Anda di halaman 1dari 26

A.

ANALISIS REGRESI

Analisis regresi bertujuan untuk menganalisis besarnya pengaruh variabel


bebas terhadap variabel terikat. Manfaat dari hasil analisis regresi adalah
untuk membuat keputusan apakah naik turunnya variabel dependen dapat
dilakukan melalui peningkatan variabel independen atau tidak. Regresi linier
dikelompokkan menjadi 2 kelompok yaitu regresi linier sederhana dan linier
berganda. Perbedaan ini berdasarkan jumlah variabel bebasnya, jika
variabel bebasnya hanya 1 maka disebut linier sederhana, jika variabel
bebasnya lebih dari satu maka disebut linier berganda.

UJI ASUMSI KLASIK


Analisis regresi linear berganda harus memenuhi asumsi klasik. Hal ini
berkaitan dengan keterkaitan variabel prediktor dalam menjelaskan variabel
yang diprediksi. Tujuan Uji Asumsi Klasik
Pada uji asumsi klasik terdapat empat macam alat uji yaitu :
1. Uji Multikolinieritas
Uji multikolinieritas merupakan uji yang ditunjukkan dimaksudkan untuk
menguji apakah model regresi ditemukan adanya korelasi antar variabel
bebas. Model uji regresi yang baik sebaiknya tidak terjadi
multikolinieritas. Adapun untuk mendeteksi apakah variabel bebas
terjadi multikolinieritas atau tidak maka kita dapat mendeteksinya
dengan cara melihat nilai VIF. Jika nilai VIF < 10 maka tidak terjadi
multikolinieritas

Kriteria Multikolinieritas
Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model
regresi adalah sebagai berikut :
1. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris
sangat tinggi, tetapi secara individual variable-variabel
independen banyak yang tidak signifikan mempengaruhi variable
dependen.
2. Menganalisis matrik korelasi variable-variabel independen. Jika
antar variable independen ada korelasi yang cukup tinggi
(umumnya di atas 0.90), maka hal ini merupakan indikasi adanya
multikoliniritas. Tidak adanya korelasi yang tinggi antar variable
independent tidak berarti bebas dari multikolinieritas.
Multikolinieritas dapat disebabkan karena adanya efek kombinasi
dua atau lebih variable independen.
3. Multikolinieritas dapat juga dilihat dari (1) nilai tolerance dan
lawannya (2) variance inflation factor (VIF). Kedua ukuran ini
menunjukkan setiap variable independen manakah yang
dijelaskan oleh variable independen lainnya. Dalam pengertian

1
sederhana setiap variable independen menjadi variable dependen
(terikat) dan dregres terhadap variable independen lainnya.
Tolerance mengukur variabilitas variable independen yang terpilih
yang tidak dijelaskan oleh variable independen lainnya. Jadi nilai
tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF =
1/Tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan
adalnya multikolinieritas adalah nilai Tolerance 0.10 atau sama
dengan nilai VIF 10. Setiap peneliti harus menentukan tingkat
kolonieritas yang masih dapat ditolerir. Sebagai missal nilai
tolerance = 0.10 sama dengan tingkat kolonieritas 0.95. walaupun
multikolonieritas dapat dideteksi dengan nilai Tolerance dan VIF,
tetapi kita masih tetap tidak mengetahui varaibel-variabel
independen mana sajakah yang saling berkorelasi.

