MAKALAH ANALISIS REGRESI BY ALIF DIO
ANALISIS REGRESI
DISUSUN OLEH:
Alif Dio Brilian Utama Putra (941417002)
UNIVERSITAS
NEGERI GORONTALO
FAKULTAS
EKONOMI
JURUSAN
MANAJEMEN
PROGRAM
STUDI S1 ILMU ADMINISRTASI PUBLIK
2018
KATA PENGANTAR
Dengan
meyebut nama Allah SWT yang Maha pengasih lagi Maha penyayang, kami panjatkan
puja dan puji syukur atas kehadirat-Nya
yang telah melimpahkan rahmat, hidayah, dan inayah-Nya kepada kami,
sehingga kami dapat menyelesaikan makalah “SATISTIK SOSAL” tentang “ANALISIS
REGRESI”
Adapun
makalah tentang “ANALISIS REGRESI” ini telah kami usahakan semaksimal mungkin
dan tentunya dengan bantuan berbagai pihak, sehingga dapat memperlancar
pembuatan makalah ini. Untuk itu kami tidak lupa menyampaikan banyak terima
kasih kepada semua pihak yang telah membantu kami dalam pembuatan makalah ini.
Namun
tidak lepas dari semua itu, kami menyadari sepenuhnya bahwa ada kekurangan baik
dari segi penyusunan bahasanya maupun segi lainnya. Oleh karena itu dengan
lapang dada dan tangan terbuka kami membuka selebar-lebarnya bagi pembaca yang
ingin memberi saran dan kritik kepada kami sehingga kami dapat memperbaiki
makalah ini.
Akhirnya penyusun mengharapkan
semoga dari makalah ini dapat diambil hikmah dan manfaatannya sehingga dapat
memberi inpirasi terhadap pembaca.
Gorontalo,
22 November 2018
Penyusun
DAFTAR ISI
KATA PENGANTAR.................................................................................................. i
DAFTAR ISI................................................................................................................. ii
BAB 1 PENDAHULUAN............................................................................................ 1
1.1 Latar Belakang.............................................................................................. 1
1.2 Rumusan Masalah.......................................................................................... 2
1.3 Tujuan Penulis............................................................................................... 2
BAB 2 PEMBAHASAN.............................................................................................. 3
2.1
Analisis
Regresi............................................................................................. 3
2.2 Analisis Regresi
Sederhana........................................................................... 3
2.3 Analisis Regresi
Berganda............................................................................. 9
2.4 Analisis Linier
Regresi Ganda..................................................................... 14
BAB 3 PENUTUP....................................................................................................... 16
3.1 Kesimpulan.................................................................................................. 16
DAFTAR PUSTAKA................................................................................................. 17
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Regresi
artinya peramalan, penaksiran, atau pendugaan pertama kali di perkenalkan pada
tahun 1877 oleh Sir Francis Galton (1822 – 1911). Sehubungan dengan
penelitiannya terhadap tinggi manusia. Penelitian tersebut membandingkan
antara tinggi anak laki-laki dan tinggi
badan ayahnya
Kegunaan regresi dalam penelitian salah satunya adalah
untuk meramalkan atau memprediksi variabel terikat (Y) apabila variabel bebas
(X) deketahui. Regresi sederhana dapat dianalisis karena didasari oleh hubungan
fungsional atau hubungan sebab akibat (kausal) variabel bebas (X) terhadap
variabel terikat (Y). Karena ada perbedaan yang mendasar dari analisis korelasi
dan analisis regresi. Pada dasarnya analisis regresi dan analisi korelasi keduanya
punya hubungan yang sangat kuat dan mempunyai keeratan. Setiap analisis regresi
otomatis ada analisi korelasinya, tetapi sebaliknya analisis korelasi belum
tentu diuji regresi atau diteruskan dengan analisis regresi.
Analisis
kerelasi yang tidak dilanjutkan dengan analisis regresi adalah analisis
korelasi yang kedua variabelnya tidak mempunyai hubungan fungsional dan sebab
akibat. Apabila peneliti mengetahui hal ini lebih lanjut, maka perlu konsep dan
teori yang mendasari kedua variabel tersebut.
