BAB IV

REGRESI LINEAR BERGANDA

1. RANGKUMAN

Regresi Linear Berganda atau multiple linier regression adalah model regresi yang terdiri
dari satu variabel Y dan lebih dari satu variabel X. Artinya, Variabel X bisa berjumlah 2, 3,
atau lebih. Bertambahnya jumlah variabel X hingga lebih dari satu sangat memungkinkan,
karena dalam keilmuan sosial semua faktor-vaktor atau variabel-variabel saling berkaitan satu
dengan lainnya. Perubahan model dari bentuk single ke dalam bentuk multiple mengalami
beberapa perubahan, meliputi:
a. jumlah variabel penjelasnya bertambah, sehingga spesifikasi model dan data terjadi
penambahan.
b. rumus penghitungan nilai b mengalami perubahan,
c. jumlah degree of freedom dalam menentukan nilai t juga berubah.

Model Regresi Linear Berganda

Populasi:
Y = A + B1X1 + B2X2 + B3X3 + + BnXn + e
Atau
Y = B0 + B1X1 + B2X2 + B3X3 + + BnXn + e

Sampel :
Y = a + b1X1 + b2X2 + b3X3 + + bnXn + e
Atau

Y = b0 + b1X1 + b2X2 + b3X3 + + bnXn + e

Perhitungan Nilai Parameter

Penggunaan metode OLS dalam regresi linier berganda dimaksudkan untuk mendapatkan
aturan dalam mengestimasi parameter yang tidak diketahui. Prinsip yang terkandung dalam
OLS sendiri adalah untuk meminimalisasi perbedaan jumlah kuadrat kesalahan (sum of
square) antara nilai observasi Y dengan Y. Secara matematis, fungsi minimalisasi sum of
square ditunjukkan dalam rumus:
Untuk mendapatkan estimasi least square b0, b1,b2 minimum, dapat dilakukan melalui cara
turunan parsial (partially differentiate) dari formula di atas, sebagai berikut:

Jadikan nilai-nilai turunan parsial di atas menjadi sama dengan 0 (nol), dengan cara membagi
dengan angka 2, hingga menjadi:

Untuk menyederhanakan rumus paling atas dilakukan pembagian dengan n, sehingga

memperoleh rumus baru sebagai berikut:

jika kita notasikan:

maka b1 dan b2 dapat dicari dengan rumus:

pencarian nilai b pada single linier berbeda dengan multiple linier. Perbedaan ini
muncul karena jumlah variabel penjelasnya bertambah. Semakin banyaknya variabel X ini
maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami pertambahan.
Dalam single linier kemungkinan perubahan variabel lain tidak terjadi, tetapi dalam multiple
linier hal itu terjadi. Misalnya, Jika terjadi perubahan pada X1, meskipun X2 konstan, akan
mampu merubah nilai harapan dari Y. Begitu pula, perubahan pada X2, meskipun X1 konstan,
akan mampu merubah nilai harapan dari Y. Perubahan yang terjadi pada X1 atau X2 tentu
mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2) yang berbeda. Oleh karena itu
pencarian nilai b mengalami perubahan.
Guna mengetahui seberapa besar kontribusi X1 terhadap perubahan Y, tentu perlu untuk
melakukan kontrol pengaruh dari X2. Begitu pula, untuk mengetahui kontribusi X2, maka
perlu juga melakukan kontrol terhadap X1. Misalnya kita hendak mengontrol pengaruh linier
X2 ketika melakukan pengukuran dampak dari perubahan X1 terhadap Y, maka dapat
melakukan langkah-langkah sebagai berikut:

Tahap pertama:
lakukan regresi Y terhadap X2.
Y = b0 + b2 X2 + e1
Dimana e1 merupakan residual, yang besarnya:
e1 = Y b0 b2X2
= Y-Y
Tahap kedua:
lakukan regresi X1 terhadap X2
X1 = b0 + b2 X2 + e2
Dimana e1 merupakan residual, yang besarnya:
e2 = X1 b0 b2X2
= X1-X

