PENGARUH EMOTIONAL INTELLIGENCE EI TERHA (1)
PENGARUH EMOTIONAL INTELLIGENCE (EI) TERHADAP PRESTASI
BELAJAR MATEMATIKA SISWA SMP NEGERI 1 MALANG
MENGGUNAKAN PENERAPAN REGRESI BERGANDA
ANALYSIS PRINCIPAL COMPONENT
Oleh
Muhammad Fahrudin Mh
Jurusan Matematika FMIPA Universitas Negeri Malang.
Pembimbing : Bapak Drs. H. M. Shohibul Kahfi, M.Pd
Penguji Utama : Bapak Drs. Askury, M.Pd
Bapak Drs Dwiyana M.Pd
E-mail: [email protected]
ABSTRAK : Salah satu faktor yang mempengaruhi prestasi belajar matematika
Siswa adalah Emotional Intelligence (EI). Analisis regresi komponen utama
merupakan suatu analisis yang dapat digunakan untuk mengetahui besarnya
pengaruh Emotional Intelligence (EI) terhadap prestasi belajar Matematika. Metode
penelitian yang digunakan dalam penelitian ini adalah penelitian kuantitatif dengan
menggunakan metode penelitian survey. Hasil dari penelitian ini adalah (1) besarnya
pengaruh Emotional Intelligence (EI) terhadap hasil belajar Matematika sebesar
44,9%, (2) model matematika yang menggambarkan hubungan antara aspek
Emotional Intelligence (EI ) yang berpengaruh signifikan terhadap Prestasi Belajar
Matematika siswa kelas VIII SMPN 1 Malang, yaitu:
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3
+ 0,777783547 X4 + 0,591634716 X5
Kata kunci : Regresi Berganda, Principal Component Analysis, Emotional
Intelligence (EI) , Prestasi Belajar Matematika
Penulis
Pembimbing
Muhammad Fahrudin Mh
NIM : 906312403574
Drs. H. M. Shohibul Kahfi, M.Pd
NIP 195902191984031001
Penguji Utama
Penguji II
Drs. Askury, M.Pd
NIP 195111071974121001
Drs. Dwiyana, M.Pd
NIP 195403061982031005
THE AFFECT OF EMOTIONAL INTELLIGENCE (EI) TO THE
ACHIEVEMENT OF MATHEMATICS LEARNING IN GRADE VIII
SMPN 1 MALANG TO USE IMPLEMENTASI MULTIPLE
REGRESSION ANALYSIS PRINCIPAL COMPONENT.
By
Muhammad Fahrudin Mh
Mathematics Department, Mathematics and Science Faculty,
State University of Malang.
Advisors
: Mr. Drs. H. M. Shohibul Kahfi, M.Pd
Examiner
: Mr Drs. Askury, M.Pd
Mr Drs Dwiyana M.Pd
E-mail: [email protected]
ABSTRACT: One of the factors that affect student mathematics achievement is
Emotional Intelligence (EI). Principal Component Analysis is an analysis that
can be used to determine the influence of learn Emotional Intelligence (EI ) to the
result of mathematics learning. The method used in this research is a quantitative
study using survey research methods The result of observation that is (1) the
amount of affect learn Emotional Intelligence (EI) to the result of mathematics
learning is 44,9%, (2) The mathematical model that describes the relationship
between aspects of the learn Emotional Intelligence (EI) a significant effect on
to the result of mathematict learning in grade VIII SMPN 1 Malang, that is
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3 +
0,777783547 X4 + 0,591634716 X5
Key words : Multiple Regression, Principal Component Analysis, Emotional
Intelligence (EI), Achievement of Mathematics Learning
Pendidikan pada dasarnya adalah usaha sadar untuk menumbuh kembangkan
potensi sumber daya manusia dengan cara mendorong dan memfasilitasi kegiatan
belajarnya. Belajar adalah aktivitas terstruktur yang dilakukan seseorang untuk
memperoleh pengetahuan. Semakin tinggi tingkat kecerdasan intelektual (IQ)
seseorang maka semakin pandai pula orang tersebut (Goleman, 2005). Untuk dapat
berprestasi dalam bidang akademik seseorang harus memiliki IQ yang tinggi.
Kesuksesan seseorang, bukan hanya dipengaruhi oleh tingkat IQ saja, akan
tetapi masih banyak faktor lain yang berpengaruh seperti tingkat emosi, potensi diri,
lingkungan, dan faktor-faktor lainnya (Goleman, 2005). Patton (1997:2),
menambahkan bahwa IQ hanya mendukung 20% dari faktor-faktor yang menentukan
keberhasilan, 80% sisanya berasal dari faktor lain termasuk kecerdasan emosional
(EI). Menyikapi uraian diatas, penguasaan intelektual sudah selayaknya di iringi
dengan penguasaan emosi yang baik oleh setiap siswa, dikarenakan kemauan belajar
setiap siswa dipengaruhi oleh emosi.
Analisis regresi berganda merupakan metode untuk menyelidiki hubungan
antara satu variabel tak bebas dengan beberapa variabel bebas yang memenuhi
dengan asumsi tidak ada multikolerasi. Tidak dipenuhinya asumsi tersebut akan
menimbulkan kesulitan dalam mengidentifikasi seberapa besar pengaruh dari setiap
variabel terhadap variabel tak bebasnya. Sehingga diperlukan suatu metode yang
dapat mengatasi masalah multikolerasi agar diperoleh suatu model regresi yang
representatif. Salah satu metode yang dapat digunakan untuk mengatasi kasus
multikolerasi adalah dengan methode Analysis Principal Component
Sehingga untuk mengetahui pengaruh Emotional Intelligence (EI) terdahap
prestasi belajar siswa yang di asumsiakn akan terjadi multikolerasi diperlukan suatu
analisis model matematika, yaitu Analysis Principal Component.
Analysis Principal Component adalah salah satu metode statistik yang
digunakan untuk menyederhanakan variabel bebas dengan cara mereduksi. Dengan
demikian tampak bahwa regresi Analysis Principal Component merupakan analisis
dari variabel tak bebas terhadap komponen utama yang tidak saling berkolerasi.
Dalam penelitian ini menggunakan data tentang pengaruh Emotional
Intelligence (EI) terhadap prestasi belajar matematika siswa. Variabel tak bebas yang
digunakan adalah prestasi belajar siswa, sedangkan variabel bebasnya yang
digunakan adalah kesadaran diri atau pengenalan emosi diri , Pengaturan diri atau
mengelola emosi, motivasi, empati, dan keterampilan sosial. Berdasarkan latar
belakang diatas penelitian ini mengangkat judul “Pengaruh Emotional Intelligence
(EI) Terhadap Prestasi Belajar Matematika Siswa SMP Negri 1 Malang
Menggunakan Penerapan Regresi Berganda Analysis Principal Component”.
Rumuskan masalah adalah adakah pengaruh yang signifikan antara
Emotional Intelligence (EI) terhadap prestasi belajar matematika siswa SMPN 1
Malang yang dianalisis menggunakan regresi berganda Analysis Principal
Component?
Tujuan penelitian untuk menunjukkan adanya hubungan yang signifikan
antara Emotional Intelligence (EI) terhadap hasil belajar matematika siswa SMPN 1
Malang yang dianalisis menggunakan regresi berganda Analysis Principal
Component
A. Pengertian Emotional Quotient (EQ)
Secara umum bahwa Emotional Intelligence (EI) atau kecerdasan emosi
merupakan kemampuan seseorang untuk memahami diri sendiri atau orang lain
dengan menggunakan perasaannya untuk dapat memandu pikiran dan tindakan.
Solovey dalam Goleman (2005:57) kecerdasan Emosional menjadi lima komponen
yaitu kemampuan mengenali emosi diri sendiri, mengelola emosi, memotivasi diri
sendiri, mengenali emosi orang lain, dan membina hubungan dengan orang lain.
1. Mengenali emosi diri (Pengenalan diri atau kesadaran diri)
Kemampuan mengenali emosi diri merupakan dasar kecerdasan emosional
yaitu kesadaran sendiri untuk menggali perasaan dari waktu ke waktu dalam
kehidupan individu pada dasarnya dimensi ini untuk mengetahui kondisi diri sendiri,
kesukaan, sumber daya dan institusi, seperti: kesadaran emosi, penilaian diri secara
teliti dan percaya diri.
2. Mengelola emosi (Pengendalian diri atau Pengaturan diri)
Memberi tekanan pada mengelola kondisi, impuls dan sumber daya diri
sendiri, seperti: kendali diri, sifat dapat dipercaya, kewaspadaan, dan inovasi.
3. Memotivasi diri sendiri (Motivasi)
Kemampuan memotivasi diri merupakan kemampuan individu dalam
mengarahkan dan mendorng segala daya upaya dirinya terhadap pencapaian tujuan
yang diharapkan. Kecendrungan emosi yang mengantar atau memudahkan peralihan
sasaran, seperti: dorongan prestasi, komitmen, inisiatif dan optimisme.
4. Mengenali emosi orang lain (Empati)
Kemampuan memahami perasaan orang lain serta mengkomunikasikan
pemahaman pada orang lain. Kesadaran terhadap perasaan, kebutuhan dan
kepentingan orang lain, seperti: memahami orang lain, orientasi pelayanan,
mengembangkan orang lain, mengatasi keragaman dan kesadaran politis.
