Uji Linearitas dan Uji Regresi Linear Sederhana

LAPORAN PRAKTIKUM

PENGOLAHAN DAN ANALISIS DATA STATISTIK

MENGGUNAKAN SPSS

Dosen Pengampu:

Dr. Husni Syahrudin, M.Si

Ludovicus Manditya Hari Christanto, S.Si, M.Sc

ACARA III

Uji Linearitas dan Uji Regresi Linear Sederhana

  

Dibuat Oleh:

Ahmad Ryadi Febryanto (F1032131018)

Rizki Ramadan (F1032131012)

                           

PROGRAM STUDI S1 PENDIDIKAN EKONOMI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS TANJUNGPURA

PONTIANAK

2015

ACARA III

I.      Judul

Uji Linearitas dan Uji Regresi Linear Sederhana

II.      Tujuan

1.      Uji Linieritas

Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi linear.Pengujian pada SPSS dengan menggunakan Test for Linearity dengan pada taraf signifikansi 0,05. Dua variabel dikatakan mempunyai hubungan yang linear bila signifikansi (Linearity) kurang dari 0,05.

2.      Uji Regresi Liner Sederhana

Untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya berskala interval atau rasio.

III.      Alat dan Bahan

1.      Alat:

a.       Laptop dan Program SPSS

b.      LCD

2.      Bahan

Data Linier Regresi Sederhana

No	Nama Siswa	Prestasi Siswa Persemester	Lamanya belajar (permenit)
1	Adi Kusuma	76.00	45
2	Anggun Pratiwi	87.00	60
3	Anita Rahayu	67.00	30
4	Andi Pranata	90.00	60
5	Bella Sintia	78.00	60
6	Benu Bandino	78.00	60
7	Cici	89.00	60
8	Diska Putri	76.00	45
9	Dora Menda	80.00	60
10	Eko Fitriariadi	70.00	60
11	Feri Irawan	86.00	45
12	Gian Gino	95.00	90
13	Hermanto	56.00	45
14	Hendrik Pawardi	76.00	45
15	Iwan Setiawan	86.00	60
16	Jaka Tarub	96.00	60
17	Karmin	99.00	60
18	Laila Canggung	89.00	45
19	Messi Mahesa	76.00	45
20	Novianti	76.00	45
21	Okti	86.00	45
22	Lia Eliaser	96.00	90
23	Marta	88.00	90
24	Noberta	89.00	90
25	Pendi Nurhalim	56.00	30
26	Rambo Reza	98.00	45
27	Susanti	67.00	45
28	Tiko	78.00	30
29	Ulva	66.00	60
30	Wati	78.00	45

IV.      Dasar Teori

1.      Pentingnya Uji Linearitas Sebagai Asumsi Yang Harus Dipenuhi Dalam Regresi Linear Sederhana

http://duwiconsultant.blogspot.com tahun 2011 Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai hubungan linear atau tidak. Uji ini jarang digunakan pada berbagai penelitian, karena biasanya model dibentuk berdasarkan telaah teoretis bahwa hubungan antara variabel bebas dengan variabel terikatnya adalah linear. Hubungan antar variabel yang secara teori bukan merupakan hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi linear, misalnya masalah elastisitas.

Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak, uji linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut bersifat linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat linear antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test atau uji Lagrange Multiplier.

Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan linieritas dalam parameter. Yang pertama, linier dalam variabel merupakan nilai rata-rata kondisional variabel tergantung yang merupakan fungsi linier dari variabel (variabel) bebas. Sedang yang kedua, linier dalam parameter  merupakan fungsi linier parameter dan dapat tidak linier dalam variable

2.      Konsep Dasar Uji Regresi Linear Sederhana

Menurut http://www.jonathansarwono.info Model kelayakan  regresi linear didasarkan pada hal-hal sebagai berikut:

a.       Model regresi dikatakan layak  jika angka signifikansi pada ANOVA sebesar < 0.05

b.      Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation

c.       Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis)

d.      Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih dari satu.

e.       Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1 dan > 3

f.       Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik. Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y.

g.      Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)

h.      Data harus berdistribusi normal , Sehingga Perlu Dilakukan Uji Normalitas Data

i.        Data berskala interval atau rasio

j.        Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response)

3.      Uraian Tengtang Konsep Yang Diteliti

Studi kasus yang kami teliti adalah mencari hubungan antara prestasi persemester siswa dengan lamanya belajar di rumah. Disini prestasi siswa dihitung dalam persemester saat siswa melakukan ujian semester, sedangkan lamanya belajar di rumah di perhitungkan dengan satuan menit. Secara logika apabila siswa makin lama belajar dirumah maka nilai ujian mereka akan bagus dan memuaskan, begitu dengan sebaliknya, apabila siswa malas belajar di rumah, maka nilai ujiannya akan kecil.

