Analisis Regresi

Pokok
Bahasan
Pengujian
pada Regresi Ganda
Ganda

Mode Regresi
Linier
Y f(X)
Y f ( X1 , X 2 ,..., X

Berganda
Y n ) X X ... X
i

1i

2i

ki

dimana:
Yi = variabel dependent/respon/output
Xi = variab independent/prediktor/input/f
regresi
el
xed
= parameter/koefsien
i = unsur gangguan yang diasumsikan
i

independen dan berdistribusi normal atau

independen
dan berdistribusi normal atau
identik,

i ~ IIDN(0,2)

Model Regresi Linier Berganda

Model Regresi Linier Berganda, dengan k

peubah penjelas :

Y 0 1X1 2 X 2 k Xk
Parameter regresi sebanyak k+1 diduga melalui data.
Untuk regresi berganda, perhitungannya menjadi

lebih mudah jika dilakukan dengan

matriks dan dibantu dengan
menggunakan komputer

Model Regresi Linier Berganda

Dugaan Persamaan Regresi Linier

Berganda, dengan k peubah

penjelas :

y i b0 b1x1i b 2 x 2i bk x ki

ASUMSI : Hubungan setiap peubah penjelas

dengan peubah responnya LINIER

(pangkat X1 sampai Xk adalah

satu)

Ringkasa Regres Linie Bergand

n
i
r
a

Model Regresi Berganda dengan k peubah penjelas :

Y 0 1X1 2 X 2 k Xk

Model umum Regresi Berganda dengan k peubah

penjelas dan n amatan dalam notasi

matriks :
y 1 n X k 1 k 1 1 n 1
n

Dugaan bagi parameter Regresi Berganda:

X)
b

(X'
( k 1) 1 ( k 1)

(k
1)

(k 1)

X'n

y
1

DENGAN Ordinary Least Squares (OLS):

Ringkasa Regres Linie Bergand

n
i
r
a
Nilai
H X(X'
y Xb H y
ramalan
Matriks dugaan ragam peragam bagi b :
V (b0 )

lanjutan

X) X'
1

cov (b0 , b1 ) ....... cov (b0 , bk )

cov(b1 , b0 ) V (b1 )

...
...
V (b)
s2

....... cov (b1 , bk )

X' X 1

...

cov(bk , b0 ) cov(bk , b1 ) ............V (bk )

Dugaan simpangan baku

b j c jj s

dengan :
s2 = KT sisaan

c jj unsur ke j diagonal matriks ( X' X) 1

PENGUJIAN MODEL

Uji t
Uji F

Uji Paramet
er

Regresi Linier Berganda : uji-t

Uji-t
untuksatu
menguji
setiap peubah
peubah dimaksudkan
penjelas secara
per pengaruh
satu terhadap

bah penjelas secara satu per satu terhadap

peubah responnya

Model Regresi Berganda dg k peubah penjelas :

Y 0 1X1 2 X 2 k Xk
H0:

Peubah penjelas X tidak berhubungan linier dg Y

j

H1:

Peubah penjelas Xj berhubungan linier dg Y

atau j 0
atau j 0

Peubah penjelas Xj berhubungan linier positif dg Y

Peubah penjelas Xj berhubungan linier negatif dg Y

Uji Paramet
er : uji-t
Regres Linie Bergand
lanjutan
i
r
a
Model Regresi-nya:
Y 0 1X1 2 X 2 k Xk
Hipotesis :
Statistik uji-nya :
1.
H 0 : 1 0

.
.
k.