5. Membina hubungan dengan orang lain (Ketrampilan Sosial)
yaitu ketrampilan sosial ini ditunjukkan dengan kemampuan meyakinkan
orang lain, kemampuan berkomunikasi dengan baik, kemampuan mengelola konflik
dan berorganisasi atau bekerja sama dengan orang lain seperti: pengaruh,
komunikasi, kepemimpinan, katalisator perubahan, manajemen konflik, pengikat
jaringan, kolaborasi dan kooperasi serta kemampuan tim
B. Peran Emotional Intelligence (EI) terhadap Prestasi Belajar
Emotional Intelligence (EI) mempunyai peranan penting dalam meraih
kesuksesan pribadi dan professional, dikarenakan dalam interkasi antar pribadi
dibutuhkan Emotional Intelligence (EI) yang dapat mengatur serta mengenali emosi
yang ada dalam diri pribadi maupun orang lain sehingga dapat menginterpretasikan
tindakannya secara tepat. Berdasarkan hal ini, dapat disimpulkan bahwa dengan
adanya kecerdasan emosional yang rendah akan menyebabkan kesulitan dalam
memusatkan perhatian (konsentrasi) pada saat proses belajar mengajar dan dengan
demikian akan menyebabkan prestasi siswa akan mengalami kemerosotan.
C. Pengertian Prestasi Belajar
Belajar adalah suau proses usaha yang dilakukan seseorang untuk
memperoleh suatu perubahan tingkah laku baru secara keseluruhan, sebagai hasil
pengalamannya sendiri sebagai interaksi dengan lingkungannya. Prestasi belajar
adalah hasil dari pengukuran terhadap peserta didik yang meliputi faktor kognitif,
afektif dan psikomotor setelah mengikuti proses pembelajaran yang diukur dengan
menggunakan instrumen tes atau instrumen yang relevan.
Prestasi belajar banyak dipengaruhi oleh beberapa faktor, diantaranya adalah
faktor internal dan faktor eksternal, (W. S. Winkel, 1986: 43). Faktor internal adalah
factor yang berasal dari individu anak itu sendiri yang meliputi: Faktor Jasmaniah
(fisiologis), yang termasuk faktor ini antara lain: penglihatan, pendengaran, struktur
tubuh dan sebagainya. Faktor psikologis, yang termasuk faktor psikologis antara lain:
intelektul (taraf intelegensi, kemampuan belajar, dan cara belajar). Non intelektual
(motifasi belajar, sikap, perasaan, minat, kondisi psikis, dan kondisi akibat keadaan
sosiokultur). Faktor kondisi fisik. Faktor eksternal Yang termasuk faktor eksternal
antara lain: factor yang berasal dari lingkungan individu anak itu sendiri yang
meliputi faktor pengaturan belajar di sekolah (kurikulum, disiplin sekolah, guru,
fasilitas belajar, dan pengelompokan siswa), Faktor sosial di sekolah (sistem sosial,
status sosial siswa, dan interaksi guru dan siswa), Faktor situasional (keadaan politi
ekonomi, keadaan waktu dan tempat atau iklim).
D. Analisis Regresi Linier Berganda
Analisis regresi merupakan teknik statistik yang memberikan penjelasan
tentang hubungan antara dua variabel atau lebih. Dalam analisis regresi dikenal dua
jenis variabel yaitu variabel bebas (X) dapat juga disebut variabel prediktor, variabel
penjelas dan variabel tak bebas (Y) adalah variabel yang nilainya dipengaruhi
variabel bebas. Variabel bebas dapat juga disebut variabel respon
Dalam regresi berganda terdapat satu variabel tak bebas yang akan dilihat
hubunganya dengan dua atau lebih variabel bebasnya, misal variabel Y dapat
dinyatakan dengan fungsi dari beberapa variabel X1,X2,X3,...,Xk yang diketahui dan
terdapat faktor sisa. Model regresi sebagai berikut :
................(3.1) (Parmadi 1999)
i
= 1,2,3,...,n
= nilai pengamatan ke-i
Yi
X1....Xk = variabel bebas yang menentukan nilai pengamatan ke- i
= konstanta regresi
= koefisien – koefisien regresi sebagian (parsial) untuk variabel X1....Xk
= faktor sisaan ke – i
n
= banyakknya pengamatan
Draper dan smith (1992), menyatakan beberapa kriteria yang digunakan
untuk melihat tepat tidaknya model regresi yang diperoleh, salah satunya yaitu
dengan melihat koefisien determinasi berganda (R2)
Koefisien determinasi merupakan pengukuran keberartian persamaan regresi
atau untuk mengukur kecocokan model data. Nilai R2 dapat dinyatakan dengan
persen dan dicari dengan membandingkan jumlah kuadrat regresi (JKregresi) dengan
Jumlah Kuadrat Total (JKTotal) dan didefinisikan sebagai berikut:
Semakin besar nilai R2 maka taksiran model regresinya yang diperoleh semakin baik
dan sebaliknya jika nilai R2 semakin kecil maka taksiran model regresi yang
diperoleh tidak baik. Pada regresi berganda variabel Y akan bergantung pada dua
atau lebih variabel bebas dengan kata lain variabel yang terjadi pada variabel tak
bebas dipengaruhi oleh lebih dari satu variabel bebas. Masalah penting dalam
penerapan analisis regresi berganda adalah pemilihan variabel bebas yang dapat
digunakan dalam model agar diperoleh persamaan regresi terbaik yang mengandung
sebagian atau seluruh variabel bebas.
E. Multikolinearitas
Multikolinearitasi adalah kejadian yang muncul di dalam model regresi jika
satu variabel atau variabel bebas berkolerasi sangat tinggi sehingga sulit untuk
memisahkan pengaruh masing – masing kedalam variabel tak bebas (Permadi
1999:68). Menurut Yitnosumarto dalam (Parmadi, 1999: 68-69), jika andaian dari
variabel atau variabel bebas adalah bebas sesamanya tidak terpengaruhi sehingga
salah satu dari variabel atau variabel X merupakan kombinasi linier dari X lainnya,
jika pada regresi Y tersebut variabel atau variabel bebas X saling berkorelasi
sesamanya maka dapat dikatakan bahwa regresi tersebut disifati oleh adanya
multikolinearitas
Metode yang digunakan untuk melihat ada tidaknya multikolinearitas dalam
suatu persamaan regresi yaitu
• Koefisien Korelasi antar variabel Bebas
Cara yang paling mudah dan sederhana untuk mengetahui ada tidaknya
korelasi antara variabel bebas dengan melihat korelasi antara dua variabel bebas
kolinearitas terjadi jika r dekat dengan ± 1, dan tidak terjadi jika r = 0 (Sembiring
1995 : 284)
• Dengan melihat Elemen Matriks Korelasi
Multikolinearitas dapat dilihat pada elemen matriks korelasi. Jika korelasi
antara variabel bebas lebih besar daripada korelasi antara variabel bebas dengan
variabel terikatnya, maka terjadi kasus multikolinearitas (Parmadi, 1999).
• VIF (Variance Inflation Factor)
Metode lain untuk menetahui multikolinearitas adalah menghitung besarnya
multikolinearitas tiap variabel bebas dengan faktor keragaman inflasi (VIF). VIF
didefinisikan sebagai berikut:
!
"
adalah koefisien determinasi berganda dari variabel Xk dengan semua
variabel bebas yang lain. Semakin besar nilai VIF maka multikolinearitas lebih
sempurna, hal ini disebabkan jika VIF besar maka "
makin kecil sehingga nilai
besar. (Hocking 1996:274) mengatakan Jika VIF > 10 maka korelasi diantara
variabel bebasnya sangat tinggi. Dengan kata lain terjadi multikolinearitas.
