ANALISIS REGRESI
Disusun Oleh :
Azizah Saswandila
NIM: 19029075
JURUSAN MATEMATIKA
2021
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan yang Maha Esa karena berkat
rahmat dan anugerah-Nya yang memberikan kesehatan dan nikmat kepada penulis sehingga
laporan ini dapat diselesaikan dengan baik sesuai dengan waktu yang direncanakan. Laporan
ini berisikan pembahasan tentang proses pengolahan data dengan menggunakan software
Minitab. Laporan ini disusun untuk memenuhi tugas pada mata kuliah Analisis Regresi.
Dalam kesempatan ini, penulis mengucapkan banyak terima kasih kepada Ibu Dra.
Helma, M.Si yang telah membimbing dan mengajari penulis dalam pembuatan laporan ini.
Penulis juga berterima kasih kepada teman-teman yang telah banyak memberikan dukungan
dari awal hingga selesainya penulisan laporan ini.
Penulis telah berupaya dengan semaksimal mungkin dalam penyelesaian laporan ini.
Namun penulis menyadari masih banyak kelemahan baik dari segi isi maupun tata bahasa,
untuk itu penulis mengharapkan saran dan kritik yang bersifat membangun dari pembaca
demi sempurnanya laporan ini. Kiranya isi laporan ini dapat bermanfaat dalam memperkaya
khasanah ilmu pendidikan.
Penulis
BAB I
PENDAHULUAN
A. Latar Belakang
Analisis regresi adalah analisis statistika yang sering digunakan dalam segala bidang
ilmu pengetahuan. Analisis ini bertujuan untuk memodelkan hubungan antara dua jenis
variabel yaitu variabel tak bebas dengan satu atau lebih variabel bebas dalam
suatu sistem. Hubungan antara variabel-variabel tersebut dinyatakan dalam suatu model
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu
dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear
berganda dengan beberapa variabel bebas dan satu buah variabel terikat. Analisis regresi
linear merupakan metode statistik yang paling jamak dipergunakan dalam penelitian-
penelitian sosial, terutama penelitian ekonomi. Program komputer yang paling banyak
digunakan adalah SPSS (Statistical Package For Service Solutions).
B. Tujuan
Laporan ini bertujuan untuk melakukan proses pengolahan data dalam membuat
model regresi untuk membentuk model terbaik dengan menggunakan software Minitab.
BAB II
Pada bagian ini membahas proses pengolahan data dalam membentuk model regresi
dengan menggunakan software Minitab.
Proses pengolahan data tersebut dengan menggunakan software Minitab akan diuraikan
sebagai berikut:
Apakah pencaran
titik kira-kira
Baris Kolom Kesimpulan
membentuk
garis?
Model regresi linear berganda merupakan suatu model regresi yang memuat lebih dari
satu variabel regressor. Model regresi linear berganda dengan k regressor adalah
Model Summary
S R-sq R-sq(adj) R-
sq(pred)
16.777 20.63% 0.00% 0.00%
3
Coefficients
Regression Equation
() ( )
y1 x 11 x 12 x 13 x 14 x 15
y2 x 21 x 22 x 23 x 24 x 25
y= y 3 dan x= x 31 x 32 x 33 x 34 x 35
y4 x 41 x 42 x 43 x 44 x 45
y5 x 51 x 52 x 53 x 54 x 55
−1
b=( x x ) (x y)
t t
Term Coef
Constant 12.5
x1 0.092
x2 0.266
x3 0.069
x4 -0.338
x5 0.581
Hal ini berarti,
b0 12.5
b1 0.092
b2 0.266
b3 0.069
b4 -0.338
b5 0.581
3. MEMBENTUK R2
R 2 atau disebut juga koefisien korelasi darab atau koefisien penentu
(determinasi) merupakan ukuran kecocokan model regresi yang diperoleh dengan data
Dari hasil output Minitab pada pengolahan sebelumnya, diperoleh model regresi dan
diperoleh bahwa
R-sq
20.63%
Uji ini dilakukan untuk mengetahui apakah variable regressor secara bersama-sama
mempengaruhi model regresi atau tidak. Uji kelayakan model keseluruhan dari
koefisien regresi untuk mengetahui apakah secara bersama-sama
mempengaruhi . Uji untuk menentukan apakah terdapat suatu hubungan linear
H 0 : β 1=β 2=…=β k =0
Analysis of Variance
Dengan menggunakan nilai statistik uji nilai P (P-Value) dan α =0,2. P-value
(signifikansi) kurang dari sama dengan 0,2 menunjukkan bahwa terdapat cukup bukti
untuk menolak Ho (Ho ditolak), yang berarti bahwa terdapat hubungan yang
signifikan antara variabel x dan variabel y . Sedangkan jika P-Value lebih besar dari
0,2 maka tidak cukup bukti untuk menolak Ho (Ho tidak ditolak) yang berarti bahwa
tidak ada hubungan yang signifikan antara variabel x dan variabel y .