Korelasi
dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap regresi pasti
ada korelasinya, tetapi korelasi belum tentu dilanjutkan dengan regresi.
Korelasi yang tidak dilanjutkan dengan regresi, adalah korelasi antara dua
variabel yang tidak mempunyai hubungan kasual/sebab akibat, atau hubungan
fungsional. Untuk menetapkan kedua variabel mempunyai hubungan kusal atau
tidak, maka harus didasarkan pada teori atau konsep-konsep tentang dua variabel
tersebut.
Hubungan
antara panas dengan tingkat muai panjang, dapat dikatakan sebagai hubungan yang
kausal, hubungan antara kepemimpinan dengan kepuasan kerja pegawai dapat
dikatakan hubungan yang fungsional, hubungan antara kupu-kupu yang datang
dengan banyaknya tamu di rumah bukan merupakan hubungan kausal maupun
fungsional.
Kita
gunakan analisis regresi bila kita ingin mengetahui bagaimana variabal
dependen/kriteria dapat diprediksikan melalui variabel independen atu variabel
prediktor, secara individual. Dampak dari penggunaan analisis regresi dapat
digunakan untuk memutuskan apakah naik dan menurunnya variabel dependen dapat
dilakukan melalui menaikan dan menurunkan keadaan variabel independen, atau
meningkatkan keadaan variabel dependen dapat dilakukan dengan meningkatkan
variabel independen/dan sebaliknya.
1.2 Rumusan Masalah
1.
Regresi Linear Sederhana
2.
Regresi Linear Berganda
3.
Analisis Regresi Linier Ganda
1.2
Tujuan Penulisan
1.
Untuk Mengetahui Regresi Linear
Sederhana
2.
Untuk Mengetahui Regresi Linier
Berganda
3.
Untuk Mengetahui Analisis Regresi
Linier Ganda
BAB 2
PEMBAHASAN
2.1
Analisis Regresi
Analisis regresi
dalam statistika adalah salah satu metode untuk menentukan hubungan sebab
akibat antara satu variabel dengan variabel yang lain. Variabel penyebab
disebut dengan bermacam-macam istilah: varabel penjelas, variabel
eksplanastonik, variabel independen atau secara bebas, variabel X (karena
seringkali digambarkan dalam grafik absis, atau sumbu X). Variabel terkena
akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel
terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak
(random), namun variabel acak.
Analisis
regresi adalah salah satu analisis yang paling populer dan luas pemakainya.
Analisis regres dipakai secara luas untuk melakukan prediksi dan ramalan,
dengan penggunaan yang saling melengkapi dengan bidang pembelajaran mesin.
Analisis ini juga digunakan untuk memahami variabel bebas mana saja yang
berhubungan dengan variabel terikat, dan
untuk mengetahui bentuk-bentuk hubungan tersebut.
Dalam
analisis regresi ada dua macam linieritas, yaitu linieritas dalam variabel dan
linieritas dalam parameter. Linier dalam variabel merupakan nilai rata-rata
kondisional variabel tergantung yang merupakan fungsi linier dari variabel
bebas. Sedangkan linieritas dalam parameter merupakan fungsi linier parameter
dan dapat tidak linier dalam variabel.
Analisis
regresi berbeda dengan analisis korelasi. Jika dalam analisis korelasi
digunakan untuk melihat hubungan dua variable, maka analisis regresi digunakan
untuk melihat pengaruh variabel tergantung serta memprediksi nilai variabel
tergantung dengan menggunakan variabel bebas.
2.1 Regresi Linear Sederhana
Regresi
linear sederhana adalah persamaan regresi yang menggambarkan hubungan antara
satu peubah bebas (X) dan satu peubah
tak bebas (Y), dimana hubungan keduanya dapat digambarkan sebagai suatu
garis lurus. Hubungan kedua peubah tersebut dapat dituliskan dalam bentuk
persamaan:
Yi = b0 + b1
+ ei............... (13.1)
Y = Peubah tak bebas, X =
Peubah bebas, b0 =
intersep/perpotongan dengan sumbu tegak, b1 = Kemiringan/gradien, ei error yang
saling bebas dan menyebar normal N(0,s2) i = 1, 2, …, n.