Sedangkan Irawan dan Astuti (2006:235) menyatakan bila VIF >1 berarti ada
korelasi antara variabel prediktor . Perbandingan #$
dan #$ % dapat juga
digunakan sebagai ukuran multikolinearitas. Nilai hasil perbandingan ini disebut
&'()*
bilangan kondisi K, dalam persamaan dinyatakan
&'+,
Multikolinearitas dianggap lemah jika nilai K berada dalam 5 < k < 30,
dianggap sedang hingga kuat jika nilai K terletak dalam selang 30 < k < 100, dan
menjadi sangat kuat jika k 100 (Sembiring, 1995: 285). Permasalahan
multikolinearitas ini harus diatasi, salah satunya dengan Analysis Principal
Component
F. Principal Component Analysis
Principal Component Analysis bertujuan untuk mendapatkan variabel baru
yang saling bebas dan merupakan kombinasi linier dari variabel asalnya. Pada
Principal Component Analysis, vektor variabel penjelas asal yaitu
X = (X1,X2,...,Xk) ditransformasikan menjadi vektor variabel baru yaitu
K = (K1,K2,...,Kq) dengan q ≤ k
Dalam bentuk persamaan dinyatakan sebagai :
Ki = a1iX1 + a2iX2 +...+ akiXk = a’iX...............................(5.1)
Dimana
- . - . - = Vektor ciri
- =1
-. /- . - . - 0
Sedemikian sehingga variabel – variabel K1 , K2 ,... Kq saling bebas satu sama lain
dan variabel Kq menjelaskan sebesar mungkin proporsi keragaman dari vektor
variabel penjelas asal (Suryanto, 1988: 201)
1. Cara Menentukan Principal Component
• Menggunakan Matrik Ragram Peragam (Varian Covarian)
Jika didefinisikan sebagai matrik konstan berukuran 1 2, maka Principal
Component didefinisikan sebagai kombinasi dari k variabel penjelas asal yang
dinyatakan dalam bentuk matrik berikut:
-3
64 6
4 6 4 5
5
5
5
5
-% - %
%
Dengan : X = Matrik kolom variabel asal
a’= matrik velktor ciri
atau dalam bentuk kombinasi linear adalah
5
-%
- %
- % .........................................(6.1)
,
,...,
disebut Principal Component dari X. Jika matrik ragam peragaman
dari variabel asal Xi dilambangkan dengan ∑n maka didapatkan ragam Ki dan
peragaman dari Ki masing – masing Principal Component yaitu
-78 9 :/8 " :8 998 " :8 99 0
/8;
" :8; 998- " :8- 99 0
/8; 8 " :8 9998- 8 " :8 999 0
; :/8 " :8 998 " :8 99 0 ;
; ?@ . A B : C8 " :8 99@ A " :8 A 9B D
C8;
" :8;
99@-A
" :8-A 9B D
C8; 8 " :8 999@-A 8 " :8 99B D
; :/8 " :8 998 " :8 99 0 ;A
; < ;A
EF .G
. H. . 2
Misal S matrik ragamperagam atau varian konvarian. Menurut (suryanto 1988)
S didefinisikan sebagai berikut :
=>?8
9
-78 9
=>?8
9
=>?8
9
9
-78 9
=>?8
I 4
6
5
5
5
5
=>?8
9 =>?8
9
-78 9
Akar karakteristik (λ) dari S matrik adalah berikut :
JI " # J
Sedangkan vektor karakteristik (V) adalah sebagai berikut
JI " # J
Komponen utama ke – i yang merupakan kombinasi linear terbobot variabel asal
bertujuan untuk memaksimalkan var (Ki) dan tidak berkorelasi dengan komponen
utama yang lain, melainkan bersifat ortogonal dengan komponen utama yang lain
oleh karena itu Ki hanya memenuhi batasan ; ;
. ; ;A
E GKF
Untuk menafsirkan hasil Principal Component yang dipilih dengan melihat
benan – beban komponen, yaitu dengan memilih Principal Component yang sudah
mencakup semua variabel. Beban untuk Xi Principal Component Yi adalah koefisien
kolerasi momen hasil kali antara Xi dan Yi jika beban ini dinyatakan dalam tanda bij
maka bik = L MN ) (Suryanto, 1988: 208)
+)
Menggunakan Matriks Korelasi
Bila Principal Component dihasilkan dari matrik ragam – peragam maka
komposisi dari Principal Component tergantung pada satuan pengukuran yang tidak
sama yaitu dengan membentuk Principal Component dari matrik korelasi. Bila k
variabel asal diukur dengan satuan pengukuran berbeda maka variabel tersebut
ditransformasikan ke dalam skor baku. Pembakuan variabel asal X ke dalam skor
baku ke dalam variabel Z dapat dilakukan dengan menggunakan rumus: O A
•
P+Q RSQ
MTQU
.........................................................(6.4)
Dalam bentuk matrik Z = (X – )(V1/2)-1 dengan V1/2 adalah matrik diagonal
simpangan baku, sedangkan elemen yang lain adalah nol dan dalam bentuk ( V1/2)-1
dapat ditulis sebagai berikut:
YMTU
]
X Z
\
X
\
V R
U
X
\ ^ _ ` .....................(6.5)
MT
@
B
U
X
\
MTQU
5
X 5
\
5
X
\
MTQU
W
[
Hubungan antara matrik ragam – peragam dengan matrik korelasi R dapat
dinyatakan dengan
88 V 9R 9 1)
2. Memilih m buah Principal Component sebagai penyumbang terbesar terhadap
keragaman data yang menghasilkan total keragaman lebih dari 0,75
( 1) Iriawan dan Astuti (2006: 235) yang berarti ada multikolinearitas di dalam
variabel bebasnya besar. Setelah persamaan regresi liniear berganda diketahui, maka
di lakukan pengujian asumsi. Selanjutnya dilakukan pengujian koefisien regresi yang
dapat dilihat pada tabel berikut
Tabel 4.1 Pengujian Regresi Secara Serentak
Sumber
Derajat Bebas
Jumlah Kuadrat
Kuadrat Tengah
Fhitung
Variansi
(db)
(JK)
(KT)
Regresi
5
2420,31
484,06
13,31
Galat
47
1708,86
36,36
Total
52
4129,17
Tabel 4.2 Pengujian Koefisien Regresi Secara Individual
Variabel Bebas
Koefisien
Simpangan Baku
Thitung
X1
0,9915
0,3407
2,91
X2
0,8627
0,5238
1,65
X3
0,9104
0,3701
2,46
X4
-1,2992
0,6887
-1,89
X5
0,0525
0,5482
0,10
B. Identifikasi Multikolinearitas
Dari matriks korelasi, dapat diketahui bahwa variabel bebas yang mempunyai
nilai P. Value kurang dari = 0,05 adalah X1,X2,X3,X4 dan X5 selanjutnya
multikolenieritas dapat dilihat dengan membandingkan koefisien antara variabe X1,
X2, X3, X4 dan X5 dengan Y dari data dapat dilihat pada tabel 4.3 berikut
Tabel 4.3 Koefisien Korelasi Antara Variabel Bebas dengan variabel Tak Bebas
X1
X2
X3
X4
X5
X2
0,586
0,000
X3
0,627
0,677
0,000
0,000
X4
0,539
0,412
0,652
0,000
0,002
0,000
X5
0,651
0,576
0,742
0,678
0,000
0,000
0,000
0,000
Y
0,650
0,632
0,650
0,324
0,528
0,000
0,000
0,000
0,018
0,000
Dari matrik korelasi terlihat bahwa antara peubah penjelas terdapat korelasi
yang besar atau terdapat multikolinearitas pada peubah penjelas. Melalui analisis
tehadap elemen matrik kolerasi diketahui bahwa koefisien korelasi 7y yz lebih besar
daripada 7{y ; 7y y| lebih besar daripada 7{y ; 7y|y , 7y|P}, 7y|yz lebih besar
daripada 7{y| ; 7y}y , 7y}P , 7y}P|, 7y}yz lebih besar daripada 7{y} ;
7yzy , 7yzP , 7yzy| 7yzy} lebih besar daripada 7{yz . Terlihat bahwa terjadi kasus
multikolinieritas, yaitu X3 berkolerasi dengan X2, X4, X5 ; X4 berkolerasi dengan X1,
X2, X3, X5 ; X5 berkolerasi dengan X1, X2, X3, X4 . Karena terjadi kasus
multikolinierlitas maka diperlukan model analisis yang lain salah satuya adalah
Regresion Principal Component Analysis.
C. Regresion Principal Component Analysis.
Langkah pertama adalah mentransformasikan variabel bebas ke dalam
variabel baku Z Selanjutnya dilakukan perhitungan akar ciri, keragaman total, dan
keragaman komulatif seperti pada tabel di bawah ini :
Tabel 4.4 Akar Ciri Dari Matriks Korelasi
Akar Ciri
3,4672
0,6093
0,4123
0,2831
0,2280
Kragaman total
0,693
0,122
0,082
0,057
0,046
Keragaman komulatif
0,693
0,815
0,898
0,954
1,000
Selanjutnya adalah menghitung skor Principal Component dan meregresikan
tiap skor komponen utama dengan variabel Y sehingga diperoleh persamaan regresi
Y = 84,3 – 3,21 K1 + 3,59 K2 + 1,36 K3 – 0,93 K4 – 2,96 K5............(4.c.1)
S = 6,02981 R-Sq = 58,6% R-Sq(adj) = 54,2%
Adapun hasil pengujian koefisien regresi komponen utama secara serentak dapat
dilihat pada tabel di bawah ini:
Tabel 4.5 Pengujian Koefisien Regresi Komponen Utama Secara Serentak
Sumber Derajat Bebas Jumlah Kuadrat Kuadrat Tengah Fhitung
Variansi
(db)
(JK)
(KT)
Regresi 5
2420,31
484,06
13,31
Galat
47
1708,86
36,36
Total
52
4129,17
Langkah berikutnya yaitu menggunakan jumlah komponen utama yang
digunakan dalam membentuk model. Diketahui pada tabel akar ciri yang lebih besar
dari 1( j > 1 , j = 1,2,3,4,5,6,) yaitu 1 maka komponen utama yang terpilih adalah
pada data yaitu K1. Komponen utama yang terbentuk merupakan kombinasi linier
terbobot dari variabel bebas yang di bakukan dapat ditulis dengan:
K1 = – 0,438487 Z1 – 0,417 259 Z2 – 0 ,480290 Z3 – 0,422629 Z4 – 0 ,473636 Z5....*
Selanjutnya meregresikan skor komponen utama dengan variabel Y dan
menghasilkan regresi komponen utama
Y = 84,3 - 3,21 K1...........................................................(4.c.2)
S = 6,67813 R-Sq = 44,9% R-Sq(adj) = 43,8%
Predictor
Coef
SE Coef
T
P
Constant
84,3019
0,9173
91,90 0,000
-3,2073
0,4974
-6,45 0,000
K1
Dari output analisis regresi komponen Utama dengan peubah bebas K1 diatas
terlihat bahwa model sangat tepat atau bagus dalam menjelaskan data (Nilai – P <
0,05) serta nilai R-Sq yang cukup besar yaitu 44,9%. Koefisien variabel penjelas K1
mempunyai pengaruh yang nyata terhadap respon. Karena hanya digunakan satu
variabel penjelas K1 maka nilai VIF tidak keluar karena secara otomatis tidak ada
multikolinearitas.
Selanjutnya substitusi K1 ke dalam persamaan regresi diatas maka diperoleh
persamaan regresi:
Y = 84,3 + 1,40754327 Z1 + 1,33940139 Z2 + 1,5417309 Z3 + 1,35663909 Z4 +
1,52037156 Z5.........................................................(4.c.3)
Karena persamaan regresi tersebut mash dalam bentuk data yang dibakukan, maka
persamaan harus dikembalikan lagi menjadi persamaan dengan variabel asal langkah
–langkah dalam mengembalikan ke dalam variabel asal sebagai berikut:
• Konstanta untuk persamaan asal didapat dari koefisien regresi dalam bentuk baku
dikali dengan negatif rataan dibagi dengan standar deviasinya. Ini dihitung untuk
semua peubah penjelas. Kemudian untuk mendapat konstantanya hasil semua
ditambahkan dengan konstanta persamaan regresi dalam bentuk baku.
