MAKALAH STATISTIKA PENDIDIKAN

“ANALISIS REGRESI”

Makalah ini disusun dengan sebaik-baiknya untuk memenuhi tugas mata kuliah :
Statistika
Dosen Pengampu :Dr. Hj. Enung Nugraha, M.P.

Disusun oleh :
Kelompok 5
1. Atisa As’a (1712101)
2. Luvitta Irzanadilla (171210186)
3. Amira Nurul Fajirin (171210191)
4. Siti Fauza Hilma (171210167)
5. Tajudin (171210)

PAI – 6E
PENDIDIKAN AGAMA ISLAM
FAKULTAS TARBIYAH DAN KEGURUAN
UNIVERSITAS ISLAM NEGERI SULTAN MAULANA HASANUDIN BANTEN
2020
 KATA PENGANTAR
Segala puji bagi Allah SWT yang telah memberikan rahmat dan karunia-Nya
sehingga kami dapat menyelesaikan makalah ini dengan tepat waktu. Shalawat dan salam
senantiasa kita panjatkan kepada junjungan nabi Muhammad SAW yang kita harapkan
syafaatnya di akhirat nanti. Aamiin
Penulis menyadari penyusunan makalah belum sempurna. Oleh sebab itu, kami
memohon kepada yang membaca atas kritik dan saran guna melengkapi dan perbaikan
dimasa mendatang. Semoga makalah ini dapat bermanfaat dalam menambah wawasan
bagi pembaca pada umumnya dan penulis sendiri secara khusus.

i
 DAFTAR ISI

KATA PENGANTAR ………………………………………………………………… i

DAFTAR ISI …………………………………………………………………ii
BAB I PENDAHULUAN
1.1 Latar Belakang …………………………………………………………………1
1.2 Rumusan Masalah …..……………………………………………………………1
1.3 Tujuan …………………………………………………………………1
BAB II PEMBAHASAN
A. Pengertian Analisis Regresi …………………………………………2
B. Tujuan dan Kegunaan Analisis Regresi …………………………………………2
C. Manfaat Analisis Regresi …………………………………………3
D. Model Persamaan Regresi …………………………………………3
E. Menghitung jumlah kuadrat ………………………………………....9
F. Menguji lineritas regresi ………………………………..………10
G. Menguji signifikasi regresi ………………………………………..11
BAB III PENUTUP
Kesimpulan ………………………………………………………………………..15
DAFTAR PUSAKA ……………………………………………………………………...…16

ii
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalamkehidupan sehari -hari sering kali kita menemui kejadian -kejadian, kegiatan
-kegiatan atau masalah – masalah yang saling berhubungan satu sama lain. Seperti contoh
berat badan seseorang berkaitan dengan tinggi badan orang tersebut dan permasalahan
-permasalahan lainnya. Dengan itu, kita memerlukan analisis hubungan antara kejadian
-kejadian tersebut.
Statistic adalah salah satu metode untuk menentukan hubungan sebab antar satu
variabel dengan variabel – variabel yang lain. Analisis regresi adalah salah satu analisis
yang paling popular dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk
melakukan prediksi dan ramalan.analisis ini juga digunakan untuk memahami variable
bebas mana saja yang berhubungan dengan variable terikat, dan untuk mengetahui
hubungan -hubungan tersebut.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan di atas, dapat dirumuskan beberapa
masalah sebagai berikut :
1. Apa pengertian analisis regresi?
2. Apa saja tujuan dan kegunaan analisis regresi?
3. Apa manfaat dari analisis regresi?
4. Apa saja model-model dalam analisis regresi?
5. Bagaimana cara menghitung jumlah kuadrat?
6. Bagaimana cara menguji linieritas regresi?
7. Bagaimana cara menguji signifikasi regresi?
1.3 Tujuan
Adapun tujuan dari penulisan makalah ini, yaitu sebagai berikut :
1. Untuk mengetahui pengertian analisis regresi
2. Untuk mengetahui tujuan dan kegunaan analisis regresi
3. Untuk mengetahui manfaat analisis regresi
4. Untuk mengetahui model-model analisis regresi
5. Untuk mengetahui cara menghitung jumlah kuadrat
6. Untuk mengetahui uji linearitas regresi
7. Untuk mengetahui uji signifikasi regresi