Tahap ketiga:
lakukan regresi e1 terhadap e2
e1 = a0 + a1e2 +e3

Besarnya a1 pada tahap ketiga inilah yang merupakan nilai pasti atau net effect dari perubahan
satu unit X1 terhadap Y, atau menunjukkan kemiringan (slope) garis Y atas variabel X1.
Logika dari teori tersebut yang mendasari rumus yang dapat digunakan untuk menentukan
koefisien regresi parsial (partial regression coefficients).
Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel. Nilai b1 dan b2 tergantung
pada jumlah sampel yang ditarik. Penambahan atau pengurangan akan mengakibatkan
perubahan rentangan nilai b. Perubahan rentang nilai b1 dan b2 diukur dengan standar error.
Semakin besar standar error mencerminkan nilai b sebagai penduga populasi semakin
kurang representatif. Sebaliknya, semakin kecil standar error maka keakuratan daya penduga
nilai b terhadap populasi semakin tinggi. Perbandingan antara nilai b dan standar error ini
memunculkan nilai t, yang dapat dirumuskan sebagai berikut:

dimana:
b = nilai parameter
Sb = standar error dari b. Jika b sama dengan 0 (b=0) atau Sb bernilai sangat besar, maka
nilai t akan sama dengan atau mendekati 0 (nol).
Untuk dapat melakukan uji t, perlu menghitung besarnya standar error masing-masing
parameter ( baik b0, b1, b2), seperti diformulakan Gujarati (1995:198-199) sebagai berikut:

Rumus-rumus di atas, dapat kita masuki dengan angka-angka yang tertera pada tabel, hanya
saja belum semuanya dapat terisi. Kita masih memerlukan lagi angka untuk mengisi rumus

e2 . Untuk dapat mengisi rumus tersebut, perlu terlebih dulu mencari nilai e. Nilai e adalah
standar error yang terdapat dalam persamaan regresi.
Perhatikan persamaan regresi:
Y = b0 + b1X1 + b2 X2 + e

Secara matematis, dari persamaan regresi di atas nilai e dapat diperoleh, dengan cara
mengubah posisi tanda persamaan hingga menjadi:
eY- (b0 + b1X1 + b2 X2)

Setelah diketahui semua nilai standar error (Sb0, Sb1, Sb2) melalui penggunaan rumus-rumus
di atas, maka nilai t untuk masing-masing parameter dapat diperoleh, karena nilai t
merupakan hasil bagi antara b dengan Sb.
Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut:
dengan diketahuinya nilai t hitung masing-masing parameter, maka dapat digunakan untuk
mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat.
Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut, maka perlu
membandingkan dengan nilai t tabel. Apabila nilai t hitung lebih besar dibandingkan dengan
nilai t tabel, maka variabel penjelas tersebut signifikan. Sebaliknya, jika nilai t hitung lebih
kecil darit tabel, maka variabel penjelas tersebut tidak signifikan.

Koefisien Determinasi (R2)

Koefisien determinasi pada dasarnya digunakan untuk mengkur goodness of fit dari
persamaan regresi, melalui hasil pengukuran dalam bentuk prosentase yang menjelaskan
determinasi variabel penjelas (X) terhadap variabel yang dijelaskan (Y). Koefisien
determinasi dapat dicari melalui hasil bagi dari total sum of square (TSS) atau total variasi Y
terhadap explained sum of square (ESS) atau variasi yang dijelaskan Y. Dengan demikian
kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan
total variasi Y. Rumus tersebut adalah sebagai berikut:

Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi dari masing-masing
observasi nilai Y dari rata-ratanya. Hasil pengukuran ini kemudian dijumlahkan hingga
mencakup seluruh observasi. Jelasnya:
Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat dengan
menggunakan rumus sebagai berikut:

Jadi, rumus di atas dapat pula dituliskan menjadi sebagai berikut:

Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai parameter
dan data variabel. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar
mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di atas.

