Anda di halaman 1dari 43

UJI ASUMSI KLASIK REGRESI LINEAR

Oleh :

WIJAYA

Email : zeamays_hibrida@yahoo.com

2008 Wijaya : Uji Asumsi Klasik Regresi Linear - 0
2008
Wijaya : Uji Asumsi Klasik Regresi Linear - 0

FAKULTAS PERTANIAN

UNIVERSITAS SWADAYA GUNUNG JATI CIREBON

UJI ASUMSI KLASIK DALAM ANALISIS REGRESI LINEAR

1. Nilai galat ( e = Yi Y ) pada setiap pengamatan bersifat acak

Cara menguji dengan menggunakan Uji Run

a. Pada pengamatan dengan n kecil, nilai galat bersifat acak jika :

r 1 < r < r 2 , r 1 dan r 2 banyaknya tanda (+) atau (-), r banyaknya run

b. Pada pengamatan dengan n besar, nilai galat bersifat acak jika :

2 n 1 n 2

u = + 1 n 1 + n 2 2 n n (2 n n
u
=
+ 1
n 1 + n 2
2 n
n
(2 n
n
− n
− n
2 )
1
2
1
2
1
σ 2
=
(n 1 + n 2 ) 2 (n 1 + n 2 − 1)
r − u
z
=

σ

Galat bersifat acak jika : z 0,025 < z < z 0,025

c. Pengujian menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Nonparametrics Test Runs

2. Nilai galat ( e = Yi Y ) seluruh pengamatan pada setiap variabel bebas X mempunyai rata-rata (Mean) Nol

3. Homoskedastisitas yaitu ragam dari setiap nilai galat adalah konstan (sama) untuk semua nilai dari variabel bebas X.

Beberapa cara menguji asumsi homoskedastisitas :

a. Uji Park : Membangun model regresi Ln e 2 = b 0 + b 1 Ln.X jika koefisien b 1 bersifat tidak signifikan, bararti asumsi homoskedastisitas dapat diterima.

b. Uji Korelasi Rank

Spearman : Korelasikan variabel bebas X dengan

variabel galat e, selanjutnya gunakan Uji t. Homoskedastisitas dapat

diterima jika t 0,025(n-2) < t < t 0,025(n-2) .

c. Pengujian Homoskedastisitas menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) klik Plot masukan *ZPRED ke kotak X dan *SRESID ke kotak Y OK.

Pada output akan terlihat Diagram Pencar (sumbu X = Regression Standardized Predicted Value, sumbu Y = Regression Standardized Residual). Jika Diagram Pencar tidak menunjukkan pola tertentu maka asumsi homoskedastisitas dapat diterima, jika menunjukkan pola tertentu berarti terjadi heteroskedastisitas.

4. Normalitas : Variabel galat berdistribusi normal.

Beberapa cara menguji asumsi normalitas :

a. Kolmogorov-Smirnov (Uji K-S) : (1) Urutkan nilai galat e i dari terkecil sampai terbesar, (2) Transformasi nilai e i menjadi z i dengan z i = (e i e)/s dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya nilai peluang z i yaitu P(z i ) dan peluang proporsional S(z i ), (4) Tentukan selisih mutlak S(z i ) P(z i )dan S(z i1 ) P(z i ), (5) Tentukan nilai statistik Kolmogorov-Smirnov D = maksimum S(z i ) P(z i )atau S(z i1 ) P(z i ), (6) bandingkan nilai D dengan D α(n) , (7) Keputusan Jika D > D α(n) maka Tolak Ho artinya nilai variabel galat tidak normal.

b. Uji Lilifors : (1) Urutkan nilai galat e i dari terkecil sampai terbesar, (2) Transformasi nilai e i menjadi z i dengan z i = (e i e)/s dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya nilai peluang z i yaitu P(z i ) dan peluang proporsional S(z i ), (4) Tentukan selisih mutlak P(z i ) S(z i ), (5) Tentukan nilai statistik Liliefors L = maksimum P(z i ) S(z i ), (6) bandingkan nilai L dengan Lα(n), (7) Keputusan Jika L > Lα(n) maka Tolak Ho artinya nilai variabel galat tidak normal.

c. Uji Saphiro-Wilks : (1) Tentukan nilai statistik Saphiro-Wilks T = 1/D [Ai (X n-i+1 – X i )] 2 dimana D = X i 2 – (X i ) 2 /n, (2) bandingkan nilai T dengan nilai T tabel Saphiro-Wilks (T α(n) ), Normalitas dapat diterima jika

T < T 0,05(n) .

