KELOMPOK

ANALISIS REGRESI
Pengujian Pada Regresi Ganda, Uji Parsial dan Uji Sekuensial

KELOMPOK II
Nur Afiah

(H12112252)

TISA

(H12112256)

A. Mugira Fada

(H12112257)

Ira Nurcahyani

(H12112258)

Septiani Muchtar

(H12112259)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR

DAFTAR ISI
Cover Page.!!!

Kata Pengantar....!
Daftar Isi...!
BAB I
1.1.
1.2.

Latar Belakang
Rumusan Masalah..

BAB II
2.1.

Pembahasan

BAB III
3.1.

Kesimpulan....

Daftar Pustaka.

KATA PENGANTAR
Tiada untaian kata yang lebih indah selain ucapan syukur kehadirat Allah SWT
yang telah melimpahkan karunia, taufik, hidayah, serta inayah-Nya sehingga Makalah
ini dapat terselesaikan. Tidak lupa pula senantiasa kita panjatkan salawat serta salam
kepada junjungan dan panutan kita Muhammad SAW. Dalam tahap penyusunan
makalah ini, tidak lepas dari berbagai kendala yang menghambat penyusunan. Namun,
berkat bantuan dan motivasi dari berbagai pihak, sehingga kendala dan halangan
tersebut dapat teratasi.
Makalah ini disusun sebagai isyarat tugas kelompok kami.Ucapan terima kasih
kami sampaikan kepada teman-teman, ibu dosen sehingga makalah ini dapat
terselesaikan, serta pihak-pihak lainnya yang telah membantu dalam menyelesaikan
makalahini yang tidak sempat disebutkan.
Dalam penyusunan makalah ini, disadari bahwa masih terdapat kekurangan
karena hal ini masih terbilang baru bagi kami. Oleh karena itu, kritik dan saran yang
sifatnya membangun sangat kami harapkan. Walau demikian, kami tetap berharap
makalah ini dapat memberikan manfaat . Amin.
Makassar, 27 Oktober 2014

Kelompok II

BAB I
PENDAHULUAN
1.1 Latar Belakang
Uji regresi berganda banyak sekali dalam penelitian, pemakaian baik untuk
keperluan 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.
Penggunaan statistika dalam segala bidang akan mempengaruhi tingkat analisis
dari hasil penelitian yang sedang dilakukan. Penelitian dalam bidang matematika
yang menggunakan aspek penghitungan statistika akan memperoleh data yang
hampir mendekati benar atau dengan memperhatikan dari analisis regresi. Untuk
mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan
memprediksi variabel tergantung dengan menggunakan variabel bebas.
Analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut
sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua
variabel yang menerangkan (the explanatory). Variabel pertama disebut juga sebagai
variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas. Jika
variabel bebas lebih dari satu, maka analisis regresi disebut regresi linear berganda.
Disebut berganda karena pengaruh beberapa variabel bebas akan dikenakan kepada
variabel tergantung.
Analisis ini banyak digunakan dalam bidang penulisan karya ilmiah yang
menyangkut dengan perhitungan hasil akhir yang mana akan menentukan berhasil
atau tidaknya sebuah penelitian yang sedang dilakukan dengan melihat kesimpulan
yang ditarik dari perhitungan analisis regresi. Penghitungan ini tidak hanya
melibatkan satu analisis saja, namun akan menyangkut beberapa penghitungan
statistika agar menunjang dari hasil ana lisis regresi, misalnya kita menggunakan uji
parsial, uji sequensial, uji chi, penggunaan anova dan pendugaan hipotesis.

