MAKALAH

KORELASI DAN REGRESI BERGANDA

Disusun guna memenuhi tugas mata kuliah Statistik Data Sains
Dosen Pengampu: Dr. H. Dadang Juandi, M.Si.

Disusun Oleh:

Atika Defita Sari (2210505)

Hendra Lesmana (2208283)
Kamaliyah Kadir (2211157)

PROGRAM STUDI PENDIDIKAN MATEMATIKA (S3)

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN INDONESIA
2022
 KATA PENGANTAR

Puji syukur kepada Tuhan yang Maha Esa yang telah memberikan rahmat dan hidayah-
Nya sehingga penulis dapat menyelesaikan tugas Book Chapter untuk Materi Analisis Korelasi
Berganda dan Regresi Linear Berganda tepat pada waktunya. Book chapter ini merupakan
salah satu upaya untuk memenuhi tugas Mata Kuliah Statistika Sains Data pada Program
Doktor Program Studi Pendidikan Matematika Universitas Pendidikan Indonesia (UPI).
Penyusunan materi ini diharapkan dapat menambah wawasan bagi pembaca agar dapat
memahami lebih lanjut mengenai Analisis Korelasi Berganda dan Regresi Linear Berganda.
Penulis mengucapkan terima kasih kepada Dr. Dadang Juandi M.Si, selaku Dosen Pendidikan
Matematika Program Pascasarjana UPI Mata Kuliah Statistika Data Sains yang telah
membimbing dan mengarahkan dalam proses penyusunan book chapter ini sehingga dapat
menambah pengetahuan dan wawasan sesuai dengan materi yang dijelaskan book chapter ini.
Penulis juga mengucapkan terima kasih kepada semua pihak dan khususnya Tim Penulis yaitu
anggota Kelompok 2 yang telah membagi sebagian pengetahuannya sehingga tugas ini dapat
terselesaikan dengan baik. Penulis menyadari, dalam penulisan materi analisis korelasi dan
regresi linear berganda ini masih jauh dari kata sempurna. Oleh karena itu, kritik dan saran
yang membangun akan kami nantikan demi kesempurnaan materi bacaan ini.

Bandung, 10 Oktober 2022

Penulis

i
 DAFTAR ISI

KATA PENGANTAR ....................................................................................................... i

DAFTAR ISI ..................................................................................................................... ii

PENDAHULUAN ............................................................................................................ 1

KORELASI GANDA DAN REGRESI GANDA ............................................................ 2

A. Korelasi Ganda ...................................................................................................... 2

B. Analisis Regresi Ganda ........................................................................................ 13
C. Menghitung Korelasi dan Regresi Berganda dengan SPSS ................................. 20

DAFTAR PUSTAKA ..................................................................................................... 37

HASIL DISKUSI ............................................................................................................ 38

ii
 BAB I
PENDAHULUAN

Kehidupan tidak ada manusia yang bisa hidup sendiri, pasti bergantung
atau berhubungan dengan yang lain. Baik itu berhubungan degan sesama manusia, maupun
alam sekitar. Terdapat faktor-faktor yang saling yang berkaitan atau berpengaruh. Konsep
tentang kaitan maupun pengaruh adalah untuk menjawab pertanyaan tentang apakah
kemunculan suatu gejala akan diikuti oleh gejala-gejala lain, lebih spesifik apakah perubahan
suatu variabel akan diikuti perubahan variabel lain. Perubahan suatu variabel diikuti oleh
perubahan variabel lain menandakan adanya hubungan/korelasi antar variabel. Oleh karena itu
ada perkembangan dari analisis korelasi yang bertujuan untukmengetahui hubungan antar
variabel yang akan di uji.

Analaisis korelasi sendiri menguji terdapat atau tidaknya kaitan antar variabel, yang
artinya dalam uji asumsinya variabel independen dan variabel dependen mempunyai hubungan
yang linear. Salah satu langkah untuk melakukan pengujian antar variabel, maka pengujiannya
menggunakan uji R yang kemudian diinterpretasi pada hasil uji digunakan tabel nilai-nilai F
sebagai kriterianya. Berdasarkan jumlah variabel bebas yang diteliti, maka analisis korelasi
dibedakan menjadi dua, yaitu analisis korelasi linear sederhana dan analisis korelasi linear
berganda. Dalam penulisan book chapter ini akan lebih difokuskan pada pembahasan
mengenai Analisis Korelasi Linear Berganda dan Regresi Linier Berganda yang bermanfaat
untuk mengestimasi nilai dari suatu variabel dependen.

1
 BAB II
KORELASI GANDA DAN REGRESI GANDA

A. Korelasi Ganda
Teknik analisis korelasi ganda atau dalam bahasa Inggris sering disebut Multiple
Correlation digunakan untuk mengetahui kekuatan hubungan dua atau lebih variabel bebas
secara simultan dengan satu variabel terikat. Variabel bebas dilambangkan dengan X dan
variabel terikat dilambangkan dengan Y. Secara parsial kita dapat menuliskan hubungan antara
variabel-variabel tersebut seperti dalam rumus di bawah ini:

N ∑ X1 Y- (∑ X1 )( ∑ Y)
ryx1 = (2.1)
√{N(∑ X21 )-(∑ X1 )2 }{N ∑ Y2 -(∑ Y)2 }

N ∑ X2 Y- (∑ X2 )( ∑ Y)
ryx2 = (2.2)
√{N(∑ X22 )-(∑ X2 )2 }{N ∑ Y2 -(∑ Y)2 }

N ∑ X1 Y- (∑ X1 )( ∑ Y)
rx1x2 = (2.3)
√{N(∑ X21 )-(∑ X1 )2 }{N ∑ Y2 -(∑ Y)2 }

Untuk menentukan signifikansi hubungan variabel minat siswa (X1) dengan hasil belajar siswa
(Y), koefisien korelasi yang telah ditemukan dihitung menggunakan rumus uji-t berikut:

r √n-2
t= (2.4)
√1-r2
Secara simultan/bersama-sama, apabila terdapat dua variabel bebas yaitu X1 dan X2 dan
1 variabel terikat Y, maka dapat dituliskan hubungan ketiga variabel tersebut dalam rumus
korelasi sebagai berikut:

r2yx + r2yx -2ryx1 .ryx2 .rx1x2

1 2
Ryx1x2 =√ (2.5)
1-r2 x1 x2

2
Keterangan:
Ryx1x2 = korelasi antara variabel X1 dan X2 secara bersama-sama dengan variabel Y
ryx1 = korelasi product moment antara X1 dengan Y
ryx2 = korelasi product moment antara X2 dengan Y
rx1x2 = korelasi product moment antara X1 dengan X2
Setelah diperoleh nilai koefisien korelasi ganda tersebut, perlu dicari apakah koefisien
tersebut signifikan atau tidak. Rumus di bawah dapat digunakan untuk mencari tahu apakah
koefisien korelasi ganda yang kita peroleh signifikan atau tidak.

