Anda di halaman 1dari 28

TUGAS

STATISTIKA DAN PROBABILITAS


PROF. DR.WIDOWATI, M.Si

REGRESI LINIER
BERGANDA

DIBUAT OLEH :
RAKHMATIKA
NIM. 21010114420040
PROGRAM PASCA SARJANA
MAGISTER MANAJEMEN REKAYASA INFRASTRUKTUR

TEKNIK SIPIL
UNIVERSITAS DIPONEGORO

REGRESI LINIER BERGANDA

DATA TUGAS 1

Evaporasi merupakan proses berubahnya bentuk zat cair (air) menjadi gas (uap air) dan masuk
ke atmosfer. Evaporasi terjadi pada permukaan air (seperti laut, danau, dan sungai), permukaan
tanah ( genangan air di atas tanah dan penguapan dari permukaan air tanah yang dekat dengan
permukaan tanah) dan permukaan tanaman (intersepsi). Tabel 1 Data Klimatologi dan
Evaporasi Wilayah Sungai Einlanden-Digul-Bikuma (Sumber :Data Klimatologi , 2013 ).
Carilah model regresi jamak , apakaha ada pengaruh secara bersama-sama antara suhu,
kelembaban, kecepatan angin, sinar mataharai terhadap evaporasi? Jelaskan !
TABEL 1. Data Klimatologi dan Evaporasi Wilayah Sungai Einlanden-Digul-Bikuma
No.

Evaporasi
Y
135,55
132,1
143,02
126,63
112,39
91,98
109,23
131,06
152,04
166,23
139,96

Suhu
Udara
X1
23,91
23,87
23,88
24,02
23,72
22,93
22,36
22,33
23,12
24,05
24,16

1
2
3
4
5
6
7
8
9
10
11
12
151,74
24,13
(Sumber :Data Klimatologi , 2013 ).

Kelembaban
Udara
X2
80,64
78,9
79,59
79,46
81,39
81,91
80,75
80,17
79,01
76,93
80,78

Kecepatan
angin
X3
3,96
3,98
4,69
3,65
3,83
3,81
4,26
5,13
5,9
5,83
4,46

Penyinaran
Matahari
X4
43,87
55,07
50,12
58,12
49,11
30,07
46,04
57,79
67,77
61,04
51,27

82,55

5,87

52,43

METODE ANALISA DATA

REGRESI LINIER BERGANDA

Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih variabel
independen (X1, X2,.Xn) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah masing-masing
variabel independen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel
dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.
Dalam data studi diatas didapatkan bahwa variabel independen (X k) yang menentukan variabel
dependen (Y) ada lebih dari satu, sehingga model regresi yang digunakan adalah model
Regresi Jamak (Multiple Regression Model). Apabila diporoleh hubungan antara Y dan Xk
linear maka model tersebut disebut Model Regresi Linear Jamak (Multiple Linear Regression
Model).
Untuk sampel pada studi diatas, berarti estimasi bagi Y yang diperoleh adalah:

y b0 b1 x1 b2 x2 b3 x3 b4 x4
Variabel independen = peubah bebas = peubah yang mempengaruhi = Xk yaitu faktor yang
mempengaruhi evaporasi dimana: X1 adalah suhu udara , X2 adalah kelembaban udara, X3
adalah kecepatan angin, X4 adalah penyinaran matahari.
Variabel dependen = peubah tak bebas = peubah yang dipengaruhi = Y adalah evaporasi.

Hasil Analisa (Ms. Excel)


Hasil analisa data dengan menggunakan Ms. Excel dapat dilihat pada tabel 1.2 di bawah ini.
Analisa tersebut menggunakan rumus logika linest

TABEL 2. HASIL OUTPUT DARI MICROSOFT EXCELL (LINEST)

REGRESI LINIER BERGANDA


B4
0,39528476
5
0,34517080
5
0,93107665
6
23,6405266
1
4366,26730
4
B4
0,395285
Sb4
0,345171
R
0,931077
F hit
23,640527
SSR
4366,26730
4

B3
14,4480603
4
3,04191268
8
6,79511155
6

B2
2,72169
1,79606
6
#N/A

#N/A

#N/A

7
323,214787
4

#N/A

#N/A

#N/A

#N/A
( a)

#N/A

#N/A

B2

B1

B3
14,448060
Sb3
3,041913
sev
6,795112
dk
7,000000
SSE
323,214787

2,72169
0
Sb2
1,79606
6

B1

B0
13,6143177 56,7910277
3,09496693 171,976744
5
1

B0

13,614318 -56,791028
Sb1
3,094967

Sb0
171,97674
4

#N/A

#N/A

#N/A

#N/A

#N/A

#N/A

#N/A
(b)