1.2 Rumusan Masalah

1) Bagaimana bentuk pengujian regresi berganda
2) Mendeskripsikan pengujian regresi berganda dengan menggunakan uji
parsial dalam hal ini yaitu uji t
3) Mendeskripsikan pengujian regresi berganda dengan menggunakan uji
sekuensial dalam hal ini yaitu uji F
4) Bagaimana pengaplikasiannya dalam bentuk contoh kasus
5) Bagaimana pengaplikasiannya dalam bentuk software

BAB II
PEMBAHASAN
2.1 Pengujian Regresi Linier Berganda
Analisis regresi linear berganda digunakan untuk mengukur pengaruh antara
lebih dari satu variabel prediktor (variabel bebas) terhadap variabel terikat. Model
regresi linier berganda melibatkan lebih dari satu variabel bebas. Modelnya:

..................................... (2.2)
Dimana:
Y = variabel terikat
Xi = variabel bebas ( i = 1, 2, 3, , k)

0 = intersep
i = koefisien regresi( i = 1, 2, 3, , k)
Model penduganya adalah:

................................ (2.3)
Dimana:
Y = variabel terikat (dependen)
Xi = variabel bebas (independen)
a = konstanta
bi = koefisien regresi
a. Uji Hipotesis
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat
signifikansi atau probabilitas () dan tingkat kepercayaan atau confidence interval.
Didasarkan tingkat signifikansi pada umumnya orang menggunakan 0,05. Kisaran

tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud dengan tingkat
signifikansi adalah probabilitas melakukan kesalahan tipe I, yaitu kesalahan menolak
hipotesis ketika hipotesis tersebut benar. Tingkat kepercayaan pada umumnya ialah
sebesar 95%, yang dimaksud dengan tingkat kepercayaan ialah tingkat dimana sebesar
95% nilai sampel akan mewakili nilai populasi dimana sampel berasal. Dalam
melakukan uji hipotesis terdapat dua hipotesis, yaitu:

H0 (hipotesis nol) dan H1 (hipotesis alternatif)

Dalam pengujian regresi linier berganda terdapat tiga macam uji yaitu:
(Pengujian terhadap model regresi)
1). Uji simultan atau uji F atau uji ragam regresi atau uji varians regresi
2). Uji parsial koefisien regresi atau uji terhadap bi atau uji t koefisien regresi
(uji kesesuaian model)
3). Uji koefisien korelasi berganda atau uji R.
2.2 Uji Parsial (Uji t)
Uji t digunakan untuk mengetahui apakah variabel-variabel independen secara
parsial berpengaruh nyata atau tidak terhadap variabel dependen. Derajat signifikansi
yang digunakan adalah 0,05. Apabila nilai signifikan lebih kecil dari derajat
kepercayaan maka kita menerima hipotesis alternatif, yang menyatakan bahwa suatu
variabel independen secara parsial mempengaruhi variabel dependen.
Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel
independen (X1, X2,...,Xn) secara parsial berpengaruh signifikan terhadap variabel
dependen (Y). Statistika Uji:
t=

bi
S bi

Ket:
bi

: koefisien

S bi : standar eror dari b

i
7

2.3.1 Langkah-langkah pengujian Hipotesa dengan Distribusi t

1. Merumuskan hipotesa
Ho :

= 0, artinya variabel bebas bukan merupakan penjelas yang signifikan

terhadap variabel terikat

H1 :

0, artinya variabel bebas merupakan penjelas yang signifikan terhadap

variabel terikat.
2. Menentukan taraf nyata/ level of signifikan =
Taraf nyata / derajat keyakinan yang digunakan sebesar = 1%, 5%, 10%, dengan:
df = n p
Dimana:
df = degree of freedom/ derajat kebebasan
n = jumlah sampel
p = banyaknya koefisien regresi + konstanta
3. Kriteria uji
Untuk mengetahui kebenaran hipotesis digunakan kriteria sebagai berikut.
Ho diterima apabila t ( / 2; n p) t hitung t ( / 2; n k), artinya tidak ada
pengaruh antara variabel bebas terhadap variabel terikat.
Ho ditolak apabila t hitung > t ( / 2; n p) atau t hitung < -t ( / 2; n k), artinya
ada pengaruh antara variabel bebas terhadap variabel terikat.
4. Menentukan uji statistik (Rule of the test)
5. Mengambil keputusan
8

Keputusan bisa menolak Ho atau menolak Ho menerima H1.