( )
n 2
RKR
∑ yi RKS
Regresi i=1 k RKR
n
bt xt y
KESIMPULAN:
b. Tidak dapat dikatakan terdapat suatu hubungan linear antara respons y dengan
sebarang variabel regressor x 1 , x 2 , x 3 , x 4 , x 5
H 0 : j = 0
H 1 : j ≠ 0
Perhatikan bahwa,
Model Summary
S R-sq R-sq(adj)
Analysis of Variance
Adj
Source DF Adj SS MS F-Value P-Value
Total 24 6738
s(b0) = 40.6
s(b1) = 0.592
s(b2) = 0.496
s(b3) = 0.658
s(b4) = 0.528
s(b5) = 0.417
1) Kelinearan
2) E (i) = 0
3) Kesamaan Variansi, yaitu var (i) = 2 = var (yi )
4) Kenormalan Galat, yaitu i N (0 , 2)
5) Sampel Acak
6) Galat tidak Berkorelasi, yaitu cov (i , j) = 0
y x1 x2 x3 x4 x5 RESI
87 75 65 70 55 80 17.6254
36 75 75 75 70 65 -22.5880
60 75 75 70 70 70 -1.1496
30 80 80 70 70 80 -38.7532
73 65 95 80 70 95 -7.7835
60 65 75 70 85 100 -12.5970
63 70 75 70 75 70 4.0007
53 60 45 50 65 70 0.9052
67 75 70 75 75 80 2.7159
60 65 60 70 70 70 3.7629
23 70 65 70 65 60 -30.9060
83 80 85 75 85 90 11.8322
57 65 65 70 75 80 -4.6904
73 65 75 60 65 65 14.6720
60 60 60 75 70 90 -7.7501
67 75 100 90 100 95 -6.5712
73 75 75 70 75 65 16.4489
57 65 60 75 70 65 3.3246
90 65 75 80 70 90 17.4508
57 50 60 60 60 75 -3.4621
83 75 95 90 95 90 11.9755
73 70 70 70 70 75 10.7341
67 80 90 90 90 95 -7.7495
80 85 85 75 80 80 12.4952
80 70 75 75 70 75 16.0572
Model Summary
S R-sq R-sq(adj) R-
sq(pred)
16.777 20.63% 0.00% 0.00%
3
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 12.5 40.6 0.31 0.762
x1 0.092 0.592 0.15 0.879 1.83
x2 0.266 0.496 0.54 0.597 3.49
x3 0.069 0.658 0.10 0.918 3.00
x4 - 0.528 -0.64 0.530 2.59
0.338
x5 0.581 0.417 1.40 0.179 1.98
Regression Equation
y = 12.5 + 0.092 x1 + 0.266 x2 + 0.069 x3 - 0.338 x4 + 0.581 x5
Durbin-Watson Statistic
Durbin-Watson Statistic 2.11030
=
Plot sisaan terhadap yi. Jika sisaan tersebar secara acak dan tidak memiliki
pola khusus, maka model dapat dikatakan linear.
Diperoleh plot Residual Plots for y Versus Fits
INTERPRETASI:
Sisaan terlihat tersebar secara acak dan tidak memiliki pola khusus, maka
model dapat dikatakan linear. Hal ini berarti asumsi kelinearan terpenuhi.
2) E (i) = 0
Ambil RESI pada hasil table di atas.
