๐ Analisis Regresi Linier Berganda terhadap Indeks Performansi Siswa
Lintang Asmara
2026-06-01
1 ๐ค๏ธ Pendahuluan
Analisis regresi linier berganda digunakan untuk mengetahui pengaruh beberapa variabel independen terhadap variabel dependen. Pada penelitian ini digunakan variabel Jam Belajar, Nilai Sebelumnya, Jam Tidur, dan Jumlah Latihan Soal untuk menganalisis pengaruhnya terhadap Indeks Performansi siswa.
๐ Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi performansi akademik siswa.
3 ๐ Membaca Data
data_student <- read_excel(
"Dataset Rpubs.xlsx",
sheet = "Sheet1"
)
names(data_student) <- c(
"Jam_Belajar",
"Nilai_Sebelumnya",
"Jam_Tidur",
"Jumlah_Latihan_Soal",
"Indeks_Performansi"
)
head(data_student)## # A tibble: 6 ร 5
## Jam_Belajar Nilai_Sebelumnya Jam_Tidur Jumlah_Latihan_Soal Indeks_Performansi
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 7 99 9 1 91
## 2 4 82 4 2 65
## 3 8 51 7 2 45
## 4 5 52 5 2 36
## 5 7 75 8 5 66
## 6 3 78 9 6 614 ๐ Eksplorasi Data
4.1 โจ Struktur Data
## tibble [50 ร 5] (S3: tbl_df/tbl/data.frame)
## $ Jam_Belajar : num [1:50] 7 4 8 5 7 3 7 8 5 4 ...
## $ Nilai_Sebelumnya : num [1:50] 99 82 51 52 75 78 73 45 77 89 ...
## $ Jam_Tidur : num [1:50] 9 4 7 5 8 9 5 4 8 4 ...
## $ Jumlah_Latihan_Soal: num [1:50] 1 2 2 2 5 6 6 6 2 0 ...
## $ Indeks_Performansi : num [1:50] 91 65 45 36 66 61 63 42 61 69 ...4.2 ๐ Statistik Deskriptif
## Jam_Belajar Nilai_Sebelumnya Jam_Tidur Jumlah_Latihan_Soal
## Min. :1.0 Min. :43.0 Min. :4.00 Min. :0.00
## 1st Qu.:3.0 1st Qu.:61.0 1st Qu.:4.25 1st Qu.:2.00
## Median :5.0 Median :73.0 Median :7.00 Median :3.00
## Mean :5.2 Mean :70.9 Mean :6.38 Mean :3.42
## 3rd Qu.:7.0 3rd Qu.:80.5 3rd Qu.:8.00 3rd Qu.:5.00
## Max. :9.0 Max. :99.0 Max. :9.00 Max. :9.00
## Indeks_Performansi
## Min. :17.00
## 1st Qu.:42.25
## Median :59.00
## Mean :56.58
## 3rd Qu.:68.75
## Max. :91.004.2.1 ๐ Interpretasi
Berdasarkan hasil statistik deskriptif, diketahui bahwa rata-rata jam belajar siswa berada pada kisaran sedang. Nilai sebelumnya siswa juga cukup beragam sehingga dapat digunakan sebagai salah satu faktor yang mempengaruhi performansi siswa.
5 ๐ Matriks Korelasi
## Jam_Belajar Nilai_Sebelumnya Jam_Tidur
## Jam_Belajar 1.00000000 -0.09605930 0.25499890
## Nilai_Sebelumnya -0.09605930 1.00000000 -0.08188918
## Jam_Tidur 0.25499890 -0.08188918 1.00000000
## Jumlah_Latihan_Soal 0.02297419 0.09440160 -0.11641242
## Indeks_Performansi 0.35037200 0.89061957 0.07375574
## Jumlah_Latihan_Soal Indeks_Performansi
## Jam_Belajar 0.02297419 0.35037200
## Nilai_Sebelumnya 0.09440160 0.89061957
## Jam_Tidur -0.11641242 0.07375574
## Jumlah_Latihan_Soal 1.00000000 0.13104824
## Indeks_Performansi 0.13104824 1.000000005.0.1 ๐ Interpretasi
Nilai sebelumnya memiliki hubungan paling kuat dengan indeks performansi siswa dibandingkan variabel lainnya.