Nilai t tabel yang diperoleh dibandingkan dengan nilai t hitung, bila t hitung lebih
besar dari t tabel, maka Ho ditolak, sehingga dapat disimpulkan bahwa variabel
independen berpengaruh pada variabel dependen.
Apabila t hitung lebih kecil dari t tabel, maka Ho diterima sehingga dapat
disimpulkan bahwa variabel independen tidak berpengaruh terhadap variabel dependen.
2.3 Uji Sekuensial (Uji F)
Uji ini digunakan untuk mengetahui apakah variabel independen (X 1,X2,...Xn)
secara bersama-sama berpengaruh secara signifikan terhadap variabel dependen (Y).
Atau untuk mengetahui apakah model regresi dapat digunakan untuk memprediksi
variabel dependen atau tidak. Statistika Uji:
JKR
p1
F Hitung =
JKE
n p

Dimana:
JKR: Jumlah Kuadrat Regresi
n : Jumlah sampel
p : jumlah parameter
2.4.1 Langkah-langkah Pengujian Hipotesa dengan Distribusi F
1. Merumuskan hipotesa
Ho : 1 = 2 = 3 = 4 = 0, berarti secara bersama-sama tidak ada pengaruh variabel
bebas terhadap variabel terikat.
Ha : 1 2 3 4 0, berarti secara bersama-sama ada pengaruh variabel bebas
terhadap variabel terikat.

2. Menentukan taraf nyata/ level of significance =

Taraf nyata / derajat keyakinan yang digunakan sebesar = 1%, 5%, 10%. Derajat
bebas (df) dalam distribusi F ada dua, yaitu:
df1 = p 1
df2 = n p
Dimana:
df = degree of freedom/ derajat kebebasan
n = jumlah sampel
p = banyaknya koefisien regresi
3. Menentukan daerah keputusan, yaitu daerah dimana hipotesa nol diterima atau tidak.
Ho diterima apabila F hitung F tabel, artinya semua variabel bebas secara
bersama-sama bukan merupakan variabel penjelas yang signifikan terhadap variabel
terikat.
Ho ditolak apabila F hitung > F tabel, artinya semua variabel bebas secara bersamasama merupakan penjelas yang signifikan terhadap variabel terikat.
4. Menentukan uji statistik nilai F
5. Mengambil keputusan
Keputusan bisa menolak Ho atau menolak Ho menerima H1.
Nilai F tabel yang diperoleh dibanding dengan nilai F hitung apabila F hitung lebih
besar dari F tabel, maka ditolak sehingga dapat disimpulkan bahwa ada pengaruh yang
signifikan antara variabel independen dengan variabel dependen.
Catatan:
Apabila menggunakan software statistik (missal SPSS) dapat dilihat nilai sig. Apabila
nilai

sig< 0.05

dapat disimpulkan bahwa garis regresi bermakna sebagai penaksir.

Atau variabel penjelas (variabel bebas) secara serentak berpengaruh terhadap variabel
tergantung secara signifikan.
10

Koefisien korelasi adalah nilai yang menunjukan kuat/tidaknya hubungan linier antar
dua variabel. Koefisien korelasi biasa dilambangkan dengan huruf r dimana nilai r dapat
bervariasi dari -1 sampai +1. Nilai r yang mendekati -1 atau +1 menunjukan hubungan
yang kuat antara dua variabel tersebut dan nilai r yang mendekati 0 mengindikasikan
lemahnya hubungan antara dua variabel tersebut. Sedangkan tanda + (positif) dan
(negatif) memberikan informasi mengenai arah hubungan antara dua variabel tersebut.
Jika bernilai + (positif) maka kedua variabel tersebut memiliki hubungan yang searah.
Dalam arti lain peningkatan X akan bersamaan dengan peningkatan Y dan begitu juga
sebaliknya. Jika bernilai (negatif) artinya korelasi antara kedua variabel tersebut
bersifat berlawanan. Peningkatan nilai X akan dibarengi dengan penurunan Y.
Koefisien korelasi pearson atau Product Moment Coefficient of Correlation adalah nilai
yang menunjukan keeratan hubungan linier dua variabel dengan skala data interval atau
rasio. Rumus yang digunakan adalah

Analisis Koefisien Determinasi (Uji R2)

