I. PENDAHULUAN

1.1 Latar Belakang

Prestasi belajar merupakan salah satu indikator penting dalam menilai keberhasilan proses pendidikan. Prestasi belajar dipengaruhi oleh berbagai faktor baik yang berasal dari dalam diri individu maupun dari lingkungan. Beberapa faktor internal yang sering dikaitkan dengan keberhasilan akademik adalah kecerdasan intelektual, kecerdasan emosional, dan kecerdasan spiritual.

Kecerdasan intelektual (IQ) berkaitan dengan kemampuan kognitif seseorang dalam berpikir logis, memecahkan masalah, serta memahami konsep-konsep akademik. Sementara itu, kecerdasan emosional (EQ) berhubungan dengan kemampuan individu dalam mengenali, mengelola, dan mengendalikan emosi baik pada diri sendiri maupun orang lain. Selain itu, kecerdasan spiritual (SQ) juga dianggap berperan dalam membentuk nilai, sikap, serta motivasi individu dalam menjalani aktivitas kehidupan, termasuk dalam proses belajar.

Ketiga jenis kecerdasan tersebut diduga memiliki kontribusi terhadap prestasi belajar seseorang. Oleh karena itu, diperlukan suatu metode analisis statistik yang dapat mengkaji pengaruh beberapa variabel bebas secara simultan terhadap satu variabel terikat. Salah satu metode yang dapat digunakan adalah analisis regresi linear berganda. Melalui analisis ini dapat diketahui seberapa besar pengaruh kecerdasan intelektual, emosional, dan spiritual terhadap prestasi belajar.

Berdasarkan latar belakang tersebut, penelitian ini dilakukan untuk menganalisis hubungan serta pengaruh kecerdasan intelektual, kecerdasan emosional, dan kecerdasan spiritual terhadap prestasi belajar menggunakan pendekatan analisis regresi linear berganda.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, maka rumusan masalah dalam penelitian ini adalah sebagai berikut:

  1. Apakah kecerdasan intelektual (IQ) berpengaruh terhadap prestasi belajar?

  2. Apakah kecerdasan emosional (EQ) berpengaruh terhadap prestasi belajar?

  3. Apakah kecerdasan spiritual (SQ) berpengaruh terhadap prestasi belajar?

  4. Apakah kecerdasan intelektual, emosional, dan spiritual secara simultan berpengaruh terhadap prestasi belajar?

  5. Seberapa besar kemampuan variabel IQ, EQ, dan SQ dalam menjelaskan variasi prestasi belajar?

1.3 Tujuan

Tujuan dari penelitian ini adalah sebagai berikut:

  1. Mengetahui pengaruh kecerdasan intelektual (IQ) terhadap prestasi belajar.

  2. Mengetahui pengaruh kecerdasan emosional (EQ) terhadap prestasi belajar.

  3. Mengetahui pengaruh kecerdasan spiritual (SQ) terhadap prestasi belajar.

  4. Mengetahui pengaruh kecerdasan intelektual, emosional, dan spiritual secara simultan terhadap prestasi belajar.

  5. Mengetahui besarnya kemampuan variabel IQ, EQ, dan SQ dalam menjelaskan variasi prestasi belajar.

II. TINJAUAN PUSTAKA

2.1 Data

Prestasi belajar merupakan salah satu indikator yang digunakan untuk menilai keberhasilan seseorang dalam proses pendidikan. Prestasi belajar mencerminkan tingkat pemahaman dan penguasaan individu terhadap materi yang telah dipelajari selama kegiatan pembelajaran berlangsung. Banyak faktor yang dapat memengaruhi prestasi belajar, baik yang berasal dari faktor internal maupun eksternal. Beberapa faktor internal yang sering dikaitkan dengan keberhasilan akademik antara lain kecerdasan intelektual, kecerdasan emosional, dan kecerdasan spiritual yang dimiliki oleh individu.