R2 /k
F= (2.6)
(1-R2 )/(n-k-1)
Keterangan:
R = koefisien korelasi ganda
k = jumlah variabel independen
n = jumlah anggota sampel

Sebagai contoh penggunaan rumus korelasi berganda tersebut, diambil data hasil
penelitian skripsi tentang korelasi minat dan motivasi terhadap hasil belajar siswa. Skripsi ini
ditulis oleh Fajar Ratiningrum tahun 2015 di Yogyakarta (lihat link data di Daftar Pustaka).
Dalam penelitian tersebut dicari korelasi dua variabel bebas yaitu minat siswa (X 1) dan
motivasi siswa (X2) terhadap variabel terikat yaitu hasil belajar (Y). Data minat dan motivasi
siswa diubah terlebih dahulu ke skala 0-100 dan diperoleh data seperti Tabel 2.1.
Tabel 2.1 Tabulasi Variabel Bebas dan Variabel Terikat

No. X1 X2 Y X12 X22 Y2 X1X2 X1Y X2Y

1 54 76 77 2.910 5.797 5.878 4.107 4.136 5.837
2 66 52 75 4.328 2.732 5.625 3.439 4.934 3.920
3 43 44 73 1.885 1.964 5.377 1.924 3.184 3.250
4 46 56 77 2.121 3.100 5.878 2.564 3.531 4.269
5 50 59 80 2.500 3.492 6.400 2.955 4.000 4.727
6 63 66 77 3.989 4.344 5.878 4.163 4.842 5.053
7 43 41 77 1.885 1.674 5.878 1.776 3.329 3.137
8 78 52 75 6.027 2.732 5.625 4.058 5.822 3.920
9 50 53 78 2.500 2.853 6.136 2.670 3.917 4.184
10 63 57 78 3.989 3.228 6.136 3.589 4.947 4.451
11 46 40 73 2.121 1.582 5.377 1.832 3.377 2.917
12 71 68 77 5.048 4.649 5.878 4.844 5.448 5.228
13 64 52 78 4.157 2.732 6.136 3.370 5.050 4.095
3
14 57 58 78 3.201 3.359 6.136 3.279 4.432 4.540
15 53 68 78 2.770 4.649 6.136 3.589 4.123 5.341
16 45 49 82 2.001 2.388 6.670 2.186 3.654 3.991
17 45 47 80 2.001 2.171 6.400 2.084 3.579 3.727
18 66 83 77 4.328 6.881 5.878 5.458 5.044 6.360
19 46 43 73 2.121 1.865 5.377 1.989 3.377 3.167
20 57 63 73 3.201 3.906 5.377 3.536 4.149 4.583
21 82 61 78 6.655 3.765 6.136 5.006 6.390 4.807
22 47 69 75 2.244 4.805 5.625 3.283 3.553 5.199
23 37 34 72 1.357 1.162 5.137 1.256 2.640 2.443
24 47 78 75 2.244 6.148 5.625 3.714 3.553 5.881
25 59 59 73 3.506 3.492 5.377 3.499 4.342 4.333
26 61 52 78 3.663 2.732 6.136 3.164 4.741 4.095
27 58 59 77 3.352 3.492 5.878 3.421 4.439 4.531
28 59 52 77 3.506 2.732 5.878 3.095 4.540 4.008
29 43 53 77 1.885 2.853 5.878 2.319 3.329 4.095
30 59 53 73 3.506 2.853 5.377 3.162 4.342 3.916
31 79 47 82 6.233 2.171 6.670 3.678 6.448 3.805
32 43 67 75 1.885 4.495 5.625 2.911 3.257 5.028
33 51 57 75 2.633 3.228 5.625 2.916 3.849 4.261
34 87 81 83 7.542 6.510 6.944 7.007 7.237 6.723
35 39 36 72 1.558 1.322 5.137 1.435 2.829 2.606
36 59 59 77 3.506 3.492 5.878 3.499 4.540 4.531
37 58 58 75 3.352 3.359 5.625 3.355 4.342 4.347
38 57 53 77 3.201 2.853 5.878 3.022 4.338 4.095
39 53 68 75 2.770 4.649 5.625 3.589 3.947 5.114
40 37 68 77 1.357 4.649 5.878 2.512 2.825 5.228
41 57 55 77 3.201 2.975 5.878 3.086 4.338 4.182
42 84 88 83 7.091 7.656 6.944 7.368 7.017 7.291
43 55 50 75 3.054 2.500 5.625 2.763 4.145 3.750
44 68 53 78 4.681 2.853 6.136 3.654 5.359 4.184
45 58 59 78 3.352 3.492 6.136 3.421 4.535 4.629
46 51 48 78 2.633 2.278 6.136 2.449 4.020 3.738
47 89 50 82 8.006 2.500 6.670 4.474 7.307 4.084
48 76 53 80 5.824 2.853 6.400 4.076 6.105 4.273
49 53 74 78 2.770 5.456 6.136 3.888 4.123 5.786
50 55 55 77 3.054 2.975 5.878 3.014 4.237 4.182
51 70 52 80 4.863 2.732 6.400 3.645 5.579 4.182
52 62 64 77 3.824 4.050 5.878 3.935 4.741 4.879
53 59 53 75 3.506 2.853 5.625 3.162 4.441 4.006
54 33 39 72 1.082 1.493 5.137 1.271 2.358 2.769
55 53 57 75 2.770 3.228 5.625 2.990 3.947 4.261
56 45 68 77 2.001 4.649 5.878 3.050 3.430 5.228
57 46 67 78 2.121 4.495 6.136 3.088 3.607 5.252
58 50 69 78 2.500 4.805 6.136 3.466 3.917 5.430
59 51 68 78 2.633 4.649 6.136 3.499 4.020 5.341
60 39 39 72 1.558 1.493 5.137 1.525 2.829 2.769
61 66 69 77 4.328 4.805 5.878 4.560 5.044 5.315

4
 62 38 40 72 1.456 1.582 5.137 1.518 2.735 2.851
63 51 48 78 2.633 2.278 6.136 2.449 4.020 3.738
64 87 91 83 7.542 8.264 6.944 7.895 7.237 7.575
65 68 73 77 4.681 5.289 5.878 4.976 5.246 5.576
66 46 60 78 2.121 3.627 6.136 2.774 3.607 4.718
67 46 65 78 2.121 4.196 6.136 2.983 3.607 5.074
68 38 61 78 1.456 3.765 6.136 2.342 2.989 4.807
69 46 72 78 2.121 5.125 6.136 3.297 3.607 5.608
70 66 77 77 4.328 5.971 5.878 5.084 5.044 5.925
71 68 56 73 4.681 3.100 5.377 3.810 5.017 4.083
72 67 67 77 4.503 4.495 5.878 4.499 5.145 5.140
73 37 49 75 1.357 2.388 5.625 1.800 2.763 3.665
74 67 92 83 4.503 8.472 6.944 6.177 5.592 7.670
75 39 47 75 1.558 2.171 5.625 1.839 2.961 3.494
76 46 41 72 2.121 1.674 5.137 1.884 3.301 2.932
77 91 49 75 8.243 2.388 5.625 4.436 6.809 3.665
78 68 69 75 4.681 4.805 5.625 4.743 5.132 5.199
79 61 56 80 3.663 3.100 6.400 3.370 4.842 4.455
80 63 52 77 3.989 2.732 5.878 3.301 4.842 4.008
81 59 69 82 3.506 4.805 6.670 4.104 4.836 5.661
82 46 55 80 2.121 2.975 6.400 2.512 3.684 4.364
83 43 56 75 1.885 3.100 5.625 2.418 3.257 4.176
84 46 56 80 2.121 3.100 6.400 2.564 3.684 4.455
85 43 63 78 1.885 3.906 6.136 2.714 3.401 4.896
86 67 72 77 4.503 5.125 5.878 4.804 5.145 5.489
87 37 41 72 1.357 1.674 5.137 1.507 2.640 2.932
88 43 55 78 1.885 2.975 6.136 2.368 3.401 4.273
89 38 41 72 1.456 1.674 5.137 1.561 2.735 2.932
90 39 64 78 1.558 4.050 6.136 2.512 3.092 4.985
91 97 94 83 9.481 8.896 6.944 9.184 8.114 7.860
∑ 5.097 5.351 7.000 303.414 329.350 539.238 307.066 393.936 413.469

Dari variabel-variabel tersebut dapat dituliskan 4 hipotesis penelitian yaitu:

1. H0: Tidak terdapat hubungan antara minat siswa dengan hasil belajar siswa,
Ha: Terdapat hubungan antara minat siswa dengan hasil belajar siswa,
2. H0: Tidak Terdapat hubungan antara motivasi siswa dengan hasil belajar siswa,
Ha: Terdapat hubungan antara motivasi siswa dengan hasil belajar siswa,
3. H0: Tidak Terdapat hubungan antara minat siswa dengan motivasi siswa,
Ha: Terdapat hubungan antara minat siswa dengan motivasi siswa,
4. H0: Tidak Terdapat hubungan antara minat siswa dan motivasi siswa secara
bersama/simultan dengan hasil belajar siswa,
Ha: Terdapat hubungan antara minat siswa dan motivasi siswa secara bersama/simultan
dengan hasil belajar siswa.