2
Contoh Kasus :
UJI REGRESI
PENGARUH FASILITAS (X1) DAN LAYANAN (X2) TERHADAP KEPUASAN KONSUMEN

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Tot Tot Tot
nama umur jekel didik X1 X2 Y
X1 X2 X3
X11 X12 X13 X14 X15 X21 X22 X23 X24 X25 Y1 Y2 Y3 Y4 Y5
budi 30.0 pria SMU 4.0 4.0 4.0 4.0 4.0 3.0 4.0 3.0 4.0 4.0 3.0 4.0 3.0 3.0 3.0 20.0 18.0 16.0
andang 22.0 pria Akademi 3.0 3.0 4.0 4.0 4.0 4.0 4.0 4.0 3.0 3.0 3.0 4.0 4.0 4.0 4.0 18.0 18.0 19.0
jono 25.0 pria Sarjana 3.0 3.0 3.0 4.0 4.0 4.0 3.0 3.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 17.0 18.0 19.0
santi 37.0 wanita Sarjana 4.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 4.0 4.0 20.0 18.0 20.0
andang 45.0 wanita Sarjana 4.0 4.0 4.0 4.0 3.0 5.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 4.0 19.0 20.0 20.0
ida 42.0 wanita Akademi 4.0 5.0 4.0 4.0 4.0 3.0 5.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 21.0 20.0 20.0
bowo 40.0 pria Akademi 4.0 4.0 5.0 4.0 4.0 3.0 4.0 5.0 4.0 3.0 5.0 4.0 4.0 4.0 5.0 21.0 19.0 22.0
eko 45.0 pria SMU 4.0 5.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 5.0 5.0 5.0 5.0 4.0 21.0 19.0 24.0
joyo 45.0 pria SMU 4.0 5.0 4.0 3.0 3.0 3.0 5.0 4.0 3.0 3.0 4.0 4.0 4.0 4.0 4.0 19.0 18.0 20.0
saskia 25.0 wanita Sarjana 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 5.0 5.0 19.0 19.0 22.0
ratih 26.0 wanita Akademi 5.0 5.0 4.0 4.0 4.0 5.0 5.0 4.0 4.0 4.0 5.0 5.0 4.0 4.0 4.0 22.0 22.0 22.0
harti 28.0 wanita SMU 4.0 4.0 4.0 3.0 3.0 5.0 4.0 4.0 3.0 3.0 4.0 4.0 4.0 4.0 3.0 18.0 19.0 19.0
ika 19.0 pria SMU 4.0 4.0 4.0 3.0 3.0 4.0 3.0 4.0 3.0 3.0 3.0 4.0 4.0 4.0 3.0 18.0 17.0 18.0
koko 21.0 pria Akademi 4.0 4.0 3.0 4.0 4.0 3.0 4.0 3.0 4.0 4.0 4.0 4.0 3.0 3.0 3.0 19.0 18.0 17.0
indah 29.0 wanita Sarjana 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 3.0 4.0 3.0 4.0 4.0 4.0 3.0 19.0 19.0 18.0
vivi 38.0 wanita Sarjana 4.0 5.0 4.0 5.0 4.0 4.0 5.0 4.0 5.0 3.0 4.0 4.0 4.0 4.0 4.0 22.0 21.0 20.0
toni 42.0 pria Sarjana 4.0 4.0 4.0 4.0 4.0 5.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 3.0 20.0 21.0 18.0
hardi 44.0 pria Sarjana 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 4.0 3.0 4.0 4.0 4.0 3.0 3.0 20.0 20.0 18.0
mita 52.0 wanita Akademi 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 4.0 4.0 4.0 4.0 4.0 4.0 20.0 21.0 20.0
wardah 50.0 wanita Akademi 4.0 3.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 5.0 5.0 4.0 4.0 4.0 19.0 19.0 22.0
adi 19.0 pria SMU 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 5.0 3.0 4.0 4.0 4.0 4.0 4.0 20.0 21.0 20.0
neneng 20.0 wanita SMU 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 3.0 20.0 20.0 18.0
enik 23.0 wanita Akademi 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 3.0 4.0 4.0 4.0 4.0 4.0 20.0 20.0 20.0
mia 22.0 wanita SMU 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 20.0 20.0 20.0
susilo 27.0 pria Sarjana 5.0 5.0 5.0 5.0 4.0 4.0 4.0 3.0 5.0 4.0 5.0 5.0 5.0 5.0 5.0 24.0 20.0 25.0

3
Kita akan mencoba melihat uji multikolinieritas pada soal regresi berganda
diatas. Adapun langkah-langkah menganalisisnya adalah sebagai
berikut :
1) pilih menu Analyze, sub menu Regression, lalu klik Linier
2) pada kotak dependent isikan variabel Y (TotY/kepuasan konsumen)
3) pada kotak independent isikan variabel fasilitas (TotX1) dan
pelayanan (TotX2)
4) pada kotak method isikan enter
5) klik statistics, akan muncul windows linier regression statistics
6) klik Estimates, Covariance matrix, Model fit, Colinearity diagnostic
lalu continue
7) klik Oke

Gambar 1. Linier regression

Gambar 2. Linier Regressio : Statistic

4
Hasil Dan Analisis
Untuk melihat apakah data yang kita olah terjadi multikolinieritas atau
tidak, maka kita bisa menganalisis melalui tabel coefficients pada
kolom Collinearity Statistics yang VIF

a
Coefficients
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 5.787 6.013 .962 .346
TotX1 .849 .307 .606 2.768 .011 .651 1.536
TotX2 -.141 .363 -.085 -.389 .701 .651 1.536
a. Dependent Variable: TotY

Berdasarkan nilai VIF pada tabel diatas diketahui sebesar 1,536 yang
berarti < 10 dengan demikian dapat disimpulkan tidak terjadi
multikolinieritas.

2. Uji Heterokedastisitas
Heterokedastisitas menunjukkan bahwa varians variabel tidak sama untuk
semua pengamatan. Jika varians dari residual satu pengamatan ke
pengamatan yang lain tetap, maka disebut homokedastisitas. Model
regresi yang baik adalah yang homokedastisitas atau tidak terjadi
heterokedastisitas.
Salah satu cara untuk melihat adanya problem heterokedastisitas adalah
dengan melihat grafik plot antara nilai prediksi variabel terikat (ZPRED)
dengan residualnya (SRESID). Cara menganalisisnya :
1) Dengan melihat apakah titik-titik memiliki pola tertentu yang teratur
seperti bergelombang, melebar kemudian menyempit, jika terjadi
maka mengindikasikan terdapat heterokedastisitas
2) Jika tidak terdapat pola tertentu yang jelas, serta titik-titik menyebar
diatas dan dibawah angka 10 pada sumbu Y maka mengindikasikan
tidak terjadi heterokedastisitas.