Dalam
kenyataan seringkali kita tidak dapat mengamati seluruh anggota populasi,
sehingga hanya mengambil sampel misalkan sampel itu berukuran n dan ditulis
sebagai {(xi , yi), i = 1, 2, 3, . . ., n}. Persamaan
yang diperoleh adalah dugaan dari persamaan (12.1) dan dapat dituliskan
sebagai:
= b0 +b1 Xi
(13.2)
b0 adalah penduga untuk b0, dan b1 adalah penduga untuk b1.
Untuk
peubah bebas xi nilai pengamatan yi tidak selalu tepat
berada pada garis
= b0 + b1(garis regresi populasi) atau = b0 +b1 Xi (garis regresi sampel)
 |
yi
= b0 +b1 Xi
ei
Gambar13.1 Garis penduga hubungan
antara peubah X dan Y
Terdapat simpangansebesar ei (untuk sampel) atau
(untuk populasi),sehingga
Yi =
+ ei atau Yi =
+ atau
Yi = b0 +
b1 Xi + ei (model regresi sampel)
Yi =b0 + b1
+ (model regresipopulasi)
Anggapan/asumsi dalam analisis regresi linear sederhana
dengan model
Yi
=bo + b1
+ adalah:. 1)
merupakan galatacak yang menyebar normal dengan E(
) = 0 dan Var(
) = 
untuk semua i2) Yi
menyebar normal dengan E(Yi) = bo + b1
dan Var(Yi)=
untuk semua iA.
Pendugaan Parameter
b0
dan b1
Untuk menduga nilai parameter b0
dan b1 terdapat
bermacam-macam metode, misalnya metode kuadrat terkecil (least square
method), metode kemungkinan maksimum (maximum likelihood method),
metode kuadrat terkecil terboboti (weighted least square method), dsb.
Disini metode yang digunakan adalah metode kuadrat
terkecil, karena mudah dikerjakan secara manual. Prinsip dasar metode kuadrat
terkecil adalah meminimumkan jumlah kuadrat simpangan atau Jumlah Kuadrat Galat
(JKG)=
= 
Dengan menggunakan bantuan pelajaran kalkulus, diperoleh
nilai dugaan parameter regresi sebagai berikut:
Dengandemikian dapat diperoleh hubungan;
Contoh 13.1
Diketahui data percobaan
Subjek i | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
xi | 1,5 | 1,8 | 2,4 | 3,0 | 3,5 | 3,9 | 4,4 | 4,8 | 5,0 |
yi | 4,8 | 5,7 | 7,0 | 8,3 | 10,9 | 12,4 | 13,1 | 13,6 | 15,3 |
Tentukan
persamaan regresi dugaan
Jawab
Dengan menggunakan kalkulator dapat dengan mudah dihitung
= 30,3 
= 91,1 
= 345,09 
= 115,11 
= 3,3667 
=10, 1222
bo = 10,1222 – (2,9303)(3,3667) = 0,2568
Jadi persamaan regresi dugaan
= 0,26 + 2,93XB.
Pengujian terhadap
Model Regresi
Proses selanjutnya setelah melakukan pendugaan parameter
model regresi sederhana adalah pengujian terhadap model regresi apakah
signifikan atau tidak, yang dapat dilakukan dengan dua cara yaitu ANAVA dengan
uji F dan uji parsial dengan uji t.
Uji bagi b1=0 lawan b1¹0 melalui ANAVA
Hipotesis
H0
: b1=0
(Tidak ada hubungan linear antara X dan Y)
H1
: b1¹ 0 (Ada hubungan linear antara X dan Y)
Tabel
13.1. Anava untuk pengujian pada model
regresi linear sederhana
Sumber Keragaman | db | JK | KT | Fhit | Ftabel |
Regresi Galat | 1 n-2 | JKR JKG | KTR=JKR/1 KTG=JKG/(n - 2) | Fhit=KTR/KTG | Fα(1,n-2) |
Total | n-1 | JKT |
Ho ditolak jika Fhit > Ftabel, yang berarti model regresi signifikan atau
ada hubungan liner anatara X
dan Y
Keterangan
 |
- Uji bagi b1=0 lawan b1¹0 melalui uji
t
Hipotesis
H0
: b1=0
(Tidak ada hubungan linear antara X dan Y)
H1 : b1¹ 0 (Ada hubungan
linear antara X dan Y)
Statistik uji adalah : |
dengan
Kriteria keputusan :
H0 ditolak jika |thit|> tα/2(n-2)
- Uji bagi b0=0 lawan b0 ¹0 melalui uji
t
Hipotesis
H0 : b0=0
H1
: b0¹ 0
Statistik uji adalah :
dengan
Kriteria keputusan :
H0 ditolak jika |thit|> tα/2(n-2)
Perhitungan untuk uji hipotesis menggunakan data Contoh 13.1.