5
Hipotesis statistik dapat dibuat yaitu:
1. H0: ρ1 = 0,
Ha: ρ1 ≠ 0,
2. H0: ρ2 = 0,
Ha: ρ2 ≠ 0,
3. H0: ρ3 = 0,
Ha: ρ3 ≠ 0,
4. H0: ρ4 = 0,
Ha: ρ4 ≠ 0,
Dengan taraf signifikansi 5%, kaidah pengujian untuk setiap hipotesis adalah:
1. Untuk pengujian signifikasi hipotesis 1,2, dan 3 mengikuti asumsi berikut ini:
Jika thitung ≥ ttabel, maka H0 ditolak dan
Jika thitung < ttabel, maka H0 diterima.
atau jika rhitung ≥ rtabel, maka H0 ditolak dan
jika rhitung < rtabel, maka H0 ditolak dan
2. Untuk pengujian signifikasi hipotesis 1,2, dan 3 mengikuti asumsi berikut ini:
Jika Fhitung ≥ Ftabel, maka H0 ditolak dan
Jika Fhitung < Ftabel, maka H0 diterima.

Pengujian hipotesis 1 sampai dengan hipotesis 4 dilakukan menggunakan rumus korelasi

parsial Pearson yaitu:
Pengujian hipotesis 1:
Berdasarkan tabel 2.1 diketahui bahwa ∑X1 = 5.097, ∑Y = 7.000, ∑X12 = 303.414, ∑Y2 =
539.238, dan ∑X1Y = 393.936.
N ∑ X1 Y- (∑ X1 )( ∑ Y)
ryx1 =
√{N(∑ X21 )-(∑ X1 )2 }{N ∑ Y2 -(∑ Y)2 }

(91) (393.936) - (5.097)(7.000)

=
√{(91)(303.414) - (5.097)2 }{(91)(539.238) - 7.0002 }

(35.848.180) - (35.681.579)
=
√{(27.610.686 - (25.983.165)}{(49.070.699) - 49.000.000}
166.601
=
√{1.627.521}{70.699}

6
 166.601
=
√115.063.299.039

= 166.601
339.210
= 0,49114
Untuk menentukan signifikansi hubungan variabel minat siswa (X1) dengan hasil belajar siswa
(Y) gunakan rumus (2.4).
r √n-2
t =
√1-r2

0,49114√91-2
=
√1 - 0,491142

(0,49114)(9,43398)
=
√1 - 0,24122
4,63344
=
0,87108
= 5,3192
Interpretasi:
Langkah selanjutnya adalah dengan membandingkan thitung dengan ttabel. Derajat kebebasan (db)
dengan N = 91 adalah 91 - 2 = 89. Pada taraf signifikansi 5% diperoleh nilai ttabel yaitu t(0,05)(89)
= 1,98698 sehingga dapat diketahui bahwa nilai thitung > ttabel. Berarti koefisien korelasi tersebut
signifikan dengan taraf signifikansi 5% dan dapat disimpulkan bahwa terdapat hubungan antara
minat siswa dengan hasil belajar siswa.

Pengujian hipotesis 2:
Berdasarkan tabel 2.1 diketahui bahwa ∑X2 = 5.351, ∑Y = 7.000, ∑X22 = 329.350, ∑Y2 =
539.238, dan ∑X2Y = 413.469.
N ∑ X2 Y- (∑ X2 )( ∑ Y)
ryx1 =
√{N(∑ X22 )-(∑ X2 )2 }{N ∑ Y2 -(∑ Y)2 }

(91) (413.469) - (5.351)(7.000)

=
√{(91)(329.350) - (5.351)2}{(91)(539.238) - 7.0002 }

(37.625.676) - (37.457.955)
=
√{(29.970.892 - (28.634.660)}{(49.070.699) - 49.000.000}

7
 167.721
=
√{1.336.232}{70.699}
166.601
=
√94.469.610.139
166.601
=
307.359
= 0,54569
Untuk menentukan signifikansi hubungan variabel motivasi siswa (X2) dengan hasil belajar
siswa (Y) gunakan rumus (2.4).
r √n-2
t =
√1-r2

0,54569√91-2
=
√1 - 0,545692

(0,54569)(9,43398)
=
√1 - 0,29777
5,14799
=
0,83799
= 6,14325
Interpretasi:
Langkah selanjutnya adalah dengan membandingkan thitung dengan ttabel. Derajat kebebasan (db)
dengan N = 91 adalah 91 - 2 = 89. Pada taraf signifikansi 5% diperoleh nilai ttabel yaitu t(0,05)(89)
= 1,98698 sehingga dapat diketahui bahwa nilai thitung > dari ttabel. Berarti koefisien korelasi
tersebut signifikan dengan taraf signifikansi 5% dan dapat disimpulkan terdapat hubungan
antara motivasi siswa dengan hasil belajar siswa.

Pengujian hipotesis 3:
Berdasarkan tabel 2.1 diketahui bahwa ∑X2 = 5.351, ∑X1 = 5.097, ∑X22 = 329.350, ∑X12 =
303.414, dan ∑X2X1 = 307.066.
N ∑ X2 X1 - (∑ X2 )( ∑ X1 )
rx1x2 =
√{N(∑ X22 )-(∑ X2 )2 }{N ∑ X1 2 -(∑ X1 )2 }

(91) (307.066) - (5.351)(5.097)

=
√{(91)(329.350) - (5.351)2}{(91)(303.414) - 5.0972 }

8
 (27.943.041) - (27.276.714)
=
√{(29.970.892 - (28.634.660)}{(27.610.686) - 25.983.165}
167.721
=
√{1.336.232}{1.627.521}
666.328
=
√2.174.745.213.272

= 666.328
1.474.702
= 0,45184
Untuk menentukan signifikansi hubungan variabel minat siswa (X 1) dengan motivasi siswa
(X2) gunakan rumus (2.4).
r √n-2
t =
√1-r2

0,45184√91-2
=
√1 - 0,451842

(0,45184)(9,43398)
=
√1 - 0,20416
4,26264
=
0,8921
= 4,77821
Interpretasi:
Langkah selanjutnya adalah dengan membandingkan thitung dengan ttabel. Derajat kebebasan (db)
dengan N = 91 adalah 91 - 2 = 89. Pada taraf signifikansi 5% diperoleh nilai ttabel yaitu t(0,05)(89)
= 1,98698 sehingga dapat diketahui bahwa nilai thitung > ttabel. Berarti koefisien korelasi tersebut
signifikan dengan taraf signifikansi 5% dan dapat disimpulkan terdapat hubungan antara minat
siswa dengan motivasi siswa.

