LAPORAN MINGGUAN PRAKTIKUM

STATISTIKA DASAR

ANALISIS REGRESI DAN KORELASI

DISUSUN OLEH

DEDE SAPUTRA

G1D021002

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS MATARAM

2022
 SOAL LAPORAN ACARA 3

1. Sebuah surat kabar menerbitkan harga jual mobil tertentu yang telah digunakan (Y) menurut
umur penggunaannya (X). Harga jual diukur dalam seribu dolar, dan umur penggunaan diukur
dalam tahun.

Tentukan model regresi linier sederhana dari harga jual mobil dan umur penggunaannya, dan
ujilah dengan tingkat signifikansi 5% untuk mengetahui apakah model yang didapatkan
merupakan model yang tepat!
Langkah-langkah penyelesaian menggunakan SPSS:
• Variabel didefinisikan pada Variabel View . Pada kasus diatas dimisalkan variabel “X”
yang menunjukkan umur penggunaan mobil dan “Y” yang menunjukkan harga jual dalam
seribu dollar dan data bertipe numeric.
• Data pada soal diinput pada Data View.
• Gunakan menu Analyze kemudian pilih Regression dan pilih Linear.
• Pada kotak dialog Linear Regression. Pada kasus diatas merupakan Analisis regresi linear
sederhana karena hanya terdapat satu variabel respon dan satu variabel prediktor. Variabel
Y dimasukkan kedalam Dependent karena merupakan variabel terikat (respon) yang
terkena pengaruh atau dipengaruhi. Variabel X dimasukkan kedalam Independent(s)
karena merupakan variabel bebas (prediktor) yang mempengaruhi variabel respon.
• Menu Selection Variable, Case Labels, dan WLS Weight dapat diabaikan.
• Pada menu Statistics, pada bagian Regression Cefficient dicentang Estimates, Confidence
intervals pada kasus diatas dipilih selang kepercayaan 95% (tingkat signifikasi 5%), Model
fit, R squared change dan Descriptives.
• Pada bagian Residuals dapat diabaikan kemudian pilih Continue.
• Pada menu Options dipilih Include Constant in equation untuk keseragaman kemudian
pilih Continue.
• Klik Ok dan tabel akan muncul seperti dibawah ini.
 Descriptive Statistics
Mean Std. Deviation N
HARGA JUAL 5.8160 2.63648 10
UMUR 4.60 2.989 10

Correlations
HARGA JUAL UMUR
Pearson Correlation HARGA JUAL 1.000 -.984
UMUR -.984 1.000
Sig. (1-tailed) HARGA JUAL . .000
UMUR .000 .
N HARGA JUAL 10 10
UMUR 10 10
Interpretasi:
Tabel diatas memberikan informasi bahwa pada sebuah surat kabar yang menerbitkan
harga jual mobil yang diukur dalam seribu dollar dengan data sebanyak 10 didapatkan rata-
rata (mean) yaitu 5.8160 dan standar deviasi (simpangan baku) yaitu 2.63648 . Pada umur
penggunaan mobil yang diukur dalam tahun dengan data sebanyak 10 didapatkan rata-rata
(mean) yaitu 4.60 dan standar deviasi (simpangan baku) yaitu 2.989 . Besar nilai signifikasi
1 arah dari harga jual dengan umur ataupun umur dengan harga jual yaitu 0.000 kurang
dari α=0.005 maka terdapat korelasi antara variabel X (umur penggunaan mobil) dan
variabel Y(harga jual mobil). Tabel diatas juga menyajikan informasi tentang tingkat
hubungan variabel (derajat keeratan) atau disebut juga dengan analisis korelasi. Untuk
menunjukkan arah dari tingkat kuat hubungan dua variabel dilakukan dengan menentukan
koefisien korelasi (r) yang besarnya antara -1 ≤ r ≤ 1. Jika nilai koefisien korelasi mendekati
1 atau -1 maka kuat hubungan antara variabel tersebut sangat kuat dan jika mendekati 0
maka kuat hubungan antara dua variabel tersebut sangat lemah. Pada tabel diatas
menunjukkan bahwa nilai koefisien korelasi yang diukur dalam korelasi pearson
menunjukkan hubungan antara harga jual dan umur maupun sebaliknya umur dan harga
jual sangat kuat dengan nilai koefisien korelasi yaitu -9.84 . Pada hubungan antara harga
jual dengan harga jual dan umur dengan umur memiliki nilai koefisien korelasi yaitu 1 hal
tersebut dikarenakan nilai koefisien korelasi pada variabel yang sama yaitu 1.
 Model Summary
Change Statistics