Dalil Limit Pusat menyatakan bahwa apabila sampel sebuah pengamatan mempunyai ukuran yang besar (n > 30), maka data pengamatan tersebut akan menyebar normal, atau mendekati normal.

d.

Pengujian

Normalitas

menggunakan

Program

SPSS

dilakukan

melalui

prosedur :

 

(1)

Untuk Uji Kolmogorov-Smirnov : Analyze Nonparametric Test 1-Sample K-S.

 

Pada Output, jika Signifikansi hasil Uji Kolmogorov-Smirnov (Uji K- S) nilainya lebih besar dari 0,05 berarti data berdistribusi normal.

 

(2)

Untuk Uji Liliefors dan Saphiro-Wilks : Analyze Descriptive Statistics Explore.

Pada Output, jika Signifikansi pada Uji Liliefors dan Saphiro-Wilks lebih besar dari 0,05 berarti data berdistribusi normal. Disamping itu, jika pada Grafik Normal Q-Q Plot dan Detrended Normal Q-Q Plot, nilai-nilai pengamatan menyebar pada garis tersebut, berarti data pengamatan berdistribusi normal.

5. Autokorelasi atau Korelasi Diri atau Korelasi Seial : Nilai galat ( e = Yi Y ) setiap pengamatan pada setiap variabel bebas X bersifat bebas.

Beberapa cara menguji asumsi Autokorelasi :

Ho Tidak ada Autokorelasi

H1 Ada Autokorelasi

a. Uji χ 2 : (1) Buat tabel 2x2, seperti tabel dibawah, (2) Tentukan nilai χ 2 , (3) Bandingkan nilai χ 2 dengan χ 2 0,05(1) (4) Keputusan tidak adanya Autokorelasi dapat diterima jika nilai χ 2 < χ 2 0,05(1) .

Banyaknya +e i

Banyaknya e i

Jumlah

Banyaknya +e i-1 Banyaknya e i-1

Jumlah

b. Uji Durbin-Watson : (1) Tentukan nilai D = [ (e i e i-1 ) 2 ] / [ e i 2 ] (2) Bandingkan nilai D dengan D 0,05(n), (3) Keputusan tidak adanya Autokorelasi dapat diterima jika nilai d U < D < (4 d U ), Ada Autokorelasi jika D < d L atau d > (4 d L ), Tidak ada Keputusan jika berada pada selang lain .

Tolak Ho

?

Terima Ho

?

Tolak Ho

 

d L

d U

4 d U

4 d L

c. Pengujian Autokorelasi menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) klik Statistics Pada kotak Residuals, beri tanda centang pada pilihan Durbin Watson Continue OK.

6. Multikolinearitas : terjadi korelasi yang kuat diantara variabel bebas X.

Pengujian Multikolinearitas menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) klik Statistics Beri tanda centang pada pilihan Collinearity diagnostics Continue OK.

Pada Output, akan muncul nilai Collinearity Statistics Tolerance (T) dan VIF (Variance Inflation Factor). Nilai T = 1/VIF, jadi nilai Tolerance merupakan kebalikan dari nilai VIF. Diantara variabel bebas X tidak terjadi multikolinearitas jika nilai VIF mendekakti nilai 1.

Cara lain untuk mendeteksi ada tidaknya multikolinearitas yaitu dengan mengkorelasikan seluruh variabel bebas. Apabila nilai Koefisien Korelasi R 0,80, diindikasikan adanya multikolinearitas.