H 1 : 1 0
0
atau 1
0

.
.
:
H .

atau 1

, s jj

bj
j

c = sn k - 1
Derajat bebasnya
sb

0
0
H1 : k
atau k 0
0

t hit

bjj

atau k 0

Unsur ke (j) diagonal (XX)-1

Akar dari KT sisaan
k = banyaknya peubah penjelas

Uji Paramet
er : uji-t
Regre Linie Bergand
lanjutan
si
r
a
Kaidah Keputusan :
H 0: i 0
H1: i < 0

untuk i = 1, 2, ., k

H 0: i = 0
0
H:

H0: i 0
H1:

i > 0

a
-t
a
tolak H0 jika t < -tn-2, a

tta
Tolak H0 jika t > tn-2, a

a/2
-t- a/2

a/2
ta/2

Tolak H0 jika t < -tn-2, a/2

atau t > t

n-2, a/2

Uji
Parameter

Regres Linie
i
r
Interpretasi hasil keputusan
: i =: 1,
2,
Berganda
uji-t
., k

lanjutan

H 0: i 0
1
i
Peubah
penjelas
TOLAK H0: X berpengaruh
i
nyata thdp
peubah respon Y
secara linier dan
hubungannya
Peubah
negatif penjelas Xi
TERIMA H0: tidak berpengaruh
negatif thdp
peubah respon Y
secara linier

H:

<0

H0:

i 0

H1:
>0
i
Peubah
penjelas
Xi berpengaruh
nyata thdp
peubah respon Y
secara linier dan
hubungannya
Peubah
positif penjelas Xi
tidak berpengaruh
positif thdp
peubah respon Y
secara linier

H0:
H1:

i = 0
i

Peubah penjelas Xi
berpengaruh nyata
thdp peubah
respon Y secara
linier
Peubah penjelas Xi
tidak berpengaruh
nyata thdp peubah
respon Y secara
linier

berpengaruh = memiliki
hubungan

PENGUJIAN KOEFISIEN REGRESI SECARA SERENTAK

KOEFISIEN KORELASI PARSIAL

ry1,2

ry 2,1

ry1 ry 2r12
2

(1 ry 2 )(1 r12 )

ry 2 ry1r12
2

(1 ry1 )(1 r12 )

Korelasi parsial merupakan ukuran hubungan linier antara variabel Y dengan

X1 dan X2 dibuat tetap atau sebaliknya. Nilai koefsien korelasi parsial ry1,2

artinya korelasi Y dengan X1 dikontrol dengan X2.

Uji
Parameter

lanjutan

CONTOH
:: DATA
TEKANAN
DARAH
CONTOH
DATA
Regresi
Linier
Berganda
Orang Tekanan Ukuran
Mero
Umur
ke
Darah Tubuh
kok
1
2
3
4
5
6
7
8
9
10
11
12

13
14
15
16

135
122
130
148
146
129
162
160
144
180
166
166
138
152
138
140
134

2,876
3,251
3,1
3,768
2,979
2,79
3,668
3,612
2,368
4,637
3,877
4,032

4,116
3,673
3,562
2,998

45
41
49
42
54
47
60
48
44
64
59
59
51
64
56
54
50

0
0
0
0
1
1
1
1
1
1
11
0
0
1
1

Orang Tekanan Ukuran

Mero
Umur
ke
Darah Tubuh
kok
17
18
19
20
21
22
23
24
25
26
27
27
28
29
30
31
32

145
142
135
142
150
144
137
132
149
132
120
126

161
170
152
162

3,36
3,024
3,171
3,401
3,628
3,751
3,296
3,21
3,301
3,017
2,789
2,789
2,956
3,8
4,132
3,962
4,01

49
46
57
56
56
58
53
50
54
48
43
43

63
63
62
65

1
1
0
0
1
0
0
0
1
1
0
10
0
1
0
0

: uji-t

Data di samping adalah

data

yg diambil secara acak dari

32 orang usia di atas

40 tahun di Bogor.
Ukuran tubuh adalah
besaran
quatelet index=100
(bobot badan / tinggi
Ingin diketahui
peubah
2). Merokok
badan
adalah
apa
saja dari peubahp
boneka.
peubah tsb yg
mempengaruhi tekanan
darah secara linier

Uji
Parameter
Bergand
: uji-t
lanjutan
a

Regresi
Linier

PLOT MASING-MASING PEUBAH PENJELAS VS TEKANAN

DARAH
Matrix Plot of Tekanan Darah vs Ukuran Tubuh; Umur; Merokok
40

50

60

180
170

Tekanan
Darah

160
150

140
130
120
2,4

3,2
Ukuran
Tubuh

4,0

0,0
Umu
r

0,5
Me
ro
ko
k

1,0

Plot di samping
menunjukkan
bahwa :
1. Ukuran tubuh memiliki hub linier
positif dg tek darah
2. Umur memiliki hub
linier pos dg
tekanan darah
3. Stat merokok memiliki hub lin positif dg tek darah

