang
berjarak jumlah kuadrat jarak vertikal dari setiap titik maka garis lurus inilah yang
disebut dengan garis regresi. Dengan hubungan antara tinggi ayah dan anak laki-laki
tersebut maka persamaannya Y =a+bX menunjukkan hubungan linear Y dengan X.
Berdasarkan persamaan tersebut jika diketahui nilai X dan Y, maka estimasi a dan b
sedangkan nilai b yakni koefisien X disebut koefisien regresi.
Regresi tidak lain adalah bentuk hubungan antara variabel prediktor dan
variabel respon. Hubungan ini biasanya dinyatakan dalam bentuk persamaan
matematis yang bentuknya dapat linear maupun non-linear. Persamaan yang
dihasilkan merupakan sebuah prediksi yang menggambarkan hubungan antara
variabel prediktor dan variabel respon. Namun sebagaimana layaknya arti kata
prediksi maka prediksi yang tergambar dari persamaan regresi bukanlah merupakan
hal yang pasti, tetapi merupakan suatu keadaan yang mendekati kebenaran. (Rusydi,
2018:251)
Korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap
regresi pasti ada korelasinya, tetapi korelasi belum tentu dilanjutkan antara dua
variabel yang tidak mempunyai hubungan kasual (sebab akibat), atau hubungan
fungsional. Untuk menetapkan kedua variabel mempunai hubungan kausal atau tidak,
maka harus didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut.
Contoh sederhananya seperti hubungan antara IQ mahasiswa dengan IPK-nya,
dapat dikatakan sebagai hubungan kausal, hubungan antara kepemimpinan dengan
kepuasan kerja pegawai dapat dikatakan sebagi hubungan yang fungsional. Hubungan
2
antara kupu-kupu yang datang dengan banyaknya tamu di rumah bukan merupakan
hubungan kausl maupun fungsional.
Kita gunakan analisis regresi bila kita ingin mengetahui bagaimana variabel
dependent (tidak bebas) dapat diprediksikan melalui variabel independent (variabel
bebas/prediktor) secara individual. Dampak dari penggunaan analisis regresi dapat
digunakan untuk memutuskan apakah naik dan menurunnya variabel dependent dapat
dilakukan dengan menaikkan dan menurunkan variabel independent. (Saepul,
2013:202)

## B. PENDUGAAN GARIS REGRESI

Menduga garis regresi linier sederhana = menduga parameter-parameter regresi
β0 dan β1, dimana:
a) Penduga parameter yang dihasilkan harus merupakan penduga yang baik
b) b0 dan b1 adalah dugaan bagi parameter regresi β0 dan β1 yang didapat salah satunya
dengan cara meminimumkan jumlah kuadrat galat (JKG). Galat/sisaan merupakan selisih
antara Y dan Ŷ. Rumus yang digunakan, yaitu:
Min JKG=min Ʃ e2
2
¿ min Ʃ ( Y – Ŷ )
2
¿ min Ʃ [ Y – ( b0 +b 1 X ) ]

## Lalu digunakan metode kuadrat terkecil (MKT), dimana:

a) Penduga bagi koefisien kemiringan baris β1 ialah:
Ʃ( x−x)( y − y)
b1 =
Ʃ ¿¿
b) Penduga bagi intersep β0 ialah:
b0 = y−b x
c) Garis regresi selalu melalui titik x , y
Agar penduga bagi parameter regresi yang didapatkan dengan menggunakan
MKT merupakan penduga yang baik maka sisaan/gakat harus memenuhi kondisi
Gauss-Markov berikut ini:
1) E [ ε i ] =0 nilai – harapan/ratan sisaan = 0

