BAB III

REGRASI LINEAR BERGANDA

Bab III ini menjelaskan arti dan manfaat analisis regrasi linear berganda
(multiple linear regression ), bentuk persamaan, koefisien korelasi berganda,
koefisien determinasi berganda, pengujian paresial dengan criteria uji tdan pengujian
menyeluruh dengan kreteria uji F, variable dumnly, multicollinearity, kepentingan
relatif predictor, analisis varian dank ovarian dengan regresi.

3.1 Arti dan Manfaat Analis Regresi Linear Berganda

Di bab I sudah dibahas mengenai analisis korelasi dan regresi linear sederhana
yang mencakup dua variable Y dan X di mana Y variable tak bebas. Variabel X
mempengaruhi Y, Y dipengaruhi X dan Y tergantung pada X. Manfaatnya untuk
mempengaruhi besarnya pengaru X terhadap Y kalau X naik satu unit atau untuk
mengetahui berapa perubahan Y kalau X naik1unit dan untuk meramalkan Y. Perlu
diketahui bahwa factor penyebab perubahan Y bukan hanya X tetapi masih banyak
factor lainnya. Kalau kita ingin memperhitungkan pengaruh lebih dari satu variabel
bebas X, kita harus menggunakan analisis korelasi dan regresi linear berganda.
Didalam praktiknya, faktor penyebab perubahan Y memang lebih dari satu,
misalnya sebagai contoh Y = hasil penjualan, yang mempengaruhi Y antara lain mutu
barang (sangat bagus = 5 dan sangat tidak bagus = 1), harga , barang, keefektifan
promosi, distribusi, daya beli beli, saningan barang impor. Y = tingkat produktivitas
karyawan, yang mempengaruhi Y misalnya upah, pengalaman kerja, keterampilan
melalui pelatihan, gaya kepemimpinan, motivasi, lingkungan kerja. Y = hasil
penjualan saham di BEJ, yang mempengaruhi harga saham, laba perusahaan
penjualan saham, harga valias, bunga deposito, daya beli masyarakat, dan lain
sebagainya.
1. Dalam variasi dalam hasil penjualan ditetangkan oleh variasi di dalam biaya
promosi, harga daya bel, distribusi?
2. Dapatkan variasi dalam pangas pasar (market share) diterangkan oleh banyaknya
tenaga penjual, biaya promosi, harga barang?
3. Apakah persepsi mutu dari pelanggan ditentukan oleh perspsi terhadap harga,
citra merek dan atribut/karakteristik merek?
4. Berapa parsen sumbangan biaya promosi, harga dan daya beli terhadap variasi
(naik turunnya) hasil penjualan?
5. Berapa persen sumbangan biaya produksi terhadap variasi hasil penjualan, kalau
harga dan daya beli dikontrol (tetap).

1
6. Berapa ramalan hasil penjualan kalau sudah diketahui biaya promosi, harga dan
daya beli?

Manfaat Analisis Regresi Linear Berganda Secara Ringkas

1. Dapat untuk mengetahui besarnya pengaruh dari setiap variabel bebas (yang
tercakup dalam persamaan) terhadap variabel tak bebas, kalau variabel tersebut
naik 1 unit, dan variabel lainnya (sisanya) tetap dengan menggunakan nilai
koefisien regresi parsial.
2. Dapat untuk meremalkan nilai variabel tak bebas Y, kalau seluruh variabel
bebasnya sudah diketahui nilainya dan semua koefisien regresi parsial sudah
dihitung.
Model regresi linear berganda, disa ditulis dengan dua cara:
1. Y = B0 + B1X1 + B2X2 + B3X3 + + BjXj + + BkXk +
Y = b0 + b1x1 + b2x2 + b3x3 + + bjxj + + bkxk + e
Ada yang (k + 1) variabel dalam persamaan
1 varibel tak bebas Y
k variabel bebas X : X1,X2 + + Xk
df = of dagrees freedom = n (k + 1)
= banyaknya observasi (elemen sampel) dikurangi banyaknya variabel
dalam persamaan.
2. Y = B1 + B2X2 + B3X3 + + BjXj + BkXk +
Y = b1 + b2x2 + b3x3 + +bjxj + bkxk + e
Ada k variabel dalam persamaan
1 variabel tak bebas Y
(k 1) variabel bebas X : X2, X3, + + Xk

= epsilon = kesalahan penggangu (disturbances error) yaritu kesalahan yang

terjadi pada perkiraan/ramalan nilai Y disebabkan oleh karena masi factor ada fakror
lain yang mempengaruhi Y akan tetapi tidak diperhitungkan (ridak dimasukan dalam
persamaan) huruf b dan e perkiraan B dan .
Didalam buku ini dipergunakan model (i)

= b0 + b1X1 + b1X2 + b3X3 + + bjXj + + bkXk

= Y topi = perkiraan/ramalan Y, kalau X1 samnganpai dengan Xk sudah
diketahui nilainya.

bj = koefisien regresi parsial, untuk mengukur besarnya perubahan nilai Y kalau Xj

naik satu unit dan nilai X lainya tetap (bj juga disebut besarnya pengaruh Xj
terhadap Y kalau Xj naik 1 unit).