    V.            Langkah kerja

1.      Uji Linearitas Data

a.       Buka data regresi sederhana

b.      Klik menu Analyze – Compare Means – Means

c.       Masukan variabel Y pada kolom Dependent List dan variabel X pada kolom Independen List

d.      Klik bagian Option – pada Statistik for First Layer klik Test For Linearity, kemudian klik Continue

e.       Klik Oke untuk mengakhiri perintah.

f.       Copy hasil praktikum pada format laporan yang ditentukan

Ketentuan Pengambilan Keputusan:

a.       Jika Sig > 0,05 maka hubungan antara variabel X dengan Y adalah linear.

b.      Jika Sig < 0,05 maka hubungan antara variabel X dengan Y adalah tidak linear.

2.      Uji Regresi Linear Sederhana

a.       Klik Analyze – Regresion – Linear

b.      Pada kotak bagian Dependen masukan variabel Y, selanjutnya pada bagian Independen masukan variabel X.

c.       Klik pada bagian Statistic – pada bagian Regresion Coeficient centang pada bagian Estimates, Model Fit dan Desciriptive. Pada bagian Residual beri centang untuk Case Diagnostic – Outlier Outside pilih sebanyak 1 standar deviasi, maka akan ditampilkan hasil regresi pada kasus yang melebih 1 standar deviasi  – Klik Continue.

d.      Klik pada bagian Plots, dalam hal ini direncanakan akan ada 3 plot sehubungan dengan analisis regresi.

e.       Klik mouse pada pilihan SDRESID dan masukan ke pilihan Y, lalu klik mouse pada pilihan ZPRED dan masukan ke pilihan X. Setelah kedua variabel Y dan X terisi, klik tombol Next untuk melanjutkan pengisian plot kedua.

f.       Tampak variabel Y dan X kosong kembali. Sekarang klik pada pilihan ZPRED dan masukan ke pilihan Y. Lalu klik mouse sekali lagi pada pilihan DEPENDT dan masukan ke pilihan X. Kemudian klik tombol Next untuk melanjutkan pengisian plot ketiga.

g.      Untuk plot ketiga pada pilihan Standardized Residual Plots, klik mouse pada Normal Probability Plot – Ok.

h.      Copy hasil praktikum pada format laporan yang ditentukan.

Pengambilan Keputusan

a.       Jika Sig (2-tailed ) > 0,05 maka Ho diterima.

b.      Jika Sig (2-tailed ) < 0,05 maka Ho ditolak

 VI.            Hasil Praktikum

1.      Uji Linearitas Data

Tabel 1 Case Processing Summary
	Cases
	Included		Excluded		Total
	N	Percent	N	Percent	N	Percent
Prestasi Siswa Persemester  * Lamanya Jam Belajar (Permenit)	30	100.0%	0	.0%	30	100.0%

Tabel 2 Report
Prestasi Siswa Persemester
Lamanya Jam Belajar (Permenit)	Mean	N	Std. Deviation
30	67.0000	3	11.00000
45	78.3333	12	10.75625
60	83.5455	11	10.24074
90	92.0000	4	4.08248
Total	80.9333	30	11.50992

Tabel 3 ANOVA Table
			Sum of Squares	df	Mean Square	F	Sig.
Prestasi Siswa Persemester * Lamanya Jam Belajar (Permenit)	Between Groups	(Combined)	1228.473	3	409.491	4.074	.017
		Linearity	1127.576	1	1127.576	11.218	.002
		Deviation from Linearity	100.897	2	50.448	.502	.611
	Within Groups		2613.394	26	100.515
	Total		3841.867	29

Tabel 4 Measures of Association
	R	R Squared	Eta	Eta Squared
Prestasi Siswa Persemester * Lamanya Jam Belajar (Permenit)	.542	.293	.565	.320

Ketentuan Pengambilan Keputusan:

a.       Jika Sig > 0,05 maka hubungan antara variabel X dengan Y adalah linear.

b.      Jika Sig < 0,05 maka hubungan antara variabel X dengan Y adalah tidak linear.