## 3) E [ ε i ε j ] =0 , I ≠ j ε i dan ε j saling bebas

3
C. KETEPATAN GARIS REGRESI
Analisis regresi dan korelasi didasarkan atas hubungan yang terjadi antara dua
variabel atau lebih. Variabel yang digunakan untuk meramal disebut variabel bebas
atau variabel independen, sedangkan variabel yang akan diramal disebut variabel
respons atau variabel dependen.
Variabel dependen biasanya terdiri dari satu variabel, sedangkan variabel
independen dapat lebih dari satu variabel. Misalnya, meramal keadaan kesehatan
masyarakat suatu daerah dapat dilakukan berdasarkan angka kesakitan. Di samping
itu, dapat ditambahkan beberapa variabel lain yang berkaitan dengan keadaan
Gambaran tentang hubungan antara dua variabel dapat diketahui melalui titik-
titik kordinat yang terdapat pada diagram pencar. Hubungan tersebut dapat berupa
garis lurus (linier) atau garis lengkung (kurva linier).
Kedua bentuk hubungan tersebut dapat berupa garis regresi positif atau negatif.
oleh perubahan dengan arah yang sama pada variabel dependen sehingga garis yang
dihasilkan bergerak dari kiri bawah ke kanan atas. Sebaliknya, bila perubahan pada
variabel independen diikuti oleh variabel dependen dengan arah yang berlawanan
disebut regresi negatif sehingga garis yang dihasilkan bergerak dari kiri atas ke kanan
bawah.
Linier Positif Linier Negatif

4
Kurva Linier Positif Kurva Linier Negatif
Gambar 1. Garis regresi positif dan negatif
Hubungan yang terjadi antara dua variabel dapat pula ditinjau dari sifat
hubungannya, yaitu hubungan langsung atau tidak langsung. Dikatakan hubungan
langsung apabila perubahan variabel independen secara langsung diikuti oleh
perubahan variabel dependen. Misalnya, hubungan antara berat badan dengan tinggi
variabel independen tidak secara langsung mengakibatkan perubahan pada variabel
dependen. Misalnya, hubungan antara derajat kesehatan masyarakat dengan
banyaknya penduduk yang memiliki mobil.

## D. PEMBACAAN MAKNA OUTPUT SPSS

Diantara produk pengolahan SPSS adalah sebagai berikut

Tabel di atas menjelaskan tentang variabel yang dimasukkan atau dibuang dan
metode yang digunakan. Dalam tabel ini variabel yang dimasukkan adalah variabel nilai
trust sebagai predictor dan metode yang digunakan adalah metode enter.
5
besarnya presentase pengaruh variabel bebas terhadap variabel terikat yang disebut
koefisien determinasi yang merupakan hasil dari pengkuadratan R. dari ouput tersebut
diperoleh koefisien determinasi R2 sebesar 0,215 yang mengandung pengertian bahwa
sedangkan sisanya dipengaruhi oleh variabel yang lainnya.

trusrt X terhadap variabel partisipasi Y. terlihat bahwa F hitung = 13,951 dengan tingkat
signifikansi 0,000 < 0,05 maka model regresi dapat dipakai untuk memprediksi variabel
partisipasi.

nilai trust b adalah 0,438 sehingga persamaan regresinya dapat ditulis sebagai berikut.
Y =a+bX
Y =9,481+ 0,438 X
Koefisian b dinamakan koefisien arah regresi dan menyatakan perubahan rata-rata
untuk variabel Y untuk setiap perubahan variabel X sebesar satu satuan. Perubahan ini
merupakan pertambahan bila b bertanda positive dan penurunan bila b bertanda negative.
Sehingga dapat diterjemahkan bahwa konstantas sebesar 9,481 menyatakan jada nilai

6
trust maka nilai partisipasi sebesar 9,481. Koefisien regresi X sebesar 0,438 menyatakan
bahwa setiap penambahan 1 nilai trust, maka nilai partisipasi bertambah 0,438.
Hipotesis yang digunakan:
H o :tidak ada pengaruh yang signifikan variabel X terhadap variabel Y
H 1 : ada pengaruh yang signifikan variabel X terhadap variabel Y
Dari output diatas diketahui nilai t hitung = 3,735 dengan tingkat signifikansi 0,000 <
0,05 maka H 0 ditolak dan H 1 diterima, berarti ada pengaruh yang signifikan variabel X

## E. PERSAMAAN REGRESI LINEAR Y TERHADAP X

Dalam regresi linear, nilai-nilai Y diperoleh dari beberapa populasi, setiap
populasi itu ditentukan oleh nilai X tertentu. Keacakan Y diperlukan agar teori
peluang dapat diterapkan. Selain itu juga diasumsikan bahwa populasi-populasi Y itu
menyebar normal dengan ragam yang sama.
Variabel Y itu disebut variabel tidak bebas, karena setiap nilai Y bergantung pada
populasi yang diambil contohnya. Peubah X disebut variabel bebas atau argumen.
Setelah ditetapkan terdapat hubungan logis diantara dua variabel, maka untuk
mendukung analisis lebih jauh, tahap selanjutnya adalah menggunakan grafik.

