Makalah Statistika

ANALISIS REGRESI LINEAR SEDERHANA DAN APLIKASINYA

DALAM TEKNOLOGI PENDIDIKAN

Disusun Oleh Kelompok 4 :

Astana Aulia Putri

Een Afliani Nur
Rahmawati Nurdin
Runniarsiti
Sucihati Said

Program Studi Teknologi Pendidikan

Program Pascasarjana
Universitas Negeri Makassar
2023
A. Kajian Teori
1. Konsep Analisis Regresi Linear Sederhana
Istilah “regresi” pertama kali diperkenalkan oleh Francis Galton pada
tahun 1887 ketika ia melakukan penelitian mengenai korelasi tinggi antara
orangtua dan anak-anak mereka. Galton sampai pada kesimpulan bahwa
rata-rata tinggi anak-anak yang memiliki orangtua yang tinggi cenderung lebih
rendah dibandingkan dengan rata-rata tinggi orangtuanya. Di sisi lain, anak-
anak yang berasal dari orangtua dengan tinggi yang lebih rendah cenderung
memiliki rata-rata tinggi yang lebih tinggi daripada orangtuanya. Oleh karena
itu, istilah “regresi” digunakan untuk menggambarkan fenomena ini, yang
mengindikasikan adanya kemunduran atau penurunan tinggi rata-rata anak-
anak. Setelah itu, istilah “regresi” juga digunakan untuk menggambarkan garis
yang menunjukkan arah hubungan antar variabel dan berfungsi sebagai alat
untuk melalukan prediksi (Iman, 2013:144).
Analisis regresi, menurut Sudarmanto dalam Iman (2013:144),
merupakan penelitian mengenai akibat-akibat dan besarnya akibat yang
dihasilkan oleh satu atau lebih variabel bebas terhadap satu variabel terikat.
Analisis regresi menjadi sebuah kebutuhan dalam penelitian karena seorang
ilmuwan atau peneliti diharapkan untuk menyajikan hasil yang berdasarkan
kebenaran ilmuwan atau didasarkan pada ilmu pengetahuan dalam setiap
penelitian. Penelitian haruslah dilakukan secara jujur tanpa menciptakan data
palsu dan manipulatif.
Penelitian yang berdasarkan fakta atau kebenaran sudah seharusnya
menjadi acuan bagi peneliti dalam membuat hasil penelitiannya. Peneliti yang
mempunyai dua variabel atau lebih harus mengetahui cara yang tepat untuk
menghubungkan variabel-variabel tersebut. Hubungan yang diperoleh dari
dua variabel atau lebih biasanya akan dinyatakan dalam persamaan yang
matematis yang menyatakan hubungan fungsional antara variabel-variabel.
Bidang yang menyangkut masalah ini disebut analisis regresi. Hubungan
fungsional antara satu variabel bebas dan satu variabel terikat disebut
analisis regresi sederhana, sedangkan hubungan fungsional yang lebih dari
satu variabel disebut analisis regresi ganda.
Analisis regresi linier sederhana dapat dilaksanakan apabila telah
memenuhi persyaratan yaitu sampel diambil secara random (acak), variabel
 X dan variabel Y mempunyai hubungan yang kausal, dimana X merupakan
sebab dan Y merupakan akibat dan nilai Y mempunyai penyebaran yang
berdistribusi normal.

2. Rumus Persamaan Regresi Linear Sederhana

Persamaan regresi linear sederhana merupakan suatu model
persamaan yang menggambarkan hubungan satu variabel bebas/predictor
(X) dengan satu variabel terikat/response (Y), yang biasanya digambarkan
dengan garis lurus yang disajikan pada gambar berikut.

Gambar 1. Ilustrasi gambar persamaan garis lurus

Gambar persamaan garis lurus seperti pada gambar diatas adalah
suatu persamaan antara X dan Y yang menunjukkan kaitan garis lurus, yang
berarti setiap perubahan X sebesar satu unit, maka Y akan berubah sebesar
B unit, dan ini berlaku untuk semua nilai X tidak tergantung pada tingkat X).
Persamaan garis lurus ini dikenal dengan istilah regresi linear sederhana.
Berikut adalah bentuk persamaannya.