RESI
17.6254
-22.5880
-1.1496
-38.7532
-7.7835
-12.5970
4.0007
0.9052
2.7159
3.7629
-30.9060
11.8322
-4.6904
14.6720
-7.7501
-6.5712
16.4489
3.3246
17.4508
-3.4621
11.9755
10.7341
-7.7495
12.4952
16.0572
INTERPRETASI:
INTERPRETASI:
Sisaan terlihat tersebar secara acak dan tidak memiliki pola khusus, maka
model dapat dikatakan linear, tetapi diperkirakan adanya beberapa pencilan
yang mempengaruhi pola.
Hal ini berarti asumsi kesamaan variansi terpenuhi.
5) Sampel Acak
Menurut Sembiring (1995 : 46)
”Tidak ada cara memeriksa apakah terok yang diambil acak atau bukan, hanya
pelakunya (yang mengambil terok tersebut) yang tahu tentang hal itu. Kalau
terok tidak diambil secara acak maka nasi sudah menjadi bubur, tidak ada
usaha apapun yang dapat dilakukan untuk menjadikannya acak.”
INTERPRETASI:
Karena “d statistik dekat ke 2”, hal ini berarti asumsi galat tidak berkorelasi
terpenuhi.
a. Kelinearan terpenuhi
b. terpenuhi
a. Kelinearan terpenuhi
b. terpenuhi
Data Outlier disebut juga dengan data pencilan. Outlier adalah data observasi
yang muncul dengan nilai-nilai ekstrim, baik secara univariat ataupun
multivariat.Yang dimaksud dengan nilai-nilai ekstrim dalam observasi adalah nilai
yang jauh atau beda sama sekali dengan sebagian besar nilai lain dalam kelompoknya.
Berikut ini langkah-langkah dalam menentukan apakah ada outlier atau data pencilan
dari data yang digunakan pada praktikum ini.
Pilih storage
Pilih results
Perhatikan
Kita coba menyisihkan dulu data no. 4 dan data no. 11, diregresikan lagi,
diperoleh
2 36 75 75 75 70 65 - 0.3498 -
2.96365 37 2.0217
1
Kita coba menyisihkan dulu data no. 2 (data baru setelah data no.4 dan data
no.11 disisihkan), diregresikan lagi, diperoleh
Kita coba menyisihkan dulu data no. 16 (data baru setelah data no.2),
diregresikan lagi, diperoleh
Kita coba menyisihkan dulu data no. 2 dan data no. 17 (data baru setelah data
no.16 disisihkan), diregresikan lagi, diperoleh
Jarak FIT < 2 kecuali data baru no.2, tetapi diperbolehkan karena FIT
sangat sensitif, kita lebih memperhatikan hasil pada STRES.
Sebelum data no. 4, no. 11, no. 2, no. Setelah data no. 4, no. 11, no. 2, no.16,
16, no. 2, dan no.17 disisihkan no. 2, dan no. 17 disisihkan
Regression Analysis: y versus x1, x2, x3, x4, Regression Analysis: y versus x1, x2, x3, x4,
x5 x5
Analysis of Variance Analysis of Variance
Source D Adj Adj F-Value P- Source D Adj Adj F-Value P-Value
F SS MS Value F SS MS
Regressio 5 1390. 278.0 0.99 0.451 Regressio 5 1512. 302.4 14.59 0.000
n 13 27 n 26 5
x1 1 6.75 6.755 0.02 0.879 x1 1 616.7 616.7 29.74 0.000
x2 1 81.33 81.33 0.29 0.597 0 0
0
x2 1 243.0 243.0 11.72 0.005
x3 1 3.09 3.094 0.01 0.918 0 0
x4 1 115.4 115.4 0.41 0.530 x3 1 19.99 19.99 0.96 0.344
1 15
x4 1 542.0 542.0 26.14 0.000
x5 1 547.9 547.9 1.95 0.179 5 5
7 71
x5 1 28.67 28.67 1.38 0.261
Error 19 5348. 281.4
Error 13 269.5 20.73
11 79
3
Total 24 6738.
Total 18 1781.
