STATISTIK INFERENSIA

PENGARUH TINGGI IQ TERHADAP PRESTASI BELAJAR SESEORANG

Disusun Untuk Memenuhi Tugas Mata Kuliah Statistik Inferensia

Dosen Pengampu :

Wahyuning Murniati, M.Si.

Disusun oleh :

Nuril Hidayah Laillia Ari

219133467

4 Akuntansi A2

Program Studi Akuntansi

SEKOLAH TINGGI ILMU EKONOMI

WIDYA GAMA LUMAJANG

2021
A. JUDUL: "PENGARUH TINGGI IQ TERHADAP PRESTASI BELAJAR
SESEORANG"
B. DATA
 x: IQ independen
 y: Prestasi Belajar dependen

No. x y
1 100 65
2 95 60
3 91 50
4 105 75
5 100 70
6 111 71
7 107 80
8 92 58
9 101 88
10 110 90
11 99 79
12 89 57
13 91 69
14 95 52
15 106 81
16 112 85
17 97 66
18 110 80
19 99 66
20 88 53
21 115 55
22 101 79
23 112 50
24 97 75
25 105 85
26 99 60
27 95 59
28 89 48
29 100 60
30 85 44
C. OUTPUT

Regression
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
b
1 x_IQ . Enter
a. Dependent Variable: y_Prestasi_Belajar
b. All requested variables entered.

Model Summaryb
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
1 ,562a ,316 ,291 11,08584 2,166
a. Predictors: (Constant), x_IQ
b. Dependent Variable: y_Prestasi_Belajar

ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1586,917 1 1586,917 12,913 ,001b
Residual 3441,083 28 122,896
Total 5028,000 29
a. Dependent Variable: y_Prestasi_Belajar
b. Predictors: (Constant), x_IQ

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -24,185 25,456 -,950 ,350
x_IQ ,913 ,254 ,562 3,593 ,001 1,000 1,000
a. Dependent Variable: y_Prestasi_Belajar

Collinearity Diagnosticsa
Condition Variance Proportions
Model Dimension Eigenvalue Index (Constant) x_IQ
1 1 1,997 1,000 ,00 ,00
2 ,003 25,115 1,00 1,00
a. Dependent Variable: y_Prestasi_Belajar
Residuals Statisticsa
Std.
Minimum Maximum Mean Deviation N
Predicted Value 53,4257 80,8178 67,0000 7,39738 30
Std. Predicted Value -1,835 1,868 ,000 1,000 30
Standard Error of 2,024 4,345 2,773 ,722 30
Predicted Value
Adjusted Predicted 55,0818 85,5049 67,2292 7,66313 30
Value
Residual -28,07859 19,96519 ,00000 10,89303 30
Std. Residual -2,533 1,801 ,000 ,983 30
Stud. Residual -2,686 1,832 -,010 1,030 30
Deleted Residual -31,57294 20,66807 -,22915 11,99218 30
Stud. Deleted Residual -3,061 1,918 -,028 1,096 30
Mahal. Distance ,000 3,489 ,967 1,026 30
Cook's Distance ,000 ,582 ,053 ,129 30
Centered Leverage ,000 ,120 ,033 ,035 30
Value
a. Dependent Variable: y_Prestasi_Belajar
Charts
UJI ASUMSI KLASIK

 Multikolinieritas

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -24,185 25,456 -,950 ,350
x_IQ ,913 ,254 ,562 3,593 ,001 1,000 1,000
a. Dependent Variable: y_Prestasi_Belajar
Nilai VIF untuk variabel konsumsi pangan adalah 1,000 begitu juga Tolerance.
Karena nilai VIF tidak lebih besar dari 5 atau 10 maka dapat dikatakan tidak terjadi
mutikolinieritas dari variabel bebas

 Autokorelasi

Model Summaryb
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
1 ,562a ,316 ,291 11,08584 2,166
a. Predictors: (Constant), x_IQ
b. Dependent Variable: y_Prestasi_Belajar
Uji Durbin Watson.

Salah satu cara yang umum digunakan untuk mendeteksi adanya autokorelasi dalam
regresi linier. Suatu model regresi dinyatakan tidak terdapat permasalahan autokorelasi
apabila memenuhi
d u <d < 4−d u
dimana:
𝑑: nilai durbin watson hitung
d u: nilai batas atas/upper Durbin Watson tabel
Dari hasil spss didapat nilai DW hitung sebesar 2,166 dengan k=1 dan n=30. Oleh karena itu
didapat:
d u= 1.4894 sehingga didapat 4 - d u = 4 - 1.4894 = 2.5106
d L= 1.3520 sehingga didapat 4 - d L = 4 - 1.3520 = 2.6480
Oleh karena itu didapat selang sebagai berikut:

dL du 4 - du 4 - dL

Autokorelasi Ragu-Ragu Tidak Ada Ragu-Ragu Autokorelasi

Positif Autokorelasi Negatif

0 1.3520 1.4894 2.5106 2.6480 4

 Dari sini didapat bahwa tidak ada Autokorelasi pada model regresi ini.