#N/A

#N/A

Berdasarkan Tabel 2 di atas dapat dijelaskan bahwa nilai:


B0 = - 56,791
B1 = 13,614
B2 = -2,722
B3 = 14,448
B4 = 0,395
A. Persamaan Regresi Linear Jamak
Hubungan antara Suhu Udara (X1), Kelembaban udara (X2), Kecepatan Anging (X3),
Pemyinaran Matahari (X4) dengan Evaporasi (Y) adalah
Persamaan regresi: Y = -56,791 + 13,614 X1 - 2,722 X2 +14,448 X3 + 0,395 X4
B. Kekuatan Hubungan Secara Bersama Antara X1, X2, X3, X4 terhadap Y adalah
2
r = R
= 0,931 = 0,964
C. Koefesien Determinan : R2 = 0,931077 = 93, 11%
Artinya adalah suhu udara, kelembaban udara, kecepatan angin, penyinaran matahari
mempengaruhi evaporasi sebesar 93,11% sedangkan 6,89% dipengaruhi oleh variabel /
faktor lainnya

REGRESI LINIER BERGANDA


Dengan diolah menggunakan SPSS metode Analyze Regression Linear, didapatkan hasil
sebagai berikut :
TABEL 3. HASIL ANALISA REGRESI LINEAR DENGAN SPSS
A. Variables Entered/Removed
Variables Entered/Removed
Model
1

Variables
Entered

Variables
Removed

Penyinaran
Matahari,
Suhu Udara,
Kecepatan
Angin,
Kelembaban
Udaraa

Method
. Enter

a. All requested variables entered.


B. Model Summary
Model Summary
Model

R
.965a

R Square

Adjusted R
Square

.931

Std. Error of
the Estimate

.892

6.79511

a. Predictors: (Constant), Penyinaran Matahari, Suhu


Udara, Kecepatan Angin, Kelembaban Udara
C. ANOVAb
ANOVAb
Sum of
Squares

Model
1

Regression
Residual
Total

df

Mean Square

4366.267

1091.567

323.215

46.174

4689.482

11

F
23.641

Sig.
.000a

a. Predictors: (Constant), Penyinaran Matahari, Suhu Udara, Kecepatan Angin,


Kelembaban Udara
b. Dependent Variable: Evaporasi

REGRESI LINIER BERGANDA


D. Coefficientsa
Coefficientsa
Unstandardized
Coefficients
Model
1

Standardized
Coefficients

Std. Error

(Constant)

-56.791

171.977

Suhu Udara

13.614

3.095

Kelembaban Udara

-2.722

Kecepatan Angin
Penyinaran
Matahari

Beta

Sig.

-.330

.751

.446

4.399

.003

1.796

-.200

-1.515

.173

14.448

3.042

.602

4.750

.002

.395

.345

.183

1.145

.290

a. Dependent Variable: Evaporasi


Berdasarkan tabel di atas dapat dijelaskan bahwa nilai:
B0 = - 56,791
B1 = 13,614
B2 = -2,722
B3 = 14,448
B4 = 0,395
Persamaan regresi: Y = -56,791 + 13,614 X1 - 2,722 X2 +14,448 X3 + 0,395 X4
Keterangan :
Y = Evaporasi
X1 = Suhu Udara
X2 = Kelembaban Udara
X3 = Kecepatan Angin
X4 = Penyinaran Matahari
Berdasarkan hasil analisis regresi ganda antara pasangan data variabel suhu udara

(X1),

kelembaban udara (X2), kecepatan angin (X3) dan penyinaran matahari (X4) dengan variabel
Evaporasi (Y) diperoleh persamaan yang sama dengan menggunakan metode perhitungan Ms.
Excell (Linest) dan juga diperoleh hasil sebagai berikut:

REGRESI LINIER BERGANDA


a. Semakin
Adapun hubungan masing-masing variabel dengan menggunakan program Ms.Excell dapat
digambarkan pada grafik berikut ini :

HUBUNGAN EVAPORASI DENGAN SUHU UDARA


200
150

EVAPORASI

f(x) = 15.34x - 228.41


R = 0.25

100
50
0
22

22.5

23

23.5

24

24.5

SUHU UDARA

Gambar 1. Grafik Hubungan Evaporasi Dengan Suhu Udara


Diketahui : Slope

= 15, 3384

Intersep

= -228,405

Korelasi (r)