Uji R2 atau uji determinasi merupakan suatu ukuran yang penting dalam regresi,
karena dapat menginformasikan baik atau tidaknya model regresi yang terestimasi, atau
dengan kata lain angka tersebut dapat mengukur seberapa dekatkah garis regresi yang
terestimasi dengan data sesungguhnya. Nilai koefisien determinasi (R 2) ini
mencerminkan seberapa besar variasi dari variabel terikat Y dapat diterangkan oleh
variabel bebas X. Bila nilai koefisien determinasi sama dengan 0 (R 2 = 0), artinya
variasi dari Y tidak dapat diterangkan oleh X sama sekali. Sementara bila R 2 = 1, artinya
variasi dari Y secara keseluruhan dapat diterangkan oleh X. Dengan kata lain bila R 2 =
1, maka semua titik pengamatan berada tepat pada garis regresi. Dengan demikian baik
atau buruknya suatu persamaan regresi ditentukan oleh R 2 nya yang mempunyai nilai
antara nol dan satu.
11

Menurut Santoso dalam buku (Priyatno, 2008:81), Adjusted R square adalah R

square yang telah disesuaikan nilai ini selalu lebih kecil dari R square dari angka ini
bisa memiliki harga negatif, bahwa untuk regresi dengan lebih dari dua variabel bebas
digunakan Adjusted R2 sebagai koefisien determinasi.
2.4 Contoh Kasus
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

X1
27
27
25
24
22
23
24
24
23
18
18
17
18
19
18
18
19
19
20
20

X2
80
80
75
62
62
62
62
62
58
58
58
59
58
58
50
50
50
50
50
56

X3
89
88
90
87
87
87
93
93
87
80
89
88
82
93
89
86
72
79
80
82

Y
42
37
37
28
18
18
19
20
15
14
14
13
11
12
8
7
8
8
9
15

Koefisien Korelasi
TABEL 2
Correlations
Y
Pearson Correlation

Sig. (1-tailed)

X1

X2

X3

1,000

,875

,961

,421

X1

,875

1,000

,821

,417

X2

,961

,821

1,000

,478

X3

,421

,417

,478

1,000

,000

,000

,032

X1

,000

,000

,034

X2

,000

,000

,017

X3

,032

,034

,017

12

20

20

20

20

X1

20

20

20

20

X2

20

20

20

20

X3

20

20

20

20

Untuk mengetahui variabel yang pertama kali masuk, kita harus

melihat korelasi terbesar dengan menggunakan rumus:
r xy=

n X 2 Y ( X 2) ( Y )

[n X ( X ) ][n Y ( Y ) ]
2

Uji koefisien korelasi Y terhadap

ryx =
2

X2

adalah:

n X 2 Y ( X 2 ) ( Y )

[n X ( X) ][n Y ( Y ) ]
2

20 ( 22916 )( 1200 ) (353)

[ 20 ( 73582 )( 144000 ) ] [20 ( 8293 )(124609)]

34720
36127,2977

0,961

Terlihat pada diatas bahwa Variabel bebas

terbesar dengan

yaitu

x2

-0,961 , sehingga

memberi
x2

korelasi

masuk pertama

kali kedalam model.

Nilai koefisien dapat dilihat pada tabel dibawah ini :
TABEL 6
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

-48,191

Std. Error
4,512

13

Coefficients
Beta

T
-10,681

Sig.
,000

X2
2

1,097

,074

-51,350

4,059

X2

,849

,112

X1

,853

,317

(Constant)

,961

14,752

,000

-12,649

,000

,744

7,572

,000

,265

2,694

,015

a. Dependent Variable: Y

Untuk mengetahui nilai koefisien bo (intercept) dihitung dengan

menggunakan rumus :
b0 =

( Y ) ( X 22) ( X 2 ) ( X 2 Y )
2

n X 2 ( X 2)

( 353 )( 73582 )( 1200 ) (22916)

( 20 ) ( 73582) 1440000

1524754
31640

48,1907

Untuk

mengetahui

nilai

b1 (koefisien

X2

dihitung

menggunakan rumus :
b1=

n X 2 Y X 2 Y
2

n X 22( X 2)

( 20 )( 22916 ) ( 1200 ) (353)

( 20 ) ( 73582 )1440000

34720
31640

1,097

Sehingga menghasilkan model berikut :

MODE
L1

^y =48,191+1,0972 x2

14

dengan

ANOVAa
Model
1

Sum of Squares
Regression

Mean Square

1904,991

1904,991

157,559

18

8,753

Total

2062,550

19

Regression

1952,138

976,069

110,412

17

6,495

2062,550

19

Residual

Df

Residual
Total

Sig.

