You are on page 1of 12

MODUL VI

ANALISIS REGRESI
Fahmi Cholid (1314030046)fahmi.cholid@yahoo.co.id
Mahasiswa Statistika Institut Teknologi Sepuluh Nopember Surabaya
ABSTRAK
Analisis regresi linier sederhana adalah analisis terhadap hubungan satu variabel
tak bebas (Y) dengan satu variabel bebas (X). Analisis regresi dikembangkan untuk
mempelajari pola dan mengukur hubungan statistik antara dua atau lebih dari suatu
variabel. Data yang digunakan pada pratikum ini adalah data tentang hubungan lama
belajar dengan nilai IPK pada mahasiswa jurusan D3 Teknik Mesin ITS.Dimana lama
belajar sebagai variabel bebas yang dilambangkan dengan X dan nilai IPK sebagai
variabel terikat yang dilambangkan dengan Y. Dari data tersebut akan dicari nilai satitstik
deskriptifnya dengan mencari nilai dari ukuran pemusatan dan ukuran penyebarannya,
pemodelan regresi pemodelan regresi, uji parameter regresi baik secara serentak
maupun parsial,uji asumsi residual berdistribusi normal, identik, independen dan akan
dihitung dengan selang kepercayaan 95% secara manual. Pada pratikum ini disimpulkan
setiap penambahan satu jam maka akan bertambah akan bertambah 0,116. Hasil
residual pengujiannya memenuhi IIDN.
Kata kunci: Regresi, uji parameter parsial, uji parameter serentak, uji
residual

1.

Pendahuluan
Di kehidupan sehari-hari pasti berjumpa dengan hubungan sebab dan
akibat. Untuk mengetahui hubungannya maka dibutuhkan beberapa data antara
kedua hal yang ingin diteliti hubungannya, kedua hal itu dinyatakan sebagai
variabel X dan variabel Y. Data-data yang diperoleh akan dianalisis melalui
metode yang disebut analisis regresi. Pada praktikum kali ini, akan menyelidiki
hubungan durasi lama belajar dengan nilai IPK mahasiswa jurusan D3 Teknik
mesin. Dari kedua variabel tersebut dapat diketahui bagaiamana pengaruh
antara durasi lama belajar dan nilai IPK. Kedua variabel tersebut mungkin
berpengaruh atau mungkin sebaliknya.
Masalah yang dibahas pada praktikum ini yaitu untuk melihat ada atau
tidaknya hubungan antara lama belajar dengan IPK. Hubungan ini akan dilihat
pemodelan regresi pemodelan regresi, uji parameter regresi baik secara
serentak maupun parsial,uji asumsi residual berdistribusi normal, identik,
independen dan akan dihitung dengan selang kepercayaan 95% secara minitab
dan manual.
Sebagaimana rumusan masalah diatas yang telah dijelaskan
sebelumnya, tujuan yang ingin dicapai dalam pembuatan praktikum ini adalah
untuk mengetahui hubungan antara lama belajar dan IPK, kemudian untuk
mengetahui memodelkan persamaan regresi linier sederhana serta
memenginterpretasikan model, mengetahui pengujian asumsi residual,
menghitung nilai R-sq dan korelasi serta memberikan arti nilai tersebut.
Manfaat yang dapat diambil dari pratikum ini adalah dapat mengetahui
pengaruh lama belajar terhadap IPK. Kemudian untuk mengasah dalam hal
analisis regresi, mulai dari pengujian residual maupun pengujian koefisien regresi
yang terdiri dari uji serentak dan uji parsial. Serta diharapkan pula mahasiswa
dapat memodelkan persamaan regresi linier sederhana dan menginterpretasikan
model tersebut, dapat menghitung nilai R-sq dan korelasi serta memberikan arti
nilai tersebut. Serta mampu mengaplikasikannya dalam kehidupan sehari-hari.
2.
Landasan Teori

2.1 Regresi
Analisis regresi merupakan sebuah alat statistik yang memberikan
penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Dalam
analisis regresi, dikenal dua jenis variabel yaitu variabel respon (variabel
dependent) yaitu variabel yang keberadaannya dipengaruhi oleh variabel lainnya
yang dinotasikan dengan Y, dan yang kedua adalah variabel prediktor (variabel
independent) yaitu variabel yang bebas yang tidak dipengaruhi oleh variabel
lainnya yang dinotasikan dengan X. Analisis regresi umumnya memiliki 3
kegunaan yaitu untuk tujuan deskripsi dari fenomena data atau kasus yang
sedang diteliti, untuk tujuan kontrol, serta untuk tujuan prediksi Slamet, 2008).
2.1 Persamaan Umum Regresi
Persamaan regresi adalah hubungan antara variabel bebas dan terikat,
yang dicocokkan pada data percobaan, ditandai dengan persamaan prediksi.
(2.1)
Dimana :