2
Contoh
Misalnya Y = jumlah penjualan permainan anak-anak (ribuan unit)
X1 = banyaknya pengecer (ribuan orang)
X2 = ada tidaknya agen penjualan (ada = 1, tidak = 0)
X3 = jumlah murid sekolah dasar (1000 orang)
Setelah diolah dengan komputer, bisa dibuat persamaan berikut.
Y = 102,18 + 0,387 X1 + 115,20 + 56,73 X3
Kalau X1 naik satu unit (1000), Y naik (1000) yaitu naik 387 buah. Adanya 1 agen,
bisa terjual 115,20 unit (kalau X2 = 1) dan kalau X3 naik 1 unit, penjualan naik 6,73
unit yaitu 6730 buah.
b1, b2, b3, , bj, , bk sebagai perkiraan B1, B2, B3, , Bj, , Bk diperoleh dengan
menggunakan metode kuadrat terkecil (least square method) yaitu perkiraan yang
membuat jumlah kuadrat error = e12 = (Yi 1)2 = minimum. Proses perkiraatn
ini juga membut korelasi antara Y dan maksimum.

Berapa Istilah Stakistik dalam Regrasi Berganda

Semua istilah (terminilogi) dalam regresi linear sederhana juga berlaku dalam
regresi linear berganda. R = R2 = koefisien korelasi berganda, mengukur kuatnya
hubungan beberapa variabel bebas X dan Y.

R2 = koefisien determinasi bergda = (b1 x1y + b2 x2y)/y2 untuk persamaan = b0 +

b1X1 + b2X2, artinya R2 menunjukan besarnya sumbangan X1 dan X2 terhadap variasi
Y. 2 = R2 yang sudah disesuaikan dengan banyaknya variabel bebas k dan n =
banyaknya observasi sampel.

Tabel Analisis Varian untuk Regresi (Y, X1, X2)

Sumber variasi df SS MS = SS/df

Regresi (X1, X2) k (b1x1 + b2 x2y)

Error n (k + 1) ei2
Jumlah n1 yi2

Di mana yi2 = (Yi - Y )2, xiy = (Xi - X 1)(Yi - Y ), x2y = (Xi2 - X 2)

3
(Yi - Y )2
Jadi yi2 = b1 x1y + b2 x2y + ei2

SSy = SSreg + SSe

R2 = SSreg/SSy = (SSy Sse)/SSy
= 1 - SSe /SSy

/( 1)
R =1
/( 1)
2
=R yang sudah disesuaikan dengan degrees of freedom
R2 yang bisa dipergunakan untuk membandingkan dua regresi berganda
dengan Y yang sama akan tetapi banyaknya variabel bebas tidak sama. Kalau ada dua
persamaan regresi linear berganda 1 dan 2, di mana persamaan yang satu dengan
n = 15, variabel bebas = 5 sedangkan persamaan kedua dengan n = 10 dan variabel
bebas = 3, persamaan yang tepat untuk meramalkan Y ialah persamaan dengan R 2
(R2 adjusted) yang lebih besar, sebab R2 (koefisien determinasi berganda)
dipergunakan sebagai uji ketepatan fungsi (goodness of fit test), makin nilainya
(mendekati 1) makin bagus untuk meramalkan.

Kreteria uji F untuk menguji Ho : B1 = B2 ==Bk = 0 dengan Ha : Bj 0.

(Semua variabel bebas tak ada yang mempengaruhi Y dengan kreteria uji F (F test)
juga untuk menguji bahwa R2 = 0. F mempunyai df : V1 = k dengan V2 = k dengan
V2 = n (k + 1) = n k 1.Uji t, untuk menguji parsial, yaitu:
Ho :Bj = 0 (Xj tak mempengaruhi Y)
Ha :Bj 0 (Xj mempengaruhi Y)
Uji t juga sama dengan uji F, sebab t2 = F dengan df : 1 dan V2 = n (k + 1). B1 =
Koefisien regresi untuk mengykur besarnya pengaruh X1 terhadap Y kalau X1 naik 1
unit dan variabel X lainnya tetap.

3.2 Melakukan Analisis Regresi Berganda

Prosedurnya sama dengan melakukan analisis regresi linear sederhana, sebab

bedanya terletak pada banyaknya variabel bebas X, yaitu lebih dari satu, yang akan
dibahas meliputi koefisien regresi parsial, kuatnya hubungan, uji signifikasi secara
parsial maupun menyeluruh, serta error atau residual.

Koefisien Regresi Parsial

Untuk mempermudah pembahasan koefisien regresi parsial, misalnya ada dua

variabel bebas X yaitu X1 dan X2. Persamaan regresi berganda = bo + b1X1 + b2X2
sedangkan koefisien regresi sederhana = bo + Bx atau a + bX di mana X = X1.
Setelah dihitung berdasarkan data empiris nilai b b1. B = koefisien regresi linear

4
sederhana, sedangkan b1 = koefisien regresi parsial. Di dalam persamaan regresi
berganda, pada umumnya X1 dan X2 berkorelasi. Di dalam persamaan regresi
sederhana X2 tidak diperhitungkan, jadi variasi dari Y yang sebenarnya disumbang
oleh variasi X1 dan X2, hanya variasi dari X1 yang diperhitungkan. Di dalam regresi
berganda sumbangan variasi dari X2 juga harus dipertimbangkan.

