Uji Regresi Berganda

Uji Regresi Berganda | Seta Basri Menulis Terus
1 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Twitter
Seta Basri Menulis Terus
Facebook
RSS Feed
t i d ak b any ak y a ng b i sa d icerit a kan
Home
Ilmu Politik
Ilmu Budaya
Metode Penelitian
Dunia Komputer
Uji Regresi Berganda

3 9 2 KO M EN TA R
6,574,848
M E T O D E P E N E L IT IA N
Share
76
Organisasi Manajemen
Statistik
O LEH : S ETA BA S RI
Share:
Buku Saya
Suka
76
Tweet
Uji regresi berganda banyak sekali dipakai dalam penelitian. Pemakaian baik untuk keperluan
Telah Terbit
skripsi ataupun penelitian sehari-hari. Kelebihan uji regresi adalah kemampuannya melakukan
prediksi. Bagi kalangan guru sekolah atau dosen, uji regresi bisa dipakai untuk memprediksi
perilaku siswa, baik dalam hal nilai atau perilaku-perilaku lainnya.
Regresi Berganda Simultan atau Standar adalah kembangan lebih lanjut dari Penelitian
Korelasional. Lewat Uji Regresi hendak dilihat bagaimana suatu variabel mempengaruhi variabel
lain. Regresi Berganda Simultan atau Standar juga kerap disebut Standard Multiple Regression
atau Simultaneous Multiple Regression).
Dalam uji regresi berganda simultan, seluruh variabel prediktor (bebas) dimasukkan ke dalam
perhitungan regresi secara serentak. Jadi, peneliti bisa menciptakan persamaan regresi guna
memprediksi variabel terikat dengan memasukkan, secara serentak, serangkaian variabel bebas.
Persamaan regresi kemudian menghasilkan konstanta dan koefisien regresi bagi masing-masing
variabel bebas.
Selain Regresi Berganda Simultan atau Standar, ada pula Regresi Berganda Stepwise dan Regresi
Berganda Hirarki. Tulisan ini hanya hendak mendalami Regresi Berganda Simultan atau Standar
saja.
Label
biografi politik (2)
Regresi Berganda dengan SPSS

Regresi Berganda sangat mudah dilakukan dengan SPSS.
dilakukannya langkah-langkah berikut ini :
birokrasi dan demokrasi (12)

Julie Pallant menginstruksikan
humaniora (3)
komputer (26)
1. Klik Analyze --> Regression --> Linear.
metode penelitian (9)
2. Klik variabel terikat --> Pindahkan ke kotak Dependent.
organisasi dan manajemen (13)
3. Klik variabel bebas --> Pindahkan ke kotak Independent(s).
pengantar ilmu politik (12)
4. Pada Method, pastikan dipilih Enter (untuk Regresi Berganda Standar).
politika (10)
5. Klik tombol Statistics, lalu lakukan :
resensi buku (10)
6. Ceklis Estimates, Model fit, Descriptives, dan Collinearity diagnostics.
sistem politik indonesia (10)
7. Pada bagian Residual, ceklis Casewise diagnostics dan Outliers outside 3 standard
deviations.
sistem sosial dan budaya indonesia (14)

tentang negara (13)
8. Klik Continue.
9. Klik tombol Options. Pada bagian Missing Values ceklis Exclude cases pairwise.
10. Klik tombol Plots, lakukan :
11. Klik *ZRESID dan tombol panah untuk memindahkannya ke kotak y-axis.
Buku dan Film
12. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis.
Conspirata (Robert Harris)
13. Klik Next
Destiny Disrupted (Tamim Ansary)
14. Klik *SRESID dan tombol panah untuk memindahkannya ke kotak y-axis (untuk
melihat homoskedastisitas)
Ghost Writer (Robert Harris)
15. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis (untuk melihat
homoskedastisitas)
16. Pada bagian Standardized Residual Plots, ceklis pilihan Normal probability plot.
Imperium (Robert Harris)

Pompeii (Robert Harris)
Taiko (Eiji Yoshikawa)
17. Klik Continue.

18. Klik tombol Save.
19. Pada bagian Predicted Values, ceklis Unstandardized, Standardized, Adjusted
20. Pada bagian Residuals, ceklis Standardized, Deleted, dan Studentized deleted.
Cari Blog Ini
21. Pada bagian Distances, ceklis Mahalanobis, Cooks, dan Leverage values.
22. Pada bagian Influence Statistics, ceklis Standardized dfBeta(s) dan Standardized DiFit
23. Klik Continue.
09/05/2014 13:48
2 of 38
24. Klik OK.

RECENT
POPULAR
LABEL
Asumsi Uji Regresi Berganda (Multiple Regression)

Model-model Kepemimpinan Politik
Menurut Julie Pallant dan Andy Field, Uji Regresi Berganda punya sejumlah asumsi yang tidak
boleh dilanggar. Asumsi-asumsi Uji Regresi Berganda adalah:
1. Ukuran Sampel
Masalah berkenaan ukuran sampel di sini adalah generabilitas. Dengan sampel kecil anda tidak
bisa melakukan generalisasi (tidak bisa diulang) dengan sampel lainnya. Berbeda penulis berbeda
berapa sampel yang seharusnya dalam uji Regresi Berganda. Stevens (1996, p.72)
merekomendasikan bahwa untuk penelitian ilmu sosial, sekitar 15 sampel per prediktor (variabel
Partai Politik Pasca Reformasi antara

Disalignment dan Realignment
Nasib Sistem Pemerintahan Presidensil Pasca
Pemilihan Presiden 2014
Prediksi Koalisi Pasca Pileg 2014
Bandwagoning dalam Tahun Politik Indonesia
2014
bebas) dibutuhkan untuk mengisi persamaan uji regresi. Tabachnick and Fidell (1996, p.132)
memberi rumus guna menghitung sampel yang dibutuhkan uji Regresi, berkaitan dengan jumlah
variabel bebas yang digunakan:
Eropa Timur Negara-negara Bentuk dan

Sistem Pemerintahan
n > 50 + 8m
Eropa Utara Negara-negara Bentuk dan

Sistem Pemerintahan
Dimana :
n = Jumlah Sampel
Eropa Barat Negara-negara Bentuk dan

Sistem Pemerintahan
m = Jumlah Variabel Bebas
Eropa Selatan Negara-negara Bentuk dan

Sistem Pemerintahan
Jika peneliti menggunakan 5 variabel bebas, maka jumlah sampel yang dibutuhkan adalah 90
orang, dalam mana 50 ditambah ( 5 x 8) = 50 + 40 = 90.
Asia Selatan Negara-negara Bentuk dan

Sistem Pemerintahan
2. Outlier
Regresi Berganda sangat sensitif terhadap Outlier (skor terlalu tinggi atau terlalu rendah).
Pengecekan terhadap skor-skor ekstrim seharusnya dilakukan sebelum melakukan Regresi
Berganda. Pengecekan ini dilakukan baik terhadap variabel bebas maupun terikat. Outlier bisa
dihapus dari data atau diberikan skor untuk variabel tersebut yang tinggi, tetapi tidak terlampau
beda dengan kelompok skor lainnya. Prosedur tambahan guna mendeteksi outlier juga terdapat
pada program SPSS file mah_1. Outlier pada variabel terikat dapat diidentifikasi dari Standardised
Residual plot yang dapat disetting. Tabachnick and Fidell (1996, p. 139) menentukan outlier adalah
nilai-nilai Standardised Residual di atas 3,3 (atau < - 3,3).
Followers
Join this site
with Google Friend Connect
Members (163) More
Outlier juga bisa dicek menggunakan jarak Mahalanobis yang tidak diproduksi oleh program
Regresi Berganda SPSS ini. Ia tidak terdapat dalam output SPSS. Untuk mengidentifikasi sampel
mana yang merupakan Outlier, anda perlu menentukan nilai kritis Chi Square, dengan
menggunakan jumlah variabel bebas yang digunakan dalam penelitian sebagai degree of
freedom-nya atau derajat kebebasan. Pallant menggunakan Alpha 0,001 agar lebih meyakinkan,
yang rinciannya sebagai berikut:
Already a member? Sign in
Sponsors
Untuk menggunakan tabel kritis Chi Square, lakukan langkah berikut:
1. Tentukan variabel bebas yang digunakan dalam analisis;
2. Temukan nilai di atas pada salah satu kolom berbayang; dan
Tes Kecepatan Blog
3. Baca melintasi kolom untuk menemukan nilai kritis yang dikehendaki.
Direktori Indonesia
3. Normalitas Residu
Normalitas adalah residu yang seharusnya terdistribusi normal seputar skor-skor variabel terikat.
Residu adalah sisa atau perbedaan hasil antara nilai data pengamatan variabel terikat terhadap
nilai variabel terikat hasil prediksi. Untuk melihat apakah residu normal atau tidak, dapat
dilakukan dengan cara berikut:
1. Melihat grafik Normal P-P Plot, dan
Translate
Diberdayakan oleh
Terjemahan
2. Uji Kolmogorov-Smirnov
Pada grafik Normal P-P Plot, residu yang normal adalah data memencar mengikuti fungsi distribusi
normal yaitu menyebar seiring garis z diagonal. Residu normal dari uji Kolmogorov-Smirnov
adalah diperolehnya nilai p > 0,05.
Linieritas adalah residual yang seharusnya punya hubungan dalam bentuk straight-line dengan
skor variabel terikat yang diprediksi. Homoskedastisitas adalah varians residual seputar skor-skor
variabel terikat yang diprediksi seharusnya sama bagi skor-skor yang diprediksi secara
keseluruhan.
09/05/2014 13:48
3 of 38
4. Multikolinieritas
Uji Regresi mengasumsikan variabel-variabel bebas tidak memiliki hubungan linier satu sama lain.
Sebab, jika terjadi hubungan linier antarvariabel bebas akan membuat prediksi atas variabel
terikat menjadi bias karena terjadi masalah hubungan di antara para variabel bebasnya.
Dalam Regresi Berganda dengan SPSS, masalah Multikolinieritas ini ditunjukkan lewat tabel
Coefficient, yaitu pada kolom Tolerance dan kolom VIF (Variance Inflated Factors). Tolerance
adalah indikator seberapa banyak variabilitas sebuah variabel bebas tidak bisa dijelaskan oleh
variabel bebas lainnya. Tolerance dihitung dengan rumus 1 R2 untuk setiap variabel bebas. Jika
nilai Tolerance sangat kecil (< 0,10), maka itu menandakan korelasi berganda satu variabel bebas
sangat tinggi dengan variabel bebas lainnya dan mengindikasikan Multikolinieritas. Nilai VIF
merupakan invers dari nilai Tolerance (1 dibagi Tolerance). Jika nilai VIF > 10, maka itu
mengindikasikan terjadinya Multikolinieritas.
Hipotesis untuk Multikolinieritas ini adalah:
5. Autokorelasi
Autokorelasi juga disebut Independent Errors. Regresi Berganda mengasumsikan residu observasi
seharusnya tidak berkorelasi (atau bebas). Asumsi ini bisa diuji dengan teknik statistik DurbinWatson, yang menyelidiki korelasi berlanjut antar error (kesalahan). Durbin-Watson menguji
apakah residual yang berdekatan saling berkorelasi. Statistik pengujian bervariasi antara 0 hingga
4 dengan nilai 2 mengindikasikan residu tidak berkorelasi. Nilai > 2 mengindikasikan korelasi
negatif antar residu, di mana nilai < 2 mengindikasikan korelasi positif. >
Cara melakukan uji Durbin-Watson adalah, nilai Durbin-Watson hitung harus lebih besar dari batas
atas Durbin-Watson tabel. Syarat untuk mencari Durbin-Watson tabel adalah Tabel Durbin-Watson.
Untuk mencari nilai Durbin-Watson tabel:
1. tentukan besar n (sampel) dan k (banyaknya variabel bebas).
2. Tentukan taraf signifikansi penelitian yaitu 0,05.
Durbin-Watson hitung dapat dicari dengan SPSS. Nilai Durbin-Watson hitung terdapat dalam output
SPSS, khususnya pada tabel Model Summary. Hipotesis untuk Autokorelasi ini adalah:
Pengambilan keputusannya adalah:

Dengan kurva normal pengambilan Durbin-Watson:
Terima H0 jika Durbin-Watson hitung lebih besar dari ..... dan Durbin-Watson hitung
lebih kecil dari 4 - .....; Artinya tidak ada Autokorelasi.
Tolak H0 jika Durbin-Watson hitung lebih kecil dari ..... atau 4 - ..... lebih kecil dari
.....; Artinya ada Autokorelasi.
09/05/2014 13:48
4 of 38
6. Homoskedastisitas
Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas bukan Heteroskedastisitas.
Homoskedastisitas adalah kondisi dalam mana varians dari data adalah sama pada seluruh
pengamatan. Terdapat sejumlah uji guna mendeteksi gejala heteroskedastisitas misalnya uji
Goldfeld-Quandt dan Park. Namun, Wang and Jain beranggapan bahwa Uji Park dapat lebih teliti
dalam memantau gejala heteroskedastisitas ini. Dengan demikian, penelitian ini
menggunakan Uji Park guna menentukan gejala heteroskedastisitas variabel-variabelnya.
akan
Uji Park dilakukan dengan meregresikan nilai residual (Lne2) dengan masing-masing variabel
independent. The Park test suggests that if heteroscedasticity is present, the heteroscedastic
varianc e_i^2 may be systematically related to one or more of the explanatory variables. Rumus
uji Park sebagai berikut:
Cara melakukan Uji Park adalah sebagai berikut:

1. Dengan SPSS klik Analyze -->Regression --> Linear --> Masukkan variabel y ke
Dependent --> Masukkan variabel x1, x2, x3, x4 ke Independent(s) --> Klik Save -->
Pada Residual klik Unstandardized --> Continue --> OK
2. Pada SPSS klik Data View --> Cek bahwa ada satu variabel baru bernama res_1. Ini
merupakan nilai _i^ . Nilai ini harus dikuadratkan dengan cara (pada SPSS) klik
Transform --> Compute --> Isi Target Variable dengan _i^2 --> Pada operasi hitung
kalikan nilai _i^ dengan _i^ . Pada Variable View SPSS muncul variabel baru
bernama _i^2.
3. Dengan SPSS, tepatnya menu Transform --> Compute lakukan perubahan nilai _i^2,
X1, X2, X3, X4 ke dalam bentuk logaritma natural (Ln) [caranya dengan Klik Ln lalu
pindahkan variabel] Ln(_i^2 ) yaitu regresi unstandardized residual pada Target
Variable dinamai Lnei2; X1 yaitu variabel x1 pada Target Variable dinamai Lnx1; X2
yaitu variabel x2 pada Target Variable dinamai Lnx2; x3 yaitu variabel x3 pada Target
Variable dinamai Lnx3; x4 yaitu variabel x4 pada Target Variable dinamai Lnx4.
4. Setelah diperoleh nilai variabel-variabel baru Lnei2, LnX1, LnX2, LnX3, dan LnX4.
5. Lakukan uji regresi kembali secara satu per satu.
6. Pertama, klik Analyze --> Regression>Linear --> Masukkan variabel Lnei2 ke kotak
Dependent --> Masukkan variabel LnX1 ke Independent(s) --> OK. Sementara hasil
belum dihiraukan.
7. Kedua, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di
Dependent, biarkan > Keluarkan LnX1 dan masukkan LnX2 ke Independent(s) > OK.
Sementara hasil belum dihiraukan.
8. Ketiga, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di
9. Keempat, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di
10. Perhatikan Output SPSS. Pada output, terdapat hasil perhitungan Park bagi variabel x1,
x2, x3 dan x4, tepatnya adalah hasil uji Lnei2 dengan LnX1, dan uji Lnei2 dengan LnX2,
uji Lnei2 dengan LnX3, dan uji Lnei2 dengan LnX4.
11. Peneliti akan memperbandingkan apa yang tertera di tabel Coefficients, yaitu nilai t.
memastikan apakah ada
gejala
heteroskedastisitas,
peneliti
akan
12. Guna
memperbandingkan nilai thitung dengan ttabel. Nilai ttabel dapat dicari pada Tabel t,
yaitu dengan menentukan df = n - 4 . n adalah jumlah sampel dan 4 karena jumlah
variabel independen penelitian adalah 4. Sehingga nilai df = 48 4 = 44. Dalam taraf
0,05 uji yang dilakukan adalah 2 sisi sehingga singnifikansi pada tabel adalah 0,025.
Dengan mempertemukan nilai 46 dan 0,025 dan uji 2 sisi pada taraf 95% (0,025) pada Tabel t
diperoleh nilai t tabel penelitian sebesar ......
Hipotesis yang diajukan mengenai masalah homoskedastisitas ini sebagai berikut:
Alternatif Uji Homoskedastisitas Jika Uji Park dianggap Terlampau Rumit
09/05/2014 13:48
5 of 38
Jika uji Park dianggap terlampau rumit, maka pengujian alternatif dapat ditempuh guna melihat
apakah terjadi Homoskedastisitas atau Heteroskedastisitas.
Caranya dengan melihat grafik persilangan SRESID dengan ZPRED pada output hasil SPSS.
Caranya sebagai berikut:
1. Klik Analyze --> Regression --> Linear
2. Klik Plot.
3. Isikan SRESID pada y-axis dan ZPRED pada x-axis.
4. Klik Continue. Perhatikan grafik scatterplot. Ingat, Homoskedastisitas terjadi jika
varians dari residual satu pengamatan ke pengamatan lain tetap atau sama.
Heteroskedastisitas terjadi jika varians dari residual satu pengamatan ke pengamatan
lain tidak sama atau tidak tetap.
Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas, serta titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y. Heteroskedastisitas terjadi jika terdapat titik-titik
memili pola tertentu yang teratur seperti bergelombang, melebar kemudian menyempit.
Interpretasi Hasil Uji Regresi Berganda
Setelah uji Regresi Berganda selesai dilakukan, peneliti harus melakukan interpretasi. Rumus
Regresi Berganda (standar) adalah sebagai berikut:
Setelah pengujian Regresi Berganda dengan SPSS selesai, hal-hal penting untuk interpretasi
adalah apa yang tercantum pada tabel-tabel pada output SPSS.
Tabel Descriptives
Pada tabel Descriptive dapat dilihat nilai Standar Deviasi. Nilai ini terdapat pada kolom Std.
Deviation. Nilai ini nanti akan diperbandingkan dengan nilai Std. Error of the Estimate.
Tabel Model Summary
Tabel ini memberi informasi seberapa baik model analisis kita secara keseluruhan, yaitu
bagaimana 4 variabel bebas mampu memprediksikan 1 variabel terikat, dengan rincian sebagai
berikut ini:
Kolom Model. Menunjukkan berapa buah model analisis yang kita bentuk.
Kolom R. Menunjukkan seberapa baik variabel-variabel bebas memprediksikan hasil (multiple
correlation coefficient). Kisaran nilai R adalah 0 hingga 1. Semakin nilai R mendekati angka 1,
maka semakin kuat variabel-variabel bebas memprediksikan variabel terikat. Namun, ketepatan
nilai R ini lebih disempurnakan oleh kolom Adjusted R Square yang merupakan koreksi atas nilai
R.
Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari
jawaban yang dibutuhkan dari populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1.
Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai berikut:
Kalikan Adjusted R2 dengan 100% maka akan diperoleh berapa % varians tiap sampel pada
variabel terikat bisa diprediksi oleh variabel-variabel bebas secara bersama-sama (simultan).
Std. Error of the Estimate. Kolom ini menjelaskan seberapa kuat variabel-variabel bebas bisa
memprediksi variabel terikat. Nilai Std. Error of the Estimate diperbandingkan dengan nilai Std.
Deviation (bisa dilihat pada tabel Descriptives). Jika Std. Error of the Estimate < Std. Deviation,
maka Std. Error of the Estimate baik untuk dijadikan prediktor dalam menentukan variabel terikat.
09/05/2014 13:48
6 of 38
Jika Std. Error of the Estimate > Std. Deviation, maka Std. Error of the Estimate tidak baik untuk
dijadikan prediktor dalam mementukan variabel terikat.
Durbin-Watson. Kolom ini digunakan untuk mengecek uji asumsi Autokorelasi. Bagaimana variabel
bebas yang satu berkorelasi dengan variabel bebas lainnya. Durbin-Watson ini digunakan dalam uji
asumsi Regresi sebelumnya.
Tabel Coefficients
Pada tabel Coefficient, mohon perhatikan lalu jelaskan nilai-nilai yang tertera pada kolom-kolom
berikut ini:
Model. Kolom ini menjelaskan berapa banyak model analisis yang dibuat peneliti. Pada kolom ini
juga terdapat nama-nama variabel bebas yang digunakan dalam penelitian. Variabel-variabel
tersebut diberi label Constant yaitu nilai konstanta yang digunakan dalam persamaan uji Regresi
Berganda (a).
Unstandardized Coefficient. Kolom ini terdiri atas b dan Std. Error. Kolom b menunjukkan Koefisien
b, yaitu nilai yang menjelaskan bahwa Y (variabel terikat) akan berubah jika X (variabel bebas)
diubah 1 unit.
Standardized Coefficients. Pada kolom ini terdapat Beta. Penjelasan sebelumnya mengenai nilai b
punya masalah karena variabel-variabel kerap diukur menggunakan skala-skala pengukuran yang
berbeda. Akibatnya, kita tidak bisa menggunakan nilai b guna melihat variabel-variabel bebas
mana yang punya pengaruh lebih kuat atas variabel terikat. Misalnya, jika variabel yang diteliti
adalah jenis kelamin yang punya skala minimal 1 dan maksimal 2 dan pengaruhnya terhadap sikap
yang skalanya minimal 1 dan maksimal 6, nilai b diragukan efektivitas prediksinya. Ini akibat nilai
yang diperolehnya rendah atas pengaruh perbedaan skala pengukuran. Untuk memastikan
pengaruh inilah maka nilai Beta dijadikan patokan. Nilai Beta punya kisaran 0 hingga 1, di mana
semakin mendekati 1 maka semakin berdampak besar signifikansinya.
Sig. Kolom ini menjelaskan tentang signifikansi hubungan antar variabel bebas dengan variabel
terikat. Nilai Sig. ini sebaiknya adalah di bawah 0,05 (signifikansi penelitian).
Tolerance. Kolom ini menjelaskan banyaknya varians pada suatu variabel yang tidak bisa
dijelaskan oleh variabel prediktor lainnya. Kisarannya 0 hingga 1, di mana semakin mendekati 1
maka semakin mengindikasikan prediktor-prediktor lain tidak bisa menjelaskan varians di variabel
termaksud. Nilai yang semakin mendekati 0 artinya hampir semua varians di dalam variabel bisa
dijelaskan oleh variabel prediktor lain. Nilai Torelance sebaiknya ada di antara 0,10 hingga 1.
Tabel ANOVA
Sig. Tabel ANOVA menunjukkan besarnya angka probabilitas atau signifikansi pada perhitungan
ANOVA. Nilai yang tertera digunakan untuk uji kelayanan Model Analisis [dimana sejumlah variabel
x mempengaruhi variabel y] dengan ketentuan angka probabilitas yang baik untuk digunakan
sebagai model regresi harus < 0,05. Nilai ini bisa dilihat pada kolom Sig. Jika Sig. < 0,05, maka
Model Analisis dianggap layak. Jika Sig. > 0,05, maka Model Analisis dianggap tidak layak.
Pengambilan Keputusan dengan Tabel ANOVA
Dalam Regresi Berganda, hal utama yang hendak dilihat adalah apakah serangkaian variabel
bebas secara serentak mempengaruhi variabel terikat. Dalam output SPSS ini bisa ditentukan
lewat tabel ANOVA.
Pada tabel ANOVA terdapat kolom F. Nilai yang tertera pada kolom F tersebut disebut sebagai F
hitung. F hitung ini diperbandingkan dengan F tabel. Peraturannya:
Persoalannya, bagaimana menentukan F tabel? F tabel dapat ditentukan dengan cara:

1. Tentukan signifikansi penelitian yaitu 0,05 (uji 2 sisi jadi 0,025.
2. Tentukan df1. Df1 diperoleh dari jumlah variabel bebas
3. Tentukan df2. Df2 diperoleh dari n k 1 = 48 4 1 = 43.
4. Cari angka 43 dan 4 dalam tabel F untuk signifikansi 0,025.
5. Dengan Excel, ketikkan rumus =FINV(0,05;4;43)
Selain perbandingan nilai F, penerimaan atau penolakan Hipotesis juga bisa menggunakan nilai Sig.
pada tabel ANOVA. Peraturannya:
09/05/2014 13:48
7 of 38
Koefisien Determinasi
Dalam uji Regresi Berganda, Koefisien Determinasi digunakan untuk mengetahui persentase
sumbangan pengaruh serentak variabel-variabel bebas terhadap variabel terikat. Untuk itu,
digunakan angka-angka yang ada pada Tabel Model Summary.
Cara menentukan Koefisien Determinasi sangatlah mudah. Peneliti tinggal melihat nilai pada kolom
R2 dikalikan 100%. Misalnya nilai R2 adalah 0,7777. Dengan demikian Koefisien Determinasinya =
0,7777 x 100% = 77,77%. Jadi, secara serentak variabel-variabel bebas mempengaruhi variabel
terikat sebesar 77,77%. Sisanya, yaitu 100 77,77% = 22,23% ditentukan oleh variabel-variabel
lain yang tidak disertakan di dalam penelitian.
Koefisien Regresi Parsial
Koefisien Regresi Parsial menunjukkan apakah variabel-variabel bebas punya pengaruh secara
parsial (terpisah atau sendiri-sendiri) terhadap variabel terikat?
Pada Tabel Coefficient, pengujian Hipotesis akan dilakukan. Uji hipotesis dilakukan dengan
menggunakan Uji t. Pernyataan Hipotesis yang hendak diuji sebagai berikut:
Nilai t hitung bisa dilihat pada kolom t bagi masing-masing variabel bebas.
Nilai t tabel bisa dicari dengan cara berikut ini:
1. = 0,05; untuk uji 2 sisi = 0,025
2. Degree of Freedom (df) = jumlah sampel jumlah variabel bebas 1 (angka 1 adalah
konstanta) = 48 4 1 = 43.
3. Cari persilangan antara df = 43 dan 0,025.
4. Pencarian nilai t tabel dengan Excel mudah sekali. Ketik rumus =tinv(0,05;43).
----------------------------------------Daftar Pustaka
Andi Field, Discovering Statistics using SPSS: And Sex Drug and Alcohol, Second Edition
(London: SAGE Publication, 2005)
Daniel Muijs, Doing Quantitative Research in Education with SPSS (London: SAGE
Publication Ltd., 2004)
George C.S. Wang and Chaman L. Jain, Regression Analysis: Modelling and Forecasting
(New York: Graceway Publishing Company, 2003)
Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap untuk Melakukan Komputasi
Statistik Menggunakan SPSS 16 (Yogyakarta: Penerbit ANDI, 2009)
Julie Pallant, SPSS Survival Manual: A Step by Step Guide to Data Analysis using SPSS
for Windows, Third Edition (Berkshire: McGraw-Hill and Open University Press, 2007)
Nancy L. Leech, Karen C. Barrett, George A. Morgan, SPSS for Intermediate Statistics:
Use and Interpretation, Second Edition (New Jersey: Lewrence Erlbaum Associates,
Publishers, 2005)
Sarah Boslaugh and Paul Andrew Watter, Statistics in a Nutshell: A Desktop Quick
Reference (Sebastopol: OReilly Media, Inc., 2008)
Simon Washington, Matthew G. Karlaftis and Fred L. Mannering, Statistical and
Econometric Methods for Transportation Data Analysis, (Boca Raton : Chapman &
09/05/2014 13:48
8 of 38
Hall/CRC, 2003)
Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS (Yogyakarta: Penerbit
Universitas Atma Jaya Yogyakarta, 2009)
tags:
cara uji regresi berganda dengan spss menafsirkan output hasil spss arti tabel summary koefisien
determinasi regresi parsial mengolah hasil spss
+2 Rekomendasikan ini di Google
Jika hendak langsung isi komentar, klik di sini:
392 komentar:
yuanita Kamis, 28 April, 2011
Terima kasih, tulisan saudara membantu saya lebih memahami statistik..terus menulis ya! ^*
Balas
Balasan
seta basri
Rabu, 11 April, 2012
Sama-sama. Semoga bermanfaat.

Balas
Anonim Minggu, 22 Mei, 2011

thank a lot
Balas
seta basri
Rabu, 20 Juli, 2011

Balas
aguk Kamis, 28 Juli, 2011

trims banyak sodara... :)
Balas
Balasan
seta basri

Balas
Anonim Selasa, 02 Agustus, 2011

terima kasih :D
tulisan anda banyak membantu dalam skripsi saya..
Balas
Balasan
seta basri
Sama-sama. Sukses ya.

Balas
Anonim Jumat, 12 Agustus, 2011

Terimakasih
Tulisan Anda sangat membantu
Balas
09/05/2014 13:48
9 of 38
seta basri
Sabtu, 20 Agustus, 2011

Balas
hime Senin, 17 Oktober, 2011

kalo yang dipake nilai standardized coefficients boleh kan??? sumbernya dari mana ya???
bole tolong dibantu
sya lage ngerjain skripsi
makasi
Balas
seta basri
Selasa, 18 Oktober, 2011
Kelihatannya tidak masalah. Asalkan variabel x (dalam item kuesioner) punya pilihan jawaban
1 s/d 5 dan variabel y juga 1 s/d 5. Nilai Standardized Coefficient (kolom Beta dalam SPSS)
memang digunakan untuk mengukur kekuatan pengaruh. Sumber : Robert Ho, Handbook of
Univariate and Multivariate Dana Analysis and Interpretation with SPSS(Boca Raton: Chapman
& Hall, 2006) pp. 200-1.
Balas
Anonim Jumat, 21 Oktober, 2011

mau tanya pak,
bagaimana kalau nilai adjusted r squarenya nya negatif?
apa jumlah sampel 88(setelah di polingg dari 22 sampel sellama 4 tahun) dan jumlah variabel
bebas 4 juga berpangaruh?
trimakasih pak
Balas
seta basri
Jumat, 21 Oktober, 2011
--> Inti nilai negatif Adjusted R Square adalah calculation error.

Berapakah nilai R Square-nya dari perhitungan ini ?
Ini penting, karena Adjusted R Square akan NEGATIF apabila R Square hasil hitung lebih kecil
dari Yang Diharapkan dari rumus k/(n-1). Dalam perhitungan anda karena R Square < k/(n-1)
maka terjadilah nilai negatif Adjusted R Square. k = jumlah regresor/variabel bebas, n =
jumlah sampel.
Apakah 88 sampel berasal dari responden berbeda atau sama? Saran saya anda bisa
mengganti model analisisnya dan mengujinya kembali dengan SPSS.
Idealnya Uji Regresi menghendaki sampel lebih besar dari rumus 50 + 8m . m = jumlah
variabel bebas. Dalam kasus anda jumlah sampel sebenarnya mencukupi. Hanya coba
dikutak-kutik modelnya.
Misalnya, Anda bisa mencoba dengan mengurangi variabel-variabel bebas atau indikatorindikator variabel bebas yang tidak perlu. Regresor berlebihan adalah salah satu hal yang
membuat R Square < Harapan k/(n-1). Selamat mencoba.
Balas
Sally Kamis, 05 Januari, 2012

wahh..setelah baca tulisan Anda saya mendapatkan banyak pencerahan, terimakasih banyak
atas tulisannya.. sangat membantu sekali :)tetap terus menulis ya Pak..
Balas
seta basri
Kamis, 05 Januari, 2012
Ya, terima kasih. Semoga bermanfaat.

Balas
Anonim Senin, 09 Januari, 2012

halo pak seta basri, boleh minta ym atau kontak bapak yg lain? ingin konsultasi tentang olah
data nih terima kasih :)
Balas
seta basri
Senin, 09 Januari, 2012
Ada ym saya dengan nama yang serupa. Namun, di ruang ini juga tidak mengapa Pak.
Sekalian jadi saya juga sekalian belajar. Silakan.
Balas
Anonim Kamis, 12 Januari, 2012

saya sedang meneliti dengan menggunakan regresi berganda dengan 4 variabel bebas
09/05/2014 13:48
10 of 38
berpengaruh terhadap 1 variabel terikat. ada 4 hipotesis. yang ingin saya tanyakan apakah
boleh menguji normalitas, heterokedastisitas, multikolinier dan autokorelasi dengan
menggabungkan data ke-4 variabel bebas tersebut menjadi 1? atau harus diuji satu-satu ya
pak? terima kasih
Balas
seta basri
Kamis, 12 Januari, 2012
Empat variabel bebas tidak boleh dikompresi menjadi satu variabel. Masing-masing variabel
berdiri sendiri.
Jika menggunakan SPSS, contohnya dalam uji asumsi autokorelasi, maka masukkan variabel
x1, x2, x3, dan x4 ke independent(s) dan variabel y ke dependent. Demikian untuk uji-uji
asumsi lainnya.
Balas
Anonim Rabu, 18 Januari, 2012

kereenn,, terima kasih banyak.. oiya ada mau numpang tanya, untuk mencari df di uji tabel t
parsial, ttp sama rumusnya tidak apabila mnggunakan 0.025 (uji dua sisi), terima kasih
Balas
seta basri
Rabu, 18 Januari, 2012
Sama Pak. Hanya nilainya makin besar.

Balas
Bayu Sabtu, 21 Januari, 2012

bisa beri penjelasan tentang apa itu Multiple hierarchical regressions ?
Balas
Anonim Minggu, 22 Januari, 2012

maaf saya ingin bertanya
bagaimana jika nilai r square = 1.000
soalnya penelitian saya hasilny sperti itu
tp sy ragu
terima kasih
Balas
seta basri
Senin, 23 Januari, 2012
@ Bayu: Hierarchical Multiple Regression adalah uji regresi guna mengetahui pengaruh
sejumlah variabel bebas atas variabel terikat, di mana peneliti menganggap pengaruh satu
atau sejumlah variabel bebas lebih mempengaruhi variabel terikat ketimbang variabel bebas
lain yang diikutsertakan dalam penelitian. Misalnya, dalam meneliti Stabilitas Politik (VT)
peneliti (berdasarkan teori) menggunakan Pembangunan Ekonomi (VB1) dan Pelembagaan
Politik (VB2). Namun, berdasarkan teori peneliti memperoleh informasi bahwa Pembangunan
Ekonomi (VB1) lebih berpengaruh atas Stabilitas Politik (VT) ketimbang Pelembagaan Politik
(VB2). Sebab itu, dalam menghitung Regresi, peneliti menggunakan Hierarchical Multiple
Regression: Peneliti melakukan dua kali pengujian. Pertama menguji pengaruh VB1 atas VT
(disebut Model 1). Kedua menguji pengaruh VB2 atas VT (disebut Model 2). Setelah itu
peneliti melihat R-squarenya dikali 100%. Semakin mendekati 100% artinya VB tersebut lebih
berpengaruh atas VT.
@ anonim: Dengan demikian berarti VB dalam menjelaskan 100% varians VT. Kalau rangkaian
uji validitas, uji reliabilitas, dan uji-uji asumsi regresi sudah dilaksanakan hasil tersebut sahih.
Balas
Bayu Senin, 23 Januari, 2012

Rumus dari Regresi Berganda hirarkis apakah sama dengan rumus dari regresi berganda?,
terima kasih sebelumnya.
Balas
seta basri
Selasa, 24 Januari, 2012
@ Bayu: Maaf ada perbaikan. VB2 (yang dianggap kurang berpengaruh) dihitung terlebih
dahulu disebut Model 1. Setelah itu baru VB1 (yang dianggap lebih berpengaruh) disebut
Model 2. Lalu perbandingkan nilai R Square Changed. Apakah nilai Model 2 lebih tinggi dari
Model 1? Jika nilai lebih tinggi dari Model 1 (otomatis juga nilai R Square-nya) maka pengaruh
VB1 atas VT lebih besar ketimbang VB2 atas VT.
Rumusnya tentu berbeda. Dalam HMR dilihat nilai perubahan kuadrat R, apakah lebih tinggi
atau lebih rendah dari masing-masing Model.
Balas
Rininta Selasa, 31 Januari, 2012
09/05/2014 13:48
11 of 38
Kira-kira buku apa yang mempunyai penjelasan lengkap tentang regresi berganda hirarki plus
pengujiannya dengan SPSS atau alat lain, Pak ?
Terima kasih benyak sebelumnya..
Balas
dhani Rabu, 08 Februari, 2012

mau tanya Pak,
kalau ada dua buah sinyal suara (berarti ada dua kelompok data), bagaimana cara mendeteksi
apakah kedua sinyal itu saling bebas atau tidak?
terimakasih
Balas
seta basri
Rabu, 08 Februari, 2012
Kalau keduanya berasal dari kelompok sampel yang berbeda bisa gunakan uji Mann-Whitney
atau Kolmogorov-Smirnov.
Balas
seta basri
@ Rininta: Robert Ho, Handbook of Univariate and Multivariate

Interpretation with SPSS(Boca Raton: Chapman & Hall, 2006)
Data
Analysis
and
Balas
Rininta Senin, 13 Februari, 2012

Makasih Pak, referensinya bagus sekali, dan mudah dicari softcopy'nya di Google... :)
Balas
seta basri
Senin, 13 Februari, 2012

Balas
Nico Wardana Senin, 20 Februari, 2012

numpang nanya nich..
arti dari standar error di Tabel Coefficients y mas,,
bagaimana cara membaca dan fungsinya.. terima kasih...
Balas
seta basri
Untuk SE silakan lihat di link http://setabasri01.blogspot.com/2011/04/analisis-deskriptifdengan-importance.html khususnya sub D.4. SE intinya seberapa baik sampel mewakili
populasi.
Balas
anestasya Selasa, 06 Maret, 2012

saya mau nanya, apabila nilai r square n adj. r square = 1
bagaimana menginpretasikannya di skripsi..
Balas
seta basri
Selasa, 06 Maret, 2012
Kalau R dan Adjusted R Sq = 1 artinya sampel penelitian "tinggi ketepatannya" dalam mencari
jawaban yang dibutuhkan dari populasinya. Lihat pula nilai Sig. hasil perhitungan SPSS. Jika
(umumnya) < 0,05 maka nilai "1" hasil perhitungan signifikan. Jika >= 0,05 maka nilai "1"
tidak signifikan.
Untuk pengambilan keputusan dalam uji hipotesis, lihat sub E. Pengambilan Keputusan: Tabel
ANOVA. Lalu juga perhatikan nilai koefisien determinasinya, dimana nilai ini menentukan
pengaruh x terhadap y sebesar "sekian" persen. Jangan lupa kaitkan dengan teori-teori yang
telah dimuat dalam landasan teori sebelumnya.
Balas
Enrique Rabu, 07 Maret, 2012