Kecerdasan intelektual (IQ) berkaitan dengan kemampuan berpikir logis, menganalisis, serta memecahkan masalah yang berhubungan dengan aktivitas akademik. Selain itu, kecerdasan emosional (EQ) berperan dalam kemampuan individu mengelola emosi, menjaga motivasi belajar, serta membangun hubungan sosial yang baik. Sementara itu, kecerdasan spiritual (SQ) berkaitan dengan nilai-nilai moral, kesadaran diri, serta kemampuan individu dalam memaknai berbagai pengalaman kehidupan. Dengan mempertimbangkan ketiga faktor tersebut, penelitian ini bertujuan untuk menganalisis pengaruh kecerdasan intelektual, kecerdasan emosional, dan kecerdasan spiritual terhadap prestasi belajar menggunakan pendekatan analisis regresi linear berganda.

2.2 Analisis Regresi Berganda

Analisis regresi digunakan untuk mengukur seberapa besar pengaruh antara variabel independen terhadap variabel dependen. Apabila terdapat lebih dari satu variabel independent, maka disebut regresi linear berganda. Regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independen. Analisis regresi linear berganda dilakukan untuk mengetahui arah dan seberapa besar pengaruh variabel independen terhadap variabel dependen (Ghozali, 2018). Persamaan regresi yang diharapkan berbentuk: \[ Y=β_0+β_1 X_1+β_2 X_2+⋯+β_n X_n+ε \] Dengan Y merupakan nilai variabel dependen \(β_0\) merupakan nilai konstanta (ketika \(X_i\) bernilai nol), \(β_i\) ,i=1,2,…,n merupakan konstanta dari nilai variabel independen, dan \(ε\) merupakan galat yang berdistribusi normal.

2.3 Uji Asumsi

1. Normalitas

Uji normalitas digunakan dalam model regresi untuk menguji apakah nilai residual yang dihasilkan terdistribusi secara normal atau tidak. Model regresi yang baik adalah model regresi yang memiliki nilai residual yang terdistribusi secara normal. Untuk mendeteksi apakah data berdistribusi normal atau tidak, digunakan analisis statistik non-parametrik one-sample Shapiro-Wilk. Uji Shapiro-Wilk lebih efektif untuk ukuran sampel yang kecil berukuran ≤ 50. Jika pada hasil uji tersebut menunjukkan nilai p − value > α, maka residual data berdistribusi normal.

2. Linearitas

Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi linear. Model regresi yang baik apabila data terdapat hubungan yang linear secara signifikan antara variabel X dengan Y. Jika pada hasil uji tersebut menunjukkan nilai p − value > α, asumsi linearitas terpenuhi

3. Non-Multikolinearitas

Untuk menguji apakah ada hubungan antar variabel bebas dalam regresi. Model yang baik sebaiknya tidak ada hubungan antar variabel bebas. Ada beberapa cara untuk mengetahui adanya multikolinieritas, yaitu dengan menggunakan harga Variance Inflation Factor (VIF). Jika VIF < 10 maka asumsi terpenuhi

4. Non Homoskedastisitas

Uji ini digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas. Jika pada hasil uji tersebut menunjukkan nilai p − value > α, Tidak terjadi gejala heteroskedastisitas (varians residual konstan) dan asumsi homoskedastisitas terpenuhi.

5. Non-Autokorelasi

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (uji DW).Asumsi ini terpenuhi apabila nilai DW berada diantara dU dan 4-dU (diperoleh dari tabel Durbin-Watso) atau p-value > α, maka asumsi non autokorelasi terpenuhi.

2.4 Uji Signifikansi

1. Uji F (Uji Kecocokan Model)

Uji ini merupakan pengujian yang digunakan untuk menentukan ada tidaknya suatu hubungan linear antara variabel dependen atau respon dengan variabel independen. Sehingga hipotesis awal (\(H_0\)) pada uji ini adalah model regresi tidak cocok, dengan kata lain tidak ada hubungan linear antara variabel independen dengan variabel dependen/model tidak sesuai. Model yang baik adalah model yang memiliki suatu hubungan linear antara variabel dependen atau respon dengan variabel independen yaitu p-value< α.