Uji
Parameter
Regres Linie Bergand
: ujiRegresi
Linier
i
r
a
t

OUT PUT MINITAB : DATA TEKANAN

DARAH

Regression Analysis: Tekanan Darah versus Ukuran

Tubuh; Umur; Merokok
The regression equation is
Tekanan Darah = 50,5 + 12,8 Ukuran Tubuh + 0,848
Umur
+ 9,11 Merokok
Predictor

Constant
Ukuran Tubuh
Umur
Merokok

Coef

SE Coef

50,54
11,19
4,52
0,000
12,841
4,256
3,02
0,005
0,8481 0,2928
2,90
0,007
9,113 2,805
3,25
0,003
t tabel : t 28; 0,025 =
0,683

lanjutan

KEPUTUSAN:
Ke-3 p.penjelas nyata tolak H
0.

= 5%

KESIMPULAN:
KESIMPULAN:
Ukuran tubuh,
umur,

dan status merokok

:
Memiliki hub
linier dengan
tek. darah

Uji Paramet
er : uji-t
Regres Linie Bergand
(lanjutan)
i
r
a
Untuk j=1 t hit = 3.02 tolak H0
Untuk j=2 t hit = 2.90 tolak H0
a/2=.025

a/2=.025

Untuk j=3 t hit = 3.25 tolak H0

KESIMPULAN :
-tn-4,/2

Tolak H0

tn-4,/2

Terima H0

-0,683
d.b. = 32 3-1 = 28

Tolak H0

0,683
t28,.025 = 0,683

1. Cukup bukti untuk mengatakan

bahwa ada hub linier antara ukuran
tubuh dan tekanan darah
2. Cukup bukti untuk mengatakan
bahwa ada hub linier antara umur
dan tekanan darah
3. Cukup bukti untuk mengatakan
bahwa ada hub linier antara status
merokok dan tekanan darah

Uji Paramet
er : uji-F
Regres Linie Bergand
i
r
a
Dengan uji F ini kita dapat mengetahui :

peubah-peubah penjelas yang ada dalam model

berpengaruh secara serempak terhadap

respon atau tidak.

Penambahan satu peubah penjelas ke

dalam model setelah peubah penjelas lainnya
berpengaruh nyata atau tidak terhadap respon
ada dalam model berpengaruh nyata atau
tidak terhadap
respon peubah penjelas ke dalam
Penambahan
sekelompok
model setelah peubah penjelas lainnya ada
dalam model berpengaruh nyata atau tidak
terhadap respon

Uji Paramet Regresi Linier

er
Berganda
:
untu
model
k
keseluruhan
H : peubah respon tidak

H 0 : 1 2 ... k 0uji-F

H11 : min ada satu j 0, j 1,2,.....,

Deraja
Jumlah
k Sumbe
r
Keragama
n
b , b ,..,b
|b
1

t
Bebas
(db)
k

memp

hub linier dg peubah

penjelas ke-1 s.d

Kuadra ke-k
H1 :
Kuadrat
t
peubah respon
Tenga
(JK)
memp hub
h
JK(KT)
Regresi
linier dg min 1
bXY Y11Y
k
peubah

penjelas ke-1 s.d

Sisaan

Total

n k-1

n-1

JK sisaan

YY bXY

YY Y11Y

n kk
-1

ke-k

Fhit

(terkoreksi)
KRITERIA PENOLAKAN :