= 0,5019

Koef.Determinasi (R2) = 0,2519


Dari Gambar 1 dapat dianalisa bahwa :
A. Diperoleh persamaan regresi linear sederhana hubungan fungsional antara evaporasi
(Y) dengan suhu udara (X1) adalah sebagai berikut :
Y = 15,33 X-228,4
Artinya apabila suhu udara semakin meningkat maka evaporasi juga semakin
meningkat
B. Diperoleh koefesien korelasi r = 0,5019 artinya kekuatan hubungan antara evaporasi
dengan suhu udara adalah sedang
C. Didapat koefesien determinasi R2 = 0,251 artinya evaporasi dipengaruhi oleh suhu
udara sebesar 25,1 % sedangkan yang 74,9 % dipengaruhi oleh faktor lain

REGRESI LINIER BERGANDA

HUBUNGAN EVAPORASI DENGAN KELEMBABAN UDARA


200
150

EVAPORASI

f(x) = - 7.48x + 732.69


R = 0.3

100
50
0
76

77

78

79

80

81

82

83

KELEMBABAN UDARA

Gambar 2. Grafik Hubungan Evaporasi Dengan Kelembaban Udara


Diketahui : Slope

= -7,48415

Intersep

= 732,6898

Korelasi (r)

= - 0,55087

Koef.Determinasi (R2) = 0,303459


Dari Gambar 2 dapat dianalisa bahwa :
A. Diperoleh persamaan regresi linear sederhana hubungan fungsional antara evaporasi
(Y) dengan kelembaban udara (X2) adalah sebagai berikut :
Y = -7,484 X + 732,6
Artinya apabila kelembaban udara semakin meningkat maka evaporasi semakin
menurun.
B. Diperoleh koefesien korelasi r = -0,56 artinya kekuatan hubungan antara evaporasi
dengan kelembaban udara adalah sedang
C. Didapat koefesien determinasi R2 = 0,303 artinya evaporasi dipengaruhi oleh
kelembaban udara sebesar 30,3 % sedangkan yang 69,6 % dipengaruhi oleh faktor lain

REGRESI LINIER BERGANDA

HUBUNGAN EVAPORASI DENGAN KECEPATAN ANGIN


180
160
140
120
100
EVAPORASI 80
60
40
20
0
3.5

f(x) = 18.37x + 47.91


R = 0.59

4.5

5.5

6.5

KECEPATAN ANGIN

Gambar 3. Grafik Hubungan Evaporasi Dengan Kecepatan Angin


Diketahui : Slope

= 18,36764

Intersep

= 47,90945

Korelasi (r)

= 0,765771

Koef.Determinasi (R2) = 0,586405


Dari Gambar 3 dapat dianalisa bahwa :
A. Diperoleh persamaan regresi linear sederhana hubungan fungsional antara evaporasi
(Y) dengan kecepatan angin (X3) adalah sebagai berikut :
Y = 18,36 X + 47,90
Artinya apabila kecepatan angin semakin meningkat maka evaporasi juga semakin
meningkat.
B. Diperoleh koefesien korelasi r = 0,76 artinya kekuatan hubungan antara evaporasi
dengan kecepatan angin adalah kuat
C. Didapat koefesien determinasi R2 = 0,586 artinya evaporasi dipengaruhi oleh suhu
udara sebesar 58,6 % sedangkan yang 41,4 % dipengaruhi oleh faktor lain

REGRESI LINIER BERGANDA

HUBUNGAN EVAPORASI DENGAN PENYINARAN MATAHARI


180
160
140
120
100
EVAPORASI 80
60
40
20
0

f(x) = 1.6x + 49.52


R = 0.55

25

30

35

40

45

50

55

60

65

70

PENYINARAN MATAHARI

Gambar 4. Grafik Hubungan Evaporasi Dengan Penyinaran Matahari


Diketahui : Slope

= 1,602116

Intersep

= 49,52436

Korelasi (r)

= 0,741981

Koef.Determinasi (R2) = 0,550536


Dari Gambar 4 dapat dianalisa bahwa :
A. Diperoleh persamaan regresi linear sederhana hubungan fungsional antara evaporasi
(Y) dengan penyinaran matahari (X4) adalah sebagai berikut :
Y = 1,602 X + 49,52
Artinya apabila penyinaran matahari semakin meningkat maka evaporasi juga semakin
meningkat.
B. Diperoleh koefesien korelasi r = 0,74 artinya kekuatan hubungan antara evaporasi
dengan penyinaran matahari adalah kuat
C. Didapat koefesien determinasi R2 = 0,551 artinya evaporasi dipengaruhi oleh
penyinaran matahari sebesar 55,1 % sedangkan yang 44,9 % dipengaruhi oleh faktor
lain