Halo pak seta basri..
Blog anda sangat informative dan sangat membantu kami yang sedang membuat penelitian..
Saya hendak bertanya pak,. saya sedang melakukan penelitian dengan menggunakan
09/05/2014 13:48
12 of 38
purposive sampling dimana dari populasi sebanyak 133 perusahaan, hanya terdapat 33
perusahaan yg memenuhi kriteria penelitian saya.. pada penelitian ini, saya akan menguji
pengaruh 4 variable independen terhadap 1 variable dependen,. dalam penelitian saya, akan
dipakai 3 tahun (2008, 2009 dan 2010) untuk kepentingan penelitian..
saya akan menggunakan analisa regresi berganda, apakah jumlah sampel sebanyak 33 sampel
sudah cukup untuk dapat menjalankan alat statistik (analisa regresi berganda SPSS)..??
apakah bisa dibenarkan bahwa jumlah sampel saya sebanyak 99 sampel yang didapat dari 33
perusahaan x 3 tahun? apa alasannya pak?
mohon bimbingan dan informasinya pak...
terima kasih pak..
Balas
seta basri
Kamis, 08 Maret, 2012
Wah, anda yang sepatutnya membimbing saya. Saya bahkan sama sekali belum pernah
melakukan penelitian atas banyak perusahaan seperti yang Bapak lakukan. Mohon anggap
jawaban saya sebagai lontaran pendapat yang patut dikoreksi lebih lanjut ya. Setahu saya,
dalam regresi umumnya dicari nilai R sebagai wujud dari pengaruh X terhadap Y. Taksiran nilai
R ini rentan dan sangat bergantung pada jumlah prediktor (VB) dan ukuran sampel. Mohon
tidak dianggap nilai R yang dijelaskan kemudian ini dimaksud sebagai "nilai R" hasil Uji
Regresi. Bukan demikian, melainkan untuk menaksir jumlah sampel "terbaik" yang harus dicari
akibat adanya sejumlah Prediktor. Dalam menaksir jumlah sampel, asumsi paling ideal R=0
dan paling kurang ideal R=1. Rumus "fleksibel" dalam menaksir "nilai R jenis ini" adalah
R=k/(N-1) di mana k=jumlah VB, N=jumlah sampel. Angka ideal untuk rumus tersebut adalah
0 sebagai yang paling ideal dan 1 sebagai yang paling kurang ideal. Misalnya, kita punya 6 VB
dan sampel 21 maka R=k/(N-1)=6/(21-1)=6/20=0,3. Bandingkan dengan kita punya 6 VB
dan sampel 100 maka R=k/(N-1)=6/(100-1)=6/99=0,06. Dapat dilihat 0,06 lebih ideal karena
lebih dekat ke 0 ketimbang 0,3. Juga dapat disebut 100 sampel lebih mendekati ideal
ketimbang 21 sampel.
Kalau pendapat saya, apakah dengan prediktor 4 variabel dan sampel 33 uji regresi bisa
dilaksanakan, maka jawabannya bisa. Dan itu bergantung pada pilihan peneliti. Umumnya,
dalam mengharapkan "nilai R hasil hitung SPSS, ada 3 harapan para peneliti sehubungan uji
regresi, yaitu: (1) Mengharapkan efek yang besar; (2) Mengharapkan efek sedang; dan (3)
Mengharapkan efek kecil. Jika (1) yang diharapkan, maka dengan 4 prediktor k.l. 40 sampel
mencukupi. Jika (2) yang diharapkan, maka dengan 4 prediktor 85 sampel mencukupi. Jika (3)
yang diharapkan, maka dengan 4 prediktor > 500 sampel baru mencukupi. Jika ditanyakan
manakah yang paling ideal, maka jawabannya adalah yang nomor (3). Namun, hal tersebut
bergantung pada problem peneliti di lapangan. Misalnya, seperti kasus Bapak, dari 133
perusahaan hanya 33 yang memenuhi kriteria seperti dipersyaratkan desain penelitian yang
sudah susah-payah disusun sebelumnya. Hal tersebut belum lagi ditambah keterbatasan
waktu, dana, dan kelindan birokrasi di masing-masing perusahaan. Jika Bapak yakin dengan
33 perusahaan tersebut, dilanjutkan saja karena "keterbatasan" penelitian toh dapat kita
sematkan di dalam "catatan penting penelitian." Dan, tetapkan saja 33 sampel karena
sesungguhnya beda tahun masing-masingnya dikhawatirkan ada "unknown variable" yang
tidak terprediksi dalam desain penelitian. Saran saya --mohon dikoreksi, ya--- kalau multiple
regression, lihat saja deskripsi nilai R antar tahun tersebut lalu dijelaskan keunikan masingmasing tahun. Semoga sukses penelitiannya.
Balas
Balasan
mariana Selasa, 19 Juni, 2012
ASSALAMULAIKUM...PAK SERTA BASRI....dalm menggunakn regresi berganda kn
dapat kita ketahui dgn statistik menggunakn asumsi klasik dalam mengambil
keputusan......sy agk bingun dalam menggunakn asumsi klasik malah...sy gk thu
skali tentang ...asumsi klasik itu sndiri....bs bantu sy dalam penjelasn statistik dalm
menggunakan regresi berganda untuk mengetahui pengaruh terhdap 4 variabel
bebas dan satu terikat....sy sdh mengethaui nilai signifikan ...tp sy bingun dalam
menguji statistik dgn asumusi klasikx....bs di jelaskn sedikit tentang cara menguji
statistik asumsi klasikx.....ats bantuanx...sy ucpakn teriman. kasih...wassalam.
seta basri
Kamis, 21 Juni, 2012
Wa 'alaikumus salam.
Uji asumsi klasik diadakan sebelum dilakukan Uji Regresi. Tentu saja, tidak semua
proses bimbingan di perguruan tinggi melakukan uji asumsi ini. Ada sejumlah
dosen yang menghendaki mahasiswanya melakukan uji asumsi tersebut, tetapi
banyak pula yang tidak. Bagi yang tidak berkehendak mungkin berpendapat
pengadaan uji-uji tersebut "terlalu rumit" sehingga dikhawatirkan malah
membingungkan mahasiswa. Namun, kemungkinan juga ada sementara dosen yang
tidak memahami makna mengapa uji asumsi terlebih dahulu harus diadakan
sebelum uji statistik dilangsungkan. Jadi, uji asumsi bukanlah uji regresi. Uji asumsi
adalah persyaratan yang harus dipenuhi terlebih dahulu sebelum uji regresi layak
dilakukan. Pengambilan keputusan atas hipotesis tidak dilakukan berdasarkan uji
asumsi melainkan uji regresi.
Adapun cara melakukan uji asumsi untuk regresi sudah saya muat pada tulisan di
atas. Jika langkah Regresi Berganda dengan SPSS mulai 1 s/d 24 dilakukan, maka
otomatis uji asumsi pun telah dikalkulasi. Nama-nama uji asumsi untuk regresi
berganda (misalnya 4 VB dan 1 VT) juga ada pada tulisan di atas berikut bagaimana
cara menafsirkannya. Selamat mempelajari dan semoga bermanfaat.
Balas
09/05/2014 13:48
13 of 38
Enrique Jumat, 16 Maret, 2012

Luar biasa, melalui media ini (blog anda) saya bisa belajar banyak hal yang sangat berguna
untuk penelitian saya.
Adapun hal yang hendak saya tanyakan lagi Pak Seta, berhubungan dengan uji asumsi klasik:
1. Adakah uji lain yg dapat di pakai untuk menguji normalitas data selain dari interpretasi
plot? kolmogorof smirnov (KS)? bagaimana cara mendapatkan nilai KS dari SPSS? Saya
hendak memilih alternative lain untuk mendapatkan uji normalitas karna dari 2 plot yg
dihasilkan uji normalitas yg telah saya coba, mereka mengindikasikan hasil yg berbeda satu
sama lainnya, yg satunya "terlihat" normal sedangkan yang satu "terlihat" tidak terdistribusi
normal..
2. Untuk uji autokorelasi dengan menggunakan Durbin Watson (DW), saya pernah membaca
satu buku yang berkata, uji autokorelasi lebih "appropriate" atau cocok digunakan untuk
penelitian
dengan
menggunakan
time
series/longitudinal.
Penelitian
saya
akan
dilaksanakan/diselesaikan dalam satu period (cross-sectional) tapi data yg saya gunakan
berupa time series (laporan tahunan tahun 2008-2010), apakah saya juga perlu menggunakan
tes DW? dan bagaimana membaca hasilx untuk mengetahui apakah terdapat autokorelasi
dalam data saya?
Terima kasih banyak Pak, mohon bantuannya (lagi) hohoho :)
Balas
seta basri
Jumat, 16 Maret, 2012
1. Untuk Uji Normalitas dengan Kolmogorov-Smirnov, maka data yang normal adalah Asym.
Sig. Kolmogorov-Smirnov hitung > Sig. Penelitian (umumnya 0,05). Cara melakukan uji
normalitas dengan SPSS adalah :
a) Klik Analyze --> Nonparametric Tests --> 1-Sample K-S.
b) Pada jendela One-Sample Kolmogorov-Smirnov Test, masukkan variabel-variabel bebas dan
terikatnya (misalnya x1, x2, x3, x4, dan y ke kotak Test Variable List.
c) Pastikan sudah terceklis Normal pada Test Distribution.
d) Klik OK.
Dari hasil SPSS perbandingkan nilai Asymp. Sig. (2-tailed) atau P-Value dengan Signifikansi
Penelitian (misalnya 0,05). Jika P-Value > Signifikansi Penelitian maka data distribusi normal.
Jika < maka tidak normal.
2. Jika Uji Regresi melibatkan lebih dari 1 variabel bebas sebaiknya uji autokorelasi diadakan
untuk memastikan tidak ada hubungan berlebihan antar variabel bebas. Jika menggunakan 1
variabel bebas saja, autokorelasi menjadi tidak perlu. Data antar tahun kiranya berbeda satu
sama lain. Untuk cara menentukan, menghitung, dan membandingkan Durbin-Watson ada di
content tulisan saya di atas atas, sub C.4.
Balas
show up meme Kamis, 22 Maret, 2012

amazing...
satu kata yang bisa saya beri,,
saya mau minta bantuannya pak, saya kurang faham dengan analisis datanya.
kebetulan saya sedang menyelesaikan skripsi saya yg sudah terbengkalai 1smt, sya memilih
regresi berganda linear dengan 3 variabel bebas dan 1 variabel terikat. namun setelah
beberapa kali di uji dng menggunakan spss hasilnya sprti ini
nilai sig pada annova bernilai 0.913
apa yang harus saya lakukan?
terima kasih,,
Balas
seta basri
Berdasarkan nilai Sig. 0,913. Mohon perbandingkan F-Hitung SPSS di tabel Anova dengan
F-Tabel. Apakah F-Hitung tersebut lebih besar ataukah kecil? Jika lebih besar, maka
simpulannya: "Tiga VB mempengaruhi Satu VT tidak secara signifikan." Jika lebih kecil, maka
simpulannya: "Tiga VB tidak mempengaruhi Satu VT tidak secara signifikan."
Mohon pula dilihat tabel Model Summary. Lihat kolom R-Square. Apakah hasilnya positif
ataukah negatif.
Jika negatif maka ada kemungkinan Regresor berlebihan. Artinya Variabel Bebas satu dengan
lainnya saling tumpang tindih mengukur konsep yang sama. Juga, indikator-indikator variabel
bebas terlampau banyak. Jika memang nilai R-Square nya negatif, maka disarankan untuk
menyederhanakan jumlah variabel atau jumlah indikator di dalam masing-masing variabel.
Jika positif maka mohon dicek apakah uji-uji vadilitas, reliabilitas sudah dilakukan. Juga
apakah setelah itu juga sudah dilakukan rangkaian uji asumsi klasik regresi berganda seperti
Ukuran Sampel, Normalitas Residu, Multikolinieritas, Autokorelasi, Heterokedastisitas. Jika
seluruh rangkaian ini sudah dilakukan dan lolos, maka nilai Sig. 0,913 tersebut berlaku.
Balas
Dwi Septiana Sensei Senin, 26 Maret, 2012
09/05/2014 13:48
14 of 38
mau tanya...uji park nya itu lihatnya di buku apa ya?

buat referensi skripsi soalnya.
*trims
Balas
show up meme Senin, 26 Maret, 2012

untuk nilai R Square sebesar 0,078 dan positif
sudah saya lakukan semua pak, tpdalam mengambil kesimpulan dari hasil2 uji tsb saya
mengalami kebingungan Pak...
mohon bantuannya,,
Terima Kasih.... :)
Balas
seta basri
Senin, 26 Maret, 2012
to: show up
Pendapat saya begini saja (mohon dicek di sumber lain, ya ...), asumsikan bahwa seluruh
proses desain dan perhitungan statistik telah memenuhi kaidah. Tiba saat melakukan
pengujian hipotesis. Hipotesis yang diuji dalam analisis regresi umumnya begini:
H0 : Tidak ada pengaruh X terhadap Y.
H1 : Ada pengaruh X terhadap Y.
Taraf keyakinan penelitian adalah 95% yang berarti peneliti yakin bahwa kemungkinan Mean
Populasi akan berada dalam interval keyakinan sebesar 0,95 dan hanya 0,05 yang berada di
luar itu. (Ingat kurva normal).
Setelah dihitung ternyata nilai Sig. pada tabel Anova = 0.913. Lalu, apa yang bisa diputuskan?
Kira-kira kalimatnya begini:
"Dalam Taraf Keyakinan 95% dan Interval Keyakinan 0,05 maka H0 tidak ditolak dan pengaruh
tidak signifikan secara statistik." Dengan demikian patut dinyatakan bahwa Tidak Ada
Pengaruh X terhadap Y dan Pengaruh X terhadap Y sebesar 0,078 (dari R Square) tidak
signifikan secara statistik. Dengan dapat disimpulkan bahwa tidak ada pengaruh variabel .....
terhadap variabel ....
Namun, umumnya pembimbing 'berkeras' bahwa H0 harus ditolak dan H1 harus diterima. Nah,
kalau data penelitian sudah menyatakan H0 tidak dapat ditolak lantas bagaimana? Apakah
kuesionernya harus diubah, direkayasa? Nah, kesamaan pemahaman dengan para pembimbing
patut dibangun antara peneliti dan pembimbingnya. Penelitian yang baik adalah
menginterpretasikan data dan hasil pengujian secara apa adanya. Sekali lagi ini pendapat
saya, silakan dikroscek dengan pembimbing skripsi karena dia adalah 'pembela' di sidang
skripsi yang sesungguhnya.
Balas
Balasan
seta basri
Minggu, 10 Juni, 2012
Tambahan:
Ketika nilai sig. test > sig. penelitian (> .05) maka kita umumnya menolak hipotesis
penelitian (H1). Namun, perlu diingat bahwa itu bukan berarti H0 sebagai "benar."
H0 hanyalah sebuah proposisi yang menyatakan bahwa tidak ada efek variabel atas
populasi. Sehingga tidak dapat secara sederhana begitu saja dikatakan bahwa hasil
uji hipotesis yang tidak signifikan secara statistik (> .05) lantas diartikan bahwa
variabel dalam pengujian adalah juga "0" (secara absolut sebagai tidak ada efek).
Sebagai kembangan, juga jangan secara mudah menyatakan bahwa diterimanya H0
sebagai murni "tidak ada pengaruh" atau murni "tidak ada hubungan" antar
variabel. Intinya, nilai sig. penelitian tidak menyatakan bahwa H0 adalah benar
secara absolut. Nah, di sinilah argumentasi dari seorang peneliti dikembangkan.
Lihat nilai-nilai uji non sig. penelitian (misalnya nilai R, R Square). Terlebih di dalam
penelitian ilmu sosial di mana yang diteliti adalah persepsi manusia.
Anonim Kamis, 14 Juni, 2012

maksudnya pak, secara absolut "0" tidak ada pengaruh pengertiannnya secara
statistikkah atau argumen si peneliti menurut teori atau lebih kemana maksud
absolut ini pak?
trims sblmnya pak,
--jees
seta basri
Jumat, 15 Juni, 2012
Secara statistik pengertiannya pun demikian. Hal yang patut diingat adalah, dalam
penelitian (umumnya) digunakan sampel. Sementara itu, setiap hipotesis (H0
maupun H1) ditujukan kepada "populasi." Sampel diasumsikan "representatif"
mewakili populasi. Ketika H1 ditolak dan H0 berlaku tentu saja nilainya tidak
absolut, karena "sampel" seberapapun representatifnya bukanlah "populasi" yang
sesungguhnya. Hal ini di antaranya dapat dilihat dari (misalnya) nilai r (uji korelasi)
ataupun R (uji regresi). Besar kecilnya kedua nilai tersebut, kendati tidak signifikan
secara statistik mencerminkan H0 yang tiada absolut tadi. Tetap ada
dampak/pengaruh/hubungan, kendati tidak signifikan.
Balas
09/05/2014 13:48
15 of 38
rescyana Selasa, 27 Maret, 2012

mau tanya pak, saya sedang melakukan penelitian yang untuk uji normalitasnya menunjukkan
data tidak terdistribusi secara normal,, ketika saya mentransformasikan variabel dependennya
dalam bentuk Ln, data udah terdistribusi scara normal, sehingga persamaan regresinya pun
harus diubah dlm bntuk Ln. tetapi saya jadi bingung, ketika melakukan interpretasi, apakah
angka dari hasil uji regresi yg variabel depennya Ln itu di anti Log apa tidak?karena setahu
saya ktka kita menginterpretasikan itu menggunakan bentuk desimal asilnya.
terima kasih.
Balas
seta basri
to: dwi septiana

Nawari, Analisis Regresi dengan MS-Excel 2007 dan SPSS 17 (Jakarta: Elex Media Komputindo,
2010)h. 227-32.
Balas
seta basri
to: rescyana
Transformasi x dan y juga. Tidak bisa uji regresi x masih decimal 10 y log natural. Interpretasi
ya hasil ln tersebut.
Balas
Rosly Collection Selasa, 27 Maret, 2012

Salam ya pak. bagaimana gunakan cara memproses/analisis SPSS untuk regresi berganda
hirarki. tunjukki ya pak step2 nya.terima kasih ya pak
Balas
seta basri
Rabu, 28 Maret, 2012
1. Dari menur bar klik Analyze > Regression > Linear ... [Muncul jendela Linear Regression]
2. Klik variabel Y > Masukkan ke Dependent.
3. Tentukan BLOK#1. Klik variabel-variabel X > Masukkan ke Independent(s).
4. Pada sel Method pilih Enter > Klik Next
5. Tentukan BLOK#2. Masukkan variabel-variabel X ke Independent(s).
6. Pada sel Method pilih Enter.
7. Klik Statistics > Pada jendela Linear Regression: Statistics ceklis Estimates, Confidence
intervals, Model fit, R squared change, dan Collinearity diagnostics (sesuaikan dengan
kebutuhan penelitian).
8. Klik Continue
9. Pada jendela Linear Regression > Klik Options....
10. Pada jendela Linear Regression: Options > Pastikan Use probability of F dan Include
constant in equation sudah terceklis. Juga pada Missing Values, ceklis Exclude cases listwise >
Klik Continue.
11. Pada jendela Linear Regression > Klik OK.
12. SPSS menghitung dan hasilnya sila lihat di Output.
Balas
rescyana Kamis, 29 Maret, 2012

oia pak, ,ada yang mau saya tanyakan lagi, untuk menghitung kecenderungan data pada data
sekunder itu bagaimana ya?soalnya setahu saya kecenderungan data itu dihitung dengan
mean ideaL itu pun jika datanya data primer.
terimakasih
Balas
seta basri
Sepengetahuan saya, kecenderungan data umumnya dilihat dari modus, median, atau yang
paling populer "mean." Mean data ini, entah primer ataupun sekunder lalu diperbandingkan
dengan Standar Deviasi. Jika tidak demikian lalu kecenderungan data sekunder bagaimana
melihatnya?
Balas
Anonim Minggu, 15 April, 2012