Ŷ =a+bX

a
X

Garis linear yang ditarik melalui titik-titik koordinat (diagram) sering kali
dinamakan garis prediksi atau regresi. Karena adanya variasi sampling maka nilai (Xi,
Yi) yang diobservir tidak akan semuanya terletak pada garis prediksinya. Umumnya
nilai-nilai itu akan menyebar sekitar garis prediksinya. Bagi tiap X akan terdapat
distribusi Y yang diobservir dan yang bersesuaian dengan nilai tertentu sebagai
7
sampel random. Akhirnya, garis regresi merupakan garis atau kurva yang
menghubungkan rata-rata distribusi Y dengan seluruh kemungkikan nilai X. Jika
asumsi demikian dapat diterima maka hubungan kita akan perkiraan ialah (Saepul,
2013:204):
µ y /x =a+bX
Analisis regresi bertujuan menentukan persamaan regresi yang baik yang
dapat digunakan untuk menaksir nilai variable dependen (Nuryadi, 2017:134).
Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal satu variabel
independen dengan satu variabel dependen. Persamaan umum regresi linear
Ŷ =a+bX
Keterangan:
Ŷ = Dibaca Y topi, yaitu subjek dalam variabel dependen yang diprediksikan
a=¿ Harga Y bila X = 0 (konstanta)
b=¿ Koefisien regresi atau arah hubungan apakah positif atau negatif, yang
menunjukkan angka peningkatan ataupun penurunan variabel dependen yang
X = Subjek pada variabel independen yang mempunyai nilai tertentu

## Untuk mencari nilai a dan b dapat digunakan rumus sebagai berikut:

(ƩY i) ( Ʃ x i ) −( Ʃ X i )( Ʃ X i Y i )
2

a=
n ( Ʃ x 2i )−¿ ¿

nƩ X i Y i −( Ʃ X i )( Ʃ Y i )
b=
nƩ x 2i −¿ ¿

Atau apabila nilai b telah diketahui, maka nilai a dapat dicari dengan rumus:

Ʃ Y i−bƩ X i
a= atau a=Y −b X
n

Keterangan:

## F. Uji Linearitas Regresi

8
Salah satu asumsi dari analisis regresi adalah linearitas. Maksudnya apakah
garis regresi antara X dan Y membentuk garis linear atau tidak. Kalau tidak linear
maka analisis regresi tidak dapat dilanjutkan. Jika ternyata persamaan regresi linear
barulah bisa digunakan untuk melakukan prediksi dengan bentuk linear. Adapun
rumus-rumus yang digunakan dalam uji linearitas (Saepul, 2013:211):

2
JK (T )=Ʃ Y

2
(ƩY )
JK ( A )=
n

{ }
2
( ƩX )(ƩY ) [ nƩXY −( ƩX )( ƩY ) ]
JK ( b∨a )=b ƩXY − =
n n¿¿

JK ( S)
RJK ( S )=
n−2

JK ( b∨a )
F=
RJK ( S )

Keterangan:

## Nilai Ftabel dilihat pada tabel distribusi F dengan dk pembilang = 1 dan dk

penyebut = n – 2. Untuk membuat keputusan apakah persamaan regresi diterima atau
ditolak dengan ketentuan sebagai berikut (Indra, 2019:190):
a) Jika Fhitung > Ftabel, maka signifikan atau persamaan regresi berarti.
b) Jika Fhitung < Ftabel, maka signifikan atau persamaan regresi berarti.
Untuk menguji linearitas persamaan regresi pertama-tama buatlah tabel pembantu untuk
mencari jumlah kuadrat eror lalu gunakan rumus berikut (Indra, 2019:191):
9
JK ( E )=Ʃ ¿
JK ( E)
RJK ( E )=
n−k
JK (TC )=JK ( S )−JK ( E )

JK (TC)
RJK (TC )=
k−2

RJK ( TC )
F=
RJK ( E )

## Mencari nilai Ftabel dengan dk pembilang = k – 2 dan dk penyebut = n – k.

Dimana k merupakan jumlah bagian pada perhitungan jumlah kuadrat eror dan n
merupakan jumlah sampel. Dalam pengambilan keputusan jika:

a) Fhitung < Ftabel maka signifikan atau persamaan regresi berbentuk linear.
b) Fhitung > Ftabel maka tidak signifikan atau persamaan regresi tidak linear.

