Regresi-korelasi vs
Hubungan Kausal
Relationship vs Causal Relationship
14
3. Nilai y secara statistik saling bebas
4. Linieritas, nilai rata-rata y adalah sebuah
fungsi garis lurus dari x
5. Homoscedasticity. Varians dari y adalah
sama pada beberapa x
6. Distribusi normal pada beberapa nilai
tertentu x, y mempunyai distribusi
normal
15
Asumsi Analisis Regresi Linier
16
Asumsi Analisis Regresi Linier
17
Analisis Regresi
• Apa itu analisis regresi?
• Apa bedanya dengan
korelasi?
22
Bentuk persamaan regresi linear
sederhana
Y a bX
b
XY n X Y
2
X n X
2
a Y b X
Pengujian hipotesis koefisien regresi
• Menentukan formulasi hipotesis untuk
parameter a dan b
• Menentukan taraf nyata α dan nilai t tabel
yg ditentukan dgn derajat bebas (db) = n-2
• Menentukan kriteria pengujian
• Menentukan nilai uji statistik
a a0
Untuk parameter a t hit
Sa
b b0
Untuk parameter b t hit
Sb
Membuat kesimpulan
• Standart error/ kesalahan bakunya
Se
a. Y b. XY
Y 2
n2
n. X 2 ( X ) 2
Kegunaannya:
Untuk ukuran ketepatan garis regresi dari hasil estimasi
terhadap sekelompok data hasil observasi.
Utk mengukur proporsi dari jumlah variasi yg diterangkan
oleh model regresi.
Adjusted R Square (R2 yang
Disesuaikan)
39
Korelasi Tinggi dan Positif
Korelasi
Korelasi
Korelasi
CONTOH PENERAPAN
1. Judul:
HUBUNGAN GAYA KEPEMIMPINAN KEPALA DENGAN
KINERJA GURU SMA
2. Variabel:
Variabel Bebas: Gaya kepemimpinan kepala sekolah
Variabel Terikat: Kinerja guru SMA
3. Masalah:
Apakah terdapat hubungan antara gaya
kepemimpinan kepala sekolah dengan kinerja guru
SMA?
5. Hipotesis penelitian:
Terdapat hubungan positif yang signifikan
antara gaya kepemimpinan kepala sekolah
dengan kinerja guru SMA
6. Hipotesis Statistik:
H₀ : ρY1 = 0; H₁ : ρY1 > 0
Desain: korelasional.
Hipotesis Statistik:
H₀ : ρyi = 0; Tidak terdapat hubungan linear positif yang signifikan
H₁ : ρyi > 0; Terdapat hubungan linear positif yang signifikan
Pengujian Hipotesis
a. Untuk Hipotesis a, dan b:
1) Persamaan Regresi Linear Sederhana:
a) Ŷ = a₁ + b₁X₁
b) Ŷ = a₂ + b₂X₂
2) Uji Linearitas:
H₀ : Y = α + βX
H₁ : Y ≠ α + βX
Uji F dengan harapan terima H₀
3) Uji Signifikansi (koefisen) Regresi:
H₀ : β = 0
H₁ : β > 0
Uji F dengan harapan tolak H₀
4) Uji Signifikansi (koefisen) Korelasi sederhana:
H₀ : ρyi = 0
H₁ : ρyi > 0
Uji t dengan harapan tolak H₀
No Y X
1 69 59
2 65 67
3 63 66
4 65 63 CONTOH DATA HASIL PENELITIAN
5 69 71
6 52 48 (SAMPEL 30 ORANG GURU)
7 68 66
8 71 69
9 70 66
10 59 63
11 59 66
12
13
65
67
64
66
Keterangan
14
15
70
69
65
70
X = Gaya kepemimpinan kepsek
16 67 66 Y = Kinerja Guru SMA
17 70 65
18 66 68
19 66 65
20 65 64
21 64 66
22 69 67
23 61 64
24 68 69
25 66 68
26 68 67
27 63 65
28 71 71
29 64 63
30 66 60
Uji Hipotesis
Uji Hipotesis: SPSS
Posedur:
Analyze Regression Linear (Muncul Kotak
Dialog)
Selanjutnya klik OK
Model Summary
Std. Error Change Statistics
R Adjusted of the R Square F Sig. F
Model R Square R Square Estimate Change Change df1 df2 Change
1 .670a .448 .429 3.12653 .448 22.758 1 28 .000
a. Predictors: (Constant), X1
ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 222.461 1 222.461 22.758 .000b
Residual 273.706 28 9.775
Total 496.167 29
a. Dependent Variable: Y
b. Predictors: (Constant), X1
Output SPSS
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
a. Dependent Variable: Y
Penjelasan Istilah dalam Output SPSS: Regresi
Linear Sederhana
Istilah Definisi/Deskripsi
R Karena hanya ada satu variabel bebas, angka ini
merupakan korelasi bivariat (r) antara Gaya
Kepemimpinan dengan Kinerja. Ini adalah statistik uji
persamaan regresi, dan ukuran efek untuk menunjukkan
seberapa kuat hubungan antara variabel dependen dan
variabel yang memprediksinya.
