BAB X

ANALISIS REGRESI

Tujuan Pembelajaran
Setelah menyelesaikan bahasan analisis korelasi dan regresi ini diharapkan:
(1) mahasiswa dapat menemukan persamaan regresi sederhana,
(2) mahasiswa dapat melakukan prediksi menggunakan satu variabel bebas,
(3) mahasiswa dapat menemukan persamaan regresi ganda,
(4) mahasiswa dapat melakukan prediksi menggunakan variabel bebas ganda.

Melalui analisis regresi, kondisi yang belum diketahui dapat diprediksi berdasarkan data-
data yang telah ada. Melalui analisis regresi akan dapat ditemukan nilai prediktor variabel bebas
terhadap variabel terikat (kriterium). Melalui analisis regresi didapatkan apakah suatu variabel
bebas merupakan prediktor yang signifikan terhadap variabel terikat (kriterium). Nilai predictor
suatu variabel bebas dilihat dari harga koefisien dari persamaan regresi yang dapat bernilai positif
atau negatif. Kekuatan prediksi akan tergantung pada besar kemiringan sudut garis regresi, makin
besar sudut miringnya akan makin kuat prediktornya. Oleh karena itu yang diuji dalam pesamaan
regresi adalah signifikansi dari koefisien regrasi (harga b).
Analisis regresi sangat erat kaitan dengan analisis korelasi, sehingga beberapa pakar
statistik menggabungkan analisis regresi dengan analisis korelasi. Hal ini terutama untuk analisis
regresi dan analisis korelasi ganda. Dalam program SPSS analisis korelasi ganda juga berada di
bawah analisis regresi. Demikian pula dilihat persyaratan analisis, kedua analisis ini untuk
mencapai ketepatan hasil diperlukan uji persyaratan yang sama.
Bentuk garis persamaan regresi dapat berupa garis lurus atau garis melengkung. Bentuk
persamaan regresi garis lurus dinamakan regresi linear, sedang bentuk garis melengkung
dinamakan regresi nonlinear. Bahasan dalam buku ini hanya difokuskan pada regresi linear. Dalam
regresi linear peningkatan variasi pada kriterium diikuti secara konsisten oleh peningkatan pada
prediktor, demikian juga penurunannya.
Analisis yang dilakukan dalam bagian ini adalah regresi parametrik, sehingga data yang
digunakan sama dengan untuk analisis korelasi, yaitu pada skala interval, rasio, skor. Demikian
juga masing-masing variabel memiliki data yang saling berkaitan atau berpasangan. Ada dua
analisis yang dibahas pada bagian analisis regresi ini, yaitu analisis regresi tunggal dan analisis
regresi ganda.
10.1. Analisis Regresi Tunggal
Analisis regresi adalah analisis yang digunakan untuk menentukan prediksi suatu variabel
berdasarkan variabel predictor. Berapa kebutuhan guru 10 tahun ke depan, berapa kebutuhan beras
5 tahun kedepan, apa penentu dari keberhasilan siswa, atau apakah motivasi sebagai predictor yang
signifikan dari prestasi belajar, semua itu dapat diketahui melalui analisis regresi. Ada dua variabel
yang disertakan dalam analisis regresi tunggal, yaitu variabel tergantung atau kriterium dan
variabel bebas atau variabel prediktor. Variabel kriterium biasanya diberi simbul Y, sedang
variabel prediktor dengan simbul X.
Persamaan regresi tunggal ditunjukkan dengan 𝑌̂ = b X + a. Harga b adalah koefisian
regresi dan a adalah nilai konstanta. Bila harga b positif, maka garis regresi akan condong kekanan,
sebaliknya bila harga b negatif, maka garis regresi akan condong kekiri. Variabel X disebut sebagai

99
prediktor (variabel bebas), sedang variabel Y disebut sebagai variabel yang diprediksi (variabel
tergantung). Diagram regresi terlihat pada Gambar 10.1.1.

