PLA – 209 Metode Analisis Perencanaan

PLA – 209 Metode Analisis Perencanaan

BAB III
GAMBARAN UMUM

IPK (Indeks Prestasi Komulatif) merupakan ukuran kemampuan mahasiswa sampai pada
periode tertentu yang dihitung berdasarkan jumlah SKS yang telah ditempuh. Ukuran nilai
tersebut akan dikalikan dengan nilai bobot mata kuliah kemudian dibagi dengan jumlah SKS
mata kuliah yang diambilpada periode tersebut.

Selain pengaruh-pengaruh di atas, terdapat juga variabel-variabel yang mempengaruhi

IPK seperti:

 Jumlah SKS
 Jam Kuliah
 Jam Belajar (Di luar jam kuliah)
 Jam Tidur

Dalam pengumpulan data, kami melakukan survey kecil-kecilan kepada beberapa

mahasiswa yang kuliah di beberapa universitas berbeda di Kota Bandung. Berikut datanya:

Nama Jumlah SKS Jam Kuliah Jam Belajar Jam Tidur IPK
Aditya 19 76 1 5 2.50
Zaenal 19 76 1 5 2.40
Aldi 22 88 2 6 2.70
Arif 24 96 2 7 3.50
Pratiwi 20 80 1 7 2.90
Luthfi 22 80 1 5 2.70
Aulia 21 84 1 5 2.50
Naufal 19 76 2 4 2.40
Yoga 24 96 1 7 3.20
Angga 24 96 2 4 3.40
Rio 19 76 1 5 2.40
Ilham 22 88 2 6 2.90
PLA – 209 Metode Analisis Perencanaan

Fawwazh 19 76 1 4 3.10
Adnan 22 88 1 6 2.80
Alva 22 88 2 7 2.70
 PLA – 209 Metode Analisis Perencanaan

BAB IV
ANALISIS REGRESI

4.1 Analisis Regresi

Analisis regresi berganda merupakan teknik statistik yang dapat digunakan untuk
menganalisis hubungan antara satu variable terikat (variable dependent/variable keriterian
= Y) dengan beberapa variable bebas/independen/predictor (X1, X2, X3,…Xn).

4.1.1 Langkah Pertama

Coefficientsa

Standardize
Unstandardized Coefficients d 95% Confidence Interval for B
Coefficients
Model t Sig.
B Std. Error Beta Lower Bound Upper Bound

1 (Constant) -.263 .827 -.318 .757 -2.105 1.579

Jumlah SKS .007 .145 .036 .046 .964 -.317 .330

Jam Kuliah .039 .038 .843 1.013 .335 -.047 .125

Jam Belajar -.075 .169 -.106 -.445 .666 -.452 .301

Jam Tidur -.045 .077 -.141 -.589 .569 -.216 .126

a. Dependent Variable: IPK Mahasiswa

Dari table diatas diperoleh informasi bahwa taksiran nilai parameter dari regresi libier berganda
dengan hubungan X mempengaruhi Y adalah :

b0 : -.263 b3 : -.075

b1 : .007 b4 : -.045

b2 : .039

sehingga modeltaksiran regresi linier berganda adalah

y= -(263)-007x + 039 x – (-075) + (-045)

PLA – 209 Metode Analisis Perencanaan

Maka selanjutnya pengujian parameter regresi linier berganda, dengan melihat nilai
signifikansinya
Bila : H0 : bx = 0 Ket : x merupakan parameter ke
H1 : bx ≠ 0
Pengujian parameter b0 (nilai parameter konstanta regresi linier berganda) adalah :
1. Nilai signifikansi b0 (.757) dengan nilai α=5%. Nilai signifikansi (.757)> α(0.05) maka h 0
diterima yang berarti nilai koef. b tidak memperngaruhi nilai taksiran Y dalam analisis
regresi linier berganda.

Pengujian parameter b1 (nilai parameter x regresi linier berganda) adalah :

2. Nilai signifikansi b1 (.964) dengan nilai α=5%. Nilai signifikansi (.964)> α(0.05) maka h 0
diterima yang berarti nilai koef. b1 tidak memperngaruhi nilai taksiran Y dalam analisis
regresi linier berganda.

Pengujian parameter b2 (nilai parameter x2 regresi linier berganda) adalah :

3. Nilai signifikansi b2 (.335) dengan nilai α=5%. Nilai signifikansi (.335)> α(0.05) maka
h0 diterima yang berarti nilai koef. b2 tidak memperngaruhi nilai taksiran Y dalam
analisis regresi linier berganda.