Dengan diolah menggunakan SPSS metode Analyze Curve Estimation, didapatkan hasil
sebagai berikut :

REGRESI LINIER BERGANDA


A. HUBUNGAN EVAPORASI DENGAN SUHU UDARA

1. MODEL REGRESI LINEAR


Persamaan : Y = -228,405 + 15,338 X
2. MODEL REGRESI NON LINEAR KUADRATIK
Persamaan : Y = -51,012 + 0,000 X - 0,331 X2
3. MODEL REGRESI NON LINEAR KUBIK
Persamaan : Y = 5853,86 - 377,503 X + 0,000 .X2+ 0,242 X3

Gambar 5. Grafik Hubungan Evaporasi Dengan Suhu Udara (Curve Estimation)

B. HUBUNGAN EVAPORASI DENGAN KELEMBABAN UDARA

REGRESI LINIER BERGANDA

1. MODEL REGRESI LINEAR


Persamaan : Y = 732,69 - 7,848 X
2. MODEL REGRESI NON LINEAR KUADRATIK
Persamaan : Y = 14363,208 - 349,083 X + 2,139 X2
3. MODEL REGRESI NON LINEAR KUBIK
Persamaan : Y = 9888,576 - 179,582 X + 0,000 .X2+ 0,009 X3

Gambar 6. Grafik Hubungan Evaporasi Dengan Kelembaban Udara (Curve Estimation)


C. HUBUNGAN EVAPORASI DENGAN KECEPATAN ANGIN

1. MODEL REGRESI LINEAR


Persamaan : Y = 47,909 + 18,368 X
2. MODEL REGRESI NON LINEAR KUADRATIK
Persamaan : Y = 46,659 + 18,902 X - 0,055 X2

REGRESI LINIER BERGANDA

3. MODEL REGRESI NON LINEAR KUBIK


Persamaan : Y = 46,659 + 18,902 X - 0,055 X2+0,000 X3

Gambar 7. Grafik Hubungan Evaporasi Dengan Kecepatan Angin (Curve Estimation)

D. HUBUNGAN EVAPORASI DENGAN PENYINARAN MATAHARI

1. MODEL REGRESI LINEAR


Persamaan : Y = 49,524 + 1,602 X
2. MODEL REGRESI NON LINEAR KUADRATIK
Persamaan : Y = 9,135 + 3,318 X - 0,018 X2
3. MODEL REGRESI NON LINEAR KUBIK
Persamaan : Y = 9,135 + 3,318 X - 0,018 X2 + 0,000 X3

REGRESI LINIER BERGANDA

Gambar 8. Grafik Hubungan Evaporasi Dengan Penyinaran Matahari (Curve


Estimation)

UJI KOEFISIEN REGRESI SECARA BERSAMA-SAMA (UJI F)


Tahap-tahap untuk melakukan uji F adalah sebagai berikut:

REGRESI LINIER BERGANDA


1. Merumuskan Hipotesis
Ho

: Tidak ada pengaruh secara signifikan antara suhu udara, kelembaban udara,
kecepatan angin dan penyinaran matahari secara bersama-sama terhadap besaran
evaporasi.
1= 2= 0 berarti Y tidak bergantung semua Xk
: Ada pengaruh secara signifikan antara suhu udara, kelembaban udara, kecepatan

H1

angin dan penyinaran matahari secara bersama-sama terhadap besaran evaporasi.


Paling tidak ada 1 nilai k 0
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)
3. Menentukan F hitung
Untuk memeriksa kebenaran hipotesa ini bisa digunakan F-test, dengan nilai F yaitu:
F

MSR
MSE

TABEL 7. RUMUS PERHITUNGAN F HITUNG


Sumber Variasi

Sum
Squares

Derajat
Kebebasan

Mean Square

Regresi

SSR

MSR= SSR/k

MSR/MSE

Error

SSE

n-(k+1)

MSE=SSE/
{n-(k+1)}

TOTAL

SSTot

n-1

Dari tabel perhitungan excel diperoleh:


SSE

= 323,21 , SSR

= 4.366,27

SSTot = 4.689,48
Dengan jumlah data n =12 dan jumlah variabel independen k = 4
TABEL 8. HASIL PERHITUNGAN F HITUNG
Sumber
Variasi

Sum Squares

Derajat
Kebebasan

Mean Square

Regresi

SSR

MSR= SSR/k

MSR/MSE

REGRESI LINIER BERGANDA

4.366,27
Error

SSE

n-(k+1)

323,21
TOTAL

1.091,57
MSE=SSE/{n-(k+1)}

SSTot

23,64052661

46,17

n-1

4.689,48

11

Dengan diolah menggunakan SPSS, didapatkan hasil sebagai berikut :


TABEL 9. HASIL PERHITUNGAN ANOVA DARI SPSS
ANOVAb
Model
1

Sum of Squares
Regression

Mean Square

4366.267

1091.567

323.215

46.174

4689.482

11

Residual
Total

df

Sig.