Y Y

y = -bx + a
y = bx + a

b a -b

a Intersep
X X

Gambar 10.1.1. Diagram Garis Regresi

Persamaan regresi tersebut adalah untuk sampel, sedang persamaan regresi untuk populasi adalah 𝑌̂
=  X (Kerlinger dan Pedhazur, 1973). Koefisien  adalah harga koefisien regresi yang telah
distandar (standardize) (Pedhazur, 1973). Dengan demikian bila ingin menyatakan persamaan
regresi tidak distandar 𝑌̂ = b X + a, sedang persamaan regresi yang distandar 𝑌̂ =  X.
Rumus untuk mencari harga b dan a dari persamaan 𝑌̂ = bX + a adalah
N ∑XY − ∑X ∑Y ∑Y – 𝑏 ∑X
b= N ∑X2 − (∑X)2
dan a = N

Hipotesis yang diuji pada analisis regresi adalah koefisien regresinya atau harga b pada
persamaan regresi. Hasil uji koefisien regresi adalah mengetahui signifikan atau tidak signifikan
harga koefisien. Koefisien regresi yang signifikan akan mampu memberikan pengaruh atau
prediktor secara berarti pada kriterium, begitu juga sebaliknya. Berkaitan dengan pengujian
hipotesis, ada dua jenis hipotesis yang dirumuskan, yaitu dirumuskan secara direksional atau
nondireksional. Perumusan hipotesis ini akan mempengaruhi dalam penyimpulan penolakan
terhadap hipotesis nol. Karena penyimpulan dalam hipotesis nondireksional diperlukan dua
langkah penyimpulan, yaitu penyimpulan ada atau tidaknya korelasi, baru korelasi yang terjadi
positif atau negatif. Contoh hipotesis untuk menguji koefisien regresi sebagai berikut.
Hipotesis: Variabel X merupakan prediktor yang positif dari variabel Y
Ha: b > 0
Ho: b = 0
Hipotesis: Variabel X merupakan prediktor dari variabel Y
Ha: b ≠ 0
Ho: b = 0
Harga b merupakan slope garis regresi atau tangen garis terhadap sumbu X. Bila harga b
positif, maka makin besar harga X akan makin besar harga Y. Sebaliknya bila harga b negatif,
maka makin besar harga X akan makin kecil harga Y. Makin besar harga b positif, berarti variabel
X merupakan prediktor positif makin baik. Makin giat berlatih, makin meningkat prestasinya.
Seberapa peningkatanya tajam atau tidak. Makin giat berlatih, makin turun berat badan. Seberapa
penurunannya tajam atau tidak. Kekuatan prediksi regresi ditandai dengan signifikannya koefisien
regresi. Harga a adalah intercept (suatu nilai Y jika X = 0).
Untuk menguji koefisien regresi (b) dapat digunakan t-test
𝑏
t = 𝑆𝑏𝑖 (Howell, 1982 & Pedhazur, 1973)
𝑖

b = koefisien regresi

100
 𝑆𝑦.𝑥
Sb = (Pedhazur, 1973)
√∑𝑥 2
𝑆𝑆𝑟𝑒𝑠
Syx = √
𝑁−𝑘−1
(∑ 𝑥𝑦)2
SSres = 𝑦 2 − SSreg dengan SSreg = ∑ 𝑥2
(𝑋)(𝑌)
∑xy = ∑XY – 𝑁
(∑Y)2
∑y2 = ∑Y2 – 𝑁
(∑X)2
∑x2 = ∑X2 –
𝑁

Harg t ini selanjutnya dibandingkan dengan harga t tabel. Harga t tabel dengan taraf signifikan
(1 ekor atau 2 ekor) dengan db = N – k – 1. Notasi N = jumlah pasang kasus, k = jumlah variabel
bebas. Bila t hitung > t tabel = koefisien regresi signifikan (tidak sama dengan nol)
Persamaan regresi distandar (standardize) adalah Y = β X. Harga β dapat dicari
menggunakan rumus berikut.
𝑆
β = b 𝑆𝑥
𝑦