## 1. Menentukan tujuan dari Analisis Regresi Linear

2. Mengidentifikasi variabel predictor dan variabel response
3. Melakukan pengumpulan data dalam bentuk tabel
4. Menghitung X², XY dan total dari masing-masingnya
5. Menghitung a dan b menggunakan rumus yang telah ditentukan
6. Membuat model Persamaan Garis Regresi
Untuk memberikan pemahaman yang lebih jelas mengenai regresi linier sederhana,
dalam kegiatan belajar ini diberikan suatu contoh kasus, yaitu :
Suatu data penelitian tentang berat badan 10 mahasiswa yang diprediksi dipengaruhi
oleh konsumsi jumlah kalori/hari. Bagaimana menganalisis kasus ini ?
Untuk menganalisis kasus ini, hal-hal dilakukan adalah :
1. Tujuan : apakah konsumsi jumlah kalori/hari mempengaruhi berat badan
mahasiswa.
2. Variabel : X (variable bebas/predictor) = jumlah kalori/hari
Y (variable tak bebas/response) = berat badan
Data :
No. Nama Mahasiswa Kalori/ hari (X) Berat Badan (Y)
10
1 Dian 530 89
2 Echa 300 48
3 Winda 358 56
4 Kelo 510 72
5 Intan 302 54
6 Putu 300 42
8 Anita 527 85
9 Sefia 415 63
10 Rosa 512 74
Tabel bantu yang dibuat untuk memudahkan dalam melakukan perhitungan :

No. X X2 Y Y2 XY
1 530 280900 89 7921 47170
2 300 90000 48 2304 14400
3 358 128164 56 3136 20048
4 510 260100 72 5184 36720
5 302 91204 54 2916 16308
6 300 90000 42 1764 12600
7 387 149769 60 3600 23220
8 527 277729 85 7225 44795
9 415 172225 63 3969 26145
10 512 262144 74 5476 37888
 4141 1802235 643 43495 279294

Koefisien regresi b ditentukan dengan menggunakan rumus yang telah diberikan, yaitu :
n ∑ XY −∑ X ∑ Y
b yx =
n ∑ X −¿ ¿¿ ¿
2

## b yx= 10(279244) – 4141¿ ¿

130227
¿
874469
¿ 0,14892 ≈ 0,1489
Konstanta a ditentukan ditentukan menggunakan rumus

n∑ X ∑ Y −∑ X ∑ Y
2

a yx=
n ∑ X −¿ ¿ ¿ ¿
2

## Konstanta a juga dapat dicari dari nilai rata-rata X dan Y, yaitu :

𝑎 = 𝑌̅ − 𝑏𝑋̅ = 64,3 − 0,149(414,1) ≅ 2,608
Sehingga model persamaan regresi linier adalah : 𝑌 = 2,608 + 0,149 𝑋
contoh Penggambaran data dan garis regresi.

11
X Y XY

300 42 12600

300 48 14400

302 54 16308

358 56 20048

387 60 23220

415 63 26145

510 72 36720

100
90
Y = 0.1 49 X + 8
80
2.60
70 r² =
60 0.90
Y 50
40
30
20
10
0
250 300 350 400 450 500 550
X
Gambar 1. Garis

