Uji pengaruh

Linear Regession
Regresi linier dapat menjadi alat yang berharga untuk menganalisis data dalam penelitian pendidikan. Peneliti
dapat menggunakan regresi linier untuk mengeksplorasi hubungan antara variabel dan membuat prediksi
tentang hasil di masa depan.

Berikut adalah beberapa contoh bagaimana regresi linier dapat digunakan dalam penelitian pendidikan:
1. Memprediksi prestasi akademik: Peneliti dapat menggunakan regresi linier untuk mengeksplorasi
hubungan antara berbagai faktor, seperti status sosial ekonomi, keterlibatan orang tua, dan sumber daya
sekolah, serta prestasi akademik. Dengan menganalisis hubungan ini, mereka dapat mengembangkan
model untuk memprediksi kinerja akademik dan mengidentifikasi faktor yang berkontribusi terhadap
kesuksesan.
2. Mengevaluasi intervensi pendidikan: Peneliti dapat menggunakan regresi linier untuk mengevaluasi
dampak intervensi pendidikan, seperti metode pengajaran, perubahan kurikulum, atau alat berbasis
teknologi. Dengan membandingkan hasil sebelum dan sesudah intervensi, mereka dapat menggunakan
regresi linier untuk menentukan apakah intervensi itu efektif dan untuk mengidentifikasi faktor-faktor
yang berkontribusi pada keberhasilan atau kegagalan intervensi.
3. Mengidentifikasi faktor risiko: Peneliti dapat menggunakan regresi linier untuk mengidentifikasi faktor
risiko yang berkontribusi terhadap hasil negatif dalam pendidikan, seperti putus sekolah, nilai ujian
rendah, atau kehadiran yang buruk. Dengan menganalisis data pada berbagai faktor, mereka dapat
menggunakan regresi linier untuk mengidentifikasi faktor yang paling kuat terkait dengan hasil negatif
dan mengembangkan intervensi untuk mengatasi faktor risiko tersebut.
Contoh rumusan masalah:

1. Apakah ada pengaruh antara kemampuan digital literasi terhadap

prestasi akademik mahasiswa IPS yang diukur dengan IPK?

2. Apakah ada pengaruh antara pengalaman kerja terhadap

produktivitas kerja guru?

SPSS: Analyze → Regression → Linear.
Model Summary menampilkan nilai R yang
merupakan simbol dari nilai koefisien korelasi.
Pada contoh diatas nilai korelasi adalah 0,91
(Rsquare). Melalui tabel ini 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
91 % yang dapat ditafsirkan bahwa variabel
bebas digital literasi memiliki pengaruh
kontribusi yang sangat kuat yaitu 91 % terhadap
variabel prestasi akademik dan 9% lainnya
dipengaruhi oleh faktor-faktor lain diluar
variable digital literasi.
Tabel ANOVA digunakan untuk menentukan taraf signifikansi atau
linieritas dari regresi (baris digital literasi MhS)

Hipotesis Penelitian :
Ho : Tidak terjadi hubungan linier antara digital literasi terhadap
prestasi akademik
H1 : Terjadi hubungan linier antara digital literasi terhadap prestasi
akademik
Jika Sig < 0,05, maka Ho ditolak. Jika Sig > 0,05, maka Ho diterima
Tabel Coefficient menginformasikan uji Coefficient dan uji konstanta.
Hipotesis Penelitian (uji koefisien) :

Ho : koefisien digital literasi tidak signifikan.

H1 : koefisien digital literasi signifikan

Jika Sig < α (0,05), maka Ho ditolak.

Jika Sig > α (0,05), maka Ho diterima

Berdasarkan tabel keempat (baris digital lietrasi), diperoleh nilai t hitung = 24,525 dan Sig =0,00.
Nilai sig < α (0,05), dengan demikian Ho ditolak. Dengan demikian koefisien digital literasi
terhadap prestasi akademik signifikan
Hipotesis Penelitian (uji konstanta) :
Ho : konstanta tidak signifikan.
H1 : konstanta signifikan.

Ketentuan Jika Sig < α (0,05) maka Ho ditolak.

Jika Sig > α (0,05), maka Ho diterima.

Berdasarkan tabel keempat (baris Constant), diperoleh nilai t = 3.272506 dan Sig =
0,00. Nilai sig (0,00) < α (0,05), dengan demikian Ho ditolak. Dengan demikian
koefisien kemampuan digital literasi terhadap prestasi akademik signifikan.
Konstanta dalam persamaan regresi linier merupakan nilai variabel dependen Y
ketika semua peubah Xi bernilai nol (Larsen, 2012) atau tidak mengalami
perubahan (Gentleman, 2008).