2.      Uji Regresi Linear Sederhana

Tabel 5 Descriptive Statistics
	Mean	Std. Deviation	N
Prestasi siswa persemester	80.9333	11.50992	30
lamanya belajar dirumah permenit	55.00	16.867	30

Tabel 6 Correlations
		Prestasi siswa persemester	lamanya belajar dirumah permenit
Pearson Correlation	Prestasi siswa persemester	1.000	.542
	lamanya belajar dirumah permenit	.542	1.000
Sig. (1-tailed)	Prestasi siswa persemester	.	.001
	lamanya belajar dirumah permenit	.001	.
N	Prestasi siswa persemester	30	30
	lamanya belajar dirumah permenit	30	30

Tabel 7 Variables Entered/Removedb
Model	Variables Entered	Variables Removed	Method
1	lamanya belajar dirumah permenita	.	Enter
a. All requested variables entered.
b. Dependent Variable: Prestasi siswa persemester

Tabel 8 Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	.542a	.293	.268	9.84576
a. Predictors: (Constant), lamanya belajar dirumah permenit
b. Dependent Variable: Prestasi siswa persemester

Tabel 9 ANOVAb
Model		Sum of Squares	Df	Mean Square	F	Sig.
1	Regression	1127.576	1	1127.576	11.632	.002a
	Residual	2714.291	28	96.939
	Total	3841.867	29
a. Predictors: (Constant), lamanya belajar dirumah permenit
b. Dependent Variable: Prestasi siswa persemester

Tabel 10 Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.
		B	Std. Error	Beta
1	(Constant)	60.600	6.227		9.732	.000
	lamanya belajar dirumah permenit	.370	.108	.542	3.411	.002
a. Dependent Variable: Prestasi siswa persemester

Tabel 11 Casewise Diagnosticsa
Case Number	Std. Residual	Prestasi Siswa Persemester	Predicted Value	Residual
10	-1.298	70.00	82.7818	-1.27818E1
13	-2.157	56.00	77.2364	-2.12364E1
16	1.343	96.00	82.7818	1.32182E1
17	1.647	99.00	82.7818	1.62182E1
18	1.195	89.00	77.2364	1.17636E1
25	-1.594	56.00	71.6909	-1.56909E1
26	2.109	98.00	77.2364	2.07636E1
27	-1.040	67.00	77.2364	-1.02364E1
29	-1.704	66.00	82.7818	-1.67818E1
a. Dependent Variable: Prestasi Siswa Persemester

Tabel 12 Residuals Statisticsa
	Minimum	Maximum	Mean	Std. Deviation	N
Predicted Value	71.6909	93.8727	80.9333	6.23554	30
Std. Predicted Value	-1.482	2.075	.000	1.000	30
Standard Error of Predicted Value	1.878	4.198	2.413	.814	30
Adjusted Predicted Value	70.9184	95.1778	81.0148	6.30891	30
Residual	-2.12364E1	20.76364	.00000	9.67451	30
Std. Residual	-2.157	2.109	.000	.983	30
Stud. Residual	-2.208	2.159	-.004	1.010	30
Deleted Residual	-2.22476E1	21.75238	-.08147	10.22572	30
Stud. Deleted Residual	-2.385	2.322	-.006	1.048	30
Mahal. Distance	.088	4.306	.967	1.464	30
Cook's Distance	.000	.175	.028	.041	30
Centered Leverage Value	.003	.148	.033	.050	30
a. Dependent Variable: Prestasi siswa persemester

Gambar 1

Ini namanya uji normalitas data, di sebut chart grafik. Ini grafik normalitas data.  Dengan ketentuan ; jika residual berasal dari distribusi normal maka nilai-nilai sebaran data akan terletak disekitar garis lurus . unutk meyakin kan data ini normal atau tidak maka bisa di uji pada kolmorov.