Adjusted R Std. Error of R Square Sig. F

Model R R Square Square the Estimate Change F Change df1 df2 Change
1 .984a .967 .963 .50476 .967 237.536 1 8 .000
a. Predictors: (Constant), UMUR
Interpretasi:
Tabel diatas memberikan informasi umum dimana terdapat nilai R dari prediktor. Nilai R
(besarnya korelasi/hubungan) menunjukkan pengaruh secara umum dari prediktor terhadap
variabel respon. Pada tabel diatas nilai R yaitu 0.984 atau 98.4% . Tabel diatas juga
menyajikan nilai R square (R kuadrat) atau disebut juga koefisien determinasi yaitu 0.967
yang artinya bahwa pengaruh variabel bebas (prediktor) terhadap variabel terikat (respon)
sebesar 96.7% , nilai R yang sesuai yaitu 0.963, estimasi standar erorr sebesar 0.50476,
perubahan nilai R sebesar 0.967, perubahan F hitung yakni sebesar 237.536 , derajat bebas
1 dan derajat bebas 2 yakni berturut-turut 1 dan 8. Nilai perubahan signifikasinya yaitu
0.000 , kurang dari 0.05(α) ysng menunjukan variabel X (prediktor) dalam hal ini umur
penggunaan memiliki pengaruh terhadap variabel Y(respon) dalam hal ini harga jual
mobil.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 60.521 1 60.521 237.536 .000b
Residual 2.038 8 .255
Total 62.559 9
a. Dependent Variable: HARGA JUAL
b. Predictors: (Constant), UMUR

Interpretasi:
Tabel diatas merupakan tabel ANOVA (Analysis of variance) atau ANAVA ( Analisi
Varian) . Tabel diatas memberikan informasi bahwa jumlah kuadrat perlakuan (JKP) dari
regresi diatas yaitu 60.521 dengan jumlah kuadrat galat (JKG) dari residual (eror) sebesar
2.038 dan jumlah kuadrat total (JKT) yaitu 62.559 . Derajat bebas (Deggree of freedom)
dari data diatas bertururt turut yaitu 1 dan 8. Kuadrat tengah perlakuan (KTP) dari regresi
tersebut yaitu 60.521 dan Kuadrat tengah galat (KTG) dari residual (eror) yaitu 0.255
 dengan membagi kuadrat tengah perlakuan dengan kuadrat tengah galat didapat nilai
Fhitung dari data diatas yaitu 237.536 dengan tingkat signifikasi sebesar 0.000 lebih kecil
dari α=0.005, maka dapat disimpulkan model regresi dapat dipakai untuk memprediksi
variabel X atau dengan kata lain terdapat pengaruh antara variabel X (umur penggunaan
mobil) dengan variabel Y (harga jual mobil).

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95.0% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) 9.807 .304 32.239 .000 9.106 10.508
UMUR -.868 .056 -.984 -15.412 .000 -.997 -.738

a. Dependent Variable: HARGA JUAL

Interpretasi:
Pada analisis regresi linear sederhana yang digunakan untuk mengestimasi pola
hubungan/bentuk fungsional antara satu variabel respon Y dan satu variabel prediktor X
dengan model umum Yi = β0 + β1 Xi +εi . Mengestimasi persamaan regresi berarti
menentukan estimator parameter sehingga diperoleh penduga dengan model persamaan
garis Ŷ= b0 + b1xi .Pada tabel diatas memberikan informasi nilai konstan (b0) sebesar 9.807
sedangkan nilai koefisien regresi (b1) yaitu -0.868 sehingga diperoleh persamaan regresi
linear yaitu Ŷ= 9.807-0.868x. Persamaan tersebut berarti bahwa nilai konstanta variabel
harga jual sebesar 9.807 dengan koefisien regresi X sebesar -0.868 yang menyatakan
bahwa pada setiap penambahan 1 % umur penggunaan mobil maka harga jual dari mobil
akan berkurang sebesar 0.868 . Koefisien regresi tersebut bernilai negatif, sehingga dapat
dikatakan bahwa arah pengaruh variabel X terhadap variabel Y adalah negatif.
Pengambilan keputusan pengaruh antar variabel dapat menggunakan nilai t hitung yang
tertera pada tabel dan nilai signifikasi. Berdasarkan nilai t hitung sebesar 32.239 > t tabel
sehingga dapat disimpulkan bahwa variabel X berpengaruh terhadap variabel Y. Untuk
menguji apakah model regresi diatas adalah model yang tepat dilakukan dengan uji
serentak (F), uji parsial (t) atau menggunakan nilai signifikasi. Untuk melakukan uji
hipotesis dirumuskan hipotesis dengan H0 (hipotesis 0) yaitu model tidak tepat (βi=0) dan
H1(hipotesis alternatif) yaitu model tepat (βi≠0). Berdasarkan nilai signifikasi pada tabel
 diatas yaitu 0.000 kurang dari α=0.005 sehingga H0 ditolak dan H1 diterima. Oleh karena
itu didapatkan kesimpulan bahwa parameter signifikan tersebut valid karena tidak sama
dengan nol dan berakibat bahwa model regresi linear yang didapat pada taraf signifikasi
5% adalah model yang tepat.
2. Sebuah perusahaan melakukan penelitian pengaruh stres kerja terhadap kinerja pegawai.
Datanya terdapat pada tabel di bawah:

Tentukan model regresi linier sederhana dari stres kerja dan kinerja pegawai dan ujilah dengan
tingkat signifikansi 1% untuk mengetahui apakah model yang didapatkan merupakan model
yang tepat!
Langkah-langkah penyelesaian menggunakan SPSS:
• Variabel didefinisikan pada Variabel View . Pada kasus diatas dimisalkan variabel “X”
yang menunjukkan stress kerja dan “Y” yang menunjukkan kinerja pegawai dan data
bertipe numeric.
• Data pada soal diinput pada Data View.
• Gunakan menu Analyze kemudian pilih Regression dan pilih Linear.
• Pada kotak dialog Linear Regression. Pada kasus diatas merupakan Analisis regresi linear
sederhana karena hanya terdapat satu variabel respon dan satu variabel prediktor. Variabel
Y dimasukkan kedalam Dependent karena merupakan variabel terikat (respon) yang
terkena pengaruh atau dipengaruhi. Variabel X dimasukkan kedalam Independent(s)
karena merupakan variabel bebas (prediktor) yang mempengaruhi variabel respon.
• Menu Selection Variable, Case Labels, dan WLS Weight dapat diabaikan.
 • Pada menu Statistics, pada bagian Regression Cefficient dicentang Estimates, Confidence
intervals pada kasus diatas dipilih selang kepercayaan 99% (tingkat signifikasi 1%), Model
fit, R squared change dan Descriptives.
• Pada bagian Residuals dapat diabaikan kemudian pilih Continue.
• Pada menu Options dipilih Include Constant in equation untuk keseragaman kemudian
pilih Continue.
• Klik Ok dan tabel akan muncul seperti dibawah ini.

Descriptive Statistics
Mean Std. Deviation N
Kinerja pegawai 24.00 2.296 12
Stress kerja 22.33 3.651 12

Correlations
Kinerja pegawai Stress kerja
Pearson Correlation Kinerja pegawai 1.000 -.813
Stress kerja -.813 1.000
Sig. (1-tailed) Kinerja pegawai . .001
Stress kerja .001 .
N Kinerja pegawai 12 12
Stress kerja 12 12
Interpretasi :
Tabel diatas memberikan informasi bahwa pada sebuah perusahaan yang melakukan
penelitian tentang pengaruh stress kerja terhadap kinerja pegawai. Pada tingkat stress kerja
dengan data sebanyak 12 didapatkan rata-rata (mean) yaitu 22.33 dan standar deviasi
(simpangan baku) yaitu 3.651 . Pada tingkat kinerja pegawai dengan data sebanyak 12
didapatkan rata-rata (mean) yaitu 24.00 dan standar deviasi (simpangan baku) yaitu 2.298.
Besar nilai signifikasi 1 arah dari harga jual dengan umur ataupun umur dengan harga jual
yaitu 0.001 memiliki nilai yang sama dengan α=0.001 maka terdapat korelasi antara
variabel X (stress kerja) dan variabel Y (kinerja pegawai). Tabel diatas juga menyajikan
informasi tentang tingkat hubungan variabel (derajat keeratan) atau disebut juga dengan
analisis korelasi. Untuk menunjukkan arah dari tingkat kuat hubungan dua variabel
dilakukan dengan menentukan koefisien korelasi (r) yang besarnya antara -1 ≤ r ≤ 1. Jika
 nilai koefisien korelasi mendekati 1 atau -1 maka kuat hubungan antara variabel tersebut
sangat kuat dan jika mendekati 0 maka kuat hubungan antara dua variabel tersebut sangat
lemah. Pada tabel diatas menunjukkan bahwa nilai koefisien korelasi yang diukur dalam
korelasi pearson menunjukkan hubungan antara pengaruh stress dan tingkat kinerja
pegawai maupun sebaliknya tingkat kinerja pegawai dan pengaruh stress sangat kuat
dengan nilai koefisien korelasi yaitu -8.13 . Pada hubungan antara tingkat stress dengan
tingkat stress dan tingkat kinerja pegawai dengan tingkat kinerja pegawai memiliki nilai
koefisien korelasi yaitu 1 hal tersebut dikarenakan nilai koefisien korelasi pada variabel
yang sama yaitu 1 .