Indikator lainnya yang menunjukkan adanya multikolinearitas adalah nilai F yang tinggi (sangat signifikan) pada ANOVA, tetapi nilai T pada setiap variabel bebas X tidak ada yang signifikan.

7. Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel terikat Y adalah Linear.

Pengujian

Linearitas

menggunakan

Program

SPSS

dilakukan

melalui

prosedur :

Analyze Compre Means Means, masukkan Variabel Dependen ke kotak Dependent List dan beberapa Variabel Independen ke kotak Independent List klik Options Beri tanda centang pada pilihan Test for linearity Continue OK.

Pada Output, jika signifikansi F pada ANOVA lebih besar dari 0,05, maka hipotesis tentang hubungan linear dapat diterima.

UJI VALIDITAS DAN RELIABILITAS INSTRUMENT

1. Validitas Instrument

Secara garis besar ada dua macam Validitas, yaitu (1) Validitas Logis, menunjuk pada kondisi bagi sebuah instrumen evaluasi yang memenuhi persyaratan valid berdasarkan hasil penalaran. Validitas Logis terdiri dari Validitas Isi dan Validitas Konstruk, (2) Validitas Empiris, yaitu apabila instrumen tersebut telah teruji dari pengalaman. Validitas Empiris terdiri dari validitas “ada sekarang” dan validitas predictive.

Uji validitas atau kesahihan digunakan untuk mengetahui seberapa tepat suatu instrument (alat ukur) mampu melakukan fungsinya. Alat ukur yang dapat digunakan dalam pengujian validitas suatu instrument adalah angka hasil korelasi antara skor pernyataan (baik berupa item atau butir setiap pertanyaan maupun skor dari faktor atau variabel) dengan total skor seluruh pertanyaan.

Beberapa Rumus Uji Validitas :

(1) Korelasi Pearson (Product Moment) :

r

=

 

n

xy

 

(

x

)

(

y

)

⎢ ⎣

n

x

2

(

x

2

)

⎦ ⎥

⎢ ⎣

n

2

y

 

(

y

)

2

Pengujian Koefisien Korelasi :

t

=

r

n − 2 2 1 − r
n
2
2
1
r

Butir (item) atau Faktor dari skor pertanyaan dikatakan valid jika :

(2)

atau t < −t 0,025(n−2) t 0,025(n−2) Korelasi Biserial : m − m p P
atau
t < −t 0,025(n−2)
t 0,025(n−2)
Korelasi Biserial :
m
− m
p
P
T
=
ρ bi
s
T q

<

t

dimana :

ρ

=

koefisien korelasi biserial

m p =

rata-rata skor dari subjek yang menjawab benar bagi item yang akan dihitung validitasnya

m T =

rata-rata skor total

s T

=

simpangan baku dari skor total

p

=

proporsi responden yang menjawab benar

q

=

1 – p

Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Correlate Bivariate, masukkan data Skor tiap Butir pertanyaan dan Skor Total ke kotak Variables OK.

2. Reliabilitas Instrument

Reliabilitas instrumen berhubungan dengan tingkat kepercayaan (keyakinan) terhadap instrument atau sebuah tes. Suatu instrument atau tes dikatakan mempunyai tingkat kepercayaan yang tinggi jika instrument atau tes tersebut dapat memberikan hasil yang tetap (ajeg). Jadi reliabilitas adalah ketetapan (keajegan) suatu instrument atau tes apabila diberikan kepada subjek yang sama.

Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk jawaban Pilihan Ganda atau Benar-Salah dapat dilakukan dengan beberapa metode, yaitu :

(a) Metode Paralel (Equivalent)

Dua buah instrument atau tes yang mempunyai tujuan, tingkat kesukaran, dan susunan yang sama tetapi soal (item) berbeda diberikan kepada subjek yang sama pada dua waktu yang berbeda. Reliabilitas diukur dengan menghitung besarnya nilai Koefisien Korelasi Pearson terhadap kedua hasil pengamatan tersebut.

