TUGAS MAKALAH

ANALISIS MULTIREGRESI

disusun oleh: Nama : Misa Januar Seni NIM : 112020176 Kelas : TI G1

SEKOLAH TINGGI TEKNOLOGI TELKOM

BANDUNG 2005 ANALISIS MULTI REGRESI

Analisis Regresi bermanfaat untuk menghitung persamaan regresi linear sederhana dan berganda, asosiasi statistik beserta scatter plot, diagnosa colinearitas, harga prediksi dan residual. Linear Regression digunakan untuk melakukan pengujian hubungan antara sebuah variabel dependent (tergantung) dengan satu atau beberapa variabel independent (bebas) yang ditampilkan dalam bentuk persamaan regresi. Jika variabel dependent dihubungkan dengan satu variabel independent saja, persamaan regresi yang dihasilkan adalah regresi linear sederhana (linear regression). Jika variabel independent-nya lebih dari satu, maka persamaan regresinya adalah persamaan regresi linear berganda (multiple linear regression). Jenis data yang cocok untuk uji regresi linear, baik untuk variabel dependent maupun independent adalah data rasio. Namun dapat juga dengan data berbentuk kualitatif (kategori), tetapi harus dibantu dengan variabel boneka (dummy variabel). Misalnya untuk membedakan jenis kelamin, laki-laki diberi kode angka 1 dan wanita angka 2. Persamaan regresi yang dihasilkan berupa taksiran (estimasi) dari hasil pengamatan. Oleh karena itu, biasanya digunakan simbol (Y dengan topi) yang menunjukkan hasil taksiran tersebut dan membedakannya dengan Y (Y tanpa topi) sebagai hasil pengamatan populasi. Adapun rumus Regresi Sederhana adalah: Y = a + bX dimana: Y = variabel tergantung (dependent) X = variabel bebas a = nilai konstanta b = koefisien arah regresi Harga a dapat dihitung dengan rumus: Y (X 2 ) X .Y a= nX 2 (X ) 2 Harga b dapat dihitung dengan rumus: nXY X .XY b= nX 2 (X ) 2 Rumus untuk Multiple Regression adalah: Y = a + bX 1 + cX 2 + ... + kX n Sebelum uji regresi dilakukan, terlebih dulu harus dilakukan uji keberartian masing-masing koefisien regresi, apakah regresi itu linear atau tidak. Jika tidak linear,maka pengujian bisa dilakukan dengan model lainnya.Untuk mempermudah melihat apakah model ini linear atau bentuk lainnya, dapat dibantu dengan melalui diagram pencar (scatter plot). Secara kasat mata akan tampak kecenderungan hubungan linear antara nilai-nilai statistik tersebut. Selain itu, dalam aplikasi SPSS, dikenal adanya istilah koefisien korelasi (r). Harga koefisien korelasi digunakan untuk pengecekan awal apakah benar ada kecenderungan hubungan yang erat antara variabel bebas dan terikat, dan bagaimana bentuk kecenderungan hubungan tersebut. Jika hasil r sama dengan nol, atau mendekati nol, mungkin bentuk kecenderungan hubungan tidak linear.

Selanjutnya, untuk pengujian signifikansi pada masing-masing hubungan dalam regresi akan dilakukan melalui uji t. Kita dapat menarik kesimpulan akan harga regresi tersebut melalui perbandingan nilai t hitung dengan t tabel pada taraf signifikasi tertentu.Untuk pengujian terhadap Multiple Regression dapat digunakan uji F. Contoh Aplikasi dalam SPSS Sebagai contoh analisis Multiple Regression menggunakan SPSS, berikut adalah data tingkat pendapatan per bulan (X1), tingkat pendidikan (X2, lama tahun pendidikan), dan jumlah anggota keluarga (X3) sebagai variabel independent serta jumlah pengeluaran per bulan (Y) sebagai variabel dependent.

Setelah kita mengisikan data pada SPSS Editor, ikuti langkah berikut: 1. Klik pada Analyze pada bagian Menu, lalu pilih Regression dan kemudian pilih Linear

2. Klik tingkat pendapatan (X1), tingkat pendidikan (X2) dan jumlah anggota keluarga (X3) pada kotak Independent(s), sedangkan jumlah pengeluaran (y) pada kotak Dependent.