i
 BAB II

PEMBAHASAN

A. Pengertian Analisis Regresi

Analisis regresi adalah kajian terhadap hubungan satu variabel yang disebut dengan
variable yang diterangkan (the explained variabel) dengan satu atau dua variabel yang
menerangkan (the explanatory). Variabel yang pertama disebut juga sebagai variable
tergantung dan variabel kedua disebut juga variabel bebas. 1 Analisis regresi merupakan
salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap
variabel lain. Sir Francis Galton (1822 – 1911), memperkenalkan model peramalan,
penaksiran, atau pendugaan, yang selanjutnya dinamakan regresi, sehubungan dengan
penelitiannya terhadap tinggi badan manusia. Penelitian tersebut membandingkan antara
tinggi anak laki-laki dan tinggi badan ayahnya. Galton menunjukkan bahwa tinggi badan
anak laki-laki dari ayah yang tinggi setelah beberapa generasi cenderung mundur
(regressed) mendekati nilai tengah populasi. Dengan kata lain, anak laki-laki dari ayah
yang badannya sangat tinggi cenderung lebih pendek dari pada ayahnya, sedangkan anak
laki-laki dari ayah yang badannya sangat pendek cenderung lebih tinggi dari ayahnya.
(Ronal E. Walpole).

Dalam analisis hubungan ini secara umum ada dua macam hubungan dan keeratan
hubungan. Bila ingin mengetahui bentuk hubungan dua variabel atau lebih, digunakan
analisis regresi. Analisis regresi adalah teknik statistika yang berguna untuk memeriksa
dan memodelkan hubungan antara variabel-variabel. Sedangkan untuk mengetahui
seberapa besar keeratan hubungan dua variabel atau lebih, maka digunakan analisis
korelasi.

Hubungan antar variabel dapat berupa hubungan linier ataupun hubungan tidak linier.
Misalnya, berat badan orang dewasa sampai pada tahap tertentu bergantung pada tinggi
badan, keliling lingkaran bergantung pada diameternya, dan tekanan gas bergantung pada
suhu dan volumenya. Atau dalam ilmu pemasaran, nilai penjualan akan bergantung pada
biaya promosi. Hubungan-hubungan itu bila dinyatakan dalam bentuk matematis akan
memberikan persamaan-persamaan tertentu. Untuk dua variabel, hubungan liniernya
dapat dinyatakan dalam bentuk persamaan linier, yakni: Y = a + bX. Hubungan antara
dua variabel pada persamaan linier jika digambarkan secara (scatter diagram), semua nilai
1
Arnita, pengantar statistika, Bandung : CitaPustaka Media Perintis, 2013

2
 Y dan X akan berada pada suatu garis lurus. Dan dalam ilmu ekonomi, garis itu
dinamakan garis regresi.
Berkaitan dengan analisis regresi ini, setidaknya ada empat kegiatan yang lazim
dilaksanakan yakni :
1. Mengadakan estimasi terhadap parameter berdasarkan data empiris.
2. Menguji berapa besar variasi variabel dependen dapat diterangkan oleh variasi
independen.
3. Menguji apakah estimasi parameter tersebut signifikan atau tidak.
4. Melihat apakah tanda magnitude dari estimasi parameter cocok dengan teori.

B. Tujuan dan Kegunaan Analisis Regresi

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab akibat antara satu variabel dengan variabel yang lain. Analisis regresi
adalah salah satu analisis yang paling populer dan luas pemakaiannya. Hampir semua
bidang ilmu yang memerlukan analisis. Analisis regresi dan analisis korelasi
dikembangkan untuk mengkaji dan mengukur hubungan antara dua variabel atau
lebih. Dalam analisis regresi dikembangkan persamaan estimasi untuk
mendeskripsikan pola atau fungsi hubungan antara variabel-variabel. Sesuai dengan
namanya, persamaan estimasi atau persamaan regresi itu digunakan untuk
mengestimasi nilai dari suatu variabel berdasarkan nilai variabel lainnya. Variabel
yang di estimasi itu disebut variabel dependen (atau variabel terikat) sedangkan
variabel yang diperkirakan memengaruhi variabel dependen itu disebut variabel
independen (atau variabel bebas).2
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasari pada nilai
variabel bebas.
b. Menguji hipotesis karakteristik dependensi.
c. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai
variabel bebas diluar jangkauan sample.3