Dari perhitungan sebelumnya telah diperoleh
= 30,3 = 91,1 = 345,09 = 115,11 
= 3,3667 = 10, 1222b0 =
0,2568 b1 = 2,9303
Dengan demikian diperoleh
JKT = 1036,65 - 9. (10,1222)2
= 114,52
JKG = 1036,65 - (0,2568) 91,1 – (2,9303) 345,09 = 2,0383
JKR = 945,55 –2,0383 = 112,4813
Tabel anava untuk data tersebut disajikan dalam Tabel
13.2.
Tabel 13.2. Anava untuk data pada Contoh 13.1
Sumber Keragaman | db | JK | KT | Fhit | Ftabel |
Regresi Galat | 1 7 | 112,4813 2,0383 | KTR=112,4813 KTG=0,2911 | Fhit=386,2885 | F0,05(1,7) =5,59 |
Total | 8 | 114,52 |
Berdasarkan hasil pada Tabel 13.2 diperoleh nilai F
hitung lebih besar daripada nilai F tabel, sehingga H0 ditolak. Jadi
ada hubungan linear antara variabel X dan Y.
Untuk uji parsial perlu dihitung terlebih dahulu nilai
 |
dan
0,284Jadi untuk uji signifikansi koefisien b1
thit =
sedangkan untuk uji signifikansi konstanta diperoleh
thit =
Karena t tabel
adalah t0,025;7 = 2,365 maka H0 ditolak untuk uji
koefisien b1
dan H0 diterima untuk uji signifikansi konstanta.
2.2 Regresi Linear
Berganda
Regresi linear ganda adalah persamaan regresi yang
menggambarkan hubungan antara lebih dari satu peubah bebas (X) dan satu
peubah tak bebas (Y) Hubungan
peubah-peubah tersebut dapat dituliskan dalam bentuk persamaan:
Y = Peubah tak bebas, X = Peubah bebas, b0 =
intersep/perpotongan dengan sumbu tegak, b1, b2,
...., bp-1 =
parameter model regresi, ei
saling bebas dan menyebar normal N(0,s2)
, i = 1, 2, …, n
Persamaanregresi dugaannya adalah
Hipotesis yang harus diuji dalam analisis regresi ganda
adalah
H0 : b1 =
b2 =
… = bp-1=0
H1 : Tidak semua bk
(k=1,2,…,p -1) sama dengan nol
Untuk melakukan pendugaan parameter model regresi ganda
dan menguji signifikansinya dapat dilakukan dengan program SPSS 16.
Asumsi yang harus dipenuhi dalam analisis regresi ganda
adalah :
- Tidak ada multikolinearitas (korelasi antara
variabel independen) - Heteroskedastisitas (variansi error
konstan) - Normalitas (error berdistribusi normal)
- Autokorelasi (error bersifat acak)
Multikolinearitas
- Multikolinearitas atau kekolinearan ganda adalah
terjadinya korelasi antar peubah bebas. - Model regresi yang baik seharusnya tidak terjadi
korelasi antar peubah bebas. - Metode yang banyak digunakan untuk mendeteksi adanya
multikolinearitas adalah faktor inflasi ragam (variance inflation
factor/VIF) - Multikolinearitas terjadi jika nilai VIF > 10
Heteroskedastisitas
- Ragam galat diasumsikan konstan dari satu pengamatan
ke pengamatan lain, hal ini disebut homoskedastisitas. - Jika ragam galat berbeda disebut heteroskedastisitas.
