Laporan praktikum ke 4

1. i
HALAMAN JUDUL

2. ii
ABSTRAK
Analisis regresi banyak digunakan dalam berbagai bidang seperti industri,
teknik sipil, pertanian, kehutanan, lingkungan, kedokteran, farmasi, pemasaran,
manajemen, kependudukan dll. Istilah regresi ditetapkan pada semua jenis
peramalan, dan tidak harus berimplikasi suatu regresi mendekati nilai tengah
populasi. Sedangkan teknik korelasi merupakan teknik analisis yang melihat
kecenderungan pola dalam satu variabel berdasarkan kecenderungan pola dalam
variabel yang lain. Maksudnya, ketika satu variabel memiliki kecenderungan
untuk naik maka kecenderungan dalam variabel yang lain apakah juga naik atau
turun bahkan tidak menentu. Jika kecenderungan dalam satu variabel selalu diikuti
oleh kecenderungan dalam variabel lain, maka kedua variabel ini memiliki
hubungan atau korelasi. Dalam analisis regresi ini kami menggunakan 6 variabel
didapat dari survei mahasiswa S1 ITS dan dicari yang paling kuat daripada yang
lain. Ditemukan kuat dua variabel terdapat pada IPK dan banyak grup sosial
media. Dari dua variabel tersebut dibuktikan apakah saling berpengaruh atau
tidak. Untuk itu digunakan analisis regresi untuk menemukan suatu kesimpulan.
Untuk pembuktian tersebut digunakan uji kenormalan model, uji serentak, dan uji
parsial. Setelah melalui beberapa pengujian dihasilkan bahwa banyak grup sosial
media memengaruhi nilai IPK mahasiswa S1 ITS. Pengaruhnya bernilai positif.
Kata kunci: Analisis regresi, uji kenormalan model, uji parsial, uji serentak

3. iii
DAFTAR ISI
HALAMAN JUDUL ...............................................................................................i
ABSTRAK...............................................................................................................ii
DAFTAR ISI.......................................................................................................... iii
DAFTAR TABEL...................................................................................................v
DAFTAR GAMBAR.............................................................................................vi
BAB I PENDAHULUAN .......................................................................................1
1.1 Latar Belakang...........................................................................................1
1.2 Rumusan Masalah......................................................................................2
1.3 Tujuan ........................................................................................................2
1.4 Manfaat ......................................................................................................3
BAB II TINJAUAN PUSTAKA............................................................................4
2.1 Regresi .....................................................Error! Bookmark not defined.
2.2 Jenis-Jenis Regresi.....................................................................................6
2.3 Pengujian Serentak.....................................................................................8
2.4 Pengujian Parsial........................................................................................8
2.5 Korelasi....................................................Error! Bookmark not defined.
BAB III METODOLOGI PENELITIAN ..........................................................10
3.1 Sumber Data.............................................................................................10
3.2 Variabel Penelitian...................................................................................10
3.3 Langkah Analisis......................................................................................10
3.4 Diagram Alir ............................................................................................12
BAB IV ANALISIS DAN PEMBAHASAN .......................................................12
4.1 Pengujian koefisien korelasi dari 6 variabel ............................................13
4.2 Nilai Korelasi Antara Variabel Banyak Grup Sosial Media (X) Dengan
Nilai IPK (Y)............................................................................................14
4.3 Pola Hubungan antara Variabel Banyak Grup Sosial Media (X) Dengan
Nilai IPK (Y)............................................................................................15
4.4 Mengetahui Model Regresi Variabel Banyak Grup Sosial Media (X)
Dengan Nilai IPK (Y). .............................................................................16
4.5 Pengujian Serentak...................................................................................19

4. iv
4.6 Pengujian parsial......................................................................................21
BAB V PENUTUP................................................................................................23
5.1 Kesimpulan ..............................................................................................23
5.2 Saran.........................................................................................................25
DAFTAR PUSTAKA ...........................................................................................26
LAMPIRAN ............................................................................................................1

5. v
DAFTAR TABEL
Tabel 4.1 Nilai Korelasi dari 6 variabel ...........................................................11
Tabel 4.2 Output Minitab Hasil Analisis Regresi.............................................14
Tabel 4.3 Output Minitab Uji Serentak ............................................................16
Tabel 4.4 Output Minitab Uji Parsial ...............................................................18

6. vi
DAFTAR GAMBAR
Gambar 3.1 Diagram Alir ................................................................................10
Gambar 4.1 Scatter Plot Variabel Banyak Grup (X) dan IPK (Y) ..................13
Gambar 4.2 Gabungan Empat Kurva Penunjuk Asumsi Residual ..................15
Gambar 4.3 Plot Distribusi Normal Residual Model Linier Sederhana ..........15
Gambar 4.4 Kurva Distribusi F dengan α = 0,05, v1 = 1, v2 = 134 .................17
Gambar 4.5 Kurva Distribusi T dengan α = 0,05 dan DF=n-2=135-2=133....19