C. Manfaat Analisis Regresi

2
Sunardi Nur, Pengantar Statistika, Jakarta : Bumi Aksara, 2009 hal. 121
3
Arnita, Pengantar Statistika, Bandung : CitaPustaka Media Perintis, 2013. Hlm. 142

3
 Analisis regresi sangat berguna dalam penelitian antara lain :
1. Model regresi dapat digunakan untuk mengukur kekuatan hubungan antara variabel
respons dan variabel predictor.
2. Model regresi dapat digunakan untuk mengetahui pengaruh suatu atau beberapa
variabel prediktor terhadap variabel respons.
3. Model regresi berguna untuk memprediksi pengaruh suatu variabel atau beberapa
variabel predictor terhadap variabel respons.

D. Model Persamaan Regresi

Persamaan garis regresi adalah model hubungan antara dua variabel atau lebih
yaitu antara variabel bergantung (dependent variable) dengan variael bebasnya.
Sedangkan yang dimaksud garis regresi adalah suatu garis yang ditarik diantara titik-
titik sedemikian rupa sehingga dapat digunakan untuk menaksir besarnya variabel
yang satu berdasarkan besar variabel yang lain dan juga dapat digunakan untuk
mengetahui macam korelasinya (positif atau negatifnya). Apabila dua variabel x dan y
yang mempunyai hubungan atau korelasi maka perubahan nilai variabel diartikan
sebagai variabel yang satu mempengaruhi variabel yang lainnya.
Hubungan antar variabel tersebut biasanya dinyatakan dalam suatu model
matematis (fungsi) misal y = f(x) dimana y adalah variabel bergantung/dependent
variabel atau bisa juga dikatan sebagai variabel yang dipengaruhi (indikator) dan x
adalah variabel bebas (independent variabel) atau biasa juga disebut sebagai variabel
yang memengaruhi (prediktor). Sebagai ilustrasi, misalkan y = 12 + 0,2x, model
tersebut dapat diartikan bahwa nilai y akn bertambah besar 0,2 unit satuan untuk
setiap x berubah sebesar 1 unit satuan, misal untuk x = 0 maka nilai y = 12 dan jika x
= 5 maka nilai y berubah menjadi y = 12 + 0,2 (5) = 14,5 dan seterusnya.
Analisis regresi dilihat dari persamaan regresi dapat diambil dua bagian analisis
regresi, apabila yang dilibatkan hanya dua variabel x dan y maka analisis hubungan tersebut
dinamakan regresi sederhan sedangkan bila melibatkan lebih dari dua varibel misalnya x 1, x2,
dan y maka analisis hubungan tersebut dinamakan regresi ganda.
a. Regresi linear Sederhana
Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal antara
satu variabel independen dengan satu variabel dependen. Persamaan umum regresi
linier se derhana adalah :

ý = a + bX

4
Dimana :
ý = subyek dalam variabel dependen yang diprediksikan
a = harga Y bila X = 0 (harga konstan)
b = Angka arah atau koefisien regresi, yang menunjukan angka peningkatan ataupun
penurunan variabel dependen yang didasarkan pada perubahan variabel independen. Bila (+)
arah garis naik, dan bila (-) maka arah garis turun.
X = Subyek pada variabel independen yang mempunyai nilai tertentu
Dengan Y adalah variabelterikat dan X adalah variable bebas koefisien a
adalah konstanta (intercept) yang merupakan titik potong anatara garis regresi dengan
sumbu Y pada koordinat kartesius
Misalkan skor suhu ruangan (x) dengan jumlah cacat produksi (y) untuk lima
mahasiswa sebagai berikut :
Tangga Rata – Rata Jumlah X2 Y2 XY
l suhu cacat (Y)
Ruangan (X)
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207
9 24 11 576 121 264
10 25 13 625 169 325
11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 13 361 169 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 18 207
23 24 13 576 169 312
24 23 11 529 121 253
25 22 7 484 49 154
26 21 5 441 25 105