217,632

,000b

150,285

,000c

a. Dependent Variable: Y
b. Predictors: (Constant), X2 MODEL

c. Predictors: (Constant), X2, X1

X2

Uji signifikan Variabel

dengan menggunakan uji sekuensial

dan parsial
S ( b2 ) =0,074

Pada Tabel 6 terlihat

MSE ( RJKG ) =S 2=8,753 , dan

0,00 0b

, dan pada Tabel 5 terlihat

Fhit =F (1,18 )=217,632

dengan nilai kritis

atau nilai yang sangat kecil.

# periksa keberartian

melalui uji hipotesis dengan menggunakan

uji sekuensial (uji F);

H 0 : 2=0

VS

H 1: 2 0

Karena persamaan ini adalah regresi linier sederhana, maka uji

2
keberartian
sebagai berikut :
Fhit =

MSR 1904,991
=
=217,632
MSE
8,753

untuk =0,05 , Ftab =F ( 0,95 ; 1 ; 18 )=4,41

Karena

Fhit =217,632> F tab =4,41 , tolak H 0 , berarti 2 0

15

# periksa keberartian

melalui uji hipotesis dengan menggunakan

uji parsial (uji t)

Cara lain : Untuk nilai t hitung lihat Tabel 6 lihat sebagai berikut ;
b
1,097
S ( 2)=
=14,75
0,074
b2

t=

t ( 1 ; n p )=t ( 0,975 ; 18 )=2,101

H1

, artinya

2 0

=0,05

dan untuk

. Karena

diperoleh

|t |>t ( 0,975;18 ) maka terima

Langkah berikutnya adalah memeriksa

r yxj , x j = 1, dan 3 untuk

2,

mencari variabel yang masuk ke dalam model sebagai berikut:

Terlihat Pada Outpunya pada Tabel 7 bahwa variabel yang akan
x1
masuk yaitu variabel
ini dapat diketahui dengan melihat nilai
2

r yxj , x atau lihat Tabel 7 Exclude Variables pada kolom partial

3,

r=0,547

correlation dimana nilai

Excluded Variablesa
Collinearity

Model
1

Beta In

Sig.

Partial

Statistics

Correlation

Tolerance

X1

,265b

2,694

,015

,547

,326

X3

-,050b

-,663

,517

-,159

,772

X3

-,059c

-,910

,376

-,222

,770

a. Dependent Variable: Y
b. Predictors in the Model: (Constant), X2
c. Predictors in the Model: (Constant), X2, X1

Tabel Manual
xj

r yxj . x2

r 2y xj . x3

16

0,547

0,299

0,159

0,548

Cara Manual mencari korelasi parsial

Untuk

x 1 r yx 1 .x 2=

Untuk

x 3 r yx 3 . x2 =

r y x 1r y x 2 r x1 x2

1r 1r
2
yx 2

2
x1 x2

r y x3 r y x 2 r x 2 x 3

1r 1r
2
yx 3

2
x 2x 3

0.875( 0,961 ) (0,821) 0,09

=
=0,547
( 0,276 ) (0,571)
0,157

0,421 ( 0,961 ) (0,478) 0,038

=
=0,159
( 0,276 ) (0,878)
0,242

Dari Tabel manual dan Tabel 7 Exclude Variables terlihat bahwa

calon peubah berikutnya yang masuk ke dalam model adalah variabel
x1
x1
, karena
memiliki kuadrat korelasi parsial terbesar dengan y,
x2
ketika
dikontrol, dan dapat diihat pada Tabel 6 koefisien dari
MODEL
2
x1
x2
dua Variabel
dan
yaitu model regresinya sebagai berikut;
^y =51,350+0,853 x 1+ 0,849 x 2
regresi linier sederhana (regresi y terhadap

x2

x3

dan

), terlihat di

Tabel 6 nilai koefisiennya adalah sebagai berikut;

TABEL 6
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

-48,191

4,512

1,097

,074

-51,350

4,059

X2

,849

,112

X1

,853

,317

X2
2

Std. Error

(Constant)

a. Dependent Variable: Y

17

Coefficients
Beta

Sig.