(b) Metode Ulang

Sebuah instrument atau tes diberikan kepada subjek yang sama pada dua waktu yang berbeda (berulang). Reliabilitas diukur dengan menghitung besarnya nilai Koefisien Korelasi Pearson pada kedua waktu tersebut.

(c)

Metode Belah Dua

Sebuah instrument atau tes diberikan pada waktu yang sama kepada kelompok subjek yang dibagi dua. Pembelahan dapat dilakukan dengan cara memisahkan item-item genap dengan item-item ganjil, atau item-item awal dengan item-item akhir. Reliabilitas diukur dengan menghitung besarnya nilai Koefisien Korelasi antar kedua belahan tersebut. Rumus yang digunakan untuk mengukurnya, diantaranya :

(1) Spearman – Brown

(2)

2 r 12

R =

( 1 + r 12 )

2 ( 1

S 1 2 + S 2 2

dimana :

R =

=

r 12

Koefisien Reliabilitas

Koefisien Korelasi Pearson antar belahan

Flanagan :

R

=

)

S t 2

dimana :

R =

S

S

S

=

=

=

1 2

2 2

t 2

Koefisien Reliabilitas

Ragam belahan ke-1

Ragam belahan ke-2

Ragam Total

(3)

Rullon :

R

dimana :

R =

S

S

=

=

1 (

S D 2 / S t 2 )

=

Koefisien Reliabilitas

Ragam dari selisih skor antar belahan ke-1 dan ke-2

Ragam Total

D 2

t 2

Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk jawaban Uraian dilakukan dengan metode Alpha-Cronbach yaitu :

n S i 2

R

=

( 1

n – 1

S t 2

dimana :

)

R

=

S i 2

=

S t 2

=

Koefisien Reliabilitas

Jumlah Ragam tiap-tiap item

Ragam Total

Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Scale Reliability Analysis, masukkan data Skor tiap Butir pertanyaan ke kotak Items Pilih Model Alpha atau Split-Half OK.

Jika sebelum klik OK, kita meng-klik kotak “Statistics” kemudian kita centang pilihan Scale dan Scale if Item Delete, maka pada Output Item Total Statistics akan diperoleh nilai Koefisien Korelasi Pearson Terkoreksi (pada kolom Corrected Item -Total Correlation) yang menggambarkan Validitas item.

Misal : Ingin diketahui pengaruh Motivasi (Q15 = X 1 ) dan Fasilitas (Q610 = X 2 ) terhadap Produktivitas (Y). Faktor Motivasi terdiri dari 5 butir pertanyaan (Q1 sampai Q5), dan Fasilitas terdiri dari 5 butir pertanyaan (Q6 sampai Q10). Datanya sebagai berikut :

Resp Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 TOT Q15 Q610 Y
Resp
Q1
Q2
Q3
Q4
Q5
Q6
Q7
Q8
Q9
Q10
TOT
Q15
Q610
Y
1
3
2
2
3
2
2
2
2
1
3
22
12
10
85

2 2

2

2

2

2

2

2

2

1

2

19

10

9

74

3 2

2

2

2

2

2

2

1

2

2

19

10

9

78

4 3

3

2

3

2

2

2

2

2

2

23

13

10

90

5 3

2

2

2

2

2

3

2

2

2

22

11

11

85

6 3

3

3

3

2

2

3

2

2

2

25

14

11

87

7 3

2

2

3

3

3

3

2

2

3

26

13

13

94

8 3

2

3

3

3

3

3

2

2

3

27

14

13

98

9 2

2

3

2

2

2

2

2

2

2

21

11

10

81

10 2

3

3

3

3

2

2

2

2

2

24

14

10

91

11 2

1

2

3

2

2

2

2

1

1

18

10

8

76

12 2

1

1

2

2

2

1

1

1

2

15

8

7

74

1. Validitas Item (Butir) :

Validitas Item dilakukan dengan cara meng-korelasikan setiap butir pertanyaan (Q1 sampai Q10) dengan total seluruh butir pertanyaan (TOT). Korelasi yang digunakan adalah Korelasi Pearson. Hasil perhitungan menggunakan SPSS 13.0 adalah sebagai berikut :