Ada beberapa cara untuk mendeteksi ada atau tidaknya


heteroskedastisitas :
a) Melihat grafik plot antara nilai prediksi variable terikat
(dependen) yaitu ZPRED dengan residualnya SRESID.
Deteksi ada atau tidaknya heteroskedastisitas dapat
dilakukan dengan melihat ada tidaknya pola tertentu pada
5
grafik scatterplot antara SRESID dan ZPRED dimana sumbu
Y adalah Y yang telah diprediksi, sumbu X adalah residual (Y
prediksi Y sesungguhnya) yang telah di-studentized.
Dasar analisis :
a) Jika ada pola tertentu, seperti titik-titik yang ada membentuk
pola tertentu yang teratur (bergelombang melebar kemudian
menyempit), maka mengindikasikan telah terjadi
heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas
dan di bawah angka 0 pad sumbu Y, maka tidak terjadi
heteroskedastisitas.

6
Contoh Kasus :
UJI REGRESI
PENGARUH FASILITAS (X1) DAN LAYANAN (X2) TERHADAP KEPUASAN KONSUMEN

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Tot Tot Tot
nama umur jekel didik X1 X2 Y X1 X2 X3
X11 X12 X13 X14 X15 X21 X22 X23 X24 X25 Y1 Y2 Y3 Y4 Y5
budi 30.0 pria SMU 4.0 4.0 4.0 4.0 4.0 3.0 4.0 3.0 4.0 4.0 3.0 4.0 3.0 3.0 3.0 20.0 18.0 16.0
andang 22.0 pria Akademi 3.0 3.0 4.0 4.0 4.0 4.0 4.0 4.0 3.0 3.0 3.0 4.0 4.0 4.0 4.0 18.0 18.0 19.0
jono 25.0 pria Sarjana 3.0 3.0 3.0 4.0 4.0 4.0 3.0 3.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 17.0 18.0 19.0
santi 37.0 wanita Sarjana 4.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 4.0 4.0 20.0 18.0 20.0
andang 45.0 wanita Sarjana 4.0 4.0 4.0 4.0 3.0 5.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 4.0 19.0 20.0 20.0
ida 42.0 wanita Akademi 4.0 5.0 4.0 4.0 4.0 3.0 5.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 21.0 20.0 20.0
bowo 40.0 pria Akademi 4.0 4.0 5.0 4.0 4.0 3.0 4.0 5.0 4.0 3.0 5.0 4.0 4.0 4.0 5.0 21.0 19.0 22.0
eko 45.0 pria SMU 4.0 5.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 5.0 5.0 5.0 5.0 4.0 21.0 19.0 24.0
joyo 45.0 pria SMU 4.0 5.0 4.0 3.0 3.0 3.0 5.0 4.0 3.0 3.0 4.0 4.0 4.0 4.0 4.0 19.0 18.0 20.0
saskia 25.0 wanita Sarjana 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 5.0 5.0 19.0 19.0 22.0
ratih 26.0 wanita Akademi 5.0 5.0 4.0 4.0 4.0 5.0 5.0 4.0 4.0 4.0 5.0 5.0 4.0 4.0 4.0 22.0 22.0 22.0
harti 28.0 wanita SMU 4.0 4.0 4.0 3.0 3.0 5.0 4.0 4.0 3.0 3.0 4.0 4.0 4.0 4.0 3.0 18.0 19.0 19.0
ika 19.0 pria SMU 4.0 4.0 4.0 3.0 3.0 4.0 3.0 4.0 3.0 3.0 3.0 4.0 4.0 4.0 3.0 18.0 17.0 18.0
koko 21.0 pria Akademi 4.0 4.0 3.0 4.0 4.0 3.0 4.0 3.0 4.0 4.0 4.0 4.0 3.0 3.0 3.0 19.0 18.0 17.0
indah 29.0 wanita Sarjana 4.0 4.0 4.0 3.0 4.0 4.0 4.0 4.0 3.0 4.0 3.0 4.0 4.0 4.0 3.0 19.0 19.0 18.0
vivi 38.0 wanita Sarjana 4.0 5.0 4.0 5.0 4.0 4.0 5.0 4.0 5.0 3.0 4.0 4.0 4.0 4.0 4.0 22.0 21.0 20.0
toni 42.0 pria Sarjana 4.0 4.0 4.0 4.0 4.0 5.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 3.0 20.0 21.0 18.0
hardi 44.0 pria Sarjana 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 4.0 3.0 4.0 4.0 4.0 3.0 3.0 20.0 20.0 18.0
mita 52.0 wanita Akademi 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 4.0 4.0 4.0 4.0 4.0 4.0 20.0 21.0 20.0
wardah 50.0 wanita Akademi 4.0 3.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 5.0 5.0 4.0 4.0 4.0 19.0 19.0 22.0
adi 19.0 pria SMU 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 5.0 3.0 4.0 4.0 4.0 4.0 4.0 20.0 21.0 20.0
neneng 20.0 wanita SMU 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 3.0 4.0 4.0 4.0 3.0 20.0 20.0 18.0
enik 23.0 wanita Akademi 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 3.0 4.0 4.0 4.0 4.0 4.0 20.0 20.0 20.0
mia 22.0 wanita SMU 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 20.0 20.0 20.0
susilo 27.0 pria Sarjana 5.0 5.0 5.0 5.0 4.0 4.0 4.0 3.0 5.0 4.0 5.0 5.0 5.0 5.0 5.0 24.0 20.0 25.0