Pengujian hipotesis 4:
Berdasarkan tabel 2.1 diketahui bahwa ryx1 = 0,49114, ryx2 = 0,54569, dan rx1x2 = 0,45184.

r2yx1 + r2yx2 - 2ryx1 .ryx2 .rx1x2

Ryx1x2 = √ 1-r2 x1 x2

0,491142 + 0,545692- (2 x 049114 x 0,54569 x 0,45184)

=√
1 - 0,451842

9
 0,53899 - (0,24219)
=√ 0,79584

0,2968
= √ 0,79584

= √ 0,37294
= 0,61069
Untuk menentukan signifikansi hubungan variabel minat siswa (X 1) dan motivasi siswa (X2)
dengan hasil belajar siswa (Y) secara bersama-sama dapat menggunakan rumus (2.6).
R2 /k
F=
(1 - R2 )/(n - k - 1)

0,610692 /2
F=
(1- 0,610692 )/(91 - 2 - 1)
0,37294/2
F=
(0,62706)/(88)
0,18647
F=
0,00713
F = 26,1685

Interpretasi:
Langkah selanjutnya adalah dengan membandingkan Fhitung dengan Ftabel. Derajat kebebasan
(db) dengan N = 91 adalah 91 – 2 -1 = 88. Pada taraf signifikansi 5% diperoleh nilai F(0,05)(2,88)
= 3,10007 sehingga dapat diketahui bahwa nilai Fhitung > ttabel. H0 ditolak dan Ha diterima. Dapat
disimpulkan bahwa terdapat pengaruh yang signifikan pada koefisien korelasi ganda. Pada
taraf signifikansi 5% terdapat hubungan antara minat siswa dan motivasi siswa dengan hasil
belajar siswa.

Setiap variabel memiliki sumbangan kontribusi sesuai dengan besarnya korelasi yaitu:
1. Kontribusi yang disumbangkan oleh variabel X1 dan X2 terhadap Y
KP = R2 . 100% = 0,610692 . 100% = 0,37294 . 100% = 37,294%
2. Kontribusi yang disumbangkan oleh variabel X1 terhadap Y
KP = r2 . 100% = 0,491142 . 100% = 0,241122789 . 100% = 24,1122789%
3. Kontribusi yang disumbangkan oleh variabel X2 terhadap Y
KP = r2 . 100% = 0,545692 . 100% = 0,29777 . 100% = 29,777%

10
Menghitung Korelasi Berganda Menggunakan Ms. Excel
Untuk menghitung koefisien korelasi berganda dapat juga digunakan Ms. Excel. Adapun
cara menghitung koefisien korelasi berganda menggunakan Ms. Excel dapat dilakukan sesuai
langkah-langkah berikut:
a. Input seluruh data pada Ms. Excel
b. Blok data sesuai dengan rumus yang tertera pada kotak f(x) berikut pada kolom dan baris
yang diinginkan

(a)

(b)
Gambar 2. 1 Langkah Pertama (a) dan Kedua (b) dalam
Menentukan Koefisien Korelasi Menggunakan Ms. Excel

Gambar (a) dan (b) di atas menjelaskan rumus untuk menghitung koefisien korelasi antara
variabel X1 dan Y. Terdapat dua formula yang bisa digunakan yaitu =correl( ) atau =
11
pearson( ), dengan mengisikan cell data yang akan dicari korelasinya. Sebagai contoh pada
gambar di atas ingin dicari hubungan X1 dan Y sehingga data yang diblok adalah kolom
yang memuat 𝑋1 dan 𝑌 yaitu B2:B92 dan D2:D92. Begitu juga seterusnya hingga
diperoleh gambar berikut ini:

(c)
Selanjutnya akan diuji signifikasi antara hubungan korelasi 𝑋1 dengan 𝑌, 𝑋2 dan 𝑌 serta
𝑋1 dan 𝑋2 . Sebelumnya kita melihat signifikasi menggunakan pengujian t, sekarang akan
dilihat dengan pengujian menggunakan rhitung dengan rtabel. Langkah yang dapat
dilakukan adalah dengan membandingkan rhitung dengan rtabel.
• Untuk korelasi antara 𝑋1 dan Y
Derajat kebebasan (db) dengan N = 91 adalah 91 - 2 = 89. Pada taraf signifikansi
5% diperoleh nilai rtabel yaitu r(0,05)(89) = 0.1735 sehingga dapat diketahui bahwa
nilai thitung > dari ttabel. Berarti koefisien korelasi tersebut signifikan dengan taraf
signifikansi 5% dan dapat disimpulkan terdapat hubungan antara minat siswa
dengan hasil belajar siswa
• Untuk korelasi antara 𝑋2 dan Y
Derajat kebebasan (db) dengan N = 91 adalah 91 - 2 = 89. Pada taraf signifikansi
5% diperoleh nilai rtabel yaitu r(0,05)(89) = 0.1735 sehingga dapat diketahui bahwa
nilai thitung > dari ttabel. Berarti koefisien korelasi tersebut signifikan dengan taraf
signifikansi 5% dan dapat disimpulkan terdapat hubungan antara motivasi siswa
dengan hasil belajar siswa

12
c. Langkah selanjutnya untuk mencari hubungan simultan kedua variabel independen dengan
variabel dependen adalah memasukkan rumus (2.5) secara manual

(d)

Sehingga diperoleh koefisien korelasi berganda dari data tersebut adalah 0,612762.
Berdasarkan interpretasi angka korelasi menurut Prof. Sugiyono (2007) maka disimpulkan
bahwa terdapat korelasi yang kuat secara simultan antara X1 dan X2 terhadap Y. Taraf
signifikasi 5% dengan jumlah anggota sampel 91 dan 2 variabel bebas, diperoleh
Fhitung=26,45375 dan F2,87=3,101296. Terlihat bahwa Fhitung ≥ Ftabel sehingga terbukti
terdapat pengaruh yang signifikan pada koefisien korelasi ganda.

B. Analisis Regresi Ganda

Analisis regresi dapat diartikan sebagai suatu teknik statistik parametrik yang digunakan
untuk memprediksikan seberapa jauh perubahan nilai variabel dependen saat variabel
independen berubah. Analisis regresi dapat digunakan untuk menarik keputusan apakah
perubahan nilai variabel dapat dilakukan melalui peningkatan variabel independen atau tidak.
Misalnya, untuk mengetahui apakah meningkatnya hasil belajar dapat dilakukan dengan
bertambahnya minat siswa. Analisis regresi dibagi menjadi 2 yaitu linear dan non linear.
Analisis regresi ditandai dengan adanya kesamaan perubahan variasi baik berupa perubahan
(naik-turun) yang terjadi pada kriterium dan predikator. Sedangkan, hubungan non-linier bisa
berbentuk parabolis, logaritmis dan hiperbolis. Akan tetapi, pada chapter ini hanya dibahas
tentang regresi linier sederhana dan analisis regresi linier berganda.