Tolak H 0 jika F Fk, n k 1,

KT

KT
regresi

Uji Paramet Regresi Linier

er
Berganda
untu
mode: keseluruha
k
l
n
uji-F

lanjutan
H0 : 1 2 ... k 0

OUT PUT MINITAB : DATA TEKANAN

DARAH
The
regression equation is

H : min ada1 0, j
1
j
1,2,..,k

Tekanan Darah = 50,5 + 12,8 Ukuran Tubuh + 0,848

Umur
+ 9,11 Merokok
S = 7,88677
69,6%

R-Sq = 72,6%

Source
DF
SS
Analysis
of Variance
Regression
3
4610,3

Residual Error 28 1741,6

Total
31 6352,0

1536,8
62,2

24,71 0,000

F tabel : F

tolak H0. = 5%

KESIMPULAN:

R-Sq(adj) =
MS

KEPUTUSAN:

(3,28), 5%

=2,95

Tekanan darah

memiliki
hubungan linier
dg min satu
peubah penjelas

Uji Paramet Regresi Linier

er
Berganda :
untuk model
uji-F
keseluruhan

H 0 : 1 2 3 0
H1 : min ada satu j 0, j
1,2,3
F tabel : F

(3,28) 5%
,

Statistik uji-nya:
lanjutan
KT regresi
24 ,71
Fhit
KT sisaan

Keputusan:

=2,95

Tolak H0
Kesimpulan:

= .05

F
Terima H0

F.05 = 2,95

Tolak H0

Cukup bukti untuk mengatakan

bahwa minimum ada satu peubah
penjelas yg berhubungan linier dg Y

Uji-F Parsia da uji-F Sekuensi

l
n
al
PADA ANALISIS REGRESI LINIER BERGANDA :

Terhadap semua peubah penjelas yang tersedia :

Diuji peubah penjelas apa yg berpengaruh nyata thd respon.
Dari yang ada dalam model, usahakan yang dipakai hanya
peubah penjelas yang keberadaannya dalam model menyumbangkan keragaman kepada garis regresi cukup besar
Jika suatu peubah penjelas keberadaannya dalam model
sudah dapat diwakili oleh yg lainnya, maka peubah penjelas
tsb tidak perlu lagi digunakan dlm model
Lebih disenangi model yang memiliki banyaknya peubah
penjelas yang lebih sedikit.

Uji-F Parsia da uji-F Sekuensi

l
n
al
lanjutan

Uji-F Parsial dapat dilakukan

terhadap
semua koefsien regresi seolaholah peubah bersangkutan masuk
ke dalam persamaan paling akhir
secara bertahap kedalam
Bila peubah dimasukkan satu per satu
suatu
persamaan regresi, maka
dapat dikatakan sebagai Uji-F

Uji-F Parsi da uji-F Sekuensi

lanjutan
al
n
al
MODEL LENGKAP dengan k+r PEUBAH PENJELAS
Model terdiri dari k peubah penjelas X dan r peubah penjelas Z

Y 0 1 x 1 k x k 1 z 1 r z r
Untuk melihat pengaruh r peubah penjelas tambahan
tsb dpt dilakukan sebagai berikut :
1. Model lengkap dengan k+r peubah penjelas,

dikeluarkan r peubah penjelas, dicek perubahan

dikeluarkan r peubah penjelas, dicek perubahan
pengaruhnya

2. Model belum lengkap (baru k peubah penjelas),

ditambah r peubah penjelas lainnya, dicek

perubahannya.

Uji-F Parsial
dan

uji-F Sekuensi
lanjutan
al

CARA PEUBAH BERADA DALAM MODEL

Y 0 1x1 2x2 3 x3
Y 0

x 2 3

2 x 2 3 x 3

Y 0 1x1

Y 0

Y 0 1x1

33x3 Y 0 1x1 1Z1

Y 0 1x1 2 x 2

Uji-F PARSIAL
Model dibangun dengan
mengeluar- kan satu peubah
penjelas yg akan
diuji pengaruhnya dari model lengkap.

Diuji
pengaruhnya.