Model Summary
Change Statistics
Adjusted R Std. Error of R Square Sig. F
Model R R Square Square the Estimate Change F Change df1 df2 Change
1 .813a .661 .627 1.402 .661 19.520 1 10 .001
a. Predictors: (Constant), Stress kerja

Interpretasi:
Tabel diatas memberikan informasi umum dimana terdapat nilai R dari prediktor. Nilai R
(besarnya korelasi/hubungan) menunjukkan pengaruh secara umum dari prediktor terhadap
variabel respon. Pada tabel diatas nilai R yaitu 0.813 atau 81.3 % . Tabel diatas juga
menyajikan nilai R square (R kuadrat) atau disebut juga koefisien determinasi yaitu 0.661
yang artinya bahwa pengaruh variabel bebas (prediktor) terhadap variabel terikat (respon)
sebesar 66.1% , nilai R yang sesuai yaitu 0.627, estimasi standar erorr sebesar 1.402 ,
perubahan nilai R sebesar 0.661, perubahan F hitung yakni sebesar 19.520 , derajat bebas
1 dan derajat bebas 2 yakni berturut-turut 1 dan 10. Nilai perubahan signifikasinya yaitu
0.001 sama dengan nilai 0.01 (α) yang menunjukan variabel X (prediktor) dalam hal ini
stress kerja memiliki pengaruh terhadap variabel Y (respon) dalam hal ini tingkat kinerja
pegawai .

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 38.352 1 38.352 19.520 .001b
Residual 19.648 10 1.965
Total 58.000 11
a. Dependent Variable: Kinerja pegawai
b. Predictors: (Constant), Stress kerja

Interpretasi:
Tabel diatas merupakan tabel ANOVA (Analysis of variance) atau ANAVA ( Analisis
Varian) . Tabel diatas memberikan informasi bahwa jumlah kuadrat perlakuan (JKP) dari
regresi diatas yaitu 38.352 ngan jumlah kuadrat galat (JKG) dari residual (eror) sebesar
19.648 dan jumlah kuadrat total (JKT) yaitu 58.000 . Derajat bebas (Deggree of freedom)
dari data diatas bertururt turut yaitu 1 dan 10. Kuadrat tengah perlakuan (KTP) dari regresi
tersebut yaitu 38.352 dan Kuadrat tengah galat (KTG) dari residual (eror) yaitu 1.965
dengan membagi kuadrat tengah perlakuan dengan kuadrat tengah galat didapat nilai
Fhitung dari data diatas yaitu 19.250 dengan tingkat signifikasi sebesar 0.001 lebih dari
atau sama dengan α=0.001, maka dapat disimpulkan model regresi dapat dipakai untuk
memprediksi variabel X atau dengan kata lain terdapat pengaruh antara variabel X (stress
kerja) dengan variabel Y (kinerja pegawai).

Coefficientsa

Unstandardized Standardized 99.0% Confidence

Coefficients Coefficients Interval for B Correlations
Lower Upper Zero-
Model B Std. Error Beta t Sig. Bound Bound order Partial Part
1 (Constant) 35.420 2.616 13.538 .000 27.128 43.712

