MAKALAH

“METODE STATISTIKA”
Disusun Untuk Memenuhi Tugas Ujian Akhir Semester Mata Kuliah Metode Statistika

Dosen Pengampu:
Dr. H. Karim, M.Si.
Kamaliyah, S.Pd., M.Pd.

Disusun oleh: Kelompok 1

Arya Dharmawan W. K. 1710118110003
Baihaki 1710118110005
Liko Noor Rafianto R. 1710118210016
Maulana Fatiehurrizqie A. 1710118210018

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN PENDIDIKAN MATEMATIKA DAN IPA
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS LAMBUNG MANGKURAT
BANJARMASIN
2018
A. Pendahuluan

Regresi atau peramalan adalah suatu proses memperkirakan secara sistematis tentang
apa yang paling mungkin terjadi dimasa yang akan datang berdasarkan informasi masa lalu
dan sekarang yang dimiliki agar kesalahan dapat diperkecil.
Regresi juga dapat diartikan sebagai usaha memperkirakan perubahan. Supaya tidak
salah paham bahwa peramalan tidak memberikan jawaban pasti tentang apa yang akan
terjadi, melainkan berusaha mencari pendekatan apa yang akan terjadi. Jadi regresi
mengemukakan tentang keingintahuan apa yang terjadi dimasa depan untuk memberikan
kontribusi menentukan keputusan terbaik.
Regresi non linear adalah suatu metode untuk mendapatkan model non linear
yang menyatakan variabel dependen dan independen. Apabila hubungan fungsi antara
variabel bebas X dan variabel tidak bebas Y bersifat non linear, tansformasi bentuk
nonlinear ke bentuk linear. Untuk mendapatkan linearitas dari hubungan non linear,
dapat dilakukan transformasi pada variabel dependen atau variabel independen atau
keduanya. Dalam kasus regresi non linear, yang banyak digunakan yaitu model regresi
eksponensial dan regresi geometri. Regresi non linear dimaksudkan sebagai satu bentuk
regresi yang melihat hubungan antara variabel predictor (X) dengan variabel respon
(Y), yang tidak bersifat linier. Kemudahan model regresi non linear tersebut karena
dapat ditransformasikan ke model regresi linear.
Hubungan fungsi X dan Y dikatakan tidak linier bilamana laju perubahan y sebagai
akibat perubahan x itu tidak konstan untuk nilai-nilai x tertentu. Kondisi hubungan fungsi
tidak linier ini (kurvilinier) seringkali dijumpai dalam banyak bidang. Misalnya, ketika
seseorang belajar, bertambahnya jam belajar dalam satu hari meningkatkan pemahamannya
terhadap materi yang dipelajarinya. Tetapi bila mana jam belajarnya ditambah terus tanpa
istirahat, akan timbul kejenuhan yang berdampak pada penurunan daya serapnya. Pada
bidang pertanian dapat diamati hubungan tidak linier ini pada hubungan hasil padi dengan
taraf pemupukan nitrogen. Secara umum hasil padi akan meningkat cepat bila pemberian
nitrogen ditingkatkan dari taraf rendah ke taraf sedang. Tetapi ketika pemberian dosis
nitrogen diteruskan hingga ke taraf tinggi, maka tambahan dosis nitrogen tidaka lagi
diimbangi kenaikan hasil, sebaliknya terjadi penurunan hasil. Dalam teori ekonomi, kasus
 demikian juga sering dijumpai dan secara khusus dibahas dalam the law of diminishing
marginal return (pertambahan hasil yang semakin berkurang).

Kegunaan regresi dalam penelitian salah satunya adalah untuk meramalkan atau
memprediksi variabel terikat/kriterion (Y) apabila variabel bebas/prediktor (X) diketahui.