𝑌 = 𝑎 + 𝑏𝑋
Yang mana:
𝑌 = garis regresi (variable response)
𝑎 = konstanta (intersept), perpotongan dengan sumbu vertikal
𝑏 = konstanta regresi (slope)
𝑋 = variabel bebas (predictor)
3. Langkah-langkah Analisis Regresi Linear Sederhana
Regresi linier sederhana digunakan untuk menguji signifikan atau
tidaknya hubungan dua variabel melaui koefisien regresinya. Uji dapat
dilakukan dengan menggunakan Uji F, dengan prosedur statistiknya sebagai
berikut :
 1. Menetukan formulasi hipotesis
H0 : tidak ada pengaruh antara X dan Y
H1 : ada pengaruh antara X dan Y
2. Menentukan taraf nyata dan F table
Menggunakan taraf nyata 0.05 dan memiliki derajat bebas 𝑣 1 = 1 dan 𝑣 2=
n-2
3. Menentukan kriteria pengujian
𝐻 0 diterima apabila 𝐹 0 ≤ 𝐹 𝑡 𝑎 𝑏 𝑒 𝑙
𝐻 0 ditolak apabila 𝐹 0 > 𝐹 𝑡 𝑎 𝑏 𝑒 𝑙
4. Menentukan nilai uji statistic
5. Membuat kesimpulan H0 ditolak atau diterima

4. Contoh Perhitungan Uji Regresi Linear Sederhana

Contoh 1:

𝑦 = 5 + 3𝑥

Maka bila 𝑥 = 0, maka 𝑦 = 5 + 3(0) = 5, yang merupakan perpotongan

antara garis lurus 𝑦 = 5 + 3𝑥 dengan sumbu 𝑌, yaitu titik potong (0,5).

Bila:

a. 𝑥 berubah satu unit, yaitu (𝑥 + 1), maka 𝑦 akan menjadi 𝑦 = 5 +

3(𝑥 + 1) = 5 + 3𝑥 + 3 = 8 + 3𝑥, yang berarti berubah sebesar +3 unit dari
keadaan semula, yaitu 𝑌 = 5 + 3𝑥
b. (𝑥 + 1) berubah satu unit, yaitu menjadi (𝑥 + 2), maka 𝑦 akan menjadi
𝑦 = 5 + 3(𝑥 + 2) = 5 + 3𝑥 + 6 = 11 + 3𝑥 yang berarti berubah sebesar +3
unit dari keadaan semula, yaitu 𝑌 = 8 + 3𝑥, demikian seterusnya.
B. Aplikasi dalam Penelitian
1. Contoh pada Aplikasi SPSS (Statistical Package for the Sosial Sciences)
Aplikasi yang umum digunakan dalam proses penelitian untuk analisis
regresi linear sederhana adalah SPSS (Statistical Package for the Sosial
Sciences). Sebelum hasil pengujian dan perhitungan regresi linear sederhana
dari laporan penelitian, tesis, atau disertasi disajikan, berikut ini akan disajikan
contoh dan langkah-langkah dalam melakukan proses perhitungan regresi
linear sederhana menggunakan SPSS. Contoh yang akan diberikan adalah
data dari buku Wijaya (2000:67) dalam buku Suwarto (2018).
Contoh:
Hubungan antara besarnya nilai ujian statistika mahasiswa dengan skor
tes kecerdasan pada saat mahasiswa masuk perguruan tinggi. Berikut ini
adalah tabel skor kecerdasan (X) dan nilai ujian statistika (Y) dari 12
mahasiswa sebagai berikut.
Tabel 1. Skor Kecerdasan dan Nilai Statistik
X (SKOR
65 50 55 65 55 70 65 70 55 70 50 55
TES)
Y (NILAI) 85 74 76 90 85 87 94 98 81 91 76 74

Analisis dengan SPPS menggunakan langkah sebagai berikut.

1. Masukkan data X dan Y diatas dalam worksheet SPSS.
2. Klik Analyze-Regression-Linear, maka akan muncul box dialog sebagai
berikut.

3. Sorot NILAI sebagai variabel terikat dan masukkan ke kotak Dependent.

Kemudian, sorot SKOR TES sebagai variabel bebas dan masukkan ke
kotak Independent (s).
4. Klik Option, centang pada kotak di depan include constant in equation,
kemudian klik Continue.
5. Klik Statistics, maka akan muncul box dialog sebagai berikut.