^y

: variabel terikat

: variabel bebas

: konstanta

: koefisien variabel x

: banyaknya data

Nilai konstanta

dan koefisien

dapat dihitung dengan menggunakan

rumus :

i 1

x y
i 1

n x12 -
i 1

n x1 y1 -

x
i 1

i 1
2

(2.2)

i 1

i 1

y1 - b x i
n
(2.3)

Dimana :

: konstanta yang merupakan titik potong dengan sumbu tegak

: koefisien variabel x yang menyatakan kemiringan

: banyaknya data

(walpole, 1995).
2.2 Koefisien Korelasi (r)
Koefisien korelasi adalah besaran yang menunjukkan tingginya derajat
hubungan antara variabel x dan variabel y dalam model regresi yang diamati.
Jadi seperti halnya koefisien determinasi, koefisien korelasi juga digunakan
sebagai pengukur hubungan dua variabel(Slamet, 2008).
r

n xy x y

n x 2 ( x ) 2

n y 2 ( y ) 2

(2.4)
Dimana:
r = Koefisien korelasi
n = jumlah data
2.3 Koefisien Determinasi (r2)
Koefisien determinasi adalah suatu alat ukur yang digunakan untuk
mengetahui sejauh mana tingkat hubungan antar variabel X dan Y. Koefisien ini
dapat ditentukan berdasarkan hubungan antara dua macam variasi, yaitu :
1. Variasi variabel Y terhadap garis regresi (Y)

2. Variasi variabel Y terhadap rata-ratanya ( Y )


r 2

( n xy x y ) 2
( n x 2 ( x ) 2

n y 2 ( y ) 2 )

(2.5)
Dimana:
r2 = Koefisien determinasi
n = Banyak data
(Slamet, 2008).
2.4 Pengujian Asumsi Residual
Karena model regresi yang dibentuk didasarkan dengan meminimumkan
jumlah kuadrat error maka residual yang dianggap sebagai suatu kesalahan dari
pengukuran harus memenuhi beberapa asumsi IIDN diantarannya :
Identik
: memiliki varian yang konstan
Independent (saling bebas) : tidak ada autokorelasi antar residual
Berdistribusi Normal (Slamet, 2008).
2.5 Pengujian Koefisien Regresi
Uji model regresi sebaiknya dilakukan dengan dua macam, yaitu :
2.5.1 Uji Serentak
Statistik uji yang dipakai untuk melakukan uji serentak ini adalah uji F. Uji
F dikenal juga dengan uji Anova (Analysis Of Varians) yaitu uji untuk melihat
bagaimanakah pengaruh semua variabel prediktornya secara bersama-sama

terhadap variabel terikatnya atau untuk menguji apakah model regresi yang kita
buat baik (signifikan) atau tidak baik (non signifikan). Jika model signifikan maka
model bisa digunakan untuk peramalan, sebaliknya jika non signifikan maka
model regresi tidak bisa digunakan untuk peramalan. Uji serentak merupakan uji
terhadap nilai-nilai koefisien regresi secara bersama-sama dengan hipotesa
hipotesisnya sebagai berikut :

1 2 ... k 0

1. H0 :

H1 :
0, j = 1,2,,k
2. Tentukan taraf nyata
3. Daerah kritik penerimaan :

(2 )

Daerah kritik penolakan : F0<


4. Uji Statistik

( v 1 , v 2 ) F0

(2 )

(v1 , v2 )

( 2 )

atau

( v 1 , v 2)
F0 >

( 2 )

( v 1 , v 2)

f hitung =

(2.6)