5
 27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
∑ 699 282 16487 3112 6861

Menghitung Konstanta a
( ∑ Y ) ( ∑ X 2 )−( ∑ X ) (∑ XY )
a=
n ( ∑ X 2) −¿ ¿
= - 24.
Menghitung Koefisien Regresi (b)
n(∑ XY )−(∑ X )(∑ Y )
b=
n ( ∑ X 2) −¿ ¿
= 2,8
Maka persamaan regresi linear sederhana
ý = a + bX
-24 + 2,8 = 21,2

b. Regresi Linear Berganda

Analisis regresi digunakan untuk menentukan bentuk dari hubungan antar variabel.
Tujuan utama dalam penggunaan analisis itu adalah untuk meramalkan atau
memperkirakan nilai dari suatu variabel dalam hubungannya dengan variabel yang lain.
Disamping hubungan linear dua variable, hubungan linear dari dua variable bias juga
terjadi misalnya : hubungan antara hasil penjualan dengan harga daya beli.
Hubungan linear lebih dari dua variable bila di nyatakan dalambentuk
persamaan matematis :
Y = a + b 1 x 1+ b2 x 2 +… … … … … b n x n
Keterangan :
x, x1, x2, ………………….xn = Variabel – variable
a, b1, b2, ………………….bn = bilangan konstan ( Konstanta ) koefisien variable.
Regresi linear berganda adalah regresi dimana variable terikatnya (Y) dihubungkan
atau di jelaskan lebih dari satu variable, mungkin dua, tiga dan seterusnya variable
bebas (x, x1, x2, ………………xn) namun masih menunjukan diagramhubungan yang
linear.

6
 Penambahan variable bebas ini diharapkan dapat lebih menjelaskan karakteristik
hubungan yang ada walaupun masih saja ada variabelyang terabaikan.
Bentuk umumdari perssamaan libear berganda dapat di tulis sebagai berikut :
1) Bentuk stokastik
= a + b1x1 + b2x2 + b3x3 …….. bkxk + e
2) Bentuk non stoktastik
= a + b1x1 + b2x2 + b3x3 ……bxkx
Keterangan :
a = variable teikat (nilai diduga y)
b1, b2, b3,….bk = Koefisien Regresi
x1, x2, x3 ……….xk = variable bebas4
contoh soal
sebuah penelitian dilakukan untuk mengetahuo apakah ada pengaruh makanan ikan
(tiap hari dalams seminggu) [X1] dan Panjang ikan [X2] terhadap berat ikan (kg) [Y] di
desa tani tambak Raya sejahtera. Datanya sebagai berikut :

NO X1 X2 Y X1.Y X2 .Y XI2 X22 Y2 X1 . X 2

1 8 125 37 296 4625 64 15625 1369 1000
2 10 137 41 410 5617 100 18769 1681 1370
3 71 100 34 328 3400 49 10000 1156 700
4 12 122 39 468 4758 144 14884 1521 1464
5 9 129 40 360 5160 81 16641 1600 1161
6 10 128 42 420 5376 100 16384 1764 1280
7 7 98 38 266 3274 49 9604 1444 686
8 8 103 42 336 3726 64 10609 1764 824
9 11 130 40 440 5200 121 16900 1600 1430
10 8 95 36 288 3420 64 9025 1296 760
11 10 115 41 410 4715 100 13225 1681 1150
12 8 105 38 304 3990 64 11025 1444 840
∑ 108 1387 468 4236 54311 1000 162691 1832 12665
0

Sebelum memasukan data tersebut ke persamaan b1, b2, dan a kita gunakan metode skor
deviasi untuk menyederhanakkan data tersebut . metode ini menggunakan persamaan