- Model regresi yang baik adalah tidak terjadi
heteroskedastisitas. - Untuk mendeteksi heteroskedastisitas adalah dengan
membuat plot nilai dugaan yang dibakukan (standardized predicted value)
dengan sisaan yang dibakukan (studentized residual). - Jika ada pola tertentu (bergelombang, melebar
kemudian menyempit) maka terjadi heteroskedastisitas. - Jika tidak ada pola jelas, serta titik-titik
(sisaan) menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi heteroskedastisitas.
Normalitas (error berdistribusi normal)
- Untuk mendeteksi normalitas digunakan normal
p-p plot. - Jika titik-titik (sisaan) menyebar di sekitar
garis diagonal dan mengikuti arah garis diagonal, maka model regresi
memenuhi asumsi normalitas. - Jika titik-titik (sisaan) menyebar jauh dari
garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi
tidak memenuhi asumsi normalitas
Autokorelasi.
- Bila dalam model regresi linear ganda ada korelasi
antara galat pada periode t dengan galat pada periode t-1, maka dinamakan
ada masalah autokorelasi. - Model regresi yang baik adalah model regresi
yang bebas dari autokorelasi. - Contoh 13.2
Misalkan dipunyai
data
Y | 10 | 6 | 5 | 12 | 10 | 15 | 5 | 12 | 17 | 20 |
X1 | 1.3 | 2.0 | 1.7 | 1.5 | 1.6 | 1.2 | 1.6 | 1.4 | 1.0 | 1.1 |
X2 | 9 | 7 | 5 | 14 | 15 | 12 | 6 | 10 | 15 | 21 |
Akan dilakukan pendugaan dan pengujian parameter model
regresi, serta uji asumsi dengan menggunakan SPSS 16.
- Cara memasukkan data dan melakukan analisis sama
dengan pada regresi sederhana. - Untuk memunculkan hasil uji asumsi pada kotak dialog
statistics klik juga collinearity diagnostics baru continue, sebagaimana
terlihat pada gambar berikut:
- Untuk melakukan uji asumsi pada residual klik plots,
sehingga akan muncul kotak dialog :
- Masukkan ZPRED pada kotak X dan ZRESID pada kotak Y,
dan beri tanda centang (Ö ) pada Normal probability plot, kemudian klik
continue. Kembali ke kotak dialog awal, dan klik OK.
Hasil analisis dengan ANAVA adalah sebagai berikut:
ANOVAb | ||||||
Model | Sum of Squares | df | Mean Square | F | Sig. | |
1 | Regression | 217.699 | 2 | 108.849 | 47.917 | .000a |
Residual | 15.901 | 7 | 2.272 | |||
Total | 233.600 | 9 | ||||
a. Predictors: (Constant), VAR00003, VAR00002 | ||||||
b. Dependent Variable: VAR00001 | ||||||
Terlihat bahwa
nilai signifikansi 0,000 < 1%, sehingga H0 ditolak, yang berarti
ada hubungan linear antara variabel independen X1 dan X2
dengan variabel dependen Y.
Hasil uji
parsial adalah sebagai berikut :
Coefficientsa | ||||||||
Model | Unstandardized Coefficients | Standardized Coefficients | t | Sig. | Collinearity Statistics | |||
B | Std. Error | Beta | Tolerance | VIF | ||||
1 | (Constant) | 16.406 | 4.343 | 3.778 | .007 | |||
X1 | -8.248 | 2.196 | -.490 | -3.756 | .007 | .572 | 1.749 | |
X2 | .134 | .571 | 4.377 | .003 | .572 | 1.749 | ||
a. Dependent Variable: VAR00001 | ||||||||
Karena nilai
signifikansi 0,007 untuk konstanta dan VAR00002 dan 0,003 untuk VAR00003, sehingga H0 ditolak untuk semua
uji. Jadi konstanta b0
semua dan koefisien regresi b1,
dan b2 signifikan.