-10,681

,000

14,752

,000

-12,649

,000

,744

7,572

,000

,265

2,694

,015

,961

Perhitungan manual :
Berikut beberapa nilai yang digunakan untuk menghitung koefisien :
X 21

X 21= X 21

X 22

2
X 2= X 22

X 1 Y = X 1 Y

X 2 Y = X 2 Y

X 1 Y =8026 149319 =80267465,95=560,05

n

X 2 Y =22916 ( 1200 ) (353) =2291621180=1736

X 1 X 2= X 1 X 2

Y =17,65

X 1=21,15

X 2=60

20

20

X 2 X 1 =25840 507600 =2584025380=460

n

20

Untuk mengetahui nilai koefisien b2 dihitung dengan menggunakan

rumus :

18

X1 X2

2
X 1 X 22
X 22 X 1 Y X 2 Y X 1 X 2

b2=

( 1582560,05 )( 1736460)
( 198,551582 )(460)2

885999,1798560
314106,121160

87439,1
102506,1

0,853
Untuk mengetahui nilai koefisien b1 dihitung dengan menggunakan
rumus :
X1 X2

2
X 1 X 22
X 21 X 2 Y X 1 Y X 1 X 2
b1=

( 198,551736 )(560,05460)
( 198,551582 )(460)2

344596257623
314106,121160

86973
102506,1

0,848

19

Untuk mengetahui nilai koefisien bo (intercept) dihitung dengan

menggunakan rumus :
bo =Y b 1 X 1b2 X 2

17,65( 0,86 )( 21,15 ) ( 0,85 ) ( 60 )

17,6518,0451

51,39

TABEL 4
Model Summary
Change Statistics
R
Model

Adjusted

Std. Error of

R Square

Sig. F

Square R Square

the Estimate

Change

Change

df1

df2

Change

,961a

,924

,919

2,959

,924

217,632

18

,000

,946

,940

2,548

,023

7,259

17

,015

,973

a. Predictors: (Constant), X2
b. Predictors: (Constant), X2, X1

TABEL 5
ANOVAa
Model
1

Sum of Squares
Regression

Mean Square

1904,991

1904,991

157,559

18

8,753

Total

2062,550

19

Regression

1952,138

976,069

110,412

17

6,495

2062,550

19

Residual

Df

Residual
Total
a. Dependent Variable: Y
b. Predictors: (Constant), X2
c. Predictors: (Constant), X2, X1

Uji Signifikan Variabel Masuk

20

X2

Sig.

217,632

,000b

150,285

,000c

Tampak pada Tabel 6 bahwa

2

pada Tabel 4 R =

b
S ( 1)=0 ,317

b
S ( 2)=0,112

, dan

94,6 %, dan pada Tabel 5 MSE(RJKG) =

S =6,495 . Pada Tabel 5 Uji keseluruhan

F(2,17)=

MSR 976,069
=
=150,285 , amat berarti dengan nilai kritis
MSE
6,495

0,000000001.
Tabel koefisien regresi dan F masuk individu
Peubah
x2
x1

Galat Baku
0,112

0,853

Konstanta

Koef. Regresi
0,849

F(1,17)
-

Nilai Kritis
-

7,259

0,015

0,317

51,350

Cara manual mencari F masuk Individu untuk membuktikan

output Tabel 4 pada kolom F Changes.