6. Centang di depan kotak Descriptives, kemudian klik continue

7. Klik OK
8. Hasil analisis SPSS akan muncul.
Berikut ini pembahasan mengenai hasil analisis dengan menggunakan
SPSS.
Tabel 2. Statistik Deskriptif
Mean Std. Deviation N
NILAI 84.25 8.137 12
SKORTES 60.42 7.821 12
 Tabel tersebut menyajikan deskripsi dari variabel yang diuji, yaitu rata-rata
(Mean) dan simpangan baku (Standard Deviation). Mean untuk nilai ujian
84.25 dan skor tes 60.42. Sedangkan simpangan baku untuk nilai ujian
8.137 dan skor tes 7.821.
Tabel 3. Correlations
NILAI SKORTES
NILAI Pearson
Correlation **
1 .862

Sig. (2-
tailed) .000
N 12 12
SKORTES Pearson
Correlation **
.862 1

Sig. (2-
tailed) .000
N 12 12

Tabel 4. Modal Summary

Std.
Adjusted Error of
R R the
Model R Square Square Estimate
a
1 .862 .744 .718 4.319

Tabel Correlations dan Model Summary menyajikan ukuran dari derajat

keeratan hubungan antara variabel nilai ujian dengan skor tes, serta
besarnya pengaruh skor tes terhadap keragaman nilai ujian. Koefisien
korelasi Pearson (r) atau koefisien Product Moment (Multiple R) sebesar
0.862, menyatakan besarnya derajat keeratan hubungan antara variabel
ujian dan skor tes. Koefisien Determinasi (R Square = r 2 ) sebesar 0.744,
menyatakan besarnya pengaruh variabel skor tes terhadap variabel nilai
ujian. Artinya sebesar 74.4% besarnya nilai ujian ditentukan oleh besarnya
skor tes kecerdasan, sedangkan sisanya sebesar 25.6% ditentukan oleh
faktor lain. r 2 yang disesuaikan (Adjusted R Square), menyatakan besarnya
pengaruh skor tes terhadap nilai ujian yang sebenarnya r 2 yang disesuaikan.
r 2 ahj = 0.718 dengan galat baku (Error Standard = SE = √KTG = √18.656 =
4.319.
 Tabel 5. ANOVA
Sum of Mean
Model df F Sig.
Squares Square
1 Regression b
541.693 1 541.693 29.036 .000
Residual 186.557 10 18.656
Total 728.250 11
a. Dependent Variable: NILAI
b. Predictors: (Constant), SKORTES

Tabel ANOVA menyajikan analisis varians (Analysis of Variance) nilai

F=29.036 dengan 𝑝 = 0.000, 𝛼 = 0,05, maka dapat disimpulkan bahwa
hubungan antara variabel skor tes (X) dan nilai ujian (Y) dalam persamaan
regresi 𝑌 = 30.043 + 0.897𝑋.

Tabel 6. Coeficients

Unstandardized Standardized
Coefficients Coefficients
Model t Sig.
Std.
B Beta
Error
1 (Constant)
30.043 10.137 2.964 .014
SKORTES
.897 .167 .862 5.389 .000
a. Dependent Variable: NILAI

Tabel Coefficients, menyajikan besarnya nilai koefisien regresi dan hasil

ujinya berdasarkan statistik t. 𝐼𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 (𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡) = 𝑏0 = 30.043 (hasil
perhitungan sebelumnya adalah 30.056, perbedaan ini disebabkan karena
pembulatan. Koefisien arah regresi 𝑏1 = 0.897 dengan
𝑏1 𝑆𝑥
𝑆𝑡𝑎𝑛𝑑𝑎𝑟 𝐸𝑟𝑟𝑜𝑟 (𝑆𝐸) = 0.167. Nilai beta diperoleh dari 𝛽 = = 0.897 ×
𝑆𝑦

7.821
= 0.862. Nilai beta ini merupakan nilai koefisien arah regresi terbaku
8.137

yang merupakan ukuran besarnya pengaruh langsung dari variabel bebas

(skor tes) terhadap variabel terikat (nilai ujian). Karena regresi linear
sederhana, maka besarnya nilai 𝛽 = 𝑟 2. Hasil pengujian statistik t terhadap
koefisien regresi diperoleh: untuk intercept (𝑏0 ): 𝑡 = 2.964 dengan 𝑝 =
0.014 < 𝛼 = 0.05, maka intercept bersifat nyata. Untuk koefisien arah regresi
 (𝑏1 ): 𝑡 = 589 dengan 𝑝 = 0.000 < 𝛼 = 0.05, maka koefisien arah regresi
bersifat nyata.

2. Contoh pada Laporan/Skripsi/Tesis/Disertasi

Berikut ini merupakan salah satu penelitian yang menggunakan teknik
analis regresi linear sederhana.