Saya mahasiswi Univ Brawijaya Malang
Mau tanya, sumber yang digunakan pada poin E-F-G itu sumber yg mana pak?
Karena skripsi saya menggunakan analisis regresi juga
Balas
Balasan
Anonim Minggu, 15 April, 2012
09/05/2014 13:48
16 of 38
maksud saya dari pengambilan keputusan : ANOVA sampai koef regresi parsial
terimakasih sebelumnya
seta basri
Senin, 16 April, 2012
Untuk yang E (Pengambilan Keputusan dengan Tabel ANOVA) dilihat dari Tabel
ANOVA hasil output SPSS. Untuk F (Koefisien Determinasi) dilihat dari Tabel Model
Summary hasil output SPSS, yang kendati pada contoh saya digunakan nilai pada
kolom R Square, tetapi ada sejumlah pendapat yang menyatakan sebaiknya yang
digunakan adalah nilai Adjusted R Square. Untuk yang G (Koefisien Regresi Parsial)
dilihat dari Tabel Coefficient >> Kolom t. Sama-sama. Semoga mencerahkan.
Anonim Senin, 16 April, 2012

okey, terimakasih.. :)
sekalian mau tanya, sumber pengambilan keputusan : ANOVA sampai koef regresi
parsial artikelnya dr buku apa pak?
sy masih bingung, ada buku yg menyatakan uji validitas
multikolinieritas, residu, dsb
kemudian ada yg menyatakan cukup dengan uji t, F dan sig
mungkin bapak bisa bantu menjelaskan?
seta basri
model
melalui
Senin, 16 April, 2012
Untuk yang bahasannya to the point silakan lihat di:

1. Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap untuk Melakukan
Komputasi Statistik Menggunakan SPSS 16 (Yogyakarta: Penerbit ANDI, 2009)
2. Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS (Yogyakarta: Penerbit
Universitas Atma Jaya Yogyakarta, 2009)
Uji validitas memang beragam, bergantung apa yang hendak diuji "validitas"nya.
Selain model, juga ada uji validitas item.
Balas
reza Selasa, 08 Mei, 2012

saya mahasiswa sedang mengerjakan skripsi..
saya mau tanya jika nilai contant itu negatif
bimbingannya...terima kasih
(-26.885)artinya
apa y pak?
mohon
Coefficients(a)
Unstandardized Coefficients Standardized Coefficients
B Std. Error Beta t Sig.
(Constant)-26.885 7.877 -3.413 .001
ktrmpln .952 .196 .418 4.859 .000
modul .767 .154 .430 4.992 .000
a. Dependent Variable: hasil
Balas
Balasan
seta basri
Selasa, 08 Mei, 2012
Mungkin Anda menggunakan regresi berganda 2 vb atas 1 vt. Mohon perhatikan

tabel Coefficients. Lihat kolom Unstandardized Coefficients B. Pada kolom Model
lihat (Constant). Nilai Constant (konstanta) Anda adalah -26.885. Artinya, Model
regresi Anda memiliki nilai konstanta sebesar -26,885. Model persamaan uji regresi
anda adalah: Y = B + a1X1 + a2X2. Y adalah nilai variabel terikat yang hendak
diprediksi (dalam hal penelitian anda "hasil"). B adalah konstanta (Constant yang
-26,885). a1 adalah nilai B Unstandardized Coefficients untuk VB 1 anda
("ktrmpln"). X1 adalah nilai "riil total" responden Anda untuk "ktrmpln". a2 adalah
nilai B untuk Unstandardized Coefficients untk VB 2 anda ("modul"). X2 adalah nilai
"riil total" responden Anda untuk "modul". Misalnya, untuk Responden 1 nilai "riil
total" "ktrmpln" = 56 dan "modul" = 50, maka untuk memprediksi "hasil" (Y)
persamaannya adalah: Y = B + a1X1 + a2X2 = -26,885 + 0,952.56 + 0,767.50 =
-26,885 + 53,312 + 38,35 = 64,777. Demikian pula perhitungannya untuk
Responden 2 dan seterusnya. Namun, juga harap dilihat tabel Model Summary.
Balas
Sihnu Bagus Jumat, 18 Mei, 2012

Mau tanya dong om admin atau yang laen yang bisa jawab,,,
Dalam penelitian yang berhubungan dengan analisis regresi linier berganda, kita selalu
dihadapkan dengan istilah-istilah sebagai berikut:
1. Uji T
2. Uji F
3. Koefisien Regresi
4. Nilai R
5. Nilai R-Square
6. Nilai adj.R-Square dll.
09/05/2014 13:48
17 of 38
Bagian mana yang paling penting dari 7 item yang saya sebutkan diatas?
Artikel diatas ada kalimat
"Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari
jawaban yang dibutuhkan dari populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1.
Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai berikut..."
Maksudnya gimana itu yah???
Balas
Balasan
seta basri
Jumat, 18 Mei, 2012
Khusus untuk linear berganda di SPSS? Saya coba ya. Yang lain boleh kok
mengoreksi atau menambahi.
1. Uji t. Nilai ini tampak di tabel Coefficients kolom Standardized Coefficients. Nilai t
(juga Beta) menunjukkan kuatnya hubungan pengaruh dari variabel bebasnya. Jika
nilai t (juga Beta) positif, maka hubungan VB-VT positif. Atau sebaliknya.
2. Uji F. Nilai ini tampak di tabel ANOVA. Uji F digunakan untuk menguji hipotesis
yang menyatakan tidak ada hubungan antara VB-VT (biasanya H0). Jika probability
(sig.nya) < sig. penelitian, H0 ditolak. Nilai F juga menunjukkan seberapa baik
model regresi yang kita gunakan. Dalam pengujian, nilai F hitung ini dibandingkan
biasanya dengan F tabel.
3. Koefisien regresi, lihat 4.
4. R. Nilai ini juga disebut 'multiple R.' R adalah korelasi antara nilai Y (persamaan)
yang diamati dengan nilai Y (persamaan) yang diprediksi oleh model regresi
berganda. Sebab itu, besarnya nilai R mencerminkan besarnya korelasi antara
antaara nilai-nilai prediksi dengan nilai-nilai yang diamati sebagai hasilnya. Nilai 1
(sempurna) mencerminkan kondisi dimana model regresi akan secara sempurna
memprediksi data yang diamati.
5. R Square. Juga disebut 'Koefisien Determinasi.'Nilai ini diperoleh dari
penguadratan nilai R. Dalam model regresi, nilai R Square menunjukkan proporsi
variabilitas VT yang mampu dihitung oleh VB. Dalam melakukan penjelasan, nilai R
Square umumnya dikalikan 100%. Misalnya 0,50 x 100% = 50% dan dengan
demikian VB mampu menghitung 50% variabilitas dari VT.
6. Adjusted R Square. Nilai adalah 'penyusutan.' Nilai berusaha menunjukkan
kebaikan model regresi dalam melakukan penyimpulan. Harapannya ia serupa (atau
mendekati) R Square. Misalnya nilai R Square 0,65 sementara nilai Adjusted R
Square 0,60. Maka terjadi 'penyusutan' sebesar 0,65 - 0,60 = 0,05 (5%).
Maknanya, jika model regresi kita terapkan atas populasi langsung (bukan sampel)
maka akan terjadi 'penyusutan' sebesar 5% dari varians VT yang mampu diprediksi
oleh VB (berkurang). Ya, sampel bukanlah populasi yang sesungguhnya. Kondisi
yang diharapkan (ideal) adalah nilai Adjusted R Square idealnya serupa dengan R
Square ini, tetapi secara realistik adalah sulit: Tidak ada sampel yang secara total
serupa dengan populasi. Interpretasi kesesuaian ini ada di tabel dalam artikel di
atas.
Semuanya penting, dan derajat 'penting' ini tentu tidak terlepas dari tujuan spesifik
dari suatu penelitian. Semoga bermanfaat.
Balas
Anonim Minggu, 10 Juni, 2012

halo pak, saya jees, sedang menganalisis data penelitian saat ini pak
sangat membantu artikel blog ini pak,
saya ingin tanya mengenai out put data regresi saya,
saya menggunakan regresi sederhana (1 vb dan 1 vt)dan hasilnya: R(.116); R Square(.014);
Adjusted R (-.036); t pd table coefficient (-.523); sig. pd table coefficient dan Anova (.607).
yang ingin saya tanyakan:
1.untuk regresi sederhana, apakah perlu mempertimbangkan nilai adjusted R nya? karena dari
penjelasan diatas, jika nilai adjusted R bernilai negatif maka ada calculation error!!!
2.baagaimana menginterpretasikan nilai t yang bernilai negatif (-.523)? bagaimana menarik
kesimpulannya?
3.nilai sig. penelitian saya dlm taable anova dan coefficient (.607) apakah berkaitan dengan
penyebaran data? atau adakah yg salah dengan pengambilan data saya, karena n saya
berjumlah 22??
4.kurva saya (normal P-P Plot) mengikuti garis diagonal (menempel pada garis diagonal) dan
scater plot cenderung kekanan ujung.
terimakasih pak
Balas
Balasan
seta basri
Saya coba per pertanyaan ya.

1. Nilai Adjusted R terutama berkait pada dua hal: Jumlah VB dan Jumlah Sampel.
Rumus sampel uji regresi kiranya 50 + 8m (m = jumlah VB). Idealnya, jumlah
sampel Anda karena regresi sederhana adalah 58. Jika jumlah sampel sudah
mencukupi (bahkan lebih) tetapi Adjusted R masih (-) maka dapat ditelusuri pada
rangkaian uji asumsi klasik pra regresi, yang harus diadakan terlebih dahulu
sebelum uji regresi diadakan. Atau, dapat nilai R .116 dan R Square .014 ditetapkan
saja untuk diterima dengan catatan nilai Adjusted R adalah negatif. Mungkin Anda
dapat memuatnya sebagai keterbatasan penelitian).
2. Nilai t yang negatif dapat diinterpretasikan sebagai pengaruh yang berlawanan
antara VB terhadap VT. Misalnya, makin besar pengaruh VB maka makin kecil VT.
09/05/2014 13:48
18 of 38
Atau, makin kecil pengaruh VB makin besar VT.

3. Kiranya ada, karena untuk Uji Regresi ketentuan sampelnya 50 + 8m (m= jumlah
VB). Jika pertanyaannya adalah "apakah penelitian tetap dapat diterima?"
Sebaiknya sepakati dengan pembimbing penelitian. Arti umum dari nilai sig. .607
adalah "tidak signifikan secara statistik." Dapat pula hal tersebut disebutkan
sebagai keterbatasan penelitian, karena penelitian (terutama skripsi) terbatas oleh
tiga hal: Waktu, tenaga, dan biaya (penelitian skripsi umumnya menggunakan biaya
sendiri).
4. Normal P-P Plot mengikuti garis diagonal mengindikasikan normalitas residu.
Scatter Plot: Jika cenderung menyerupai garis diagonal dari sumbu 0 ke kanan atas
maka mengindikasikan pengaruh positif yang cukup kuat; Jika plot cenderung naik
ke kanan atas tetapi tidak menyerupai garis (hanya samar) maka mengindikasikan
pengaruh positif yang lemah; Jika plot cenderung membentuk garis diagonal dari
sumbu Y ke arah X maka mengindikasikan pengaruh negatif yang cukup kuat; Jika
plot cenderung tidak membentuk garis (acak) dari sumbu Y ke arah X maka
mengindikasi pengaruh negatif yang lemah; Jika data adalah acak, tanpa pola jelas,
maka mengindikasikan kondisi yang cenderung tiada pengaruh (sangat ... sangat
lemah).
Sama-sama Jees. Semoga bermanfaat.
Balas
Rani Rabu, 13 Juni, 2012

Pak seta, saya mau tanya.
Saya sedang mengerjakan skripsi dan ada masalah di bagian adjusted R square.
nilai adj. R square saya sebesar 0,98377
menurut dosen saya nilai tu terlalu besar dan berbahaya.
akibat dari nilai adj R square yg terlalu besar apa ya pak ?
trus cara mengatasinya bagaimana ?? Thx.
Balas
Balasan
seta basri
Apakah Adjusted R Square itu? Nilai Adjusted R Square berusaha menunjukkan

kebaikan model regresi dalam melakukan penyimpulan. Idealnya nilai Adjusted R
Square adalah sama atau paling tidak mendekati R Square. Sebab itu, penting
untuk dilihat berapa nilai R Square Anda. Nilai Adjusted R Square dan R Square
selalu berjalan seiring, karena keduanya bersangkutan dengan "penyusutan" yang
nantinya akan terjadi ketika Uji Regresi "benar-benar diterapkan" atas populasi.
Contoh: Nilai Adjusted R Square anda adalah 0,98377. Nilai R Square anda
0,98756. Penyusutan yang terjadi ketika uji diterapkan atas populasi adalah
0,98756 - 0,98377 = 0,379% (koreksi perhitungan saya ya?). Makna dari 0,379%
adalah, ketika diasumsikan uji diberlakukan langsung atas populasi (yang
sesungguhnya, bukan sampel) maka terjadi penyusutan sebesar 0,379%. Yang
dimaksud "penyusutan" ini adalah bahwa, sebesar 0,379% saja dari varians Variabel
Terikat yang mampu diprediksi oleh Variabel (variabel) bebas. Kondisi ideal dari
Adjusted R Square adalah penyusutan sebesar 0%. Tetapi, hal ini sangat sulit
diperoleh: Sampel bukanlah Populasi, seberapapun representatifnya. Nah, jadi
kaitan antara nilai Adjusted R Square Anda dengan pendapat dosen Anda yang
menganggap "nilai tu terlalu besar dan berbahaya" haruslah dikaitkan dengan
pengertian "penyusutan" tersebut. Mungkin, yang dikhawatirkan dosen Anda adalah
nilai R Square tersebut (Koefisien Determinasi) yang terlalu besar (mendekati 1
sebagai pengaruh sempurna). Demikian, semoga bermanfaat.
Rani Senin, 25 Juni, 2012

nilai R square saya 0,987465 pak.
Bagaimana menurut bapak ??
seta basri
Selasa, 26 Juni, 2012
Nilai R Square digunakan saja untuk mencari Koefisien Determinasi yaitu 0,987465
x 100% = .... Hasilnya menyatakan VB mempengaruhi VT sebesar .... % . Sisanya
100% - ......% ditentukan variabel-variabel lain yang tidak disertakan dalam
penelitian.
R Square - Adjusted R Square = 0,987465 - 0,98377 = 0,003695. Dengan demikian
penyusutan yang terjadi manakala model regresi anda diterapkan pada populasi
dipediksi hanya akan mengalami penyusutan sebesar 0,003695% dari kemampuan
VB-nya memprediksi varians VT-nya.
Semoga bermanfaat.
Balas
fistianty sheila Rabu, 13 Juni, 2012

terimakasih banyak atas tulisan2nya pak, sangat membantu sekali :)
Balas
Balasan
seta basri
09/05/2014 13:48
19 of 38
Balas
Anonim Sabtu, 16 Juni, 2012

Pak Seta, saya mahasiswa yang sedang mempersiapkan diri untuk sidang,mau mengajukan
beberapa pertanyaan:
1. untuk melihat efektifitas masing-masing VB terhadap VT dengan menggunakan nilai Beta.
apakah nilai beta juga bisa dijadikan persentase seperti nilai adjust R Square?
2. apakah signifikansi dan probabilitas adalah suatu istilah yang sama pak?
3. kemudian apakah yang dimaksud dengan ZPRED, SRESID, dan SPRED?
terimakasih banyak pak.
Balas
Balasan
seta basri
1. Nilai Beta pada Standardized Coefficients (Tabel Coefficients) umumnya

menunjukkan nilai serupa dengan R (Tabel Model Summary). Jika nilai Beta itu
positif dan sig. hitungnya signifikan, maka pengaruh positif. Jika Beta negatif, maka
pengaruh negatif. Dalam Regresi Berganda, nilai Beta mengindikasikan hubungan
yang lebih masing-masing VT atas VB. Positif dan negatifnya mencerminkan
hubungan tersebut. Peruntukan nilai Beta ini tentu berbeda tujuan dengan Adjusted
R Square. Untuk Adjusted R Square lihat komentar-komentar di bagian atas.
2. Probability Value, p-value, atau signifikansi umumnya disimbolkan p. Kiranya
serupa. Ukuran p-value umumnya 0,1, 0,05 ataupun 0,01. Entitas yang diacu sama.
3. (a) ZPRED adalah nilai-nilai prediksi yang distandardisasi dari VT yang
didasarkan. Nilai-nilainya merupakan bentuk terstandardisasi dari aneka nilai yang
hendak diprediksi oleh model regresi; (b) SRESID adalah Studentized Residual yaitu
variasi dari ZPRED berupa RESID (Unstandardized Residual) dibagi standar deviasi
yang diestimasikan, nilai SRESID ini lebih akurat dalam menaksir error variance dari
suatu perhitungan. (c) SPRED?? Kalau Residual adalah perbedaan antara nilai yang
hendak diprediksi oleh mode dengan nilai data yang diamati (diobservasi) dengan
mana model tengah diuji.
Anonim Minggu, 17 Juni, 2012

sangatbermanfaat pak, terimakasih banyak. saya ingin bertanya mengenai satuhal
lagi. bagaimana mencari linearitas dalam regrsi pak? karena saya masih bingung,
ada beberapa referensi yang mengatakan bahwa linearitas dilihat dari P-P Plot,
apakah benar seperti itu pak?
sekali lagi terimakasih.
seta basri
Linieritas dalam regresi (dengan SPSS) bisa dilihat dengan menyilangkan ZRESID
(masukkan ke Y-axix) dengan ZPRED (masukkan ke X-axis). Saat menyeting uji
regresi klik tombol Plot. Masukkan keduanya.
Dari Graph yang muncul hasil output SPSS perhatikan pola plot data yang dibentuk
sumbu X (Regression Standardized Predicted Value) dengan sumbu Y (Regression
Standardized Residual). Asumsi Linieritas terpenuhi apabila plot-plot data bercorak
acak, menyebar, tidak membentuk pola jelas tertentu. Asumsi Linieritas "violated"
apabila plot-plot data membentuk pola kurva, gelombang, mengumpul di sebelah
kiri atau di sebelah kanan.
Balas
anitalim Selasa, 19 Juni, 2012

salam sejahtera, apa kabar Pak seta?
jika diperkenankan, saya ingin bertanya.
Saya sedang mengerjakan skripsi dan memiliki masalah di bagian adjusted R square.
nilai adj. R square saya hanya sebesar 0,082
dimana menurut dosen pembimbing saya nilai tersebut terlalu rendah dan tidak dapat
digunakan.
saya sudah mencoba mencari penyebabnya seperti saran dosen saya, seperti membuang
pertanyaan variabel bebas yang tidak valid dan outlier
data saya sudah valid, reliabel, dan tersebar normal, akan tetapi hanya 1 masalah saja yang
tersisa yaitu tetap nilai adjusted r square saya tetap rendah, mohon dibantu
Balas
Balasan
seta basri
Salam sejahtera pula untuk Anda.