∑X2 − (∑X)2 /N ∑Y2 − (∑Y)2 /N

Sx = √ Sy = √
N−1 N−1

Tidak ada pengujian signifikansi harga β, yang ada pengujian signifikansi harga b.
Analisis korelasi dapat dilakukan menggunakan kalkulator, program excel atau program
SPSS. Analisis menggunakan kalkulator Casio fx 3600P dengan langkah-langkah sebagai berikut:
(1) tekan SHIFT dan AC, (2) tekan Mode dan angka 2 (operasi dua data), (3) masukkan data (data
kelompok X masuk pada tombol XD, YD, sedang data kelompok Y masuk pada tombol DATA), (4)
tekan Kout dan n pada layar muncul jumlah pasangan data yang telah dimasukkan, dan (5) tekan
SHIFT dan B yang menunjukkan harga koefisien regresi, dan tekan SHIFT dan A yang
menunjukkan harga konstanta regresi.
Analisis menggunakan program excel dilakukan dua tahap, yaitu tahap mencari harga
koefisien regresi (b) dan tahap mencari harga konstanta (a). Tahap mencari harga koefisien regresi
(b) dengan langkah-langkah sebagai berikut: (1) buka program excel, (2) tuliskan dua kelompok
angka yang akan diregresikan pada tampilan kolom excel (ke bawah atau ke samping kanan), (3)
klik formulas, (4) klik more function, (5) pilih statistical, (6) klik SLOPE, (7) klik Array1 dan blok
angka kelompok 1 yang telah ditulis pada excel, (8) klik Array2 dan blok angka kelompok 2 yang
telah ditulis pada excel, dan (9) OK. Tahap mencari harga konstanta (a) dengan langkah-langkah:
(1) buka program excel, (2) tuliskan dua kelompok angka yang akan diregresikan pada tampilan
kolom excel (ke bawah atau ke samping kanan), (3) klik formulas, (4) klik more function, (5) pilih
statistical, (6) klik INTERCEP, (7) klik Array1 dan blok angka kelompok 1 yang telah ditulis pada
excel, (8) klik Array2 dan blok angka kelompok 2 yang telah ditulis pada excel, dan (9) OK.
Analisis menggunakan program SPSS dapat dilakukan dengan perintah dan hasil analisis
sebagai berikut. Perintah Analisisnya adalah klik ● Analyze, ● Regression, ● R linear isikan pada
kotak Dependent: Y dan pada kotak Independent: X, selanjutnya •klik Statistics, klik Estimates,
dan ● OK. Bila diperlukan gambar atau plot regresi, maka dapat digunakan perintah dan hasil
analisis sebagai berikut. Perintah Plot Regresi: Klik ● Analyze, ● Regression, ● Curve Estimation
pada kotak Dependent: Y dan pada kotak Independent: X, lalu klik Include constant in equation,
Plot models, pilih Linear, dan ● OK.

101
Contoh 10.1.1
Hipotesis (Ha): Nilai matematika UAN SMP (X) merupakan prediktor yang baik pada nilai
pelajaran struktur di SMK (Y).
Ha: b > 0
Ho: b = 0
Berdasarkan data pada tabel dibawah ini, ujilah hipotesis tersebut dengan α = 0,05.

Tabel Data UAN SMP dan Nilai Struktur SMK

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X 3 3 4 5 6 6 3 4 7 8 7 4 8 5 7 6 5 6 5 8
Y 2 5 6 5 5 8 3 3 9 10 7 5 9 7 8 6 8 7 6 8
∑X = 110 ∑Y = 127 ∑XY = 756
∑X2 = 658 ∑Y2 = 895 N = 20

Mencari Harga a, b, dan Persamaan Regresi

N ∑XY − ∑X ∑Y 20(756) – 110(127)
b= = = 1,085
N ∑X2 − (∑X)2 20(658)− (110)2

∑Y – b ∑X 127 – 1,085(110)
a= N
= 20
= 0,382

𝑌̂ = 1,085 X + 0,382

Menguji Signifikansi Koefisien b

(∑X)2 (110)2
∑x2 = ∑X2 – 𝑁
= 658 - 20
= 53
(∑Y)2 (127)2
∑y2 = ∑Y2 – 𝑁
= 895 - 20
= 88,55
(𝑋)(𝑌) (110)(127)
∑xy = ∑XY – 𝑁
= 756 - 20
= 57,50
(∑ 𝑥𝑦)2 (57,50)2
SSres = 𝑦 2 − ∑ 𝑥2
= 88,55 – 53
= 26,17