Interpretasi b1 dan b2 sebagai koefisien regresi parsial. b1 = koefisien regresi

parsial, untuk mengukur besarnya perubahan Y yang diharapkan (expected change in
Y). Kalau X1 naik 1 unit dan X2 tetap, seharusnya ditulis b1 = 0.12. Angka 0, 1, 2
mewakili variabel Y, X1 dan X2, b2 = b02.11 = koefisien regrasi parsial. Untuktuk
mengukur besarnya perubahan Y yang diharapkan, kalau Xj naik 1 unit, X1, X2, ,
Xj-1, , Xk tetap. Misalnyaa k =5.

= bo + b1X1 + b2X2 + b3X3 b4X4 + b5X5.

bo = kalau X1 = X2 = = Xk = 0 (semua nilai variabel sebanyak k nilai nol)

b3 = b03.1245 = besarnya perubahan nilai Y yang diharapkan, kalu X3 naik dan

X1,X3, X4, X5 tetap dan.
b5 = b05.1234 = besarnya perubahan nilai Y yang diharapkan, kalau X5 naik 1 unit
X1, X2, X3, X4 tetap.

Di dalam persamaan = bo b1X1 + b2X2, efek ( pengaruh gabungan dari X1

dan X2 bersifat penjumlahan (additive), artinya kalau X1 dan X2 masing masing
naik 1 unut, perubahan nilai dari Y yang diharapkan sebesar (b1 + b2).

Secara konseptual, hubungan antara rengresi linear sederhana dengan

koefisien regresi parsial dapat dituliskan sebagai berikut.

Misalnya kita ingin mehilangkan pengaruh X2 dari X1, kita bisa membuat
regresi sederhana dari X1 terhadap X2, dengan perkataan lain dibuat persamaan X1 = a
+ bX2 di mana X1 sebagain variabel tak bebas, sedangkan X2 sebagai variabel bebas,
kita hitung selisinya, misalnya X2 = X1 1, maka nilai b1 sebagai koefisien rgresi
sederhana, dari persamaan = a + bX1, setelah X1 sudah bebas dari pengaruh X2.

Dengan perkataan lain, koefisien regresi parsial, sama dengan koefisien

regresi b antara Ydan sisa (residual) dari X1 di mana pengaruh dari X2 sudah
dihilangkan. Koefisien regrasi parsial b2, bisa juga diinterpretasikan separti b1
tersebut, yaitu sama dengan koefisien regresi b antara Y dan sisa dari X2 setelah
pengaruh X1 sudah dihilangkan.

Perluasan untuk kasus dengan variabel bebas X sebanyak K sama saja, yaitu
dengan menghilangkan pengaruh dari beberapa variabel lainnya.Koefisien regresi

5
parsial, b1 mengukur perubahan Y yangdiharapkan ketika X1 berubah 1 unut dan X2
sampai dengan X2 tetap (tidak berubah). Kalau dutulis menjadi sebagai berikut.

b1 = b01.23 k. kalau = bo + b1X1 + b2X2 + +bkXk. Bisa juga diin-terpretasikan

sebagai koefisien regresi linear sederhana b, untuk regresi Y pada sisa X1 setelah
pengaruh dari X2 sampai dengan Xk telah dihilangkan dari X1.

Koefisien beta, merupakan koefisien regresi parsial yang diperoleh kalau

semua variabel (Y, X1, X2, , Xk) telah dibuat standar (baku) sehingga mempunyai
rata-rata nol dan standar deviasi satu. Sebelum membuat persamaan regrasi linear
berganda tersebut. Hubungan koefisien regresi yang baku dan tidak baku sama seperti
sebelumnya yaitu:

B1 = b1 (Sx1/Sy)
.
.
.
B2 = b2 (Sx2/Sy)
.
.
.
Bj = bj (Sk1/Sy)
.
.
.
Bk = bk (Skk/Sy) di mana YN = ( Y Y )/Sy
XjN = (Xji X )
S = baku atau standar
Sy = standar deviasi Y, Sxj = standar X1
J = 1, 2, , k (sebab ada variabel X)

Titik potong (intercept) dan koefisien regresi parsial diperkirakan dangan

menggunakan lest square method, yaitu suatu metode untuk memperkirakan bo, b1,
b2, , bj, , bk sebagaai perkiraan Bo, B1, B2, , Bj, , Bk, sedemikian rupa
sehingga jumlah kesalahan kuadrat ei2 = (Yi 1)2 = minimum. Secara teknis
dilakukan penurunan pertama ei2, secara parsial (partial derivative) terhadap bo
sampai dengan bj kemuduan kompeter seperti SPSS 10, (Statistical Program of
Social Sceinces). Harus diperhatikan syratnya, bahwa agar bisa diperoleh nilai
perkiraan, banyaknya data (n = banyaknya elemen sampel) harus lebih banyak dari
variabel tak bebas X dalam persamaan, yaitu n > k, kalau tidak perkiraan tidak bisa
dipeoleh. Kedua, variabel X misalnya X1 danX2 harus tidak berkorelasi secaraa

6
sempurna,dengan koefisien korelasi sebesar 1 (satu). Kalau terjadi multicollinearitiy
yang sempurna, perkiraan juga tak bisaa diperoleh.