Y 0 1x1 2x2 2 Z2
Uji-F SEKUENSIAL
Model dibangun dengan
menambah- kan satu persatu
peubah penjelas baru ke dalam
model .
Diuji pengaruhnya

Uji-F Parsi
Model lengkap : k+r peubah penjelas al
Y 0 1 x 1 k x k 1 z 1 r z r
Model tidak lengkap : k peubah penjelas

TUJUAN: membandingkan JK sisa model

lengkap dengan JK sisa model
tidak lengkap
H 0 : 1 2 r 0

H1 : minimal ada satu j 0 (j 1,...,

r)
Tolak H 0 jika F ( JKs(r) - JKs ) / r F
s

e
2

r,n k r 1,

, s e KTsisa

Uji-F Parsi
lanjutan
al

LANGKAH-LANGKAH UJI-F PARSIAL

Lakukan analisis regresi thdp model lengkap dan hitung

JK sisa nya (JKs)
Lakukan analisis regresi thdp model tidak lengkap
(data tanpa peubah z, dengan banyaknya peubah yg
dikeluarkan sebanyak r), kemudian hitung JK sisa-nya
(JKs(r))
Hitung nilai statistik F nya dan tentukan
keputusannya berdasarkan .

Itasia & Y Angraini, Dep. Statistika

( JKs(r) - JKs ) /
F
s2
r

Uji-F Parsi
lanjutan
al

BANYAKNYA PEUBAH PENJELAS YG DIKELUARKAN

MODEL LENGKAP

MODEL TDK LENGKAP

KELUAR

YG

Y 0 1X1 2X2 3X3

Y 0 1X1 2X2

Y 0 1X1 3X3

X3
X2

2Xr=1
Y 0k=2,
2 3X3

X1

JK sisa (JKs(r) )

JK sisa (JKs)
2

KT sisa (se )

=1

( JKs - JKs) / r
(r)

s2

Fr, n -k -r-1;

X3 thdp Y
F3 untuk menguji pengaruh peubah penjelas
e

Uji-F Sekuensi
al
Penambahan satu peubah baru (r=1) ke model secara bertahap
Model Lengkap

k=1 , r=1
k=2 , r=1

Y 0 1x1 k x k j z j , j 1,2,...

Y 0 1x 1

H1 : 1 0

Y 0 1x 1 1z 1
0

k=3 , r=1

H 0 : 1 0

H0:2 0
2

Y x x z

H1 : 2 0

Y 0 1x 1 2x 2 3x 3 3z 3

Tolak H jika
0

JK( a | b 1 , b 2 ,.., b k )
KT sisa ( b 1 , b 2 ,.., b k , a )

H 0 : 3 0

H1 : 3 0

F
1, n k 11,1 -

Uji-F

Sekuensial

F hitung dan KAIDAH KEPUTUSAN

JK( a1 | b1 )
F
KT sisa (b1 , a1 )
F tabel F(1, n 3 ), 1-

lanjutan

k=1 , r=1

Y 0 1x 1
H 0 : 1 0

H1 : 1 0

Y 0 1x 1 1z 1

JK regresi EKSTRA

F JK( aa 2| | b,1 , b) 2
KT
) sisa (b 1 , b2 , a2 ) H 0 : 2 0
H1 : 2 0
F tabel F
(1, n 4 ), 1-

Tolak H0 jika F
tabel

hit

>F

k=2 , r=1

Y x x2
0
1
1
2
Y 0 1x 1 2x 2 2z 2

Uji-F Sekuensi
lanjutan
al

MENGHITUNG

MODEL AWAL

JK regresi EKSTRA

MODEL SETELAH
PENAMBAHAN

Y 0 1x 1 Y x z
1 1
0
1
1
JK ( b1 )

JK ( b1,a1 )

JK (a1 | b1 ) JK (b1 , a1 ) JK (b1 )

F JK( aa1 | |b 1 ))
KT sisa (b 1 , a1 )

F tabel

F(1, n 3 ), 1

KTsisa (b1,a1)

Conto : Uji-F Sekuensi

h
al

Karena 8.1498 lebih besar daripada

F(1,12,0.95)=4.75, berarti penambahan
advertising ada manfaatnya
Uji F ini, biasanya disebut uji-F sekuensial

Conto : Uji-F Sekuensi

h
al

lanjutan
Jika kita memasukkan peubah advertising lebih dulu,
berapakah sumbangannya terhadap model ?

Jika advertising sudah ada dalam

persamaan, berapa sumbangan peubah price
jika kemudian peubah ini dimasukkan ke
dalam persamaan regresi ?