Intinya, nilai Adjusted R Square memberikan gagasan soal seberapa baik model
regresi kita melakukan penyimpulan. Idealnya, nilai tersebut adalah sama, atau
paling tidak, mendekati nilai R Square. Dengan nilai Adjusted R Square ini kita akan
09/05/2014 13:48
20 of 38
mampu memprediksi kesesuaian model regresi kita (yang dihitung menggunakan

sampel) dengan prediksi model kita tatkala nanti dilakukan langsung atas populasi.
Bagaimana cara menghitung kesesuaian tersebut? Caranya adalah R Square Adjusted R Square. Misalnya, nilai R Square anda 0,090. Jadi 0,090 - 0,082 =
0,008. Kalikan 0,008 dengan 100% = 0,8%. Dengan demikian disimpulkan
(berdasarkan 0,8% ini) bahwa jika model regresi kita diturunkan langsung dari
populasi (yang sesungguhnya, bukan sampel) maka varians yang mampu ditaksir
dari hasilnya hanya akan menyusut sebesar 0,8%. "Penyusutan" 0% adalah kondisi
ideal yang diharapkan, sehingga semakin serupa Adjusted R Square dengan R
Square adalah semakin baik.
Dengan demikian unsur "sampel" ini jadi penting. Peneliti (terutama dosen) yang
punya "masalah" dengan besaran nilai Adjusted R Square sebaiknya melihat nilai R
Square. Sebaiknya nilai R Square lebih besar dari rumus k/(n-1). k = jumlah
Variabel bebas. n = jumlah sampel. Silakan Anda hitung nilai k/(n-1) tersebut. Jika
nilainya lebih besar dari R Square maka Adjusted R Square anda fine-fine saja. Jika
lebih kecil dari R Square maka "mungkin" ada yang harus dikoreksi.
Selama unsur-unsur validitas dan reliabilitas instrumen juga asumsi-asumsi uji
regresi tidak terlanggar (misalnya sampel > 50 + 8m dimana m adalah jumlah
Variabel Bebas), maka sebaiknya berapapun angka yang "disuguhkan" diterima.
Memang, ada asumsi "aneh" di kalangan akademisi yang menyatakan bahwa jika
nilai R Square kecil, Adjusted R Square kecil, maka penelitian mahasiswa
bermasalah. Bahkan, dalam situasi ekstrim, ada sejumlah "dosen" yang menyuruh
mahasiswa merekayasa sedemikian rupa jawaban responden penelitian agar
hitungan R Square-nya jadi besar. Waw! Jika demikian maka untuk apa susah-payah
mahasiswa meneliti jika hasil yang diharapkan sudah dipatok sebelumnya? Ingat, R
Square, Adjusted R Square dan angka-angka lainnya adalah "angka." Hal yang lebih
penting (tapi kerap dilupakan) adalah bagaimana menginterpretasikan hasil uji
statistik kepada Hipotesis, apa makna mereka atas situasi "nyata" di lapangan,
responden, model analisis, dan lain hal yang bersifat "kualitatif."
Demikian. Semoga bermanfaat.
Balas
Friska martalina Siregar Selasa, 19 Juni, 2012

Komentar ini telah dihapus oleh penulis.
Balas
Anonim Selasa, 19 Juni, 2012

salam kenal pak seta, saya icha
saya mau bertanya pak, skripsi sy analisis rasio untuk memprediksi fintres, data sampel saya
ada 36 kemudian sy uji normalitasnya dengan KS ada 4 rasio yg tidak normal, kemudian saya
uji lg pakai yg ada cook's nya dan ada 1 variabel yg tdk normal, bolehkah saya transform
variabel tersebut kemudian saya uji normalitas lagi? atau sebaiknya saya transform dulu
sebelum dilakukan uji normalitas cook's sebelumnya? (mengingat nilai cook apabila lebih dari
1 harus dihapus). termiakasih pak mohon bantuannya.
Balas
Balasan
seta basri
Mungkin bisa dimulai dari uji validitas item, keluarkan yang tidak valid. Teruskan
hingga seluruhnya valid. Setelah itu uji reliabilitasnya dilihat. Baru dilanjutkan
dengan uji-uji asumsi seperti jumlah sampel minimal, outlier dan sebagainya.
Mungkin ada outlier di sana. Mohon diperiksa kembali. Setelah itu lakukan uji
normalitas pra transform, lihat hasilnya. Bandingkan dengan uji normalitas pasca
transform, lihat hasilnya. Keluarkan variabel yang tidak normal (setelah yakin), lalu
kembali lakukan uji normalitas. Kalau pertanyaannya bolehkan ditransform dahulu
sebelum uji normalitas, ya silakan saja. Namun, data Anda ada di skala rasio, dan
skala tersebut adalah "tertinggi" menyerupai nilai sebenarnya.
Balas
Didi Rabu, 20 Juni, 2012

Terima kasih banyak pencerahan dari bapak....satu hal yang ingin kami tanyakan, ada artikel
yg menyebutkan apabila menggunakan skala linkert maka lebih baik koefisien yg digunakan
adalah Beta pada Standarized Coefficients,keuntungannya mampu mengeliminasi perbedaan
unit ukuran variabel bebas, apa yang dimaksud? Sehingga konstanta tdk masuk dlm
persamaan linear, nilai beta yg dimasukkan dalam persamaan adalah semua atau masih
melihat nilai sig. nya yang signifikan...terima kasih
Balas
Balasan
seta basri
Tabel Coefficient intinya menceritakan VB (atau VB-VB) mana dari model regresi
kita yang punya kontribusi dalam memprediksi VT. Untuk regresi berganda
misalnya, nilai Beta pada kolom Standardized Coefficients di tabel ini gunanya untuk
memperbandingkan aneka VB, karena nilainya sudah "distandardisasikan".
09/05/2014 13:48
21 of 38
Standarisasi terjadi akibat nilai-nilai di setiap variabel telah dikonversi ke dalam

skala yang sama. Karena sama skala ini maka kita dapat memperbandingkan aneka
VB lewat nilai ini. Jadi, nilai Beta pada Standardized Coefficients berfungsi untuk
membandingkan "peran" masing-masing VB dalam memprediksi perubahan VT.
Tentu saja, penting dilihat nilai sig. nya. Belum tentu nilai Beta yang besar juga
signifikan. Dan, tentu saja ia berlaku bukan hanya untuk skala Likert melainkan juga
skala-skala lainnya: Itu karena nilai ini dapat melakukan "perbandingan" karena
sifat standardnya itu. Saya tetap menyarankan, jika skala Likert yang digunakan
pada item-item kuesioner VB adalah 1 s/d 5, demikian juga untuk yang VT harus 1
s/d 5. Agar ada konsistensi. Perbandingan "peran" VB atas VT ini melihat angka
bilangan asli saja (tidak memedulikan tanda negatif). Misalnya: VB1 = -.525 VB2 =
.213. Maka disimpulkan VB1 telah menciptakan kontribusi unik yang lebih kuat
(ketimbang VB2) dalam menjelaskan VT.
Nah, untuk menghitung persamaan prediksinya gunakan nilai Constant dan B pada
kolom Unstandardized Coefficients. Tentu saja nilai sig. tetap harus dilihat sebagai
dasar penentuan signifikan atau tidak signifikannya perhitungan tersebut.
Balas
Didi Kamis, 21 Juni, 2012

OK pak makasih masukannya....satu lagi pak nilai konstanta negative itu artinya apa? Dan
apakah sangat berpengeruh di dalam analisa hasil regresi terutama dalam fenomena sosial?
Balas
Balasan
seta basri
Masih di tabel Coefficients, khusus pada kolom Unstandardized Coefficients. Di sana

terdapat nilai (Constant) yang menjelaskan Model Regresi. Nilai Constant ini adalah
Intercept Y. Nilai Constant ini (kerap dalam persamaan disimbolkan a atau b0)
bermakna apabila b1x1 bernilai 0 maka model regresi kita memprediksi Y sebesar
b0 (atau a, konstanta), yaitu nilai konstanta itu sendiri, dan tentu saja akan
berubah jika b1 dan x1 tidak sama dengan 0.
Contoh: Dari Tabel Coefficients (Unstandardized Coefficients) diperoleh b0
(konstanta) = -50,00. Nilai b1 = 0,50. Nilai X1 = 7,5. Maka Y (VT yang hendak
diprediksi) adalah Y = -50,00 + (0,50 x 7,5) = -46,25. Namun, jangan dianggap
hubungan bersifat negatif, karena negatif-positif suatu hubungan ditunjukkan oleh
b1 (jika regresi sederhana) atau b1, b2, bn (jika regresi berganda). Nilai konstanta
tentu saja berpengaruh terhadap persamaan model regresi kita utamanya dalam
memprediksi Y.
Balas
catatan fauzi Rabu, 27 Juni, 2012

untuk menentukan tingkat signifikan yang kuat dan lemah diliat dari tabel mana yak pak??
saya menggunakan regresi berganda
Balas
Balasan
seta basri
Untuk menentukan koefisien determinasi dapat dilihat nilai R Square pada tabel
Model Summary, di mana nilai ini biasa dirujuk sebagai deskripsi kuat-lemah
pengaruh prediktor. Untuk menentukan perhitungan rumus model regresi lihat tabel
Coefficients, juga jangan dilupa nilai sig. hitungnya.
Balas
Anonim Rabu, 27 Juni, 2012

makasih artikelnya, sangat bermanfaat. namun ada yang ingin saya tanyakan mengenai uji t
bagaimana jika nilai t hitung < t tabel, namun signifikan. apakah dia berpengaruh atau tidak?
Balas
Balasan
seta basri
Nilai t hitung berguna dalam mengukur apakah prediktor (VB) membuat kontribusi
yang signifikan atas model regresi kita. Jika t hitung yang berhubungan dengan
nilai beta signifikan (yaitu jika nilai pada kolom Sig. hitung < 0,05) maka prediktor
dinyatakan membuat kontribusi signifikan atas model. Semakin kecil nilai Sig.
hitung (dan semakin besar nilai t), maka semakin besar pula kontribusi prediktor
tersebut atas model. Nilai t tabel bergantung pada signifikansi penelitan kita, arah
prediksi hubungan (1-tailed atau 2-tailed), jumlah sampel, dan jumlah prediktor.
Penentuannya menggunakan degree of freedom yang dicari dengan rumus N - p - 1,
dimana N = jumlah sampel, p = jumlah prediktor. Semakin besar jumlah sampel
dan semakin sedikit prediktor, maka semakin kecil df, semakin kecil pula nilai t
09/05/2014 13:48
22 of 38
tabel. Demikian jika jumlah sampel kecil, semakin banyak prediktor, maka semakin
besar df, semakin besar pula t tabel. Jika memang kondisi anda sungguh terjadi
(cukup jarang, memang) yaitu dimana nilai t hitung < t tabel, namun signifikan,
maka dapat dinyatakan bahwa prediktor memiliki kontribusi yang signifikan untuk
tidak memberikan pengaruh atas model regresi.
Balas
Anonim Kamis, 28 Juni, 2012

salam pak seta, saya bobi mahasiswa akhir, saya mau tanya tentang hasil regresi berganda
saya yaitu Y=-0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e dinama y=kepuasan
dan x1-x6=kualitas layanan,yang saya mau tanyakan bgaimana cara baca persamaan ini
karena saya bingung dengan nilai konstanta yang negatif.terima ksih..sya tggu blsana pak
Balas
Balasan
seta basri
Harus diwaspadai, nilai konstanta hasil uji regresi SPSS ada dua macam. Pertama
Konstanta 0 (Bo) yang ada di kolom model (Constant) Unstandarized Coefficients
(B). Kedua nilai Beta yang ada di di Standardized Coefficients. Untuk yang pertama,
positif atau negatifnya no problem, dihitung saja. Untuk yang kedua, positif atau
negatifnya menunjukkan arah hubungan dan yang diharapkan adalah tidak sama
dengan 0. Jika nilainya (-) maka arah pengaruh negatif. Jika nilainya (+) maka arah
pengaruh positif.
Misalnya dalam contoh anda: Terlebih dahulu anda harus sematkan nilai Konstanta
model (Constant) dahulu, yang mana nilainya ada dalam pengertian yang PERTAMA.
Selanjutnya baru dimasukkan nilai-nilai lainnya (sudah anda tulis yaitu
-0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e). Untuk perhitungan
anda rumusnya adalah: Y = Bo+(-0,755.x1)+(0,365.x2)+(-0,463.x3)+(-0,042.x4)+
(0,032.x5)+(-0,364.x6).
Semoga bermanfaat. Nilai x1 s/d x6 dari mana? Ya diambil dari sampel. Misalnya,
sampel nomor 1 nilai x1=60, x2=70, x3= 80, x4=90, x5=10, dan x6=30, maka
persamaan
anda menjadi
Y =
Bo+(-0,755.60)+(0,365.70)+(-0,463.80)+
(-0,042.90)+(0,032.10)+(-0,364.30). Demikian pula untuk sampel nomor 2 dan
seterusnya.
Salam kembali. Semoga bermanfaat.
Balas
Anonim Jumat, 29 Juni, 2012

saya reska,, salam kenal pak seta basri..
mohon bantuannya untuk menjelaskan mengapa nilai adjusted R2 saya nilainya hanya 0,271.
atau pengaruh VB thdap VT secara simultan hanya 27,1%. (VB ada 3, VT ada 1)
menurut dosbing saya hal tsb jd tidak sesuai dgn teori yg ada dan hasil tsb dinilai bermasalah
krn nilainya terlalu sdikit. Pdhl dari nilai Fhitung>Ftabel, dan nilai SigF<0,05 (sudah sesuai
dgn ketentuan uji F/ simultan), jadi mnurut saya kan antara VB dan Vt sudah ada pengaruh yg
positif dan sig,tak masalah mskipun nilai adjusted R2 hanya 27%.
nah stelah sudah saya jabarkan sperti diatas kpd dosbing saya, tetap saja dosen saya meminta
penjelasannya mengapa nilai adjusted R2 kecil. Jujur saya bingung karena tidak tau mengapa
nilai adjusted R2 kecil. Mohon bantuannya pak.. terimakasih sbelumnya (maaf tanya nya
sekalian curhat atas kebuntuan mngerjakan skripsi :D)
Balas
Balasan
seta basri
Senin, 02 Juli, 2012
Salam juga. Nilai Adjusted R Square sebenarnya menggambarkan penyusutan yang

akan terjadi andaikata model regresi kita terapkan atas populasi, bukan sampel.
Penyusutan dihitung dari R Square - Adjusted R Square = ....% Nah, nilai ....%
itulah yang diprediksi sebagai penyusutan yang akan terjadi.
Untuk memprediksi kekuatan model atas variabel yang diselidiki, sebaiknya
digunakan R Square, bukan adjusted, dikalikan 100%. Soal mengapa nilai R Square
kecil, yang memang seperti itu hasilnya. Jika validitas instrumen, reliabilitas
instrumen, dan rangkaian uji asumsi regresi sudah dilaksanakan, maka hasil
tersebut harus diterima. Ingat, penelitian dilakukan atas "sampel", bukan
"populasi." Kebanyakan teori diterapkan untuk menjelaskan "populasi", bukan
sampel. Sebab itu, penting untuk mengukur penyusutan tadi.
Juga, memang perlu pula dihitung proporsi sampel dengan jumlah prediktor. Untuk
ini, Anda bisa lihat komentar-komentar di atas soal estimasi sampel berdasarkan
jumlah prediktor yang digunakan. Tidak terlupa, justru penelitian diadakan dalam
kerangka ilmiah, khususnya alur verifikasi bahkan falsifikasi teori. Sebagai penguat,
mungkin Anda juga bisa referensikan kepada "dosbing" Anda penelitian lain sejenis
yang sesungguhnya variatif nilai R Squarenya.
Balas
dian mutiara pertiwi Senin, 02 Juli, 2012

judul penelitian saya analisis persepsi konsumen terhadap keputusan pembelian..data yg
diambil untuk regresi itu data yg mana yah?
09/05/2014 13:48
23 of 38
saya msih bingung sekali..

apakah data dari kuesioner itu sendiri,atau data seperti apa?
Balas
Balasan
seta basri
Dari judul (mungkin) ada dua variabel penelitian: Persepsi Konsumen (VB) dan
Keputusan Pembelian (VT). Persepsi Konsumen diukur lewat sejumlah indikator
(misalnya ya ... Image, Iklan, Harga). Keputusan Pembelian diukur lewat sejumlah
indikator (misalnya ya ... Cash, Kredit, Indent).
Setiap indikator dituangkan (diukur) dengan instrumen penelitian: Kuesioner.
Setiap indikator bisa diukur lewat 2 atau lebih pernyataan. Jika masing-masing dua,
maka VB diukur oleh 6 pernyataa. Demikian pula VT karena variabel tersebut terdiri
atas 3 indikator.
Setiap pernyataan dalam kuesioner diberi skala (umumnya) ordinal bertipe Likert,
misalnya SS = 1, S = 2, RR = 3, TS = 4, dan STS = 5. Sampel penelitian misalnya
60 responden. Misalnya pakai Excel, kolom 1 berisi responden (baris 1 s/d 60)
kolom 2 item VB indikator 1.1, kolom 3 item VB indikator 1.2, kolom 4 item VB
indikator 2.1. dan seterusnya.
Jawabannya, data dari kuesioner berupa angka-angka itu.
Balas
Anonim Senin, 02 Juli, 2012

mau tanya,,ada sumber mengatakan pada uji park yg di'Ln itu hasil yg bukan persentase..
misal x3 data rupiah,jadi Ln_x3 lalu pd regresi x3 diganti Ln_x3,,apa kah benar???thx
Balas
Balasan
seta basri
Ya. Namanya saja logaritma natural.

Semoga bermanfaat.
Balas

maaf pak seta ini sya bobi yg tanya "salam pak seta, saya bobi mahasiswa akhir, saya mau
tanya
tentang
hasil
regresi
berganda
saya
yaitu
Y=-0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e
dinama
y=kepuasan
dan
x1-x6=kualitas layanan,yang saya mau tanyakan bgaimana cara baca persamaan ini karena
saya bingung dengan nilai konstanta yang negatif.terima ksih..sya tggu blsana pak"..persmaan
yg sya buat slah yg bnar nilai bo/konstanta:-0.775,apakah ini berati kalau nilai variabel
independen konstan berati nilai Y bernilai negatif dan salah berati ya pak???sya pake yg
unstandardized coefficients,krn sya ingin meneliti pengaruh VB trhdp VT
Balas
Balasan
seta basri
Konstanta yang Unstandardized .... (Bo) belum menunjukkan arah. Kalau yang di
Standardized .... itulah yang menunjukkan arah. Bo negatif ataupun positif tidak
menunjukkan kesalahan kok. Perhitungan persamaan regresi belum selesai, karena
masih ada B1, B2 dan seterusnya.
Semoga bermanfaat.
Anonim Selasa, 03 Juli, 2012

oooww bgtu z pak,brati klo k 6 VB itu bernilai konstan berarti nilai VT -0.775
pak,barti smkin tinggi nilai VB membuat nilai VT menurun z pak??trma ksih atas
jwbana pak,wlpun sdkit msih bingung..hehehe
seta basri
Kamis, 05 Juli, 2012
Konstanta yang dimaksud adalah beta yang di kolom Unstandardized Coefficient.