Dengan menggunakan data berikut dan diolah dengan computer

X1 = lamanya waktu tinggal di kota K
X2 = tingkat kepentingan cuaca/udara (importance of weather) di kota K (Sangat
tidak penting = 1 sampai sangat penting = 11)
Y = Sikap/perasaan senang terhadap kota K (1 = sangat tidak senang sampai
dangan 11 = sangat senang)
Dari 12 orang responden sebagai sampel acak yang diteliti, diperoleh, data sebagai
Berikut.
Y X1 X2
6 10 3
9 12 11
8 12 4
3 4 1
10 12 11
4 6 1
5 8 7
2 2 4
11 18 8
9 9 10
10 17 8
2 2 5

Bisa disusun table analisis varian, seperti di bawah ini (berdasarkan print out
computer).

Tabel Analisis Varian (Anova)

Sumber Variasi df SS MS = SS/df Fo Sing F

Regresi (X1, X2) 2 114,26426 57,13213 79,2934 0,000
Residu/error 9 6,65241 0,73916
Jumlah 11 120,91666

R = 0,97250 SS = Asum of squares (jumlah kuadrad)

R2 = 0,94498 MS = Mean of squares (rata-rata kuadrat)

7
R 2 = 0,93276 df = Degrees of Freedom
Se = 0,85974

Variabel Koefisien Standard error Beta to Sing. t

(b) error (b) (b) () (p)
Kostanta 0,33732 0,56736 0,595 0,5668
X2 0,28865 0,08608 0,31382 3,353 0,0085
X1 0,48108 0,05736 0,76363 8,160 0,0000

Dari table analisis varian di atas disusun persmaan regresi linear berganda, dengan
perkiraan koefisien regresi parsial, nilainya bisa dilihat di bawah kolom koefisien
(b).

= 0,33732 + 0,48108X1 + 0,28865X2

to (8,160) (3,353)

Pengujian Hipotesis Secara Parsial

1. Ho : B1 = 0 (X1 tak mempengaruhi Y)

Ha : B1 0 (X1 mempengaruhi Y)
2. to = b1/Sh1 = 8,160
3. Dari tabel t, = 0,05, df. 1 = 2, V2 = 9, /2 = 0,05/2 = 0,025
t0,025(9) = 2,262
4. Kesimpulan: karena to = 8.160 > to = t0,025(9) = 2,262
Maka Ho ditolak arinanya ada pengaruh X1 terhadap Y
Catatan: Kalau nilai signifikan t = p , maka Ho ditolak, kalau p > Ho
diterima
Oleh karena p = 0,0000 < 0,05/2 = maka Ho ditolak, jadi ada pengaruh X1 Y.
Lama tidaknya tingnya di kota K mempengaruhi rasa senang tinggal di kota K.
1. Ho : B2 = 0 (X2 tak mempengaruhi Y)
Ha : B2 0 (X2 mempengaruhi Y)
2. to = b2/Sh2 = 3,353
3. Dari tabel t t0,025(9) = 2,262
4. Kesimpulan: karena to = 3,353 > t0,025(9) = 2,262
maka Ho ditolak, berarti X2 mempengaruhi Y atau karena p = 0,0085 < =
0,025 maka Ho ditolak.

8
Catatan (1)
Sign. t = p = Prob [t to]
/2 = prob [t ta/2

Catatan (2)
Kalau Ho diterima, Xj dikeluarkan dari persaman sebab Xj tak mempengaruhi
Y (Xj bisa X2 untuk j = 1 atau 2)

Pengujian Menyeluruh

1. Ho : B1 = B2 = 0 (X1 dan X2 tak mempengaruhi Y)

Ha : Bj 0 (Paling tidak ada satu, X1 atau X2 dan X1 dan X2 yang
mempengaruhi Y)
2. Fo = MSreg/MSe = 57,13213/0,73916 = 77,29
3. Dari tabel F, untuk = 0,05, V1 = 2, V2 = 9
F0,05(2,9) = 4,26
4. Kesimpulan: karena Fo = 77,29 > F0,05(2.9) ditolak, paling sedikit ada satu
variabel, X1 atau X2 atau keduanya mempengaruhi Y.

Catatan:
Kalau Ho diterima, persamaan regresi berganda = bo + b1X1 + b2X2 tidak boleh
untuk meramalkan, kalau X1 dan X2 sudah diketahui nilainya.
Di dalam contoh soal di atas, oleh karena Ho ditolak maka persamaan boleh untuk
meremalkan Y.
Misalnya kalau X1 = 10 dan X2 = 10
= 0,33732 + 0,48108 X2 + 0,28865X2
= 0,33732 + 4,8108 + 2,8865
= 8,0346 = 8
Catatan : Sign. F = p = Prob [F Fo], Prob = probability
= Prob [F Fa]
Perhatian:
Oleh karena di dalam print out computer nilai signifikan t dan F sudah dihitung, kita
tidak perlu melihat nilai tabel t dan F, cukup membandingkan nilai p Kalaau p
, Ho ditolak tetapi kalau p > , Ho diterima.