Stress kerja -.511 .116 -.813 -4.418 .001 -.878 -.145 -.813 -.813 -.813

a. Dependent Variable : Kinerja pegawai

Interpretasi:
Pada analisis regresi linear sederhana yang digunakan untuk mengestimasi pola
hubungan/bentuk fungsional antara satu variabel respon Y dan satu variabel prediktor X
dengan model umum Yi = β0 + β1 Xi +εi . Mengestimasi persamaan regresi berarti
menentukan estimator parameter sehingga diperoleh penduga dengan model persamaan
 garis Ŷ= b0 + b1xi .Pada tabel diatas memberikan informasi nilai konstan (b0) sebesar
35.420 sedangkan nilai koefisien regresi (b1) yaitu -0.511 sehingga diperoleh persamaan
regresi linear yaitu Ŷ= 35.420-0.511x. Persamaan tersebut berarti bahwa nilai konstanta
variabel tingkat kinerja pegawai sebesar 35.420 dengan koefisien regresi X sebesar -0.511
yang menyatakan bahwa pada setiap penambahan 1 % umur penggunaan mobil maka
harga jual dari mobil akan berkurang sebesar 0.511 . Koefisien regresi tersebut bernilai
negatif, sehingga dapat dikatakan bahwa arah pengaruh variabel X terhadap variabel Y
adalah negatif. Pengambilan keputusan pengaruh antar variabel dapat menggunakan nilai t
hitung yang tertera pada tabel dan nilai signifikasi. Berdasarkan nilai t hitung sebesar
13.538 > t tabel sehingga dapat disimpulkan bahwa variabel X berpengaruh terhadap
variabel Y. Untuk menguji apakah model regresi diatas adalah model yang tepat dilakukan
dengan uji serentak (F), uji parsial (t) atau menggunakan nilai signifikasi. Untuk melakukan
uji hipotesis dirumuskan hipotesis dengan H0 (hipotesis 0) yaitu model tidak tepat (βi=0)
dan H1(hipotesis alternatif) yaitu model tepat (βi≠0). Berdasarkan nilai signifikasi pada
tabel diatas yaitu 0.000 kurang dari α=0.005 sehingga H0 ditolak dan H1 diterima. Oleh
karena itu didapatkan kesimpulan bahwa parameter signifikan tersebut valid karena tidak
sama dengan nol dan berakibat bahwa model regresi linear yang didapat pada taraf
signifikasi 1% adalah model yang tepat.
3. Lakukan analisis regresi dan korelasi pada tabel berikut!

i Y X1 X2 X3 X4

1 521 18308 185 4 80

2 367 1148 600 0,6 1

3 443 18068 372 3,7 32

4 365 7729 142 2,4 45

5 614 100484 432 29,8 191

6 385 16728 290 3,3 32

i Y X1 X2 X3 X4

7 286 14630 346 3,3 678

8 397 4008 328 0,7 341

9 764 38927 354 12,9 240

10 427 22322 266 6,5 112

11 153 3711 320 1,1 173

12 231 3136 197 1 12

13 524 50508 266 11,4 206

14 328 28886 173 5,5 155

15 240 16996 190 2,8 50

16 286 13035 239 2,5 30

17 285 12973 190 3,7 93

18 569 16309 241 4,2 97

19 96 5227 189 1,2 40

20 498 19235 358 4,8 489

21 481 44487 315 6 768

22 468 44213 303 9,3 164

23 177 23619 228 4,4 55

24 198 9106 134 2,6 55

25 458 24917 189 5,1 74

i Y X1 X2 X3 X4

26 108 3872 196 0,8 6

27 246 8945 183 1,6 21

28 291 2373 417 1,2 11

29 68 7128 233 1,1 124

30 311 23624 349 7,7 1042

31 606 5242 284 1,5 13

32 512 92629 499 18 381

33 426 28795 231 6,6 136

34 47 4487 143 0,6 9

35 265 48799 249 10,8 265

36 370 14067 195 3,1 46

37 312 12693 288 2,8 30

38 222 62184 229 11,9 265

39 280 9153 287 1 960

40 759 14250 224 3,5 116

41 114 3680 161 0,7 9

42 419 18063 221 4,9 118

43 435 65112 237 17 65

44 186 11340 220 1,7 21

 i Y X1 X2 X3 X4

45 87 4553 185 0,6 61

46 188 28960 260 6,2 156

47 303 19201 261 4,9 73

48 102 7533 118 1,8 75

49 127 26343 268 4,9 90

50 251 1641 300 0,5 5

Langkah-langkah penyelesaian menggunakan SPSS:

Langkah-langkah penyelesaian menggunakan SPSS:
• Variabel didefinisikan pada Variabel View . Pada kasus diatas dimisalkan variabel
“X1”, ”X2”, ”X3”dan “X4” yang merupakan variabel bebas “Y” yang merupakan variabel
respon dan data bertipe numeric.
• Data pada soal diinput pada Data View.
• Gunakan menu Analyze kemudian pilih Regression dan pilih Linear.
• Pada kotak dialog Linear Regression. Pada kasus diatas merupakan Analisis regresi linear
berganda karena terdapat satu variabel respon dan banyak variabel prediktor. Variabel Y
dimasukkan kedalam Dependent karena merupakan variabel terikat (respon) yang terkena
pengaruh atau dipengaruhi. Variabel X1, X2, X3 dan X4 dimasukkan kedalam
Independent(s) karena merupakan variabel bebas (prediktor) yang mempengaruhi variabel
respon.
• Menu Selection Variable, Case Labels, dan WLS Weight dapat diabaikan.
• Pada menu Statistics, pada bagian Regression Cefficient dicentang Estimates, Confidence
intervals pada kasus diatas dipilih selang kepercayaan 95% (tingkat signifikasi 5%), Model
fit, R squared change dan untuk mengetahui Analisi korelasi dicentang Descriptive dan
Part and partial correlations .
• Pada bagian Residuals dapat diabaikan kemudian pilih Continue.
 • Pada menu Options dipilih Include Constant in equation untuk keseragaman kemudian
pilih Continue.
• Klik Ok dan tabel akan muncul seperti

Descriptive Statistics
Mean Std. Deviation N
Y 331.92 172.914 50
X1 21667.54 21906.103 50
X2 261.70 93.757 50
X3 4.964 5.4597 50
X4 166.22 235.109 50

Correlations
Y X1 X2 X3 X4
Pearson Correlation Y 1.000 .431 .395 .485 .159
X1 .431 1.000 .333 .959 .242
X2 .395 .333 1.000 .350 .319
X3 .485 .959 .350 1.000 .196
X4 .159 .242 .319 .196 1.000
Sig. (1-tailed) Y . .001 .002 .000 .135
X1 .001 . .009 .000 .045
X2 .002 .009 . .006 .012
X3 .000 .000 .006 . .087
X4 .135 .045 .012 .087 .
N Y 50 50 50 50 50
X1 50 50 50 50 50
X2 50 50 50 50 50
X3 50 50 50 50 50
X4 50 50 50 50 50