B. Regresi Nonlinear

Regresi nonlinear ialah bentuk hubungan atau fungsi dimana variabel prediktor X dan
variabel kriterion Y dapat berfungsi sebagai faktor atau variabel dengan pangkat tertentu.
Selain itu, variabel prediktor X dan variabel kriterion Y dapat berfungsi sebagai penyebut
(fungsi pecahan), maupun variabel X dan variabel Y dapat berfungsi sebagai pangkat fungsi
eksponen = fungsi perpangkatan.
Regresi nonlinear atau kurvilinear adalah suatu fungsi yang menghubungkan variabel
terikat Y dengan variabel bebas X yang sifatnya tidak konstan untuk setiap perubahan nilai
X. Untuk itu diperlukan proses transformasi variabel terlebih dahulu, yaitu menyesuaikan ke
bentuk hubungan yang cocok dengan cara membuat grafik sesuai data riilnya.
Apabila hubungan antara variabel independent dan variabel dependen tidak linear,
maka regresi dikatakan regresi non linear.
Bentuk dari hubungan regresi non linear adalah:
𝒀𝒊 = f (Xi y + 𝜺 )

dengan 𝑌𝑖 adalah fungsi respon non linear dari parameternya.

Di bawah ini adalah contoh model regresi non linear dalam parameter :
𝒅𝒇
𝒀𝒊 = 𝒆−𝜽𝒙𝒊 + 𝜺𝒊 . karena = -xi 𝒆−𝜽𝒙𝒊 merupakan fungsi dalam 𝜃 maka model ini adalah
𝒅𝜽

model non linear dalam parameter.

Salah satu bentuk dari regresi non linier ini yaitu bentuk geometri atau yang sering
disebut bentuk power.
𝒀𝒊 = 𝜷𝟎 𝑿𝒊 𝜷𝟏 𝜺𝒊 i = 1,23, ... , n

Keterangan:
 𝑌𝑖 : variabel terikat ke-i
𝑋𝑖 : variabel bebas ke-i
𝛽0 : parameter konstanta
𝛽1 : parameter koefisien regresi yang tidak diketahui nilainya dan akan diestimasi
𝜀𝑖 : error dengan mean, dengan 𝜀1 ~ N (0,𝜎 2 )
N : banyaknya data observasi

Persamaan 𝒀𝒊 = 𝜷𝟎 𝑿𝒊 𝜷𝟏 𝜺𝒊 dapat ditransformasikan ke bentuk regresi linier yaitu:

𝒀𝒊 ∗ = 𝜷𝟎 ∗ + 𝜷𝟏 𝑿𝒊 ∗ + 𝜺𝟏 ∗

C. Pengujian Parameter Regresi Sederhana

Pengujian hipotesis secara statistik mengenai signifikan atau tidaknya parameter-

parameter dalam model regresi merupakan bagian yang penting. Ada dua uji untuk
mengetahui signifikansi parameter, yaitu uji serentak dan uji parsial. Untuk mengetahui
apakah nilai-nilai dari parameter yang diperoleh signifikan atau tidak maka diperlukan
uji hipotesis, salah satu uji yang bisa digunakan adalah uji t, uji t digunakan untuk menguji
koefisien regesi secara individual atau untuk menguji ada tidaknya pengaruh variabel bebas
(X) terhadap variabel tidak bebas (Y).

Hipotesis statistiknya:
Ho : β = 0 (X tidak berpengaruh terhadap Y)
H1 : β ≠ 0 (X berpengaruh terhadap Y)

Statistik uji :
𝑏
𝑡=
𝑠𝑏
𝑠
𝑠2
𝑏= √ 𝑛 𝑒 2
∑𝑖=1 𝑥𝑖

𝑠2 ∑𝑛 𝑒 2
𝑒= 𝑖=1 𝑖
𝑛−2
 𝑛 𝑛 𝑛

∑ 𝑒𝑖2 = ∑ 𝑦𝑖2 − 𝑏 (∑ 𝑥𝑖2 )

2

𝑖=1 𝑖=1 𝑖=1

Kriteria uji : tolak Ho jika thit ≥ ttab atau thit ≤- ttab dan terima Ho jika - ttab< thit <ttab

D. Jenis-Jenis Regresi

1. Bentuk Polinomial

Bentuk polinomial mempunyai beberapa derajat seperti:

derajat 1, Y = a + b𝑋2
derajat 2, Y = a + b𝑋 + c𝑋2
derajat 3, Y = a + b𝑋 + c𝑋2+𝑑𝑋3 dan seterusnya..
Fungsi polinomial biasanya berbentuk siklus atau ada titik minimum dan titik
maksimum. Bentuk polinomial banyak ditemui dalam fenomena ekonomi, seperti siklus
daur hidup produk,
Dalam bentuk diagram pencar, regresi polinomial digambarkan:
2. Bentuk Eksponensial