7. 1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Banyak analisis statistika bertujuan untuk mengetahui apakah ada hubungan
antara dua atau lebih variabel. Bila hubungan demikian ini dapat dinyatakan
dalam bentuk rumus matematik, maka kita akan dapat menggunakannya untuk
keperluan peramalan. Masalah peramalan dapat dilakukan dengan menerapkan
persamaan regresi. Sekarang ini, istilah regresi ditetapkan pada semua jenis
peramalan, dan tidak harus berimplikasi suatu regresi mendekati nilai tengah
populasi. Sedangkan teknik korelasi merupakan teknik analisis yang melihat
kecenderungan pola dalam satu variabel berdasarkan kecenderungan pola dalam
variabel yang lain. Maksudnya, ketika satu variabel memiliki kecenderungan
untuk naik maka kita melihat kecenderungan dalam variabel yang lain apakah
juga naik atau turun atau tidak menentu. Jika kecenderungan dalam satu variabel
selalu diikuti oleh kecenderungan dalam variabel lain, kita dapat mengatakan
bahwa kedua variabel ini memiliki hubungan atau korelasi (Yuswandy, 2009).
Analisis regresi dapat berguna pada berbagai penelitian anatara lain model
regresi digunakan untuk mengukur kekuatan, pengaruh antara variabel respon dan
variabel prediktor, atau memprediksi pengaruh antara variabel respon dan variabel
prediktor. Model regresi untuk variabel respon (Y) dan untuk variabel prediktor
(X). Bila terdapat suatu data yang terdiri atas dua atau lebih variabel, adalah
sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu saling
berhubungan dan saling mempengaruhi satu sama lain. Hubungan yang didapat
pada umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan
hubungan fungsional antara variabel-variabel. Studi yang menyangkut masalah ini
dikenal dengan analisis regresi.
Untuk analisis regresi ini, penulis akan menganalisis data primer
berdasarkan data mahasiswa ITS, penulis memiliki 6 variabel yaitu IPK, SKS
yang diambil, organisasi yang diikuti, rata-rata jam menggunakan medsos, banyak
grup sosial media, dan biaya pulsa. Dari 6 variabel tersebut dicari nilai korelasi
masing-masing variabel yang tertinggi. Apabila nilai korelasi pada variabel

8. 2
tersebut tinggi, maka dapat dikatakan variabel tersebut signifikan dan
berhubungan. Untuk mencari korelasi antar 6 variabel digunakan software
minitab. Untuk lebih jelas dengan variabel yang digunakan analisis regresi akan
dijelaskan pada bab 4. Dengan adanya modul analisis regresi, mahasiswa
diharapkan mampu memahami dan mengerti penggunaan analisis regresi, serta
dapat menginterpretasikan dengan baik, dan benar.
1.2 Rumusan Masalah
Permasalahan yang akan dibahas dalam modul ini adalah:
1. Bagaimana hasil pengujian koefisien korelasi dari 6 variabel penelitian ?
2. Bagaimana nilai korelasi antara variabel banyak grup sosial media (X)
dengan variabel nilai IPK (Y) ?
3. Bagaimana pola hubungan antara variabel banyak grup sosial media (X)
dengan variabel nilai IPK (Y) ?
4. Bagaimana model regresi variabel banyak grup sosial media (X) dengan
variabel nilai IPK (Y) apakah memenuhi IIDN ?
5. Bagaimana menguji parameter model regresi secara serentak ?
6. Bagaimana menguji parameter model regresi secara parsial ?
1.3 Tujuan
Tujuan yang ingin dicapai pada modul ini adalah:
1. Mengetahui hasil korelasi tertinggi dari 6 variabel penelitian.
2. Mengetahui nilai korelasi antara variabel banyak grup sosial media (X)
dengan variabel nilai IPK (Y).
3. Mengetahui pola hubungan antara variabel banyak grup sosial media (X)
dengan variabel nilai IPK (Y).
4. Mengetahui model regresi variabel grup banyak sosial media (X) dengan
variabel nilai IPK (Y) memenuhi IIDN.
5. Mengetahui cara pengujian parameter model regresi secara serentak pada
beberapa parameter.
6. Mengetahui cara pengujian parameter model regresi secara parsial pada satu
parameter.

9. 3
1.4 Manfaat
Manfaat yang diperoleh dari praktikum ini adalah
1. Mampu mengestimasi atau menduga suatu hubungan antara variabel –
variabel ekonomi, misalnya Y = f(X).
2. Mampu melakukan peramalan atau prediksi nilai variabel terikat (tidak
bebas) atau variabel dependen berdasarkan nilai variabel terkait (variabel
independen/bebas).
3. Peneliti dapat menunjukkan aplikasi regresi linier sederhana dengan
percobaan sederhana.
4. Mampu menginterpretasikan hasil output minitab mengenai analisis regresi
berdasarkan data primer yang telah diperoleh.

10. 4
BAB II
TINJAUAN PUSTAKA
2.1 Korelasi
Teknik korelasi merupakan teknik analisis yang melihat kecenderungan pola
dalam satu variabel berdasarkan kecenderungan pola dalam variabel yang lain.
Maksudnya, ketika satu variabel memiliki kecenderungan untuk naik maka kita
melihat kecenderungan dalam variabel yang lain apakah juga naik atau turun atau
tidak menentu. Jika kecenderungan dalam satu variabel selalu diikuti oleh
kecenderungan dalam variabel lain, kita dapat mengatakan bahwa kedua variabel
ini memiliki hubungan atau korelasi. Jika data hasil pengamatan terdiri dari
banyak variabel , ialah beberapa kuat hubungan antara-antara variabel itu terjadi.
Dalam kata-kata lain perlu ditentukan derajat hubungan antara variabel-variabel.
Studi yang membahas tentang derajat hubungan antara variabel-variabel dikenal
dengan nama korelasi. Ukuran yang dipakai untuk mengetahui derajat hubungan,
terutama untuk data kuantitatif dinamakan koefisien korelasi (Yuswandy,2009).
2.2 Regresi
Bila terdapat suatu data yang terdiri atas dua atau lebih variabel, adalah
sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu saling
berhubungan dan saling mempengaruhi satu sama lain. Hubungan yang didapat
pada umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan
hubungan fungsional antara variabel-variabel. Studi yang menyangkut masalah ini
dikenal dengan analisis regresi (Tan, 2009).
Dalam hal ini penulis akan membicarakan masalah pendugaan atau
peramalan nilai peubah bebas Y berdasarkan peubah bebas X yang telah diketahui
nilainya. Misalnya penulis ingin meramalkan nilai kimia mahasiswa tingkat
persiapan berdasarkan skor tes intelegensia yang diberikan sebelum mulai kuliah.
Dengan melambangkan nilai kimia seseorang dengan y dan skor tes intelegasinya
dengan x, maka data setiap anggota populasi dapat dinyatakan dalam koordinat
(x,y). Suatu contoh acak berukuran n dari populasi tersebut dengan demikian dapat
dilambangkan sebagai {(xi,yi)}; i=1,2,.......,n}.