Interpretasi Nilai Koefisien Regresi Parsial

= 0,3372 + 0,48108 X1 + 0,28865 X2

(bo) (b1) (b2)
bo = 0,3372 = , kalau X1 = X2 = 0

9
b1 = 0,48108 kalau X1, naik 1 unit diharapkan y naik
0,48108 kalau X2, tetap
b2 = 0,28865 kalau X2, naik 1 unit diharapkan Y naik
0,28865 kalau X1, tetap

Kuatnya Hubungan (Asosiasi)

SS = SSreg + SSe
(Total) (regresi) (error)

di mana
n
SS = (Yi Y )2
i=1

SSreg = (i Y )2
i=1

n
SSe = (Yi 1)2
I=1

Kuatnya hubungan (asosiasi) diukur dengan R2 = koefisien determinasi berganda

(coefficient of multiple determination) dengan rumus:
R2 = SSreg/SSy
R = koefisien korelasi berganda (multiple coefficient of correlation), bisa dianggap
koefisien korelasi sederhana r dan Y dan (nilai berdasarkan persamaan regresi
berganda)
.
Beberapa hal perlu tentang nilai R2.

1. R2 tak bisa lebi kecil dari koefisien determinasi r2 terbesar dari setiap individu
variabel bebas X dangan variabel tak bebas Y.
2. R2 akan menjadi lebih besar kalaau korelasi antar-variabel memang rendah.
3. Kalau semua variabel bebas saling independen, tidak berkorelasi satu sama lain,
maka R2 sama dengan penjumlahan r2 (koefisien determinasi sederhana) dari
setiap individu variabel bebas X dengan variabel tak bebas Y (R2 = r2yx1 + r2yx2 +
+ r2yxk)
4. R2 tak akan menurun walaupun makin banyak cariabal bebas X ditambahkan
kedalam persamaan regresi linear berganda.
R2 disesuaikan dengan n = besarnya sampel dan k banyaknya variabel bebas X,
dengan rumus:

10
 k (1 R 2)
R 2 = R2 disesuaikan = R2
n 1 k

Dengan menggunakan angka-angka dari tabel analisis varian di atas

114,2643
R2 = SSreg/SSy =
(114,2643 6,6524
= 0,9450
2(1 - 0,9450)
R = 0,9450
12 - 2 - 1

R dekat dengan R2 dan lebib besar daripada r2yx1 atau r2yx2, artinya penambahan
satu variabel bebas ke dalam regresi linear sederhana akan menaikan sumbangan
terhadap variabel tak bebas Y.

Uji Signifikansi

Uji signifikansi meliputi uji sacera menyeluruh mengenai persamaan regresi

untuk menentukan apakah persamaan boleh dipergunakan untuk meramalkan Y atau
tidak dan uji parsial untuk menentukan variabel tertentu harus dipertahankan atau
harus dikeluarkan dari persamaan.
uji menyeluruh:
Ho : R2 = 0 (koefisien determinasi berganda = 0 berarti tidak ada sumbangan dari
variabel bebas X terhagap variasi/naik turunnya Y)
2
Ha : R 0 (ada sumbangan tsrhadap variasi naik turunnya Y).

Uji di atas sama denga

Ho : B1 = B2 = B3 = = Bj = = Bk = 0 (seluruh variabel tak ada yang

mempengaruhi Y).
Ha : Bj 0 = (Paling sedikit ada satu variabel yang mempengaruhi Y) pengujian
menyeluruh menggunakan kreteria uji F di mana

SSreg / k 114,26425 / 2
F = MSreg/MSe = = (lihat tabel Analisis Varian)
SSe / n k 1 6,665241
Hasilnya sama dengan hasilk pengujian sebelumnya yaitu karena p = sign.F = 0,000
< = 0,05 maka Ho pada = 0,05 bahkan Ho juga ditolak pada = 0,01 (1%).
Kalau Ho ditolak, persamaan = 0,33732 + 0,48108 + 0,28865X2 + boleh untuk
meramalkan Y.

11
Kolinearlitas Ganda (Multy Collynearlity)
Apabila terjadi kolinearlitas ganda dalam persamaan regresi berganda,maka
akibatnya:
1. Perkiraan koofisien regresi parsial sangat rendah tingkat ketelitianya,perkiraan
interval menjadi panjang karena standard error koofisien regresi parsial
membesr.
2. Pengujian hipotesis menjadi kurang kuat(less powerfull),artinya yang
seharusnya Ho di tolak diterima ataw sebaliknya.
3. Menjadi susah untuk mengakses kepentingan relatif dari fariabel bebas di
dalam menjelaskan variasi di dalam variabel takk bebas Y.
4. Besarnya (magnitude)maupun tanda dari koofisien regresi parsial mungkin
berubah dari sampel ke sampel.

Di dalam praktiknya ada beberapa cara untuk mengatasi terjadinya

multycollinearity ini yaitu antara lain :
1. Menggunakan analisis faktor (lihat BAB V) yang bertujuan untuk mencari
fariabel baru yang jumlahnya lebih sedikit dari fariabel asli (mungkin
puluhan)akan tetapi masih memuat sebagian besar imformasi yang
terkandung di dalam variabel asli,variabel baru tersebut di sebut
faktor.pembuatan faktor di lakukan sedemikian rupa sehingga faktor satu
dengan lainya orthogonal artinya bebas satu sama lain atau tidak terjadi
multycolliearity sehingga dapat diprgunakan sebagai variabel bebas dalam
analisis regresi linear berganda.
2. Menggunakan tehnik khusus seprti ridge regresion dan laten root
regresion.
3. Cara lainya lihat pengantar ekonometrik,Jilid II Oleh J Supranto Penerbit
Ghalia Indonesia.(Edisi Ke 2 2004).