12
DAFTAR PUSTAKA

Ananda, R., Fadhli, M. 2018. Statistika Pendidikan (Teori Dan Praktik Dalam
Mengajar). Medan: Widya Puspita
Hamdani, S., Setyawati, M. 2013. Statistik Terapan. Surabaya: IAIN Sunan Ampel
Nuryadi, dkk. 2017. Dasar-Dasar Statistik Penelitian. Yogyakarta: Gramasurya
Syahputra, Edi. 2016. Statistika Terapan. Unimed Press
Jaya, I. 2019. Penerapan Statistik Untuk Penelitian Pendidikan. Jakarta: Prenada
Media
M. Nazir, 1983, Metode Statistika Dasar I , Gramedia Pustaka
Utama:Jakarta Sudijono, Anas, 1996, Pengantar Statistik Pendidikan,
Jakarta:Rajawali Spiegel. Murray. R, 2004, Statistika. Jakarta:Erlangga

Supranto. J., 2001, Statistika Teori dan Aplikasi Edisi Ke-6 Jilid 2.
Jakarta:Erlangga Walpole. R.,E., 1995, Ilmu Peluang Dan Statistika Untuk
Insinyur dan Ilmuawan.

Bandung:ITB

13
LAMPIRAN
Lampiran 1. Contoh soal
1. Berikut yang disajikan data tentang jumlah pendapatan/hari dan jumlah
pengeluaran dari ketujuh keluarga konsumen.
Jumlah Jumlah
pendapatan/h pendapatan/h
x y x❑
2
xy y
2
Ŷ
ari dalam Rp ari dalam Rp
(X) (Y)
100 40 -300 -20 90.000 6.000 400 39,6
200 45 -200 -15 40.000 3.000 225 46,4
300 50 -100 -10 10.000 1.000 100 53,2
400 65 0 5 0 0 25 60,0
500 70 100 10 10.000 1.000 100 66,8
600 70 200 10 40.000 2.000 100 73,6
700 80 300 20 90.000 3.000 400 80,4
2800 420 0 0 280.000 19.000 1.350

Jawaban:

2800
X= =400
7

420
Y= =60
7

19000
b= =0,068
280000

## Persamaan regresinya menjadi Ŷ =32,80+ 0,068 X . Persamaam garis tersebut

hanya berlaku untuk nilai 100 ≤ X ≤ 700. Perkiraan tentang jumlah
pengeluaran/hari tiap tingkat pendapatan/hari yang tertentu (Ŷ ) dapat dicari
dengan persamaan regresi Ŷ =a+bX . Untuk, X= 150 maka:
Ŷ =32,80+ 0,068(150)=43,00

14
2. Pada penelitian dengan judul “hubungan minat dengan prestasi belajar siswa”.
Tentukan persamaan regresi yang menunjukkan hubungan antara minat dan
prestasi belajar tersebut dan apakah persamaan regresi yang terbentuk linear.
Data hasil penelitiannya sebagai berikut: Plat baja yang diproduksi oleh
sebuah pabrik baja memiliki daya regang rata-rata 500 dan standar deviasi
sebesar 20. Jika sampel acak yang dipilih 100 plat dari 100.000 plat.
Berapakah probabilitas rata-rata kurang dari 496 ?

X Y
50 82
55 79
60 82
60 84
60 87
60 87
65 89
65 89
65 89
65 89
65 89
65 89
65 89
65 84
65 89
70 89
70 89
70 89
70 92
70 92
70 92
73 92
73 97
73 92
80 100
82 97

15
Jawaban:
1) Buatlah tabel pembantu garis regresi

No X Y X2 Y2 XY
1 50 82 2500 6724 4100
2 55 79 3025 6241 4345
3 60 82 3600 6724 4920
4 60 84 3600 7056 5040
5 60 87 3600 7569 5220
6 60 87 3600 7569 5220
7 65 89 4225 7921 5785
8 65 89 4225 7921 5785
9 65 89 4225 7921 5785
10 65 89 4225 7921 5785
11 65 89 4225 7921 5785
12 65 89 4225 7921 5785
13 65 89 4225 7921 5785
14 65 84 4225 7056 5460
15 65 89 4225 7921 5785
16 70 89 4900 7921 6230
17 70 89 4900 7921 6230
18 70 89 4900 7921 6230
19 70 92 4900 8464 6440
20 70 92 4900 8464 6440
21 70 92 4900 8464 6440
22 73 92 5329 8464 6716
23 73 97 5329 9409 7081
24 73 92 5329 8464 6716
25 80 100 6400 10000 8000
26 82 97 6724 9409 7954
Jumlah Ʃ= 1731 Ʃ=2318 Ʃ=137461 Ʃ=207208 Ʃ=157062