11. 5
Bila hubungan linear demikian ini ada, maka penulis harus berusaha
menyatakan secara matematik dengan sebuah persamaan garis-lurus yang disebut
garis regresi linear. Dari aljabar atau ilmu ukur analitik disekolah lanjutan, penulis
mengetahui bahwa sebuah garis lurus dapat dituliskan dalam bentuk:
y = bxa  (2.1)
Dalam hal ini a menyatakan intersep atau perpotongan dengan sumbu tegak,
dan b adalah kemiringan atau gradien. Lambangan digunakan disini untuk
membedakan antara nilai ramalan yang dihasilkan garis regresi dan nilai
pengamatan y yang sesungguhnya untuk nilai x tertentu (Walpole, 1995).
Sekali penulis telah memutuskan akan menggunakan persamaan regresi
linear, maka penulis menghadapi masalah bagaimana memperoleh rumus untuk
menentukan nilai dugaan titik bagi a dan b berdasarkan data contoh. Untuk ini
akan digunakan prosedur yang disebut metode kuadrat kecil, maka metode
kuadrat terkecil menghasilkan rumus untuk menghitung a dan b sehingga jumlah
kuadrat semua simpangan itu minimum. Jumlah kuadrat semua simpangan ini
disebut jumlah kuadrat galat sepenulisr garis regresi dan dilambangkan dengan
JKG. Jadi, jika penulis diberikan segugus data berpasangan {(xi,yi); i=1,2,.....,n},
maka penulis harus menentukan a dan b sehingga meminimumkan jumlah kuadrat
semua simpangan atau JKG (Walpole, 1995).
Pendugaan parameter. Bila diberikan data contoh {(xi,yi); i=1,2,.....,n}, maka
nilai dugaan kuadrat terkecil bagi parameter dalam garis regresi y = bxa 
Dapat diperoleh dari rumus
 
 
 
 





















n
i
n
i
ii
n
i
n
i
i
n
i
iii
xxn
yxyxn
b
0
2
0
2
0 00
(2.2)
dan
ya  (2.3)
Keterangan:
b = nilai dugaan kuadrat terkecil bagi parameter

12. 6
xi= nilai data x ke-i
yi = nilai data y ke-i
n= banyaknya data
Analisis regresi bertujuan untuk, pertama, mengestimasi atau menduga
suatu hubungan antara variabel – variabel ekonomi, misalnya Y = f(x). Kedua,
melakukan peramalan atau prediksi nilai variabel terikat (tidak bebas) atau
variabel dependen berdasarkan nilai variabel terkait (variabel independen/bebas).
Penetuan variabel mana yang bebas dan mana yang terkait dalam beberapa hal
tidak mudah dilaksanakan. Studi yang cermat, diskusi yang seksama (dengan para
pakar), berbagai pertimbangan, kewajaran masalah yang dihadapi dan pengalaman
akan membantu memudahkan penetuan kedua variabel tersebut.
Untuk menentukan persamaan hubungan antarvariabel, langkah-langkahnya
sebagai berikut:
1. Mengumpulkan data dari variabel yang dibutuhkan misalnya X sebagai
variabel bebas dan Y sebagai variabel tidak bebas.
2. Menggambarkan titik-titik pasangan (x,y) dalam sebuah sistem koordinat
bidang. Hasil dari gambar itu disebut Scatter Diagram (Diagram
Pencar/Tebaran) dimana dapat dibayangkan bentuk kurva halus yang sesuai
dengan data. Kegunaan dari diagram pencar adalah membantu menunjukkan
apakah terdapat hubungan yang bermanfaat antara dua variabel dan
membantu menetapkan tipe persamaan yang menunjukkan hubungan antara
kedua variabel tersebut.
3. Menentukan persamaan garis regresi dengan mencari nilai-nilai koefisien
regresi dan koefisien korelasi.
2.3 Jenis-Jenis Regresi
Terdapat empat jenis regresi dalam statiska, diantaranya:
1. Regresi Linier
Regresi linier dibedakan menjadi dua bagian berdasarkan banyaknya
variabel bebas yang terlibat dalam persamaan yang ikut mempengaruhi
nilai variabel terikat.
2. Regresi Linier Sederhana

13. 7
Apabila dalam diagram pencar terlihat bahwa titik – titiknya mengikuti
suatu garis lurus, menunjukkan bahwa kedua peubah tersebut saling
berhubungan sacara linier. Bila hubungan linier demikian ini ada, maka kita
berusaha menyatakan secara matematik dengan sebuah persamaan garis
lurus yang disebut garis regresi linier. Untuk regresi linier sederhana, perlu
ditaksir parameter . Jika ditaksir oleh a dan b, maka regresi linier
berdasarkan sampel dirumuskan sebagai berikut.
Y= a + bx (2.4)
Keterangan :
Y= nilai yang diukur/dihitung pada variabel tidak bebas
x = nilai tertentu dari variabel bebas
a = intersep/ perpotongan garis regresi dengan sumbu y
b = koefisien regresi / kemiringan dari garis regresi / untuk mengukur
kenaikan atau penurunan y untuk setiap perubahan satu-satuan x / untuk
mengukur besarnya pengaruh x terhadap y kalau x naik satu unit.
3. Peramalan Kuantitatif
Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang
dipergunakan dalam peramalan tersebut.
4. Peramalan Kualitatif
Peramalan kualitatif biasanya digunakan bila tidak ada atau sedikit data
masa lalu tersedia.
2.3 Uji Kolmogorov Smirnov