23.641

.000a

a. Predictors: (Constant), Penyinaran Matahari, Suhu Udara, Kecepatan Angin, Kelembaban


Udara
b. Dependent Variable: Evaporasi

Berdasarkan tabel perhitungan excel maupun output SPSS diperoleh F hitung adalah
sebesar 23,641. Nilai Sig. = 0,000 menunjukkan bahwa data tersebut valid.
4. Menentukan F kritis
Dengan menggunakan tingkat keyakinan 95%, = 5%, df1 (jumlah variabel1) = 4, dan
df2 (n-k-1) atau 12-4-1 = 7 (n adalah jumlah kasus dan k adalah jumlah variabel
independen), Diperoleh nilai F kritis adalah F(4,7) = 4,13 atau atau dapat dicari di Ms
Excel dengan cara pada cell kosong ketik =finv(0.05,4,7) lalu enter.

5. Kriteria pengujian
Ho diterima bila F hitung < F kritis
Ho ditolak bila F hitung > F kritis

REGRESI LINIER BERGANDA


6. Membandingkan F hitung dengan F kritis
Nilai F hitung > F kritis (23,641> 4,13), maka Ho ditolak
7. Kesimpulan

Karena F hitung > F kritis (23,641> 4,13), maka Ho ditolak, artinya ada pengaruh
secara signifikan antara suhu udara, kelembaban udara, kecepatan angin dan
penyinaran matahari secara bersama-sama terhadap besaran evaporasi sehingga tidak
benar kalau dikatakan bahwa X1, X2, X3 dan X4 seluruhnya tidak menentukan nilai Y
atau dengan kata lain X1 dan X2 berpengaruh terhadap nilai Y.

Pengaruh antara suhu udara, kelembaban udara, kecepatan angin dan penyinaran
matahari secara bersama-sama terhadap besaran dapat pula dilihat dari nilai
probabilitasnya (PValue). Berdasarkan hasil analisis data menunjukkan bahwa nilai
signifikan F adalah 0.000 lebih kecil dari 0.05 atau 5%. Hal ini membuktikan bahwa
suhu udara, kelembaban udara, kecepatan angin dan penyinaran matahari
mempengaruhi besarnya evaporasi.

Hasil analisis menunjukkan adanya korelasi yang cukup tinggi antara suhu udara,
kelembaban udara, kecepatan angin dan penyinaran matahari terhadap evaporasi.
Dengan demikian dapat diperoleh gambaran bahwa semakin suhu udara, kelembaban
udara, kecepatan angin dan penyinaran matahari, maka

semakin

besar

evaporasi, sehingga model persamaan di atas dapat digunakan.


.

ANALISIS KORELASI GANDA DAN ANALISIS DETERMINASI (R2)

pula

REGRESI LINIER BERGANDA


Analisis ini digunakan untuk mengetahui hubungan antara dua atau lebih variabel independen
(X1, X2,Xn) terhadap variabel dependen (Y) secara serentak. Koefisien ini menunjukkan
seberapa besar hubungan yang terjadi antara variabel independen (X 1, X2,Xn) secara
serentak terhadap variabel dependen (Y). nilai R berkisar antara 0 sampai 1, nilai semakin
mendekati 1 berarti hubungan yang terjadi semakin kuat, sebaliknya nilai semakin mendekati 0
maka hubungan yang terjadi semakin lemah.
TABEL 10. HUBUNGAN INTERVAL NILAI r
Interval nilai r

Tingkat hubungan

0 r < 0,2

Sangat rendah

0,2 r < 0,4

Rendah

0,4 r < 0,6

Sedang

0,6 r < 0,8

Kuat

0,8 r 1

Sangat kuat

Analisis determinasi (R2) dalam regresi linear berganda digunakan untuk mengetahui
prosentase sumbangan pengaruh variabel independen (X1, X2,Xn) secara serentak terhadap
variabel dependen (Y). Koefisien ini menunjukkan seberapa besar prosentase variasi variabel
independen yang digunakan dalam model mampu menjelaskan variasi variabel dependen. R 2
sama dengan 0, maka tidak ada sedikitpun prosentase sumbangan pengaruh yang diberikan
variabel independen terhadap variabel dependen, atau variasi variabel independen yang
digunakan dalam model tidak menjelaskan sedikitpun variasi variabel dependen. Sebaliknya
R2 sama dengan 1, maka prosentase sumbangan pengaruh yang diberikan variabel independen
terhadap variabel dependen adalah sempurna, atau variasi variabel independen yang digunakan
dalam model menjelaskan 100% variasi variabel dependen.
Koefisien determinasi = r2; merupakan koefisien penentu,
Artinya kuatnya hubungan variabel (Y) ditentukan oleh variabel (X) sebesar r 2. Koefisien
Determinasi Jamak (Multiple Determination) R2 adalah total variasi data Y yang bisa dijelaskan
oleh model regresi, yaitu:
R2