13
 Analisis regresi ganda merupakan suatu teknik statistik yang dapat digunakan untuk
memprediksi hubungan antara satu variabel dependen (criterion) dengan beberapa variabel
independen (predicator). Analisis regresi ganda dapat disebut juga teknik analisis peramalan
hubungan dua variabel atau lebih dengan variabel terikat. Analisis regresi digunakan untuk
membuktikan ada atau tidaknya hubungan fungsional atau hubungan kausal antara dua variabel
bebas (predicator) atau lebih dengan satu variabel terikat (criterium). Dalam regresi linear
berganda terdapat beberapa asumsi klasik yang harus dipenuhi diantaranya yaitu residual
terdistribusi normal, tidak adanya multikolinearitas, tidak adanya heteros-kedastisitas dan tidak
adanya autokorelasi. Secara umum persamaan regresi untuk sejumlah k predicator dapat
dituliskan sebagai berikut:

Y = a + b1X1 + b2X2+ b3X3+ ... + bkXk (2.7)

Keterangan:
Y = nilai/skor kriterion yang diramalkan
a = konstanta
b = koefisien dari prediktor
X1, X2, X3, dst.= nilai/skor prediktor 1, 2, 3, dst

Untuk menganalisis data menggunakan regresi ganda ini perlu dilakukan langkah-langkah
yaitu:
1. Membuat tabel bantuan untuk menghitung angka statistik seperti pada tabel 2.1.
2. Menghitung nilai-nilai a, b1, b2, dst. menggunakan rumus:
(∑ x22 )(∑ x1 𝑦) − (∑ x1 x2 )(∑ x2 𝑦)
b1 =
(∑ x21 )(∑ x22 ) - (∑ x1 x2 )2

(∑ x21 )(∑ x2 𝑦) − (∑ x1 x2 )(∑ x1 𝑦)

b2 =
(∑ x21 )(∑ x22 ) - (∑ x1 x2 )2

( ∑ Y) (∑ X1 ) ( ∑ X2 )
a= - b1 - b2
N N N
dengan langkah-langkah sebagai berikut:
a) Menghitung jumlah dari kuadrat x1 atau ∑ x21 dengan rumus:
2
(∑ 𝑋1 )
∑ x21 = ∑ X21 −
N

b) Menghitung jumlah dari kuadrat x2 atau ∑ x22 dengan rumus:

14
 2
(∑ 𝑋2 )
∑ x22 = ∑ X22 − N

c) Menghitung jumlah dari kuadrat x2 atau ∑ y2 dengan rumus:

2
2 (∑ 𝑌)
∑y =∑𝑌 −
2
𝑁

d) Menghitung jumlah dari kuadrat atau ∑ 𝑥1 𝑦 dengan rumus:

( ∑ X1 )( ∑ Y)
∑ x1 y = ∑ X1 Y -
N
e) Menghitung jumlah dari kuadrat atau ∑ 𝑥2 𝑦 dengan rumus:
( ∑ X2 )( ∑ Y)
∑ x2 y = ∑ X2 Y -
N
f) Menghitung jumlah dari kuadrat atau ∑ 𝑥1 𝑥2 dengan rumus:
( ∑ X1 )( ∑ X2 )
∑ x1 x2 = ∑ X1 X 2 -
N
3. Menghitung nilai R atau Ryx1x2 dengan rumus:
b1 .ryx1 + b2.ryx2
Ryx1x2 = √
∑ y2

4. Menghitung nilai determinan dengan rumus: R2 . 100%

5. Menghitung nilai F dengan rumus:
R2 (N - k - 1)
F=
k(1 - R2 )
6. Membuat kesimpulan.

Dicari persamaan regresi untuk memprediksi perubahan (naik/turun) hasil belajar siswa (Y)
dengan menggunakan minat siswa (X1) dan motivasi siswa (X2) sebagai predikator-
predikatornya. Data yang diperoleh dari hasil pengumpulan data dianggap telah memenuhi
asumsi dan persyaratan analisis yaitu data dipilih secara random, berdistribusi normal. Berpola
linier dan homogen. Lakukan langkah-langkah analisis regresi berganda yaitu:
1. Menghitung jumlah dari kuadrat x1 atau ∑ x21 dengan rumus:
2
(∑ 𝑋1 ) 50922
∑ x21 = ∑ X21 − = 302904 − = 17975,82
N 91

2. Menghitung jumlah dari kuadrat x2 atau ∑ x22 dengan rumus:

2
(∑ 𝑋2 ) 53522
∑ x22 = ∑ X22 − = 329398 − = 14629,82
N 91

3. Menghitung jumlah dari kuadrat x2 atau ∑ y2 dengan rumus:

15
 2
(∑ 𝑌) 70002
∑ y2 = ∑ 𝑌 2 − = 539238,4 − = 776,9067
𝑁 91

4. Menghitung jumlah dari kuadrat atau ∑ 𝑥1 𝑦 dengan rumus:

( ∑ X1 )( ∑ Y)
∑ x1 y = ∑ X1 Y -
N
= 393529,6 − 5092×7000
91
= 1837,332
5. Menghitung jumlah dari kuadrat atau ∑ 𝑥2 𝑦 dengan rumus:
( ∑ X2 )( ∑ Y)
∑ x2 y = ∑ X2 Y -
N
= 413539,27 − 5352×7000
91
= 1846,962
6. Menghitung jumlah dari kuadrat atau ∑ 𝑥1 𝑥2 dengan rumus:
( ∑ X1 )( ∑ X2 )
∑ x1 x2 = ∑ X1 X2 -
N
= 306774 − 5092×5352
91
= 7297,253
7. Menghitung nilai-nilai a, b1, b2, dst. menggunakan rumus:
(∑ x22 )(∑ x1 𝑦) − (∑ x1 x2 )(∑ x2 𝑦)
b1 =
(∑ x21 )(∑ x22 ) - (∑ x1 x2 )2

(14629,82)(1837,332) - (7279,253)(1846,962)
=
(17975,82)(14629,82) - (7297,253)2
= 0,063900683
(∑ x21 )(∑ x2 𝑦) − (∑ x1 x2 )(∑ x1 𝑦)
b2 =
(∑ x21 )(∑ x22 ) - (∑ x1 x2 2 )

(17975,82)(1846,962) - (7279,253)(1837,332)
=
(17975,82)(14629,82) - (7297,253)2
= 0,094373169

( ∑ Y) (∑ X1 ) ( ∑ X2 )
a= - b1 - b2
N N N
7.000 (5.092) (5.352)
a=
91
- 0,0639000683
91
- 0,094373169
91
a = 76,9231 – 3,575595031 – 5,5503868185
a = 67,7971181505
Persamaan regresi gandanya adalah Y = 67,797 + 0,0639X1 + 0,09437X2

8. Menghitung nilai R atau Ryx1x2 dengan rumus:

r2yx1 + r2yx2 - 2ryx1 .ryx2 .rx1x2

Ryx1x2 = √ 1-r2 x1 x2

16
 2
=√
0,49114 + 0,545692- (2 x 049114 x 0,54569 x 0,45184)
2
1 - 0,45184

0,53899 - (0,24219)
=√ 0,79584

0,2968
= √ 0,79584

= √ 0,37294
= 0,61069
9. Menghitung nilai determinan dengan rumus: R2 . 100%
(Ryx1x2)2 . 100% = (0,61069)2 . 100% = 0,37294 . 100%
= 37,294%
10. Menghitung nilai F dengan rumus:

0,610692 (91 - 2 - 1)
F=
2 (1 - 0,610692 )

0,610692 (88)
F=
2 (1 - 0,610692 )

32,8189203
F=
1,254115448

F = 26,169

11. Membuat kesimpulan

Diperoleh nilai Fhitung sebesar 26,169 Ftabel = F(0,05)(2,88) = 3,1007. Nilai F hitung > F
tabel sehingga dapat disimpulkan bahwa persamaan regresi
Y = 67,797 + 0,0639X1 + 0,09437X2
merupakan persamaan regresi yang signifikan atau dapat digunakan untuk memprediksi
peningkatan atau penurunan hasil belajar siswa (Y) berdasarkan peningkatan atau
penurunan vaariabel minat siswa dan motivasi siswa. Berdasarkan koefisien
determinasi (R2) sebesar 0,61069 dapat diartikan bahwa 37,294% perubahan yang
terjadi pada variabel hasil belajar siswa (Y) disebabkan oleh pengaruh dari variabel
minat siswa (X1) dan variabel motivasi siswa (X2) secara bersama-sama, sedangkan
sisanya disebabkan oleh pengaruh lain variabel yang tidak diteliti dalam penelitian ini.