Judul : Pengaruh Penggunaan Learning

Management System Terhadap Hasil
Belajar Siswa Pada Pembelajaran Daring
SMK Negeri 3 Salatiga

Metode Penelitian : Penelitian ini menggunakan pendekatan

kuantitatif dengan metode deskriptif-kausal.
Teknik analisis data yang digunakan dalam
penelitian ini adalah regresi linear
sederhana dengan taraf signifikansi 𝑎 = 5%
(0,05) yang dihitung menggunakan program
SPSS.

Variabel Penelitian : Variabel bebas (independent) yaitu

penggunaan Learning Management System
sebagai X, dan variabel terikat (dependent)
yaitu hasil belajar siswa kelas X ATPH 1 di
SMK Negeri 3 Salatiga sebagai Y.

Hasil dan Pembahasan :

Data LMS didapatkan dari penyebaran angket yang terdiri dari 20 butir
pernyataan dengan menggunakan skala likert dan data hasil belajar
diperoleh dari nilai UAS yang diperoleh siswa pada semester gasal tahun
ajaran 2020/2021 pada mata pelajaran simulasi digital. Didapatkan hasil
data pada tabel berikut.
Tabel 7. Data variabel hasil LMS (X) dan data variabel hasil belajar (Y)

Regresi linear sederhana ini bertujuan untuk mengetahui apakah ada

pengaruh dari variabel bebas dan variabel terikat. Ketetapan fungsi
regresi dapat diukur dengan nilai koefisien determinasi, nilai statistik F
dan nilai statistik t.
 Tabel 8. Koefisien

Nilai R yang merupakan simbol dari koefisien. Pada tabel diatas nilai
kolerasi adalah 0,765. Nilai ini dapat diinterpretasikan bahwa hubungan
kedua variabel penelitian berada pada kategori kuat. Melalui tabel diatas
juga diperoleh nilai R Square atau Koefisien Determinasi (KD) yang
menunjukkan seberapa bagus model regresi yang dibentuk oleh interaksi
variabel bebas dan variabel terikat. Nilai KD yang diperoleh adalah
58,5%. Sehingga dapat ditafsirkan bahwa variabel bebas X memiliki
pengaruh kontribusi sebesar 58,5% terhadap variabel Y.

Tabel 9. Uji Nilai Signifikansi

Tabel uji signifikasi diatas, digunakan untuk menentukan taraf

signifikasi atau linieritas dari regresi. Kriteria dapat ditentukan
berdasarkan uji nilai signifikasi (Sig), dengan ketentuan jika nilai Sig <
0,05. Berdasarkan tabel diatas, diperoleh nilai Sig.= 0,00, berarti Sig.<
dari kriteria signifikan (0,05). Dengan demikian model persamaan regresi
berdasarkan data penelitian adalah signifikan, atau model persamaan
regresi memenuhi kriteria.

Tabel 10. Koefisien Regresi Sederhana

 Hasil penghitungan koefisien regresi sederhana diatas memperlihatkan
nilai koefisien konstanta adalah sebesar -5,373, koefisien variabel bebas
(X) adalah sebesar 1,054. Sehingga diperoleh persamaan regresi Y = -
5,373 + 1,054X.
Berdasarkan persamaan di atas diketahui nilai konstantanya sebesar -
5,373. secara matematis, nilai konstanta ini menyatakan bahwa pada saat
LMS 20, maka hasil belajar memiliki nilai 15,707. Selanjutnya nilai positif
(1,054) yang terdapat pada koefisien regresi variabel bebas (LMS)
menggambarkan bahwa arah hubungan antara variabel bebas (LMS)
dengan variabel terikat (Hasil Belajar) adalah searah, dimana setiap
kenaikan satu satuan variabel LMS akan menyebabkan kenaikan Hasil
Belajar 1,054.
 DAFTAR PUSTAKA

Asra, Abuzar. 2019. Pengantar Statistik 1 Panduan bagi Pengajar dan

Mahasiswa. Jakarta: PT Rajagrafindo Persada.
Gunawan, Iman. 2013. Statistika untuk Kependidikan Sekolah Dasar.
Yogyakarta: Penerbit Ombak.
Prasetyo, S. A., & Efendi, R. 2021. Pengaruh Penggunaan Learning
Management System Terhadap Hasil Belajar Siswa Pada Pembelajaran Daring SMK
Negeri 3 Salatiga. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 8(3),
1672-1684.
Suwarto. 2018. Statistik Pendidikan. Yogyakarta: Pustaka pelajar.
LAMPIRAN