SSR
SStotal

REGRESI LINIER BERGANDA


Yaitu variansi karena regresi dibagi variasi total.
Sedangkan R : koefisien korelasi jamak yaitu:

SSR
SStotal

Selain itu juga didefinisikan Adjusted R2 yaitu:


2
Radj
1

SSE /( n k 1)
SST /( n 1)

R2 selalu bertambah dengan penambahan variabel independen. R2adj memperhitungkan


pengaruh ini, sehingga akan menghukum overfitted model.
Koefisien adjusted R2 baru berarti bilamana dalam pembentukan model ingin diketahui apakah
penambahan variabel independen baru memang memperbaiki model atau tidak. Adjusted R
Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih kecil dari R Square
dan angka ini bisa memiliki harga negatif. Untuk regresi dengan lebih dari dua variabel bebas
digunakan Adjusted R2 sebagai koefisien determinasi.
Dari tabel perhitungan dengan excel diperoleh:
SSE

= 323,21 , SSR

= 4.366,27

SSTot = 4.689,48
Banyak data n=12, banyak variabel bebas k=4
R2

SSR
4366,27

0.9311
SStot 4689,48

R 0.9311 0.965

Dengan diolah menggunakan SPSS, didapatkan hasil sebagai berikut:


TABEL 11. HASIL PERHITUNGAN NILAI R DARI SPSS
Model Summary

Model
1

R Square
.965a

.931

Adjusted R

Std. Error of the

Square

Estimate
.892

a. Predictors: (Constant), Penyinaran Matahari, Suhu Udara,


Kecepatan Angin, Kelembaban Udara

6.79511

REGRESI LINIER BERGANDA

Hasil analisis korelasi ganda:


Berdasarkan tabel di atas baik menggunakan perhitungan excel maupun diolah dengan SPSS
diperoleh angka R sebesar 0,965. Diperoleh bahwa variabel evaporasi. Dengan demikian dapat
diperoleh gambaran bahwa semakin suhu udara, kelembaban udara, kecepatan angin dan
penyinaran matahari yaitu 0,8 r 1 atau 0,8 0.965 1, hal ini berarti hubungan antara
variabel sangat kuat dan bersifat positif.
Hasil Analisis Determinasi (R2):
Berdasarkan tabel di atas baik menggunakan perhitungan excel maupun diolah dengan SPSS
diperoleh angka R2 (R Square) sebesar 0,931 atau (93,1%). Hal ini menunjukkan bahwa
prosentase sumbangan pengaruh variabel independen (suhu udara, kelembaban udara,
kecepatan angin dan penyinaran matahari) terhadap variabel dependen (evaporasi) sebesar
93,1%. Atau variasi variabel independen yang digunakan dalam model (suhu udara,
kelembaban udara, kecepatan angin dan penyinaran matahari) mampu menjelaskan sebesar
93,1% variasi variabel dependen (evaporasi). Sedangkan sisanya sebesar 6,9% dipengaruhi
atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini.
Selain itu juga didefinisikan Adjusted R2
2
Radj
1

SSE /( n k 1)
323,21 / 7
1
0.892
SST /( n 1)
4689,48 / 11

Diperoleh bahwa dari perhitungan koefisien adjusted R2 prosentase sumbangan pengaruh


variabel independen (suhu udara, kelembaban udara, kecepatan angin dan penyinaran matahari)
terhadap variabel dependen (evaporasi) sebesar 89,2%.

Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi dalam
memprediksikan nilai Y. Dari hasil regresi output SPSS di dapat nilai 6,7951, Hal ini berarti
banyaknya kesalahan dalam prediksi evaporasi sebesar 6,7951. Sebagai pedoman jika Standard
error of the estimate kurang dari standar deviasi Y, maka model regresi semakin baik dalam
memprediksi nilai Y.