5. Kesimpulan

f
(v1,v2), H0 gagal tolak

fhitung

fhitung > f(v1,v2), Ho ditolak


Tabel 2.1 Analisis Ragam Regresi Linear

Sumbe
r
varians
i

Df

SS

Y Y
Regres
i

MS

Atau

^ 2

^ 2

Y Y

n-2
n

Total

n-1

Yi
i 1

Y Y

atau

X X

Galat

F hitung

X X

2
e

2 X X
2

Y Y

n2

S e2

1 n
( Y ) 2
n i 1

Dimana:
Y Y

= simpangan total

Y Y

Y Y

= simpangan regresi

= simpangan residu
Uji F dapat dilakukan dengan membandingkan F hitung dengan F tabel,
jika F hitung > dari F tabel, maka Ho di tolak dan H 1 diterima dengan kata lain
persamaaan garis regresi tersebut tidak bisa kita terima sebagai penduga
hubungan antara variabel X dengan variabel Y. Bila bentuk hubungan antar
variabel X dengan variabel Y sudah dapat kita terima maka kita bisa mengetahui
seberapa besar keeratan hubungannya (korelasinya).
Walaupun bentuk hubungan antara variabel X dengan variabel Y ada
dalam bentuk yang benar belum tentu korelasinya besar karena banyak variabel
lain yang turut mempengaruhi perubahan variabel Y. Besarnya perubahan
variabel Y yang dapat diterangkan oleh variabel X dengan menggunakan
persamaan garis regresi yang diperoleh disebut koefisien determinan(Slamet,
2008).
2.5.2 Uji Parsial
Statistik uji yang dipakai untuk melakukan uji parsial ini adalah statistik uji
T. Uji T digunakan untuk menguji bagaimana pengaruh masing-masing variabel
bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Jika hasil pada uji
serentak menunjukkan bahwa H0 ditolak, maka perlu dilakukan uji individu
dengan hipotesa :
1. H0: = 0
H1: 0 atau H1: < 0 atau H1: >0
2. Tentukan taraf nyata

t
3. Daerah kritik penerimaan :

(2 )

t0

Daerah kritik penolakan : t0<

(2 )

( 2 )

atau

t0 >

4. Uji statistik

( 2 )
(a 0 )

(b 1 )
se /

(X X )

thitung =

se

atau

1
x2

n ( xi x ) 2

thitung =

(2.7)
Dimana:
a

= taksiran bagi 0

= taksiran bagi 1

= nilai sebaran t

5. Keputusan:

a. H0 ditolak jika thitung > t/2(n-2) atau thitung < - t/2(n-2)untuk lawan
alternatif H1: 0
b. H0 ditolak jika thitung < - t(n-2) untuk lawan alternatif H1: < 0
c. H0 ditolak jika thitung > t(n-2) untuk lawan alternatif H1: > 0
.
(Santoso Slamet, 2008)
2.6
Selang Kepercayaan
a
b hanyalah nilai dugaan bagi parameter yang sesungguhnya
dan
bagi dan yang didasarkan pada n pengamatan yang diperoleh. Nilai-nilai
dugaan lain bagi dan yang dapat diperoleh melalui pengambilan contoh
berukuran n beberapa kali dapat dipandang sebagai nilai-nilai peubah acak.
Interval konfedensi sebesar (1-)100% untuk parameter 1 adalah

se

(X X )

b t
2

se

(X X )

1 b t 2

(2.8)

Dimana:
b

= taksiran bagi 1

= nilai sebaran t
Sedangkan interval konfidensi sebesar (1-) untuk

a t

Se

1
x

n ( xi x ) 2

a t
0

se

adalah

1
x2

n ( xi x ) 2

(2.9)
Dimana:
a = taksiran bagi 0

= nilai rata-rata x
(Slamet, 2008).
3.
Metodologi Penelitian
Dalam penulisan makalah praktikum statistika ini data yang digunakan
berasal dari data sekunder. Data sekunder yang digunakan adalah data tentang
perbandingan durasi lama belajar dan nilai IPK mahasiswa jurusan D3 teknik
mesin ITS. Sumber untuk melakukan pratikum di dapat pada modul mahasiswa
D3 Teknik Mesin pada Jumat, 12 Desember 2014.
4. Pembahasan
4.1
Pemusatan dan Penyebaran Data
Dari kedua variabel yang dipakai dicari ukuran pemusatan dan
penyebaran data dari masing-masing variabel. Ukuran pemusatan data meliputi
mean, median, dan modus. Sedangkan ukuran penyebaran data meliputi varian,
dan standar deviasi.
Tabel 1Output Minitab Ukuran Pemusatan dan Penyebaran Data