17
 Menggunakan Ms. Excel juga dapat kita lakukan penentuan persamaan regresi ganda.
Adapun langkah-langkah penentuan persamaan regresinya dapat dilakukan sebagai berikut:
a. Input seluruh data pada Ms Excel
b. Klik menu data, lalu pilih sub menu data analysis (bila belum ada, install dengan cara
klik file>option>add-ins>go>checklist tool lalu ceklis sesuai dengan kebutuhan lalu ok),
selanjutnya pilih regression:

1. Isilah pada kotak dialog data analysis sesuai dengan posisi data lalu klik Ok

18
 2. Susun persamaan regresi berdasarkan masing-masing variabel
Terlihat dari gambar diatas bahwa koefisien untuk minat belajar adalah 0.064, untuk
motivasi belajar adalah 0.094 dan nilai konstantanya adalah 67.80. Sehingga dapat
kita buat menjadi persamaan
𝑦 = 0.064 x1 + 0.094x2 + 67.80 (12)
Contoh Kasus 2
Dikutip data yang bersumber Sulistyono (2017), diperoleh data terkait dengan harga bahan
baku, jumlah tenaga kerja dan total produksi perbulannya dari suatu perusahaan selama 11
bulan. Data dapat dilihat pada Tabel 2. Langkah penyelesaian:
a. Input seluruh data pada Ms Excel
b. Klik menu data, lalu pilih sub menu data analysis (bila belum ada, install dengan
cara klik file>option>add-ins>go>checklist tool lalu ceklis sesuai dengan
kebutuhan lalu ok), selanjutnya pilih regression:

3. Isilah pada kotak dialog data analysis sesuai dengan posisi data lalu klik Ok

19
 4. Susun persamaan regresi berdasarkan masing-masing variabel
Terlihat dari gambar diatas bahwa koefisien untuk kerusakan mesin adalah 52,0061,
untuk jumlah tenaga kerja adalah −3,1066 dan nilai konstantanya adalah 433,7427.
Sehingga dapat kita buat menjadi persamaan
𝑦 = 52,0061x1 − 3,1066x2 + 433,7427 (13)

C. Menghitung Korelasi dan Regresi Berganda dengan SPSS

Pada analisis regresi linear berganda maka persyaratan statistic yang harus
dipenuhi adalah Uji asumsi klasik. Untuk memastikan bahwa model regresi yang
diperoleh merupakan model yang terbaik, dalam hal ketepatan estimasi, tidak bias, serta
konsisten, maka perlu dilakukan pengujian asumsi klasik. Uji asumsi klasik untuk
memastikan persamaan regresi yang difungsikan tepat dan valid. Sebelum melakukan
analisa regresi berganda dan pengujian hipotesis, maka harus melakukan beberapa uji
asumsi klasik yang bertujuan untuk mengetahui apakah model regresi yang digunakan
sudah terbebas dari penyimpangan asumsi dan memenuhi ketentuan untuk mendaoatkan
linier yang baik. Pengujian asumsi klasik terdiri dari uji normalitas, uji multikolinearitas,
uji auto korelasi dan uji heteroskedastisitas.

20
 Langkah uji statistik klasik:
1. Buka program SPSS
2. Klik sheet variable view, berikan nama label Minat sebagai variabel X1, label
Motivasi sebagai X2 sebagai Motivasi dan Y sebagai hasil belajar

3. Entri data hasil angket/ kuestioner dan juga hasil belajar siswa pada sheet data view

21
4. Dari menu utama SPSS, pilih klik
Analyze → Regression → Linear.
Maka akan muncul kotak dialog
Linear Regression

5. Masukkan variabel Hasil Belajar

(Y) pada kolom Dependent dan
Minat (X1) dan Motivasi (X2)
pada Independents

6. Klik tombol Statistics dan tandai

pada kotak Estimates,Model Fit,
dan R squared change, lalu klik
Continue, selanjutnya klik OK

22
7. Klik tombol Plot dan masukkan
ZPRED dan ZRESID pada kolom
seperti di bawah. Centang
Histogram dan normal Probability
Plot dan kemudian klik Continue

8. Klik Save. Kemudian centang

Unstandardized pada residuals
dilanjut klik tombol Continue

9. Klik OK

OUTPUT UJI STATISTIK KLASIK

Untuk Uji Multikolinearitas

Ada dua jenis hasil yang bisa didapat dengan melihat nilai VIF (Variance Inflation
Factor), yaitu terjadi multikolinearitas dan tidak ada multikolinearitas. Data dianggap
tidak memiliki multikolinearitas apabila nilai VIF-nya lebih kecil dari 10,00.

23
 Sebaliknya, data terjadi multikolinearitas jika nilai VIF sama dengan atau lebih besar
dari 10,00. Sama seperti membaca nilai VIF, saat membaca nilai Tolerance pun ada
dua macam. Jika nilai Tolerance lebih dari 0,10, maka data tersebut tidak terjadi
multikolinearitas. Jika nilainya sama dengan 0,10 atau lebih besar, maka dalam data
tersebut terjadi multikolinearitas.
Berdasarkan table Coeffisients diperoleh Nilai Tolerance sebesar pada variabel Minat
(X1) = 0.798 dan begitupula dengan variabel Motivasi (X2). Nilai VIF pada variabel
Minat (X1) = 1.254 dan begitupula dengan variabel Motivasi (X2).
Nilai Tolerence , 0.756 > 0.10; maka tidak terjadi multikolinearitas
Nilai VIF, 1.324 < 10,00 ; maka tidak terjadi multikolinearitas

Uji Normalitas dengan grafik histogram dan P-P Plot

Untuk pengujian data distribusi normal akan melihat denggunakan hasil output
histogram dan juga P-Plot SPSS melalui persebaran data (titik) pada sumbu diagonal
dan dari grafik histogram dari residualnya.
1. Data dikatakan berdistribusi normal, jika data menyebar di sekitar garis diagonal
dan mengikuti arah garis diagonal atau grafik histogramnya
2. Sebaliknya data dikatakan tidak berdistribusi normal jika data menyebar jauh dari
arah garis atau tidak mengikuti diagonal atau garis histogram

OUTPUT

Data yang ditampilkan pada grafik plot dan grafik histogram. Pada gambar P-Plot terlihat titik-
titik tersebar mengikuti dan mendekati garis diagonal sedangkan pada grafik histogram

24
memberikan pola distribusi yang hampir membentuk lonceng yang artinya model regresi
memenuhi asumsi normal atau data berdistribusi normal.
Uji normalitas juga dapat dilakukan dengan uji
normalitas Kolmogorov Smirnov dengan
menggunakan SPSS. Klik Analyze →
Nonparametic Test→ Legacy → 1 sample-K →
input Undstandardized pada Table Variable
List → centang Normal lanjutkan Klik OK
Dasar Pengambilan Keputusan
1. Data berdistribusi normal, jika nilai Sig >
0.05
2. Data berdistribusi tidak normal, jika nilai Sig < 0.05
Berdasarkan hasil uji normalitas dengan Kolmogorov Smirnov diperoleh nilai Sig
sebesar 0.013< 0.05; maka data berdistribusi tidak normal.
Jika terjadi hal demikian maka kita akan menggunakan transformasi data. Adapun
caranya sebagai berikut:
1. Klik Transform → Comppute variable

2. Pada Target Variable kita menuliskan nama

untuk hasil l tiap variabel misal variabel X1
dengan lgX1. Setelah itu memasukkan numeric
expression dengan rumus Lg10(X1) dengan
memasukkan variabel Minat (X1). Kemudian
Klik OK. (Hal ini dilakukan untuk semua
variabel)

25
3. Maka akan mendapatkan output pada tabel
seperti pada gambar.

4. Kemudian kita akan membuat residual dari

hasil Lg10 tiap variabel seperti halnya uji
test Kolmogorov Smirnov. Dengan LgX1
dan LgX2 sebagai independent variabel dan
Y sebagai dependent variabel.