24
79
Model Summary Model Summary
S R-sq R-sq(adj) R-sq(pred)
S R-sq R-sq(adj) R-sq(pred)
16.7773 20.63% 0.00% 0.00%
4.55337 84.87% 79.05% 66.11%
Coefficients Coefficients
Term Coef SE Coef T- P- VIF
Term Coef SE T- P- VIF
Value Value
Coef Value Value
Constan 12.5 40.6 0.31 0.762
Constan 28.5 11.5 2.49 0.027
t
t
x1 0.092 0.592 0.15 0.879 1.83
x1 0.968 0.177 5.45 0.000 1.92
x2 0.266 0.496 0.54 0.597 3.49
x2 0.468 0.137 3.42 0.005 3.08
x3 0.069 0.658 0.10 0.918 3.00
x3 -0.198 0.201 -0.98 0.344 3.06
x4 -0.338 0.528 -0.64 0.530 2.59
x4 -0.811 0.159 -5.11 0.000 2.46
x5 0.581 0.417 1.40 0.179 1.98
x5 0.156 0.133 1.18 0.261 1.98
Regression Equation Regression Equation
y = 12.5 + 0.092 x1 + 0.266 x2 + 0.069 x3 -y = 28.5 + 0.968 x1 + 0.468 x2 - 0.198 x3
+ 0.581 x5 + 0.156 x5
Fits and Diagnostics for Unusual Observations Durbin-Watson Statistic
Obs y Fit Resid Std Resid
Durbin-Watson Statistic = 1.86787
4 30.00 68.75 -38.75 -2.61 R
11 23.00 53.91 -30.91 -2.04 R
R Large residual
Durbin-Watson Statistic
Durbin-Watson Statistic = 2.11030
Siswa y x1 x2 x3 x4 x5
10 87 75 65 70 55 80
14 73 65 95 80 70 95
15 60 65 75 70 85 100
16 63 70 75 70 75 70
17 53 60 45 50 65 70
18 67 75 70 75 75 80
19 60 65 60 70 70 70
21 83 80 85 75 85 90
22 57 65 65 70 75 80
23 73 65 75 60 65 65
24 60 60 60 75 70 90
25 67 75 100 90 100 95
26 73 75 75 70 75 65
27 57 65 60 75 70 65
29 57 50 60 60 60 75
31 73 70 70 70 70 75
32 67 80 90 90 90 95
33 80 85 85 75 80 80
34 80 70 75 75 70 75
KETERANGAN :
x1 : Latar Belakang
x2 : Minat
x3 : Sikap
x4 : Motivasi
x5 : Gaya Belajar
Apakah pencaran
Baris Kolom titik kira-kira Kesimpulan
membentuk garis?
Karena terdapat minimal satu variable regressor yang berhubungan linear dengan
y, maka dapat disimpulkan sebagai berikut.
() ( )
y1 x 11 x 12 x 13 x 14 x 15
y2 x 21 x 22 x 23 x 24 x 25
y= y 3 dan x= x 31 x 32 x 33 x 34 x 35
y4 x 41 x 42 x 43 x 44 x 45
y5 x 51 x 52 x 53 x 54 x 55
−1
b=( x t x ) (x t y)
Koefisien Regresinya adalah
Term Coef
Constant 28.5
x1 0.968
x2 0.468
x3 -0.198
x4 -0.811
x5 0.156
Hal ini berarti,
b0 28.5
b1 0.968
b2 0.468
b3 -0.198
b4 -0.811
b5 0.156
c. Membentuk R2
Dari hasil output Minitab pada pengolahan sebelumnya, diperoleh:
H 0 : β 1=β 2=…=β k =0
Analysis of Variance
Dengan menggunakan nilai statistik uji nilai P (P-Value) dan α =0,05 . P-value
(signifikansi) kurang dari sama dengan 0,05 menunjukkan bahwa terdapat cukup
bukti untuk menolak H 0 ( H 0 ditolak), yang berarti bahwa terdapat hubungan yang
signifikan antara variabel x dan variabel y . Sedangkan jika P-Value lebih besar
dari 0,05 maka tidak cukup bukti untuk menolak H 0 ( H 0 tidak ditolak), yang
berarti bahwa tidak ada hubungan yang signifikan antara variabel x dan variabel
y.