F ( x 1 ) =

SSR ( x 1|x 2 ) SSE ( x1 x 2) 47,147 110,412

:
=
:
=47,147 : 6,495=7,259
1
203
1
17

SSR ( x 1|x 2 )=SSE ( x 2) SSE ( x1 x 2) =157,559110,412=47,147

Tambahan

R2 akibat pemasukan

x2

kedalam model adalah 0,946

0,924=0,022, suatu penambahan yang tidak kecil. Begitu pula RJKG

bertambah kecil .
Perhatikan bahwa ada dua pengujian disini : uji koefisien secara
keseluruhan (bersama-sama sekaligus) dengan
F ( 2,17 ) =

MSR 976,069
=
=150,285
MSE
6,495

amat berarti dengan nilai kritis

0,000000001. Bagian ini menguji kedua koefisien dan ternyata

keduanya tidak sama dengan nol (salah satu masih mungkin nol). Uji
bagian kedua dengan F ( 1,17 ) = 7,259 terlihat pada Tabel 4 pada
21

x2

kolom F Changes dan Tabel manualnya untuk variabel

dengan nilai kritis 0,015 untuk
x1

berarti variabel

x1

. Dari sini terlihat bahwa

1 0

signifikan.

Langkah 4: Variabel yang tersisa adalah variabel

x4

yang berada di

luar model Kuadrat korelasi

TABEL 7
Excluded Variablesa
Collinearity

Model
1

Beta In

Sig.

Partial

Statistics

Correlation

Tolerance

X1

,265

2,694

,015

,547

,326

X3

-,050b

-,663

,517

-,159

,772

X3

-,910

,376

-,222

,770

-,059

a. Dependent Variable: Y
b. Predictors in the Model: (Constant), X2
c. Predictors in the Model: (Constant), X2, X1

Terlihat di output X3 tidak masuk dalam model karena mempunyai

t =0,91
nilai hit
dan nilai signigikan 0,378 , yang berarti nilai
signifikan > 0,05 sehingga variabel x3 diluar model.
Jadi model terbaik adalah
^y =51,350+0,853 x 1+ 0,849 x 2

2.5 Contoh kasus menggunakan program SPSS

22

BAB III
PENUTUP

3.1 Kesimpulan
Adapun kesimpulan dari pembahasan di atas adalah sebagai berikut:
1. Uji regresi digunakan untuk menemukan model matematik yang dapat dipakai untuk
menjelaskan hubungan fungsional antara variabel bebas dengan variabel tak
bebasnya.
2. Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat
signifikansi atau probabilitas () dan tingkat kepercayaan atau confidence interval.

Uji parsial digunakan untuk mengetahui apakah dalam model regresi

3.

variabel independen (X1, X2,...Xn) secara parsial berpengaruh signifikan terhadap

variabel dependen (Y). Statistika Uji:
........................................................ (2.4)
Dimana:
s c jj : standar eror dari b
j
4. Uji sekuensial digunakan untuk mengetahui apakah variabel independen (X1,X2,...Xn)

secara bersama-sama berpengaruh secara signifikan terhadap variabel dependen (Y).

Atau untuk mengetahui apakah model regresi dapat digunakan untuk memprediksi
variabel dependen atau tidak.
Statistika Uji:
JKR
p1
F Hitung=
JKE
n p

23

3.2 Saran
Dengan selesainya makalah ini, kami selaku penulis berharap makalah ini bisa dijadikan
sebagai referensi dalam proses pembelajaran. Kami menyadari bahwa makalah ini
masih jauh dari kata sempurna, oleh karena itu kami sangat mengharapkan kritik dan
saran yang bersifat membangun dari semua pihak pembaca, baik mahasiswa maupun
dari dosen.

24

DAFTAR PUSTAKA

P. Duwi, 2011, Analisis Regresi Linier Berganda, [online],

(http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-berganda.html,
diakses tanggal 31 Oktober 2014)
Sofa, 2008, Biometri, [online], (http://massofa.wordpress.com/2008/02/04/biometri/,
diakses tanggal 31 Oktober 2014)
Universitas

Udayana,

Analisis

Regresi

Berganda

Dua

Peubah,[pdf],

(http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3.
Analisis Regresi Linier Berganda Dua Peubah.pdf, diakses tanggal 31 Oktober 2014)
Universitas Diponegoro, Analisis Regresi Linear Berganda, [pdf],
(http://eprints.undip.ac.id/6361/1/ANALISIS_REGRESI_LINEAR_BERGANDA.pdf,
diakses tanggal 31 Oktober 2014)

25