Model ini sering digunakan dalam prediksi jumlah penduduk dimasa yang akan datang,
karena bentuk pertumbuhan penduduk itu cenderung untuk mengikuti pola garis eksponensial.
Untuk perencanaan pendidikan, model ini mempunyai kemungkinan besar dibutuhkan, karena
perencanaan pendidikan ada kaitannya dengan pertumbuhan penduduk.
Selain dari itu, model ini sering juga digunakan untuk mengatasi problem regresi yang
semula diduga linier ternyata tidak terbukti bahwa persamaanya linier. Jika kita menghadapi
kasus seperti itu biasanya langkah penyelamatannya adalah melakukan transformasi dengan
jalan menghitung a maupun b berdasarkan logaritma atas nilai Y. Apabila persamaan regresi
linier itu di log maka persamaannya akan berubah menjadi:

Log Ŷ= log a + (log b) X

Persamaan diatas kalau dihilangkan lognya akan berubah menjadi:

̂ = 𝒂𝒃𝑿
𝒀

Perhitungan a dan b agak berbeda dengan perhitungan yang telah dibahas di muka. Dalam
kasus ini kita harus menghitung terlebih dulu nilai log dari a maupun b. Baru kemudian
dihitung antilognya untuk memperoleh koefisien regresinya.

Untuk menghitung nilai koefisien regresi a digunakan rumus:

∑ 𝐥𝐨𝐠 𝒀 ∑𝑿
𝐥𝐨𝐠 𝒂 = − (𝐥𝐨𝐠 𝒃) ( )
𝒏 𝒏

Sedangkan untuk menghitung koefisien regresi b digunakan rumus:

𝒏(∑ 𝑿 𝐥𝐨𝐠 𝒀) − (∑ 𝑿)(∑ 𝐥𝐨𝐠 𝒀)
𝐥𝐨𝐠 𝒃 =
𝒏 ∑ 𝑿𝟐 − (∑ 𝑿)𝟐

Untuk mempermudah perhitungan sering dilakukan penyederhanaan dengan jalan

perhitungan antilog, sehingga koefisien regresinya dengan mudah dicari dengan rumus:
 a = antilog (log a)
b = antilog (log b)

Dalam bentuk diagram :

3. Bentuk Hiperbola

Bentuk fungsi regresi hiperbola yaitu:

𝟏 𝟏
𝒀 = 𝒂 + 𝒃 (𝑿) 𝒂𝒕𝒂𝒖 = 𝒂 + 𝒃𝑿
𝒀
 Bentuk fungsi hiperbola atau disebut dengan transformasi terbalik (reciprocal transformation
model). Seperti pada gambar fungsi hiperbola terlihat, jika a dan b positif, maka Y akan menurun
secara tidak linear bila X meningkat. Y menurun secara kontinu dengan meningkatnya X,
kemudian mendekati nilai asimptotik konstan sebesar intersep, yaitu a. Begitu pula sebaliknya
untuk nilai a positif dan b negatif, maka Y akan meningkat secara tidak linear dengan
meningkatnya X dan makin lama mendekati nilai asimptotiknya, yaitu a.

Untuk model Y = a + b (1/𝑋) atau y = a – b(1/𝑋) kita tidak dapat meregresikan langsung
Y dengan X untuk mendapatkan nilai koefisien regresi a dan b. Untuk itu diperlukan
transformasi data yaitu nilai X dibuat 1/𝑋 dan kemudian diregresikan dengan Y. Hasil regresi
Y dengan 1/𝑋 akan menghasilkan koefisien regresi a dan b dalam bentuk fungsi hiperbola.