Conto : Uji-F Sekuensi

h
al

lanjutan

Contoh
lain:

uji-F sekuensi
al

lanjutan
Suhu plat pembungkus dan jarak plat pembungkus
dalam mesin sabun mempengaruhi
pembungkus
mempengaruhi persentasesabun
sabun
yang lolos inspeksi.
terbungkus

Hipotesi Linie Umu

s
r
m

Hipotesis linier biasanya muncul dari

pengetahuan pene- liti dan dugaannya tentang
model-model yang mungkin
Model regresi yg ingin
digunakan

Peneliti curiga modelnya :

Y 0 1 X 1 2 X 2

Y 0 (X1 - X 2 )
Y X X
0

1 2 H 0 : 1 2 H 0 : 1 2 0
HIPOTESIS
LINIER

H 1 : 1 2 0

Model:

Hipotesi Linie Umu

s
r
m

lanjutan
E[Y] = 0 + 1X1 + 2X2 + + kX
k

Bentuk Umum Hipotesis Linier

H0 : c10 0 + c11 1 + c12 2 + + c1k k =
0,
c20 0 + c21 1 + c22 2 + + c2k k = 0,

cm0 0 + cm1 1+ cm2 2 +

+ chipotesis
mk k = 0.
Dalam
ini

Dalam Notasi
Matriks

H0 : C 0
H1 : C 0

ada m fungsi yang tersusun atas

linier
0, 1, 2, ,k yang belum tentu semuanya bebas

Itasia & Y Angraini, Dep. Statistika

Pengujia Hipotesi Linie Umu

n
s
r
m

Misalkan C adalah matriks

Full model: Y = X +

berukuran mp, dan

rank(C) =

JK sisa(FM ) Y 'Y ' X 'Y ,

(db n - p)

Reduced model: y = , Z adalah matriks n(p-r)

vektor berukuran
(pZ adalah
+
dan
r) 1
(Z ' Z ) 1 Z ' y

JK sisa (RM ) Y 'Y ' Z 'Y ,

(db n - p

Pengujia Hipotesi Linie Umu

n
s
r
m
lanjutan

JKH = JKRes(RM) JKRes(FM) dengan d.b

sebesar r.

JKH adalah jumlah kuadrat yang berasal dari hipotesis

H0: C = 0

Statistik Uji
:
JK / r
F

JK Re s (FM ) /(n p)

~F

r ,n
p

H0: C = d v.s. H1: C

' C'[C( X ' X ) C' ] C / r

atau

sisa(FM ) /(n p)
JK sisa

maka

d )'[C ( X ' X ) 1 C ' ]1 (C d ) / r

(C
F
~F
r ,n p

JK sisa (FM ) /(n

p)

Regres pad kasu terjad

i
a
s multikolini
i
er

MULTIKOLINIERITAS

Masalah multikolinieritas terjadi pada regresi

berganda jika peubah-peubah X saling berkorelasi.

Hal ini akan mempengaruhi ragam dari

dugaan koefsien regresi

Peubah X yang dianggap penting

tidak signifkan
kemungkinan
akan
Pendugaan dari koefsien regresi menjadi
tidak benar, misalnya koefsien memiliki tanda
negatif padahal dalam hubungan X dan Y
sebenarnya adalah positif

Regre pad kasu terjad

si
a
smultikolini
i
lanjutan
er
Bagaimana cara mendeteksi
multikolinieritas?

Periksa korelasi antar peubah penjelas X

Hitunglah nilai Variance Inflation Factor

2 -1
(VIF)
2 = (1-R ) .
dimana :RVIF
j
dimana
j adalah R-kuadrat dari regresi
merupakan peubah respon dan peubah

Xj merupakan peubah respon dan peubah

X lainnya menjadi predictor.

Jika VIF lebih besar dari 10 biasanya ada masalah

multikolinieritas.

Regre pad kasu terjad

si
a
smultikolini
i
lanjutan
er
Bagaimana cara mengatasi
multikolinieritas?