Correlations

 

Total Skor

Butir01

Butir02

Butir03

Butir04

Butir05

Total Skor

Pearson Correlation

1

,712**

,662*

,691*

,635*

,666*

Sig. (2-tailed)

,009

,019

,013

,027

,018

N

12

12

12

12

12

12

Butir01

Pearson Correlation

,712**

1

,391

,140

,507

,192

Sig. (2-tailed)

,009

,209

,664

,092

,549

N

12

12

12

12

12

12

Butir02

Pearson Correlation

,662*

,391

1

,602*

,374

,225

Sig. (2-tailed)

,019

,209

,039

,231

,481

N

12

12

12

12

12

12

Butir03

Pearson Correlation

,691*

,140

,602*

1

,355

,404

Sig. (2-tailed)

,013

,664

,039

,257

,192

N

12

12

12

12

12

12

Butir04

Pearson Correlation

,635*

,507

,374

,355

1

,488

Sig. (2-tailed)

,027

,092

,231

,257

,108

N

12

12

12

12

12

12

Butir05

Pearson Correlation

,666*

,192

,225

,404

,488

1

Sig. (2-tailed)

,018

,549

,481

,192

,108

N

12

12

12

12

12

12

**.

*.

Correlation is significant at the 0.01 level (2-tailed).

Correlation is significant at the 0.05 level (2-tailed).

Correlations

 

Total Skor

Butir06

Butir07

Butir08

Butir09

Butir10

Total Skor

Pearson Correlation

1

,626*

,815**

,626*

,677*

,600*

Sig. (2-tailed)

,029

,001

,029

,016

,039

N

12

12

12

12

12

12

Butir06

Pearson Correlation

,626*

1

,564

,200

,316

,674*

Sig. (2-tailed)

,029

,056

,533

,317

,016

N

12

12

12

12

12

12

Butir07

Pearson Correlation

,815**

,564

1

,564

,594*

,380

Sig. (2-tailed)

,001

,056

,056

,042

,223

N

12

12

12

12

12

12

Butir08

Pearson Correlation

,626*

,200

,564

1

,158

,135

Sig. (2-tailed)

,029

,533

,056

,624

,676

N

12

12

12

12

12

12

Butir09

Pearson Correlation

,677*

,316

,594*

,158

1

,213

Sig. (2-tailed)

,016

,317

,042

,624

,506

N

12

12

12

12

12

12

Butir10

Pearson Correlation

,600*

,674*

,380

,135

,213

1

Sig. (2-tailed)

,039

,016

,223

,676

,506

N

12

12

12

12

12

12

*.

**.

Correlation is significant at the 0.05 level (2-tailed).

Correlation is significant at the 0.01 level (2-tailed).

2.

Reliabilitas Instrument :

Reliabilitas yang dihitung yaitu : (1) Spearman-Brown, (2) Flanagan, (3) Rullon dan (4) Alpha Cronbach, berdasarkan metode belah dua Ganjil-Genap.

No

Q1

Q3

Q5

Q7

Q9

Q2

Q4

Q6

Q8

Q10

Ganj

Genp

Beda

TOT

1

3

2

2

2

1

2

3

2

2

3

10

12

-2

22

2

2

2

2

2

1

2

2

2

2

2

9

10

-1

19

3

2

2

2

2

2

2

2

2

1

2

10

9

1

19

4

3

2

2

2

2

3

3

2

2

2

11

12

-1

23

5

3

2

2

3

2

2

2

2

2

2

12

10

2

22

6

3

3

2

3

2

3

3

2

2

2

13

12

1

25

7

3

2

3

3

2

2

3

3

2

3

13

13

0

26

8

3

3

3

3

2

2

3

3

2

3

14

13

1

27

9

2

3

2

2

2

2

2

2

2

2

11

10

1

21

10

2

3

3

2

2

3

3

2

2

2

12

12

0

24

11

2

2

2

2

1

1

3

2

2

1

9

9

0

18

12

2

1

2

1

1

1

2

2

1

2

7

8

-1

15

VAR

0,273

0,386

0,205

0,386

0,242

0,447

0,265

0,152

0,152

0,333

4,083

2,879

1,356

12,568

(1)