7
Tahapan pengujian heterokedastisitas adalah :
1) Pilih menu analyze, sub menu regressioan, lalu klik linier
2) pada kota dependent isikan variabel Y (TotY/kepuasan konsumen)
3) pada kotak independent isikan variabel fasilitas (TotX1) dan pelayanan
(TotX2)
4) pada kotak method isikan enter
5) pilih plot, akan muncul windows linear regression statistics
6) isikan SRESID pada Y dan ZPRED pada X lalu continue
7) klik Oke

Gambar 3. Linier Regression : Plots

Hasil dan pembahasan

8
Dengan melihat sebaran titik-titik yang acak baik diatas maupun dibawah
angka 0 dari sumbu Y dapat disimpulkan tidak terjadi heterokedastisitas
pada model regresi ini.

3. Uji Normalitas Data


Uji normalitas data digunakan untuk melihat apakah varibel bebas yang
digunakan memiliki keterkaitan dengan variabel terikat. Model regresi yang
baik yaitu memiliki normalitas data, dimana untuk mendeteksi apakah data
tersebut normal atau tidak maka kita melihat pada kurva normalitas data.
Apabila titik-titik pada kurva membentuk pola tertentu mengikuti garis
diagonal dan menggerombol, maka data tersebut dikatakan normal.

Kriteria Uji Normalitas :


Ada beberapa cara untuk mendeteksi apakah residual berdistribusi normal
atau tidak antara lain dengan analisis grafik.
a. Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah
dengan melihat grafik histogram yang membandingkan antara data
observasi dengan distribusi yang mendekati distribusi normal. Namun
demikian hanya dengan melihat histogram hal ini dapat menyesatkan
khususnya untuk jumlah sampel yang kecil. Metode yang lebih andal
adalah dengan melihat norma probability plot yang membandingkan
distribusi kumulatif dari distribusi normal. Distribusi normal akan
membentuk satu garis lurus diagonal, dan ploting data residual akan
dibandingkan dengan garis diagonal. Jika distribusi normal, maka garis
yang menggambarkan data sesungguhnya akan mengikuti garis
diagonalnya.

Langkah-langkah untuk mengolah uji normalitas data dengan


analisis grafik :
1. Pilih analyze, klik regression, klik linier
2. Pada kotak dependent isikan TotY (kepuasan konsumen)
3. Pada kotak independent isikan TotX1 (fasilitas) dan Tot X2
(pelayanan)
4. Klik plots lalu akan muncul linear regression plots
5. Pilih normal probability plot
6. Klik continue
7. Klik Oke

9
Gambar 5. Linier Regression

Gambar 6. Linier Regression : Plots

Hasil dan Pembahasan

10
10
Dengan melihat sebaran titik-titik yang membentuk pola tertentu dan
mengikuti garis diagonal maka dapat disimpulkan bahwa data normal
pada model regresi ini.

One-Sample Kolmogorov-Smirnov Test


Uji K-S dilakukan dengan membuat Hipotesis
H0: Data residual berdistribusi normal
HA: Data residual tidak berdistribusi normal

Regresi Linier Sederhana


Regresi linier sederhana didasarkan pada hubungan fungsional ataupun kausal
satu independen dengan satu variabel independen dengan satu varibel
dependen. Persamaan umum regresi linier sederhama adalah :

= a + bX

Dimana :

= subyek dalam variabel dependen yang diprediksikan


A = harga Y ketika harga X = 0 (harga konstan)
B = angka arah atau koefisien regresi, yang menunjukkan angka peningkatan
ataupun penurunan, variabel dependen yang didasarkan pada perubahan
variabel independen. Bila (+) arah garis naik dan bila negative maka arah
garis turun.
X = subyek pada variabel independen yang mempunya nilai tertenty.
11
11
Regresi Linier Berganda
Regresi linier berganda merupakan salah satu kelompok dari analisis regresi
yang bertujuan untuk menganalisis besarnya pengaruh variabel bebas terhadap
variabel terikat dimana variabel bebasnya berjumlah lebih dari satu.