• Untuk koefisien regresinya, koefisien regresi dalam bentuk baku dibagi standar
deviasi masing-masing. (Septiani pontoh : 2006)
sehingga didapat persamaan regresi:
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3 +
0,777783547 X4 + 0,591634716 X5
Untuk menguji signifikansi koefisien regresi komponen utama secara individual
digunakan Uji t
Tabel 4.6 Pengujian Koefisien Regresi Komponen Utama Secara Individual
Variabel bebas Koefisien (Ci) Ragam (Var (Ci))
Thitung
X1
0,404907774
0,022150832
2,720577451
X2
0,59034035
0,022622373
3,924943307
X3
0,386786229
0,006760068
4,704305129
X4
0,777783547
0,0328373
4,292151416
0,591634716
0,023704226
3,842737831
X5
PEMBAHASAN
A. Hasil Analisis Regresi Linier Berganda
Pengaruh Emotional Intelligence terhadap prestasi belajar serta komponen
apa saja yang paling berpngaruh pada Emotional Intelligence (EI) terhadap prestasi
belajar. Dari persamaan regresi dapat diketahui bahwa prestasi belajar siswa selain
dipngaruhi oleh kecerdasan intelegensi juga di pengaruhi oleh kecerdasan emosional.
Berdasarkan tabel 4.1 disimpulkan bahwa nilai Fhitung = 13,31 sedangkan nilai dari
Ftabel = 2,41 dengan taraf signifikan 0,95. Karena nilai Fhitung > Ftabel maka model
mempunyai hubungan linier. Nilai Ttabel = 2,00665 sehingga berdasarkan tabel 4.2
terlihat bahwa nilai Thitung dari koefisien X2, X4 dan X5 kurang dari nilai Ttabel
sehingga disimpulkan bahwa variabel bebas tidak signivikan terhadap model regresi
B. Hasil Principal Component Analysis
Principal Component Analysis dilakukan dengan menggunakan matriks
korelasi. Berdasarkan persamaan analisis 4.c.1 dapat disimpulkan bahwa variabel Y
dapat diterangkan oleh skor komponen utama sebesar 58,6 % dan sisanya 41,4 %
dipengaruhi oleh variabel lain di luar model. Misal keuletan, tingkat
Intelegensi,ketelitian dan lain – lain Setelah meregresikan komponen utama yang
terpilih maka sesuai persamaan 4.c.2 disimpulkan bahwa variabel yang dipilih
adalah K1 dengan keragaman sisa 44,9%
Berdasarkan penilaian variabel pada penelitian ini, maka faktor paling domain yang
mempengaruhi Emotional Intelligence (EI) terhadap prestasi belajar matematika
siswa adalah pengendalian diri atau kesadaran diri. Semakin siswa siswa bisa
mengndalikan diri atau kesadaran dirinya maka semakin tinggi pula potensi
akademiknya karena siswa tahu apa kekurangan dan kelebihan dari dalam dirinya.
Faktor yang lain yang juga mempengaruhi Emotional Intelligence (EI) adalah
Pengaturan diri atau pengendalian emosi diri, motivasi, empati, ketrampilan sosial.
C. Pengaruh Emotional Intelligence (EI) Terhadap prestasi Belajar
Matematika Dengan Principal Component Analysis
Berdasarkan hasil analisis di atas, variabel asal dijelaskan oleh komponen
utama yang terbentuk, yaitu K1maka apabila skor komponen variabel tersebut
diregresikan dengan variabel Y sehingga diperoleh model regresi sebagai berikut:
Y = 84,3 - 3,21 K1
S = 6,67813 R-Sq = 44,9% R-Sq(adj) = 43,8%. Dari persamaan tersebut dapat
diketahui bahwa komponen utama K1 menerangkan 44,9% keragaman total dalam
data sedangkan 55,1% sisanya diterangkan diluar model. Apabila disubstitusikan
dengan komponen utama yang terbentuk merupakan kombinasi linier terbobot dari
variabel bebas yang di bakukan
K1 = – 0,438487 Z1 – 0,417 259 Z2 – 0 ,480290 Z3 – 0,422629 Z4 – 0 ,473636 Z5
Diperoleh
Y = 84,3 + 1,40754327 Z1 + 1,33940139 Z2 + 1,5417309 Z3 + 1,35663909 Z4 +
1,52037156 Z5
Apabila persamaan tersebut diubah ke dalam persamaan regresi yang memuat
variabel asal maka persamaan regresi tersebut menjadi
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3 +
0,777783547 X4 + 0,591634716 X5
Persamaan regresi yang didapat sudah memenuhi semua pengujian yang dilakukan.
Sehingga dapat disimpulkan pengaruh Emotional Intelligence (EI) terhadap prestasi
belajar siswa sebesar 44,9%
SIMPULAN DAN SARAN
Dengan demikian dapat ditarik kesimpulan bahwa pengaruh Emotional Intelligence
(EI) terhadap prestasi belajar matematika siswa sebesar 44,9%. Dari Tabel 4.2 nilai
Thitung dari koefisien X2, X4 dan X5 kurang dari nilai Ttabel sehingga dapat disimpulkan
bahwa variabel bebas tidak signivikan terhadap model regresi. Sedangkan setelah
dilakukan Analysis Principal Component terlihat nilai Thitung dari koefisien X1, X2,
X3, X4 dan X5 lebih besar dari nilai Ttabel sehingga dapat disimpulkan bahwa variabel
bebas signivikan terhadap model regresi
Adapun saran yang dapat peneliti adalah sebagai berikut :
1. Bagi sekolah hendaknya pendidikan yang diberikan tidak hanya pendidikan
intelegensi saja melainkan pendidikan emosional dan spiritual
2. R-Sq yang di peroleh masih kurang tinggi walaupun sudah diperoleh model yang
tepat untuk menginterpretasikanpengaruh Emotional Intelligence (EI) terhadap
prestasi belajar matematka siswa tetapi model tersebut cukup dapat digunakan
dengan baik untuk memprediksi hasil belajar siswa berdasarkan Emotional
Intelligence (EI)
3. Untuk peneliti selanjutnya disarankan menambah variabel bebas selain yang
terdapat dalam penelitian ini dan menggunakan metode analisis yang lain unuk
mengatasi multikolinearitas dan memperbesar nilai R-Sq dan R-Sq(adj).
DAFTAR PUSTAKA
Arikunto, Suharsimi. 2010. Prosedur Penelitian Suatu Pendekatan Praktek. Jakarta:
Rineka Cipta.
Cooper. K Robert dkk. 2002. Kecerdasan Emosional Dalam Kepemimpinan Dan
Organisasi. Jakarta : Gramedia Pustaka Utama
Draper N. And Smith. H. 1992. Analisis Regresi Terapan. Jakarta: Gramedia Pustaka
Utama
Eka Maslahah, Ratna. 2007. Pengaruh Kecerdasan Emosional Terhadap Tingkat
Pemahaman Akuntansi Dengan Kepercayaan Diri Sebagai Variabel
Pemoderasi. Skripsi tidak diterbitkan. Yogyakarta: Fakultas Ekonomi
Universitas Islam Indonesia
Goleman, Daniel. 2005. Emotional Intelegence. Mengapa EI Lebih Penting daripada
IQ. Terjemahan oleh T. Harmaya. Jakarta: Gramedia Pustaka Tama.
Hasan, Iqbal. 2002. Pokok – Pokok Materi Metodologi Penelitian dan Aplikasinya.
Jakarta: Ghalia Indonesia.
Hocking, Ronald R. 1996. Methods and Aplications of Linear Models: Regression
and the Analysis of Varianc. New York: John Wiley and Sons.
Iriawan, Nur & Astuti, Septi Puji. 2006. Mengolah Data Statistik dengan
Menggunakan Minitab 14. Yogyakarta: ANDI.
Mutiah, Alifatul. 2012 Implementasi AnalisisKomponen Utama dalam regresi
Berganda pada Kasus Penyakit Tekanan Darah Tinggi. Skripsi tidak
diterbitkan. Malang: Fakultas MIPA Universitas Negeri Malang
Patton, P. 1997. EI (Kecerdasan Emosional) di Tempat Kerja. Terjemahan oleh Zaini
Dahlan. Jakarta: Pustaka Delapratosa.
Permadi, Hendro. 1999. Teknik Analisis Regresi. Malang: Universitas Negeri
Malang.
Sembiring, R. K. 1995. Analisis Regresi. Bandung: ITB Bandung.
Sugiyono. 2008. Metode Penelitian Bisnis (Pendekatan Kuantitatif, Kualitatif dan
R&D). Bandung: CV Alfabeta.
Suryanto. 1988. Metode Statistika Multvariat. Jakarta: Departemen Pendidikan dan
Kebudayaan
Septiani pontoh, reza. 2006. Modul Panduan Penggunaan Minitab 14 Dalam Analisis Data.
(online), (http://www.scribd.com/doc/120780345/109975769-ModulMinitab-pdf, diakses tanggal 8 Juli 2013).
Winkel, W.S. 1986. Psikologi Pendidikan dan Evaluasi Belajar. Jakarta: Gramedia
Pustaka Tama.
Jurnal oleh Muhammad Fahrudin Mh ini
telah diperiksa dan disetujui.