 Heteroskedastisitas

Pengujian heteroskedastisitas dilakukan dengan membuat scatterplot antara residual dan

nilai prediksi dari variabel dependent yang telah terstandarisasi.

Dari gambar di atas bahwa sebaran titik tidak membentuk pola/alur tertentu, sehingga
dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan kata lain terjadi
homoskedatisitas. Sehingga asumsi klasik tentang heteroskedastisitas dalam model ini
terpenuhi, yaitu terbebas dari heteroskedatisitas.

 Normalitas

Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot atau histogramnya. Kriteria
sebuah (data) residual berdistribusi normal melalui gambar Normal P-P plot, dapat dilihat
dari sebaran titik-titik yang ada digambar. Apabila sebaran titik-titik tersebut mendekati atau
rapat pada garis lurus (diagonal) maka dikatakan bahwa (data) residual berdistribusi normal
dan sebaliknya. Sedangkan histogram jika kurva yang dibentuk tidak sama dengan kurva
distribusi normal maka (data) residual tidak berdistribusi normal.

Dari gambar diatas bisa dikatakan bahwa (data) residual berdistribusi normal karena dari
gambar Normal P-P Plot sebaran titik-titik tersebut mendekati pada garis lurus (diagonal).
Lalu pada histogram karena kurva yang dibentuk tidak sama dengan kurva distribusi normal
maka (data) residual tidak berdistribusi normal.

UJI KELAYAKAN MODEL

 Uji Keterangan Model (Uji F)

ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1586,917 1 1586,917 12,913 ,001b
Residual 3441,083 28 122,896
Total 5028,000 29
a. Dependent Variable: y_Prestasi_Belajar
b. Predictors: (Constant), x_IQ
Nilai Sig. Dari tabel ANOVA di atas didapat 0,001 yang artinya regresi yang diestimasi
layak.

 Uji Koefisien Regresi (Uji T)

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -24,185 25,456 -,950 ,350
x_IQ ,913 ,254 ,562 3,593 ,001 1,000 1,000
a. Dependent Variable: y_Prestasi_Belajar
Nilai Sig. Dari tabel di atas didapat 0,001 yang artinya bahwa variabel bebas/independet
berpengaruh signifikan terhadap variabel dependent.
D. INTERPRETASI MODEL

Model Regresi:

y = -24,185 + 0,913x

dimana,

x: IQ (Variabel Independen) & y: Prestasi Belajar (Variabel Dependen)

 Hubungan korelasi antara kedua variabel cukup kuat 56,2% ditunjukkan dengan 𝑅 =
0,562.
 Koefisien determinasi menunjukkan bahwa pengaruh variabel bebas berpengaruh sebesar
31,6% dengan kata lain 68,4% dipengaruhi oleh variabel diluar variabel yang digunakan
dalam penelitian ini.
 Model regresi signifikan dikarenakan nilai Sig = 0,001 ¿ 0,05 yang artinya model regresi
memenuhi kriteria linieritas.
 Uji asumsi klasik:
1. Tidak terjadi mutikolinieritas dari variabel bebas.
2. Tidak ada autokorelasi pada model regresi ini.
3. Tidak terjadi heteroskedastisitas.
4. Dari kedua gambar Normal P-P Plot dan histogram, hasil yang digambarkan bisa
dikatakan bahwa (data) residual berdistribusi normal karena dari gambar Normal P-P
Plot sebaran titik-titik tersebut mendekati pada garis lurus (diagonal). Lalu pada
histogram karena kurva yang dibentuk tidak sama dengan kurva distribusi normal maka
(data) residual tidak berdistribusi normal.
 Uji kelayakan model:
1. Uji T menunjukkan model regresi variabel bebas/independet berpengaruh signifikan
terhadap variabel dependent.
2. Uji F menunjukkan model regresi yang diestimasi layak.

Jika kita asumsikan model regresi sudah memenuhi syarat dasar regresi linier, maka dari
model regresi di atas dapat dilihat hubungan sebagai berikut:

 Angka konstan dari Unstandardized Coefficients. Dalam kasus ini nilainya sebesar
-24,185. Angka ini merupakan angka konstan yang mempunyai arti bahwa jika tidak ada
IQ (x) maka nlai konsisten Prestasi Belajar (y) adalah sebesar -24,185.
 Jika terjadi kenaikan 1 poin pada IQ maka Prestasi Belajar mengalami kenaikan sebesar
0,913.