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/
Tidak ada komentar:
Posting Komentar