Dalam bentuk diagram pencar, regresi hiperbola digambarkan:

4. Bentuk Gompertz
Persamaan regresi nonlinear dengan model pertumbuhan yang banyak dikenal adalah kurva
Gompertz. Bentuk kurva Gompertz yang naik (turun) dan akhirnya mendekati suatu titik maksimal
sebagai batas (asimtot). Dengan kalimat lain, kecenderungan pertumbuhan dapat berlangsung
 secara kontinu dengan rasio pertumbuhan yang makin lama makin menurun. Bentuk ini sangat
penting bagi analisis perkembangan ekonomi kota, peramalan jumlah penduduk pada usia tertentu,
konsumsi penduduk dan sebagainya. Kurva Gompertz juga dapat digunakan bagi penggambaran
perkembangan dengan presentase konstan pertambahan yang menurun makin kecil.

Persamaan kurva Gompertz adalah sebagai berikut:

𝑿
𝒀 = 𝒌𝜶𝜷

Dimana 𝛽 perbandingan konstan antara selisih-selisih pertama secara berurutan, k batas asimtot
dari kecenderungan pertumbuhan dan 𝛼 adalah rasio perbandingan selisih-selisih. Bila
persamaan di atas diambil logaritmanya akan diperoleh bentuk eksponensial yang diubah.

𝐥𝐨𝐠 𝒀 = 𝐥𝐨𝐠 𝒌 + 𝜷𝑿 𝐥𝐨𝐠 𝜶

Secara matematis, bila jumlah pengamatan sebanyak n (jumlah tahun dalam sub-periode),
maka nilai-nilai konstanta dapat dirumuskan dalam 3 persamaan:

Gambar Kurva Gompertz:

5. Bentuk Logistik

Seperti halnya kurva Gompertz, pertumbuhan yang digunakan untuk mewakili

penggambaran perkembangan yang mula-mula tumbuh dengan cepat sekali tetapi berangsur
lambat sampai mencapai titik tertentu (asimtot) adalah kurva logistik atau kurva Pearl-Reed.
Pertumbuhan semacam ini biasanya dialami oleh pertumbuhan seperti jenis industri,
pertumbuhan biologis dan lain-lain. Bentuk persamaan logistik adalah sebagai berikut:

Persamaan di atas memiliki asimtot a. Ada kalanya persamaan itu dinyatakan dalam basis
bilangan natural yaitu:

Untuk mencari konstanta k, 𝛼 dan 𝛽 (𝛽<0) dapat diikuti prosedur sebagai berikut:
Kita pilih sembarang 3 nilai X dengan selisih masing-masing sama 𝑡 = 𝑋3 − 𝑋2 = 𝑋2 − 𝑋1
misalkan titik (𝑋= 0, 𝑌1), (𝑋= 9, 𝑌2) dan (𝑋= 18, 𝑌3). Selanjutnya konstanta-konstanta dapat
dirumuskan dalam 3 persamaan :

Gambar Kurva Logistik:

6. Bentuk Geometri

Bentuk dari fungsi ini adalah berupa bentuk regresi linear berganda dimana dalam fungsi ini
terdapat fungsi trigonometri. Bentuk yang paling sederhana dari fungsi ini adalah:
𝑌 = 𝑎 + 𝑏 sin 𝑑𝑋 + 𝑐 cos 𝑑𝑋. Bentuk fungsi ini disebut kurva Faurier. Selain itu ada lagi bentuk-
bentuk yang lebih kompleks seperti: 𝑌 = 𝑎 + 𝑏 sin𝑋 + 𝑐 cos𝑋 + 𝑑 𝑠𝑖𝑛 2𝑋 + 𝑒 𝑐𝑜𝑠2𝑋 +⋯; dan
seterusnya.

𝐃𝐨𝐮𝐛𝐥𝐞 𝐥𝐨𝐠, 𝐘 = 𝛂𝐗 𝐛
Bentuk double log seperti terlihat pada gambar di bawah menunjukkan bahwa perubahan
X dan Y tidak sama. Untuk kemiringan atau slope positif (b > 0) penambahan X pertama-tama
akan menyebabkan perubahan Y yang kecil, kemudian semakin membesar dan sebaliknya
untuk kemiringan atau slope negatif (b < 0) penambahan X akan menyebabkan penurunan Y
yang semakin lama semakin kecil
Apabila data riil diplot atau fitting sebagaimana tampak pada gambar di atas, maka bentuk
yang sesuai adalah eksponensial atau double log, yaitu 𝑦= 𝛼 𝑋𝑏. Namun demikian, kita tidak
bisa meregresikan y dengan x secara langsung. Oleh karena itu, fungsi double log tersebut
harus dibuat linier dengan cara berikut:

dimana Y = ln Y dan X = ln X. Jadi untuk meregresikan persamaan eksponensial di atas

dilakukan transformasi data terlebih dahulu, yaitu data Y dibuat ln Y dan data X dibuat ln X.
Sesudah data ditransformasi maka dilakukan regresi sebagaimana mestinya untuk
mendapatkan koefisien regresi a dan b dalam bentuk linier, yaitu y = a + bx.
Ada beberapa keuntungan dari model double log yaitu koefisien regresi b sebagai koefisien
kemiringan juga sekaligus sebagai elastisitas Y terhadap X. Jika Y adalah permintaan dan x
adalah harga, maka b adalah elastisitas harga permintaan.
 KASUS
Disajikan data hubungan antara “Tingkat Conscientious” dengan “Kepuasan Hidup” sebagai
berikut.
No. Kepuasan Hidup (Y) Tingkat Conscientious (X)
1 45 6
2 30 5
3 38 2
4 50 1
5 30 2
6 34 5
7 40 2
8 57 7
9 35 2
10 51 7
11 30 5
12 39 6
13 40 2
14 30 5
15 10 3
16 40 2
17 45 1
18 14 3
19 54 7
20 50 1
21 31 5
22 43 6
23 27 5
24 51 7
25 50 7
26 51 7
27 10 4
28 34 5
29 28 5
30 35 2
 60

50

40
Kepuasan Hidup

30

20

10

0
0 1 2 3 4 5 6 7 8
Tingkat “Conscientious”

Scatter Plot dari kasus ini membentuk kurva membuka ke atas, sehingga regresi kuadratik lah
yang dapat kita terapkan pada kasus ini.

Penyelesaian Kasus dengan Menggunakan Rumus

• Buatlah H1 dan H0 dalam bentuk kalimat:

H1 : terdapat pengaruh yang signifikan antara “Conscientiousness” dengan kepuasan
hidup.
H0 : tidak terdapat pengaruh yang signifikan antara antara “Conscientiousness”
dengan kepuasan hidup.
• Perhatikan bahwa variabel X diganti dengan X1 dan X2 diganti dengan X2. Dengan
demikian kerjakan menurut regresi linear berganda.
• Buatlah tabel penolong untuk menghitung angka statistik

No Y X=X1 X2=X2 YX1 YX2 X1X2

1 45 6 36 270 1620 216
 2 30 5 25 150 750 125
3 38 2 4 76 152 8
4 50 1 1 50 50 1
5 30 2 4 60 120 8
6 34 5 25 170 850 125
7 40 2 4 80 160 8
8 57 7 49 399 2793 343
9 35 2 4 70 140 8
10 51 7 49 357 2499 343
11 30 5 25 150 750 125
12 39 6 36 234 1404 216
13 40 2 4 80 160 8
14 30 5 25 150 750 125
15 10 3 9 30 90 27
16 40 2 4 80 160 8
17 45 1 1 45 45 1
18 14 3 9 42 126 27
19 54 7 49 378 2646 343
20 50 1 1 50 50 1
21 31 5 25 155 775 125
22 43 6 36 258 1548 216
23 27 5 25 135 675 125
24 51 7 49 357 2499 343
25 50 7 49 350 2450 343
26 51 7 49 357 2499 343
27 10 4 16 40 160 64
28 34 5 25 170 850 125
29 28 5 25 140 700 125
30 35 2 4 70 140 8
Total 1122 127 667 4953 27611 3883
Rata-rata 37.4 4.2333 22.2333 165.1 920.3667 129.4333
Jumlah
Kuadrat 46364 667 23827

• Masukkan angka-angka statistik pada rumus untuk mencari 𝑏1 , 𝑏2, 𝑏0 dan buatlah
persamaan regresi