2. Uji t (Uji Signifikansi Paramater)

Uji ini dilakukan untuk mengetahui pengaruh dari masing-masing koefisien parameter dengan hipotesis awal yaitu koefisien parameter tidak berpengaruh terhadap model. Apabila \(H_0\) ditolak (p-value< α), berarti bahwa koefisien dari parameter tersebut memiliki pengaruh yang signifikan terhadap variabel dependennya atau modelnya.

2.5 Koefisien Determinasi

Koefisien determinasi pada regresi linear sering diartikan sebagai seberapa besar kemampuan semua variabel bebas dalam menjelaskan varian dari variabel terikatnya. Secara sederhana koefisien determinasi dihitung dengan mengkuadratkan Koefisien Korelasi (r). Nilai R Square (\(R^2\)) berkisar antara 0 sampai dengan 1. Penggunakan R Square sering menimbulkan permasalahan, yaitu bahwa nilainya akan selalu meningkat dengan adanya penambahan variabel bebas dalam suatu model. Hal ini akan menimbulkan bias, karena jika ingin memperoleh model dengan R-Square tinggi, seorang penelitian dapat dengan sembarangan menambahkan variabel bebas dan nilai R-Square akan meningkat, tidak tergantung apakah variabel bebas tambahan itu berhubungan dengan variabel terikat atau tidak. Oleh karena itu, banyak peneliti yang menyarankan untuk menggunakan Adjusted R Square. Interpretasinya sama dengan R Square, akan tetapi nilai Adjusted R Square dapat naik atau turun dengan adanya penambahan variabel baru, tergantung dari korelasi antara variabel bebastambahan tersebut dengan variabel terikatnya. Nilai Adjusted R Square dapat bernilai negatif, sehingga jika nilainya negatif, maka nilai tersebut dianggap 0, atau variabel bebas sama sekali tidak mampu menjelaskan varian dari variabel terikatnya.

III. METODOLOGI

3.1 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini merupakan data kuantitatif yang terdiri dari empat variabel, yaitu kecerdasan intelektual (IQ), kecerdasan emosional (EQ), kecerdasan spiritual (SQ), dan prestasi belajar pada siswa SLTA. Data yang digunakan berjumlah 35 observasi yang berasal dari artikel di Journal Of Social Science Research.

3.2 Teknik Analisis Data

Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi linear berganda untuk mengetahui pengaruh beberapa variabel bebas terhadap variabel terikat. Model regresi yang digunakan adalah: \[ Y=\beta_0+\beta_1 X_1 +\beta_2 X_2 +...+\beta_n X_n + ε \] Berdasarkan variabel yang kita gunakan, maka didapatkan model \[ Prestasi = \beta_0+\beta_1 IQ +\beta_2 EQ +\beta_3 SQ + ε \] Alat bantu yang digunakan dalam penelitian ini adalah software R Studio. Adapun langkah-langkah analisis data yang dilakukan yaitu sebagai berikut:

  1. Analisis deskriptif

  2. Visualisasi data untuk melihat pola hubungan antar variabel.

  3. Pengestimasian model regresi linear berganda

  4. Pengujian asumsi klasik (Normalitas Residual, Linearitas, Non Multikolinearitas, Non Heteroskedastisitas, Non Autokorelasi)

  5. Pengujian signifikansi model (uji F dan uji t)

  6. Koefisien determinasi (R²) untuk mengetahui besarnya kemampuan variabel bebas dalam menjelaskan variabel terikat.

IV. HASIL DAN PEMBAHASAN

library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
library(ggplot2)
library(car)
## Loading required package: carData
library(corrplot)
## corrplot 0.95 loaded

Input data

Data yang digunakan pada Analisis Regresi Berganda adalah data Prestasi (Y) serta data IQ(X1), EQ(X2), dan SQ(X3)

data <- data.frame(
IQ = c(100,110,95,85,100,90,100,100,110,110,
       100,115,115,117,108,113,115,110,112,115,
       113,113,105,95,85,95,100,101,105,105,
       85,105,100,105,90),