14. 8
2.4 Pengujian Serentak
Uji serentak (Uji F) adalah metode pengujian yang dilakukan untuk
mengetahui pengaruh variabel bebas secara bersama-sama terhadap variabel
terikat (Ghozali, 2007). Langkah-langkah untuk melakukan uji serentak (uji F)
adalah sebagai berikut.
1. Menentukan hipotesis
H0 : βi = 0, artinya variabel bebas bukan merupakan penjelas yang signifikan
terhadap variabel terikat.
H1 : βi ≠ 0, artinya variabel bebas merupakan penjelas yang signifikan
terhadap variabel terikat. Dengan i = 1,2,…,n.
2. Menentukan wilayah kritis (level of significance).
3. Menentukan daerah keputusan.
H0 tidak ditolak apabila Fhitung ≤ Ftabel ( valueP ), artinya semua variabel
bebas secara bersama-sama bukan merupakan variabel penjelas yang
signifikan terhadap variabel terikat.
H0 ditolak apabila Fhitung > Ftabel ( valueP ), artinya semua variabel bebas
secara bersama-sama merupakan penjelas yang signifikan terhadap variabel
terikat.
4. Menentukan statistik uji
Rumus untuk menghitung statistik uji adalah sebagai berikut.
2
1
/
/
vV
vU
F 
U dan V menyatakan peubah acak bebas masing-masing berdistribusi khi-
kuadrat dengan derajat kebebasan 1v dan 2v .
5. Mengambil keputusan (Gudjarat, 1995)
Uji serentak (uji F) juga sering disebut uji ANOVA.
2.5 Pengujian Parsial
Uji parsial digunakan untuk menguji apakah koefisien regresi mempunyai
pengaruh yang signifikan.
Berikut rumus yang digunakan sebagai statistik uji dalam sebuah pengujian
parsial:
(2.5)

15. 9
i
i
Sb
b
t  (2.6)
(2.7)
(2.8)
Keterangan :
bi = nilai dugaan β1
 



n
X
X
S
S
yx
b
2
2
,
 
kn
YY
kn
SSE
S xy





1
ˆ
1
2
,

16. 10
BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data
Sumber data yang digunakan dalam laporan ini adalah data primer. Data
diperoleh dari hasil survei sebanyak 135 mahasiswa S1 ITS. Sumber untuk
melakukan penelitian ini diambil pada.
hari, tanggal : 20 – 24 November 2015
tempat : Institut Teknologi Sepuluh Nopember Surabaya
waktu : 08.00 WIB – selesai.
3.2 Variabel Penelitian
Variabel pratikum yang digunakan adalah sebagai berikut.
1. IPK, yaitu nilai prestasi dalam keseluruhan semester dari mahasiswa ITS.
2. SKS, yaitu rata-rata SKS yang diambil tiap semester.
3. Organisasi, yaitu banyaknya organisasi yang pernah dan sedang dikuti.
4. Lama menggunakan media sosial, yaitu rata-rata jam menggunakan media
sosial selama perminggu.
5. Pulsa, yaitu total biaya pengeluaran komunikasi dan internet selama
perminggu.
6. Grup, yaitu banyaknya grup media sosial yang aktif dan digunakan oleh
mahasiswa ITS.
3.3 Langkah Analisis
Langkah analisis data yang dilakukan dalam praktikum ini adalah :
1. Identifikasi masalah sesuai permasalahan yang diangkat
2. Merumuskan masalah mengenai kasus 6 variabel
3. Merumuskan tujuan sesuai rumusan masalah
4. Melakukan input data pada program minitab
5. Pengujian koefisien korelasi dari 6 variabel
6. Identifikasi pola hubungan antara variabel (x) dengan (y) melalui korelasi
dengan visual scatterplot.
7. Menduga bentuk persamaan model regresi beserta asumsi residual

17. 11
8. Menguji parameter model ( serentak atau parsial ).
9. Menyajikan data berupa tabel dan gambar grafik maupun kurva
10. Menginterpretasi dan menarik kesimpulan.

18. 12
3.4 Diagram Alir
Diagram alir menggambarkan alur perjalanan pembuatan modul, mulai dari
proses pengidentifikasian masalah hingga pembuatan laporan
BAB IV
Uji serentak Uji parsial
Menyajikan data
Interpretasi dan Menarik kesimpulan
Identifikasi Masalah
Merumuskan Masalah
Merumuskan Tujuan
Melakukan Input Data
Melakukan Uji korelasi
Menampilkan scatterplot
Menduga bentuk persamaan model
regresi beserta asumsi residual
Pengujian Parameter regresi