Uji F
Seperti telah dikemukakan di atas, bahwa dalam regresi linier berganda variabel
penjelasnya selalu berjumlah lebih dari satu. Untuk itu, maka pengujian tingkat signifikansi
variabel tidak hanya dilakukan secara individual saja, seperti dilakukan dengan uji t, tetapi
dapat pula dilakukan pengujian signifikansi semua variabel penjelas secara serentak atau
bersama-sama. Pengujian secara serentak tersebut dilakukan dengan teknik analisis of
variance (ANOVA) melalui pengujian nilai F hitung yang dibandingkan dengan nilai F tabel.
Oleh karena itu disebut pula dengan uji F.
Pada prinsipnya, teknik ANOVA digunakan untuk menguji distribusi atau variansi means
dalam variabel penjelas apakah secara proporsional telah signifikan menjelaskan variasi dari
variabel yang dijelaskan. Untuk memastikan jawabannya, maka perlu dihitung rasio antara
variansi means (variance between means) yang dibandingkan dengan variansi di dalam
kelompok variabel (variance between group). Hasil pembandingan keduanya itu (rasio antara
variance between means terhadap variance between group) menghasilkan nilai F hitung,
yang kemudian dibandingkan dengan nilai F tabel.
Jika nilai F hitung lebih besar dibanding nilai F tabel, maka secara serentak seluruh variabel
penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y. Sebaliknya, jika
nilai F hitung lebih kecil dibandingkan dengan nilai F tabel, maka tidak secara serentak
seluruh variabel penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y.

H0 diterima atau ditolak, merupakan suatu keputusan jawaban terhadap hipotesis yang terkait
dengan uji F, yang biasanya dituliskan dalam kalimat sebagai berikut:

H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mempengaruhi variabel

yang dijelaskan.
H0 : b1 b2 0 Variabel penjelas secara serentak signifikan mempengaruhi variabel yang
dijelaskan.

Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel, maka penting
untuk mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. Nilai F hitung
dapat dicari dengan menggunakan rumus sebagai berikut:
Sedangkan nilai F tabel telah ditentukan dalam tabel. Yang penting untuk diketahui adalah
bagaimana cara membaca tabelnya. Seperti yang telah dituliskan pada pembandingan antara
nilai F hitung dan nilai F tabel di atas, diketahui bahwa F tabel dituliskan F;k-1; (n-k).

Arti dari tulisan tersebut adalah:

Simbol menjelaskan tingkat signifikansi (level of significance) (apakah pada 0,05
atau 0,01 ataukah 0,10, dan seterusnya).

Simbol (k-1) menunjukkan degrees of freedom for numerator.

Simbol (n-k) menunjukkan degrees of freedom for denominator.

2. KESIMPULAN
Regresi Linear Berganda atau multiple linier regression adalah model regresi yang
terdiri dari satu variabel Y dan lebih dari satu variabel X. Artinya, Variabel X bisa
berjumlah 2, 3, atau lebih.
Model
Populasi:

Y = A + B1X1 + B2X2 + B3X3 + + BnXn + e

Atau
Y = B0 + B1X1 + B2X2 + B3X3 + + BnXn + e

Sampel :
Y = a + b1X1 + b2X2 + b3X3 + + bnXn + e
Atau

Y = b0 + b1X1 + b2X2 + b3X3 + + bnXn + e

Keterangan:

Y = Variabel Terikat

b0 = konstanta

b1,2,3 = koefisien regresi

X1,2,3 = Variabel Bebas

e = error term

Konstanta dapat disimbolkan dengan huruf b0 sering juga dituliskan dengan

huruf a, , atau juga 0. Secara substansi penulisan itu mempunyai arti yang sama,
yaitu menunjukkan konstanta atau intercept yang merupakan sifat bawaan dari
variabel Y. Konstanta ini mempunyai angka yang bersifat tetap yang sekaligus
menunjukkan titik potong garis regresi pada sumbu Y. Jika konstanta itu bertanda
positif maka titik potongnya di sebelah atas titik origin (0), sedang bila bertanda
negatif titik potongnya di sebelah bawah titik origin. Nilai konstanta ini merupakan
nilai dari variabel Y ketika variabel X bernilai nol. Atau dengan bahasa yang mudah,
nilai konstanta merupakan sifat bawaan dari Y.Konstanta memberikan informasi
tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi variabel Y,
serta menjelaskan nilai variabel terikat ketika masing-masing variabel bebasnya
bernilai nol (0).
Nilai koefisien regresi yang disimbolkan dengan huruf b berfungsi untuk
menentukan tingkat kemiringan garis regresi. Semakin rendah koefisien regresi, maka
derajat kemiringan garis regresi terhadap sumbu X semakin rendah pula. Sebaliknya,
semakin tinggi nilai b, maka derajat kemiringan garis regresi terhadap sumbu X
semakin tinggi. Koefisien regresi mencerminkan tingkat elastisitas variabel X
(independen). Pencarian nilai b pada single linier berbeda dengan multiple linier.
Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Semakin
banyaknya variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model
juga mengalami pertambahan. Dalam single linier kemungkinan perubahan variabel
lain tidak terjadi, tetapi dalam multiple linier hal itu terjadi. Misalnya, Jika terjadi
perubahan pada X1, meskipun X2 konstan, akan mampu merubah nilai harapan dari Y.
Begitu pula, perubahan pada X2, meskipun X1 konstan, akan mampu merubah nilai
harapan dari Y. Perubahan yang terjadi pada X1 atau X2 tentu mengakibatkan
perubahan nilai harapan Y atau E(Y/X1,X2) yang berbeda.
Regresi liner sederhana merupakan regresi linier dengan 2 (dua) variabel (yaitu
variabel Y dan X). Pada Regresi Linier Berganda, jumlah variabel yang digunakan
akan ditambah menjadi lebih banyak, yaitu satu variabel Y dan jumlah variabel X nya
lebih dari 1 (satu) variabel. Artinya, variabel X bisa berjumlah 2, 3, atau lebih.
Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa
perubahan, meliputi:
a. jumlah variabel penjelasnya bertambah, sehingga spesifikasi model dan data terjadi
penambahan.
b. rumus penghitungan nilai b mengalami perubahan,
c. jumlah degree of freedom dalam menentukan nilai t juga berubah.
Penulisan model regresi linier berganda merupakan pengembangan dari model
regresi linier tunggal. Perbedaannya hanya terdapat pada jumlah variabel X saja.
Dalam regresi linier tunggal hanya satu X, tetapi dalam regresi linier berganda
variabel X lebih dari satu. Telah dikemukaan di atas bahwa pencarian nilai b pada
single linier berbeda dengan multiple linier. Perbedaan ini muncul karena jumlah
variabel penjelasnya bertambah. Semakin banyaknya variabel X ini maka
kemungkinan-kemungkinan yang menjelaskan model juga mengalami pertambahan.
Dalam single linier kemungkinan perubahan variabel lain tidak terjadi, tetapi dalam
multiple linier hal itu terjadi.
Nilai F digunakan untuk pengujian signifikansi semua variabel penjelas secara
serentak atau bersama-sama. Pengujian secara serentak tersebut dilakukan dengan
teknik analisis of variance (ANOVA) melalui pengujian nilai F hitung yang
dibandingkan dengan nilai F tabel. Oleh karena itu disebut pula dengan uji F. Pada
prinsipnya, teknik ANOVA digunakan untuk menguji distribusi atau variansi means
dalam variabel penjelas apakah secara proporsional telah signifikan menjelaskan
variasi dari variabel yang dijelaskan.
 3. PERTANYAAN

a. Coba jelaskan apa yang dimaksud dengan regresi linier berganda!

Regresi Linear Berganda atau multiple linier regression adalah model regresi yang terdiri dari
satu variabel Y dan lebih dari satu variabel X. Artinya, Variabel X bisa berjumlah 2, 3, atau
lebih.

b. Coba tuliskan model regresi linier berganda!