𝑆𝑆𝑟𝑒𝑠 26,17
Syx = √ =√ = 1,206
𝑁−𝑘−1 20−1−1

𝑆𝑦𝑥 1,206
Sb = = = 0,166 (Standar error)
√∑ 𝑥 2 √53

b 1,085
t= 𝑆𝑏
= 0,166
= 6,54

db = 20 - 1 - 1 = 18
Jika taraf signifikan α = 0,05, maka tα(18) = 1,73. Dengan demikian t hitung > t tabel berarti koefisien
b > 0 (signifikan).
Berdasarkan analisis ini menunjukkan bahwa variabel Y dipengaruhi oleh variabel X
dengan persamaan Y = 1,085 X + 0,382. Harga (b) sebesar 1,085 berarti bahwa setiap penambahan
harga X sebesar 1 akan menambah harga Y sebesar 1,085. Harga (a) sebesar 0,382 berarti
walaupun harga X tidak ada (tanpa kehadiran X), maka harga Y telah mencapai 0,382. Hal ini
akibat pengaruh variabel lain yang tidak disertakan.
Mencari Harga Beta (β)
Bila ingin dicari harga beta (β), sesuai dengan analisis pada program SPSS, maka dapat
dihitung sebagai berikut.

102
 ∑X2 − (∑X)2 /N 658− (110)2 /20
Sx = √ N−1
=√ 20 − 1
= 1,670

𝑆 1,670
β = b 𝑆𝑥 = 1,085 2,16
= 0,839.
𝑦

Berdasarkan analisis ini persamaan regresi berubah menjadi Y = 0,839 X. Analisis ini ingin
menghilangkan pengaruh variabel lain yang tidak disertakan dan hanya ingin melihat variabel yang
disertakan saja, yang dalam hal ini variabel X. Hasil yang menunjukkan bahwa telah hilang
pengaruh variabel lain adalah bila variabel X tidak ada, maka harga Y menjadi nol. Setiap
penambahan X sebesar 1 akan menambah harga Y sebesar 0,839.
Hasil Analisis regresi dengan program SPSS terlihat pada tabel dibawah ini.
Tabel Hasil Analisis Regresi dengan SPSS
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .383 .950 .403 .692
Matematika 1.085 .166 .839 6.551 .000
a. Dependent Variabel: Prestasi
Hasil analisis SPSS didapatkan bahwa harga koefisien regresi (b) = 1,085, hasil uji t =
6,551 dan harga sig. = 0,00 < 0,025 berarti harga koefisien b signifikan. Harga koefisien regresi
terstandar () didapatkan 0,839.
Bila diinginkan gambar garis regresi, hasil plot regresi seperti terlihat pada Gambar 10.1.1.
Harga parameter b1 = 1,085 dan constant = 0,383, sehingga 𝑌̂ = 1,085 X + 0,383.

Gambar 10.1.1. Diagram Plot Regresi

Contoh 10.1.2
Diketahui kebutuhan genteng pada masing-masing tahun, seperti terlihat pada tabel berikut.
Saudara diminta untuk memprediksi kebutuhan genteng pada tahun ke 15 berdasar perubahan
linear.
Tahun (X) 10 9 8 6 4 3 2
Kebutuhan genteng (Y) 19 20 19 17 15 18 15
∑X = 42 ∑Y = 123 ∑XY = 768
∑X2 = 310 ∑Y2 = 2185 N=7

103
Harga b dan a pada persamaan regresi
N ∑XY − ∑X ∑Y 7(768) – 42(123)
b= = = 0,517
N ∑X2 − (∑X)2 7(310)− (42)2

∑Y – b ∑X 123 – 0,517(42)
a= N
= 7
= 14,468
̂
𝑌 = 0,517 X + 14,468
Hasil analisis menggunakan program SPSS dapat dilihat pada tabel dibawah ini
Hasil Analisis Regresi dengan SPSS
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
1 (Constant) 14.468 1.119 12.931 .000

Tahun .517 .168 .809 3.077 .028

a. Dependent Variable: Kebut Genteng

Kebutuhan genteng pada tahun 15 adalah mengganti X dengan angka 15, sehingga ditemukan
harga Y. 𝑌̂ = 0,517 X + 14,468 = 0,517 (15) + 14,468 = 22,223. Jadi kebutuhan genteng tahun 15
adalah 22,223 dibulatkan 23 biji.