(∑ )
n 2
yi
Regresi i =1 k RKR
n
bt xt y
RKR
Sisa yt y bt xt y nk1 JKS / (n k1) RKS
(∑ )
n 2
yi
Total i =1 n1
n
yt y
KESIMPULAN:
1) x 1 , x 2 , x 3 , x 4 , x 5 dapat dikatakan secara bersama-sama mempengaruhi y
Coefficients
Term Coef SE T-Value P-Value
Coef
Constant 28.5 11.5 2.49 0.027
x1 0.968 0.177 5.45 0.000
x2 0.468 0.137 3.42 0.005
x3 -0.198 0.201 -0.98 0.344
x4 -0.811 0.159 -5.11 0.000
x5 0.156 0.133 1.18 0.261
H0 : j = 0
H1 : j ≠ 0
Model Summary
S R-sq R-sq(adj)
4.5533 84.87% 79.05%
7
Analysis of Variance
Adj
Source DF Adj SS MS F-Value P-Value
Regressio 5 1512.3 302.45 14.59 0.000
n
Error 13 269.5 20.73
Total 18 1781.8
s(b0) = 11.5
s(b1) = 0.177
s(b2) = 0.137
s(b3) = 0.201
s(b4) = 0.159
s(b5) = 0.133
1) Kelinearan
2) E (i) = 0
3) Kesamaan Variansi, yaitu var (i) = 2 = var (yi )
4) Kenormalan Galat, yaitu i N (0 , 2)
5) Sampel Acak
6) Galat tidak Berkorelasi, yaitu cov (i , j) = 0
Dengan mengikuti langkah pada no. 6, diperoleh grafik, RESI, dan output
Minitab sebagai berikut.
y x1 x2 x3 x4 x5 RESI
87 75 65 70 55 80 1.38251
73 65 95 80 70 95 -5.19656
60 65 75 70 85 100 0.57092
63 70 75 70 75 70 -4.68632
53 60 45 50 65 70 -3.02091
67 75 70 75 75 80 -3.75699
60 65 60 70 70 70 0.12462
83 80 85 75 85 90 6.92263
57 65 65 70 75 80 -2.72661
73 65 75 60 65 65 0.84906
60 60 60 75 70 90 2.82712
67 75 100 90 100 95 3.08196
73 75 75 70 75 65 1.25619
57 65 60 75 70 65 -1.10490
57 50 60 60 60 75 0.77497
73 70 70 70 70 75 2.82081
67 80 90 90 90 95 -5.17988
80 85 85 75 80 80 -3.40678
80 70 75 75 70 75 8.46813
Plot sisaan terhadap yi. Jika sisaan tersebar secara acak dan tidak
memiliki pola khusus, maka model dapat dikatakan linear.
INTERPRETASI:
Sisaan terlihat tersebar secara acak dan tidak memiliki pola khusus, maka
model dapat dikatakan linear. Hal ini berarti asumsi kelinearan terpenuhi.
2) E (i) = 0
Ambil RESI pada hasil table di atas.
RESI
1.38251
-5.19656
0.57092
-4.68632
-3.02091
-3.75699
0.12462
6.92263
-2.72661
0.84906
2.82712
3.08196
1.25619
-1.10490
0.77497
2.82081
-5.17988
-3.40678
8.46813
INTERPRETASI:
Sisaan terlihat tersebar secara acak dan tidak memiliki pola khusus, maka
model dapat dikatakan linear.
Hal ini berarti asumsi kesamaan variansi terpenuhi.
INTERPRETASI:
Dalam hal ini, ¿ 0,05
5) Sampel Acak
Menurut Sembiring (1995 : 46)
”Tidak ada cara memeriksa apakah terok yang diambil acak atau bukan, hanya
pelakunya (yang mengambil terok tersebut) yang tahu tentang hal itu. Kalau
terok tidak diambil secara acak maka nasi sudah menjadi bubur, tidak ada
usaha apapun yang dapat dilakukan untuk menjadikannya acak.”
Karena “d statistik dekat ke 2”, hal ini berarti asumsi galat tidak berkorelasi
terpenuhi.
a. Kelinearan terpenuhi
b. terpenuhi
c. Kesamaan Variansi terpenuhi
1) Kelinearan terpenuhi
2) terpenuhi
Transformasi diperlukan apabila asumsi dari regresi ada yang tidak terpenuhi. Hal
ini berarti, tidak diperlukan transformasi pada data.