5. Dilanjutkan test Kolmogorov

Smirnov dan output
dihasilkan.
Berdasarkan hasil uji normalitas
dengan Kolmogorov Smirnov
diperoleh nilai Sig sebesar 0.074
> 0.05; maka data berdistribusi
normal.

26
Uji Heteroskedastisitas
Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
heteroskedastisitas. Apabila varian berbeda, disebut heteroskedastisitas. Uji
heteroskedastisitas dilakukan pada model regresi untuk menguji apakah terdapat
ketidaksamaan varians dari residual pada suatu pengamatan ke pengamatan lainnya. Uji
heteroskedastisitas dilakukan dengan tujuan untuk menguji apakah terdapat
ketidaksamaan variance maupun residual dari suatu pengamatan ke pengamatan
lainnya. Uji heteroskedastisitas dilakukan untuk mengetahui apakah pada suatu model
regresi terjadi ketidaknyamanan varian dari residual pada satu pengamatan terhadap
pengamatan lainnya.
Pengujian heteroskedastisitas dapat dilakukan dengan menggunakan
grafik Scatterplot atau dari nilai prediksi variabel terikat yaitu SRESID dengan residual
error yaitu ZPRED. Dasar pengambilan keputusan sebagai berikut :
1. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk pola
tertentu yang teratur (bergelombang, melebar kemudian menyempit),
maka mengindikasikan bahwa terjadi heteroskedastisitas.
2. Jika tidak terdapat pola yang jelas, maupun titik-titik yang menyebar di
atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi
heteroskedastisitas
Output SPSS

Dari grafik Scatterplot, titik-titik tersebar secara acak baik yang berada di atas dan
di bawah sumbu Y dan tidak terjadi pola yang jelas sehingga dapat disimpulkan tidak
terjadi heteroskedastisitas.

27
 Menafsirkan perhitungan Korelasi Ganda dan Regresi Berganda
Langkah perhitungan korelasi ganda melalui program SPSS, sama hal nya dengan
yang telah dilaksanakan pada pengujian uji statistik klasik, sebagai berikut:
1. Buka file data yang sudah dientrikan pada program SPSS
2. Dari menu utama SPSS, pilih klik Analyze → Regression → Linear. Maka akan
muncul kotak dialog Linear Regression
3. Masukkan variabel Hasil Belajar (Y) pada kolom Dependent dan Minat (X1),
Motivasi (X2) pada Independents
4. Klik tombol Statistics dan tandai pada kotak Estimates,Model Fit, dan R squared
change, lalu klik Continue, selanjutnya klik OK
5. Maka akan muncul hasil beberapa hasil output dan salah satunya tabel Model
Summary

Jika nilai sig <0.05;

maka variabel berkorelasi

Jika nilai sig >0.05;

maka variabel tidak berkorelasi

Karena nilai sig = 0.000 < 0.05;

maka variable X1 dan x2 berkorelasi dengan

variabel Y

Berdasarkan table Model Summary diketahui bahwa besarnya hubungan antara minat
dan motivasi secara bersamaan terhadap hasil belajar yang dihitung dengan koefisien
korelasi adalah 0.613, hal ini menunjukaan pengaruh yang kuat. Sedangkan kontribusi
atau sumbangan secara simultan variabel minat dan motivasi terhadap hasil belajar
adalah 37.5% sedangkan 62.5% ditentukan oleh variabel lain.
Selanjutnya akan dilihat apakah terdapat pengaruh yang signifikan pada koefisien
korelasi ganda. Berdasarkan tabel output di atas, diketahui nilai F hitung adalah 26.454.
Karena nilai F hitung 26.454 > F tabel yaitu 3.10, maka sebagaimana dasar pengambilan

28
 keputusan dalam uji F dapat disimpulkan bahwa minat (X 1) dan motivasi (X2) secara
simultan berpengaruh terhadap prestasi (Y).
Langkah untuk pembuatan model regresi (Buka hasil output Coefficients)

Dari table di atas di peroleh

Constant = 67.797 Y = Constant+koefisien Minat+Koefisien Motivasi
Minat = 0.064
Y = 67.797+ 0.064 X1 + 0.094 X2
Motivasi = 0.094

KASUS DUA No X1 X2 Y
Kerusakan Mesin (X1) 1 24 48 1390
Banyaknya pekerja (X2) 2 20 24 1217
Jumlah Produksi (Y) 3 27 50 2058
4 23 38 1165
5 23 55 1409
6 24 60 1383
7 13 24 1076
8 25 43 1259
9 28 66 1627
10 25 60 1682
11 22 36 2149

29
1. Untuk alur memasukkan data sama
dengan kasus pertama
2. Hasil entri data Kerusakan mesin sebagai
variabel X1, Jumlah Pekerja sebagai X2
dan Jumlah Produksi sebagai Y

3. Dari menu utama SPSS, pilih klik Analyze

→ Regression → Linear. Maka akan
muncul kotak dialog Linear Regression

4. Masukkan variabel Hasil Belajar (Y) pada

kolom Dependent dan Minat (X1) dan
Motivasi (X2) pada Independents

30
5. Klik tombol Statistics dan tandai pada
kotak Estimates,Model Fit, dan R squared
change, lalu klik Continue, selanjutnya
klik OK

6. Klik tombol Plot dan masukkan ZPRED

dan ZRESID pada kolom seperti di bawah.
Centang Histogram dan normal
Probability Plot dan kemudian klik
Continue

7. Klik Save. Kemudian centang Unstandardized

pada residuals dilanjut klik tombol Continue

8. Klik OK

31
OUTPUT UJI STATISTIK KLASIK

Untuk Uji Multikolinearitas

Ada dua jenis hasil yang bisa didapat dengan melihat nilai VIF (Variance Inflation
Factor), yaitu terjadi multikolinearitas dan tidak ada multikolinearitas. Data dianggap
tidak memiliki multikolinearitas apabila nilai VIF-nya lebih kecil dari 10,00.
Sebaliknya, data terjadi multikolinearitas jika nilai VIF sama dengan atau lebih besar
dari 10,00. Sama seperti membaca nilai VIF, saat membaca nilai Tolerance pun ada
dua macam. Jika nilai Tolerance lebih dari 0,10, maka data tersebut tidak terjadi
multikolinearitas. Jika nilainya sama dengan 0,10 atau lebih besar, maka dalam data
tersebut terjadi multikolinearitas.
Berdasarkan table Coeffisients diperoleh Nilai Tolerance sebesar pada variabel Jumlah
kerusakan (X1) = 0.756 dan begitupula dengan variabel Banyak pekerja (X2). Nilai VIF
pada variabel jumlah kerusakan (X1) = 1.324 dan begitupula dengan variabel banyak
pekerja (X2).
Nilai Tolerence , 0.381 > 0.10; maka tidak terjadi multikolinearitas
Nilai VIF, 2.627 < 10,00; maka tidak terjadi multikolinearitas

Uji Normalitas dengan grafik histogram dan P-P Plot

Untuk pengujian data distribusi normal akan melihat denggunakan hasil output
histogram dan juga P-Plot SPSS melalui persebaran data (titik) pada sumbu diagonal
dan dari grafik histogram dari residualnya.
1. Data dikatakan berdistribusi normal, jika data menyebar di sekitar garis diagonal
dan mengikuti arah garis diagonal atau grafik histogramnya
2. Sebaliknya data dikatakan tidak berdistribusi normal jika data menyebar jauh dari
arah garis atau tidak mengikuti diagonal atau garis histogram