10.2. Regresi Ganda

Dalam kenyataan sebagai prediktor dari suatu variabel yang ingin ditingkatkan adalah lebih
dari satu. Sebagai prediktor kinerja siswa antara lain dapat dilihat dari kebiasaan belajar, pola asuh
orang tua, atau mata pelajaran pendukung. Regresi ganda ditunjukkan dengan persamaan 𝑌̂ = b1 X1
+ b2 X2 + a, dalam hal ini ada satu variabel terikat (Y) dan ada dua atau lebih variabel bebas atau
predictor (X1 dan X2). Koefisien prediktor ditandai dengan b1 dan b2, sedang konstanta dengan
simbul a. Persamaan regresi yang telah distandar atau baku, adalah 𝑌̂ = 1 X1 + 2 X2 (Supranto,
2010). Harga b1 dan b2 disebut juga sebagai pengaruh, apakah X1 dan X2 mempunyai pengaruh
yang signifikan, maka dilakukan uji b1 dan b2.
Harga b1, b2, dan harga a dapat dicari menggunakan rumus berikut.

(∑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

a = 𝑌̅ – b1 𝑋̅1 – b2 𝑋̅2
Harga standar error dapat dicari dengan cara sebagai berikut.
2
𝑆𝑦.12
𝑆𝑏𝑖 = √∑x2{1− 𝑟2 } (Pedhazur, 1973)
𝑖 12
2
𝑆𝑦.12 2
𝑆𝑦.12
𝑆𝑏1 = √ 2 2 } dan 𝑆𝑏2 = √ 2 2 }
∑x1 {1− 𝑟12 ∑x2 {1− 𝑟12

2 𝑟𝑒𝑠 𝑆𝑆
𝑆𝑦.12 = 𝑁−𝐾−1

𝑆𝑆𝑟𝑒𝑠 = ∑y 2 − 𝑆𝑆𝑟𝑒𝑔
𝑆𝑆𝑟𝑒𝑔 = 𝑏1 ∑𝑥1 𝑦 + 𝑏2 ∑𝑥2 𝑦

Harga signifikansi koefisien regresi dicari menggunakan uji t dengan rumus sebagai berikut.
𝑏 (Pedhazur, 1973)
𝑡𝑏𝑖 = 𝑆𝑏𝑖
𝑖
104
 𝑏 𝑏
𝑡𝑏1 = 𝑆𝑏1 dan 𝑡𝑏2 = 𝑆𝑏2
1 2

db = N – k – 1 dimana N = jumlah kasus dan k = jumlah variabel bebas. Berdasarkan db dan

hipotesis, selanjutnya dilihat harga tabel t. Harga t hitung dibandingkan dengan harga t tabel. Apabila
thitung > ttabel berarti Ho ditolak atau Ha didukung data atau b merupakan predictor yang signifikan.
Apabila harga t hitung ditemukan negatif, maka harga ini terlebih dulu dirubah menjadi positif
sebelum dibandingkan dengan t tabel.
Harga harga koefisien beta () dicari menggunakan rumus sebagai berikut.

𝑆𝑥𝑖
βi = bi 𝑆𝑦 (Pedhazur, 1973)

Sxi dan Sy adalah standar deviasi masing-masing variabel X dan Y

𝑆𝑥1 𝑆𝑥2
β 1 = b1 𝑆𝑦
dan β2 = b2 𝑆𝑦
Analisis dengan program SPSS menggunakan perintah berturut-turut klik ● Analyze, ● Regression,
● R linear dan isikan pada kotak Dependent: Y, pada kotak Independent: X1 dan X2, kemudian klik
● Statistics, lalu klik Estimates, dan ● OK.

