MAKALAH Statistika Kelompok 2
MAKALAH Statistika Kelompok 2
MAKALAH Statistika Kelompok 2
Disusun Oleh :
TEKNIK INFORMATIKA
FAKULITAS TEKNIK
UNIVERSITAS PAMULANG
Jl. Puspitek, Buaran, Kec. Pamulang, Kota Tangerang Selatan, Banten 15310
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena
Kami menyadari sepenuhnya bahwa makalah ini jauh dari kata sempurna.
Oleh sebab itu, kami mengharap adanya kritik, saran, dan usulan demi makalah
yang lebih baik. Semoga makalah sederhana ini dapat dipahami bagi siapa pun
yang membacanya. Sebelumnya, kami mohon maaf apabila ada kesalahan kata-
Kelompok 2
DAFTAR ISI
KATA PENGANTAR.............................................................................................2
DAFTAR ISI............................................................................................................3
BAB I PENDAHULUAN........................................................................................1
1.3 Tujuan........................................................................................................1
BAB II PEMBAHASAN.........................................................................................2
3.1 Kesimpulan..............................................................................................13
DAFTAR PUSTAKA............................................................................................14
BAB I
PENDAHULUAN
yang terdiri dari dua variabel dikenal dengan analisis linear sederhana,
sedangkan yang lebih dari dua variabel disebut analisis linear berganda
1.3 Tujuan
1
prediktor.
BAB II
PEMBAHASAN
menjelaskan hubungan satu variabel tak bebas/respons (Y) dengan dua atau
ini, variabel dependen dianggap memiliki hubungan satu garis lurus atau
berhubungan satu sama lain. Baik prediktor maupun variabel respon adalah
diwakili oleh X.
respons.
2
Dalam hal korelasi, regresi selalu menemukan korelasi, tetapi
hubungan sebab akibat atau fungsional. Oleh karena itu, analisis regresi
dilakukan hanya jika ada hubungan fungsional atau kausal antara keduanya.
lebih dari satu variabel bebas atau prediktor. Analisis regresi linier berganda
dependen (kriterium) berubah atau naik turun jika dua atau lebih variabel
rumus berikut:
Keterangan :
Y = Variabel Terikat.
a = Konstanta
3
b1,b2,b3 = Koefisien Regresi
sebagai berikut:
X2 dan X3.
Selain itu, regresi linier berganda memiliki asumsi klasik yang harus dipenuhi agar
model prediksi yang dihasilkan nantinya bersifat BLUE (Best Linear Unbiased
Untuk semua variabel, terutama variabel terikat, skala datanya adalah interval
atau rasio. Asumsi ini tidak perlu diuji, cukup pastikan bahwa data yang
digunakan adalah interval atau rasio dalam bentuk numerik atau kuantitatif.
2 Liniearitas
Sifat yang dikenal sebagai linearitas antara variabel berarti bahwa setiap
perubahan pada satu variabel akan diikuti oleh perubahan dengan besaran yang
sejajar pada variabel lainnya. Variabel terikat dan variabel bebas berkorelasi
satu sama lain. Uji linearitas regresi, seperti kurva estimasi, digunakan untuk
4
menguji asumsi linearitas. Dengan kurva estimasi kita bisa menentukan ada
hubungan linier atau tidak dengan melihat nilai p value linearitas. Terdapat
hubungan linear antara prediktor dan respons jika p value < 0,05.
3 Normalitas Residual
Residual adalah beda antara y dengan y prediksi. Dalam hal ini, y adalah
pada data untuk setiap variabel. Berbagai metode uji normalitas, seperti
4 Non Outlier
Data yang nilainya ekstrem atau berbeda dari yang lain disebut outlier. Nilai
outlier. Jika nilai absolut studentized residual > 3, maka sampel atau observasi
5 Homoskedastisitas
Homoskedastisitas adalah kondisi di mana varians error tetap sama setiap kali
5
menguji model regresi linear berganda yang baik, yang bebas dari kondisi
heteroskedastisitas.
6 Non Multikolineralitas
Keadaan di mana variabel bebas dalam model memiliki korelasi yang kuat
satu sama lain dikenal sebagai multikolinearitas. Ada interkorelasi jika korelasi
antar variabel bebas dalam model regresi linear berganda > 0,8. Ada pakar
variasi (VIF) dan tolerabilitas adalah metode tambahan yang lebih objektif.
Dikatakan ada multikolinearitas jika nilai VIF > 10 dan/atau nilai tolerabilitas <
0,01. Fakta bahwa ada lebih dari satu variabel bebas dalam regresi linear
7 Non Autokolerasi
apakah ada korelasi antara variabel dalam model prediksi dengan perubahan
waktu. Ini biasanya terjadi pada regresi linear berganda dengan rangkaian
waktu atau runtun waktu, dan jarang terjadi pada cross-section data. Oleh
karena itu, apabila asumsi autokorelasi terjadi, itu berarti bahwa ada korelasi
antar waktu.
6
2.3 Contoh Uji Regresi Dua Prediktor
Guru fisika ingin tahu apa yang mempengaruhi hasil belajar fisika. Dia
fisika yaitu Minat untuk belajar fisika dan Sarana yang tersedia untuk
1 17 78 82
2 28 83 88
3 32 88 91
4 32 87 90
5 22 80 85
6 22 80 84
7 24 81 87
8 23 82 86
9 17 78 83
10 28 85 87
11 22 83 86
12 22 84 85
13 27 86 88
14 32 89 90
15 33 87 90
16 17 80 86
17 28 84 89
7
18 28 83 88
19 18 81 83
20 22 82 85
Hipotesis :
Fisika siswa.
siswa.