4
Anto, Dajan. 1991.Pengantar Metode Statistika Jilid 2. Jakarta LP3 S. halaman 174-178

7
 Jadi persamaan regresi gandanya :
Y = 128,2 – 0,53X1 – 0,17X2
=10,75
E. Menghitung Jumlah Kuadrat
Menggunakan Tabel ANAVA
Sumber varietas Jumlah Kuadrat Rerata Kuadrat
Db F
(SV) (JK) (RK)
Ketidakcocokan Dbrc JK rc RK rc RK rc
(TC)
Kekeliruan Dbrc JK rc RK rc RK rc
(KK)

8
a. Jumlah Kuadrat regresi a (Jka)
Jka =  =  = 24.000
a) Jumlah kuadrat regresi b terhadap a (JKba)JKb/a = b
= 0,96
= 480
b) jumlah kuadrat residu (JKr)
JKr = ∑Y2 – JKa - JKb/a
= 22.500 – 24.500 – 480
= 520
c) jumlah kuadrat kekeliruan (JKKK)
JKKK = ∑

Kela
X Y
s
1 50 60
60 50
2
60 80
3 70 70
4 80 90

d) derajat kebebasan kekeliruan (dbKK)

dbKK = n – k = 5 – 4 = 1 ; K = banyak kelas (dari x yang sama)
e) derajat kebebasan ketidakcocokan (JKrc)
dbrc = K – 2 = 4 – 2 = 2
f) jumlah kuadrat ketidakcocokan (JKrc)
JKrc = JKr – JKKK
= 520 – 450
= 70
g) Rerata Kuadrat Kekeliruan (RKKK)
RKKK =  =  = 450
h) Rerata Kuadrat ketidakcocokan ((RKrc)
RKrc =  =  = 35

b. Ketidakcocokan (F rc)
F rc =  =  = 0,078

c. pemeriksaan linearitas regresi

F Tabel =   =
F TC = 0,078

9
 Kriteria pengujian:
Jika FTC < F Tabel  maka regresi linear, dan Jika FTC  F Tabel  maka regresi tidak
linear.
Karena FTC = 0,78 dan F Tabel  = 0,4999 maka FTC < FTabel  sehingga
disimpulkan regresinya linear.

F. Menguji Lineritas Regresi

Uji linieritas adalah suatu prosedur yang digunakan untuk mengetahui status
linier tidaknya suatu data penelitian. Hasil yang diperoleh melalui uji linieritas
menentukan teknik analisis reg yang akan digunakan. Apabila dari hasil linieritas di
dapatkan bahwa data penelitian harus diselesaikan dengan teknik analisis regresi
linier. Tenik yang digunakan untuk menguji literalitas data denagn menggunakan
program SPSS 16.0 for windows.
Secara umum uji linearitas bertujuan untuk menegtahui apakah dua variable
mempunyai hubungan yang linear secara signifikan atau tidak. Korelasi yang baik
seharusnya terdapat hubungan yang linear antara variabel predictor atau independent
(X) dengan variable kriterium atau dependent (Y). dalam beberapa referensi yang
dinyatakan bahwa uji linieritas ini merupakan syarat atau asumsi sebelum
dilakukannya analisis regersi linear.
Pemeriksaan linearitas regresi
F Tabel =   =
F TC = 0,078
Kriteria pengujian:
Jika FTC < F Tabel  maka regresi linear, dan Jika FTC  F Tabel  maka regresi tidak
linear.
Karena FTC = 0,78 dan F Tabel  = 0,4999 maka FTC < FTabel  sehingga
disimpulkan regresinya linear.

G. Menguji signifikasi regresi

Cara Melakukan Uji F Simultan dalam Analisis Regresi Linear Berganda |
Setelah sebelumnya kita melakukan pengujian hipotesis penelitian menggunakan
teknik analisis regresi linear berganda dengan program SPSS. Selanjutnya untuk
menafsirkan hasil analisis tersebut supaya lebih mudah dipahami, maka kita perlu
melakukan uji t, uji F, koefisien determinasi dan melihat kontribusi pengaruh
(sumbangan efektif dan sumbangan relatif) yang diberikan variabel independen (X)
terhadap variabel dependen (Y).
Perbedaan antara uji t dengan uji F dalam analisis regresi linear berganda
adalah terletak pada makna pengaruh yang diberikan variabel X terhadap variabel Y
apakah terpisah atau gabungan. Uji t berguna untuk mengetahui pengaruh variabel X

10
secara partial (sendiri-sendiri) terhadap variabel Y. Sementara uji F bertujuan untuK
mengetahui pengaruh variabel X secara simultan (bersama-sama atau gabungan)
terhadap variabel Y.