32
 OUTPUT

Data yang ditampilkan pada grafik plot dan grafik histogram. Pada gambar P-Plot
terlihat titik-titik tersebar mengikuti dan mendekati garis diagonal sedangkan pada
grafik histogram memberikan pola distribusi yang hampir membentuk lonceng yang
artinya model regresi memenuhi asumsi normal atau data berdistribusi normal.
Uji normalitas juga dapat dilakukan dengan uji normalitas Kolmogorov Smirnov dengan
menggunakan SPSS. Klik Analyze → Nonparametic Test→ Legacy → 1 sample-K →
input Undstandardized pada Table Variable List → centang Normal lanjutkan Klik OK

Dasar Pengambilan Keputusan

1. Data berdistribusi normal, jika nilai Sig > 0.05
2. Data berdistribusi tidak normal, jika nilai Sig < 0.05
Berdasarkan hasil uji normalitas dengan Kolmogorov Smirnov diperoleh nilai Sig
sebesar 0.200 > 0.05; maka data berdistribusi normal.
33
Uji Heteroskedastisitas
Pengujian heteroskedastisitas dapat dilakukan dengan menggunakan :
Grafik Scatterplot atau dari nilai prediksi variabel terikat yaitu ZRESID dengan residual
error yaitu ZPRED. Dasar pengambilan keputusan sebagai berikut :
1. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang
teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan
bahwa terjadi heteroskedastisitas.
2. Jika tidak terdapat pola yang jelas, maupun titik-titik yang menyebar di atas dan di
bawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas
Output SPSS

Dari grafik Scatterplot, titik-titik tersebar secara acak baik yang berada di atas dan di
bawah sumbu Y dan tidak terjadi pola yang jelas sehingga dapat disimpulkan tidak terjadi
heteroskedastisitas.

Menafsirkan perhitungan Korelasi Ganda dan Regresi Berganda

Langkah perhitungan korelasi ganda melalui program SPSS, sama hal nya dengan yang
telah dilaksanakn pada pengujian uji statistik klasik, sebagai berikut:
1. Buka file data yang sudah dientrikan pada program SPSS
2. Dari menu utama SPSS, pilih klik Analyze → Regression → Linear. Maka akan
muncul kotak dialog Linear Regression
3. Masukkan variabel Jumlah produksi (Y) pada kolom Dependent dan Jumlah
kerusakan(X1) dan Banyak pekerja (X2) pada Independents
4. Klik tombol Statistics dan tandai pada kotak Estimates,Model Fit, dan R squared
change, lalu klik Continue, selanjutnya klik OK
34
5. Maka akan muncul hasil beberapa hasil output dan salah satunya tabel Model
Summary

Jika nilai sig <0.05;

maka variabel berkorelasi
Jika nilai sig >0.05;
maka variabel tidak berkorelasi
Karena nilai sig = 0.000 < 0.05;
maka variable X1 dan x2 berkorelasi dengan
variabel Y

Berdasarkan table Model Summary diketahui bahwa besarnya hubungan antara jumlah
kerusakan dan banyak pekerja secara bersamaan terhadap jumlah produksi yang
dihitung dengan koefisien korelasi adalah 0.498, hal ini menunjukaan pengaruh yang
Cukup. Sedangkan kontribusi atau sumbangan secara simultan variabel minat dan
motivasi terhadap hasil belajar adalah 24.8% sedangkan 75.2% ditentukan oleh variabel
lain.
Selanjutnya akan dilihat apakah terdapat pengaruh yang signifikan pada koefisien
korelasi ganda. Berdasarkan tabel output di atas, diketahui nilai F hitung adalah 1.322.
Karena nilai F hitung 1.322< Ftabel yaitu 3.982, maka sebagaimana dasar pengambilan
keputusan dalam uji F dapat disimpulkan bahwa bahwa jumlah kerusakan (X 1) dan
banyak pekerja (X2) secara simultan tidak berpengaruh terhadap hasil produksi (Y).
Langkah untuk pembuatan model regresi (Buka hasil output Coefficients)

35
Dari table di atas di peroleh
Constant = 433.743 Y = Constant+koefisien Minat+Koefisien Motivasi
Minat = 52.006 Y = 433.743+ 52.006 X1 – 3.107 X2
Motivasi = -3.107

36
 DAFTAR PUSTAKA
tersedia melalui link: http://repository.usd.ac.id/35065/2/151414071_full.pdf).
Ratiningrum, Fajar. 2015. Korelasi Antara Minat Dan Motivasi Belajar Siswa Laki-Laki Dalam
Pembelajar Seni Tari Terhadap Hasil Belajar Siswa di SMPN 1 Jogonalan Klaten. Skripsi
: Universitas Negeri Yogyakarta
Sulistyono dan Wiwik Sulistiyowati. 2017. Peramalan Produksi dengan Metode Regresi Linier
Berganda. Prozima Vol 1 No 2. http://doi.org/10.21070/prozima.v1i2.1350

37
 HASIL DISKUSI

Ahmad Dzulfikar
Pertanyaan:
1. Apakah harus dilakukan Uji statistik klasik? Kenapa?
2. Data yg digunakan ketika tidak normal, apakah data yg sudah ditransform atau yg blm
ditransform?
Jawaban:
1. harus dilaksanakan uji stat klasik karena syarat untuk data ganda harus memenuhi
keempat uji stat klasik
2. Data yg sudah ditransform menggunakan residual

Muhamad Soeleman
Pertanyaan:
1. Berikan contoh uji stat klasik menggunakan SPSS?
2. Apakah ada korelasi antara r hitung dengan jumlah data sehingga menjadi signifikan
3. Bagaimana cara menormalkan data yang tidak normal?
4. apakah yg dimaksud multikolinearitas?
Jawaban:
1. Disimulasikan di layar
2. Ada, karena jika melihat rumus jelas bahwa jumlah N mempengaruhi
3. Dengan outlier atau transform
4. Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak
terjadi korelasi di antara variabel bebas. Jika variabel bebas saling berkorelasi, maka
variabel-variabel ini tidak ortogonal

Lina Nurhayati
Pertanyaan:
1. Data yang digunakan yang seperti apa?
2. Bagaimana cara nengkonversi variabel minat?
3. Apakah berbeda hasilnya antara konversi dan yang tidak dikonversi?

Jawaban:
1. Data bentuk skala
2. Jumlah skor perolehan/ jumlah skor max × 100
3. Sama persis, tidak ada bedanya seperti yg diperlihatkan pada contoh spss

Muh. Khaedir Lutfi

Pertanyaan:
1. Apa variabel bisa berdiri sendiri bukan rxy , tetapi rx1 atau rx2 ?
Jawaban:
1. Bisa seperti contoh yg sudah dijelaskan kelompok kami baik manual maupun excel,
nampak jelas rx1, rx2 yang berdiri sendiri

38
Toni Hidayat
Pertanyaan:
1. Apakah bs menentukan langsung arah korelasi misal dari 2 nilai korelasi parsial antara
variabel bebas secara simultan?
2. Apakah bisa kita membuat korelasi antara 2 variabel terikat dan 1 var bebas?
Jawaban:
1. Bisa. Semakin kecil korelasi parsial antara variabel bebas, variabel terikat akan semakin
besar dan sebaliknya
2. Untuk korelasi berganda tidak bisa

Enjun
Pertanyaan:
1. manakah data yg digunakan untuk uji korelasi dan regresi, sebelum atau sesudah
penelitian?
Jawaban:
1. sesudah penelitian

Trinova
Pertanyaan:
1. Bagaimana cara u/membedakan korelasi berganda atau regresi berganda?
Jawaban:
1. Korelasi digunakan untuk mengetahui apakah ada hubungan antara variabel bebas dan
terikat baik secara parsial maupun simultan. Sedangkan, regresi berganda adalah
sebuah langkah peramalan yang melibatkan beberapa variabel bebas yang
mempengaruhi variabel terikat.

39