Populasi:
Y = A + B1X1 + B2X2 + B3X3 + + BnXn + e
Atau
Y = B0 + B1X1 + B2X2 + B3X3 + + BnXn + e

Sampel :
Y = a + b1X1 + b2X2 + b3X3 + + bnXn + e
Atau

Y = b0 + b1X1 + b2X2 + b3X3 + + bnXn + e

c. Coba uraikan arti dari notasi atas model yang telah anda tuliskan!
Y = Variabel Terikat

b0= konstanta

b1,2,3= koefisien regresi

X1,2,3= Variabel Bebas

e= error term

d. Jelaskan informasi apa yang dapat diungkap pada konstanta!

Konstanta dapat disimbolkan dengan huruf b0 sering juga dituliskan dengan huruf a, , atau

juga 0. Secara substansi penulisan itu mempunyai arti yang sama, yaitu menunjukkan
konstanta atau intercept yang merupakan sifat bawaan dari variabel Y. Konstanta ini
mempunyai angka yang bersifat tetap yang sekaligus menunjukkan titik potong garis regresi
pada sumbu Y. Jika konstanta itu bertanda positif maka titik potongnya di sebelah atas titik
origin (0), sedang bila bertanda negatif titik potongnya di sebelah bawah titik origin. Nilai
konstanta ini merupakan nilai dari variabel Y ketika variabel X bernilai nol. Atau dengan
bahasa yang mudah, nilai konstanta merupakan sifat bawaan dari Y.
Konstanta memberikan informasi tentang seberapa besar faktor-faktor yang bersifat tetap
mempengaruhi variabel Y, serta menjelaskan nilai variabel terikat ketika masing-masing
variabel bebasnya bernilai nol (0).

e. Jelaskan informasi apa yang dapat diungkap pada koefisien regresi!

Nilai koefisien regresi yang disimbolkan dengan huruf b berfungsi untuk menentukan tingkat
kemiringan garis regresi. Semakin rendah koefisien regresi, maka derajat kemiringan garis
regresi terhadap sumbu X semakin rendah pula. Sebaliknya, semakin tinggi nilai b, maka
derajat kemiringan garis regresi terhadap sumbu X semakin tinggi. Koefisien regresi
mencerminkan tingkat elastisitas variabel X (independen).
Pencarian nilai b pada single linier berbeda dengan multiple linier.
Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Semakin banyaknya
variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami
pertambahan. Dalam single linier kemungkinan perubahan variabel lain tidak terjadi, tetapi
dalam multiple linier hal itu terjadi. Misalnya, Jika terjadi perubahan pada X1, meskipun X2
konstan, akan mampu merubah nilai harapan dari Y. Begitu pula, perubahan pada X2,
meskipun X1 konstan, akan mampu merubah nilai harapan dari Y. Perubahan yang terjadi
pada X1 atau X2 tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2) yang
berbeda.

f. Coba sebutkan perbedaan-perbedaan antara model regresi linier sederhana dengan

model regresi linier berganda!
Regresi liner sederhana merupakan regresi linier dengan 2 (dua) variabel (yaitu variabel Y
dan X). Pada Regresi Linier Berganda, jumlah variabel yang digunakan akan ditambah
menjadi lebih banyak, yaitu satu variabel Y dan jumlah variabel X nya lebih dari 1 (satu)
variabel. Artinya, variabel X bisa berjumlah 2, 3, atau lebih.
Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa
perubahan, meliputi:
1) jumlah variabel penjelasnya bertambah, sehingga spesifikasi model dan data terjadi
penambahan.
2) rumus penghitungan nilai b mengalami perubahan,
3) jumlah degree of freedom dalam menentukan nilai t juga berubah.
Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier
tunggal. Perbedaannya hanya terdapat pada jumlah variabel X saja. Dalam regresi linier
tunggal hanya satu X, tetapi dalam regresi linier berganda variabel X lebih dari satu. Telah
dikemukaan di atas bahwa pencarian nilai b pada single linier berbeda dengan multiple linier.
Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Semakin banyaknya
variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami
pertambahan. Dalam single linier kemungkinan perubahan variabel lain tidak terjadi, tetapi
dalam multiple linier hal itu terjadi.

g. Jelaskan mengapa rumus untuk mencari nilai b pada model regresi linier berganda
berbeda dengan model regresi linier sederhana!