Pada pembentukan suatu model kita menghadapi dua hal yang saling bertolak
belakang.
Tujuan prediksi : makin banyak peubah bebas yang berpengaruh terhadap respons
y masuk ke dalam model makin baik prediksi y.Tentunya ini tidak berarti bahwa
sebaiknya semua peubah bebas masuk ke dalam model
Tujuan pengendalian atau pun pemantauan suatu sistem : makin sedikit peubah
bebas dalam model makin baik model tersebut.
Untuk membentuk model terbaik, semua asumsi harus terpenuhi terlebih dahulu. ,
PERFORM RESIDUAL
ANALYSIS
TRANSFORM
DATA
DO WE NEED A
TRANSFORMATION
YES
NO
Acuan
Peubah
x4 - 0.127 x3 - 0.758 x4
x5 - 0.424 x3 - 0.034 x5
x5 - 0.845 x4 + 0.117 x5
x5 - 0.689 x4 + 0.257 x5
x5 - 0.626 x4 - 0.089 x5
Model terpilih berdasarkan nilai Radj2 pada setiap kelompok dapat dilihat pada
table model terbaik sebagai berikut.
Peubah
b) Regresor x 1, x 4
y = 25.0 + 1.133 x1 - 0.481 x4
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 25.0 13.0 1.92 0.073
x1 1.133 0.209 5.43 0.000 1.40
x4 -0.481 0.165 -2.92 0.010 1.40
c) Regresor x 1, x 2, x 4
y = 31.80 + 0.880 x1 + 0.463 x2 - 0.792 x4
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 31.80 9.59 3.32 0.005
x1 0.880 0.164 5.37 0.000 1.66
x2 0.463 0.117 3.95 0.001 2.29
x4 -0.792 0.143 -5.55 0.000 2.02
d) Regresor x 1, x 2, x 4, x 5
y = 26.4 + 0.926 x1 + 0.419 x2 - 0.845 x4 + 0.117 x5
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 26.4 11.3 2.35 0.034
x1 0.926 0.172 5.38 0.000 1.81
x2 0.419 0.127 3.30 0.005 2.66
x4 -0.845 0.154 -5.47 0.000 2.34
x5 0.117 0.127 0.93 0.370 1.80
e) Regresor x 1 , x 2, x 3, x 4 , x 5
y = 28.5 + 0.968 x1 + 0.468 x2 - 0.198 x3 - 0.811 x4 + 0.156 x5
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 28.5 11.5 2.49 0.027
x1 0.968 0.177 5.45 0.000 1.92
x2 0.468 0.137 3.42 0.005 3.08
x3 -0.198 0.201 -0.98 0.344 3.06
x4 -0.811 0.159 -5.11 0.000 2.46
x5 0.156 0.133 1.18 0.261 1.98
1
1−R
VIFj = Cjj = j2
Karena ada model yang merupakan rekomendasi dari keempat metode yang
dilakukan sebelumnya, sehingga model tersebut dipilih menjadi model
terbaik.
DENGAN DEMIKIAN:
Berdasarkan tujuan prediksi, model yang direkomendasikan adalah
y= 28.5 + 0.968 x1 + 0.468 x2 - 0.198 x3 - 0.811 x4 + 0.156 x5
Karena pada model ini, semua peubah bebas x mempengaruhi respon y
sehingga semakin baik dalam memprediksi y .
Berdasarkan tujuan pengendalian, model yang direkomendasikan adalah
y = 31.80 + 0.880 x1 + 0.463 x2 - 0.792 x4
Karena memiliki Radj2 tinggi yaitu 82,76%, nilai FIV mendekati 1, serta P
value regresornya kecil dari alpha awal yaitu 0,05.
KESIMPULAN:
INTERPRETASI:
Karena terdapat 6 pencilan yang mempengaruhi kebaikan model, maka
setelah disisihkan data tersebut yaitu data nomor 11, 12, 13, 20, 28, dan 30
diperoleh kesimpulan yaitu faktor yang mempengaruhi hasil belajar adalah
latar belakang, motivasi, dan minat dengan taraf kesalahan 5%. Ada pun
faktor lain berupa sikap dan gaya belajar tidak berpengaruh langsung terhadap
hasil belajar berdasarkan model.