3. Klik Statistics, pilih Estimates, Model fit, Descriptive dan Durbin-Watson, kemudian klik Continue. Pilihan Statistics digunakan untuk menampilkan berbagai nilai statistik yang diinginkan, antara lain koefisien regresi yang pada pilihannya terdapat taksiran (estimates), selang kepercayaan (confidence intervals), matriks covarians dan statistik lainnya, seperti Model fit, R Square change (untuk mengukur prosentase besarnya pengaruh variabel independent terhadap variabel dependent), Descriptive, Part and partial correlation dan Colinearity diagnostics. Pada kotak Residual, terdapat pilihan Durbin-Watson (digunakan untuk menentukan ada tidaknya korelasi residual atau autokorelasi dari model regresi yang dihasilkan), Casewise diagnostics dan pilihan Standard Deviations.

4. Klik Plots, lalu masukkan DEPENDNT ke kotak Y axis dan ADJPRED ke kotak X axis. Pilih Histogram dan Normal Probability. Lalu, klik Continue. Kotak pilihan Y adalah tempat pendaftaran suatu variabel yang akan difungsikan sebagai Y axis (sumbu Y), begitu pula dengan kotak pilihan X untuk variabel yang akan difungsikan sebagai sumbu X. Pada kotak dialog ini terdapat beberapa pilihan yang disediakan, yaitu: DEPENDNT (the dependent variable).

ZPRED (standardized predicted values). Merupakan nilai-nilai prediksi yang terstandarisasi. ZRESID (standardized residual). Merupakan nilai residual yang terstandarisasi. DRESID (deleted residual). ADJPRED (adjusted predicted values). Merupakan harga prediktor yang disesuaikan. SRESID (studentized residuals). Merupakan residual student. SDRESID (studentized deleted residuals). Merupakan residual student yang dihilangkan.

Pada kotak Standardized Residual Plots terdapat dua pilihan plot, yakni: Histogram, berguna untuk menampilkan distribusi dari residual yang terstandarisasi. Normal probability plot, berguna untuk membandingkan distribusi residual yang terstandarisasi dengan distribusi normal. Kotak cek Produce all partial plots digunakan untuk menghasilkan diagram-diagram pencar dari residual pada masing-masing variabel independent dengan residual variabel dependent.

5. Klik Save, pilih Unstandardized, lalu klik Continue. Pilihan Save digunakan untuk menyimpan dan membuat file baru dari nilai-nilai prediksi, residual dan statistik lainnya.Pada kotak dialog Save terdapat banyak pilihan statistik yang dapat disimpan pada file kerja (data editor), yaitu Predicted values, Residuals, Distances, Influence statistics dan Prediction intervals. Kita tinggal memilih yang dikehendaki.

6. Klik Options, lalu klik saja Continue (berarti memilih setting default). Pilihan Option berguna untuk menampilkan analisis statistik dengan menggunakan kriteria metode Stepwise, Backward, and Forward. Pada bagian Stepping Method Criteria terdapat dua pilihan yakni: Use Probability of F. Jika memilih pilihan ini, kita harus memasukkan harga Entry dan harga Removal pada kotak yang disediakan. Harga Entry selalu lebih rendah dari harga Removal. Melalui pilihan ini, suatu variabel akan dimasukkan jika tingkat signifikansi dari F lebih kecil dari harga Entry, dan akan dikeluarkan jika tingkat signifikansinya lebih besar dari harga Removal. Use F value. Jika memilih pilihan ini, kita harus memasukkan harga Entry dan harga Removal. Harga Entry selalu lebih besar dari harga Removal. Melalui pilihan ini, suatu variabel akan dimasukkan jika tingkat signifikansi dari F lebih besar dari harga Entry, dan akan dikeluarkan jika tingkat signifikansinya lebih kecil dari harga Removal. Pilihan Include constant in equation berfungsi untuk menampilkan nilai kostanta dalam persamaan regresi. Dalam keadaan default, pilihan ini diaktifkan. Jika kita tidak mengaktifkan pilihan ini, berarti kita akan mendapatkan regresi orisinil tanpa konstanta regresi. Namun, R kuadrat yang dihasilkan tidak dapat digunakan untuk memprediksipengaruh variabel independent terhadap variabel dependent. Pada kotak Missing Values terdapat tiga pilihan, yakni: Exclude cases listwise. Menganalisis case-case yang hanya memiliki harga valid dari semua variabel. Exclude cases pairwise. Menganalisis koefisien korelasi dari seluruh cases yang berharga valid dari dua variabel yang dikorelasikan. Replace with mean. Menggantikan missing value dengan mean variabel. Pada keadaan default,yang diaktifkan adalah pilihan Exclude cases listwise.