Kepentingan Relatif Prediktor

Prediktor ataw fariabel bebas X ialah variabel yang ingin kita lihat
pengaruhnya terhadap variabel tak bebas Y.ketika terjadi multicollinearity,di mana
variabel bebas saling berkorelasi kehati-hatian di perlukan di dalam mengakses ataw
menilai kepentingan relatif (relative imprtance) dari prediktor tersebut.di dalam riset
pemasaran,di rasakan sangat perlu untuk menentukan kepentingan relatif dari masing-
masing variabel bebas untuk mengetahui perananya di dalam peramalan nilai variabel
tak bebas Y,misalnya ramalan hasil pemjualan dengan perkataan lain,seberapa jauh
setiap variabel bebas di dalam persamaan regresi berganda memberikan sumbangan
(share) terhadap variasi (naik turunya) Y Di dalam hal terjadi multicolinearity
beberapa pendekatan di bawah ini bisa di lakukan.

12
1. Signifikan statistik (statiscal significance)
Kalau koofisien regresi parsial tidak signifikan,sebagai penerapan uki t atau F2
maka di simpulkan variabel yangbersangkutan di anggap tidak penting
katakan XHo:Bj=O,Ha:Bj O,Hodi terima berarti X tak mempengaruhi Y.
Suatu kekecualian trjadi,kalau menurut teoti X memang penting,setiap di
masukan dalam persamaan,untuk menghindari kesalahan spesifikasi
(spesification error).
2. Kuadratkan koofisien korelasi sederhana =r2 sebagai koofisien determinasi =r2
merupakan sambungan dari X terhadap variasi (naik turunya)Y,kalau di lihat dari
hubungan dua fariabel saja (bivariate regression) yaitu Y=a + bX (seolah-olah
tidak ada X lainya).
3. Kuadratkan koofisien parsial.
Misalnya koofisien korelasi Xj dengan Y, kalau fariabel lainya tetap yaitu
R2yxz x1 x2....xk =besarnya sumbangan xjterhadap variasi (naik turunya Y)
kalau fariabel lainya tidak berubah (tetap)
4. Kuadratkan bagian ovisien korelasi (skuare of the part colleration coeficcient)
Koofisien ini mewakili suatu kenaikan dalam R2 ketika suatu fariabel di
masukan dalam suatu persamaan regresi yang telah memuat variabel lainya
(ada penambahan variabel baru).
5. Ukuran berdasarkan pada koofisien yang dibakukan (standardized) ataw (beta
weight)
Ukuran yang paling banyak di pergunakan ialah nilai mutlak dari beta weight
11 atau nilai kuadrrat darinya = 2i oleh karena koofisien-koofisien ini
parsial,beta weight telah memperhitungkan pengaruh dari fariabel
lainya.ukuran ini menjadi tidak bisa di percaya lagi,kalau terjadi
multicollinearity di antara variabel bebas.
6. Regresi bertahap (stepwise regresion) urutan di mana prediktor masuk dalam
persamaan ataw dikeluarkan ataw dipergunakan untuk menyimpulkan
kepentingan relatifnya (their relative importance).

Variabel buneka (dummy variabel)

Untuk meramalkan Y= penjualan,selain kita gunakan variabel bebas yang
kuantitatif juga di pergunakan variabel kualitatif.seperti jenis kelamin (laki-laki dan
perempuan),daerah tempat tinggal,(kota,desa,urban,agama.(I,K,H,B).Tingkat
pendidikan,(BS,SM,S).untuk itu kita pergunakan variabel dummy,yang nilainya 0
ataw I di mana BS = bukan sarjana,SM = sarjna muda, S = sarjana,variabel bebas
yang kualitatif juga di sebut juga fariabel kategori jenis kelamin 2 kategori
(L.P),pendidikan 3 kategori (B.S,S.M, dan S).
Variabel dummy = D banyaknya D dalam persamaan regresi berganda tergantung
pada banyaknya kategori -1.

13
Jenis kelamin : dua kategor satu D yaitu D = 0m perempuan.
= 1 laki-laki.

Pendidika ; tiga kategori dua D yaitu D1 dan D2

D1 = 1 kalau SM
= 0, kalau bukan SM.
D2= satu kalau sarjana
= O kalau bukan sarjana ( S )
Y = pembelian barang A oleh ibu rumah tangga
X1= penghasilan kepela rumah tangga
X2= banyak anggota keluarga
D1=1, kalau SM dan D1 = 0 kalau bukan SM
D2=1,kalau S dsn D = 0 kalau bukan S BS sebagai kategori dasar

Y = a + b1X1 + b2 X2 + D1d1 + D2d2 a atau b.