Koefisien Korelasi Pearson (r) :

Resp

Ganjil (X)

Genap (Y)

XY

X 2

Y 2

1

10

12

120

100

144

2

9

10

90

81

100

3

10

9

90

100

81

4

11

12

132

121

144

5

12

10

120

144

100

6

13

12

156

169

144

7

13

13

169

169

169

8

14

13

182

196

169

9

11

10

110

121

100

10

12

12

144

144

144

11

9

9

81

81

81

12

7

8

56

49

64

JML

131

130

1450

1475

1440

r

=

n ∑ xy − ( x ) ( ∑ ⎡ 2 2 ⎡ n (
n
∑ xy
(
x
)
(
2
2
n
(
)
x
x
n ∑
⎦ ⎥
⎣ ⎢

y

)

2

y

(

y

)

2

r

=

12(1.450) − (131)(130) 2 2 ⎤ ⎡ ⎤ ⎡ ⎣ ⎢ 12(1.475) − () 131
12(1.450)
− (131)(130)
2
2
⎡ ⎣ ⎢ 12(1.475)
()
131
12(1.440)
()
130
⎥ ⎦
⎢ ⎣

= 0,818

Nilai Koefisien Korelasi Pearson antara Jumlah Skor Ganjil dengan Jumlah Skor Genap menggunakan SPSS 13.0 yaitu sebesar 0,818.

Correlations

 

Skor Butir Ganjil

Skor Butir Genap

Skor Butir Ganjil

Pearson Correlation Sig. (2-tailed)

1

,818**

,001

N

12

12

Skor Butir Genap

Pearson Correlation Sig. (2-tailed)

,818**

1

,001

N

12

12

**.

Correlation is significant at the 0.01 level (2-tailed).

(1)

Spearman – Brown

2 r 12 2 (0,818) R = = = 0,900 ( 1 + r 12
2 r 12
2 (0,818)
R =
=
= 0,900
( 1 + r 12 )
( 1 + 0,818 )
(2)
Flanagan :
S 1 2 + S 2 2
R
=
2 ( 1 −
)
S t 2
4,083 + 2,879
R
=
2 ( 1 −
)
=
0,892
12,658
(3)
Rullon :
R =
1 − (
S D 2 / S t 2 )
=
1 − ( 1,356 / 12,658 )
= 0,892

(4)

Alpha-Cronbach :

n S i 2

R

R

=

=

 

( 1

n – 1

S t 2

12

2,841

 

( 1

12 – 1

12,658

)

)

= 0,844

Nilai Reliability dengan metode Alpha Cronbach menggunakan SPSS 13.0 yaitu sebesar 0,860

Reliability

Reliability Statistics

Cronbach's Alpha

N of Items

,860

10

Pengujian Asumsi Regresi

Data :

No

X

1

X

2

Y

X

1 .X 2

X

1 .Y

X

2 .Y

1

12

10

85

120

1020

850

2

10

9

74

 

90

740

666

3

10

9

78

90

780

702

4

13

10

90

130

1170

900

5

11

11

85

121

935

935

6

14

11

87

154

1218

957

7

13

13

94

169

1222

1222

8

14

13

98

182

1372

1274

9

11

10

81

110

891

810

10

14

10

91

140

1274

910

11

10

8

76

 

80

760

608

12

8

7

74

56

592

518

Jumlah

140

121

1013

1442

11974

10352

JK

1676

1255

86213

 