Analisis linier berganda digunakan oleh peneliti, bila peneliti bermaksud


meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium)
, bila dua atau lebih variabel independen sebgai faktor independen dimanipulasi
(dinaik turunkan nilainya). Jadi analisis regresi ganda akan dilakkan bila jumlah
variabel independennya minimal 2. Regresi linier berganda digunakan untuk
menguji pengaruh lebih dari satu independent variable terhadap dependent
variable.

Persamaan regresi untuk dua independen adalah :

= a + b1X1 + b2X2

Persamaan regresi untuk tiga independen adalah :

= a + b1X1 + b2X2 + b3X3

Persamaan regresi untuk n independen adalah :

= a + b1X1 + b2X2 + ... + bnXn

Keterangan :
Y = Variabel terikat (dependen)
a = Konstanta
b1,2,3,n = Koefisien variabel bebas
X1,2,3,n = Variabel bebas (independen)

Contoh Kasus :

Kode
No Responden 1 2 3 4 5 6 7 8 9 10 11 12
1 R-01 3 3 2 3 3 3 3 2 3 3 4 3
2 R-02 4 4 3 4 4 3 3 4 3 3 4 3
3 R-03 4 3 3 4 3 3 3 4 3 4 4 3
4 R-04 4 3 3 3 4 4 3 4 3 3 3 4

12
12
5 R-05 3 2 3 2 3 2 3 3 3 3 3 2
6 R-06 3 3 3 3 3 3 2 3 3 2 2 4
7 R-07 3 4 4 4 3 4 3 4 4 3 4 3
8 R-08 4 4 4 4 4 4 4 3 4 4 3 3
9 R-09 3 3 3 3 4 3 3 3 3 4 3 2
10 R-10 3 2 3 1 2 3 3 4 4 4 3 3
11 R-11 2 3 3 3 3 2 2 3 3 3 3 2
12 R-12 3 4 3 3 4 4 3 3 2 3 4 3
13 R-13 3 4 4 3 4 3 4 4 2 4 4 3
14 R-14 3 4 3 3 4 4 3 4 3 3 4 4
15 R-15 3 4 3 3 4 3 4 3 4 4 4 4
16 R-16 4 3 4 3 3 3 4 2 3 4 4 3
17 R-17 4 4 4 3 4 4 3 3 4 3 4 4
18 R-18 4 3 4 4 3 4 4 4 3 4 3 3
19 R-19 4 3 3 3 4 3 3 3 4 3 2 4
20 R-20 4 3 2 4 3 4 4 4 3 4 3 2
21 R-21 3 4 3 3 2 4 3 3 2 4 4 3
22 R-22 4 3 2 3 3 3 3 4 3 3 3 3
23 R-23 3 4 3 4 3 4 3 3 3 4 3 3
24 R-24 4 3 4 4 2 3 4 4 4 3 4 3
25 R-25 3 4 3 3 3 4 3 2 3 4 3 4
26 R-26 4 3 4 4 4 3 2 3 3 3 4 3
27 R-27 3 4 3 4 3 4 3 4 3 4 4 3
28 R-28 4 3 4 3 4 3 4 3 4 3 4 3
29 R-29 3 4 3 4 4 4 3 4 3 4 3 3
30 R-30 4 3 4 3 3 3 4 3 4 2 4 4
Tabel 3. Data Pelatihan , Pengembangan Sumber Daya Manusia dan Kinerja
Pegawai Sipil Di Dinas Koperasi Dan UMKM Provinsi Jawa Tengah

Pelatihan (X1) : item 1 s/d 4


Pengembangan SDM (X2) : item 5 s/d 8
Kinerja (Y) : item 9 s/d 14

Pertanyaan :
1. Bagaimana pengaruh pelatihan dan pengembangan SDM terhadap
kinerja (secara parsial maupun simultan)?
2. Variabel apakah yang paling besar pengaruhnya?
3. Berapa persen kedua variabel tersebut berpengaruh terhadap hasil kerja?

Jawab :

13
13
Untuk menjawab pertanyaan-pertanyaan yang ada diatas, berikut ini
langkah langkah yang perlu dilakukan :
1. Pertama kita harus memasukkan data kedalam spss terlebih dahulu
2. Menghitung totX1, totX2, dan totY dengan cara seperti yang diatas.
3. Setelah itu kita mulai menganalisis data dan menginterpretasikan hasil
yang diperoleh dengan cara:

a. Soal 1) pengaruh pelatihan dan pengembangan SDM terhadap kinerja


pegawai (secara parsial maupun simultan)
i. Pilih analyze Regression linear
ii. Pada kotak dependent kita input TotY
iii. Pada kotak independent kita input TotX1
dan TotX2
iv. Kita klik Ok

Interpretasi Uji Parsial


Ketika kita akan menginterpretasikan uji parsial, maka tabel yang
harus kita lihat yaitu pada tabel Coefficients pada kolom t pada baris
TotX1 dan TotX2

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 7.915 1.950 4.058 .000
totx1 .246 .151 .341 1.631 .115
totx2 .152 .169 .188 .901 .376
a. Dependent Variable: toty