Gambar 2

Keterangan gambar kedua ini menggambarkan hubungan antara nilai yang diprediksi dengan student ized delete residual. Jika model regresi layak untuk dipakai dalam atau untuk prediksi, data akan berpencar disekitar angka nol( 0 pada sumbu y) dan tidak membentuk suatu pola atau tren atau garis tertentu. ( data yang layak tersebar di dekat angka nol) yang dilihat persebaran yang paling dominan.

Gambar 3

Persyaratan Model fit pada tiap data, Jika model regresi memenuhi syarat sebaran data akan berada mulai dari kiri bawah lurus kearah kanan atas.

Pengambilan Keputusan

a.       Jika Sig (2-tailed ) > 0,05 maka Ho diterima.

b.      Jika Sig (2-tailed ) < 0,05 maka Ho ditolak

VII.            Pembahasan

1.      Uji Lineritas Data Regresi

Pada tabel 1 uji linieritas terdapat tabel Case Processing Summary. Pada tabel ini terdapat kolom Cases yang terbagi menjadi 3 kolom yaitu Included, excluded dan total pada setiap kolom terdapat nilai N dan percent. Pada studi kasus kami yang membahs tentang hubungan antara prestasi siswa persemester dengan lamanya belajar di rumah. Pada studi kasus kami tersebut menunjukan nilai N Included atau data yang masuk  sebesar 30 siswa dengan Percent 100%, nilai Excluded atau data yang keluar N 0, Percent 0% dengan Total N 30 dan Percent 100%.

Pada tabel 2 terdapat tabel Report Prestasi Siswa Persemester yang menunjukan nilai Mean, N, dan Std. Deviation Lamanya Jam Belajar siswa (Permenit). Terdapat 3 siswa yang belajar 30 menit dengan nilai Mean 67,0000 dan Std. Deviation 11,00000, 12 siswa yang belajar 45 menit dengan nilai Mean 78,3333 dan Std. Deviation 10,75625, 11 siswa yang belajar 60 menit dengan nilai Mean 83,5455 dan Std. Deviation 10,24074, 4 siswa yang belajar 90 menit dengan nilai Mean 92,0000 dan Std. Deviation 4,08248 dengan total nilai Mean 80,9333 dan Std. Deviation 11,50992.

Pada tabel 3 dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity sebesar 0,611. Karena signifikansi kurang dari 0,05 maka dapat disimpulkan bahwa antara variabel tersebut terdapat hubungan yang linear.

Pada tabel 4 Measures Of Association prestasi siswa semester dan lamanya jam belajar dengan nilai R 0,542, nilai R Squared atau R kaudrat 0,293, nilai Eta 0,565 dan nilai Eta Squaered atau Eta kaudrat 0,320. Disini menunjukan bahwa terdapat 32% (0,320 x 100) prestasi siswa dipengaruhi oleh lamanya belajar siswa permenit.

2.      Uji Linier Regresi Sedrhana

Pada table 5 Descriptive Statitics dapat diketahui nilai Mean prestasi siswa persemester adalah 80,9333 dan nilai Std. Deviation 11,50992 dengan jumlah siswa 30 dan pada kolom bawahnya terdapat kolom lamanya belajar dirumah yang dihitung dalam permenit dengan nilai rata-rata atau Mean 55,00 dan nilai Std. Deviation 16,867 dengan jumlah siswa yang sama yaitu 30 siswa.

Pada table 6 Correlation terdapat hubungan antara variabel prestasi siswa persemester dengan lamanya belajar dirumah dengan menghitung permenit nilai kekuatan hubungannya adalah 0,542, jika kita melihat teori sebelumnya dengan melihat hubungan tersebut pada korelasi product moment person maka hubungan tersebut sedang menurut Sugiyono pada tahun 2007 tentang koefisien korelasi yang terdapat di Laporan Praktikum Acara 2.

Hasil dari tabel 7 Variables Entered/Removed, tabel ini menjelaskan tentang variabel yang dimasukkan, di mana semua variabel dimasukkan dan tidak ada variabel yang dikeluarkan (removed). Hal ini disebabkan metode yang dipakai adalah single step (enter) dan bukan stepwise.

