Step Two
Step Two
Regresi Linear Sederhana
Regresi linear merupakan analisa atau pengukuran data untuk melihat hubungan antara variabel bebas terhadap variabel terikat. Dalam pengolahan data variabel bebas disebutkan juga variabel independen dan dilambangkan dengan huruf X. Jika menggunakan satu variabel bebas maka dilambangkan hanya dengan X saja. Tetapi jika variabel bebas atau independen lebih dari 1 maka dilambangkan sebagai X1, X2, X3 dan seterusnya, tergantung banyak variabel bebas/independen yang digunakan dalam pengolahan atau penelitian.
Sedangkan variabel terikat disebut juga dengan variabel dependen yang dilambangkan dengan huruf Y.
Kenapa dinamakan regresi linear sederhana ??? Karena hanya menggunakan 1 variabel X (bebas/independen) saja dan dilihat pengaruh atau hubungannya dengan variabel terikat (Y).
Pengertian variabel bebas adalah variabel yang mempengaruhi. Artinya mempengaruhi perubahan terhadap variabel dependen (Y). So, adanya peningkatan atau penurunan nilai X akan mempengaruhi variabel dependen. Jadi variabel ini dianggap variabel bersifat "aktif".
Sementara variabel dependen adalah variabel yang dipengaruhi. Artinya nilai variabel dependen berubah kalau X ada perubahan baik itu naik atau turunnya nilai X.
Kenapa disebut linear ??? Linear artinya garis lurus, jadi pola kenaikan atau penurunan nilai Y karena adanya perubahan kenaikan atau penurunan nilai X, sehingga jika nilai X naik, nilai Y juga naik...., jika nilai X turun, maka nilai Y juga turun. Seperti permainan jungkat jungkit, jika saya dan kamu bermain jungkat jungkit. Posisi papan antara hubungan X dan Y harus lurus/sejajar. Ketika papan X naik, maka papan Y naik dan membentuk pola atau hubungan linear arti antara papan X dan Y sejajar atau lurus.
Misalnya judul penelitian pengaruh pendapatan terhadap gaya hidup pada Lingkungan Sosialita Kelas 3 SMP. Hehehehe....
Variabel independennya (X) adalah pendapatan Variabel dependennya (Y) adalah gaya hidupTempat atau objek penelitian adalah Lingkungan Sosialita Kelas 3 SMP.
Jika hasil output pengolahan data regresi linear sederhana menunjukkan hasil sebagai berikut, yang "wajib" dibaca atau dianalisa adalah .......
|
Model
Summaryb
|
|||||
|
Model
|
R
|
R
Square
|
Adjusted
R Square
|
Std.
Error of the Estimate
|
Durbin-Watson
|
|
1
|
.888a
|
.788
|
.772
|
2.15763
|
1.920
|
|
a. Predictors:
(Constant), Pendapatan
b. Dependent
Variable: Gaya_hidup
|
|||||
R korelasi dilambangkan dengan R = .888 atau 0,888
R Determinasi dilambangkan dengan R2 = .788 atau 0,788
Dari tabel model summary diatas diketahui nilai R korelasi adalah .888 atau 0,888. Pengolahan data di spss, kalau terbaca .188 atau .351 artinya 0,188 atau 0,351. SPSS tidak membuat 0 dibelakang koma.
R korelasi = 0,888 artinya hubungan antara variabel pendapatan terhadap gaya hidup adalah sangat kuat. Keputusan hubungan ini kuat atau lemah dapat dilihat dari interval nilai sebagai berikut :
0,801 - 1,000👉 Sangat kuat
0,601 - 0,800👉 Kuat
0,401 - 0,600👉 Cukup kuat/sedang
0,201 - 0,400👉 Lemah
0,000 -0,200👉 Sangat lemah
Nilai R korelasi adalah 0,888 berada pada interval 0,801- 1,000 yang menandakan hubungan antara variabel X terhadap Y sangat kuat.Selanjutnya R Determinasi atau RSquare atau R2, nilainya adalah 0,788. Artinya pengaruh atau hubungan antara variabel pendapatan (X) terhadap gaya hidup (Y) sebesar 78,8 % (0,788 x 100 %), sisanya 21,2 % dipengaruhi oleh variabel lain yang tidak diteliti dalam penelitia ini.
Tetapi ????
Ada beberapa yang menginterpretasikan atau menerjemahkan nilai RSquare atau R Determinasi sebagai berikut : .......Variabel gaya hidup (Y) dapat dijelaskan sebesar 78,8 %, sisanya 21,2 % dipengaruhi oleh variabel lain yang tidak diteliti dalam penelitian ini.
|
ANOVAb
|
||||||
|
Model
|
Sum
of Squares
|
df
|
Mean
Square
|
F
|
Sig.
|
|
|
1
|
Regression
|
225.213
|
1
|
225.213
|
48.377
|
.000a
|
|
Residual
|
60.520
|
13
|
4.655
|
|
|
|
|
Total
|
285.733
|
14
|
|
|
|
|
|
a. Predictors:
(Constant), Pendapatan
b. Dependent
Variable: Gaya_hidup
|
||||||
Anova ini digunakan sebagai pengujian secara simultan, karena hanya menggunakan hanya 1 variabel independen, pengujian secara simultan ini "diskip" karena jika pengujian secara parsial berpengaruh, otomatis secara parsial juga berpengaruh.
|
Coefficientsa
|
||||||
|
Model
|
Unstandardized
Coefficients
|
Standardized
Coefficients
|
t
|
Sig.
|
||
|
B
|
Std.
Error
|
Beta
|
||||
|
1
|
(Constant)
|
11.952
|
3.578
|
|
3.340
|
.005
|
|
Pendapatan
|
.818
|
.118
|
.888
|
6.955
|
.000
|
|
|
a. Dependent
Variable: Gaya_hidup
|
||||||
Cara Pertama :
thitung > ttabel 👉 berpengaruh
thitung < ttabel 👉 tidak berpengaruh
Nilai t hitung Nilai ttabel
6,955 > 2,16 berpengaruh
Diperoleh nilai thitung pendapatan (X) sebesar 6,955 sementara nilai t tabel adalah 2,16. Artinya pendapatan berpengaruh secara signifikan terhadap gaya hidup
Cara Kedua
Jika tidak menggunakan ttabel, bisa menggunakan nilai signifikasi, dengan ketentuan :
Jika nilai signifikasi kecil dari 0,05 atau 5 % berarti "berpengaruh"
Jika nilai signifikasi besar atau diatas 0,05 atau 5 % berarti "tidak berpengaruh"
Diketahui dari nilai pendapatan adalah 0,000. Berarti nilai signifikasinya dibawah 0,05. Artinya pendapatan berpengaruh secara signifikan terhadap gaya hidup
Besok disambung.....
Komentar
Posting Komentar