Contoh 10.2.1
Hipotesis: Konsep diri (X1) dan pola asuh orang tua (X2) merupakan prediktor yang baik terhadap
prestasi belajar siswa. Uji hipotesis tersebut, dengan α = 0,05 dari data tabel berikut.
Ha: b1 > 0 Ho: b1 = 0
Ha: b2 > 0 Ho: b2 = 0

Data Konsep Diri, Pola Asuh, dan Prestasi Belajar

Siswa 1 2 3 4 5 6 7 8 9 10
Konsep diri (X1) 62 63 58 57 59 52 51 47 49 50
Pola asuh (X2) 118 109 110 112 120 110 104 122 102 98
Prestasi belajar (Y) 91 89 79 78 78 72 70 69 67 64
Penyelesaian dapat dilakukan dengan rumus sebagai berikut.
∑X1 = 548 ∑X2 = 1105 ∑Y = 757 ∑X1Y = 41919 ∑X1X2 = 60683
∑𝑋12 = 30322 ∑𝑋22 = 122657 ∑Y 2 = 58041 ∑X2Y = 83949 N = 10
𝑋̅1 = 54,8 𝑋̅2 = 110,5 𝑌̅ = 75,7
𝑆𝑥1 = 5,6921 𝑆𝑥2 = 7,849 𝑆𝑦 = 9,0437
ry1 = 0,9398 ry2 = 0,4703 rx1x2 = 0,321
(∑X1 )2 (548)2
∑𝑥12 = ∑𝑋12 – = 30322 – = 291,6
𝑁 10
(∑X2 )2 (1105)2
∑𝑥22 = ∑𝑋22 – = 122657 – = 554,5
𝑁 10
(∑Y)2 (757)2
∑y 2 = ∑Y 2 – = 58041 – = 736,1
𝑁 10
(∑X1 )(∑𝑌) (548)(757)
∑x1 𝑦 = ∑X1 𝑌 – 𝑁
= 41919 – 10
= 435,4
(∑X2 )(∑𝑌) (1105)(757)
∑x2 𝑦 = ∑X 2 𝑌 – 𝑁
= 83949 – 10
= 300,5

105
 (∑X1 )(∑𝑋2 ) (548)(1105)
∑x1 𝑥2 = ∑X1 𝑋2 – 𝑁
= 60683 – 10
= 129

Mencari Harga Koefisien Regresi (a, b1, dan b2)

(∑x22 )(∑x1 𝑦)− (∑x1 𝑥2 )( ∑x2 𝑦) (554,5)(435,4)− (129)(300,5) 202664,8
𝑏1 = = = 145051,2 = 1,3972
(∑x21 )(∑x22 ) − (∑x1 𝑥2 )2 (291,6)(554,5) − (129)2

(∑x21 )(∑x2 𝑦)− (∑x1 𝑥2 )( ∑x1 𝑦) (291,6)(300,5)− (129)(435,4) 31459,2

𝑏2 = = = 145051,2 = 0,2169
(∑x21 )(∑x22 ) − (∑x1 𝑥2 )2 (291,6)(554,5) − (129)2

a = 𝑌̅ – b1 𝑋̅1 – b2 𝑋̅2 = 75,7 – (1,3972) 54,8 – (0,2169) 110,5 = - 24,834

𝑌̂ = 1,3972X1 + 0,2169X2 – 24,834

Mencari Harga Standar Error (Sb)

𝑆𝑆𝑟𝑒𝑔 = 𝑏1 ∑𝑥1 𝑦 + 𝑏2 ∑𝑥2 𝑦 = (1,3972) 435,4 + (0,2169)300,5 = 673,519
𝑆𝑆𝑟𝑒𝑠 = ∑y 2 − 𝑆𝑆𝑟𝑒𝑔 = 736,1 – 673,519 = 62,581
2 𝑆𝑆𝑟𝑒𝑠 62,581
𝑆𝑦.12 = = = 8,940
𝑁−𝐾−1 7

𝑦.12 𝑆2 8,940
𝑆𝑏1 = √∑x2 {1− 𝑟2
= √291,6{1− (0,321)2 } = 0,185
1 𝑥1𝑥2 }

2
𝑆𝑦.12 8,940
𝑆𝑏2 =√ =√ = 0,134
∑x22 {1− 𝑟𝑥1𝑥2
2 } 554,5{1− (0,321)2 }

Mencari Harga tb Hitung dan Tabel

𝑏 1,3972
𝑡𝑏1 = 𝑆𝑏1 = 0,185
= 7,552
1

𝑏 0,2169
𝑡𝑏2 = 𝑆𝑏2 = 0,134
= 1,618
2

db = N – k – 1 = 10 – 2 – 1 = 7.