19. 13
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Pengujian koefisien korelasi dari 6 variabel
Dalam analisis regresi ini diberikan 6 variabel berdasarkan data survei yang
telah dilakukan beberapa hari yang lalu dengan responden mahasiswa ITS. Dari 6
variabel tersebut adalah IPK, SKS, banyak organisasi yang diikuti, pulsa per
minggu, banyak grup sosial media, dan rata-rata jam menggunakan sosial media
per minggu. Untuk analisis regresi linier sederhana ini, hanya dibutuhkan satu
variabel respon (Y) dan satu variabel prediktor (X). Untuk mengetahui
signifikansi dari 6 variabel tersebut, dicari hubungan korelasi antar 6 variabel
tersebut.
Untuk lebih jelas, koefisien korelasi ini didapatkan melalui uji pada program
minitab. Di bawah ini adalah hasil output korelasi dari program minitab.
Tabel 4.1 Nilai korelasi dari 6 variabel
1/2 IPK SKS ORGANISASI MEDSOS PULSA
SKS
0,156
0,074
ORGANISASI
0,109 0,080
0,208 0,357
MEDSOS
0,125 0,099 0,007
0,150 0,255 0,939
PULSA
0,163 0,031 -0.034 0,023
0,060 0,074 0,696 0,788
GRUP
0,204 -0.13 0,128 0,073 0,111
0,018 0,132 0,140 0,403 0,199
Berdasarkan Tabel 4.1, menunjukkan hasil nilai korelasi dari masing-
masing variabel tersebut. Terdapat 2 baris dalam satu variabel menunjukkan nilai
yang berbeda. Baris pertama menunjukkan nilai korelasi antar variabel, baris
kedua menunjukkan P-Value. Diketahui bahwa uji hipotesis nilai korelasi antar
variabel adalah sebagai berikut :

20. 14
H0 : ρ = 0 (tidak ada hubungan dan korelasi antar variabel grup social media (X)
dan IPK (Y))
H1 : ρ ≠ 1 (ada signifikansi dan korelasi antar variabel grup social media (X) dan
IPK (Y))
Dari uji hipotesis korelasi tersebut, apabila nilai P-Value kurang dari
(α=0,05) maka H0 ditolak. Ketika penolakan terjadi maka terdapat korelasi dan
signifikan antar kedua variabel. Justru sebaliknya apabila P-value lebih dari
(α=0,05) maka H0 tidak ditolak, maka disimpulkan bahwa tidak ada korelasi dan
tidak signifikan antara dua variabel. Kemudian semakin tinggi nilai korelasi maka
semakin kuat hubungan kedua variabel (X) dan (Y). Nilai korelasi terdapat nilai
positif dan negatif, nilai positif tersebut menunjukan apabila variabel prediktor
bertambah maka variabel respon ikut bertambah, sebaliknya nilai negatif
menunjukkan apabila variabel prediktor bertambah maka variabel respon
berkurang.
Dari tabel diatas, didapatkan nilai korelasi yang tertinggi terdapat pada
variabel grup sosial media dan variabel IPK. Untuk sementara ini belum dapat
dijelaskan mengenai variabel respon dan prediktor. Nilai p-value pada antar
variabel tersebut kurang dari 0,05 maka dikatakan kedua variabel signifikan dan
ada hubungan. Nilai korelasi kedua variabel juga tinggi, dapat dikatakan bahwa
kedua variabel memiliki hubungan yang kuat. Kesimpulannya bahwa variabel
prediktor (X) adalah banyak grup sosial media mahasiswa S1 ITS dan variabel
respon (Y) adalah IPK mahasiswa ITS. Karena banyak grup sosial media dapat
memengaruhi nilai IPK mahasiswa ITS.
4.2 Nilai Korelasi Antara Variabel Banyak Grup Sosial Media (X) Dengan
Nilai IPK (Y)
Analisis korelasi sederhana digunakan untuk mengetahui keeratan hubungan
antara dua variabel dan untuk mengetahui arah hubungan yang terjadi. Untuk
lebih jelas nilai korelasi kedua variabel diatas dijelaskan pada subbab ini. Secara
pengujian nilai korelasi diperoleh nilai r sebesar 0,204. Hal ini menunjukkan
bahwa terjadi hubungan yang kuat antara banyak grup sosial media dengan nilai
IPK. Sedangkan arah hubungan adalah hubungan yang positif, berarti semakin

21. 15
banyak jumlah grup sosial media maka semakin tinggi nilai IPK. Berikut adalah
uji hipotesisnya:
H0 : ρ = 0 (tidak ada korelasi antara grup line (X) dan IPK (Y))
H1 : ρ ≠ 0 (ada korelasi antara grup line (X) dan IPK (Y))
Diketahui bahwa nilai P-Value dari X dan Y sebesar 0,018, hal tersebut
menunjukkan nilai P-Value kurang dari 0,05. Maka keputusan H0 ditolak, berarti
bahwa antara X dan Y terdapat korelasi dengan kekuatan sebesar 0,204. Dapat
disimpulkan bahwa ada korelasi antara X dan Y yaitu ada hubungan secara
signifikan antara banyak grup sosial media dengan nilai IPK.
4.3 Pola Hubungan antara Variabel Banyak Grup Sosial Media (X)
Dengan Nilai IPK (Y)
Untuk melihat pola hubungan antara masing-masing variabel bebas dengan
variabel terikat dibuat scatter plot untuk mengetahui regresi ini linear atau tidak
linear, sebagai berikut.
Pada Gambar 4.1 menunjukkan bahwa titik-titik merah pada grafik telah
menyebar dan mengikuti pola garis distribusi normal, maka dapat dikatakan
bahwa data telah memenuhi asumsi identik. Jika scatter plot membentuk pola
yang menyerupai garis lurus seperti pada Gambar 4.1, maka dapat diindikasikan
ada hubungan antara variabel banyak grup dan variabel IPK. Hubungan yang
membentuk garis lurus tersebut bisa disebut dengan hubungan linear. Pada
penjelasan 4.1 telah disebutkan pula jika variabel prediktor bertambah maka
variabel respon ikut bertambah. Maka dapat disimpulkan bahwa hubungan yang
1 201 00806040200
4.00
3.75
3.50
3.25
3.00
2.75
2.50
GRUP
IPK
Gambar 4.1 Scatter plot Variabel Banyak Grup (X) dan IPK (Y)

