STATISTIKA KEL.5 Done [PDF]

Citation preview

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 3



Sunardi Nur, Pengantar Statistika, Jakarta : Bumi Aksara, 2009 hal. 121 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 titiktitik 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



l



suhu



cacat (Y)



1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26



Ruangan (X) 24 22 21 20 22 19 20 23 24 25 21 20 20 19 25 27 28 25 26 24 27 23 24 23 22 21



10 5 6 3 6 4 5 9 11 13 7 4 6 13 12 13 16 12 14 12 16 9 13 11 7 5



X2



Y2



XY



576 484 441 400 484 361 400 529 576 625 441 400 400 361 625 729 784 625 676 576 729 529 576 529 484 441



100 25 36 9 36 16 25 81 121 169 49 16 36 169 144 169 256 144 196 144 256 18 169 121 49 25



240 110 126 60 132 76 100 207 264 325 147 80 120 57 300 351 448 300 364 288 432 207 312 253 154 105 5



27 28 29 30 ∑



26 25 26 27 699



12 11 13 14 282



676 625 676 729 16487



144 121 169 196 3112



312 275 338 378 6861



Menghitung Konstanta a a=



( ∑ Y ) ( ∑ X 2 )−( ∑ X ) (∑ XY ) n ( ∑ X 2) −¿ ¿



= - 24. Menghitung Koefisien Regresi (b) b=



n(∑ XY )−(∑ X )(∑ Y ) 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 1 2 3 4 5 6 7 8 9 10 11 12 ∑



X1 8 10 71 12 9 10 7 8 11 8 10 8 108



X2 125 137 100 122 129 128 98 103 130 95 115 105 1387



Y 37 41 34 39 40 42 38 42 40 36 41 38 468



X1.Y 296 410 328 468 360 420 266 336 440 288 410 304 4236



X2 .Y 4625 5617 3400 4758 5160 5376 3274 3726 5200 3420 4715 3990 54311



XI2 64 100 49 144 81 100 49 64 121 64 100 64 1000



X22 15625 18769 10000 14884 16641 16384 9604 10609 16900 9025 13225 11025 162691



Y2 1369 1681 1156 1521 1600 1764 1444 1764 1600 1296 1681 1444 1832



X1 . X 2 1000 1370 700 1464 1161 1280 686 824 1430 760 1150 840 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



Db



Jumlah Kuadrat



Rerata Kuadrat (RK) RK rc



RK rc



RK rc



RK rc



(SV) Ketidakcocokan



Dbrc



(JK) JK rc



(TC) Kekeliruan



Dbrc



JK rc



F



(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 s 1



X



Y



50



60



60



50



60



80



3



70



70



4



80



90



2



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 559,332



2



Square 279,666



23,450



000b



Residual



107,335



9



11,926



total



666,667



11



1 Regression



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.



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



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