Telah dikemukaan di atas bahwa pencarian nilai b pada single linier berbeda dengan multiple
linier. Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Semakin
banyaknya variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model juga
mengalami pertambahan. Dalam single linier kemungkinan perubahan variabel lain tidak
terjadi, tetapi dalam multiple linier hal itu terjadi. Misalnya, Jika terjadi perubahan pada X1,
meskipun X2 konstan, akan mampu merubah nilai harapan dari Y. Begitu pula, perubahan
pada X2, meskipun X1 konstan, akan mampu merubah nilai harapan dari Y. Perubahan yang
terjadi pada X1 atau X2 tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2)
yang berbeda. Oleh karena itu pencarian nilai b mengalami perubahan.

h. Coba jelaskan apakah pencarian nilai t juga mengalami perubahan! kenapa?

Setelah diketahui semua nilai standar error (Sb0, Sb1, Sb2) melalui penggunaan rumus-rumus,
maka nilai t untuk masing-masing parameter dapat diperoleh, karena nilai t merupakan hasil
bagi antara b dengan Sb. Pencarian nilai t mempunyai kesamaan dengan model regresi linier
sederhana, hanya saja pencarian Sb nya yang berbeda.

i. Coba uraikan bagaimana menentukan nilai t yang signifikan!

Dengan diketahuinya nilai t hitung masing-masing parameter, maka dapat digunakan untuk
mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat.
Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut, maka perlu
membandingkan dengan nilai t tabel. Apabila nilai t hitung lebih besar dibandingkan dengan
nilai t tabel, maka variabel penjelas tersebut signifikan. Sebaliknya, jika nilai t hitung lebih
kecil dari t tabel, maka variabel penjelas tersebut tidak signifikan.

j. Jelaskan apa kegunaan nilai F!

Nilai F digunakan untuk pengujian signifikansi semua variabel penjelas secara serentak atau
bersama-sama. Pengujian secara serentak tersebut dilakukan dengan teknik analisis of
variance (ANOVA) melalui pengujian nilai F hitung yang dibandingkan dengan nilai F tabel.
Oleh karena itu disebut pula dengan uji F. Pada prinsipnya, teknik ANOVA digunakan untuk
menguji distribusi atau variansi means dalam variabel penjelas apakah secara proporsional
telah signifikan menjelaskan variasi dari variabel yang dijelaskan.

k. Bagaimana menentukan nilai F yang signifikan?

Perlu dihitung rasio antara variansi means (variance between means) yang dibandingkan
dengan variansi di dalam kelompok variabel (variance between group). Hasil pembandingan
keduanya itu (rasio antara variance between means terhadap variance between group)
menghasilkan nilai F hitung, yang kemudian dibandingkan dengan nilai F tabel.

Jika nilai F hitung lebih besar dibanding nilai F tabel, maka secara serentak seluruh variabel
penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y. Sebaliknya, jika
nilai F hitung lebih kecil dibandingkan dengan nilai F tabel, maka tidak secara serentak
seluruh variabel penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y.
L. Jelaskan apakah rumus dalam mencari koefisien determinasi pada model regresi
linier berganda berbeda dengan regresi linier sederhana! kenapa?

Pengujian ini biasanya disimbolkan dengan koefisien regresi yang biasa disimbolkan dengan
R2. Uraian tentang koefisien determinasi sedikit banyak telah disinggung pada single linier
regression. Pada sub bahasan ini hanya menambah penjelasan-penjelasan agar menjadi lebih
lengkap saja. Koefisien determinasi pada dasarnya digunakan untuk mengkur goodness of fit
dari persamaan regresi, melalui hasil pengukuran dalam bentuk prosentase yang menjelaskan
determinasi variabel penjelas (X) terhadap variabel yang dijelaskan (Y). Koefisien
determinasi dapat dicari melalui hasil bagi dari total sum of square (TSS) atau total variasi Y
terhadap explained sum of square (ESS) atau variasi yang dijelaskan Y. Dengan demikian
kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan
total variasi Y.

m. Jelaskan bagaimana variabel penjelas dapat dianggap sebagai prediktor terbaik

dalam menjelaskan Y!