Contoh kasus uji F simultan dalam analisis regresi linear berganda : apakah pengaruh
motivasi dan minat terhadap prestasi.
Berdasarkan contoh soal diatas, maka uji T berguna untuk menguji apakah ada
pengaruh motivasi dan minat secara partial terhadap prestasi (artinya pengaruh
motivasi terhadap prestasi dan pengaruh minat terhadap prestasi secara terpisah).
Sementara uji F berguna untuk menguji apakah ada pengaruh motivasi dan minat
secara simultan terhadap prestasi (artinya pengaruh gabungan dari variabel motivasi
dan minat terhadap variabel prestasi).
a. Rumusan Hipotesis dalam Uji F Simultan
Adapun hipotesis (dugaan) yang di ajukan dalam uji F ini adalah "Ada
pengaruh motivasi (X1) dan minat (X2) secara simultan terhadap prestasi (Y).
b. Dasar Pengambilan Keputusan dalam Uji F
Ada dua cara yang bisa kita gunakan sebagai acuan atau pedoman untuk
melakukan uji hipotesis dalam uji F. Pertama adalah membandingkan nilai
signifikansi (Sig.) atau nilai probabilitas hasil output Anova. Kedua adalah
membandingkan nilai F hitung dengan nilai F tabel.
1. Berdasarkan Nilai Signifikansi (Sig.) dari Output Anova
1. Jika nilai Sig. < 0,05, maka hipotesis diterima. Maka artinya motivasi (X1)
dan minat (X2) secara simultan berpengaruh terhadap prestasi (Y).
2. Jika nilai Sig. > 0,05, maka hipotesis ditolak. Maka artinya motivasi (X1)
dan minat (X2) secara simultan tidak berpengaruh terhadap prestasi (Y).
2. Berdasarkan Perbandingan Nilai F Hitung dengan F Tabel
1. Jika nilai F hitung > F tabel, maka hipotesis diterima. Maka artinya
motivasi (X1) dan minat (X2) secara simultan berpengaruh terhadap
prestasi (Y).
2. Sebaliknya, Jika nilai F hitung < F tabel, maka hipotesis ditolak. Maka
artinya motivasi (X1) dan minat (X2) secara simultan tidak berpengaruh
terhadap prestasi (Y).
Catatan: Pertanyaan yang sering diajukan oleh pelanggan saya, terkait dasar
pengambilan keputusan dalam uji F ini adalah: “Mas dari dasar pengambilan

11
keputusan dalam uji F di atas, manakah yang lebih betul atau lebih akurat, apakah dari
nilai F hitung dengan F tabel atau melihat nilai signifikansi”?. Jawaban dari
pertanyaan pelanggan di atas sebetulnya sangatlah sederhana, yakni sama-sama betul
dan sama-sama akurat.
Alasan yang mendasari jawaban ini adalah jika nilai F hitung lebih besar dari
F tabel, maka otomatis nilai signifikansi (Sig.) yang dihasilkan dari analisis data
dengan SPSS sudah pasti lebih kecil dari 0,05. Artinya dari kedua dasar pengambilan
keputusan tersebut akan menghasilkan kesimpulan yang sama dan tidak
berseberangan satu sama lainnya.
c. Pengambilan keputusan Uji F simultan dalam analisis Regresi Linear Berganda
ANOVA
Model Sum of df Mean F Sig
Squares Square
1 Regression 559,332 2 279,666 23,450 000b
Residual 107,335 9 11,926
total 666,667 11

a. Dependen Variabel: Prestasi (Y)