Variabel
Mean
Median Modus Varian St. Dev
Lama Belajar (x)
2.367
2.5
3
1.99
1.414
IPK (y)
3.1613
3.1600
2.92
0.0443 0.2105
Dari table diatas menunjukkan bahwa nilai rata-rata pada data persentase
lama belajar lebih kecil dari pada ipk dalam persen. Standar deviasi pada data
persentase lama belajar lebih besar daripada data ipk menunjukkan lebih bagus
dan varians dari persentase lama belajar lebih besar daripada data ipk
menunjukkan data yang lebih beragam.
4.2
Pemodelan Regresi
Hasil analisis perhitungan regresi dengan data sebanyak 30 ini digunakan
untuk mengetahui hubungan antara lama belajar dengan nilai ipk.
Tabel 2 output minitab hasil analisis regresi

Persamaan Regresi
(y)= 2.89+ 0.116 (X)

Tabel di atas menunjukkan hasil analisis regresinya yang mengartikan


bahwa jia variabel lama belajar (X) bertambah satu jam maka variabel ipk (Y)
cenderung meningkat 0,116. Dan jika lama belajar (X) 0 maka nilai ipk sebesar
2.89 dimana nilai ipk akan memotong sumbu y dititik 2.89.
4.3
Pengujian Parameter Regresi
Uji parameter regresi dilakukan dengan menghitung nilai uji serentak
maupun nilai uji parsial.
4.3.1 Pengujian Serentak
Pengujian serentak dilakukan untuk mengetahui apakah ada koefisien (

0 dan 1 ) yang berpengaruh pada pemodelan regresi untuk lama belajar

dan ipk. Pengujian dilakukan dengan pengujian p-value dari software dan uji F
secara manual.
Tabel 3Output Minitab Analisis Regresi Uji Serentak

Source
DF
SS
MS
F
P
Regression
1
0,78028
0,78028
43,26
0,000
Residual Error
28
0,50507
0,01804
Total
29
1,28535
Uji serentak dengan penghitungan manual :
1. H0 : o = 1 = 0 (lama belajar pada model tidak berpengaruh signifikan
terhadap ipk)
H1 : o = 1

2. Taraf nyata

= 0,05,

3. Daerah kritik penolakan


4. Uji Statistik

: F>4,20 & P value < a

Tabel 4 Hasil Manual Uji serentak

Source
Regression
Residual Error
Total

DF
1
28
29
*

f hitung =

SS
0,78028
0,50507
1,28535

MS
0,780276
0,018041
-

F
43,25
-

P
0,000
-

0.780276
=
43,25
0.018 041

5.
Kesimpulan : Fhitung 43,26> Ftabel 4,20, maka H0 ditolak. Dengan demikian
minimal ada satu diantara nilai o dan 1 yang signifikan terhadap nilai y atau
bisa dikatakan berpengaruh terhadap nilai y.
Pada pengujian secara serentak ini dengan nilai sebesar 0,05
didapatkan nilai pvalue sebesar 0,000. Karena p-value nilainya sebesar 0,000 dan
nilai sebesar 0,05 sehingga p-value kurang dari , maka tolak H0 atau model ini
signifikan, jadi dapat dikatakan bahwa koefisien regresi () bermakna dan regresi
ini valid. Selanjutnya diuji parsial untuk mengetahui parameter yang mana yang
berpengaruh terhadap y.
4.3.2 Pengujian Parsial
Pengujian parsial merupakan pengujian individu, yang artinya pengujian
dilakukan pada masing-masing koefisien untuk mengetahui koefisien-koefisien
mana yang berpengaruh pada model. Pengujian parsial dilakukan dengan
pengujian p-value (dari Minitab) dan uji T secara manual.
Tabel 4 output minitab uji parsial

Predictor
Constant
Lama
belajar (x)

Coef

SE
Coef

288,6
75
0,116
02

0,048
42
0,017
64

59,62

0,000

6,58

0,000

R-Sq

RSq(ad
j)

0,1343
06

60,7
%

59,3
%

Tabel diatas menunjukkan bahwa koefiesien constant atau yang biasa


disebut intercept bernilai 288,675 dengan simpangan koefisien sebesar 0,04842
dan nilai T-value 59,62. Sedangkan S bernilai 0,134306 artinya standart deviasi
sampel yang mewakili standart deviasi populasi bernilai 0,134306. Nilai R-Sq
sebesar 60,7% . Nilai akarnya R-sq 0,779 artinya semakin mendekati angka 1
maka koefisien korelasinya dikatakan baik dan sebaliknya.
Nilai P-value pada variabel x sebesar 0.00, yang berarti nilai P-value
kurang dari taraf signifikan =0,05 maka dapat dikatakan bahwa 0=1 0
sehingga Ho ditolak dan parameter x siginifikan, tapi perlu dilakukan perhitungan
kembali secara manual.
A. Uji hipotesis parameter 0
1. Ho: 0 = 0 (parameter tidak signifikan)
H1: 0 0 (parameter signifikan)
2. Taraf Nyata Taraf nyata