REGRESI LINIER BERGANDA


UJI KOEFISIEN REGRESI SECARA PARSIAL (UJI T)
Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel independen (X 1, X2,
..Xn) secara parsial berpengaruh signifikan terhadap variabel dependen (Y).
Untuk masing-masing koefisien, dapat dilakukan test hipotesa
H0 : 1 = 0

H0 : 2 = 0

H1 : 1 0

H1 : 2 0

bk 0
Sbk
Variabel t ini terdistribusi menurut student-t dengan derajat kebebasan v=n-

(k+1). Dengan Sbk adalah standard error dari koefisien bk. Perhitungan Sbk secara manual rumit,
melibatkan elemen diagonal dari matrix variansi-kovariansi.

Dengan mempergunakan variabel test:


Interval kepercayaan 100(1-)% bagi koefisien k adalah:
bk t / 2 S bk bk t / 2 Sbk
Pengujian koefisien regresi variabel suhu udara:
1. Menentukan Hipotesis
Ho

: Secara parsial tidak ada pengaruh secara signifikan antara suhu udara, secara

H1

bersama-sama terhadap besaran evaporasi.


: Secara parsial ada pengaruh secara signifikan antara suhu udara secara bersamasama terhadap besaran evaporasi.

2. Menentukan tingkat signifikansi


Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)

3. Menentukan t hitung
Perhitungan manual dengan output excel:

REGRESI LINIER BERGANDA

Sb1 = standard error b1 = 13,614


, maka t1 :
b1 0
13,614
t1

4.39
S b1
3,095

Dengan diolah menggunakan SPSS, didapatkan hasil sebagai berikut:


TABEL 12. HASIL PERHITUNGAN NILAI t DARI SPSS
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error

-56.791

171.977

Suhu Udara

13.614

3.095

Kelembaban Udara

-2.722

Kecepatan Angin
Penyinaran Matahari

Coefficients
Beta

Sig.
-.330

.751

.446

4.399

.003

1.796

-.200

-1.515

.173

14.448

3.042

.602

4.750

.002

.395

.345

.183

1.145

.290

a. Dependent Variable: Evaporasi

Berdasarkan tabel output SPSS maupun perhitungan manual diperoleh t hitung output
SPSS sebesar 4,39
4. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df)
n-k-1 atau 12-4-1 = 7 (n adalah jumlah kasus dan k adalah jumlah variabel independen).
Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2,36
atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,7) lalu enter.
5. Kriteria pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika t hitung < -t tabel atau t hitung > t tabel

REGRESI LINIER BERGANDA

6. Membandingkan t hitung dengan t tabel


Nilai t hitung > t tabel (4,39 > 2,36) maka Ho ditolak
7. Kesimpulan
Oleh karena nilai t hitung > -t tabel (4,39 > 2,36) maka Ho ditolak, artinya secara parsial
memiliki pengaruh signifikan antara suhu udara dengan nilai evaporasi.
Pengujian koefisien regresi variabel kelembaban udara:
1. Menentukan Hipotesis
Ho

: Secara parsial tidak ada pengaruh secara signifikan antara kelembaban udara dengan

H1

nilai evaporasi
: Secara pasrsial ada pengaruh secara signifikan antara kelembaban udara dengan nilai
evaporasi

2. Menentukan tingkat signifikansi


Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)
3. Menentukan t hitung
Perhitungan manual dengan output excel:
Sb2 = standard error b2 = -2,7216 , maka t2 :
b2 0
- 2,7216
t2

-1,515
Sb2
1,7960

Dengan diolah menggunakan SPSS, didapatkan hasil sebagai berikut :


TABEL 12. HASIL PERHITUNGAN NILAI t DARI SPSS

REGRESI LINIER BERGANDA


Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error

-56.791

171.977

Suhu Udara

13.614

3.095

Kelembaban Udara

-2.722

Kecepatan Angin
Penyinaran Matahari

Coefficients
Beta

Sig.
-.330

.751

.446

4.399

.003

1.796

-.200

-1.515

.173

14.448

3.042

.602

4.750

.002

.395

.345

.183

1.145

.290

a. Dependent Variable: Evaporasi

Berdasarkan tabel output SPSS maupun perhitungan manual diperoleh t hitung output
SPSS sebesar -1,515
4. Menentukan t tabel
5. Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-k-1 atau 12-4-1 = 7 (n adalah jumlah kasus dan k adalah jumlah variabel
independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t
tabel sebesar 2,36 atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik
=tinv(0.05,7) lalu enter.
6. Kriteria pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika t hitung < -t tabel atau t hitung > t tabel
7. Membandingkan t hitung dengan t tabel
Nilai t hitung < t tabel (-1,515 < 2,36) maka Ho diterima
8. Kesimpulan
Oleh karena nilai t hitung < t tabel (-1,515 < 2,36) maka Ho diterima, artinya secara parsial
tidak berkontribusi secara signifikan antara kelembaban udara dengan nilai evaporasi.