EQ = c(125,165,122,112,120,110,125,125,155,145,
       150,140,160,142,125,145,175,155,155,180,
       155,175,160,122,110,110,132,125,133,144,
       106,135,122,160,120),

SQ = c(82,98,65,55,82,65,80,75,92,90,
       85,95,92,95,77,90,90,83,85,92,
       90,95,95,68,71,72,80,80,85,90,
       65,82,80,90,90),

Prestasi = c(75,85,70,60,70,65,75,70,80,80,
             80,90,90,95,75,85,90,85,85,90,
             85,90,85,70,65,75,70,75,75,80,
             65,80,75,90,75)
)

4.1 Deskripsi Data

summary(data)
##        IQ              EQ              SQ           Prestasi    
##  Min.   : 85.0   Min.   :106.0   Min.   :55.00   Min.   :60.00  
##  1st Qu.:100.0   1st Qu.:122.0   1st Qu.:78.50   1st Qu.:72.50  
##  Median :105.0   Median :135.0   Median :85.00   Median :80.00  
##  Mean   :103.5   Mean   :138.3   Mean   :82.89   Mean   :78.57  
##  3rd Qu.:111.0   3rd Qu.:155.0   3rd Qu.:90.00   3rd Qu.:85.00  
##  Max.   :117.0   Max.   :180.0   Max.   :98.00   Max.   :95.00

4.2 Visualisasi Data

Histogram

par(mfrow=c(2,2))

hist(data$IQ, main="Histogram IQ", xlab="IQ", col="skyblue")
hist(data$EQ, main="Histogram EQ", xlab="EQ", col="lightgreen")
hist(data$SQ, main="Histogram SQ", xlab="SQ", col="orange")
hist(data$Prestasi, main="Histogram Prestasi", xlab="Prestasi", col="red")

Boxplot

boxplot(data$IQ, main="Boxplot IQ", col="skyblue")

boxplot(data$EQ, main="Boxplot EQ", col="lightgreen")

boxplot(data$SQ, main="Boxplot SQ", col="orange")

boxplot(data$Prestasi, main="Boxplot Prestasi", col="red")

Scatter Plot

plot(data$IQ, data$Prestasi,
     main="IQ vs Prestasi",
     xlab="IQ", ylab="Prestasi",
     pch=19, col="blue")

plot(data$EQ, data$Prestasi,
     main="EQ vs Prestasi",
     xlab="EQ", ylab="Prestasi",
     pch=19, col="green")

plot(data$SQ, data$Prestasi,
     main="SQ vs Prestasi",
     xlab="SQ", ylab="Prestasi",
     pch=19, col="red")

pairs(data,
      main="Scatter Plot Matrix",
      pch=19,
      col="blue")

4.3 Model Regresi Linear Berganda

model: \[ Y=\beta_0+\beta_1 X_1 +\beta_1 X_2 +\beta_1 X_3 + \epsilon \\ Prestasi = \beta_0+\beta_1 IQ +\beta_1 EQ +\beta_1 SQ + \epsilon \]

model <- lm(Prestasi ~ IQ + EQ + SQ, data=data)
summary(model)
## 
## Call:
## lm(formula = Prestasi ~ IQ + EQ + SQ, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.6864 -1.4591  0.2065  1.4417  7.2154 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept) -1.13122    6.57496  -0.172  0.86452   
## IQ           0.41060    0.11832   3.470  0.00155 **
## EQ           0.10756    0.05022   2.142  0.04018 * 
## SQ           0.26949    0.09641   2.795  0.00882 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.202 on 31 degrees of freedom
## Multiple R-squared:  0.8813, Adjusted R-squared:  0.8699 
## F-statistic: 76.75 on 3 and 31 DF,  p-value: 1.921e-14

Berdasarkan Output tersebut, didapatkan model awal sebagai berikut:

\[ Prestasi = -1.1312204 + 0.4106006 IQ + 0.1075647 EQ + 0.2694879 SQ \] Persamaan tersebut menunjukkan hubungan antara variabel IQ, EQ, dan SQ sebagai variabel independen dengan Prestasi sebagai variabel dependen. Nilai konstanta sebesar -1.13122 menunjukkan nilai prestasi ketika variabel IQ, EQ, dan SQ dianggap bernilai nol. Meskipun kondisi tersebut tidak selalu terjadi dalam kenyataan, konstanta tetap diperlukan dalam model untuk membentuk persamaan regresi.