Jika nilai b1 s/d bn ataupun x1 s/n bernilai 0, maka kontanta tersebutlah yang
berlaku. Taksiran arah hubungan bukanlah beta yang di unstandardized coefficient,
melainkan beta yang di Standardized Coeffients. Hal ini penting mengingat yang
digunakan adalah uji regresi berganda.
Balas
Anonim Kamis, 05 Juli, 2012

Ass Wr.Wb
Pak seta, saya aprilia.
mau tanya..
09/05/2014 13:48
24 of 38
untuk penelitian yang menggunakan populasi.. apakah harus menggunakan uji asumsi klasik
atau tidak?
Bila tidak, langkah seperti apa yang harus saya lakukan dalam menentukan pengaruh dengan
menggunakan metode regresi linear berganda?
terima kasih
Balas
Balasan
seta basri
Kamis, 05 Juli, 2012
Dalam salah satunya, uji asumsi memeriksa apakah terdapat hubungan antar
sesama variabel bebas. Uji asumsi klasik sebaiknya tetap digunakan untuk
kesahihan hasil analisis/penelitian.
Balas
Anonim Sabtu, 07 Juli, 2012

Salam kenal Pak Seta.
Saya Agnes.
Saya mau tanya Pak..
Bila terdapat 5 (lima) variabel terikat sbb :
Return on equity (satuannya/ dinyatakan dalam PERSENTASE)
Net profit Margin (satuannya/ dinyatakan dalam KALI)
Current ratio (satuannya/ dinyatakan dalam KALI)
Inventory turnover (satuannya/ dinyatakan dalam KALI)
Total asset turnover (satuannya/ dinyatakan dalam KALI)
apakah bisa kita membentuk 1 (satu) variabel terikat baru, dengan mengambil rata-rata dari
kelima variabel tsb?
Terimakasih sebelumnya pak..
Balas
Balasan
seta basri
Wah. Kalau penelitiannya 5 variabel terikat, terus terang saya juga belum pernah
mempelajarinya. Paling banter anda korelasi kanonikal dua variabel terikat. Itupun
di SPSS harus mengetik rumus-rumus tambahan. Kalau 5 ...?
Namun, Anda pasti telah memahaminya sehingga dari 5 variabel terikat di kompresi
menjadi 1 (satu). Dari nama-namanya kelihatannya bidangnya akuntansi sekali ya?
Saya tidak menguasai bidang tersebut. Namun, bisa disarankan Anda memang buat
saja 1 (satu) variabel terikat (misal namanya Neraca ... he ... he ...). Kelima variabel
"terikat" tadi kamu jadikan saja Indikator. Nah, variabel bebasnya sendiri apa?
Dari satuan-satuannya (persen, kali) kelihatannya tidak masalah. Kamu ada di
dalam Skala Rasio. Justru skala tersebut paling baik. Jangan dirata-ratakan, karena
mereka adalah indikator-indikator suatu variabel (neraca ...). Sikapi mereka secara
otonom karena skala rasio mendeskripsikan kondisi yang sesungguhnya dan bernilai
fix. Tidak seperti skala nominal dan ordinal.
Anonim Selasa, 10 Juli, 2012

Makasih sekali nih Bpk bersedia menjawab pertanyaan saya.
iya Pak,,memang ini penelitian di bidang akunting.
Variabel bebasnya dividend per share dan Earnings per share
variabel terikatnya kinerja keuangan (diukur dgn rata2 5 variabel td).
tadinya saya memang mau menggunakan regresi kanonik, namun apabila ada salah
satu saja dari 5 variabel Y tsb yang tidak dipengaruhi oleh variabel bebas, akan
terjadi masalah pada generalisasi. Penelitian saya tidak memerlukan uji
parsial..hanya pengujian secara simultan yang diambil, berdasarkan konsep awal dr
penelitian ini.
maka itulah saya mengganti analisis menjadi regresi linear berganda dgn cara
merata2kan Y.
Oh iya Pak, kalau nilai unstandardized residual = 0
maksudnya apa yah Pak? soalnya setelah saya lakukan analisis, muncul warnings
pada output SPSS. warnings mengenai pengaruh statistik yang tdk bs diukur karena
FIT yang sempurna. apakah data yang seperti ini masih layak di analisis?
seta basri
Rabu, 11 Juli, 2012
Residual ini berkait dengan garis regresi. Garis ini amat dipengaruhi ada-tidaknya
outlier (data yang melenceng jauh dari kebiasaan data lain). Nah, apa yang
sesungguhnya hendak dikisahkan oleh residual adalah, perbedaan antara nilai-nilai
yang nantinya diperoleh lewat model regresi (persamaan regresi) dengan nilai-nilai
yang dihasilkan lewat sampel itu sendiri. Diskrepansi antara kedua nilai inilah yang
disebut sebagai residual. Residual sekaligus pula mengisahkan error yang
menggejala pada model. Jika sebuah model regresi "fit" dengan data sampel maka
residual-residual akanlah kecil. Bahkan, jika suatu model "fit" secara sempurna
dengan data sampel, maka seluruh residual akan bernilai 0. Sebaliknya, jika sebuah
09/05/2014 13:48
25 of 38
model regresi "poor fit" dengan data sampel maka residual-residualnya akanlah
besar. Nah, semakin besar residual inilah yang mengindikasikan adanya outlier tadi.
Unstandardized Residuals merupakan salah satu jenis dari residual yang tengah
dibicarakan. Namun, ia sulit untuk untuk diinterpretasi bagi aneka model regresi
yang berbeda, karena unstandardized residuals adalah "residu" suatu model yang
diekspresikan menurut hitungan unit asli dari aneka variabel yang kita uji. Sebab
itu, sebaiknya digunakan yang standar yaitu Unstandardized Residuals. Residu ini
sudah disinkronkan dengan standar deviasi sehingga dapat ditafsirkan. Cara
membacanya dengan mengomparasi nilai z-score hitung dengan z-score tabel.
Sebelumnya, berapa Taraf Keyakinan penelitian Anda? Baiklah, ambil contoh 95%
(kalau rasio sebenarnya bisa saja 99%, he .. he ...).
Jika 95%, maka z-score hitung harus ada di antara -1,96 dan +1,96. (Kalau
tarafnya 99% antara -2,58 dan +2,58; Kalau tarafnya 99,9% antara -3,29 dan
+3,29). Cara menafsirkannya berdasar z-score hitung sebagai berikut:
- Jika Standardized Residuals (SR) > 3,29 maka model kita patut dipertanyakan.
- Jika SR > 2,58 (<3,29) maka tingkat error model tidak bisa diterima karena model
buruk "fit" nya dengan data sampel.
- Jika SR > 1,96 maka model kita bisa diterima tetapi buruk dalam
merepresentasikan data sampel aktual.
Nah, bagaimana kalau 0 ? Tentu saja SPSS "gagap" karena prediksi model sempurna
sesuai dengan data sampel. Silakan dipelajari.
Demikan, semoga bermanfaat.
Anonim Jumat, 13 Juli, 2012

kalo begitu, artinya dalam persamaan regresinya tidak mencantumkan unsur "e"
(error) ya Pak? karena model fit nya perfect dengan sampel.
apakah kondisi fit perfect ini dapat terjadi karena sangat minimnya jumlah data (n)?
Menurut Bapak,apakah model ini tetap layak untuk dilanjutkan analisisnya? Saya
benar2 bingung Pak, maklumlah hanya pemula hehehehehe..
terimakasih.
Anonim Jumat, 13 Juli, 2012

o iya Pak..saya sudah coba gunakan standardized residual, tp hasilnya tetap sama.
muncul kolom ZRES di data view SPPS saya dengan nilai NOL semua..
seta basri
Jumat, 13 Juli, 2012
Ya, kemungkinan besar seperti itulah kondisinya. Skala rasio merepresentasikan

nilai yang sesungguhnya jik asumsi-asumsi regresi telah terpenuhi maka terima
hasil tersebut dan lanjutkan analisisnya.

Baik, Pak..
trimakasih sekali atas bantuannya..sangat bermanfaat.

Maaf,Pak..mau nanya lagi nih heheehehe..
kalau setelah dilakukan uji F, ternyata signifikansi uji F >0.05
artinya tidak signifikan ya Pak? (taraf sig penelitian saya 0.05)
apakah hal ini berarti model/persamaan regresi tersebut tidak dapat diterima?
Langkah apakah yang sebaiknya saya ambil,Pak?
apakah ada alternatif pengujian lain selain uji F?
Terimakasih banyak atas jawabannya.
seta basri
Selasa, 17 Juli, 2012
Mohon periksa jumlah sampel. Kamu menggunakan 2 VB, dan jika jumlah sampel
minim kemungkinan besar mempengaruhi hasil pengujian. Jika demikian, ada
baiknya ditambah jumlah sampel. Namun, ada baiknya pula dipertimbangkan
kenyataan "data berbicara." Demikianlah hasil penelitian yaitu sig. F > 0,05.
Persoalan mengapa nilai sig. bisa > 0,05 ini terutama berkait jumlah sampel: Makin
besar sampel, makin tinggi kemungkinan sig. < 0,05. Lalu bagaimana modelnya?
Model tentu saja masih dapat diterima kendati tidak signifikan secara statistik (lihat
nilai R Square-nya).
Balas
Fhiko Minggu, 08 Juli, 2012

Yap yap yap..
Thank U Pak Seta, Tulisannya benar-benar joss..
jadi faham dah sekarang...
Saran pak klo boleh lain kali buat tutorial statistik plus sreenshoot spssnya donk, biar yang
gaptek kek aku lebih mudah, hhe hhe..
peace!!:P
Balas
Balasan
seta basri
09/05/2014 13:48
26 of 38
Terima kasih. Usulannya bagus, dan memang agar lebih jelas harus menggunakan
screenshot. Jika ada kesempatan hal tersebut patut dibuat.
Balas
nency Selasa, 10 Juli, 2012

siang pak.. sy ada masalah saat mengolah regresi linear sy..
jumlah sampel sy 52 dari 198 populasi perusahaan manufaktur setelah di kriteriakan.
jumlah VB sy 4, dengan 4 var kontrol.
tp saat sy regresi kan di spss, salah satu VB sy tdk muncul pada tabel "variable entered"
maupun tabel "coeficients".
malah VB sy yg satu itu muncul pada tabel "excluded variable"
Dengan keterangan di bawah tabel huruf "a. tolerance =.000 reached"
apakah bapak bisa tolong saya alasan mengapa variabel sy itu tdk muncul? dan bagaimana
memperbaikinya?
sy bingung pak..
tolong dibantu segera, karena waktu sangat terbatas>>
terimakasih.. :)
Balas
Balasan
seta basri
Selasa, 10 Juli, 2012
Ada berbagai macam sebab. Paling utama kiranya jumlah sampel. Regresi
mempersyaratkan jumlah sampel > 50 + 8m (m = jumlah variabel bebas). Namun,
penggunaan sampel juga dapat ditolerir jika peneliti menetapkan dampak (besar,
sedang, atau kecil, lihat di bagian komentar-komentar atas.
Sebab lain (kemungkinan) terjadinya autokorelasi antar sesama variabel bebas.
Apakah uji-uji asumsi klasik regresi berganda sudah dilakukan sebelumnya? Juga,
ada kemungkinan terjadi keberlebihan Variabel Bebas. Hal ini bisa terjadi
manakalan jumlah sampel kecil sementara jumlah VB cukup banyak. Silakan
dipelajari aneka asumsi di tulisan-tulisan bagian atas.
Pastikan kembali, method regresinya apakah Enter, Hierarchical, ataukah Stepwise.
Kemungkinan Anda melakukan yang bermetode Enter. Silakan dicoba yang metode
Hierarchical ataupun Stepwise. Untuk coba-coba saja dan melihat apakah hasilnya
serupa?
Singkatnya,
VB
yang
"keluar"
tersebut
ada
masalah.
SPSS
masih
"mempertimbangkan" apakah akan memasukkan ataukah tidak VB tersebut.
Selamat mencoba.
Fransiska Kosasih Minggu, 12 Agustus, 2012

Dear Pak Seta Basri,
saya mengalami hal yg serupa, yaitu pada varibel bebas muncul dalam "excluded
variable". adapun variable tersebut adalah independensi komite audit dan
menggunakan dummy (1- bila independen dan 0 bila tdk independen).
adapun variabel Y adalah manajemen laba dan variabel bebas lainnya adalah
efektivitas komite audit (mgunakan dummy juga) dan Leverage (menggunakan
rasio).
jumlah sample saya ada 87 (terdiri dari 29 perusahaan selama 3 periode)
pada uji autokorelasi menggunakan durbin watson, hasil menunjukkan bahwa tdk
ada autokorelasi antar variabel bebas.
pertanyaan saya:
1. mengapa utk Independensi KA mjd excluded variable? sedangkan utk efektivitas
KA yg sama2 menggunakan dummy dan nilainya pun sama persis dgn
Independensi KA, bisa masuk dlm tabel coeficient?
2. awalnya menggunakan method regresi enter, lalu sesuai saran pak seta, saya
mencoba menggunakan Stepwise, malah 2 variabel tersebut (Independensi dan
efektivitas KA) menjadi Excluded variable.
3. apa yg harus saya lakukan pak?
trimakasih banyak atas bantuannya :)
seta basri
Jumat, 17 Agustus, 2012
Maaf baru saya bahas sekarang. Hipotesis penelitian yang Anda ajukan apa ya?
Apakah seperti ini: "Independensi Komite Audit (IKA) dan Efektivitas Komite Audit
(EKA) mempengaruhi Manajemen Laba (ML)" ? Jadi terdapat 2 VB dan 1 VT.
Asumsikan saja seperti itu. IKA diukur secara kategorik (1=Ya, 2=Tidak). EKA
diukur secara kategorik pula (1=Ya, 2=3). Sementara VB (yaitu ML) diukur dalam
skala apa? Andaikata VB bersifat kategorik (baik nominal ataupun ordinal) maka uji
Regresi yang lebih tepat digunakan adalah Regresi Logistik. Soal bagaimana
melakukan pengujian Regresi Logistik, cukup berlimpah buku dan artikel
internetnya, kok. Ada kemungkinan variabel terus-menerus exclude akibat
ketidaktepatan metode Uji Regresi yang dipakai. Semoga bermanfaat dan selamat
mempelajari.
Balas
fitri Kamis, 12 Juli, 2012
09/05/2014 13:48
27 of 38
assalamualaikum pak seta,,

perkenalkan saya fitri,
saya sedang melakukan pnelitian dengan menggunakan regresi berganda dengan
menggunakan 6 var bebas
ternyata, dari 6 variabel bebas tersebut, hanya ada 2 variabel bebas yang nilai signifikansinya
dibawah 0.05
manu tanya pak:
variabel bebas yang nilai signifikansinya dibawah 0.05 itu msh blh dimasukkan kedalam
persamaan regresinya atau harus dieliminasi ya pak? (tujuan akhir penelitian saya adalah
membuat model/persamaan regresi)
Balas
Balasan
seta basri
Fitri, jika taraf keyakinan penelitian kamu 95% maka kedua variabel bebas tadilah
yang dimasukkan ke dalam persamaan regresi. Ada baiknya pula jika kamu
membuat model regresi (saat mengujinya dengan spss) dimana kedua VB tadi yang
dijadikan prediktor.
fitri Jumat, 13 Juli, 2012

hehe... makasih ya pak udh dijawab..
oiya pak tanya 1 lagi : dari 6 VB tersebut, 3 diantaranya adlh var dummy, nah salah
1 dummy nya masuk jd exclude variabel, kalo kaya gt brarti var yang exclude tadi
juga ga berpengaruh atau gmana ya pak...
seta basri
Yang exclude intinya belum masuk ke dalam model sehingga nilai prediksinya
belumlah lagi terkuantifikasi.
Balas
Linda Kondau Sabtu, 14 Juli, 2012

Salam Pak. Saya ingin bertanya.. Pada tabel Coefficients, apa yang membedakan fungsi beta
dengan B ya? Kemudian pertanyaan berikutnya.. Misalnya Adjusted R Square itu 0.251. Berarti
kedua predictor memiliki pengaruh sbesar 25.1% terhadap outcome kan ya. Nah, bagaimana
caranya kalau saya ingin tahu persentase masing2 predictor terhadap outcome ya Pak? Mohon
bimbingannya. Terimakasih. :)
Balas
Balasan
seta basri
Sabtu, 14 Juli, 2012
Salam juga. Maksudnya B yang di kolom Unstandardized Coefficients (UC) dan Beta
yang di Standardized Coefficients (SC). Sebenarnya keduanya hampir mirip
fungsinya. B yang di UC mengisahkan 'kuantitas yang belum diketahui.' Misalnya
nilai B dalam regresi dua VB adalah 0,08 dan 3,37 dan konstanta (Constant) -26,61.
VT disimbolkan Y. Maka persamaan regresinya Y = -26,61 + (0,08.VB1)+
(3,37.VB2). Maknanya', jika VB1 bertambah sebanyak satu unit maka Y pun
meningkat sebanyak 0,08 unit, dimana tafiran ini benar sepanjang VB2 bernilai
konstan. Juga, jika VB2 bertambah sebesar satu unit maka Y meningkat sebanyak
3,37 unit sepanjang VB1 bernilai konstan. Juga, positif negatif B mengisahkan pula
arah hubungan, yang dalam contoh keduanya bersifat positif terhadap Y, dimana
jika VB1 atau VB2 meningkat maka Y meningkat.
Demikian pula yang di SC. Kelebihannya nilai Beta yang ada di sini mampu
menginterpretasi secara lebih terstandar karena menggunakan standar deviasi atau
SD. Nilai SD ini ada di tabel Descriptives Statistics. Oarena menggunaka SD maka
interpretasi kita dalam persamaan regresi bebas dari pengaruh perbedaan skala
pengukuran data tiap variabel. Misalnya, SD Y = 10,15, SDp VB1 = 80,69 dn SD
VB2 = 12,27. Misal pula, Beta VB1 = 0,511 dan Beta VB2 = 0,512. Maka pediksinya
jika VB1 meningkat sebesar satu SD (yaitu 80,69) maka Y meningkat sebesar satu
SD nya (yaitu 0,511) sehingga dianggap jika ada setiap 80,69 yang meningkat dari
VB1 maka akan ada perubahan Y sebesar 80,69 x 0,511 = ...... selama VB2 bernilai
konstan. Demikian pula untuk Y dan VB2. Disarankan menggunakan SC ketimbang
US.
Untuk kekuatan hubungan sebaiknya gunakan R Square, bukan Adjusted R Square
(alasannya lihat di komentar-komentar bagian atas). Jika hendak mengetahui
persentase masing-masing prediktor maka dapat ditentukan pada saat
memasukkan VB-VB dalam kotak Linear Regression tentukan di sana
independent(s) satu per satu atau gabungannya dengan metode Enter dan pilihan
Next. Lihat dan tafsirkan hasil uji yang ada di tabel Model Summary.
Balas

untuk degree of freedom , daftar putaka memekai bukunya siapa ? terima kasih sangat
09/05/2014 13:48
28 of 38
bermanfaat
Balas
Balasan
seta basri
Saya rekomendasikan buku ini:

Singgih Santoso, Buku Latihan SPSS Statistik Non Parametrik (Jakarta: Elex Media
Komputindo, 2001). Bahasannya singkat, tepat, dan jelas.
Balas
Anonim Kamis, 19 Juli, 2012

salam sejahtera p.seta, saya andi mau tanya nih, bagaimana cara mengatahui besarnya
pengaruh VB yang paling dominan dari uji t, beserta dasar teori statistiknya, trima kasih
Balas
Balasan
seta basri
Untuk regresi berganda, nilai t hitung ini ada di tabel Coefficients. Cukup mudah
dalam menafsirkannya. Nilai t adalah ukuran dalam mengira seberapa besar
kontribusi yang disumbangkan prediktor atas model regresi kita. Apabila nilai t pada
tabel adalah signifikan (misalnya < 0,05) maka ia signifikan atas model. Demikian
pula, semakin besar nilai t tersebut, dan semakin kecil sig. nya, maka semakin
besar kontribusi prediktor tersebut atas model kita.
--Andi Field, Discovering Statistics Using SPSS (London: Sage Publications, 2009)
p.239.
Balas
cacoy Senin, 23 Juli, 2012

Salam Pak Basri,
Saya melakukan penelitian dengan menggunakan regresi ganda, tetapi dalam tabel
"coefisients" saya belum menemukan rumus manual untuk mencari nilai "Sig." dan
"Collinearity Statistics (baik yg nilai Tolerance dan VIF)".
Mohon bantuannya Pak,,,
Balas
Balasan
seta basri
Rabu, 01 Agustus, 2012
Mohon konfirmasi ulang bahwa ke-24 langkah dalam artikel di atas telah dilakukan.
Nilai Sig. pada tabel Coefficients ada di kolom Sig. (lokasinya tepat di sebelah kanan
kolom t). Demikian pula untuk nilai Sig. dan Collinearity Statistics (keduanya saling
menyebelah di tabel Coefficients.
Balas
Anonim Senin, 06 Agustus, 2012

Permisi pak,saya stefany...
saya baru melakukan uji asumsi klasik dan hasilny masih terjadi heteroskedastisitas, saya baca
d literatur bs dengan melakukan transformasi logaritma sedangkan persamaan regresi saya
sudah menggunakan log...
apakah ada alternatif lain pak?mohon bantuannya...
Balas
Balasan
seta basri
Salah satu asumsi untuk kelayakan uji regresi berganda adalah Homoskedastisitas.
Salah satu alat hitung untuk itu adalah Uji Park, di mana setiap variabel dikonversi
ke dalam Logaritma Natural. Ini sudah kamu lakukan, ya? Lalu masalah muncul
ternyata data penelitian kamu mengalami Heteroskedastisitas (residual). Baiklah,
sesungguhnya terdapat cara lain dalam melihat kondisi Homoskedastisitas ini.
Saat melakukan klik-klik Linear Regression pada SPSS, coba klik Plots > Masukkan
*ZPRED ke X > Masukkan *ZRESID ke Y > Ceklis Histogram dan Normal probability
plot > Klik Continue.
Nanti di Output perhatikan hasilnya (Hasil ini per Variabel Bebas): Lihat titik 0, lalu
positif 100 dan negatif 100. Tarik garis imajiner (SPSS output tidak menyediakan
ini) mulai dari - 100 tarik secara diagonal ke kanan melintasi 0 hingga + 100. (Nilai
100 ini mungkin bervariasi di hasil output Kamu). Data menyebar di atas dan di
bawah garis diagonal imajiner tersebut mengasumsikan Homoskedastisitas. Juga,
outlier-outlier tidak nyata terjadi (menumpuk di kiri atas, kanan bawah, dan
sejenisnya). Demikian pula, lihat hasil untuk variabel-variabel lainnya. Selamat
09/05/2014 13:48
29 of 38
mencoba. Semoga bermanfaat.

Balas
future education Jumat, 10 Agustus, 2012

Two tumbs up. Ilmu yang bermanfaat, menjadi amal yang kekal dunia akhirat. Thank a lot.
Tuhan memberkahi Anda.
Balas
Balasan
seta basri
Amin. Demikian pula untuk Anda.

Balas
ghizka ayu caca Selasa, 28 Agustus, 2012

salam pak basri..
saya ghizka ayu caca
saya mw tanya ne pak,,, gmn pak cr mencari nilai antiln menggunakan excel pak.....
saya cb tp gagal pak... hasilnya gak sesuai....
saya dpt contoh pak,
Ln Y = 5,311+ 0,0426KCl +0,04KL +0,292TSP +0,159Urea + 0,024Herb + 0,03TK
kemudian diubah mnjd :
Y = 202,55 KCL^0,0426 . KL^0,04 . TSP^0,292 . Urea^0,159 . Herb^0,024 . TK^0,03
brarti hsl yg Y td merupakan hasil antiln kn pak??
saya bnr2 bingung pak,,,
mohon bantuannya pak,,, krn ne menunjang skripsi saya...
trimakasih pak sblm n sesudahnya,,,,
Balas
Balasan
seta basri
Jumat, 21 September, 2012
Mungkin link ini dapat membantu Anda:

http://harisaryono.com/2011/07/logaritma-bagaimana-cara-menyelesaikanlogaritma-tanpa-kalkulator/
Semoga bermanfaat.
Balas
Anonim Kamis, 06 September, 2012

pagi pak. saya mau tanya kenpa dalam menentukan varibel yang memiliki pengaruh terbesar
dilihat dari standardized residual,,???
terima kasih.
Balas
Balasan
seta basri
Standardized residual digunakan karena ia telah mengekspresikan Standard Deviasi

dari hasil perhitungan. Sebab itu, ia telah mencerminkan posisi data dihadapkan
dengan mean sampel (atau populasi). Sama-sama. Semoga bermanfaat.
Balas
Anonim Jumat, 14 September, 2012

PAK CARA MENENTUKAN DF SAMA ALFA DALAM REGREESI TU GMN YA..
Balas
Balasan
seta basri
Sumber ini layak sekali untuk Anda eksplorasi:

http://junaidichaniago.com/2010/05/17/cara-membaca-tabel-t/
Semoga bermanfaat.
09/05/2014 13:48
30 of 38
Balas
chetty Selasa, 25 September, 2012

pak, mau tanya, hasil penelitian saya 125 responden dg regresi berganda r square 27,0,
adjusted r square 22,7. namun syarat regresi normalitas tdk terpenuhi krn data tidak normal.
tdk terjadi multikolinieritas dan heteroskedastis. yang ingin saya tanyakan, langkah pertama
yg harus sy lakukan utk menormalkan data apakah membuang outlier atau mentranformasi
(logaritma nol/ln?). sudah saya coba membuang outlier 5 responden dg standar deviasi > +/2,5 dan data menjadi normal dan menaikkan r square menjadi 39,3. atau apakah saya
langsung me-ln kan saja data2 saya? karena dengan langsung me-ln kan, data menjadi normal
dan r square 34,5. namun saat saya liat apakah ada outlier di data yg sudah di ln kan, ternyata
ada juga. nah apakah outlier d data yg sudah di ln kan harus dibuang juga mengingat data
sudah normal atau bagaimana. mohon saran pak. tks
Balas
Balasan
seta basri
Selasa, 25 September, 2012
Berapa variabel bebas yang Anda gunakan? Jika 125 - 5 = 120 sudah memenuhi
persyaratan n > 50 + 8m maka sebaiknya outlier tersebut dieliminasi saja. Ternyata
Anda telah membuang outlier dari 5 responden dan sebaran data menjadi normal,
bukan? Terlebih, ketika Anda konversi menjadi log natural justru data outlier
tersebut masih bertahan.
Demikian, semoga bermanfaat. Sukses untuk penelitian Anda.
Balas
Anonim Senin, 01 Oktober, 2012

pagi pak.
sbenarnya langkah yang tepat dalam analisa regresi itu tahapan nya seperti apa?
sblum kita menganalisa regresi (dalam kasus regresi berganda) langkah pertama kita harus
mengetahui besaran konstanta,koefisien regresi dan error nya?
uji asumsi klasik dilakukan setelah kita menemukan perasamaan dari analisa regresi?
saya msi bingung antara tahapan mencari koefisien regresi,uji asumsi klasik,test of goodfit
Balas
Balasan
Anonim Senin, 01 Oktober, 2012
o iya pak sama mau tanya 1 lg.
skripsi saya masi masuk landasan teori di bab 2
dan saya blom pernah menggunakan spss.
saya baca dr bbrp sumber,
byk yg memberikan rumus dr analisa regresia dan kemuadian lgsg keluar hasilnya.
apakah penggunaan spss dalam analisa regresi untuk mencari koefisien dan
konstanta dapat dicari secara otomatis jika kita memiliki data variabel bebas dan
terikat yang lengkap?
seta basri
Selasa, 02 Oktober, 2012
Selamat pagi. Menurut hemat saya, tahapan dalam analisa regresi adalah
menentukan taraf keyakinan penelitian, uji validitas item, uji reliabilitas item, uji
asumsi klasik (ragamnya ada di artikel di atas), barulah kita uji regresi
(menggunakan persamaan R) yang diantaranya adalah mencari koefisien regresi.
Setelahnya, lakukan pengujian hipotesis (sesuai taraf keyakinan penelitian),
goodness of fit test, dan (jika ingin) koefisien regresi parsial kalau ingin lebih jauh
mengenai pengaruh masing-masing variabel bebas terhadap variabel terikat.
------------------------------------------------------------Sebenarnya, dalam melakukan uji regresi tidak wajib seseorang menggunakan
SPSS. SPSS adalah sekadar alat bantu statistik. Banyak orang yang lebih nyaman
menghitung manual (beberapa cukup dengan excel) untuk melakukan uji regresi.
SPSS digunakan apabila peneliti memiliki sejumlah keterbatasan, baik karena
pengetahuan statistik, waktu, deadline, dan akurasi. Memang, dengan SPSS hal
yang paling menyita waktu adalah ketika kita menginput data (coding) dari
kuesioner ke dalam data view SPSS. Namun, sekali kita selesai menginput, hampir
seluruh perhitungan regresi seperti konstanta, koefisien, dan lain-lain data otomatis
dapat kita peroleh relatif lengkap. Jika Anda lebih nyaman menghitung dengan
manual ataupun excel, maka sesungguhnya hal tersebut baik-baik saja.
Balas
Anonim Jumat, 05 Oktober, 2012

saya menggunakan data panel dan meregresikan dgn metode fixed effect,,,hasil regresi saya r
squarenya bernilai 1 dan adjusted r square 0,99..salah satu variabel bebas tdk signifikan, nilai
f signifikan, dan nilai dw berkorelasi negatif,,,
ada yg salah tdk dgn regresi saya pak? mohon bantuannya pak,,terimakasih.
09/05/2014 13:48
31 of 38
Balas
Balasan
seta basri
Minggu, 07 Oktober, 2012
Apakah Anda menggunakan regresi berganda? Anggapan saya demikian. Apakah

hasil di atas merupakan output yang simultan ataukah parsial? Anggapan saya
simultan. Jika nilai R Square semakin mendekati 1, maka semakin sempurna daya
prediksi para VB atas VT. Adjusted R Square Anda jika dikalikan 100% adalah 99%.
Maknanya, penarikan kesimpulan Anda yang saat ini menggunakan sampel,
diprediksi akan 99% konsisten jika penarikan kesimpulan menggunakan populasi
penelitian. Jika salah satu variabel bebas tidak signifikan, maka Anda harus
memberinya catatan pada saat melakukan pembahasan hasil uji hipotesis.
Signifikansi penelitian dapat dilihat dengan membandingkan alpha hasil (ah)
perhitungan dengan alpha penelitian (ap) Anda (biasanya 0,05). Jika ah < ap maka
nilai F signifikan. Demikian sebaliknya. Pengambilan keputusan dengan nilai F hasil
hitung dilakukan dengan membandingkannya dengan F tabel. Korelasi negatif
mencerminkan hubungan asimetris antara VB dengan VT.
Dengan asumsi Anda telah melalui serangkaian uji asumsi regresi, maka tidaklah
tepat guna menyebut regresi Anda salah.
Balas
Anonim Rabu, 17 Oktober, 2012

assalamualaikum
pak, mau nanya nih.
penelitian saya mempunyai satu VB dan satu VT (indikator nya 3)apakah saya harus
menngunakan uji regresi berganda atau uji regresi sederhana ya pak? bingung ni. masih
newbie.. hehehe
terimakasih
Balas
Balasan
seta basri
Rabu, 17 Oktober, 2012
Jika regresi yang dilakukan terdiri atas 1 VB dan 1 VT, maka digunakan uji regresi
sederhana.

apakah uji asumsi klasik diperlukan jika VB nya cuma 1 pak?
terimakasih
seta basri
Tentu saja. Namun, tidak seluruh dari yang berlaku untuk regresi berganda berlaku
bagi regresi sederhana. Cukup linieritas, normalitas residu, homoskedastisitas. Juga
perlu pula dipertimbangkan jumlah sampel dan keberadaan outlier.
Balas
novita ayu saputri Kamis, 18 Oktober, 2012

mohon tanggapannya pak.. penelitian saya ada 6 model regresi. 2 regresi sederhana dan 4
regresi berganda. fokusnya pada uji hipotesis parsial (T). saya juga memakai uji F untuk
menguji secara serentak dan mendapatkan hasil pada 2 model regresi tidak signifikan. apakah
uji F harus selalu signifikan pak baru bisa di lanjut pada uji T? lalu bagaimana jika uji F tidak
signifikan? terimakasih
Balas
Balasan
seta basri
Jumat, 19 Oktober, 2012
Fungsi dari F-test adalah rasio variabilitas rata-rata data yang dapat dijelaskan oleh
model regresi dengan variabilitas rata-rata data yang tidak bisa dijelaskan oleh
model. F-test juga menunjukkan kesesuaian (secara menyeluruh) suatu model
regresi. Di sisi lain, T-statistics dalam regresi digunakan guna menguji apakah
koefisien b sungguh-sunggu berbeda dari 0. Nilai F-test pada output SPSS ada di
tabel ANOVA, sementara T-statistics ada di tabel Coefficients.
Dari ke-6 model Anda, 2 tidak signifikan nilai F-nya, sementara 4 signifikan. Sesuai
dengan penjelasan di atas, sebaiknya Anda melangkah ke analisis berikutnya
menggunakan ke-4 model yang signifikan.
novita ayu saputri Jumat, 19 Oktober, 2012

hanya memperjelas pak. jadi yg bisa saya lanjutkan uji T hanya model yg hasilnya
09/05/2014 13:48
32 of 38
signifikan saja pak pada uji F nya? dan 2 model itu saya hapus dari penelitian saya?
terimakasih pak sebelumnya :)
seta basri
Sabtu, 20 Oktober, 2012
Ya. Lebih baik Anda fokus pada model-model yang nilai F-nya signifikan.
Balas
Harfaiz Selasa, 30 Oktober, 2012

Mau nanya pak, saya sdg nyelesaiin tugas penelitian. Kenapa hasil persamaan regresi yg saya
peroleh tatkala menghilangkan konstan sangat berbeda jauh dengan bila memasukkan
konstan. Yang tanpa konstan terlihat jauh lebih bagus, koef determinasi tinggi, SEE rendah,
signifikan juga. Bisakah persamaan yg tanpa konstan ini dipakai? Mksh Pak Seta Basri...
Balas
Balasan
seta basri
Kelihatannya sulit untuk dipakai. Konstanta (b0) merupakan prasyarat bagi

kelayakan persamaan regresi. Interpretasi atas Y hanya boleh dinyatakan tepat
apabila efek dari X (atau sejumlah X) bernilai konstan. Jadi konstanta tetap harus
dipergunakan dalam menghitung persamaan regresi.
Harfaiz Rabu, 31 Oktober, 2012

Terus bagaimana cara memperbaiki data dan hasil agar persamaan nanti dapat
digunakan ya pak. Coz kemungkinan utk kembali ke lapangan bisa dibilang ndak
mungkin. Terimakasih banyak Pak atas bantuan dan masukannya...
seta basri
Pertama, tentu saja, periksa sejumlah asumsi yang harus dipenuhi dalam uji regresi
(silakan lihat artikel di atas). Kedua, lakukan perhitungan ulang pasca uji asumsi.
Ketiga, perlakukan hasil penelitian apa adanya (berikan catatan-catatan mengenai
nilai dan makna seperti koefisien determinasi, SEE, signifikansi penelitian). Saya
kira, penelitian yang memperlihatkan hasil apa adanya adalah penelitian yang
terbaik.
Balas

Terimakasih atas tulisannya ...
Balas
Balasan
seta basri

Balas
Ina Sabtu, 03 November, 2012

slm kenal, pak...saya sgt tertarik dng tulisan bpk dan ingin konsultasi. sya sedang mmbuat
tugas akhir dengan menggunakan regresi. saya menggunakan 1 VT dan 7 VB. VT saya berupa
data kategori dng skala ordinal, sedangkan VB saya ada yg skala ordinal ada yg
nominal.apakah msh tepat bila sya tetap menggunakan regresi linier?karena sejauh yg saya
dpt dari bbrp informasi, seharusnya menggunakan regresi multinomial logistic, sementara sya
jg msh baru tau ada regresi itu, dan jika seandainya memang harus memakai regresi
multinomial logistik, apakah uji asumsi klasik juga masih harus dilewati?
Balas
Balasan
seta basri
Minggu, 04 November, 2012
Beberapa informasi yang Anda terima kiranya tepat. Karena ada di antara VB Anda
yang sifatnya kategorik (nominal), maka sebaiknya digunakan Multinomial Logistic
Regression (MLR). Ini berdasarkan kehendak bahwa VT Anda berskala Ordinal (lebih
dari dua kategori). Rangkaian uji asumsi regresi juga berlaku, diantaranya
multikolinieritas, linieritas, normalitas, otokorelasi, dan sebagainya.
Balas
09/05/2014 13:48
33 of 38
Win Selasa, 06 November, 2012