Rataan

11,667

10,083

84,417

Persamaan Regresi Dugaan : Y = b 0 + b 1 X 1 + b
Persamaan Regresi Dugaan
:
Y
=
b 0 + b 1 X 1 + b 2 X 2 .
Persamaan Normal
:
∑ Y
=
n b 0
+
b 1 ∑ X 1 + b 2 ∑ X 2
∑ X 1 Y
=
b 0 ∑
X
+
b 1 ∑ X 1 2 +
b 2 ∑ X 1 X 2
1
∑ X 2 Y
=
b 0 ∑
X
+
b 1 ∑ X 1 X 2 +
b 2
∑ X 2 2
2
(X'X)
(b)
(X'Y)
n
∑ X 1
∑ X 2
b
∑ Y
0
∑ X
∑ X 1 2
∑ X 1 X 2
b
=
∑ X 1 Y
1
1
∑ X
∑ X 1 X 2
∑ X 2 2
b
∑ X 2 Y
2
2
(X'X)
(X'X) −1
(X'Y)
12
140
121
3,513
-0,178
-0,134
1013
140
1676
1442
-0,178
0,061
-0,053
11974
121
1442
1255
-0,134
-0,053
0,075
10352

Dari hasil perkalian invers matriks (X’X -1 ) dengan matriks (X’Y) diperoleh nilai b 0 ,

b 1 dan b 2 sebagai berikut :

b 0 =

38,245

b 1 =

2,215

b 2 =

2,016

Selanjutnya dengan Metode Doolitle dapat disusun Analisis Ragam (Anova) serta pengujian koefisien regresi menggunakan Uji-t.

Metode Doolitle :

 

Matriks (X'X)

Matriks

Matriks (X'X -1 )

Baris

b0

b1

b2

(X'Y)

     

(0)

12

140

121

1013

1

0

0

(1)

 

1676

1442

11974

0

1

0

(2)

   

1255

10352

0

0

1

(3) = (0) (4) = (3) /12

12

140

121

1013

1

0

0

1,000

11,667

10,083

84,417

0,083

0,000

0,000

(5) = (1)-140(4) (6) = (5) /42,67

 

42,667

30,333

155,667

-11,667

1,00

0,00

 

1,000

0,711

3,648

-0,273

0,023

0,000

(7) = (2)-121(4)-30,33(6) (8) = (7) /13,353

   

13,352

26,914

-1,789

-0,711

1,000

   

1,000

2,016

-0,134

-0,053

0,075

(1)

Menentukan Koefisien Regresi :

Pada Baris (8) :

1,0 (b 2 ) = 2,016 b 2 = 2,016

Pada Baris (6) :

1,0 (b 1 ) + 0,711 (b 2 ) = 3,648 b 1 = 2,215

Pada Baris (4) :

1,0 (b 0 ) + 11,667 (b 1 ) + 10,083 (b 2 ) = 84,417 b 0 = 38,245

(2)

Analisis Ragam (Anova) :

Faktor Koreksi (FK) = (ΣY) 2 /n = (1.013) 2 /12 = 85514,083, atau

FK

=

(1013)(84417) = 85514,083

Jumlah Kuadrat Total (JKT) = Σ Y 2 ̶(ΣY) 2 /n

JKT

=

86213 ̶85514,083 = 698,917

Jumlah Kuadrat Regresi (JKR) = Σ (bi Σ XiY)

JKR

=

b 1 [Σ X 1 Y ̶(ΣX 1 )(ΣY)/n] + b 2 [Σ X 2 Y ̶(ΣX 2 )(ΣY)/n]

JKR

=

2,215 [11974 ̶(140)(1013)/12] + 2,016 [10352 ̶(121)(1013)/12]

JKR

=

344,853 + 277,340 = 622,193

Atau JKR =

JKR (b 1 / b 0 ) +

JKR (b 2 / b 1, b 0 )

JKR

=

[ (155,667)(3,648 ] + [ (26,914)(2,016) ]

JKR

=

567,940 + 54,253 = 622,193

Jumlah Kuadrat Galat (JKG) = JKT ̶JKR

JKG

=

698,917 ̶622,193 = 76,723

Daftar Sidik Ragam

No.