Malang, ....... Agustus 2013
Penulis
Pembimbing
Muhammad Fahrudin Mh
NIM : 906312403574
Drs. H. M. Shohibul Kahfi, M.Pd
NIP 195902191984031001
Penguji Utama
Penguji II
Drs. Askury, M.Pd
NIP 195111071974121001
Drs. Dwiyana, M.Pd
NIP 195403061982031005
BELAJAR MATEMATIKA SISWA SMP NEGERI 1 MALANG
MENGGUNAKAN PENERAPAN REGRESI BERGANDA
ANALYSIS PRINCIPAL COMPONENT
Oleh
Muhammad Fahrudin Mh
Jurusan Matematika FMIPA Universitas Negeri Malang.
Pembimbing : Bapak Drs. H. M. Shohibul Kahfi, M.Pd
Penguji Utama : Bapak Drs. Askury, M.Pd
Bapak Drs Dwiyana M.Pd
E-mail: [email protected]
ABSTRAK : Salah satu faktor yang mempengaruhi prestasi belajar matematika
Siswa adalah Emotional Intelligence (EI). Analisis regresi komponen utama
merupakan suatu analisis yang dapat digunakan untuk mengetahui besarnya
pengaruh Emotional Intelligence (EI) terhadap prestasi belajar Matematika. Metode
penelitian yang digunakan dalam penelitian ini adalah penelitian kuantitatif dengan
menggunakan metode penelitian survey. Hasil dari penelitian ini adalah (1) besarnya
pengaruh Emotional Intelligence (EI) terhadap hasil belajar Matematika sebesar
44,9%, (2) model matematika yang menggambarkan hubungan antara aspek
Emotional Intelligence (EI ) yang berpengaruh signifikan terhadap Prestasi Belajar
Matematika siswa kelas VIII SMPN 1 Malang, yaitu:
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3
+ 0,777783547 X4 + 0,591634716 X5
Kata kunci : Regresi Berganda, Principal Component Analysis, Emotional
Intelligence (EI) , Prestasi Belajar Matematika
Penulis
Pembimbing
Muhammad Fahrudin Mh
NIM : 906312403574
Drs. H. M. Shohibul Kahfi, M.Pd
NIP 195902191984031001
Penguji Utama
Penguji II
Drs. Askury, M.Pd
NIP 195111071974121001
Drs. Dwiyana, M.Pd
NIP 195403061982031005
THE AFFECT OF EMOTIONAL INTELLIGENCE (EI) TO THE
ACHIEVEMENT OF MATHEMATICS LEARNING IN GRADE VIII
SMPN 1 MALANG TO USE IMPLEMENTASI MULTIPLE
REGRESSION ANALYSIS PRINCIPAL COMPONENT.
By
Muhammad Fahrudin Mh
Mathematics Department, Mathematics and Science Faculty,
State University of Malang.
Advisors
: Mr. Drs. H. M. Shohibul Kahfi, M.Pd
Examiner
: Mr Drs. Askury, M.Pd
Mr Drs Dwiyana M.Pd
E-mail: [email protected]
ABSTRACT: One of the factors that affect student mathematics achievement is
Emotional Intelligence (EI). Principal Component Analysis is an analysis that
can be used to determine the influence of learn Emotional Intelligence (EI ) to the
result of mathematics learning. The method used in this research is a quantitative
study using survey research methods The result of observation that is (1) the
amount of affect learn Emotional Intelligence (EI) to the result of mathematics
learning is 44,9%, (2) The mathematical model that describes the relationship
between aspects of the learn Emotional Intelligence (EI) a significant effect on
to the result of mathematict learning in grade VIII SMPN 1 Malang, that is
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3 +
0,777783547 X4 + 0,591634716 X5
Key words : Multiple Regression, Principal Component Analysis, Emotional
Intelligence (EI), Achievement of Mathematics Learning
Pendidikan pada dasarnya adalah usaha sadar untuk menumbuh kembangkan
potensi sumber daya manusia dengan cara mendorong dan memfasilitasi kegiatan
belajarnya. Belajar adalah aktivitas terstruktur yang dilakukan seseorang untuk
memperoleh pengetahuan. Semakin tinggi tingkat kecerdasan intelektual (IQ)
seseorang maka semakin pandai pula orang tersebut (Goleman, 2005). Untuk dapat
berprestasi dalam bidang akademik seseorang harus memiliki IQ yang tinggi.
Kesuksesan seseorang, bukan hanya dipengaruhi oleh tingkat IQ saja, akan
tetapi masih banyak faktor lain yang berpengaruh seperti tingkat emosi, potensi diri,
lingkungan, dan faktor-faktor lainnya (Goleman, 2005). Patton (1997:2),
menambahkan bahwa IQ hanya mendukung 20% dari faktor-faktor yang menentukan
keberhasilan, 80% sisanya berasal dari faktor lain termasuk kecerdasan emosional
(EI). Menyikapi uraian diatas, penguasaan intelektual sudah selayaknya di iringi
dengan penguasaan emosi yang baik oleh setiap siswa, dikarenakan kemauan belajar
setiap siswa dipengaruhi oleh emosi.
Analisis regresi berganda merupakan metode untuk menyelidiki hubungan
antara satu variabel tak bebas dengan beberapa variabel bebas yang memenuhi
dengan asumsi tidak ada multikolerasi. Tidak dipenuhinya asumsi tersebut akan
menimbulkan kesulitan dalam mengidentifikasi seberapa besar pengaruh dari setiap
variabel terhadap variabel tak bebasnya. Sehingga diperlukan suatu metode yang
dapat mengatasi masalah multikolerasi agar diperoleh suatu model regresi yang
representatif. Salah satu metode yang dapat digunakan untuk mengatasi kasus
multikolerasi adalah dengan methode Analysis Principal Component
Sehingga untuk mengetahui pengaruh Emotional Intelligence (EI) terdahap
prestasi belajar siswa yang di asumsiakn akan terjadi multikolerasi diperlukan suatu
analisis model matematika, yaitu Analysis Principal Component.
Analysis Principal Component adalah salah satu metode statistik yang
digunakan untuk menyederhanakan variabel bebas dengan cara mereduksi. Dengan
demikian tampak bahwa regresi Analysis Principal Component merupakan analisis
dari variabel tak bebas terhadap komponen utama yang tidak saling berkolerasi.
Dalam penelitian ini menggunakan data tentang pengaruh Emotional
Intelligence (EI) terhadap prestasi belajar matematika siswa. Variabel tak bebas yang
digunakan adalah prestasi belajar siswa, sedangkan variabel bebasnya yang
digunakan adalah kesadaran diri atau pengenalan emosi diri , Pengaturan diri atau
mengelola emosi, motivasi, empati, dan keterampilan sosial. Berdasarkan latar
belakang diatas penelitian ini mengangkat judul “Pengaruh Emotional Intelligence
(EI) Terhadap Prestasi Belajar Matematika Siswa SMP Negri 1 Malang
Menggunakan Penerapan Regresi Berganda Analysis Principal Component”.
Rumuskan masalah adalah adakah pengaruh yang signifikan antara
Emotional Intelligence (EI) terhadap prestasi belajar matematika siswa SMPN 1
Malang yang dianalisis menggunakan regresi berganda Analysis Principal
Component?
Tujuan penelitian untuk menunjukkan adanya hubungan yang signifikan
antara Emotional Intelligence (EI) terhadap hasil belajar matematika siswa SMPN 1
Malang yang dianalisis menggunakan regresi berganda Analysis Principal
Component
A. Pengertian Emotional Quotient (EQ)
Secara umum bahwa Emotional Intelligence (EI) atau kecerdasan emosi
merupakan kemampuan seseorang untuk memahami diri sendiri atau orang lain
dengan menggunakan perasaannya untuk dapat memandu pikiran dan tindakan.
Solovey dalam Goleman (2005:57) kecerdasan Emosional menjadi lima komponen
yaitu kemampuan mengenali emosi diri sendiri, mengelola emosi, memotivasi diri
sendiri, mengenali emosi orang lain, dan membina hubungan dengan orang lain.
1. Mengenali emosi diri (Pengenalan diri atau kesadaran diri)
Kemampuan mengenali emosi diri merupakan dasar kecerdasan emosional
yaitu kesadaran sendiri untuk menggali perasaan dari waktu ke waktu dalam
kehidupan individu pada dasarnya dimensi ini untuk mengetahui kondisi diri sendiri,
kesukaan, sumber daya dan institusi, seperti: kesadaran emosi, penilaian diri secara
teliti dan percaya diri.
2. Mengelola emosi (Pengendalian diri atau Pengaturan diri)
Memberi tekanan pada mengelola kondisi, impuls dan sumber daya diri
sendiri, seperti: kendali diri, sifat dapat dipercaya, kewaspadaan, dan inovasi.
3. Memotivasi diri sendiri (Motivasi)
Kemampuan memotivasi diri merupakan kemampuan individu dalam
mengarahkan dan mendorng segala daya upaya dirinya terhadap pencapaian tujuan
yang diharapkan. Kecendrungan emosi yang mengantar atau memudahkan peralihan
sasaran, seperti: dorongan prestasi, komitmen, inisiatif dan optimisme.
4. Mengenali emosi orang lain (Empati)
Kemampuan memahami perasaan orang lain serta mengkomunikasikan
pemahaman pada orang lain. Kesadaran terhadap perasaan, kebutuhan dan
kepentingan orang lain, seperti: memahami orang lain, orientasi pelayanan,
mengembangkan orang lain, mengatasi keragaman dan kesadaran politis.