Mas...kalo uji regresi untuk data jika x ada dua dan y itu ada 6 ..sedangkan saya ingin
mengetahui pengaruh x terhadap y saya mwu uji serempak secara bersamaan ,,pake regresi
apa ya mas..tolong jawabannya dan bantuannya segera mas,ya..
Balas
Balasan
seta basri
Sabtu, 10 November, 2012
Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus, jumlah prediktor
(X) adalah 2 atau lebih, sifat data prediktor kategorik, dan asumsi parametrik
terpenuhi, maka digunakan Factorial MANOVA.
Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus, jumlah prediktor
(X) adalah 2 atau lebih, sifat data prediktor kategorik dan kontinus, dan asumsi
parametrik terpenuhi, maka digunakan MANCOVA.
Balas
hikariyani Sabtu, 10 November, 2012

pak, saya mo nanya
gini, saya dapet tugas nyari model regresi linier berganda dengan 20 variabel bebas. setelah
saya analisis pake spss, ada 5 variabel yang masuk excluded variabel. kenapa ya bisa begitu?
Balas
Balasan
seta basri
Sabtu, 10 November, 2012
Excluded Variables (EV) pada SPSS bermakna ikhtisar setiap variabel yang belum
dimasukkan ke dalam model regresi yang hendak dibangun. Jika regresi Anda
menggunakan model hirarkis, maka tabel EV menunjukkan rincian aneka variabel
yang nantinya akan dimasukkan ke dalam langkah-langkah uji regresi berikutnya.
Jika regresi Anda menggunakan model stepwise, maka tabel EV berisi ringkasan
aneka variabel yang dipertimbangkan untuk dimasukkan ke dalam model.
Saat Anda memmilih model hirarkis, tabel EV memperlihatkan taksiran nilai beta
jika VB tertentu dimasukkan ke dalam persamaan dan mengkalkulasi nilai t. Saat
Anda memilih model stepwise, SPSS hanya akan memasukkan prediktor dengan
nilai t tertinggi dan terus melakukan pemasukan tersebut hingga tiada lagi nilai t
statistik tinggi dengan sig. < 0,05.
Apakah Anda tengah melakukan studi eksplorasi? (VB Anda cukup banyak, yaitu
20). Jika memang ini yang tengah Anda lakukan, maka telitilah nilai-nilai di atas.
Kemungkinan, dari 20 VB ada yang tidak cocok untuk dibangunkan persamaan
regresinya.
Balas
uphi_sufiana Selasa, 13 November, 2012

permisi pak seta, saya mau bertanya tentang regresi polinomial pangkat 2.
klo bentuk parabola yang dihasilkan bentuk bukit dan lembah, itu perbedaannya apa pak? trus
misalnya nilai R^2 yang dihasilkan 0,875, itu artinya bagaimana? apakah hubungan kedua
variabel sudah bagus? mohon jawabannya ya pak, saya masuh kurang paham. ini untuk
keperluan tugas akhir saya tentang pengaruh sumber pencemar terhadap konsentrasi
pencemar.
terimakasih sebelumnya ^_^
Balas
Balasan
seta basri
Rabu, 19 Desember, 2012
Maaf terlambat sekali saya menjawab. Saya coba, ya. Regresi polinomial digunakan
dengan asumsi hubungan VB dan VT tidak linier (garis lurus). Yang khas dari regresi
jenis ini adalah, plot-plot data berupa kurva. Ada kurva berbentuk "bukit" tetapi ada
pula yang "lembah." Nah, yang mengetahui perbedaannya tentu peneliti itu sendiri.
Deskripsi penjelasannya, misalnya, seorang guru meneliti hubungan LamaBelajar
(X) dengan Nilai (Y) siswa. Setelah dilakukan regresi kurvanya berbentuk "lembah."
Cara membacanya (bayangkan sumbu X dan sumbu Y) buatlah garis lurus dari
mean Y plot data. Ternyata ada 3 kelompok. Kelompok 1 (paling kiri) adalah siswa
dengan waktu belajar pendek, tetapi nilainya tinggi. Kelompok 2 (tengah) adalah
siswa dengan waktu belajar sedang, juga dengan nilai sedang. Kelompok 3 (paling
kanan) adalah siswa dengan waktu belajar panjang, tetapi nilainya rendah.
Deskripsi ini dapat Anda sesuaikan jika kurvanya "bukit". Berdasarkan ini dapat
Anda
interpretasi
bagaimana
pengaruh
SumberPencemar
terhadap
KonsentrasiSumberPencemar.
Dalam regresi (termasuk polinomial) peneliti membangun model. Interpretasi ini
mirip dengan regresi linier. Maknanya, jika R2 bernilai 0,875 maka dapat
diinterpretasi bahwa model layak digunakan. Mengenai interpretasi nilai R ini dapat
Anda lihat lebih jauh pada komentar-komentar di atas.
Terima kasih kembali. Semoga bermanfaat.
09/05/2014 13:48
34 of 38
Balas
Anonim Senin, 03 Desember, 2012

pak saya mau tanya,
jika menggunakan formula regresi linear (1VB dan 1VT / y = a+bx) apakah uji asumsinya bisa
menggunakan regresi berganda pak?.
karena saya menggunakan regresi linear yg hanya 1VB dan 1VT.
terima kasih sebelumnya pak^^
-suni
Balas
Balasan
seta basri
Bisa. Namun, tampaknya multikolinieritas tidak perlu. Karena VB nya cuma satu.
Terima kasih kembali. Semoga bermanfaat.
Anonim Kamis, 20 Desember, 2012

sangat membantu dan bermanfaat pak,
saya ingin bertanya kembali pak,
jika nilai coeficient b bertanda - (dlm hal ini hasil penelitian saya -0,098)apakah
berdampak pada responden saya pak? karena responden saya terbatas tdk
memenuhi unsur 50+8m. selanjutnya mengenai grafik pada hasil analisis regresi
menggunakan spss, untuk grafik histogram, menjelaskan analisis seperti apa pak?
dan untuk garis diagonal z itu pengertiannya bagaimana pak dlm diagram normal
pp plot regresi?
terima kasih pak ^^
-salam suni
seta basri
Jumat, 21 Desember, 2012
--------Untuk masalah nilai koefisien b yang bertanda (-). Harus diwaspadai, nilai
konstanta hasil uji regresi SPSS ada dua macam. Pertama Konstanta 0 (Bo) yang
ada di kolom model (Constant) Unstandarized Coefficients (B). Kedua nilai Beta
yang ada di di Standardized Coefficients. Untuk yang pertama, positif atau
negatifnya no problem, dihitung saja. Untuk yang kedua, positif atau negatifnya
menunjukkan arah hubungan dan yang diharapkan adalah tidak sama dengan 0.
Jika nilainya (-) maka arah pengaruh negatif. Jika nilainya (+) maka arah pengaruh
positif. Dengan demikian, nilai beta (-) dan (+) ini kurang berkaitan dengan jumlah
sampel.
--------Biasanya,
histogram
menggambarkan
normalitas
residu.
Hal
ini
berhubungan dengan normal p-p plot juga. Secara imajiner, balok-balok paling kiri
dan paling kanan melandai, sementara yang 'papan tengah' menjadi bukit. Jika
demikian maka dianggap normal.
--------Sama dengan histogram, pada grafik Normal P-P Plot, residu yang normal
adalah data memencar mengikuti fungsi distribusi normal yaitu menyebar seiring
garis z diagonal. Residu normal dari uji Kolmogorov-Smirnov adalah diperolehnya
nilai p > 0,05.
--------Demikian. Semoga bermanfaat.
Anonim Senin, 31 Desember, 2012

sangat membantu pak,
ada yang ingin saya tanyakan lagi pak!,
*jika r (pearson correlation, terdapat pada table correlation) menunjukkan negatif
apakah mempengaruhi persamaan regresinya pak?
*selanjutnya mean, apakah nilai mean berpengaruh juga pada analisis hasil
persamaan regresi pak?
terima kasih pak^^
-salam suni
seta basri
Untuk Pearson bernilai negatif tentu saja mempengaruhi, tetapi bukanlah sesuatu
yang abnormal. Wajar saja. Umumnya, hasil negatif ini konsisten dengan nilai beta
negatif Anda sebelumnya. Hitung saja seperti biasa.
Nilai Mean (yang di tabel Descriptives Statistics) tentu saja penting dan juga nilai
Standard Deviasi-nya (SD). Makin kecil SD artinya makin dekat ke Mean, makin
baik. Namun, ia kurang mempengaruhi dalam menginterpretasi model regresi kita.
Anonim Kamis, 14 Februari, 2013

jadi yg menginterpretasi model regresi apakah cukup nilai a, b, R dan R2 , saja ya
pak?
disamping sudah memperhatikan kurva standar p-plotnya pak
terima kasih pak sangat membantu^^
-salam suni
Balas
09/05/2014 13:48
35 of 38
MOHAMMAD ISNAIN Selasa, 18 Desember, 2012

Asalamualaikum pa seta,,
mohon pencerahannya
saya telah melakukan penelitian, dan telah mengolah datanya dengan analisa regresi linear,
jumlah sampel saya 58, dengan metode survey,
dengan menggunakan 3 variabel X.
hasil olahan spss sebagai berikut nilai :
R = 0.522 R = 0.273, Adjust r squarenya = 0.232. Sig = 001
pertanyaan saya begini :
1. apa penyebab R rendah,
2. apa alasan yang rasional dan ilmiah untuk menjelaskan hasil ini, tanpa mengurangi nilai
dari penelitian.
Balas
Balasan
seta basri
Secara prinsip, apabila aneka uji validitas, reliabilitas, dan aneka uji asumsi sudah
dilakukan, hasil tersebut dapat diterima sebagai adanya. Namun, dapat dicari
sejumlah "catatan" mengapa hasil tersebut terungkap.
Dalam regresi, n > 50 + 8m. Dimana n = Jumlah Sampel; m = Jumlah Variabel
Bebas. Jadi, dengan 3 VB sebaiknya jumlah sampel 50 + 28 = 78. Hal ini dapat
menjadi kemungkinan pertama. Selain itu, uji regresi cukup sensitif terhadap
"redundantly", keberlimpahan indikator. Jika satu variabel terdiri atas indikator yang
cukup banyak (berarti juga makin banyak item pertanyaan), redundantly terjadi.
Bersama masalah redundantly ini juga mengiring masalah kurang akurasinya
validitas muka (face validity), yang artinya item-item kuesioner ditanggapi secara
obvious oleh responden, sehingga jawaban mereka monoton.
Balas
pradnyana ari Rabu, 19 Desember, 2012

pak seta mohon pencerahannya
bagaimana membuat analisis regresi berganda 1 arah di spss??
Balas
Balasan
seta basri
Mirip dengan contoh di atas. Demikian. Semoga bermanfaat.

Balas
rizka Kamis, 20 Desember, 2012

pak seta, saya mau nanya
data yg saya uji terkena multikolinearitas, VIF nya tinggi sekali pak,
bagaimana caranya supaya tidak terkena multikolinearitas?!dan autokorelasi DW sebesar 0,881
yg mana kurang dr 1, hsl uji yg lainnya normal,dan tidak tjd heteroskedastisitas
mohon step-stepnya biar tdk terkena mulktikolinearitas dan autokorelasi
dsini saya menggunaka sampel sebanyak 62 dengan 6 variabel bebas, dan 1 variabel terikat,
terima kasih byk Pak, mohon penjelasannya...
Balas
Balasan
seta basri
Kamis, 20 Desember, 2012
Kelihatannya terjadi keberlebihan. Multikolinieritas adalah antar variabel bebas

terjadi hubungan yang "over." Dilihat dari proporsi jumlah VB (yaitu 6) dan jumlah
sampel (yaitu 62) maka kelihatannya Anda dapat coba "mengurangi" jumlah VB. Ini
dapat Anda lakukan dengan (misalnya) konsultasi ulang dengan pembimbing
penelitian, melakukan uji korelasi antar VB (lihat VB yang hubungannya kuat, dan
ini mungkin pemicu gejala multikolinieritas), meringkas variabel yang tidak perlu
atau serupa, atau kembali menyusun model analisis dengan merujuk pada teori
baru.
rizka Kamis, 20 Desember, 2012

klo misalnya perbaikan menggunakan metode PCA pak, saya sudah mencoba pake
metode PCA bwt multikolinieritasnya, tetapi saya bingung klo memasukkan hasil
metode PCA ke regresi itu gmn,,terimakasih Pak...maaf byk tanya,,:)
seta basri
Jumat, 21 Desember, 2012
09/05/2014 13:48
36 of 38
Principal Components Analysis (PCA) digunakan seorang peneliti untuk secara

matematis menurunkan sejumlah kecil variabel. Dengan metode ini, seorang
peneliti dimungkinkan dengan hanya menggunakan sedikit variabel tetapi tetap
menghadirkan informasi setara dengan banyak variabel. Setelah Anda melakukan
PCA (mungkin dengan SPSS), maka dapat diketahui berapa komponen yang
terbentuk. Misalnya, dari 6 komponen (VB) yaitu BacaBuku, Diskusi, BacaKoran,
Curhat, BacaMajalah, dan BacaInternet, akhirnya terbentuk 2 komponen. Komponen
1 terdiri atas BacaBuku, BacaKoran, BacaMajalan, dan BacaInternet. Komponen 2
terdiri atas Diskusi dan Curhat. Sesuai tujuan penelitian, Anda tinggal melakukan
kompresi dari 6 VB menjadi 2 VB. Diskusikan dengan pembimbing penelitian,
bahwa Anda hendak memunculkan 2 VB baru yang lewat PCA merupakan hasil
'kompres' dari 6 VB.
Jika disetujui, maka Anda tinggal melakukan tabulasi ulang yaitu mencari skor total
dari Komponen 1 (misalnya dinamai VB Baca) yang merupakan total dari BacaBuku,
BacaKoran, BacaMajalah, dan BacaInternet. Juga Komponen 2 yang total dari
Diskusi dan Curhat. Setelah selesai, langkah selanjutnya lakukan uji asumsi regresi
dan uji regresi seperti biasa.
rizka Kamis, 03 Januari, 2013

terima kasih banyak Pak....:)
seta basri

Balas

Maaf pak,..saya mau nanya,..
sya sdang mlakukan pnelitian dgn 2 VB trhdap 1 VT namun ada dua klompok data yaitu data
dri DC(Domestic Corp.) dan MNC (Multinational Company),..data yg sya ambil dri tahun
2007-2011 dgn sampel 57 DC dan 25 MNC,..sya ingin komparatifkan kedua jnis prusahaan
tersebut...
mhon ptunjuk dari bpak,.apakah dalam pengujian hipotesis (uji determinan, uji F, dan uji t)
sya harus meregresi masing-masing kelompok data,..karena swaktu uji asumsi klasik datanya
sya gabungkan jadi satu,..
trima kasih banyak pak,.mhon penjelasannya,..
Balas
Balasan
seta basri
Kelihatannya Anda memiliki 2 paket penelitian. Pertama, Anda meneliti Domestic

Corp. yang terdiri atas 2 VB dan 1 VT. Kedua, Anda menelitian Multinational
Company yang terdiri atas 2 VB dan 1 VT. Ke-2 VB dan 1 VT untuk tiap-tiap paket
penelitian adalah sama. Dan, Anda ingin mengomparatifkan kedua jenis perusahaan
tersebut.
Menurut hemat saya, sebaiknya Anda melakukannya pemisahan sejak awal, yaitu
sejak uji asumsi klasik hingga pengujian regresi. Dengan demikian, karakteristik
data penelitian untuk masing-masing 'paket' akan lebih terlihat. Anda memiliki VB
dan VT yang sama, tetapi hendak melihat penerapan khasnya di dua perusahaan
berbeda (Domestic Corp. dan Multinational Company). Dengan demikian, penelitian
Anda akan lebih menarik dan menantang tentunya. Namun, dengan bantuan SPSS,
perhitungan Anda dapat dilakukan secara cepat dengan ketelitian tinggi.
Demikian. Sama-sama. Semoga bermanfaat.
Balas

Maaf pak,..saya mau nanya,..
sya sdang mlakukan pnelitian dgn 2 VB trhdap 1 VT namun ada dua klompok data yaitu data
dri DC(Domestic Corp.) dan MNC (Multinational Company),..data yg sya ambil dri tahun
2007-2011 dgn sampel 57 DC dan 25 MNC,..sya ingin komparatifkan kedua jnis prusahaan
tersebut...
mhon ptunjuk dari bpak,.apakah dalam pengujian hipotesis (uji determinan, uji F, dan uji t)
sya harus meregresi masing-masing kelompok data,..karena swaktu uji asumsi klasik datanya
sya gabungkan jadi satu,..
trima kasih banyak pak,.mhon penjelasannya,..
Balas
Balasan
seta basri
Sudah di bagian atas, ya.
09/05/2014 13:48
37 of 38
Balas
MOHAMMAD ISNAIN Rabu, 02 Januari, 2013

terima kasih pa..sangat jelas ini telah membantu saya
Balas
Balasan
seta basri
Alhamdulillah. Semoga bermanfaat.

Balas
heaven Selasa, 15 Januari, 2013

pak mau nanya
kalo faktor-faktor yang mempengaruhi ,bagusnya mengunakan uji apa ?
Balas
Balasan
seta basri
Jumat, 18 Januari, 2013
Untuk penelitian "pengaruh" kiranya regresi lebih tepat. Apabila variabel X

(penyebab) 2 atau lebih, gunakan regresi berganda. Namun, apabila jumlah variabel
X yang dirancang begitu banyak (misalnya 10 atau lebih), ada baiknya digunakan
analisis faktor untuk meringkasnya. Setelah diringkas, baru kemudian (jika asumsi
terpenuhi) diadakan uji regresi berganda.
Balas
renny Senin, 21 Januari, 2013

Ada yang ingin saya tanyakan pak.
Apabila output spss suatu data. standard error nya tidak keluar atau tidak ada angka.
Dan keterangan di tuliskan
There are not enough degrees of freedom to compute the standard errors. No reversals
occured.
Apakah data saya normal?dan bisa d lanjutkan. Alasannya?
Atau data saya tidak normal?
Mohon bantuannya pak. Terima kasih
Balas
Balasan
seta basri
Sabtu, 26 Januari, 2013
Sebelumnya, apakah Anda telah melakukan serangkaian uji asumsi regresi? Salah
satunya, regresi sensitif terhadap outlier. Mungkin dapat Anda periksa outlier-outlier
dari data penelitian. Juga, parameter penelitian terlampau banyak, sementara
sampel kurang mencukupi sehingga varians data menjadi monoton. Ada baiknya
Anda "mengurangi" prediktor (jika memang berlebih) tentu tanpa mencederai
kerangka teori dan konsultasikan dengan pembimbing penelitian. Sebagai
tambahan, dapat pula dibaca hal-hal mengenai df di artikel ini.
Balas
Beri komentar sebagai:
Publikasikan
09/05/2014 13:48
38 of 38
Muat yang lain...
Ketik komentar anda. Pada Beri komentar sebagai pilih Name/URL jika anda tak memiliki
Google Account. Lalu klik Publikasikan.
Uji Korelasi Pearson
Analisis Kuadran Harapan dan Persepsi Publik
Langganan: Poskan Komentar (Atom)
Contact us if you have any question or anything else

Seta Basri Menulis Terus 2011 DheTemplate.com. Supported by Tips for Life and Blogging Tips
09/05/2014 13:48

Uji Regresi Berganda - Seta Basri Menulis Terus

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Uji Regresi Berganda - Seta Basri Menulis Terus

Diunggah oleh

Hak Cipta:

Format Tersedia

Uji Regresi Berganda | Seta Basri Menulis Terus

Seta Basri Menulis Terus

t i d ak b any ak y a ng b i sa d icerit a kan

Regresi Berganda dengan SPSS

birokrasi dan demokrasi (12)

1. Klik Analyze --> Regression --> Linear.

metode penelitian (9)

2. Klik variabel terikat --> Pindahkan ke kotak Dependent.

organisasi dan manajemen (13)

3. Klik variabel bebas --> Pindahkan ke kotak Independent(s).

pengantar ilmu politik (12)

4. Pada Method, pastikan dipilih Enter (untuk Regresi Berganda Standar).

5. Klik tombol Statistics, lalu lakukan :

resensi buku (10)

6. Ceklis Estimates, Model fit, Descriptives, dan Collinearity diagnostics.

sistem politik indonesia (10)

sistem sosial dan budaya indonesia (14)

Buku dan Film

Conspirata (Robert Harris)

13. Klik Next

Destiny Disrupted (Tamim Ansary)

Ghost Writer (Robert Harris)

Imperium (Robert Harris)

17. Klik Continue.

Cari Blog Ini