Jika kita ingin memilih variabel X dimana hanya X

yang signifkan akan memasuki model

Gunakan prosedur penyeleksian variabel,

seperti forward, backward, stepwise

X
yang
model konfgurasi
Jika
kitaakan
inginmemasuki
mempertahankan
variabel
Gunakan metode estimasi diluar metode
X yang
akan terkecil,
memasuki
model
kuadrat
seperti
Ridge Regression,
Principal Component Regression, Partial
Least Square

Apakah Y=Perubahan Laba Bank dipengaruhi

Oleh:X1 = Gross Proft Margin

X2 = Interest Margin on Loans
X3 = Operating Efficiency Ratio

X4 = Ratio Non Performing Loans to

Total

Loans

Descriptive Statistics

Interest Margin on Loans

Mean
1.19808
.29611
.12470

Std. Deviation
2.998614
.299745
.094526

Operating Efficiency Ratio

.96362

.407539

104

.16785

.157325

104

Perubahan Laba Bank

Gross Profit Margin

Ratio Non Performing

Loans to Total Loans

N
104
104
104

Model Summaryb
Change Statistics
Model
1
1

R
.980a
.980

R Square
.960
.960

Adjusted
R Square
.959
.959

Std. Error of
the Estimate
.610612
.610612

R Square
Change
.960
.960

F Change
596.244
596.244

df1
4

df2
4

99

99

Sig. F Change
.000
.000

DurbinW atson
2.120
2.120

a. Predictors: (Constant), Ratio Non Performing Loans to Total Loans, Operating Efficiency Ratio, Gross Profit Margin, Interest Margin on Loans
b. Dependent Variable: Perubahan Laba Bank

ANOVAb

Model
1

Regression
Residual
Residual

Total

Sum of
Squares
889.232
36.912
36.912
926.144

df
4
9
99
9
103

Mean Square
222.308
.373
.373

F
596.244

Sig.

a. Predictors: (Constant), Ratio Non Performing Loans to Total Loans, Operating

Efficiency Ratio, Gross Profit Margin, Interest Margin on Loans
b. Dependent Variable: Perubahan Laba Bank

.000a

Coefficientas

Unstandardized
Coefficients

Standardized
Coefficients
Beta
B
Std. Error
-5.633
.373

Model
1
(Constant)
Gross Profit Margin
Interest Margin on Lo

.637

.405

.687

-2.486

3.759

-37.410

.064
-1.179

-5.659

.000

-50.527

8.680

.549

1.180

15.816

.000

17.531

2.990

.920
.920

5.864
5.864

.000
.000

Partial

Collinearity Statistics
Part

Tolerance

VIF

-24.293

.915
.873

.041
-.494

.008
-.114

.016
.009

61.470
107.871

7.591

9.769

.972

.846

.317

.072

13.820

11.599
11.599

23.463
23.463

.854
.854

.508
.508

.118
.118

.016
.016

61.114
61.114

a. Dependent Variable: Perubahan Laba Bank

Persamaan Regresi:

Y=-5,633 +
0,637X1

Correlations

Sig.
Lower BoundUpper BoundZero-order
.000
-6.373
-4.892

1.57
4
6.611

Operating Efficiency R
Ratio Non Performing
Loans to Total Loans

% Confidence Interval for

t
-15.094

37,41X2 + 8,680 X3 + 17,531X4

Histogram

Pe

Dependent Variable: Perubahan Laba Bank

meriksaan
40

ASUMSI pada Error

Frequency

30

20

F
10

Mean = 8E-15
Std. Dev. = 0.98
0

N = 104

-4

-2

Normal P-P Plot of Regression Standardized

Residual

Scatterplot
Regression Standardized
Residual

Dependent Variable: Perubahan Laba

Bank
1.0

Dependent Variable: Perubahan Laba Bank

Expected Cum Prob

0.6

0.4

0.2

0.0

s
e
r

Regression Studentized Residual

6
0.8

0.0

0.2

0.4

0.6

0.8

1.0

-2

-4

Observed Cum Prob

-5.000

g
e
R

0.000

5.000

10.000

Perubahan Laba Bank

15.000

20.000