2) Masukkan angka statistik ke dalam rumus, untuk mencari nilai a dan b sebagai
berikut:

16
(ƩY i) ( Ʃ x 2i ) −( Ʃ X i )(Ʃ X i Y i )
a=
n ( Ʃ x i )−¿ ¿
2

## (2318) ( 137461 )−(1731)(157062)

a=
26 ( 137461) −¿ ¿

a=80,9527

nƩ X i Y i −(Ʃ X i )( Ʃ Y i )
b=
nƩ x 2i −¿ ¿

26(157062)−(1731)(2318)
b=
26 (137461)−¿ ¿

b=0,1232

## Persamaan regresi linear dari kedua variabel tersebut adalah:

Ŷ =80,9527+0,1232 X
variabel X, maka akan diikuti oleh kenaikan variabel Y sebesar 0,1232 satuan.
3) Menghitung jumlah kuadrat regresi a dengan rumus sebagai berikut:
2
(ƩY )
JK ( A )=
n

(2318)2
¿
26

¿ 206658,6154

## JK ( b∨a )=b ƩXY −{ ( ƩX ) ( ƩY )

n }
{
¿ 0,1232 157062−
( 1731 ) (2318 )
26 }
¿ 337,1605
5) Menghitung jumlah kuadrat residu dengan rumus sebagai berikut:

17
JK ( S )=JK ( T )−JK ( a )−JK ( b∨a )

(ƩY )2
2
JK ( S )=ƩY − −JK ( b∨a )
n

( 2318 )2
¿ 207208− −337,1605
26

¿ 212,2241

JK ( S)
RJK ( S )=
n−2

212,2241
¿
26−2

¿ 8,8427

## 6) Uji signifikansi regresi dengan rumus:

JK ( b∨a )
F=
RJK ( S )
337,1605
¿
8,8427
¿ 38,1287
7) Mencari nilai Ftabel
Nilai Ftabel dengan dk pembilang = 1 dan dk penyebut n - 2 = 26 – 2 = 24 adalah
4,26 ternyata nilai Fhitung > Ftabel atau 38,1287 > 4,26
8) Karena nilai Fhitung > Ftabel atau 38,1287 > 4,26 maka dapat disimpulkan bahwa
persamaan regresi adalah signifikan atau berarti dan dapat digunakan sebagai alat
prediksi.
9) Membuat tabel pembantu jumlah kuadrat eror

No X Nomor Urut n Y
1 50 1 1 82
2 55 2 1 79

18
3 60 3 4 82
4 60 3 84
5 60 3 87
6 60 3 87
7 65 4 9 89
8 65 4 89
9 65 4 89
10 65 4 89
11 65 4 89
12 65 4 89
13 65 4 89
14 65 4 84
15 65 4 89
16 70 5 6 89
17 70 5 89
18 70 5 89
19 70 5 92
20 70 5 92
21 70 5 92
22 73 6 3 92
23 73 6 97
24 73 6 92
25 80 7 1 100
26 82 8 1 97
Perhatikan pembuatan tabel pembantu perhitungan jumlah kuadrat eror di atas,
nilai X yang sama diurutkan sedangkan nilai Y mengikuti urutan nilai X tersebut.
Dari tabel di atas didapat jumlah pambagian nilai X adalah 8. ini berarti nilai X
sebanyak 8 macam nilai yang berbeda.
10) Menghitung jumlah kuadrat eror ( JK ( E )) dengan rumus sebagai berikut:

19
JK ( E )=Ʃ ¿
¿¿
+¿
+¿

+¿

+¿

## ¿ 0+0 18 +22,2+13,5+16,7+ 0+0

¿ 70,4

Perhatikan bahwa jumlah kelompok pada perhitungan ini sama dengan jumlah

11) Menghitung rata-rata jumlah kuadrat eror ( RJK ( E )) dengan rumus sebagai
berikut:
JK ( E )
RJK ( E )=
n−k
70,4
¿
26−8
¿ 3,9
12) Menghitung jumlah kuadrat tuna cocok JK (TC )
JK (TC )=JK ( S )−JK ( E )