b. Predictors(Constant, Minat(X2), Motivasi(X1)
1. Berdasarkan Nilai Signifikansi (Sig.) dari Output Anova
Berdasarkan tabel output SPSS di atas, diketahui nilai Sig. adalah sebesar
0,000. Karena nilai Sig. 0,000 < 0,05, maka sesuai dengan dasar pengambilan
keputusan dalam uji F dapat disimpulkan bahwa hipotesis diterima atau dengan
kata lain motivasi (X1) dan minat (X2) secara simultan berpengaruh terhadap
prestasi (Y).
2. Berdasarkan Perbandingan Nilai F Hitung dengan F Tabel
Berdasarkan tabel output SPSS di atas, diketahui nilai F hitung adalah
sebesar 23,450. Karena nilai F hitung 23,450 > F tabel 4,10, maka sebagaimana
dasar pengambilan keputusan dalam uji F dapat disimpulkan bahwa hipotesis
diterima atau dengan kata lain motivasi (X1) dan minat (X2) secara simultan
berpengaruh terhadap prestasi (Y).
Catatan: F tabel di cari pada distribusi nilai r tabel statistik pada
signifikansi 5% atau 0,05 dengan menggunakan rumus F tabel = (k ; n-k). Dimana
"k" adalah jumlah variabel independen (variabel bebas atau X) sementara "n"

12
 adalah jumlah responden atau sampel penelitian. Dalam penelitian ini jumlah "k"
adalah 2 yakni variabel motivasi (X1) dan variabel minat (X2). Sementara jumlah
"n " adalah 12 orang siswa (responden).5
Selanjutnya nilai ini kita masukkan ke dalam rumus, maka menghasilkan
angka (2 ; 12-2) = (2; 10), angka ini kemudian kita jadikan acuan untuk mencari
atau melihat nilai F tabel pada distribusi nilai F tabel statistik. Maka ditemukan
nilai F tabel adalah sebesar 4,10. Lihat gambar di bawah ini.

Distribusi Nilai F Tabel dalam Analisis Regresi Linear Berganda

Kesimpulan: Berdasarkan kedua pembahasan dalam uji F di atas, maka kita

dapat membuat sebuah kesimpulan bahwa motivasi (X1) dan minat (X2) secara
simultan (bersama-sama) berpengaruh terhadap prestasi (Y).Setelah kita mengetahui
bahwa "ada pengaruh simultan" maka selanjutnya kita akan mencari berapa %
pengaruh yang diberikan kedua variabel tersebut secara simultan. Adapun materi
tentang ini akan kita bahas pada artikel: Makna Koefisien Determinasi [R Square]
dalam Analisis Regresi Linear Berganda.

5
Abdurrahman, Maman dan Muhibbin, Sambas Ali, Analisis Korelasi, Regresi, dan Jalur dalam
Penelitian, Bandung: CV Pustaka Setia, 2007.

13
 BAB III
PENUTUP
Kesimpulan
Analisis Regresi atau peramalan adalah suatu proses memperkirakan secara sistematis
tentang apa yang paling mungkin terjadi di masa yang akan dating berdasarkan informasi
masa lalu dan sekarang yang dimiliki agar kesalahannya dapat di perkecil. Persamaan garis
regresi adalah model hubungan antara dua variable atau lebih yaitu antara variable
bergantung (dependent variable) dengan variabel bebasnya. regresi sederhana didasarkan
pada hubungan fungsioal ataupun kasual satu variable dependen. adapun analisis regresi
ganda adalah pengembangan dari analisis regresi sederhana, kegunaannya yaitu untuk
meramalkan nilai variable terkait (y) apabila variabel bebas minimal dua atau lebih.

14
 DAFTAR PUSTAKA

Abdurrahman, Maman dan Muhibbin, Sambas Ali, Analisis Korelasi, Regresi, dan Jalur

dalam Penelitian, Bandung: CV Pustaka Setia, 2007.

Arnita.. 2013. pengantar statistika. Bandung : CitaPustaka Media Perintis.

Anto, Dajan. 1991.Pengantar Metode Statistika Jilid 2. Jakarta LP3S

Sunardi Nur 2009 .Pengantar Statistika, Jakarta : Bumi Aksara, 2009

15