Interpretasi Variabel Pelatihan (X1)


terhadap Kinerja Pegawai (Y)
Penentuan Hipotesis
H0 : Tidak ada pengaruh pelatihan terhadap kinerja pegawai
Ha : Ada pengaruh pelatihan terhadap kinerja pegawai

Statistik tabel
df = n - 1 ; n = jumlah sampel

14
14
= 30 1 = 29
= 5 % = 0,05
kita lihat pada t-tabel untuk df 29 dengan signifikansi alpha 5
% yakni senilai 2,045
Statistik Hitung
t hitung = 1,631
Sig hitung = 0,115

Kesimpulan
Kita bandingkan antara statistik tabel dan statistik hitung untuk
menarik kesimpulan :
t-hitung < t-tabel
sig hitung> sig tabel
jadi H0 diterima dan Ha ditolak, maka dapat disimpulkan
bahwa tidak ada pengaruh pelatihan terhadap kinerja pegawai

Hasil Interpretasi diatas dapat digambarkan dalam kurva


berikut ini :

Kurva 1. Pengaruh pelatihan terhadap kinerja pegawai

Interpretasi Variabel Pengembangan


SDM (X2) terhadap Kinerja Pegawai (Y)
Penentuan Hipotesis
H0 : Tidak ada pengaruh pengembangan SDM terhadap
kinerja pegawai
Ha : Ada pengaruh pengembangan SDM terhadap kinerja
pegawai
Statistik tabel
df = n - 1 ; n = jumlah sampel
= 30 1 = 29

15
15
= 5 % = 0,05
kita lihat pada t-tabel untuk df 29 dengan signifikansi alpha 5
% yakni senilai 2,045
Statistik Hitung
t hitung = 0,901
Sig hitung = 0,376
Kesimpulan
Kita bandingkan antara statistik tabel dan statistik hitung untuk
menarik kesimpulan :
t-hitung < t-tabel
sig hitung> sig tabel
jadi H0 diterima dan Ha ditolak, maka dapat disimpulkan
bahwa tidak ada pengaruh pengembangan SDM terhadap
kinerja pegawai
Hasil Interpretasi diatas dapat digambarkan dalam kurva
berkut ini :

Kurva 2. Pengaruh pengembangan SDM terhadap kinerja


pegawai.

Interpretasi Uji Simultan (Pengaruh Pelatihan Dan


Pengambangan SDM Terhadap Kinerja Pegawai)
Untuk menginterptetasi uji simultan, maka kita menggunakan uji F
pada tabel anova, seperti pada tabel output di bawah ini

ANOVAb
Sum of
Model Squares df Mean Square F Sig.

16
16
1 Regression 8.784 2 4.392 3.951 .031a
Residual 30.016 27 1.112
Total 38.800 29
a. Predictors: (Constant), totx2, totx1
b. Dependent Variable: toty

Penentuan Hipotesis
H0: Tidak ada Pengaruh Pelatihan Dan Pengambangan SDM
Terhadap Kinerja Pegawai
Ha : Ada Pengaruh Pelatihan Dan Pengambangan SDM
Terhadap Kinerja Pegawai
Statistik tabel
df1 = k ; k = jumlah variabel bebas
=2
df2 = n k 1 ; n = jumlah sampel
= 30-2-1 = 27
= 5 % = 0,05
kita lihat pada F-tabel untuk df 27 dengan signifikansi alpha 5 %
yakni senilai 3,35

Statistik Hitung
F hitung = 3,951
Sig hitung = 0,031
Kesimpulan
Kita bandingkan antara statistik tabel dan statistik hitung untuk
menarik kesimpulan :
F-hitung > F-tabel
sig hitung < sig tabel
jadi H0 ditolak dan Ha diterima, maka dapat disimpulkan
bahwa ada Pengaruh Pelatihan Dan Pengambangan SDM
secara simultan Terhadap Kinerja Pegawai
Hasil Interpretasi diatas dapat digambarkan dalam kurva berkut
ini :

17
17
Kurva 3. Pengaruh Pelatihan Dan Pengambangan SDM
Terhadap Kinerja Pegawai

b. Soal 2) Interpretasi Besarnya Pengaruh Antara Pelatihan Dan


Pengembangan SDM Terhadap Kinerja Pegawai

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constan
7.915 1.950 4.058 .000
t)
totx1 .246 .151 .341 1.631 .115
totx2 .152 .169 .188 .901 .376
a. Dependent Variable: toty

Untuk melihat variabel bebas yang mana yang memberikan kontribusi


pengaruh paling besar, maka kita melihat output pada tabel coefficient
pada kolom B. Jika kita melihat di tabel maka variabel pelatihan yang
memiliki pengaruh lebih besar terhadap kinerja pegawai jika
dibandingkan dengan variabel pengembangan SDM.

c. Soal 3) Interpretasi Besarnya Pengaruh Antara Pelatihan Dan


Pengembangan Sdm Terhadap Kinerja Pegawai

Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .476a .226 .169 1.054

18
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .476 .226 .169 1.054
a. Predictors: (Constant), totx2, totx1

Untuk melihat seberapa persen kontribusi variabel fasilitas dan


pelayanan terhadap kepuasan konsumen maka kita melihat tabel model
summary pada kolom Adjusted R square dimana nilainya sebesar 0,226
artinya bahwa pelatihan dan pengembangan SDM berpengaruh
terhadap kinerja pegawai sebesar 22,6 % dan sisanya 77,4 %
dipengaruhi oleh faktor lain yang tidak diteliti dalam penelitian ini.