7. Klik OK. Hasil lengkap SPSS dijadikan dalam satu file output dengan tersusun rapi sesuai dengan ketentuan yang dikehendaki di atas.

Hasil Analisis Regresi 1. Descriptive Statistics

Hasil analisis data deskriptif di atas merupakan hasil dari pemilihan kotak cek Descriptive pada kotak dialog Statistics. Didapatkan nilai rata-rata serta standar deviasi untuk semua variabel, baik independent maupun dependent. 2. Matriks Koefisien Korelasi

Matriks Koefisien Korelasi (Pearson Correlations) juga didapat dari pilihan Descriptive pada kotak dialog Statistics. Kita dapat melihat koefisien korelasi antar semua variabel. Pada matriks korelasi tersebut, didapatkan angka signifikansi untuk hubungan antar seluruh variabel independent dengan variabel dependent bernilai nol (<0.05), sehingg dapat disimpulkan bahwa memang terdapat hubungan yang signifikan dan korelasi yang erat antara semua variabel independent dengan variabel dependent. 3. Variabel Entered Removed

Hasil variabel Enter/Removed merupakan penentuan pilihan Enter (default) pada kotak Mehod.

4. Model Summary

Pada bagian ini terdapat nilai koefisien determinasi R2 (R square) sebesar 0.989 (98,9%). Ini menunjukkan bahwa sebesar 98,9% variasi variabel dependent (Y) dapat dijelaskan oleh 3 variabel independent (X1, X2, X3), artinya pengaruh variabel independen terhadap perubahan variabel dependen adalah 98,9%, sedangkan sisanya sebesar 1,1% dipengaruhi oleh variabel lain selain variabel independen X1, X2, X3. 5. Anova

Pada bagian ditampilkan tabel analisis varian (Anova). Dari tabel di atas didapat nilai F=329,558 yang dapat digunakan untuk melakukan uji hipotesis dalam memprediksi kontribusi variabel-variabel independent (X1, X2, X3) terhadap variabel dependent (Y). Hipotesis: H0 : 1 = 2 = 3 = 0 H1 : Minimal satu dari tiga variabel tidak sama dengan nol Dengan menentukan tingkat kesalahan 5% dan derajat kebebasan df 1 = 3 dan df2 = 11, maka didapat dari tabel Ftabel = 3,59.

Oleh karena Fhitung (329,558) > Ftabel (0,05) = 3,59, maka H0 ditolak dan H1 diterima. Kesimpulannya, bahwa variabel independent (X1, X2, X3) dengan signifikan memberikan kontribusi terhadap variabel dependent. 6. Coefficients

Dari nilai-nilai pada kolom B dari Unstandardized Coefficients, didapatkan nilai koefisien regresi sehingga terbentuk persamaan regresi:
Y = 47323,909 + 0,889 X 1 8506,227 X 2 +11018,496 X 3

Pada bagian ini ditampilkan juga Standard Error dari masing-masing variabel. Nilai pada kolom Beta, ditampilkan Z-score. Pada kolom berikutnya ditampilkan nilai t dari masingmasing variabel, yang dapat dimanfaatkan untuk menguji keberartian koefisien regresi yang didapatkan. Proses pengujiannya adalah sebagai berikut: Hipotesis: H0 : 1 = 0; 2 = 0; 3 = 0 H1 : 1 0; 2 0; 3 0 Jika tingkat kesalahan ditentukan sebesar 5%, maka kita dapat melihat nilai t pada daftar tabel dengan derajat kebebasan (dk) = 6 adalah 2,447. Nilai t untuk masing-masing variabel adalah X1 = 15,014, X2 = -1,662 dan X3 = 0,776. Dengan demikian, harga t hitung variabel X1 > t tabel, sehingga H 0 ditolak dan sebaliknya H1 diterima. Hal ini menunjukkan bahwa variabel bebas X1 secara signifikan menjelaskan variabel bergantung Y. Sementara harga t hitung untuk variabel X2 dan X3 < t tabel. H 0 diterima dan H1 ditolak. Sehingga, X2 dan X3 tidak dapat menjelaskan variabel bergantung Y. 7. Residual Statistics Pada bagian ini ditampilkan daftar hasil-hasil dari Residual Statistics yang merupakan pilihan pada bagian Statistics.

8. Histogram

9. Normal Plot

10. Scatter Plot

10

11