5. Membina hubungan dengan orang lain (Ketrampilan Sosial)
yaitu ketrampilan sosial ini ditunjukkan dengan kemampuan meyakinkan
orang lain, kemampuan berkomunikasi dengan baik, kemampuan mengelola konflik
dan berorganisasi atau bekerja sama dengan orang lain seperti: pengaruh,
komunikasi, kepemimpinan, katalisator perubahan, manajemen konflik, pengikat
jaringan, kolaborasi dan kooperasi serta kemampuan tim
B. Peran Emotional Intelligence (EI) terhadap Prestasi Belajar
Emotional Intelligence (EI) mempunyai peranan penting dalam meraih
kesuksesan pribadi dan professional, dikarenakan dalam interkasi antar pribadi
dibutuhkan Emotional Intelligence (EI) yang dapat mengatur serta mengenali emosi
yang ada dalam diri pribadi maupun orang lain sehingga dapat menginterpretasikan
tindakannya secara tepat. Berdasarkan hal ini, dapat disimpulkan bahwa dengan
adanya kecerdasan emosional yang rendah akan menyebabkan kesulitan dalam
memusatkan perhatian (konsentrasi) pada saat proses belajar mengajar dan dengan
demikian akan menyebabkan prestasi siswa akan mengalami kemerosotan.
C. Pengertian Prestasi Belajar
Belajar adalah suau proses usaha yang dilakukan seseorang untuk
memperoleh suatu perubahan tingkah laku baru secara keseluruhan, sebagai hasil
pengalamannya sendiri sebagai interaksi dengan lingkungannya. Prestasi belajar
adalah hasil dari pengukuran terhadap peserta didik yang meliputi faktor kognitif,
afektif dan psikomotor setelah mengikuti proses pembelajaran yang diukur dengan
menggunakan instrumen tes atau instrumen yang relevan.
Prestasi belajar banyak dipengaruhi oleh beberapa faktor, diantaranya adalah
faktor internal dan faktor eksternal, (W. S. Winkel, 1986: 43). Faktor internal adalah
factor yang berasal dari individu anak itu sendiri yang meliputi: Faktor Jasmaniah
(fisiologis), yang termasuk faktor ini antara lain: penglihatan, pendengaran, struktur
tubuh dan sebagainya. Faktor psikologis, yang termasuk faktor psikologis antara lain:
intelektul (taraf intelegensi, kemampuan belajar, dan cara belajar). Non intelektual
(motifasi belajar, sikap, perasaan, minat, kondisi psikis, dan kondisi akibat keadaan
sosiokultur). Faktor kondisi fisik. Faktor eksternal Yang termasuk faktor eksternal
antara lain: factor yang berasal dari lingkungan individu anak itu sendiri yang
meliputi faktor pengaturan belajar di sekolah (kurikulum, disiplin sekolah, guru,
fasilitas belajar, dan pengelompokan siswa), Faktor sosial di sekolah (sistem sosial,
status sosial siswa, dan interaksi guru dan siswa), Faktor situasional (keadaan politi
ekonomi, keadaan waktu dan tempat atau iklim).
D. Analisis Regresi Linier Berganda
Analisis regresi merupakan teknik statistik yang memberikan penjelasan
tentang hubungan antara dua variabel atau lebih. Dalam analisis regresi dikenal dua
jenis variabel yaitu variabel bebas (X) dapat juga disebut variabel prediktor, variabel
penjelas dan variabel tak bebas (Y) adalah variabel yang nilainya dipengaruhi
variabel bebas. Variabel bebas dapat juga disebut variabel respon
Dalam regresi berganda terdapat satu variabel tak bebas yang akan dilihat
hubunganya dengan dua atau lebih variabel bebasnya, misal variabel Y dapat
dinyatakan dengan fungsi dari beberapa variabel X1,X2,X3,...,Xk yang diketahui dan
terdapat faktor sisa. Model regresi sebagai berikut :
................(3.1) (Parmadi 1999)
i
= 1,2,3,...,n
= nilai pengamatan ke-i
Yi
X1....Xk = variabel bebas yang menentukan nilai pengamatan ke- i
= konstanta regresi
= koefisien – koefisien regresi sebagian (parsial) untuk variabel X1....Xk
= faktor sisaan ke – i
n
= banyakknya pengamatan
Draper dan smith (1992), menyatakan beberapa kriteria yang digunakan
untuk melihat tepat tidaknya model regresi yang diperoleh, salah satunya yaitu
dengan melihat koefisien determinasi berganda (R2)
Koefisien determinasi merupakan pengukuran keberartian persamaan regresi
atau untuk mengukur kecocokan model data. Nilai R2 dapat dinyatakan dengan
persen dan dicari dengan membandingkan jumlah kuadrat regresi (JKregresi) dengan
Jumlah Kuadrat Total (JKTotal) dan didefinisikan sebagai berikut:
Semakin besar nilai R2 maka taksiran model regresinya yang diperoleh semakin baik
dan sebaliknya jika nilai R2 semakin kecil maka taksiran model regresi yang
diperoleh tidak baik. Pada regresi berganda variabel Y akan bergantung pada dua
atau lebih variabel bebas dengan kata lain variabel yang terjadi pada variabel tak
bebas dipengaruhi oleh lebih dari satu variabel bebas. Masalah penting dalam
penerapan analisis regresi berganda adalah pemilihan variabel bebas yang dapat
digunakan dalam model agar diperoleh persamaan regresi terbaik yang mengandung
sebagian atau seluruh variabel bebas.
E. Multikolinearitas
Multikolinearitasi adalah kejadian yang muncul di dalam model regresi jika
satu variabel atau variabel bebas berkolerasi sangat tinggi sehingga sulit untuk
memisahkan pengaruh masing – masing kedalam variabel tak bebas (Permadi
1999:68). Menurut Yitnosumarto dalam (Parmadi, 1999: 68-69), jika andaian dari
variabel atau variabel bebas adalah bebas sesamanya tidak terpengaruhi sehingga
salah satu dari variabel atau variabel X merupakan kombinasi linier dari X lainnya,
jika pada regresi Y tersebut variabel atau variabel bebas X saling berkorelasi
sesamanya maka dapat dikatakan bahwa regresi tersebut disifati oleh adanya
multikolinearitas
Metode yang digunakan untuk melihat ada tidaknya multikolinearitas dalam
suatu persamaan regresi yaitu
• Koefisien Korelasi antar variabel Bebas
Cara yang paling mudah dan sederhana untuk mengetahui ada tidaknya
korelasi antara variabel bebas dengan melihat korelasi antara dua variabel bebas
kolinearitas terjadi jika r dekat dengan ± 1, dan tidak terjadi jika r = 0 (Sembiring
1995 : 284)
• Dengan melihat Elemen Matriks Korelasi
Multikolinearitas dapat dilihat pada elemen matriks korelasi. Jika korelasi
antara variabel bebas lebih besar daripada korelasi antara variabel bebas dengan
variabel terikatnya, maka terjadi kasus multikolinearitas (Parmadi, 1999).
• VIF (Variance Inflation Factor)
Metode lain untuk menetahui multikolinearitas adalah menghitung besarnya
multikolinearitas tiap variabel bebas dengan faktor keragaman inflasi (VIF). VIF
didefinisikan sebagai berikut:
!
"
adalah koefisien determinasi berganda dari variabel Xk dengan semua
variabel bebas yang lain. Semakin besar nilai VIF maka multikolinearitas lebih
sempurna, hal ini disebabkan jika VIF besar maka "
makin kecil sehingga nilai
besar. (Hocking 1996:274) mengatakan Jika VIF > 10 maka korelasi diantara
variabel bebasnya sangat tinggi. Dengan kata lain terjadi multikolinearitas.