= 0,05 df =28 , t 0,025 = 2,048

3. Daerah kritik penerimaan : -2,048 t0 2,048


Daerah kritik penolakan : t0< -2,048 atau t0 > 2,048
4. Uji Statistik:

(a 0 )

se

x
( xi x ) 2

2,89 0
8,86775
5,602689
1
0,78028

28 4710,488689

thitung =
5. Keputusan: thitung jatuh diluar wilayah kritis sehingga H0 ditolak dan
disimpulkan bahwa 0 0 (parameter signifikan)

Dari pengujian di atas diketahui bahwa 0 0 sehingga H0 ditolak dan


disimpulkan bahwa parameter 0 signifikan dimana parameter yang digunakan
dalam persamaan permodelan regresi memberikan pengaruh. Demikian halnya
pada saat pengujian melalui Minitab yakni 0 menghasilkan P-value kurang dari
=0.05 sehingga dapat disimpulkan H0 ditolak dan parameter 0 signifikan.
B. Uji hipotesis parameter 1
1. Ho: 1 = 0 (parameter tidak signifikan)
H1: 1 0 (parameter signifikan)
2. Taraf Nyata Taraf nyata

= 0,05 df =28 , t 0,025 = 2,048

3. Daerah kritik penerimaan : -2,048 t0 2,048


Daerah kritik penolakan : t0< -2,048 atau t0 > 2,048
4. Uji Statistik:

(b 1 )

( X X )2

se /

0,116 0
0,78028 / 4710,488689

9,0129

thitung =
5. Keputusan: thitung jatuh diluar wilayah kritis sehingga tolak H 0 dan
disimpulkan bahwa 1 0 (parameter signifikan)
Dari pengujian diatas diketahui bahwa 1 0 sehingga H0 ditolak dan
disimpulkan bahwa parameter 1 signifikan dimana parameter yang digunakan
artinya, lama belajar berpengaruh signifikan terhadap ipk. Demikian halnya pada
saat pengujian melalui Minitab yakni 1 menghasilkan P-value bernilai kurang dari
=0.05 maka tolak H0 atau model ini signifikan, jadi dapat dikatakan bahwa
koefisien regresi () bermakna dan regresi ini valid.
4.4

Pengujian Asumsi Residual


Pengujian asumsi residual digunakan untuk menguji apakah residual
memenuhi IIDN (Identik, Independen, dan Distribusi Normal). Berikut hasil output
minitab :
Residual Plots for ipk
Normal Probability Plot

Versus Fits

99
0.2

Residual

Percent

90
50
10
1
-0.4

-0.2

0.0
Residual

0.2

0.0
-0.2
-0.4

0.4

3.0

Histogram

3.6

Versus Order

Residual

Frequency

3.4

0.2

8
6
4
2
0

3.2
Fitted Value

-0.3

-0.2

-0.1 0.0
0.1
Residual

0.2

0.3

0.0
-0.2
-0.4

8 10 12 14 16 18 20 22 24 26 28 30

Observation Order

Gambar 4.2 Residual Plot Hubungan Antara lama belajar dengan IPK

a) Normal probability plot

Untuk mengetahui residual menunjukkan normal atau tidak, maka dengan


menganalisis hasil P-value dari grafik normal probablily plot.
Ho : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Probability Plot of RESI 1
Normal - 95% CI
99