¿ 212,2241−70,4
¿ 141,8
13) Menghitung Rata-rata jumlah kuadrat tuna cocok RJK (TC )
JK (TC)
RJK (TC )=
k−2

141,8
¿
8−2

¿ 23,6

20
14) Menguji signifikansi linearitas persamaan regresi dengan rumus sebagai berikut:

RJK ( TC )
F=
RJK ( E )

23,6
¿
3,9

¿ 6,05

## Mencari nilai Ftabel dengan dk pembilang = k - 2 = 8 - 2 = 6 dan dk penyebut =

n – k = 26 – 8 = 18 adalah 2,66. Didapat nilai Fhitung > Ftabel. Karena nilai Fhitung
> Ftabel atau 6,05 > 2,66 maka dapat disimpulkan bahwa persamaan regresi
tidak berbentuk linear. Karena persamaan regresi tidak berbentuk linear maka
untuk uji hipotesis penelitian kita tidak boleh menggunakan statistik
parametrik.

Amatilah tabel berikut untuk menyelesaikan soal 3-5. Misalkan diperoleh 20 data
resiliensi siswa (X) dan hasil belajar (Y). Data tersebut tersaji dalam tabel berikut.

21
3. Hitunglah a dan b serta tuliskan persamaan regresinya

22
(ƩY i) ( Ʃ x 2i ) −( Ʃ X i )(Ʃ X i Y i )
a=
n ( Ʃ x i )−¿ ¿
2

## 820× 28460−720 × 30893

a= 2
20 ×28460 ×702

a=21,54

nƩ X i Y i −(Ʃ X i )( Ʃ Y i )
b=
nƩ x 2i −¿ ¿

b=
20 ×28460−7202

## b=0.54 maka substitusi pada persamaan Y =21.54+0.54 X

23
4. Seberapa kuat hubungan antara resiliensi diri dengan hasil belajar siswa?
Kuatnya hubungan dapat digambarkan melalui nilai koefisien korelasi. Hasil

n ƩXY −ƩXƩY
r=
√ nƩ X 2−¿ ¿ ¿
20 ×30893−720× 820
r=
√( 20× 28460−7202 ) √20 ×35252−8202
r =0.67

variabel berkorelasi kuat dan positif.
5. Tentukan kontribusi reseliensi diri terhadap hasil belajar siswa
Besarnya kontribusi resiliensi diri dapat digambarkan melalui koefisien
determinasi R=r 2 → R=0.672 → R2=0.45 Nilai koefisien determinasi yang
diperoleh adalah sebesar 0.45, artinya variabel Resiliensi Diri mampu
menjelaskan Hasil Belajar Siswa dengan kontribusi sebesar 45% dan sisanya

24
Lampiran 2. Latihan
1. PT Perusahaan batik Manggarai ingin mengetahui hubungan fungsional antara
biaya produksi dengan jumlah produksi.Tabel berikut ini berisi data mengenai
besarnya biaya produksi (Y) dan jumlah yang produksi (X).

## Biaya Produksi Jumlah

64 20
61 16
84 34
70 23
88 27
92 32
72 18
77 22
Tentukan persamaan regresi yang menunjukkan hubungan antara biaya produksi
dengan jumlah yang produksi dengan ketentuan bahwa biaya produksi (Y)
tergantung dari jumlah yang produksi (X).

Amatilah tabel berikut untuk menyelesaikan soal 2-5. Data disajikan dalam
bentuk tabel dimana X merupakan umur mobil sedangkan Y adalah harga mobil
tersebut sebagaimana terlihat dibawah ini:
Usia mobil (tahun) X Harga mobil (\$100) Y
5 85
4 103
6 70
5 82
5 89
5 98
6 66

25
6 95
2 169
7 70
7 48
58 975

## 2. Hitunglah a dan b serta tuliskan persamaan regresinya

3. Seberapa kuat hubungan usia mobil dengan harga mobil?
4. Tentukan koefisien determinasi harga mobil terhadap usia mobil
5. Apakah terdapat hubungan yang signifikan antara harga mobil terhadap usia
mobil?

26