Koefisien regresi pada setiap variabel menunjukkan besarnya perubahan prestasi akibat perubahan pada variabel tersebut dengan asumsi variabel lain konstan. Koefisien IQ sebesar 0.41060 berarti setiap peningkatan satu satuan IQ akan meningkatkan prestasi sebesar 0.41060 satuan. Koefisien EQ sebesar 0.10756 menunjukkan bahwa setiap peningkatan satu satuan EQ akan meningkatkan prestasi sebesar 0.10756 satuan. Sedangkan koefisien SQ sebesar 0.26949 menunjukkan bahwa setiap peningkatan satu satuan SQ akan meningkatkan prestasi sebesar 0.26949 satuan. Dengan demikian, ketiga variabel tersebut memiliki hubungan positif terhadap prestasi dalam model yang dihasilkan.

4.4 Uji Asumsi

1. Normalitas Residual

qqnorm(residuals(model))
qqline(residuals(model))

shapiro.test(residuals(model))
## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(model)
## W = 0.9507, p-value = 0.119

Berdasarkan output Shapiro-Wilk normality test didapatkan nilai W = 0.9507 dan p-value = 0.119.
Pada taraf signifikansi α =5%, karena nilai p-value> α yaitu 0.119 > 0,05. Dapat disimpulkan bahwa residual data berdistribusi normal. Asumsi normalitas telah terpenuhi.

2. Linearitas

resettest(model)
## 
##  RESET test
## 
## data:  model
## RESET = 1.1786, df1 = 2, df2 = 29, p-value = 0.322

Berdasarkan Output RESET test didapatkan nilai p-value = 0.322.
Pada taraf signifikansi α =5%, karena nilai p-value> α yaitu 0.322 > 0,05. Dapat disimpulkan bahwa Dapat disimpulkan bahwa terdapat hubungan yang linear antara variabel IQ, EQ, dan SQ. Asumsi linearitas telah terpenuhi.

3. Non Multikolinearitas

vif(model)
##       IQ       EQ       SQ 
## 4.034366 3.571499 3.430358

Ketiga nilai VIF <10, sehingga asumsi Non-Multikolinearitas terpenuhi, maka tidak terdapat hubungan pada variabel IQ, EQ, dan SQ

4. Non Heteroskedastisitas

library(lmtest)
bptest(model)
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 4.2903, df = 3, p-value = 0.2318

Berdasarkan output studentized Breusch-Pagan test didapatkan nilai BP = 4.2903 dan p-value = 0.2318.
Pada taraf signifikansi α =5%, karena nilai p-value> α yaitu 0.2318 > 0,05. Dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas (varians residual konstan). Asumsi Non-Heteroskedastisitas terpenuhi

5. Non Autokorelasi

dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.7354, p-value = 0.1649
## alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan output Durbin-Watson test didapatkan nilai W = 1.7354 dan p-value = 0.1649.
Pada taraf signifikansi α =5%, karena nilai p-value> α yaitu 0.1649 > 0,05. Dapat disimpulkan bahwa tidak terjadi Autokorelasi pada model. Asumsi Non-Autokorelasi terpenuhi terpenuhi

4.5 Uji Signifikansi

1. Uji F

anova(model)
## Analysis of Variance Table
## 
## Response: Prestasi
##           Df  Sum Sq Mean Sq  F value    Pr(>F)    
## IQ         1 2165.09 2165.09 211.1790 2.201e-15 ***
## EQ         1  115.56  115.56  11.2711  0.002096 ** 
## SQ         1   80.10   80.10   7.8129  0.008823 ** 
## Residuals 31  317.82   10.25                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Berdasarkan output ANOVA didapatkan nilai F value = 211.179, 11.2711, 7.8129 dan p-value = 0, 0.0021, 0.00882.
Pada taraf signifikansi α =5%, karena nilai p-value < α yaitu 0, 0.0021, 0.00882 < 0,05. Dapat disimpulkan bahwa model regresi cocok. Model yang terbentuk dapat digunakan