R2 Nilai yang mengidentifikasi proporsi variansi bersama
antara Kinerja dengan Gaya Kepemimpinan. Dalam hal ini
44,8% varians dalam Kinerja dijelaskan oleh Gaya
kepemimpinan.
Adjusted R2 R2 adalah nilai yang akurat untuk sampel yang diambil
tetapi dianggap sebagai estimasi yang optimis untuk nilai
populasi. R2 yang disesuaikan dianggap sebagai
perkiraan populasi yang lebih tepat.
Penjelasan Istilah dalam Output SPSS: Regresi
Linear Sederhana
Istilah Definisi/Deskripsi
Std Error of the Standar deviasi dari nilai yang diharapkan untuk variabel
Estimate dependen, Kinerja.
Regression Statistik yang berkaitan dengan bagian varians yang
dijelaskan.
Residual Statistik yang berkaitan dengan bagian varians yang tidak
dapat dijelaskan.
Df Derajat kebebasan: Untuk regresi sederhana, jumlah
variabel independen (1 dalam hal ini). Untuk residual,
jumlah subjek (30) dikurangi jumlah variabel bebas (1),
dikurangi 1: (30 – 1– 1 = 28).
Sum of Squares Untuk regresi ini adalah jumlah kuadrat antara kelompok;
untuk residual, jumlah kuadrat dalam kelompok. Perhatikan
bahwa dalam hal ini terdapat porsi yang lebih besar dari
varians yang tidak dapat dijelaskan daripada varians yang
dijelaskan, kenyataan juga tercermin dalam nilai R2.
Penjelasan Istilah dalam Output SPSS: Regresi
Linear Sederhana
Istilah Definisi/Deskripsi
Mean Squares Jumlah kuadrat dibagi derajat kebebasan
F Regresi kuadrat rata-rata dibagi dengan residual kuadrat rata-rata.
Signif F Kemungkinan bahwa hasil ini dapat terjadi secara kebetulan (p).
B Koefisien dan konstanta untuk persamaan regresi linier: Gaya
Kepemimpinan (pred) = 23,545 + 0.648 (Kinerja).
Std Error Kesalahan standar B: Ukuran stabilitas atau kesalahan
pengambilan sampel dari nilai-nilai B. Ini adalah standar deviasi
dari nilai B yang diberikan sejumlah besar sampel yang diambil dari
populasi yang sama.
Beta β, koefisien regresi standar. Ini adalah nilai B untuk skor standar
(skor-z) dari variabel Kinerja. Nilai ini akan selalu bervariasi antara
±1,0 dalam hubungan linier sederhana. Untuk hubungan dengan
lebih dari satu prediktor (seperti hubungan lengkung ini) kadang-
kadang akan meluas di luar kisaran itu
t B dibagi dengan kesalahan standar B.
Signif of t Kemungkinan bahwa hasil ini dapat terjadi secara kebetulan (p)
Penafsiran Output ANOVA
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 222.461 1 222.461 22.758 .000a
Residual 273.706 28 9.775
Total 496.167 29
a. Predictors: (Constant), X1
b. Dependent Variable: Y
Model Summary
Std. Error Change Statistics
R Adjusted of the R Square F Sig. F
Model R Square R Square Estimate Change Change df1 df2 Change
1 .670a .448 .429 3.12653 .448 22.758 1 28 .000
a. Predictors: (Constant), X1
Penafsiran Output Coefisien Regresi
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
a. Dependent Variable: Y