22. 16
terjadi pada variabel banyak grup dan variabel IPK adalah hubungan linear yang
positif. Pada grafik ditunjukkan oleh data yang bergerak dari kiri bawah hingga ke
kanan atas.
4.4 Mengetahui Model Regresi Variabel Banyak Grup Sosial Media (X)
Dengan Nilai IPK (Y).
Dari data yang telah diolah melalui program Minitab, dan telah dicari hasil
korelasi tertinggi antar variabel, maka dihasilkan persamaan model regresi dari
variabel (X) dan variabel (Y). Dimana variabel (X) adalah banyak grup sosial
media dan variabel (Y) adalah nilai IPK. Dibawah ini adalah hasil output minitab
model regresi.
Tabel 4.2 Output Minitab Hasil Analisis Regresi
Persamaan Model Regresi R-sq R-sq(adj)
Y = 3,17 + 0,00259 X 4,2 % 3.47%
Pada Tabel 4.2 memperlihatkan hasil persamaan model regresi yaitu Y =
3,17 + 0,00259 X. Persamaan tersebut menunjukkan taksiran intersep b0 sebesar
3,17 dan taksiran parameter dari b1 sebesar 0,00259. Artinya, apabila banyak grup
sosial media meningkat sebanyak 1 grup, maka nilai IPK yang didapatkan rata-
rata akan meningkat pula sebesar 0,00259.
Selanjutnya, untuk mengukur kecukupan model regresi, dapat dilihat
melalui koefisien determinasi (R2). Koefisien determinasi menjelaskan besarnya
variabel respons yang dapat dijelaskan variabel prediktor. Pada Tabel 4.2 nilai
koefisien determinasi ditunjukkan dengan R-sq. Didapatkan hasil nilai koefisien
determinasi model regresi adalah 4,2 %. Nilai R-Sq diperoleh dari
𝑆𝑆𝑅
𝑆𝑆𝑇
. Artinya,
sebanyak 4,2 % variasi sampel nilai IPK dari mahasiswa S1 ITS dijelaskan oleh
banyak grup sosial media. Sisanya sebanyak 95,8 % dijelaskan oleh variabel lain
yang belum masuk ke dalam model. Semakin banyak variabel yang dimasukkan
ke dalam model, maka semakin meningkat nilai R2. Namun, dengan semakin
banyaknya variabel, model menjadi tidak efisien. Untuk meningkatkan sensitifitas
R2, Minitab menyediakan R-sq adjustesd, R2 adjusted disesuaikan dengan jumlah
variabel yang dimasukkan ke dalam model. Nilai R2 adjusted untuk model yang
telah dibuat ini adalah 3,47 %. Antara R-sq dan R-sq adjusted tidak berbeda jauh
karena jumlah variabel yang dimasukkan dalam model hanya satu.

23. 17
Setelah mengetahui interpretasi dan penjelasan model regresi, kemudian
akan melihat uji asumsi residual mengenai IIDN (Independen, Identik, dan
Distribusi normal). Dibawah ini terdapat gambar yang memvisualisasikan asumsi
residual.
Gambar 4.2 Gabungan Empat Kurva Penunjuk Asumsi Residual
Terdapat empat gambar yang menunjukkan karakteristik masing-masing.
Gambar 1 normal probability plot , pada plot tersebut menjelaskan kenormalan
pada data residu. Dengan menggunakan uji hipotesis untuk mengetahui
kenormalan suatu data residu.
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
H0 dan H1 ditentukan untuk mempermudah dalam mengambil kesimpulan dan
interpretasi.

24. 18
Untuk lebih detail mengenai normal probability plot, akan kami tampilkan
plot residual menggunakan uji Kolmogorov-Smirnov. Dibawah ini hasil dari
minitab.
Gambar 4.3 Plot Distribusi Normal Residual Model Linier Sederhana
Dari gambar plot tersebut, uji kenormalan residual menggunakan uji
Kolmogorov-Smirnov. Untuk pengujian itu harus ditentukan level toleransi atau
biasa disebut α sebesar 0,05. Dari pengujian ini terdapat beberapa informasi,
salah satunya adalah rata-rata dan deviasi standar residual. Masing-masing sebesar
1,2x10-15 dan 0,2750. Rata-rata residual sangat kecil karena mendekati 0. Selain
itu juga menunjukkan nilai P-Value. Apabila nilai P-Value lebih dari α maka H0
tidak ditolak. Hasil menunjukkan bahwa nilai P-Value sebesar 0,148 lebih dari
0,05. Maka H0 tidak ditolak, sehingga dapat dikatakan berdistribusi normal.
Selanjutnya untuk gambar berikutnya yaitu Versus Fits untuk mengetahui
apakah asumsi residual telah memenuhi asumsi identik sama atau tidak. Dapat
dikatakan identik apabila titik-titik merah telah menyebar horizontal. Pada
Gambar 4.2 yaitu Versus Fits dapat diasumsikan identik karena data telah
menyebar horizontal. Gambar ketiga adalah histogram, sudah jelas bahwa
distribusi tersebut normal. Dan yang terakhir adalah versus order untuk
mengetahui apakah asumsi residual telah memenuhi asumsi independen atau
tidak. Kesimpulan uji kenormalan residual adalah residual model regresi linier
dibuat telah mengikuti distribusi normal. Jadi, asumsi kenormalan residual pada
model regresi ini telah dipenuhi oleh model regresi linier sederhana, sehingga
model regresi yang telah dibuat dapat digunakan.