Sedangkan Irawan dan Astuti (2006:235) menyatakan bila VIF >1 berarti ada
korelasi antara variabel prediktor . Perbandingan #$
dan #$ % dapat juga
digunakan sebagai ukuran multikolinearitas. Nilai hasil perbandingan ini disebut
&'()*
bilangan kondisi K, dalam persamaan dinyatakan
&'+,
Multikolinearitas dianggap lemah jika nilai K berada dalam 5 < k < 30,
dianggap sedang hingga kuat jika nilai K terletak dalam selang 30 < k < 100, dan
menjadi sangat kuat jika k 100 (Sembiring, 1995: 285). Permasalahan
multikolinearitas ini harus diatasi, salah satunya dengan Analysis Principal
Component
F. Principal Component Analysis
Principal Component Analysis bertujuan untuk mendapatkan variabel baru
yang saling bebas dan merupakan kombinasi linier dari variabel asalnya. Pada
Principal Component Analysis, vektor variabel penjelas asal yaitu
X = (X1,X2,...,Xk) ditransformasikan menjadi vektor variabel baru yaitu
K = (K1,K2,...,Kq) dengan q ≤ k
Dalam bentuk persamaan dinyatakan sebagai :
Ki = a1iX1 + a2iX2 +...+ akiXk = a’iX...............................(5.1)
Dimana
- . - . - = Vektor ciri
- =1
-. /- . - . - 0
Sedemikian sehingga variabel – variabel K1 , K2 ,... Kq saling bebas satu sama lain
dan variabel Kq menjelaskan sebesar mungkin proporsi keragaman dari vektor
variabel penjelas asal (Suryanto, 1988: 201)
1. Cara Menentukan Principal Component
• Menggunakan Matrik Ragram Peragam (Varian Covarian)
Jika didefinisikan sebagai matrik konstan berukuran 1 2, maka Principal
Component didefinisikan sebagai kombinasi dari k variabel penjelas asal yang
dinyatakan dalam bentuk matrik berikut:
-3
64 6
4 6 4 5
5
5
5
5
-% - %
%
Dengan : X = Matrik kolom variabel asal
a’= matrik velktor ciri
atau dalam bentuk kombinasi linear adalah
5
-%
- %
- % .........................................(6.1)
,
,...,
disebut Principal Component dari X. Jika matrik ragam peragaman
dari variabel asal Xi dilambangkan dengan ∑n maka didapatkan ragam Ki dan
peragaman dari Ki masing – masing Principal Component yaitu
-78 9 :/8 " :8 998 " :8 99 0
/8;
" :8; 998- " :8- 99 0
/8; 8 " :8 9998- 8 " :8 999 0
; :/8 " :8 998 " :8 99 0 ;
; ?@ . A B : C8 " :8 99@ A " :8 A 9B D
C8;
" :8;
99@-A
" :8-A 9B D
C8; 8 " :8 999@-A 8 " :8 99B D
; :/8 " :8 998 " :8 99 0 ;A
; < ;A
EF .G
. H. . 2
Misal S matrik ragamperagam atau varian konvarian. Menurut (suryanto 1988)
S didefinisikan sebagai berikut :
=>?8
9
-78 9
=>?8
9
=>?8
9
9
-78 9
=>?8
I 4
6
5
5
5
5
=>?8
9 =>?8
9
-78 9
Akar karakteristik (λ) dari S matrik adalah berikut :
JI " # J
Sedangkan vektor karakteristik (V) adalah sebagai berikut
JI " # J
Komponen utama ke – i yang merupakan kombinasi linear terbobot variabel asal
bertujuan untuk memaksimalkan var (Ki) dan tidak berkorelasi dengan komponen
utama yang lain, melainkan bersifat ortogonal dengan komponen utama yang lain
oleh karena itu Ki hanya memenuhi batasan ; ;
. ; ;A
E GKF
Untuk menafsirkan hasil Principal Component yang dipilih dengan melihat
benan – beban komponen, yaitu dengan memilih Principal Component yang sudah
mencakup semua variabel. Beban untuk Xi Principal Component Yi adalah koefisien
kolerasi momen hasil kali antara Xi dan Yi jika beban ini dinyatakan dalam tanda bij
maka bik = L MN ) (Suryanto, 1988: 208)
+)
Menggunakan Matriks Korelasi
Bila Principal Component dihasilkan dari matrik ragam – peragam maka
komposisi dari Principal Component tergantung pada satuan pengukuran yang tidak
sama yaitu dengan membentuk Principal Component dari matrik korelasi. Bila k
variabel asal diukur dengan satuan pengukuran berbeda maka variabel tersebut
ditransformasikan ke dalam skor baku. Pembakuan variabel asal X ke dalam skor
baku ke dalam variabel Z dapat dilakukan dengan menggunakan rumus: O A
•
P+Q RSQ
MTQU
.........................................................(6.4)
Dalam bentuk matrik Z = (X – )(V1/2)-1 dengan V1/2 adalah matrik diagonal
simpangan baku, sedangkan elemen yang lain adalah nol dan dalam bentuk ( V1/2)-1
dapat ditulis sebagai berikut:
YMTU
]
X Z
\
X
\
V R
U
X
\ ^ _ ` .....................(6.5)
MT
@
B
U
X
\
MTQU
5
X 5
\
5
X
\
MTQU
W
[
Hubungan antara matrik ragam – peragam dengan matrik korelasi R dapat
dinyatakan dengan
88 V 9R 9 1)
2. Memilih m buah Principal Component sebagai penyumbang terbesar terhadap
keragaman data yang menghasilkan total keragaman lebih dari 0,75
( 1) Iriawan dan Astuti (2006: 235) yang berarti ada multikolinearitas di dalam
variabel bebasnya besar. Setelah persamaan regresi liniear berganda diketahui, maka
di lakukan pengujian asumsi. Selanjutnya dilakukan pengujian koefisien regresi yang
dapat dilihat pada tabel berikut
Tabel 4.1 Pengujian Regresi Secara Serentak
Sumber
Derajat Bebas
Jumlah Kuadrat
Kuadrat Tengah
Fhitung
Variansi
(db)
(JK)
(KT)
Regresi
5
2420,31
484,06
13,31
Galat
47
1708,86
36,36
Total
52
4129,17
Tabel 4.2 Pengujian Koefisien Regresi Secara Individual
Variabel Bebas
Koefisien
Simpangan Baku
Thitung
X1
0,9915
0,3407
2,91
X2
0,8627
0,5238
1,65
X3
0,9104
0,3701
2,46
X4
-1,2992
0,6887
-1,89
X5
0,0525
0,5482
0,10
B. Identifikasi Multikolinearitas
Dari matriks korelasi, dapat diketahui bahwa variabel bebas yang mempunyai
nilai P. Value kurang dari = 0,05 adalah X1,X2,X3,X4 dan X5 selanjutnya
multikolenieritas dapat dilihat dengan membandingkan koefisien antara variabe X1,
X2, X3, X4 dan X5 dengan Y dari data dapat dilihat pada tabel 4.3 berikut
Tabel 4.3 Koefisien Korelasi Antara Variabel Bebas dengan variabel Tak Bebas
X1
X2
X3
X4
X5
X2
0,586
0,000
X3
0,627
0,677
0,000
0,000
X4
0,539
0,412
0,652
0,000
0,002
0,000
X5
0,651
0,576
0,742
0,678
0,000
0,000
0,000
0,000
Y
0,650
0,632
0,650
0,324
0,528
0,000
0,000
0,000
0,018
0,000
Dari matrik korelasi terlihat bahwa antara peubah penjelas terdapat korelasi
yang besar atau terdapat multikolinearitas pada peubah penjelas. Melalui analisis
tehadap elemen matrik kolerasi diketahui bahwa koefisien korelasi 7y yz lebih besar
daripada 7{y ; 7y y| lebih besar daripada 7{y ; 7y|y , 7y|P}, 7y|yz lebih besar
daripada 7{y| ; 7y}y , 7y}P , 7y}P|, 7y}yz lebih besar daripada 7{y} ;
7yzy , 7yzP , 7yzy| 7yzy} lebih besar daripada 7{yz . Terlihat bahwa terjadi kasus
multikolinieritas, yaitu X3 berkolerasi dengan X2, X4, X5 ; X4 berkolerasi dengan X1,
X2, X3, X5 ; X5 berkolerasi dengan X1, X2, X3, X4 . Karena terjadi kasus
multikolinierlitas maka diperlukan model analisis yang lain salah satuya adalah
Regresion Principal Component Analysis.
C. Regresion Principal Component Analysis.
Langkah pertama adalah mentransformasikan variabel bebas ke dalam
variabel baku Z Selanjutnya dilakukan perhitungan akar ciri, keragaman total, dan
keragaman komulatif seperti pada tabel di bawah ini :
Tabel 4.4 Akar Ciri Dari Matriks Korelasi
Akar Ciri
3,4672
0,6093
0,4123
0,2831
0,2280
Kragaman total
0,693
0,122
0,082
0,057
0,046
Keragaman komulatif
0,693
0,815
0,898
0,954
1,000
Selanjutnya adalah menghitung skor Principal Component dan meregresikan
tiap skor komponen utama dengan variabel Y sehingga diperoleh persamaan regresi
Y = 84,3 – 3,21 K1 + 3,59 K2 + 1,36 K3 – 0,93 K4 – 2,96 K5............(4.c.1)
S = 6,02981 R-Sq = 58,6% R-Sq(adj) = 54,2%
Adapun hasil pengujian koefisien regresi komponen utama secara serentak dapat
dilihat pada tabel di bawah ini:
Tabel 4.5 Pengujian Koefisien Regresi Komponen Utama Secara Serentak
Sumber Derajat Bebas Jumlah Kuadrat Kuadrat Tengah Fhitung
Variansi
(db)
(JK)
(KT)
Regresi 5
2420,31
484,06
13,31
Galat
47
1708,86
36,36
Total
52
4129,17
Langkah berikutnya yaitu menggunakan jumlah komponen utama yang
digunakan dalam membentuk model. Diketahui pada tabel akar ciri yang lebih besar
dari 1( j > 1 , j = 1,2,3,4,5,6,) yaitu 1 maka komponen utama yang terpilih adalah
pada data yaitu K1. Komponen utama yang terbentuk merupakan kombinasi linier
terbobot dari variabel bebas yang di bakukan dapat ditulis dengan:
K1 = – 0,438487 Z1 – 0,417 259 Z2 – 0 ,480290 Z3 – 0,422629 Z4 – 0 ,473636 Z5....*
Selanjutnya meregresikan skor komponen utama dengan variabel Y dan
menghasilkan regresi komponen utama
Y = 84,3 - 3,21 K1...........................................................(4.c.2)
S = 6,67813 R-Sq = 44,9% R-Sq(adj) = 43,8%
Predictor
Coef
SE Coef
T
P
Constant
84,3019
0,9173
91,90 0,000
-3,2073
0,4974
-6,45 0,000
K1
Dari output analisis regresi komponen Utama dengan peubah bebas K1 diatas
terlihat bahwa model sangat tepat atau bagus dalam menjelaskan data (Nilai – P <
0,05) serta nilai R-Sq yang cukup besar yaitu 44,9%. Koefisien variabel penjelas K1
mempunyai pengaruh yang nyata terhadap respon. Karena hanya digunakan satu
variabel penjelas K1 maka nilai VIF tidak keluar karena secara otomatis tidak ada
multikolinearitas.
Selanjutnya substitusi K1 ke dalam persamaan regresi diatas maka diperoleh
persamaan regresi:
Y = 84,3 + 1,40754327 Z1 + 1,33940139 Z2 + 1,5417309 Z3 + 1,35663909 Z4 +
1,52037156 Z5.........................................................(4.c.3)
Karena persamaan regresi tersebut mash dalam bentuk data yang dibakukan, maka
persamaan harus dikembalikan lagi menjadi persamaan dengan variabel asal langkah
–langkah dalam mengembalikan ke dalam variabel asal sebagai berikut:
• Konstanta untuk persamaan asal didapat dari koefisien regresi dalam bentuk baku
dikali dengan negatif rataan dibagi dengan standar deviasinya. Ini dihitung untuk
semua peubah penjelas. Kemudian untuk mendapat konstantanya hasil semua
ditambahkan dengan konstanta persamaan regresi dalam bentuk baku.