PENGUJIAN HIPOTESIS PADA UJI REGRESI LINIER BERGANDA

Pada Uji Hipotesis pada uji regresi linier berganda ini terdapat dua macam
uji hipotesis yang pertama yaitu uji parsial (menguji pengaruh satu persatu
variabel bebas terhadap variabel terikat) dengan menggunakan uji t dan yang
kedua uji simultan (menguji pengaruh semua variabel bebas secara bersama-
sama terhadap variabel terikat) dengan menggunakan uji F.

Adapun langkah-langkah untuk menguji hipotesis baik secara simultan


maupun parsial adalah sebagai berikut :

1. Pilih analyze Regression linear


2. Pada kotak dependent kita input TotY
3. Pada kotak independent kita input TotX1 dan TotX2
4. Kita klik Oke

19
19
Gambar 7. Linier Regression

Setelah proses olah data selesai, maka output yang muncul berupa tabel
model summary, tabel cofficient dan tabel anova.

Contoh Kasus :

Pengaruh Modal Sendiri Dan Kredit Usaha Terhadap Pendapatan Nasabah


Pada PT BPR Gunung Rizki Semarang

No Modal Kredit Pendapatan

1 2,500,000 785,000 5,450,000

2 2,000,000 766,000 5,250,000

3 10,000,000 1,150,000 18,520,000

4 15,000,000 1,533,000 19,750,000

5 3,500,000 1,017,000 8,150,000

6 19,000,000 2,334,000 24,150,000

7 2,000,000 745,800 5,330,000

8 2,500,000 1,667,000 7,850,000

9 7,000,000 1,883,300 13,260,000

10 4,000,000 1,225,000 9,450,000

11 2,200,000 808,000 6,120,000

12 10,000,000 1,577,800 15,650,000

13 5,000,000 1,145,800 9,400,000

14 15,000,000 1,250,000 20,320,000

15 10,000,000 1,041,600 14,850,000

16 3,000,000 1,270,800 9,750,000

20
20
17 5,000,000 1,233,300 10,250,000

18 2,500,000 838,800 5,620,000

19 10,000,000 1,450,000 18,540,000

20 5,000,000 1,116,600 9,632,000

21 10,000,000 1,833,300 17,450,000

22 11,000,000 1,422,200 16,225,000

23 6,000,000 1,333,300 14,320,000

24 10,000,000 2,250,000 20,700,000

25 10,000,000 2,361,100 17,540,000

Tabel 4. Data Pengaruh Modal Sendiri Dan Kredit Usaha Terhadap Pendapatan
Nasabah Pada PT BPR Gunung Rizki Semarang

Keterangan :
Modal = X1
Kredit = X2
Pendapatan = Y

Pertanyaan:
1. Bagaimana pengaruh modal sendiri dan kredit usaha terhadap
pendapatan nasabah (secara parsial maupun simultan)?
2. Variabel apakah yang paling besar pengaruhnya?
3. Berapa persen kedua variabel tersebut berpengaruh terhadap
pendapatan?

Untuk menjawab pertanyaan-pertanyaan yang ada diatas maka kita


membuat langkah langkah seperti yang ada diatas.
1. Pertama kita harus memasukkan data kedalam spss terlebih dahulu
2. Kita tidak perlu menghitung totX1, totX2, dan totY, karena data yang
tersedia sudah merupakan hasil akhir
3. Setelah itu kita mulai menganalisis data dan menginterpretasikan hasil
yang diperoleh dengan cara:

a. soal 1) menghitung pengaruh modal sendiri dan kredit usaha terhadap


pendapatan nasabah (secara parsial maupun simultan)
i. Pilih analyze Regression linear
21
21
ii. Pada kotak dependent kita input pendapatan (Y)
iii. Pada kotak independent kita input modal(X1) dan kredit(X2)
iv. Kita klik Ok

Interpretasi Uji Parsial


Ketika kita akan menginterpretasikan uji parsial, maka tabel yang
harus kita lihat yaitu pada tabel Coefficients pada kolom t pada baris
modal dan kredit

Coefficientsa
I Standardize
n Unstandardized d
t Coefficients Coefficients
e
Model B Std. Error Beta T Sig.
r
1 (Constant) 973651.09
p 2.108E6 2.165 .041
6
r
e Modal .981 .088 .806 11.135 .000
t Kredit 2.703 .869 .225 3.111 .005
a
a. Dependent Variable: pendapatan
s
i

