BAB IV

REGRESI LINEAR BERGANDA

RANGKUMAN

Pengertian Regresi Linear 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. 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: 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.

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.

KESIMPULAN
Dalam penulisan model regresi linear berganda sangat beragam. Notasi
model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang
selalu dengan angka 1. Untuk variabel bebas notasinya dimulai dari angka 2, 3, 4,
dan seterusnya. Notasi b1.23 berarti nilai perkiraan Y kalau X2 dan X3 masing-
masing sama dengan 0 (nol). Notasi b12.3 berarti besarnya pengaruh X2 terhadap
Y jika X3 tetap. Notasi b13..2 berarti besarnya pengaruh X3 terhadap Y jika X2
tetap.
Penulisan model dengan simbol Y untuk variabel dependen, dan untuk variabel
independen.
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.
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.
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.
MENJAWAB PERTANYAAN-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 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.
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).

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!
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.