Y = a + b1X1 + b2 X2 = Pembelian dari rumah tangga bukan sarjana (BS)
Y = a + b1X1 + b2X2 + d1
= pembelian dari rumah tangga sarjana muda (SM)
Y = a + b1X1 + b2X2 + d2
= pembelian dari rumah tangga saejana (S)
Variabel yang tidak muncul dalam persamaan di sebut variabel reverensi,sebagai
kategori dasar.bukan sarjana sebagai kategori dasar.
d1 = perbedaan pembelian antara rumah tangga bukan sarjana dan sarjana muda
(D111)
d2 = perbedaan pembelian antara rumah tangga bukan sarjana dan sarjana penuh
(S1,S2,dan S3).

3.3 RINGKASAN
Y = b0 + b1X1 + b2X2.....+ b3X3 + bk Xk

14
 = persamaan regresi linear berganda dengan variabel tak bebas Y dan variabel
bebas X sebanyak K.

Y = b0 + b1X1 + b2X2 + b3X3 b4X4 K =4

Pertama membuat perkiraan koofisien regresi parsial bj sebgai perkiraan Bj untuk
melihat berapa besar perubahan Y kalu x naik 1 yunit dan X lainya tetap misalnya Y=
0,5 + 1,5X1 + 0,75 X2 0,5X3 + 1,25 X4.
Kedua interpretasi
bj = besarnya perubahan Y kalau Xj naik satu yunit dan X lainya tetap.
b2= 0,75 kalau X3 naik 1 unit,Y naik 0,75 unit dan X1X2X3 tetap.
b3= -0,75 kalau X3 naik satu unit,Y turun 0,5 unit dn X1X2X3 tetap.

Ketiga pengujian parsial.

Ho : Bj = 0 (Xj tak memoengaruhu Y)

Ha : Bj 0 (Xj mempengaruhu Y)
Kalau Ho di terima,Xj di keluarkan dari persamaan.
Keempat pengujian menyeluruh
H0 : B1= B2= B3= B4 = 0 ( X1 sampai dengan X4 tak mempengaruhi Y)

Ha : Bj 0 (paling sedikit ada satu fariabel X mempengaruhi Y misalnya Xj

mempengaruhi Y).
Kalau Ho di terima Y = b0 + b1X1 + b2X2.....+ b3X3 + b4 X4 tak boleh untuk
meramalkan Y akan tetapi kalau H0 ditolah,boleh meramalkan.
Misalnya : X1 = 4X2=4X3=4X4=4.
Y = (0,5 + 1,5) (4) + 0,75 (4) 0,5 (4) + 1,25 94)
= 0,5+6+3 -2+6 =13,5.
Hitung R2 dan R3 = ajusted R2 (di sesuaikan dengan nilai n dan k),agar bisa untuk
membandingkan sumbangan variabel bebas kepada fariasi (naik turunya) Y dengan
jumlah fariabel bebas yang berbeda.

15
Koofisien beta ()= untuk membandingkan besarnya pengaruh X terhadap Y,kalau
Xj naik satu unit dan variabel lainya tetap,dengan unit (satuan) yang semula
beda,akan tetapi sudah di bakukan ataw di buat standar.makin besar nilai beta,makin
besar pengaruh dari X terhadap Y.walaupun satuanya beda,karena sudah di buat baku
(standar) maka beta bebas satuan (unit free).nilai kofisien regresi bisa di pengaruhi
unit atau satuan ysng di pergunakan misalnya satuan ton dan kg,miliar Rp,dan jutaan
Rp.

3.4. Soal Latihan

1. = bo + b2X2.....+ b3X3 + b4 X4
= 0,5 + 1,5X1 + 0,75X2 0,5X1 + 1,15X4
Apa nama persamaan di atas? Apa arti b2 dan b3. Apa arti angka 0,5 dan 1,25
dalam
persamaan?
2a) Dengan memperhatikan persamaan dari nomor 1 buat perumusan uji parsial
untuk X2 dan X4
b) Buat persamaan uji menyeluruh, untuk 4 variabel bebas.
c) Kreteria uji apa yang digunakan untuk pertanyaan a). Berapa degrees of
freedom, kalau n = 15?
d) Kriteria uji apa yang di gunakan untuk pertayaan b). Berapa degres of
freedom, VI, V2 kalau n =15.
3. Untuk menguji secara meyeluruluh dipergunakan tabel analisis varian sebagai
berikut.

Sumber variasi df SS MS F
Regresi (X1, X2, X3,X4) ? SSx ? ?
Residual (error) ? Sse ?
Jumlah ? SSy

Lengkapi tabel di atas, isikan pada tempat/ruang dengan tanda tanya kalau n =
15
4. = 0,5 + 1,25X1 + 1,75X2 + 0,75X3
to = (4,73) (5,75) (3,75)
Kalau n = 15 dan 2 = 0,05 (%), k = 3
Dengan menggunakan nilai tabel t.

16
 Uji Ho : B1 = 0 (X1 tak mempengaruhi Y)
Ha : B1 = 0 (X1 mempengaruhi Y)
Ho : B2 = 0 (X2 tak mempengaruhi Y )
Ha : B2 = 0 (X2 mempengaruhi Y)
Ho : B3 = 0 (X3 tak mempengaruhi Y )
Ha : B3 = 0 (X3 mempengaruhi Y)
Mana yang harus dipertahankan dalam persamaan dan mana yang harus
dikeluarkan?
5. Mengunakan soala nomor 4 di atas.