Hipotesis Statistik :
Ho : β = 0
H1 : β ≠ 0
Kaidah Pengujian :
8
No
Y X1 X2 X1Y X2Y X1X2 X1^2 X2^2 Y^2
Responden
() 1733 494 1661 43051 144065 41319 12742 138141 150293
9
JUMLAH
Keterangan:
Y = Hasil belajar
Perhitungan Manual
2 2
( X 2) (1661) 3899
2) x2 = X2 –
2 2
= 138141 – = = 194,95
n 20 20
2 2
( y) (1733) 2571
3) y2 = Y2 – = 150293 – = = 128,55
n 20 20
245,9
= 139,35
10
( X 1)(X 2) ( 494)(1661) 2923
6) x1x2 = X1X2 – = 41319 – =
n 20 10
= 292,3
X 2 1661
7) X 2 = = = 83,05
n 20
( X 2) 2 = (83,05)2 = 6897,3025
Y 1733
8) Y = = = 86,65
n 20
(Y ) 2 = (86,65)2 = 7508,2225
1) Nilai konstanta b1
(( x 2)2 ) ( x 1 y ) −( x 1 x 2 ) ( x 2 y )
b1 =
((x 1)2 )( (x 2)2 )− ( x 1 x 2 )2
( 194 , 95 ) ( 245 , 9 )−( 292 , 3 ) ( 139 ,35 )
b1 =
( 540 , 2 ) (194 , 95 )− (292 , 3 )2
720620
b1 = = 0,362618 ≈ 0,363
19872, 7
2) Nilai konstanta b2
(( x 1)2 ) ( x 2 y ) −( x 1 x 2 ) ( x 1 y )
b2 =
((x 1)2 )( (x 2)2 )− ( x 1 x 2 )2
( 540 ,2 ) ( 139 , 35 )−( 292 , 3 ) ( 245 , 9 )
b2 =
( 540 , 2 ) ( 194 , 95 )− (292 , 3 )
919
b2 = = 0,171104 ≈ 0,171
5371
3) Nilai konstanta α
11
Y X1 X2
α= – b1 ( ) – b2 ( )
n n n
Y = α + b1X1 + b2X2
Ry.12 =
√ b1 ( x 1 y ) +b 2( x 2 y)
y2
Ry.12 =
√ 0,363 ( 245 , 9 )+ 0,171(139 ,35)
128 , 55
Ry.12 =
√ 6461240090
85700
= 0,937944 ≈ 0,938
n ( X 1Y ) −( X 1)(Y )
r y1.2 =
√[ n ( X 1 )−( X 1 ) ][ n ( Y )− (Y ) ]
2 2 2 2
20 ( 43051 ) −(494)(1733)
r y1.2 =
√[ 20 ( 12742 ) −( 494 ) ][ 20 ( 150293 )−( 1733 ) ]
2 2
r y1.2 = 0,933
12
n ( X 2Y )−( X 2)(Y )
r y2.1 =
√[ n ( X 2 )−( X 2 ) ][ n ( Y ) −( Y ) ]
2 2 2 2
20 ( 144065 )−(1661)(1733)
r y2.1 =
√[ 20 ( 138141 ) −( 1661 ) ][ 20 ( 150293 )−( 1733 ) ]
2 2
r y2.1 = 0,88
n ( X 1 X 2 ) −(X 1)(X 2)
r 12.y =
√[ n ( X 1 )−( X 1 ) ][ n ( X 2 )− ( X 2 ) ]
2 2 2 2
20 ( 41319 ) −(494)(1661)
r 12.y =
√[ 20 ( 12742 ) −( 494 ) ][ 20 ( 138141 ) −( 1661 ) ]
2 2
r 12.y = 0,9
KP = (Ry.12)2 x 100%
( Ry .12 )2(n−m−1)
Fhitung =
m ( 1−Ry . 122 )
Keterangan :
n = Jumlah sampel
13
( 0,938 )2 (20−2−1)
Fhitung =
2 ( 1−0,9382 )
Fhitung = 62,241
db (derajat bebas) = n – m – 1 = 20 – 2 – 1 = 17
1. Interpretasi
Coefficients.
Model Summary
Belajar Siswa ( X1 )
14
semua variabel bebas, termasuk minat belajar fisika dan fasilitas
ANOVAa
Sum of
Total 128.550 19
15
bebas terhadap variabel terikat dengan taraf nyata 5% atau taraf
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
menunjukkan bahwa:
16
dan minat belajar pada taraf kepercayaan 95%.
Menarik Kesimpulan
17
BAB III
PENUTUP
3.1 Kesimpulan
dua atau lebih variabel independen. Tujuan dari metode ini adalah untuk
independen.
asumsi homoskedastisitas.
koefisien determinasi (r) dan uji signifikansi koefisien. Model regresi linier
terpenuhi sepenuhnya.
18
DAFTAR PUSTAKA
Janie, D. N. (2012). Statistik Deskriptif & Regresi Linier Berganda Dengan SPSS.
https://www.spssindonesia.com/2014/02/analisis-regresi-multipes-dengan-
spss.html
University: https://binus.ac.id/malang/2022/09/pengenalan-analisis-
regresi/
19