Persamaan regresi dugaannya adalah :
Hasil uji
asumsi multikolinearitas dapat dilihat pada nilai VIF, yaitu 1,749 < 10,
sehingga dapat disimpulkan tidak ada multikolinearitas antara variabel X1 dan
X2. Hasil uji normalitas dari error dapat dilihat pada output berikut
Karena plot mendekati garis diagonal, maka dapat disimpulkan error
memenuhi asumsi normalitas. Uji
normalitas error juga dapat dilakukan dengan uji Kolmogorov-Smirnov
Hasil plot berikut menunjukkan tidak ada pola yang jelas atau berpola acak,
sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau ragam
galat konstan dan galat bersifat acak atau tidak ada autokorelasi .
Pertanyaan-pertanyaan yang
sering muncul
- Dalam uji regresi sederhana
apakah perlu menginterpretasikan nilai F hitung?
Uji F adalah uji kelayakan model (goodness of fit)
yang harus dilakukan dalam analisis regresi linear. Untuk analisis regresi
linear sederhana Uji F boleh dipergunakan atau tidak, karena uji F akan sama
hasilnya dengan uji t.
- Kapan menggunakan uji satu arah
dan kapan menggunakan uji dua arah?
Penentuan arah pengujian adalah berdasarkan masalah penelitian, tujuan penelitian dan perumusan
hipotesis. Jika hipotesis sudah menentukan arahnya, maka sebaiknya digunakan
uji satu arah, tetapi jika hipotesis belum menentukan arah, maka sebaiknya
menggunakan uji dua arah. Penentuan arah pada hipotesis berdasarkan tinjauan
literatur. Contoh hipotesis dua arah: Terdapat pengaruh antara kepuasan
terhadap kinerja. Contoh hipotesis satu arah: Terdapat pengaruh positif antara
kepuasan terhadap kinerja. Nilai t tabel juga berbeda antara satu arah dan dua
arah. Jika menggunakan signifikansi, maka signifikansi hasil output dibagi dua
terlebih dahulu, baru dibandingkan dengan 5%.
- Apa bedanya korelasi dengan
regresi?
Korelasi adalah
hubungan dan regresi adalah
pengaruh. Korelasi bisa berlaku bolak-balik, sebagai contoh A berhubungan
dengan B demikian juga B berhubungan dengan A. Untuk regresi tidak bisa
dibalik, artinya A berpengaruh terhadap B, tetapi tidak boleh dikatakan B
berpengaruh terhadap A. Dalam kehidupan sehari-hari kedua istilah itu (hubungan
dan pengaruh) sering dipergunakan secara rancu, tetapi dalam ilmu statistik
sangat berbeda. A berhubungan dengan B belum tentu A berpengaruh terhadap B.
Tetapi jika A berpengaruh terhadap B maka pasti A juga berhubungan dengan B.
(Dalam analisis lanjut sebenarnya juga ada pengaruh yang bolak-balik yang
disebut dengan recursive, yang tidak dapat dianalisis dengan analisis
regresi tetapi menggunakan (structural equation modelling).
2.3 Analisis Regresi Linier Ganda
Analisis regresi linier ganda terdiri dari satu variabel dependen dan
beberapa variabel independen. Analisis regresi linier ganda dinyatakan dengan
hubungan persamaan regresi:
Y’ = a + b1X1 + b2X2 + ..... +
bnXn
(Sudjana 2005: 349).
Keterangan :
X1, X2, ..., Xk : Variabel independen
Y :
Variabel dependen
a : Konstanta
b : Koefisien regresi
Pada analisis regresi linier ganda ada enam uji pokok, yaitu:
1. Uji Kelinieran
Hipotesis:
H0 : Persamaan regresi tidak linier
H1 : Persamaan regresi linier
Berdasarkan
pengolahan data dengan SPSS, jika nilai sig pada output ANOVA lebih dari α (5%) maka H0 diterima (Trihendradi
2006: 157).
2. Uji Koefisien
Hipotesis:
H0 : Koefisien regresi tidak signifikan
H1 :
Koefisien regresi signifikan
Berdasarkan
pengolahan data dengan SPSS, jika nilai sig pada output Coefficients lebih dari α (5%) maka H0 diterima
(Trihendradi 2006: 158).