25. 19
4.5 Pengujian Serentak
Uji serentak dengan menggunakan Analisis of Varians ini digunakan untuk
mengetahui model ini signifikan atau tidak. Apabila nilai P-Value kurang dari α =
0,05, maka H0 ditolak atau dapat dikatakan bahwa model ini signifikan. Dibawah
ini adalah hasil dari analisis di minitab.
Tabel 4.3 Output Minitab Uji serentak
VARIASI
SUMBER
DF SS MS F P
REGRESI 1 0,4428 0,44284 5,81 0,017
ERROR 133 10,1366 0,07621
TOTAL 134 10,5794
Tabel 4.3 adalah tabel anova tabel output minitab untuk pengujian parsial.
Pada model regresi diatas telah diketahui bahwa residual mengikuti distribusi
normal dengan rata-rata dan deviasi standar sekecil mungkin mendekati 0.
Semakin kecil deviasi standar residual maka berarti nilai taksiran model semakin
mendekati nilai sebenarnya. Dalam regresi, ada istilah Sum Square (Regresi dan
Error) yang merupakan jumlah kuadrat (regresi dan error). Ada istilah Mean
Square (Regresi dan Error) . MS Error yang merupakan varians residual (s2)
sebesar 0,07621 maka nilai deviasi standar sebesar 0.276062. Untuk mengetahui
pengujian serentak maka digunakan pengujian hipotesis uji serentak. Untuk
menentukan hipotesisnya adalah hipotesis nol dibuat tidak sesuai data, dan
hipotesis alternatif sesuai dengan data. untuk pemodelan regresi adalah
Y= 𝛽0+𝛽1X
H0 : βi = 0, artinya variabel prediktor tidak memiliki pengaruh yang signifikan
H1 : βi ≠ 0, artinya variabel prediktor memiliki pengaruh yang signifikan
Untuk uji hipotesis ini menggunakan distribusi F, nilai F pada pegujian
serentak ini sebesar 5,81 dan nilai P-Value sebesar 0,017. Untuk lebih jelasnya
terhadap daerah penolakan distribusi F maka kami tampilkan kurva distribusi F
dari program minitab

26. 20
Gambar 4.4 Kurva Distribusi F dengan α=0,05, v1=1 , v2=134
Dari tabel anova diatas menunjukkan bahwa uji statistik F sebesar 5,81.
Nilai F tersebut berada pada daerah penolakan dengan α = 0,05 karena lebih dari F
tabel. Maka kesimpulannya menolak H0 . sedangkan nilai P-Value sebesar 0,017
kurang dari 0,05 maka kesimpulannya menolak H0.
Hasil analisis, berarti secara statistik, tidak ada parameter model bernilai
nol yang menunjukkan bahwa model regresi linier sederhana yang telah dibuat
bisa dikatakan telah mewakili data yang ada. Artinya parameter regresi
berpengaruh dan signifikan terhadap model. Variable predictor memengaruhi
secara signifikan variable respon.
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
X
Density
3.912
0.05
0
F, df1 =1 , df2=1 34
F0,05;1,133=5,81
133

27. 21
4.6 Pengujian parsial
Karena pada pengujian secara serentak hasilnya adalah menolak H0 dan
koefisien regresi bermakna, maka dilakukan pengujian lagi secara parsial.
Pengujian ini dilakukan dengan nilai α sebesar 0.05, apabila nila Pvalue-nya kurang
dari α, maka H0 ditolak atau model ini signifikan, Uji parsialnya adalah sebagai
berikut.
Tabel 4.4 Output Minitab Uji Parsial
Uji parameter model menggunakan statistik T. Adapun tahap-tahap dalam
uji hipotesis untuk melakukan uji parameter model adalah dengan hiptesis sebagai
berikut
Hipotesis untuk parameter X, untuk menentukan pengaruh variable X terhadap
variable Y. Karena pada permasalahan ini hanya menggunakan satu variable
predictor, maka uji hipotesis pada uji parsial hanya satu kali.
H0 : 𝛽1=0
H1 : 𝛽1 ≠0
Dengan dugaan awal (H0) pada hipotesis adalah bahwa parameter X dengan
koefisien 𝛽1 tidak berpengaruh secara signifikan terhadap variabel respon
Terdapat dua uji statistik untuk mengetahui kesimpulan dari uji hipotesis
tersebut yaitu P-Value dan T. Nilai T dibandingkan dengan distribusi T dan P-
Value dengan α sebesar 0,05. Untuk daerah penolakan T > T(α/2,df) dimana DF
adalah derajat bebas didapat dari ( n - ( k+1 ) ). Dalam hal ini, n adalah banyaknya
pengamatan dan k adalah banyaknya parameter. Berdasarkan data Tabel 4.4 nilai
P-Value sebesar 0,017 = 0 kurang dari nilai α = 0,05 maka H0 ditolak. Dapat
dikatakan bahwa 𝛽1 ≠ 0. Untuk lebih jelas, kami membuktikan dengan uji statistik
T dengan gambar dibawah ini.
PREDIKTOR COEF SE COEF T P-VALUE
CONSTANT 31,722 0,0456 69,51 0,000
GRUP 0,00259 0,00108 2,41 0,017