6 ๐ Scatter Plot Variabel X terhadap Y
par(mfrow = c(2,2))
plot(
data_student$Jam_Belajar,
data_student$Indeks_Performansi,
xlab = "Jam Belajar",
ylab = "Indeks Performansi",
main = "Jam Belajar vs Performansi",
col = "#5DADE2",
pch = 19
)
abline(
lm(Indeks_Performansi ~ Jam_Belajar,
data = data_student),
col = "red",
lwd = 2
)
plot(
data_student$Nilai_Sebelumnya,
data_student$Indeks_Performansi,
xlab = "Nilai Sebelumnya",
ylab = "Indeks Performansi",
main = "Nilai Sebelumnya vs Performansi",
col = "#5DADE2",
pch = 19
)
abline(
lm(Indeks_Performansi ~ Nilai_Sebelumnya,
data = data_student),
col = "red",
lwd = 2
)
plot(
data_student$Jam_Tidur,
data_student$Indeks_Performansi,
xlab = "Jam Tidur",
ylab = "Indeks Performansi",
main = "Jam Tidur vs Performansi",
col = "#5DADE2",
pch = 19
)
abline(
lm(Indeks_Performansi ~ Jam_Tidur,
data = data_student),
col = "red",
lwd = 2
)
plot(
data_student$Jumlah_Latihan_Soal,
data_student$Indeks_Performansi,
xlab = "Jumlah Latihan Soal",
ylab = "Indeks Performansi",
main = "Latihan Soal vs Performansi",
col = "#5DADE2",
pch = 19
)
abline(
lm(Indeks_Performansi ~ Jumlah_Latihan_Soal,
data = data_student),
col = "red",
lwd = 2
)
7 ๐ Model Regresi Linier Berganda
model <- lm(
Indeks_Performansi ~
Jam_Belajar +
Nilai_Sebelumnya +
Jam_Tidur +
Jumlah_Latihan_Soal,
data = data_student
)
summary(model)##
## Call:
## lm(formula = Indeks_Performansi ~ Jam_Belajar + Nilai_Sebelumnya +
## Jam_Tidur + Jumlah_Latihan_Soal, data = data_student)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.8345 -1.0767 0.0231 1.1952 3.8653
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -34.22763 1.78496 -19.176 <2e-16 ***
## Jam_Belajar 2.91780 0.11587 25.181 <2e-16 ***
## Nilai_Sebelumnya 1.01512 0.01798 56.463 <2e-16 ***
## Jam_Tidur 0.42913 0.16051 2.674 0.0104 *
## Jumlah_Latihan_Soal 0.27049 0.11594 2.333 0.0242 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.944 on 45 degrees of freedom
## Multiple R-squared: 0.988, Adjusted R-squared: 0.9869
## F-statistic: 926.3 on 4 and 45 DF, p-value: < 2.2e-168 ๐งช Uji Asumsi Regresi
8.1 ๐ธ Uji Normalitas
##
## Shapiro-Wilk normality test
##
## data: residuals_model
## W = 0.97455, p-value = 0.35088.2 ๐ธ Uji Heteroskedastisitas
##
## studentized Breusch-Pagan test
##
## data: model
## BP = 3.4122, df = 4, p-value = 0.49148.3 ๐ธ Uji Autokorelasi
##
## Durbin-Watson test
##
## data: model
## DW = 2.2459, p-value = 0.812
## alternative hypothesis: true autocorrelation is greater than 0
10 ๐ Kesimpulan
Berdasarkan hasil analisis regresi linier berganda, diketahui bahwa Jam Belajar, Nilai Sebelumnya, Jam Tidur, dan Jumlah Latihan Soal berpengaruh terhadap Indeks Performansi siswa.
Model regresi yang diperoleh juga telah memenuhi asumsi klasik sehingga layak digunakan untuk analisis dan prediksi.