UJI REGRESI LINIER

Laporan ini disusun untuk memenuhi tugas praktikum Analisis Data Medis Inferensial

Oleh :
Dayu Astiningsih
G41140027
Golongan : A / Semester : 5

KEMENTERIAN RISET TEKNOLOGI DAN PENDIDIKAN TINGGI

PROGRAM STUDI D-IV REKAM MEDIK
JURUSAN KESEHATAN
POLITEKNIK NEGERI JEMBER
2016
BKPM Halaman 108

Latihan Soal 2

Peneliti ingin mengetahui pengaruh tinggi badan dan umur terhadap berat badan anak
dengan kurang gizi.

A. Buatlah Hipotesis Statistik

Ho = Tidak ada perbedaan pengauh tinggi badan dan umur terhadap berat
badan anak dengan kurang gizi.

Ha = Ada perbedaan pengauh tinggi badan dan umur terhadap berat badan
anak dengan kurang gizi.

B. Tentukan nilai
Nilai = 0,05 = 5 %
Derajat Kepercayaan = 0,95 = 95 %

C. Perhitungan dengan SPSS

1. Buka Aplikasi SPSS
2. Membuat tabel pada variable view

3. Mengisi tabel data view yang telah dibuat sesuai dengan data yang ada di BKPM
4. Langkah selanjutnya yaitu Klik Analize Regression Linier

5. Pada regresi linier masukkan BB pada Dependent, Umur dan TB pada

independent
6. Klik statistics, lalu centang Estimates, Model Fit, Descriptives dan colinearity
diagnostics pada Regression coefficient.
Setelah itu pada Residuals centang Durbin Watson, Casewise diagnostics dan pilih
All cases kemudian klik continue
7. Kemudian klik Plots kemudian pilih *ZPRED dan masukkan pada kolom X,
dan pilih *SDRESID dan masukan pada kolom Y , setelah itu centang histogram
dan normal probability plot setelah itu klik continue.
8. Selanjutnya Klik OK

9. Hasil dari perhitungan SPSS

Didapatkan nilai rata-rata serta standar deviasi untuk semua variabel, baik
independent maupun dependent.Diperoleh rata2 untuk berat badan 34,92 ; umur
8,50; tinggi badan 75,53.
 Pada matriks korelasi tersebut, didapatkan angka signifikansi untuk hubungan
antar seluruh variabel independent dengan variabel dependent bernilai di
bawah 0,05 ( <0,05 ).
Sig variabel independent dg variabel dependent ( umur dengan berat badan )
sebesar 0,012.
Kemudian Sig variabel independent dg variabel dependent (tinggi badan
dengan berat badan sebesar 0,003.

Sehingga, dapat disimpulkan bahwa memang terdapat hubungan

yang signifikan dan korelasi yang erat antara semua variabel independent dengan
variabel dependent.( ada hubungan antara tinggi badan dan umur terhadap berat
badan anak dengan kurang gizi).

Pada bagian ini terdapat nilai koefisien determinasi R-Square = 0.740 (54,8%).
Ini menunjukkan bahwa sebesar 54,8% variasi variabel dependent (Y) dapat
dijelaskan oleh 2 variabel independent (X1 dan X2), artinya pengaruh variabel
independen terhadap perubahan variabel dependen adalah 54,8%.
Hal tersebut menunjukkan bahwa umur dan tinggi badan mempengaruhi berat
badan anaka yang kurang gizi sebesar 54,8% sedangkan sisanya dijelaskan faktor
lain.
Pada bagian ini juga terdapat hasil Durbin Watson merupakan uji untuk
mengetahui autokorelasi, dimana ketentuannya antara -2 dan +2, kemudian nilai
pada tabel tsb 1,133 sehingga dapat disimpulkan bahwa tidak terdapat
autokorelasi.

Pada tabel Anova dijelaskan apakah persamaan regresi dapat digunakan

untuk memprediksi variabel Y. Dari tabel di bawah didapat nilai F hitung = 5,
641 ehingga dapat digunakan untuk melakukan uji hipotesis (F-test) dalam
memprediksi kontribusi variabel-variabel independent (X1 dan X2) terhadap
variabel dependent (Y).

Dengan menentukan level of significant = 5% (0,05) dan degree of

freedom untuk df1 = 2 dan df2 = 9, maka didapat dari tabel (dalam buku
statistik) F-tabel = 4,26.

F hitung (5,461) > F tabel (4,26)

Kesimpulan: Ho ditolak, artinya persamaan regresi dapat digunakan untuk

memprediksi variabel Y. Variabel independent (X1 dan X2)
dengan signifikan memberikan kontribusi terhadap variabel dependent (Y).

Nilai signifikansi (Sig) pada tabel anova 0,028 dibandingkan dengan nilai a
yakni 0,05. 0,028 < 0,05,
 Kesimpulan: Ho ditolak, artinya artinya persamaan regresi dapat digunakan
untuk memprediksi variabel Y. Variabel independent (X1 dan X2)
dengan signifikan memberikan kontribusi terhadap variabel dependent

Persamaan Regresi

= bo + b1X1 + b2X2

= 12,0222+0,400X1 + 0,259X2

Pada bagian Unstandardized Coefficients ini ditampilkan juga

Standard Error dari masing-masing variabel. Nilai pada kolom Beta,
ditampilkan Z-score. Pada kolom berikutnya ditampilkan nilai t dari masing-
masing variabel, yang dapat dimanfaatkan untuk menguji keberartian (t-Test)
koefisien regresi yang didapatkan. Proses pengujiannya menyerupai F-test,
yaitu t hitung dibandingkan dengan nilai t tabel.

Nilai Toleransi

Pada tabel tersebut nilai toleransi 0,307.

Nilai VIF=1/Tolerance, dimana tolerance < 0,10 atau nilai VIF >10 maka
dikatakan ada korelasi. Pada tabel tersebut nilainya 3,255 < 10. Asumsinya
untuk uji regresi linier berganda tidak ada multikolinieritas (tidak ada korelasi
diantara variabel bebas(independent). Sehingga dapat disimpulkan bahwa
tidak ada korelasi diantara variabel bebas(independent)
Daftar hasil-hasil dari Residual Statistics.
Pada chart menunjukkan bahwa uji yang digunakan uji regresi linier dengan
Distribusi Normal.
Pada gambar plot Regression standardized Residual dan Regresion standardized
Predicted dibawah ini:

a. Pada P-Plot Regression Standrdized Residual menunjukkan adanya data yang

menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, yang
artinya Distribusi Normal Bivariat.

b. Pada Regression Standardized Predicted menunjukkan adanya titik-titik yang

menyebar diatas dan dibawah nilai 0 pada sumbu Y. Sehingga disimpulkan
tidak terjadi heteroskedastisitas(varians dari nilai residual satu pengamatan ke
pengamatan lain tetap).