Pengujian parameter b3 (nilai parameter x3 regresi linier berganda) adalah :

4. Nilai signifikansi b3 (.666) dengan nilai α=5%. Nilai signifikansi (.666)< α(0.05) maka h 0
ditolak yang berarti nilai koef. b3 memperngaruhi nilai taksiran Y dalam analisis regresi
linier berganda.

Pengujian parameter b4 (nilai parameter x4 regresi linier berganda) adalah :

5. Nilai signifikansi b4 (.569) dengan nilai α=5%. Nilai signifikansi (.569)< α(0.05) maka h 0
diterima yang berarti nilai koef. b4 tidak memperngaruhi nilai taksiran Y dalam analisis
regresi linier berganda..
 PLA – 209 Metode Analisis Perencanaan

4.1.2 Langkah Kedua

Selanjutnya yang dapat digunakanuntuk menugji kelinieran persamaan regresi

berganda adalah menguji signifikasi adri kelinieran model regresi yang terbentuk
(permasalahan b) dengan table ANOVA :

ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1.069 4 .267 3.60 .045a
Residual .741 10 .074 6
Total 1.809 14
a. Predictors: (Constant), Jam Tidur, Jam Belajar, Jumlah SKS, Jam Kuliah
b. Dependent Variable: IPK Mahasiswa

Dengan menggunakan α=5%. Maka langkah-langkah dari pengujian signifikansi model

regresi linier berganda adalah :

Bila H0 : Y tidak memiliki hubungan linier dengan x, x2, x3, x4 dan x5

H1 : Y memiliki hubungan linier dengan x, x2, x3, x4 dan x5

Perbandingan nilai signifikansi (.000) dengan α=5%. Nilai sig (.000) < α (0.005) maka H 0 ditolak,
hal tersebut mengartikan Y memiliki hubungan linier dengan x, x2, x3, x4 dan x5.

Untuk menjawab permasalahan c, kita dapat memperhatikan tabel model summary, sebagai
berikut :

Model Summary

Adjusted Std. Error of the

Model R R Square R Estimate
Square

1 .768a .591 .427 .2721

7

a. Predictors: (Constant), Jam Tidur, Jam Belajar, Jumlah SKS, Jam

Kuliah
PLA – 209 Metode Analisis Perencanaan

Untuk mengetahui seberapa besar kualitas model regresi linier berganda yang terbentuk,
perhatikan nilai koefien determinasi (R Square) = 59%. Nilai tersebut menunjukan informasi
bahwa 59% nilai dari besarnya alih fungsi lahan pertanian telah dapat dijelaskan oleh data
produktivitas pertanian, jumlah industry, kebutuhan tempat tinggal, jumlah tenaga kerja sector
pertanian dan aksesibilitas. Sedangkan sisanya 41% informasi mengenai besarnya alih fungsi
lahan pertanian, belum dapat dijelaskan oleh variabel-variabel bebas tersebut.

Sedangkan untuk melihat ada atau tidaknya multikolinieritas yang terjadi anatar variabel
bebas dapat dilihat dari tabel koefisien korelasi.

Coefficient Correlationsa

Model Jam Tidur Jam Belajar Jumlah SKS Jam Kuliah

1 Correlations Jam Tidur 1.000 .200 .098 -.262

Jam Belajar .200 1.000 .183 -.332

Jumlah SKS .098 .183 1.000 -.946

Jam Kuliah -.262 -.332 -.946 1.000

Covariances Jam Tidur .006 .003 .001 .000

Jam Belajar .003 .029 .005 -.002

Jumlah SKS .001 .005 .021 -.005

Jam Kuliah .000 -.002 -.005 .001

a. Dependent Variable: IPK Mahasiswa

Berdasarkan tabel diatas dapat diketahui bahwa antar variabel bebas tidak terjadi
multikolinieritas (tidak saling berhubungan). Hal ini dapat dilihat dari nilai korelasi antar
variabel bebas yang rendah (kurang dari 0.7)
PLA – 209 Metode Analisis Perencanaan

BAB V
KESIMPULAN

Untuk mengetahui seberapa besar kualitas model regresi linier berganda yang terbentuk
dilihat dari tabel Coefficients, tabel ANOVA, tabel Model Summary dan Coefficient
Correlations. Dari data tersebut menunjukan informasi bahwa 59% mahasiswa yang ber IPK
tinggi dijelaskan oleh data Jam Tidur, Jam Belajar, Jumlah SKS dan Jam kuliah, sedangkan
sisanya 41% data mengenai mahasiswa yang memiliki IPK dibawah rata – rata.