2. Uji t

summary(model)
## 
## Call:
## lm(formula = Prestasi ~ IQ + EQ + SQ, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.6864 -1.4591  0.2065  1.4417  7.2154 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept) -1.13122    6.57496  -0.172  0.86452   
## IQ           0.41060    0.11832   3.470  0.00155 **
## EQ           0.10756    0.05022   2.142  0.04018 * 
## SQ           0.26949    0.09641   2.795  0.00882 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.202 on 31 degrees of freedom
## Multiple R-squared:  0.8813, Adjusted R-squared:  0.8699 
## F-statistic: 76.75 on 3 and 31 DF,  p-value: 1.921e-14

Berdasarkan output ANOVA didapatkan nilai t value = 3.4704, 2.1418, 2.7952 dan p-value = 0.0016, 0.0402, 0.0088.
Pada taraf signifikansi α =5%, karena nilai p-value < α yaitu 0.0016, 0.0402, 0.0088< 0,05. Sehingga dapat disimpulkan bahwa koefisien parameter berpengaruh signifikan atau variabel 1Q, EQ, SQ berpengaruh signifikan terhadap variabel Prestasi

4.6 Koefisien Determinasi

summary(model)$r.squared
## [1] 0.8813456

Berdasarkan Output tersebut didapatkan nilai \[ R^2 = 0.8813456 \] artinya sebesar 88.13% variabilitas dari variabel Prestasi dapat dijelaskan oleh model, sedangkan 11.87% lainnya dijelaskan oleh faktor lain diluar model atau error.

4.7 Model Akhir

Berdasarkan uji F, model regresi awal yang dibentuk cocok digunakan untuk melakukan analisis lebih lanjut. Berdasarkan uji t, koefisien parameter regresi X yaitu \(β_1,β_2,β_3\) berpengaruh signifikan terhadap model Y, sehingga model akhir yang didapatkan sama dengan modal awal yang dibentuk, yaitu \[ Prestasi = -1.1312204 + 0.4106006 IQ + 0.1075647 EQ + 0.2694879 SQ \]

V. KESIMPULAN

Berdasarkan hasil analisis regresi linear berganda yang telah dilakukan untuk mengetahui pengaruh IQ, EQ, dan SQ terhadap prestasi, diperoleh model persamaan regresi sebagai berikut: \[ Prestasi = -1.1312204 + 0.4106006 IQ + 0.1075647 EQ + 0.2694879 SQ \]

Model tersebut menunjukkan bahwa setiap peningkatan pada variabel IQ, EQ, dan SQ cenderung meningkatkan nilai prestasi, dengan asumsi variabel lainnya konstan. Hasil uji simultan (uji F) menunjukkan bahwa variabel IQ, EQ, dan SQ secara bersama-sama berpengaruh signifikan terhadap prestasi, yang ditunjukkan oleh nilai p-value < α (0,05). Selain itu, nilai koefisien determinasi (R²) sebesar 0.8813456 menunjukkan bahwa sekitar 88,13% variasi prestasi dapat dijelaskan oleh variabel IQ, EQ, dan SQ, sedangkan sisanya sebesar 11,87% dipengaruhi oleh faktor lain di luar model penelitian ini.

Secara parsial, hasil uji t menunjukkan bahwa masing-masing variabel yaitu IQ, EQ, dan SQ memiliki pengaruh yang signifikan terhadap prestasi, karena nilai p-value < α (0,05). Hal ini menunjukkan bahwa peningkatan pada masing-masing variabel tersebut akan diikuti oleh peningkatan prestasi. Dengan demikian dapat disimpulkan bahwa IQ, EQ, dan SQ merupakan faktor penting yang memengaruhi prestasi, baik secara simultan maupun secara parsial dalam model regresi yang digunakan pada penelitian ini.