2 2 (∑ 𝑋1 )2 (127)2
∑ 𝑥1 = ∑ 𝑋1 −[ ] = 667 − = 129,3667
𝑛 30
 2 2 (∑ 𝑋2 )2 (667)2
∑ 𝑥2 = ∑ 𝑋2 −[ ] = 23827 − = 8997,3667
𝑛 30
∑ 𝑋1 ∑ 𝑋2 (127) (667)
∑ 𝑥1 𝑥2 = ∑ 𝑋1 𝑋2 − [ ] = 3883 − = 1059,3667
𝑛 30
∑ 𝑋1 ∑ 𝑌 (127) (1122)
∑ 𝑥1 𝑦 = ∑ 𝑋1 𝑌 − [ ] = 4953 − = 203,2
𝑛 30
∑ 𝑋2 ∑ 𝑌 (667) (1122)
∑ 𝑥2 𝑦 = ∑ 𝑋2 𝑌 − [ ] = 27611 − = 2665,2
𝑛 30

2
(∑ 𝑌)22
(1122)2
∑𝑦 = ∑𝑌 − [ ] = 46364 − = 4401,2
𝑛 30
Maka,
∑ 𝑥2 2 ∑ 𝑥1 𝑦 − ∑ 𝑥1 𝑥2 ∑ 𝑥2 𝑦
𝑏1 =
∑ 𝑥1 2 ∑ 𝑥2 2 − (∑ 𝑥1 𝑥2 )2
(8997,3667 ) (203,2) − (1059,3667 ) (2665,2 )
= = −23,8637
(129,3667)(8997,3667) − ( 1059,3667 )2
∑ 𝑥1 2 ∑ 𝑥2 𝑦 − ∑ 𝑥1 𝑥2 ∑ 𝑥1 𝑦
𝑏2 =
∑ 𝑥1 2 ∑ 𝑥2 2 − (∑ 𝑥1 𝑥2 )2
(129,3667) (2665,2 ) − (1059,3667 ) (203,2)
= = 3,106
(129,3667)(8997,3667) − ( 1059,3667 )2
𝑏0 = 𝑌̅ − (𝑏1 𝑋̅) − (𝑏2 𝑋̅2 )
= 37.4 − (−23,8637)(4,2333) − (3,1060)(22,2333) = 69,3656
• Persamaan regresi diperoleh
𝑌̂ = 69,3656 − 23,8637𝑋1 + 3,1060𝑋2
Karena 𝑋1dan 𝑋2 merupakan nilai dari 𝑋 dan 𝑋 2 maka
𝑌̂ = 69,3656 − 23,8637𝑋 + 3,1060𝑋 2
• Menghitung koefisien determinasi
(𝑏1 ∑ 𝑥1 𝑦) + (𝑏2 ∑ 𝑥2 𝑦)
𝑟2 =
∑ 𝑦2
(−23,8637)(203,2) + (3,1060)(2665,2 )
= = 0,7791
4401,2
• Mencari Fhitung, dengan mengerjakan anovanya. Diperoleh Fhitung = 6,001
 • Cari nilai Ftabel menggunakan Tabel F dengan rumus:
Taraf signifikansinya α = 0,05 dbRes = 27
Ftabel = F(1- α)(db reg, [db Res])
Ftabel = F(1- 0,05)([2], [27])
Ftabel = 3,35

Ternyata Fhitung > Ftabel, atau 6,001 > 3,35 , maka signifikan

• Kesimpulan: Karena Fhitung lebih besar dari Ftabel, maka tolak H0 dan terima H1.
Dengan demikian terdapat pengaruh yang signifikan antara “Conscientiousness”
dengan kepuasan hidup.

Pada langkah diatas kita peroleh nilai 𝑅 2 = 0,779, yang artinya tingkat
“conscientiousness” berpengaruh terhadap kepuasan hidup sebesar 77,9% dengan
penduga persamaan regresi kuadrat.

Penyelesaian Kasus Dengan Menggunakan SPSS

1. Buka aplikasi SPSS sehingga muncul tampilan seperti di bawah ini.
2. Klik variable view yang ada dipojok kiri bawah dari SPSS. Pada kolom Name, isi dengan
nama variable data, dalam kasus ini kita isi dengan “conscientiousness” untuk baris 1 dan
“kepuasan” untuk baris 2. Keterangan dari variabel data dapat diisi pada kolom label.