Berdasarkan harga db dan hipotesis selanjutnya dicari harga t tabel. Didapatkan harga t tabel = t α (7)
= 1,895. Dengan demikian 𝑡𝑏1 > ttabel yang berarti Ho ditolak atau Ha didukung data atau b1
signifikan (b1 > 0); sedang 𝑡𝑏2 < ttabel yang berarti Ho gagal ditolak atau Ha tidak didukung data atau
b2 tidak signifikan (b2 = 0).

Mencari Harga Beta (β)

𝑆𝑥𝑖
β i = bi
𝑆𝑦
𝑆𝑥1 5,6921
β 1 = b1 𝑆𝑦
= 1,3972 9,0437 = 0,879
𝑆𝑥2 7,849
β 2 = b2 𝑆𝑦
= 0,2169 9,0437 = 0,188
̂ = 0,879X1 + 0,188X2
𝒀

Hasil analisis menggunakan program SPSS seperti terlihat pada tabel berikut.

106
Hasil Analisis Regresi dengan SPSS
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -24.832 15.057 -1.649 .143
Konsep diri 1.397 .185 .879 7.557 .000
Pola Asuh .217 .134 .188 1.618 .150
a. Dependent Variable: Prestasi

Hasil perhitungan menggunakan SPSS sama dengan hasil perhitungan manual, yaitu koefisien
regresi (b) untuk konsep diri (X1) = 1,397 dan pola asuh (X2) = 0,217. Harga koefisien regresi
terstandar () untuk konsep diri (X1) = 0,879 dan pola asuh (X2) = 0,188. Hasil uji t koefisien
regresi untuk konsep diri (X1) = 7,557 dan pola asuh (X2) = 1,618, hasil yang signifikan adalah
konsep diri dengan harga sig. = 0,000 < 0,025.

Contoh 10.2.2
Pada Tabel di bawah ini diperlihatkan nilai tukar rupiah terhadap dolar dan harga keramik dari
tahun ketahun. Berdasar data ini, berapa harga keramik pada tahun 17 bila nilai tukar rupiah 10.

Data Nilai Tukar Rupiah dan Harga Keramik

Tahun (X1) 5 7 8 9 10
Nilai tukar Rp (X2) 8 10 9 9 10
Harga keramik (Y) 46 55 55 58 60
Hasil analisis menggunakan program SPSS terlihat pada tabel berikut.

Hasil Analisis Regresi dengan SPSS

Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 17.756 1.870 9.497 .011
Tahun 2.412 .109 .788 22.143 .002
Nilai tukar Rp 2.025 .250 .288 8.087 .015
a. Dependent Variable: Harga keramik

Persamaan: 𝑌̂ = 2,412 X1 + 2,025 X2 + 17,756.

Tahun 17 artinya X1 = 17, nilai tukar rupiah 10 artinya X2 = 10. Harga keramik dapat
dihitung: Y = 2,412 (17) + 2,025(10) + 17,756 = 79,01. Jadi harga keramik pada tahun 17 bila nilai
tukar rupiah 10 adalah 79,01.

10.3. Uji Persyaratan Analisis Regresi

Adapun uji persyaratan analisis regresi yang perlu dilakukan agar didapatkan hasil
yang benar, meliputi uji linearitas untuk regresi linear, uji normalitas (residual), uji
homoskedastisitas, dan uji multikolinear.
Uji Homoskedastisias (homogenitas residu) bermaksud mengetahui bahwa secara
umum sebaran residu Y adalah sama/merata untuk setiap nilai X. Uji Normalitas residu
bermaksud mengetahui bahwa secara umum makin kecil nilai residu Y frekuensi makin
banyak, sedang makin besar nilai residu Y frekuensi makin sedikit, untuk setiap nilai X.

107
Uji Linearitas bermaksud mengetahui bahwa secara umum kenaikan nilai X disertai
dengan kenaikan nilai Y. Uji Multikolinier bermaksud mengetahui bahwa antar variabel
bebas X tidak memiliki koefisien korelasi yang besar. Langkah-langkah, rumus-rumus, dan
perhitungan uji persyaratan analisis korelasi dan regresi akan dibahas secara lengkap pada
bab tersendiri.

108