V
ariabel Modal Sendiri (X1) terhadap Pendapatan Nasabah (Y)
Penentuan Hipotesis
H0 : Tidak ada pengaruh modal sendiri terhadap pendapatan
nasabah
Ha : Ada pengaruh modal sendiri terhadap pendapatan
nasabah

Statistik tabel
df = n - 1 ; n = jumlah sampel
= 25 1
= 24
= 5 % = 0,05
kita lihat pada t-tabel untuk df 24 dengan signifikansi alpha 5 %
yakni senilai 2,064
Statistik Hitung
22
22
t hitung = 11,135
Sig hitung = 0,000
Kesimpulan
Kita bandingkan antara statistik tabel dan statistik hitung untuk
menarik kesimpulan :
t-hitung > t-tabel
sig hitung< sig tabel
jadi H0 ditolak dan Ha diterima, maka dapat disimpulkan
bahwa ada pengaruh modal sendiri terhadap pendapatan
nasabah

Interpretasi Variabel Kredit Usaha (X2)


terhadap Pendapatan Nasabah (Y)
Penentuan Hipotesis
H0 : Tidak ada pengaruh kredit usaha terhadap pendapatan
nasabah
Ha : Ada pengaruh kredit usaha terhadap pendapatan
nasabah

Statistik tabel
df = n - 1 ; n = jumlah sampel
= 25 1
= 24
= 5 % = 0,05
kita lihat pada t-tabel untuk df 24 dengan signifikansi alpha 5
% yakni senilai 2,064
Statistik Hitung
t hitung = 3.111
Sig hitung = 0,005
Kesimpulan

23
23
Kita bandingkan antara statistik tabel dan statistik hitung untuk
menarik kesimpulan :
t-hitung > t-tabel
sig hitung< sig tabel
jadi H0 ditolak dan Ha diterima, maka dapat disimpulkan
bahwa ada pengaruh kredit usaha terhadap pendapatan
nasabah

Interpretasi Uji Simultan (Pengaruh modal sendiri Dan kredit


usaha Terhadap pendapatan nasabah)
Untuk menginterptetasi uji simultan, maka kita menggunakan uji F
pada tabel anova, seperti pada tabel output di bawah ini

ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regressio
7.352E14 2 3.676E14 148.368 .000a
n
Residual 5.451E13 22 2.478E12
Total 7.897E14 24
a. Predictors: (Constant), kredit, modal
b. Dependent Variable: pendapatan

Penentuan Hipotesis
H0: Tidak ada Pengaruh modal sendiri Dan kredit usaha
Terhadap pendapatan nasabah
Ha : Ada Pengaruh modal sendiri Dan kredit usaha Terhadap
pendapatan nasabah
Statistik tabel
df1 = k ; k = jumlah variabel bebas
24
24
=2
df2 = n k 1 ; n = jumlah sampel
= 25-2-1
= 22
= 5 % = 0,05
kita lihat pada F-tabel untuk df 23 dengan signifikansi alpha 5 %
yakni senilai 3,44
Statistik Hitung
F hitung = 148,368
Sig hitung = 0,000
Kesimpulan
Kita bandingkan antara statistik tabel dan statistik hitung untuk
menarik kesimpulan :
F-hitung > F-tabel
sig hitung < sig tabel
jadi H0 ditolak dan Ha diterima, maka dapat disimpulkan
bahwa ada Pengaruh modal sendiri Dan kredit usaha Terhadap
pendapatan nasabah

b. Soal 2) menghitung dan Interpretasi Besarnya Pengaruh Antara Modal


Sendiri Dan Kredit Usaha Terhadap Pendapatan Nasabah

Coefficientsa

25
25
Standardize
Unstandardized d
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 973651.09
2.108E6 2.165 .041
6
Modal .981 .088 .806 11.135 .000
Kredit 2.703 .869 .225 3.111 .005
a. Dependent Variable: pendapatan

Untuk melihat variabel bebas yang mana yang memberikan


kontribusi pengaruh paling besar, maka kita melihat output pada tabel
coefficient pada kolom B. Jika kita melihat di tabel maka variabel kredit
usaha yang memiliki pengaruh lebih besar terhadap pendapatan nasabah
jika dibandingkan dengan variabel modal usaha.

c. Soal 3) menghitung dan Interpretasi Besarnya Pengaruh Antara Modal


Sendiri Dan Kredit Usaha Terhadap Pendapatan Nasabah

Model Summary
R Adjusted R Std. Error of
Model R Square Square the Estimate
1 1574012.54
.965a .931 .925
0
a. Predictors: (Constant), kredit, modal

Untuk melihat seberapa persen kontribusi variabel fasilitas dan


pelayanan terhadap kepuasan konsumen maka kita melihat tabel model
summary pada kolom Adjusted R square dimana nilainya sebesar 0,931
artinya bahwa pelatihan dan pengembangan SDM berpengaruh
terhadap kinerja pegawai sebesar 93,1 % dan sisanya 6,9 %
dipengaruhi oleh faktor lain yang tidak diteliti dalam penelitian ini.

26
26