Tabel 8 Model Summary diatas menjelaskan tentang besarnya nilai korelasi/hubungan(R) yaitu sebesar 0,542  dan dijelaskan besarnya persentase pengaruh variabelIndependent (X) terhadap variabel Dependent (Y) yang disebut dengan koefisien determinasi yang merupakan hasil dari penguadratan R. Dari output tersebut diperoleh nilai koefisien determinasi (R Square) sebesar 0,293, yang mempunyai pengertian bahwa pengaruh variabel independent (lamanya belajar siswa permenit) terhadap variabel dependent (prestasi siswa persemester) adalah sebesar 29,3% (0,293x100), sedangkan sisanya dipengaruhi oleh variabel yang lain.

Pada table 9 Anova di tunjukan nilai Sum Of Squares Regression 1127,576 dan Residual 2714,291 dengan total 3841,867 pada kolom Df terdapat nilai Df Regresion 1 dan nilai Residualnya 28 dengan total 29, pada kolom Mean Square Regresion bernilai 1127,576 dan nilai Residualnya 96,939 , dan nilai F Regresion yaitu 11,632 dan nilai Sig 0,002 < 0,005 yang berarti Hipotesis H0 ditolak yang berbunyi Terdapat hubungan antara prestasi siswa persemester dengan lamanya siswa belajar di rumah atau prestasi siswa dipengaruhi oleh lamanya belajar siswa di rumah.

Pada tabel 10 (Coefficients a), pada kolom B nilai Constant (a) adalah 60,600, sedangkan nilai lamanya belajar siswa (b) adalah 0,370, sehingga persamaan regresi dapat ditulisY = a + bX atau ( Y=60,600 +0,370) Koefisien b dinamakan koefisien arah regresi yang menyatakan perubahan rata-ratavariabel Y untuk setiap perubahan variabel X sebesar satu satuan. Perubahan inimerupakan pertambahan bila b bertanda positif (+) dan penurunan bila b bertanda negatif. Sehingga dari persamaan tersebut dapat diterjemahkan sebagai berikut: Dari output diatas (tabel coefficients) diketahui nilai t hitung = 9,732 dengan nilai signifikansi 0,002 < 0,05 maka Ho ditolak dan Ha diterima, yang berarti Ada pengaruh yang signifikan variabel lamanya belajar di rumah permenit (X) terhadap variabel Prestasi siswa persemester (Y). Untuk  mengetahui persamaan regresi-nya dilihat dari Tabel Coefficients. Diketahui nilai constant-Nya (konstanta) adalah : 60,600 dan nilai lamanya jam belajar  adalah 0,370. Dari keterangan tersebut kita dapat memperoleh Persamaan regresi-nya sebagai berikut : Y = 60,600 + 0,370 X. Maksudnya jika Konstanta (a) = 60,600  Artinya : apabila lamanya belajar siswa permenit  (X1) sama dengan nol (tidak ada perubahan), maka prestasi siswa persemesternya (Y) sebesar 60,600.

Koefisien regresi lamanya belajar siswa (b) = + 0,370 Koefisien regresi positif (searah), sebesar 0,370  artinya, jika lamanya belajar siswa meningkat sebesar 1 satuan, maka prestasi siswa  (Y) akan meningkat sebesar 0,370 artinya, jika lamanya belajar meningkat sebesar 0,370 maka prestasinya akan meningkat sebesar 0,370.

Pada tabel 11 terdapat tabel Casewise Diagnostics menunjukan nilai Std. Residual, Prestasi Siswa Persemester, Predicted Value, dan Residual pada setiap beberapa siswa yang dianggap nilainya dapat diprediksi naik dan turun. Siswa tersebut ditunjukan dengan Kolom Case Number yaitu siswa yang bernomor 10, 13, 16, 17, 18, 25, 26, 27, dan 29. Siswa bernomor 10 dengan prestasi 70,00 diprediksikan nilainya akan meningkat menjadi 82,7818, Siswa bernomor 13 dengan prestasi 56,00 diprediksikan nilainya akan meningkat menjadi 77,2364, Siswa bernomor 16 dengan prestasi 96,00 diprediksikan nilainya akan menurun menjadi 82,7818, Siswa bernomor 17 dengan prestasi 99,00 diprediksikan nilainya akan menurun menjadi 82,7818, Siswa bernomor 18 dengan prestasi 89,00 diprediksikan nilainya akan menurun menjadi 82,7818, Siswa bernomor 25 dengan prestasi 56,00 diprediksikan nilainya akan meningkat menjadi 71,6909, Siswa bernomor 26 dengan prestasi 98,00 diprediksikan nilainya akan menurun menjadi 77,2364 Siswa bernomor 27 dengan prestasi 67,00 diprediksikan nilainya akan meningkat menjadi 77,2364, Siswa bernomor 29 dengan prestasi 66,00 diprediksikan nilainya akan meningkat menjadi 82,7818