Variasi

DB

JK

KT

F

F

5%

1

Regresi

2

622,193

311,097

36,493

4,256

R (b 1 / b 0 )

1

567,940

567,940

66,622

5,117

R (b 2 / b 1 , b 0 )

1

54,253

54,253

6,364

5,117

2

Galat

9

76,723

8,525

 

Total

11

698,917

63,538

 
T T 1 1,000 0,000 0,000 1,000 –11,667 –1,789 –11,667 1,000 0,000 0,000 1,000 –0,711
T
T 1
1,000
0,000
0,000
1,000
–11,667
–1,789
–11,667
1,000
0,000
0,000
1,000
–0,711
–1,789
–0,711
1,000
0,000
0,000
1,000
(t)
(X'X) −1 = T 1 . t
0,083
0,000
0,000
3,513
–0,178
–0,134
–0,273
0,023
0,000
–0,178
0,061
–0,053
–0,134
–0,053
0,075
–0,134
–0,053
0,075

b

KTG

C

ii

KTG.C ii

S

b

t

t

0,025

38,245

8,525

3,513

29,949

5,473

6,989

2,228

2,215

8,525

0,061

0,523

0,723

3,065

2,228

2,016

8,525

0,075

0,638

0,799

2,523

2,228

Keterangan :

b

=

KTG

=

C ii

=

S b

=

.t

=

Nilai Koefisien Regresi Nilai Kuadrat Tengah Galat pada Daftar Sidik Ragam Nilai pada Diagonal Utama Matriks (X'X) 1 KTG . C ii b/S b

Hasil analisis regresi linear ganda pengaruh Motivasi (Faktor1) dan Fasilitas (Faktor2) terhadap Produktivitas (Nilai) menggunakan program MS Excel maupun SPSS 13.0 adalah :

Hasil Analisis dengan MS Excel :

SUMMARY OUTPUT

Regression Statistics

Multiple R

0,9435

R

Square

0,8902

Adjusted R Square

0,8658

Standard Error

2,9197

Observations

12

ANOVA

 
 

Df

SS

MS

F

Sig. F

Regression

2

622,193

311,097

36,493

0,000

Residual

9

76,723

8,525

Total

11

698,917

 

Coefficients

Standard Error

t Stat

P-value

Intercept

38,245

5,473

6,989

0,000

X

Variable 1

2,215

0,723

3,065

0,013

X

Variable 2

2,016

0,799

2,523

0,033

Analisis dengan SPSS melalui prosedur :

Analyze Regression Linear, pindahkan Variabel Dependen Y (Produktivitas) ke kotak Dependent dan Variabel Independen X 1 dan X 2 (Motivasi dan Fasilitas) ke kotak Independent(s) klik OK.

Untuk menguji asumsi Autokorelasi dan Kolinearitas : klik Statistics Pada kotak Residuals dan Model Fit, beri tanda centang pada pilihan Durbin Watson dan Collinearity diagnostic Continue

Untuk menguji Homoskedastisitas : klik Plot pindahkan ZPRED ke kotak X dan SRESID ke kotak Y. Pada pilihan Standardized Residual Plot, beri tanda centang pada pilihan Histogram dan Normal probability plots Continue

Untuk menghitung nilai galat (residual) : klik Save pada kotak Residuals beri tanda centang pada pilihan Unstandardized Continue

Hasil Analisis :

Model Summary b

       

Adjusted

 

Std. Error of

 

Durbin-

 

Model

R

R Square

R Square

 

the Estimate

Watson

1

,944 a

 

,890

 

,866

 

2,920

 

2,088

a. Predictors: (Constant), Faktor2, Faktor1 ANOVA b

b. Dependent Variable: Nilai

 
 

Sum of

       

Model

Squares

df

Mean Square

F

 

Sig.

1

Regression

622,193

 

2

311,097

36,493

 

,000 a

Residual

76,723

9

8,525

 

Total

698,917

11

a. Predictors: (Constant), Faktor2, Faktor1

b. Dependent Variable: Nilai

Coefficients a

 

Unstandardized

Standardized

     

Coefficients

Coefficients

Collinearity Statistics

Model

B

Std. Error

Beta

t

Sig.

Tolerance

VIF

1

(Constant)

38,245

5,473

 

6,989

,000

   

Faktor1

2,215

,723

,547

3,065

,013

,382