• Untuk koefisien regresinya, koefisien regresi dalam bentuk baku dibagi standar
deviasi masing-masing. (Septiani pontoh : 2006)
sehingga didapat persamaan regresi:
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3 +
0,777783547 X4 + 0,591634716 X5
Untuk menguji signifikansi koefisien regresi komponen utama secara individual
digunakan Uji t
Tabel 4.6 Pengujian Koefisien Regresi Komponen Utama Secara Individual
Variabel bebas Koefisien (Ci) Ragam (Var (Ci))
Thitung
X1
0,404907774
0,022150832
2,720577451
X2
0,59034035
0,022622373
3,924943307
X3
0,386786229
0,006760068
4,704305129
X4
0,777783547
0,0328373
4,292151416
0,591634716
0,023704226
3,842737831
X5
PEMBAHASAN
A. Hasil Analisis Regresi Linier Berganda
Pengaruh Emotional Intelligence terhadap prestasi belajar serta komponen
apa saja yang paling berpngaruh pada Emotional Intelligence (EI) terhadap prestasi
belajar. Dari persamaan regresi dapat diketahui bahwa prestasi belajar siswa selain
dipngaruhi oleh kecerdasan intelegensi juga di pengaruhi oleh kecerdasan emosional.
Berdasarkan tabel 4.1 disimpulkan bahwa nilai Fhitung = 13,31 sedangkan nilai dari
Ftabel = 2,41 dengan taraf signifikan 0,95. Karena nilai Fhitung > Ftabel maka model
mempunyai hubungan linier. Nilai Ttabel = 2,00665 sehingga berdasarkan tabel 4.2
terlihat bahwa nilai Thitung dari koefisien X2, X4 dan X5 kurang dari nilai Ttabel
sehingga disimpulkan bahwa variabel bebas tidak signivikan terhadap model regresi
B. Hasil Principal Component Analysis
Principal Component Analysis dilakukan dengan menggunakan matriks
korelasi. Berdasarkan persamaan analisis 4.c.1 dapat disimpulkan bahwa variabel Y
dapat diterangkan oleh skor komponen utama sebesar 58,6 % dan sisanya 41,4 %
dipengaruhi oleh variabel lain di luar model. Misal keuletan, tingkat
Intelegensi,ketelitian dan lain – lain Setelah meregresikan komponen utama yang
terpilih maka sesuai persamaan 4.c.2 disimpulkan bahwa variabel yang dipilih
adalah K1 dengan keragaman sisa 44,9%
Berdasarkan penilaian variabel pada penelitian ini, maka faktor paling domain yang
mempengaruhi Emotional Intelligence (EI) terhadap prestasi belajar matematika
siswa adalah pengendalian diri atau kesadaran diri. Semakin siswa siswa bisa
mengndalikan diri atau kesadaran dirinya maka semakin tinggi pula potensi
akademiknya karena siswa tahu apa kekurangan dan kelebihan dari dalam dirinya.
Faktor yang lain yang juga mempengaruhi Emotional Intelligence (EI) adalah
Pengaturan diri atau pengendalian emosi diri, motivasi, empati, ketrampilan sosial.
C. Pengaruh Emotional Intelligence (EI) Terhadap prestasi Belajar
Matematika Dengan Principal Component Analysis
Berdasarkan hasil analisis di atas, variabel asal dijelaskan oleh komponen
utama yang terbentuk, yaitu K1maka apabila skor komponen variabel tersebut
diregresikan dengan variabel Y sehingga diperoleh model regresi sebagai berikut:
Y = 84,3 - 3,21 K1
S = 6,67813 R-Sq = 44,9% R-Sq(adj) = 43,8%. Dari persamaan tersebut dapat
diketahui bahwa komponen utama K1 menerangkan 44,9% keragaman total dalam
data sedangkan 55,1% sisanya diterangkan diluar model. Apabila disubstitusikan
dengan komponen utama yang terbentuk merupakan kombinasi linier terbobot dari
variabel bebas yang di bakukan
K1 = – 0,438487 Z1 – 0,417 259 Z2 – 0 ,480290 Z3 – 0,422629 Z4 – 0 ,473636 Z5
Diperoleh
Y = 84,3 + 1,40754327 Z1 + 1,33940139 Z2 + 1,5417309 Z3 + 1,35663909 Z4 +
1,52037156 Z5
Apabila persamaan tersebut diubah ke dalam persamaan regresi yang memuat
variabel asal maka persamaan regresi tersebut menjadi
Y = 42,66441042 + 0,404907774 X1 + 0,59034035 X2 + 0,386786229 X3 +
0,777783547 X4 + 0,591634716 X5
Persamaan regresi yang didapat sudah memenuhi semua pengujian yang dilakukan.
Sehingga dapat disimpulkan pengaruh Emotional Intelligence (EI) terhadap prestasi
belajar siswa sebesar 44,9%
SIMPULAN DAN SARAN
Dengan demikian dapat ditarik kesimpulan bahwa pengaruh Emotional Intelligence
(EI) terhadap prestasi belajar matematika siswa sebesar 44,9%. Dari Tabel 4.2 nilai
Thitung dari koefisien X2, X4 dan X5 kurang dari nilai Ttabel sehingga dapat disimpulkan
bahwa variabel bebas tidak signivikan terhadap model regresi. Sedangkan setelah
dilakukan Analysis Principal Component terlihat nilai Thitung dari koefisien X1, X2,
X3, X4 dan X5 lebih besar dari nilai Ttabel sehingga dapat disimpulkan bahwa variabel
bebas signivikan terhadap model regresi
Adapun saran yang dapat peneliti adalah sebagai berikut :
1. Bagi sekolah hendaknya pendidikan yang diberikan tidak hanya pendidikan
intelegensi saja melainkan pendidikan emosional dan spiritual
2. R-Sq yang di peroleh masih kurang tinggi walaupun sudah diperoleh model yang
tepat untuk menginterpretasikanpengaruh Emotional Intelligence (EI) terhadap
prestasi belajar matematka siswa tetapi model tersebut cukup dapat digunakan
dengan baik untuk memprediksi hasil belajar siswa berdasarkan Emotional
Intelligence (EI)
3. Untuk peneliti selanjutnya disarankan menambah variabel bebas selain yang
terdapat dalam penelitian ini dan menggunakan metode analisis yang lain unuk
mengatasi multikolinearitas dan memperbesar nilai R-Sq dan R-Sq(adj).
DAFTAR PUSTAKA
Arikunto, Suharsimi. 2010. Prosedur Penelitian Suatu Pendekatan Praktek. Jakarta:
Rineka Cipta.
Cooper. K Robert dkk. 2002. Kecerdasan Emosional Dalam Kepemimpinan Dan
Organisasi. Jakarta : Gramedia Pustaka Utama
Draper N. And Smith. H. 1992. Analisis Regresi Terapan. Jakarta: Gramedia Pustaka
Utama
Eka Maslahah, Ratna. 2007. Pengaruh Kecerdasan Emosional Terhadap Tingkat
Pemahaman Akuntansi Dengan Kepercayaan Diri Sebagai Variabel
Pemoderasi. Skripsi tidak diterbitkan. Yogyakarta: Fakultas Ekonomi
Universitas Islam Indonesia
Goleman, Daniel. 2005. Emotional Intelegence. Mengapa EI Lebih Penting daripada
IQ. Terjemahan oleh T. Harmaya. Jakarta: Gramedia Pustaka Tama.
Hasan, Iqbal. 2002. Pokok – Pokok Materi Metodologi Penelitian dan Aplikasinya.
Jakarta: Ghalia Indonesia.
Hocking, Ronald R. 1996. Methods and Aplications of Linear Models: Regression
and the Analysis of Varianc. New York: John Wiley and Sons.
Iriawan, Nur & Astuti, Septi Puji. 2006. Mengolah Data Statistik dengan
Menggunakan Minitab 14. Yogyakarta: ANDI.
Mutiah, Alifatul. 2012 Implementasi AnalisisKomponen Utama dalam regresi
Berganda pada Kasus Penyakit Tekanan Darah Tinggi. Skripsi tidak
diterbitkan. Malang: Fakultas MIPA Universitas Negeri Malang
Patton, P. 1997. EI (Kecerdasan Emosional) di Tempat Kerja. Terjemahan oleh Zaini
Dahlan. Jakarta: Pustaka Delapratosa.
Permadi, Hendro. 1999. Teknik Analisis Regresi. Malang: Universitas Negeri
Malang.
Sembiring, R. K. 1995. Analisis Regresi. Bandung: ITB Bandung.
Sugiyono. 2008. Metode Penelitian Bisnis (Pendekatan Kuantitatif, Kualitatif dan
R&D). Bandung: CV Alfabeta.
Suryanto. 1988. Metode Statistika Multvariat. Jakarta: Departemen Pendidikan dan
Kebudayaan
Septiani pontoh, reza. 2006. Modul Panduan Penggunaan Minitab 14 Dalam Analisis Data.
(online), (http://www.scribd.com/doc/120780345/109975769-ModulMinitab-pdf, diakses tanggal 8 Juli 2013).
Winkel, W.S. 1986. Psikologi Pendidikan dan Evaluasi Belajar. Jakarta: Gramedia
Pustaka Tama.
Jurnal oleh Muhammad Fahrudin Mh ini
telah diperiksa dan disetujui.
Malang, ....... Agustus 2013
Penulis
Pembimbing
Muhammad Fahrudin Mh
NIM : 906312403574
Drs. H. M. Shohibul Kahfi, M.Pd
NIP 195902191984031001
Penguji Utama
Penguji II
Drs. Askury, M.Pd
NIP 195111071974121001
Drs. Dwiyana, M.Pd
NIP 195403061982031005