Mean
StDev
N
AD
P-Value

95
90

-1.70234E-15
0.1320
30
0.138
0.973

Percent

80
70
60
50
40
30
20
10
5

-0.4

-0.3

-0.2

-0.1

0.0
0.1
RESI1

0.2

0.3

0.4

0.5

Gambar 4.3 Grafik Normal Probability Plot Of Residual

Pada Gambar Normal Probability Plot diatas dapat diketahui bahwa nilai
pvalue resi1nya sebesar 0,973. Dari hipotesis diatas dikatakan jika nilai pvalue-nya
kurang dari nilai maka tolak H0, sebaliknya apabila pvalue-nya lebih dari nilai
maka gagal tolak H0. Karna nilai pvalue resi1nya sebesar 0,973 sehingga dapat
disimpulkan bahwa model ini gagal tolak H 0 dan residual memenuhi asumsi
normal.
b) Histogram
Pada Gambar 4.2 histogram didapatkan bahwa nilai residual dengan
frekuensi terbesar adalah -0,1. Dan kenaikan secara pesat terjadi saat residual
sebesar -0,2 menuju ke -0,1. Dari Gambar 4.3 dinyatakan bahwa Histogram
tersebut hampir menyerupai grafik distribusi normal.
c) Versus fits
Pada Gambar 4.2 didapatkan bahwa data tersebut memiliki pola atau titiktitiknya menyebar dan cenderung homogen, sehingga data tersebut memiliki
residual yang identik.
d) Versus order
Pada Gambar 4.2 dapat dilihat grafiknya tidak berpola atau tidak memiliki
pola tertentu, hal ini dapat dilihat bahwa titik-titik pada grafik tersebut cenderung
bersifat inflasi atau naik-turun, sehingga grafik tersebut dapat dikatakan bersifat
independen.
4.3.3 Pembahasan R-sq
R-sq merupakan koefisien untuk menyatakan proporsi keragaman total
nilai-nilai variabel y yang dapat dijelaskan oleh nilai-nilai variabel x melalui
hubungan linier. Nilai r-sq dari analisi regresi antara lama belajar dengan ipk
yang didapatkan dari software adalah 60,7%. Dengan ini variabel x pada model
mampu menjelaskan variabilitas data sebesar 60,7% dan 29,3% dijelaskan oleh
variabel yang tidak termasuk dalam model.
4.4 Selang Kepercayaan untuk

10

Hasil perhitungan selang kepercayaan 95% digunakan untuk mengetahui


batas atas dan batas bawah dari perhitungan suatu data, batas-batas tersebut
digunakan untuk menentukan interval data yang ada. Perhitungan dilakukan
dengan melibatkan nilai b=0,116 dan

t
2

=0,025 untuk jumlah data sebanyak 30

data. Dimana nilai distribusi-T dengan derajat kebebasan (n-2). Nilai b diperoleh
dari hasil perhitungan program paket data dengan persamaan regresi ipk = 2,89

+ 0,103 lama belajar (X). Selanjutnya nilai

diperoleh dari tabel distribusi t,

dengan derajat kebebasan n-2, sehingga menjadi 28.

bt /2

se

( x x )

< 1 <b+t / 2

se

( x x )

0,116( 2,048 ) < 1 <0,116+(2,048)

0,11216

0,11984

Dari perhitungan selang kepercayaan 95% untuk regresi parameter ini,


maka diperoleh interval dengan bahwa batas bawah sebesar
batas atas sebesar

0, 11216 dan

0,11984 . Jadi apabila perhitungan suatu data berada

diantara interval tersebut berarti data tersebut masuk atau diterima dan mampu
menjelaskan parameter x dari populasi.
5.
Kesimpulan
Dari beberapa analisis regresi yang dilakukan dapat disimpulkan sebagai
berikut :
1. Persamaan model analisis regresi sederhana untuk data lama belajar
dengan ipk

adalah

^y =2,89+ 0,116 x

mendapatkan hasil bahwa data

tersebut tebukti independen, identik dan berdistribusi normal). Setiap lama


belajar 1 jam akan meningkat 0,116.
2. Berdasarkan hasil software maupun hasil manual melalui uji serentak
dengan statistik uji f maupun uji parsial dengan statistik uji t didapatkan hasil
bahwa parameter 0 maupun 1 signifikan.
3. R-Sq yang dihasilkan oleh data data lama belajar dengan nilai IPK sebesar
60,7 % hal ini berarti bahwa model yang diperoleh baik dan model dapat
dipercaya sebesar 60,7% dan dihasilkan nilai r sebesar 0.779 (cukup
mendekati 1) maka dapat disimpulkan bahwa data tentang lama belajar
sebagai variabel x dengan nilai IPK sebagai variabel y memiliki hubungan
yang hampir erat dengan artian bahwa variabel x memberikan pengaruh
sebesar 77,9% terhadap variabel y dengan pola hubungan yang berbanding
lurus.
4. Selang kepercayaan 95% untuk parameter 1 dari data Interval tersebut
menghasilkan interval dengan batas bawah 0,11216 sampai dengan batas
atas

0,119

Daftar Pustaka
11

Santoso
Slamet
2008.Analisis
Regresi
dan
Korelasi.
Tersedia:http://ssantoso.blogspot.com/2008/08/analisis-regresi-dan-korelasi-materi.html
Walpole, Ronald E. 1995. Pengantar Statistika Edisi ke-3. Jakarta: Penerbit PT Gramedia
Pustaka Utama.

12