3. Uji Normalitas Data
Berdasarkan teori statistika model linier hanya variabel dependen yang
mempunyai distribusi diuji normalitasnya, sedangkan variabel independen
diasumsikan bukan merupakan fungsi distribusi, jadi tidak perlu diuji
normalitasnya. Salah satu cara untuk menguji kenormalan data yaitu dengan uji
Kolmogorov-Smirnov.
Hipotesis:
H0 : Variabel adalah normal
H1 :
Variabel adalah tidak normal
Berdasarkan pengolahan data dengan SPSS, jika nilai sig pada output NPar Tests lebih dari α (5%) maka H0
diterima.
Selain itu kenormalan data dapat juga dideteksi dari penyebaran data
(titik) pada sumbu diagonal dari grafik atau melihat grafik histograf dari
residualnya. Jika data menyebar di sekitar garis diagonal dan mengikuti arah
garis histograf menuju pola distribusi normal, maka model regresi memenuhi
asumsi normalitas (Sukestiyarno 2008: 14).
4. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antara variabel bebas. Jadi uji multikolinearitas
terjadi hanya pada regresi ganda. Model regresi yang baik seharusnya tidak
terjadi korelasi tinggi diantara variabel bebas. Gejala multikolinearitas dapat
dideteksi dengan melihat nilai Variance Inflasi Factor (VIF) dan tolerance
pada output Coefficients.
Multikolinearitas terjadi jika VIF berada di atas 10 dan nilai tolerance
di atas 1 (Sukestiyarno 2008: 14).
5. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada
korelasi antar error satu dengan error yang lainnya. Gejala
autokorelasi dapat dideteksi dengan menggunakan uji Durbin Watson (DW) pada
output Model Summary. Ketentuan
jika -2 < DW < 2 berarti tidak terjadi autokorelasi (Sukestiyarno 2008:
14).
6. Uji Heteroskedastisitas
Heteroskedastisitas terjadi apabila error atau residual dari
model yang diamati tidak memiliki varian yang konstan dari satu observasi ke
observasi lainnya. Pengujian heteroskedastisitas dilakukan dengan melihat
diagram residual terhadap variabel bebas pada output Scatterplot. Jika nilai error
membentuk pola tertentu tidak bersifat acak terhadap nol maka dikatakan terjadi
heteroskedasti (Sukestiyarno 2008: 14).
Model persamaan regresi linier ganda dapat dilihat pada output Coefficients. Sedangkan untuk
mengetahui besarnya nilai kontribusi variabel bebas secara bersama-sama
terhadap variabel terikat dapat dilihat pada output Model Summary (Sukestiyarno 2008: 19).
BAB 3
PENUTUP
3.1 Kesimpulan
Dari penjelasan
diatas dapat diambil kesimpulan bahwa analisis regresi linear sederhana dipergunakan untuk
mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel
terikat. Persamaan umumnya adalah:
Y = a + b X.
Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a
adalah konstanta (intercept) yang merupakan titik potong antara garis regresi
dengan sumbu Y pada koordinat kartesius.
Langkah penghitungan analisis regresi dengan menggunakan program SPSS
adalah: Analyse --> regression --> linear. Pada jendela yang ada, klik
variabel terikat lalu klik tanda panah pada kota dependent. Maka variabel
tersebut akan masuk ke kotak sebagai variabel dependen. Lakukan dengan cara
yang sama untuk variabel bebas (independent). Lalu klik OK dan akan muncul
output SPSS.
Dalam analisis regresi linier ganda terdiri dari satu variabel
dependen dan beberapa variabel independen. Analisis regresi linier ganda
dinyatakan dengan hubungan persamaan regresi:
Y’ = a + b1X1 + b2X2 + ..... +
bnXn
DAFTAR PUSTAKA
Sudjana. 2005. Metoda Statistika. Bandung: Tarsito.
Sugiyono. 2004. Statistik Nonparametris. Bandung: CV Alfabeta.
Sukestiyarno. 2008. Workshop Olah Data Penelitian dengan SPSS. Semarang:
UNNES.
Trihendradi,
C. 2006. Langkah Mudah Menguasai Analisis Statistik Menggunakan SPSS 15.
Yogyakarta: Andi Offset.
Komentar
Posting Komentar