Interpretasi:
Tabel diatas memberikan informasi bahwa pada sebuah data yang terdiri dari variabel Y,
X1, X2, X3 dan X4 dengan data sebanyak 50 data. Pada variabel Y didapatkan rata-rata
(mean) yaitu 331.92 dan standar deviasi (simpangan baku) yaitu 172.914 . Pada variabel
X1 didapatkan rata-rata (mean) yaitu 21667.64 dan standar deviasi (simpangan baku) yaitu
21906.103 . Pada variabel X2 didapatkan rata-rata (mean) yaitu 261.70 dan standar deviasi
(simpangan baku) yaitu 93.757 . Pada variabel X3 didapatkan rata-rata (mean) yaitu 4.964
dan standar deviasi (simpangan baku) yaitu 5.4597 . Pada variabel X4 didapatkan rata-rata
(mean) yaitu 166.22 dan standar deviasi (simpangan baku) yaitu 235.109 . Tabel diatas
juga menyajikan informasi tentang tingkat hubungan variabel (derajat keeratan) atau
disebut juga dengan analisis korelasi. Untuk menunjukkan arah dari tingkat kuat hubungan
dua variabel dilakukan dengan menentukan koefisien korelasi (r) yang besarnya antara -1
≤ r ≤ 1. Jika nilai koefisien korelasi mendekati 1 atau -1 maka kuat hubungan antara
variabel tersebut sangat kuat dan jika mendekati 0 maka kuat hubungan antara dua variabel
tersebut sangat lemah. Besar nilai signifikasi 1 arah pada masing-masing varibel berbeda .
Pada variabel Y dan X1 besar nilai signifikasinya yaitu 0.001 kurang dari α=0.005 maka
terdapat korelasi antara variabel Y dan variabel X1 . Pada variabel Y dan X2 besar nilai
signifikasinya yaitu 0.002 kurang dari α=0.005 maka terdapat korelasi antara variabel Y
dan variabel X2 . Pada variabel Y dan X3 besar nilai signifikasinya yaitu 0.000 kurang dari
α=0.005 maka terdapat korelasi antara variabel Y dan variabel X3. Pada variabel Y dan X4
besar nilai signifikasinya yaitu 0.135 kurang dari α=0.005 maka terdapat korelasi antara
variabel Y dan variabel X4 . Pada variabel X1 dan X2 besar nilai signifikasinya yaitu 0.009
lebih dari α=0.005 maka tidak terdapat korelasi antara variabel X1 dan variabel X2. Pada
variabel X1 dan X3 besar nilai signifikasinya yaitu 0.000. Pada variabel X1 dan X4 besar
nilai signifikasinya yaitu 0.045 kurang dari α=0.005 maka terdapat korelasi antara variabel
X1 dan variabel X4 . Pada variabel X2 dan X3 besar nilai signifikasinya yaitu 0.006 lebih
dari α=0.005 maka tidak terdapat korelasi antara variabel X2 dan variabel X3. Pada
variabel X2 dan X4 besar nilai signifikasinya yaitu 0.012 kurang dari α=0.005 maka
terdapat korelasi antara variabel X2 dan variabel X4 . Pada variabel X3 dan X4 besar nilai
signifikasinya yaitu 0.087 lebih dari α=0.005 maka terdapat korelasi antara variabel X3 dan
variabel X4 . Pada tabel diatas menunjukkan bahwa nilai koefisien korelasi yang diukur
dalam korelasi pearson. Pada hubungan antara variabel Y dengan X1 dengan nilai koefisien
korelasi yaitu 0.431, variabel Y dengan X1 hanya memiliki koefisien korelasi tetapi
berdasarkan nilai signifikasinya lebih dari 0.005 artinya tidak ada korelasi antara variabel
Y dan X1. Pada hubungan antara variabel Y dengan X2 dengan nilai koefisien korelasi
yaitu 0.395 yang berarti bahwa hubungannya bersifat lemah. Pada hubungan antara
 variabel Y dengan X3 dengan nilai koefisien korelasi yaitu 0.485 yang berarti bahwa
hubungannya bersifat sedang (antara lemah dan kuat). Pada hubungan antara variabel Y
dengan X4 dengan nilai koefisien korelasi yaitu 0.159 yang berarti bahwa hubungannya
bersifat sangat lemah. Pada hubungan antara variabel X1 dengan X2 dengan nilai koefisien
korelasi yaitu 0.333 yang berarti bahwa hubungannya bersifat lemah. Pada hubungan
antara variabel X1 dengan X3 dengan nilai koefisien korelasi yaitu 0.959 yang berarti
bahwa hubungannya bersifat sangat kuat. Pada hubungan antara variabel X1 dengan X4
dengan nilai koefisien korelasi yaitu 0.242 yang berarti bahwa hubungannya bersifat
lemah. Pada hubungan antara variabel X2 dengan X3 dengan nilai koefisien korelasi yaitu
0.350 hanya memiliki koefisien korelasi tetapi berdasarkan nilai signifikasinya lebih dari
0.005 artinya tidak ada korelasi antara variabel X2 dan X3 . Pada hubungan antara variabel
X2 dengan X4 dengan nilai koefisien korelasi yaitu 0.319 yang berarti bahwa hubungannya
bersifat lemah. Pada hubungan antara variabel X3 dengan X4 dengan nilai koefisien
korelasi yaitu 0.196 hanya memiliki koefisien korelasi tetapi berdasarkan nilai
signifikasinya lebih dari 0.005 artinya tidak ada korelasi antara variabel X3 dan X4 . Pada
hubungan antara variabel Y dengan Y , X1 dengan X1 , X2 dengan X2, X3 debgan X3 dan
X4 dengan X4 memiliki nilai koefisien korelasi yaitu 1 hal tersebut dikarenakan nilai
koefisien korelasi pada variabel yang sama yaitu 1.

Model Summary

Change Statistics

R Adjusted R Std. Error of R Square F Sig. F

Model R Square Square the Estimate Change Change df1 df2 Change
1 .554a .307 .245 150.203 .307 4.984 4 45 .002

a. Predictors: (Constant), X4, X3, X2, X1

 Interpretasi:
Tabel diatas memberikan informasi umum dimana terdapat nilai R dari prediktor. Nilai R
(besarnya korelasi/hubungan) menunjukkan pengaruh secara umum dari prediktor terhadap
variabel respon. Pada tabel diatas nilai R yaitu 0.554 atau 55.4 % . Tabel diatas juga
menyajikan nilai R square (R kuadrat) atau disebut juga koefisien determinasi yaitu 0.307
yang artinya bahwa pengaruh variabel bebas (prediktor) terhadap variabel terikat (respon)
sebesar 30.7 %, nilai R yang sesuai yaitu 0.245, estimasi standar erorr sebesar 150.203 ,
perubahan nilai R sebesar 0.307, perubahan F hitung yakni sebesar 4.984 , derajat bebas 1
dan derajat bebas 2 yakni berturut-turut 4 dan 45. Nilai perubahan signifikasinya yaitu
0.002 kurang dari nilai 0.05 (α) yang menunjukan variabel X (prediktor) dalam hal ini
X1,X2,X3 dan X4 memiliki pengaruh terhadap variabel Y (respon) dalam hal ini Y.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 449818.669 4 112454.667 4.984 .002b
Residual 1015245.011 45 22561.000
Total 1465063.680 49
a. Dependent Variable: Y
b. Predictors: (Constant), X4, X3, X2, X1
Interpretasi:

Tabel diatas merupakan tabel ANOVA (Analysis of variance) atau ANAVA (Analisis
Varian) . Tabel diatas memberikan informasi bahwa jumlah kuadrat perlakuan (JKP) dari
regresi diatas yaitu 449818.669 dengan jumlah kuadrat galat (JKG) dari residual (eror)
sebesar 1015245.011 dan jumlah kuadrat total (JKT) yaitu 1465063.680 . Derajat bebas
(Deggree of freedom) dari data diatas bertururt turut yaitu 4 dan 45. Kuadrat tengah
perlakuan (KTP) dari regresi tersebut yaitu 112454.667 dan Kuadrat tengah galat (KTG)
dari residual (eror) yaitu 22561.000 dengan membagi kuadrat tengah perlakuan dengan
kuadrat tengah galat didapat nilai Fhitung dari data diatas yaitu 4.984 dengan tingkat
signifikasi sebesar 0.002 lebih kecil dari α=0.005, maka dapat disimpulkan model regresi
dapat dipakai untuk memprediksi variabel X atau dengan kata lain terdapat pengaruh antara
variabel X dengan variabel Y .
 Coefficientsa
Unstandardized Standardized 95.0% Confidence
Coefficients Coefficients Interval for B Correlations
Lower Upper Zero-
Model B Std. Error Beta t Sig. Bound Bound order Partial Part
1 (Constant) 156.346 64.556 2.422 .020 26.323 286.369
X1 -.003 .004 -.430 -.961 .342 -.010 .004 .431 -.142 -.119

X2 .455 .255 .247 1.789 .080 -.057 .968 .395 .258 .222

X3 25.505 14.149 .805 1.803 .078 -2.991 54.002 .485 .260 .224

X4 .020 .099 .027 .201 .841 -.179 .219 .159 .030 .025

a. Dependent Variable: Y

Interpretasi:
Pada analisis regresi linear berganda yang digunakan untuk mengestimasi pola
hubungan/bentuk fungsional antara satu variabel respon Y dan lebih dari satu variabel
prediktor X dengan model umum Yi = β0 + β1 Xi1 + β2 Xi2 + ...+ βj Xij +... + βp Xip + εi .
Mengestimasi persamaan regresi berarti menentukan estimator parameter sehingga
diperoleh penduga dengan Ŷ . Pada tabel diatas memberikan informasi nilai konstan (b0)
sebesar 156.346 sedangkan nilai koefisien regresi b1 yaitu -0.03, b2 yaitu sebesar 0.455, b3
yaitu sebesar 25.505 dan b4 yaitu sebesar 0.020 sehingga diperoleh persamaan regresi linear
berganda yaitu Ŷ= 156.346-0.03X1+0.455X2+25.505X3+0.020X4. Persamaan tersebut
berarti bahwa nilai konstanta dependent variabel sebesar 156.346 dengan koefisien regresi
X sebesar bernilai positif yang menyatakan bahwa pada setiap penambahan 1 % variabel
Y akan bertambah . Koefisien regresi tersebut bernilai positif, sehingga dapat dikatakan
bahwa arah pengaruh variabel X terhadap variabel Y adalah positif. Pengambilan
keputusan pengaruh antar variabel dapat menggunakan nilai t hitung yang tertera pada tabel
dan nilai signifikasi. Untuk menguji apakah model regresi diatas adalah model yang tepat
dilakukan dengan uji serentak (F), uji parsial (t) atau menggunakan nilai signifikasi. Untuk
melakukan uji hipotesis dirumuskan hipotesis dengan H0 (hipotesis 0) yaitu model tidak
tepat (βi=0) dan H1(hipotesis alternatif) yaitu model tepat (βi≠0). Berdasarkan nilai
signifikasi pada tabel diatas yaitu 0.020 lebih dari α=0.005 sehingga H0 diterima dan H1
ditolak. Oleh karena itu didapatkan kesimpulan bahwa parameter signifikan tersebut tidak
valid karena sama dengan nol dan berakibat bahwa model regresi linear yang didapat pada
taraf signifikasi 5% adalah model yang tidak tepat.