3. Selanjutnya klik Data View. Masukkan data conscientiousness dan kepuasan hidup.

4. Kita akan membuat scatter plot dari hubungan antara conscientiousness dan kepuasan
hidup. Klik Graphs > Legacy Dialogs > Scatter/Dot > Simple Scatter > Define. Masukkan
“conscientiousness” ke X_Axis dengan cara klik “conscientiounes” kemudian klik panah
yang mengarah ke X_Axis. Dengan cara yang serupa, masukkan “kepuasan hidup” ke
Y_Axis.

Klik OK, dan jendela baru akan terbuka.

Seperti yang dapat kita lihat, terbentuk pola kurva terbuka ke atas yang mengindikasikan
bahwa regresi kuadratik lah yang dapat kita terapkan pada kasus ini.
5. Sekarang kita akan melakukan regresi kuadratik. Klik Transform > Compute Variable.
Kita akan membuat variabel baru berupa “conscientiousness-kuadrat”. Caranya, masukkan
“conscientiousness” ke dalam Numeric Expression, tekan tombol (*), kemudian sekali lagi
masukkan “conscientiousness” ke dalam Numeric Expression sehingga hasilnya menjadi
“conscientiousness*conscientiousness”. Isi Target variable dengan “ckuadrat” atau nama
lainnya yang diinginkan.

6. Klik OK, maka akan muncul variabel baru seperti ini:

7. Sekarang kita tinggal menggunakan regresi seperti biasa. Klik Analyze > Regression >
Linear. Masukkan “kepuasan” ke kotak Dependent, kemudian masukkan
“conscientiousness” dan “ckuadrat” ke kotak Independent. Jangan lupa klik OK.

8. Kita akan memperoleh hasil sebagai berikut:

Kesimpulan
a) Dari tabel ANOVA kita peroleh nilai F sebesar 47,612 dengan signifikansi 0,000.
Dengan demikian dapat kita simpulkan bahwa hubungan antara conscientiousness
dan kepuasan hidup dapat diterangkan dengan persamaan kuadrat.
b) Dari kolom Unstandardized B pada tabel Coefficients, kita mendapat persamaan
regresi kuadratik
𝑌̂ = 69.367 − 23.864𝑋 + 3.106𝑋 2
yang menerangkan hubungan antara conscientiousness dan kepuasan hidup.
c) Dari tabel Model Summary, kita peroleh nilai 𝑅 2 = 0,779, yang artinya tingkat
“conscientiousness” berpengaruh terhadap kepuasan hidup sebesar 77,9% dengan
penduga persamaan regresi kuadrat.
 Daftar Pustaka

Riduwan. 2003. Dasar-dasar Statistika.Bandung: Alfabeta

Suharyadi, & P. S. 2009. Statistika: Untuk Ekonomi dan Keuangan Modern, Edisi 2.
Jakarta: Salemba Empat.
Trijono, R. 2014. Dasar-Dasar Statistika Hukum. Jakarta: Papas Sinar Sinanti.
Wibisono, Y. 2009. Metode Statistik. Yogyakarta: Gadjah Mada University Press.
Dr. Matt C. Howard, “Quadratic Regression in SPSS”. https://mattchoward.com/quadratic-
regression-in-spss/ (diakses pada 29 Desember 2018)
Dr. Matt C. Howard, “Regression in SPSS”. https://mattchoward.com/regression-in-spss/ (diakses
pada 30 Desember 2018)
Kuswanto. “Regresi Kuadratik”. http://kuswanto.lecture.ub.ac.id/files/2012/02/Kwt-5.Regresi-
Kuadratik.pdf (diakses pada 29 Desember 2018)
Mellyna E. Y. F., “Contoh Perhitungan Manual Analisis Regresi Linear Berganda (Dua Variabel) - 1
http://jam-statistic.blogspot.com/2014/07/contoh-penghitungan-manual-analisis.html?m=1
(diakses pada 30 Desember 2018)
Quadratic Least Square Regression. https://www.azdhs.gov/documents/preparedness/state-
laboratory/lab-licensure-certification/technical-resources/calibration-training/12-quadratic-
least-squares-regression-calib.pdf (diakses pada 29 Desember 2018)