Dengan = 5% dan = 1%
Uji Ho : B1 = B2 = B3 (X1, X2, X3 tak mempengaruhi Y) dan Ha : Bj = 0
(paling
sedikit ada stu, katakan X1 atau X2 atau X3 yang mempengaruhi Y)

kalau diketahui F0 = 29,75 n = 15,k =3

(bandingkan F dengan nilai F dari tabel dengan df : V1 = K dan V2 = n k
1)
Apakah persamaan regresi berganda di nomor 4,boleh untuk meamalkan Y....?
Berikan alasan pada jawaban anda...
6. kalau dari soal 4 R2 = 0,987
R2 = 0,977 (adjusted)
a) Apa arti angka yang di tunjukan R2 dan R
b) Apa manfaat adjusted R2
c) Apa manfaat beta koofisien.

7. Ada 14 toko obat ( apotik) di kota K pilih secara acak (randomly selected)
kemudian di teliti dan di tanya mengenai 3 hal ( variabel ) yaitu :
Y = nilai preferensi terhadap apotik ( tingkat perasaan menyenangi toko (11 =
sangat
senang dan 1 = sangat tidak senang )

17
 X1 = mutu barang-barang yang di jual di apotik yang bersangkutan.
( 11 = sangat bagus dan 1 = sangat tidak bagus )
X2 = harga ( 11 = sangat murah dan 1 = sangat tidak murah )

Di peroleh data sebagai berikut.

No.Apotik X X1 X2
1 6 6 3
3 9 6 11
3 6 6 4
4 3 3 11
5 10 6 11
7 5 4 7
8 2 1 4
9 11 9 8
10 9 5 10
11 10 8 8
12 2 1 5
13 9 8 5
14 5 3 2

a) Cari bo, b1, b2, dengan memecahkan 3 persamaan berikut.

Bo n + b1 X1 _ b2X2 = Y
Bo X1 + b1X12 + b2X1X2 = X1 Y
BoX2 + b1 X2X1 + b2 b222 = X2 Y
b) Apa arti angka yang ditunjukan oleh b1, b2, b3?
c) Uji Ho : B1 = B2 = 0 (X1 dan X2 tak mempengaruki Y)

Ho : B1 0 (paling sedikit ada satu variabel, katakan X1 atau X2 yang

mempengaruhi Y)

Pergunakan = 0,01 dan = 0,05 dan tabel anova berikut.

Sumber variasi df SS MS = SS/df F

Regresi (X1, X2) k SS reg SSx/k
Error n(k + 1) Sse Sse/n (k + 1)
Jumlah n 1 SSy

18
 /

F = */** = /(1)

SSreg = b1x1y + b2 x2y

Di mana
x1y = (Xi1 - X )(Y1 - Y ), X 1 = Xi1/14
Y = Yi/14
x2y = (X1 - X )(Y1 - Y ), X 1 = X1/14
d) pergunakan print out computer
Lakukan pengujian dengan = 0,01 dan = 0,05. Kalau bisa pergunakan
SPSS : 10

(i) Ho : Bo = 0
Ha : B1 0 Kreteria uji t
(ii) Ho : Bo = 0
Ha : B1 0 Kreteria uji t
(iii) Ho : Bo = 0
Ha : B1 0 Kreteria uji
8. Regresi berganda dengan menggunakan Dummy Vriabel
Y = banyaknya kertu kerdit yang di miliki responden.
X1 = penilayan terhadap kartu kredit di kaitkan dengan gaya hidup ( 7=sangat
penting, 1= sangat tidak penting )
X2 =tempat tinggal, sebagai Dummy Variabel
X2 = D = kota kecil
0 = kota basear
Di peroleh data.
X1 1 2 3 4 5 6 1 2 3 4 5 6
X2 1 1 1 0 0 0 1 1 1 0 0 0
X3 2 4 6 4 5 6 2 3 4 5 6 8

Dengan menggunakan print out computer ( kalau bisa SPSS : 10 )

19
(i) buat persamaan = b0 + b1 X1 + b2X2
dengan a = 0,01 dan 0,05 uji H0 : Bj = 0

(ii) H : Bj 0 untuk j = 1 dan 2 .

(iii) dengan a yang sama dengan (ii)
Uji H0 : B1 = B2 = 0

H0 : Bj 0
9. dengan menggunakan data soal nomor 8 akan tetapi di tambah dengan tingkat pendidikan
sebagai dummy variable dengan 3 kategori : BS (bukan sarjjana) SM (sarjana muda) dan S (
sarjana penuh)
X3 = D1 = 1 kalau SM
= 0 Kalau lainya
X4 = D2 = 1 kalau S
= 0 kalau lainya.
X1 1 2 3 4 5 6 1 2 3 4 5 6
X2 1 1 1 0 0 0 1 1 1 0 0 0
X3 0 1 0 1 1 0 0 0 1 1 0 0
X4 0 0 1 0 0 1 0 0 0 0 1 1
Y 2 4 6 4 5 6 2 3 4 5 6 8

Dengan menggunakan print out computer ( SPSS : 10 )

a) buat persamaan = b0 + b1X1 + b2X2 + b3X3 + b4X4
b) uji H0 : B1= B2 = B3 = B4 =0

H0 : Bj o pergunakan a = 0,01 dan 0,05

20