28. 22
Gambar 4.5 Kurva Distribusi T dengan α = 0,05 dan DF = n – 2 = 135 – 2 = 133
Output taksiran parameter seperti dalam Tabel 4,4 menunjukkan bahwa t
statistik untuk variabel grup sebesar 2,41 . Derajat bebas (DF) pada analisis
sebesar n - 2 = 135 - 2 = 133. Maka dari grafik, dapat diketahui bahwa T >
T(0,025,133) dan berada pada daerah penolakan dan H0 ditolak berarti 𝛽1 ≠ 0. Maka
kesimpulan akhirnya adalah dugaan adanya pengaruh yang signifikan antara
banyak grup social media terhadap IPK mahasiswa ITS. Dalam arti semakin
banyak grup social media maka IPK mahasiswa ITS semakin tinggi. Kesimpulan
tersebut dipengaruhi oleh hasil pemodelan yang bernilai positif.
0.4
0.3
0.2
0.1
0.0
X
Density
1.978
0.025
0
T=2,41

29. 23
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil analisis di atas disimpulkan bahwa :
1. Didapatkan nilai korelasi yang tertinggi terdapat pada variabel grup sosial
media dan variabel IPK. Nilai p-value pada antar variabel tersebut kurang
dari 0,05 maka dikatakan kedua variabel signifikan dan ada hubungan. Nilai
korelasi kedua variabel juga tinggi, dapat dikatakan bahwa kedua variabel
memiliki hubungan yang kuat. Variabel prediktor (X) adalah banyak grup
sosial media mahasiswa S1 ITS dan variabel respon (Y) adalah nilai IPK
mahasiswa ITS. Karena banyak grup sosial media dapat memengaruhi nilai
IPK mahasiswa S1 ITS.
2. Korelasinya adalah memiliki hubungan yang positif dan signifikan antara
banyak grup social media dengan nilai IPK.
3. Hubungan yang terjadi pada variabel banyak grup dan variabel IPK adalah
hubungan linear yang positif. Pada grafik ditunjukkan oleh data yang
bergerak dari kiri bawah hingga ke kanan atas. Dan asumsi residual
memenuhi asumsi IIDN (Identik, Independen, Distribusi Normal).
4. Berdasarkan model regresi jika banyak grup sosial media meningkat
sebanyak 1 grup, maka nilai IPK yang didapatkan rata-rata akan meningkat
pula sebesar 0,00259. Keragaman atau variasi nilai IPK dapat dijelaskan
oleh banyak grup sosial media sebesar 4,2 % sedangkan 95,8 % dijelaskan
oleh variabel lain di luar model.
5. Bahwa pada pengujian serentak tidak ada parameter model bernilai nol yang
menunjukkan bahwa model regresi linier sederhana yang telah dibuat bisa
dikatakan telah mewakili data yang ada. Artinya parameter regresi
berpengaruh dan signifikan terhadap model. Variable predictor
memengaruhi secara signifikan variable respon.
6. Pengujian parsial menghasilkan dugaan adanya pengaruh yang signifikan
antara banyak grup social media terhadap IPK mahasiswa ITS. Dalam arti
semakin banyak grup social media maka IPK mahasiswa ITS semakin

30. 24
tinggi. Kesimpulan tersebut dipengaruhi oleh hasil pemodelan yang bernilai
positif.

31. 25
5.2 Saran
Percobaan selanjutnya diharapkan untuk lebih memahami apa yang hendak
dipraktikkan sehingga pembuatan laporan akan lebih baik lagi. Peneliti
diharapkan lebih teliti dan lebih cermat dalam pengumpulan data, dalam
melakukan percobaan maupun dalam penginputan data. Pada praktikum
selanjutnya, diharapkan variabel data bisa lebih bervariasi.

32. 26
DAFTAR PUSTAKA
Walpole, Ronald E. 1995. ”Pengantar Statistika”. Edisi ke-3. Jakarta.
PT.Gramedia Pustaka Utama
Iriawan, Nur.2006.”Mengolah Data Statistik dengan Mudah Menggunakan
Minitab 14”. Yogyakarta. Andi Yogyakarta
Dajan, Anto. 1986. Pengantar Metode Statistik Jilid I. Jakarta. Pustaka LP3ES
Indonesia.
(Yuswandy, 2009) , http://www.blogspot.com/regresidankorelasi/, diunduh :12
Desember 2015

33. LAMPIRAN
IPK SKS
ORGANISASI
YANG DIIKUTI
RATA-RATA
JAM
MENGGUNAKAN
MEDSOS
PULSA
BANYAK
GRUP
2,40 18 1 21,0 12500 28
2,80 19 2 21,0 12500 60
3,00 20 1 80,0 12500 3
3,00 20 1 20,0 37500 22
3,00 20 2 14,0 12500 18
3,92 18 3 126,0 15000 79
3,84 20 3 70,0 12500 70
3,01 20 2 10,5 13750 1
3,49 19 2 56,0 45000 27
3,10 21 2 56,0 25000 27
3,20 21 4 140,0 30000 42
3,30 20 0 49,0 50000 55
3,31 20 1 70,0 25000 39
3,40 19 1 77,0 30000 38
3,20 21 1 105,0 45000 32
* * * * * *
3,94 18 2 10 10000 0
3,68 20 3 4,0 20000 1
3,48 20 2 4,0 10000 20
3,90 23 2 70,0 12500 15
3,48 22 1 21,0 20000 22
3,30 18 2 28,0 12500 55
3,65 18 3 28,0 25000 51
3,50 20 2 21,0 15000 30
3,20 20 2 21,0 30000 36
3,14 20 0 70,0 25000 13
3,12 20 2 84,0 15000 70
3,30 21 2 70,0 25000 42
2,78 18 1 24,0 8000 31
3,30 18 1 2,0 45000 53
3,19 20 3 42,0 25000 56