Pada tabel 12 hasil dari uji Residual Statistics, pada tabel diatas mengemukakan ringkasan hasil-hasil dari “Predicted Value” (nilai yang diprediksi) yang berupa nilai Minimal, Maksimum, Mean, Standar Deviasi dan N.

Pada Gambar 1 hasil dari Normal Probability – Plot, gambar ini memperlihatkan penyebaran dari data-data yang ada pada variabel (menggambarkan garis regresi), karena titik-titik terletak mendekati atau sekitar garis lurus maka data tersebut berdistribusi normal.

Pada Gambar 2 hasil dari Scatterplot, menunjukan hubungan antara nilai Regression Standardized Predicted Value dan Regression Studentized Deleted (Press) Residual dimana persyaratan kelayakan model regresi (Model Fit), jika model regresi layak untuk diprediksi, data akan berpencar disekitar angka nol (nol pada sumbu Y dan tidak membentuk suatu pola atau tren garis tertentu) dan pada gambar 2 yang  kami dapatkan menunjukan bahwa model regresi layak untuk diprediksi karena data yang kami teliti berada di sekitar angka nol.

Pada gambar 3 Scatterplot menunjukan hubungan antara Regression Standarrized Predicted Value dengan Prestasi Siswa Persemester. Persyaratan model fit pada tiap data, jika model regresi memenuhi syarat sebaran data akan berada mulai dari kiri bawah lurus kearah kanan atas. Dan pada data yang kami kelola menunjukan bahwa data kami memenuhi syarat karena berada mulai kiri bawah dan lurus ke arah kanan atas.

VIII.      Kesimpulan

Pada pembahasan di atas data yang kami teliti dengan jumlah Total N atau siswa 30 dan Percent 100% dengan nilai Mean prestasi siswa persemester 80,9333 dan Std. Deviation 11,50992 dan lamanya belajar dirumah yang dihitung dalam permenit dengan nilai rata-rata atau Mean 55,00 dan nilai Std. Deviation 16,867. Menunjukan bahwa data kami  berbentuk linier karna nilai yang sig di tunjukan 0,611 > 0,05 yang berarti hubungan antara variabel X dengan Y adalah linear.

Dan pada uji Regresi Linier Sederhana ternyata prestasi siswa dipengaruhi oleh lamanya belajar permenit seperti penjelasan diatas dengan nilai Sig 0,002 < 0,005 yang berarti Hipotesis H0 ditolak yang berbunyi Terdapat hubungan antara prestasi siswa persemester dengan lamanya siswa belajar di rumah atau prestasi siswa dipengaruhi oleh lamanya belajar siswa di rumah. Dengan persentase pengaruh 32% prestasi siswa dipengaruhi oleh lamanya belajar siswa permenit. Dengan nilai kekuatan antara dua variabel 0,542 atau sedang.

IX.      Daftar Pustaka

http://duwiconsultant.blogspot.com/2011/11/uji-linieritas.htm Diakses Tanggal 5 Juni 2015 Pukul 23:31 WIB

http://www.jonathansarwono.info/regresi/regresi.htm Diakses Tanggal 5 Juni 2015 Pukul 21:30 WIB

http://www.konsultanstatistik.com/2009/03/uji-asumsi-klasik.html Diakses Tanggal 5 Juni 2015 Pukul 21:55 WIB

Kunjungi juga :

http://pengolahandananalisis-data-statistik.blogspot.co.id/

http://analisisujinormalitasdankorelasi.blogspot.co.id/