Pengujian koefisien regresi variabel kecepatan angin:

REGRESI LINIER BERGANDA


1. Menentukan Hipotesis
Ho

: Secara parsial tidak ada pengaruh secara signifikan antara kecepatan angin dengan

H1

nilai evaporasi
: Secara parsial ada pengaruh secara signifikan antara kecepatan angin dengan nilai
evaporasi

2. Menentukan tingkat signifikansi


Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)
3. Menentukan t hitung
Perhitungan manual dengan output excel:
Sb3 = standard error b = 3,0419 , maka t2 :
b3 0
14,448
t3

4,749
S b3
3,0419

Dengan diolah menggunakan SPSS, didapatkan hasil sebagai berikut :


TABEL 12. HASIL PERHITUNGAN NILAI t DARI SPSS
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error

-56.791

171.977

Suhu Udara

13.614

3.095

Kelembaban Udara

-2.722

Kecepatan Angin
Penyinaran Matahari

Coefficients
Beta

Sig.
-.330

.751

.446

4.399

.003

1.796

-.200

-1.515

.173

14.448

3.042

.602

4.750

.002

.395

.345

.183

1.145

.290

a. Dependent Variable: Evaporasi

Berdasarkan tabel output SPSS maupun perhitungan manual diperoleh t hitung output
SPSS sebesar 4,75
4. Menentukan t tabel

REGRESI LINIER BERGANDA


Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-k-1 atau 12-4-1 = 7 (n adalah jumlah kasus dan k adalah jumlah variabel
independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t
tabel sebesar 2,36 atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik
=tinv(0.05,7) lalu enter.
5. Kriteria pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika t hitung < -t tabel atau t hitung > t tabel
6. Membandingkan t hitung dengan t tabel
Nilai t hitung > t tabel (4,75 > 2,36) maka Ho ditolak
7. Kesimpulan
Oleh karena nilai t hitung < t tabel ((-1,515 < 23) maka Ho ditolak, artinya secara parsial
memiliki pengaruh signifikan antara kecepatan angin dengan nilai evaporasi.

Pengujian koefisien regresi variabel penyinaran matahari:


1. Menentukan Hipotesis
Ho

: Secara parsial tidak ada pengaruh secara signifikan antara penyinaran matahari dengan

H1

nilai evaporasi
: Secara parsial ada pengaruh secara signifikan antara penyinaran matahari dengan nilai
evaporasi

2. Menentukan tingkat signifikansi


Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)
3. Menentukan t hitung
Perhitungan manual dengan output excel:
Sb4 = standard error b = 3,0419 , maka t2 :
b4 0
0,3952
t4

1,145
Sb4
0,3451

REGRESI LINIER BERGANDA


Dengan diolah menggunakan SPSS, didapatkan hasil sebagai berikut :
TABEL 12. HASIL PERHITUNGAN NILAI t DARI SPSS
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error

-56.791

171.977

Suhu Udara

13.614

3.095

Kelembaban Udara

-2.722

Kecepatan Angin
Penyinaran Matahari

Coefficients
Beta

Sig.
-.330

.751

.446

4.399

.003

1.796

-.200

-1.515

.173

14.448

3.042

.602

4.750

.002

.395

.345

.183

1.145

.290

a. Dependent Variable: Evaporasi

Berdasarkan tabel output SPSS maupun perhitungan manual diperoleh t hitung output
SPSS sebesar 1,145
4. Menentukan t tabel
5. Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-k-1 atau 12-4-1 = 7 (n adalah jumlah kasus dan k adalah jumlah variabel
independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t
tabel sebesar 2,36 atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik
=tinv(0.05,7) lalu enter.
6. Kriteria pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika t hitung < -t tabel atau t hitung > t tabel
7. Membandingkan t hitung dengan t tabel
Nilai t hitung <t tabel (1,145 < 2,36) maka Ho diterima
8. Kesimpulan
Oleh karena nilai t hitung < t tabel 1,145 < 2,36) maka Ho diterima, artinya secara parsial
tidak berkontribusi secara signifikan antara penyinaran matahari dengan nilai evaporasi.

REGRESI LINIER BERGANDA

H0 untuk t1 ditolak, t2 diterima, t3 ditolak dan diterima untuk t4. Berarti variabel X2
(kelembaban udara) dan variabel X4 (penyinaran matahari ) tidak berkontribusi secara
signifikan pada nilai Y (evaporasi) ; variabel X1 (suhu udara) dan X3 (kecepatan angin)
memiliki pengaruh signifikan pada nilai Y (evaporasi).