Anda di halaman 1dari 23

BAB 1

REGRESI LINEAR GANDA


1.1. Definisi
Analisis Multivariat (Multivariat Analysis) merupakan salah satu jenis analisis
statistik yang digunakan untuk menganalisis data dimana data yang digunakan berupa
banyak peubah bebas (independen variabels) dan juga banyak peubah terikat
(dependen variabels). Analisis Regresi Linear Ganda atau sering disebut juga Analisis
Multiple Regression Linear merupakan perluasan dari Simple Regression Linear
(Regresi Linear Sederhana). Pada analisis ini bentuk hubungannya adalah beberapa
variabel bebas terhadap satu variabel terikat (Hartono, 2012). Misalkan untuk
mengetahui faktor-faktor yang terkaitdengan tekanan darah sistolik (variabel Y)
analisis dilakukan dengan melibatkan kadar glukosa darah(variabel X1), kadar
kolesterol darah (X2) dan Berat Badan (X3).
Perbedaan dengan analisis-analisis statistik yang lain adalah bahwa jumlah
peubah tidak bebas pada analisis statistik lain, seperti analisis regresi ganda, terdiri
dari hanya satu peubah misalnya (Y) tetapi pada analisis multivariat, peubah terikat
dapat berjumlah lebih dari satu (misalnya Y1, Y2, .Yq ).Dalam penelitian
kedokteran dan kesehatan seperti studi epidemiologi, klinik (prognosis, diagnosis dll.)
banyak menggunakan model multivariat seperti untuk mencari faktor paling dominan
(variabel bebas) mempengaruhi variabel terikat.Secara sederhana model persamaan
regresi ganda digambarkan sebagai berikut :
Y= a+ b1X1+ b2X2+ b3X3+.. bnXn+ e
Dimana :
Y = variabel terikat (mis: tekanan darah sistolik)
a = intercept (perkiraan besarnya rata-rata Y ketika kenaikan nilai X = 0
b = slope (perkiraan besarnya perubahan nilai variabel Y bila nilai variabel X
berubah satu unit pengukuran)
X = Variabel independen masing-masing kadar glukosa darah, kadar kolesterol
darah dan BB
e = nilai kesalahan (error) yaitu selisih antara nilai Y individual yang teramati
dengan nilai Y sesungguhnya pada titik X tertentu

1.2. Kegunaan Regresi Linear Ganda

1
Adapun kegunaan regresi linear adalah untuk menentukan model yang paling fit
(sesuai/cocok) menggambarkan faktor-faktor yang terkait dengan variabel dependen
(terikat). Model Regresi Ganda dapat berguna untuk dua hal, yaitu :
1. Prediksi
Memperkirakan variabel dependen dengan menggunakan informasi yang ada
padasebuah atau beberapa variabel independen. Misalnya kita melakukan analisis
variabel independenkadar glukosa darah, kadar kolesterol darah dan BB dihubungkan
dengan tekanan darah sistolik.Dari hasil regresi, seseorang individu dapat diperkirakan
tekanan darahnya pada kadar glukosa,kolesterol dan BB tertentu.
2. Estimasi
Mengkuantifikasi hubungan sebuah atau beberapa variabel independen dengan
sebuahvariabel dependen. Difungsi ini regresi dapat digunakan untuk mengetahui
variabel independen apa saja yang berhubungan dengan variabel dependen. Difungsi
ini regresi dapat digunakan untuk mengetahui variabel independen apa saja yang
berhubungan dengan variabel dependen. Selain itu kita dapat mengetahui seberapa
besar hubungan masing-masing variabel independen dengan dependen setelah
memperhitungkan/mengontrol variabel independen lainnya. Dari analisis tersebut
dapat diketahui variabel mana yang paling besar pengaruhnya/dominan
mempengaruhivariabel dependen, yang ditujukan dari nilai koefisien regresi (b) yang
sudah distandarisasi yaitu nilai beta.
1.3. Pemodelan
Maksud dari dilakukannya pemodelan pada regresi linear ganda adalah untuk
memperoleh kandidat variabel yang fit yang dapat menjelaskan/menggambarkan
variabel dependen sesungguhnya dalam populasi.Langkah-langkah pemodelan regresi
linear ganda, yaitu
1. Melakukan analisis Bivariat untuk menentukan kandidat model.Masing-masing vari
abel independen dihubungkan dengan variabel dependen. Bila hasil uji bivariat
diperoleh nilai p < 0,25maka variabel tersebut masuk dalam model.
2. Lakukan analisis secara bersamaan, ada 5 (lima) metode pemilihan variabel
independen yang sering dipakai pada aplikasi SPSS, yaitu :

a. ENTER
Memasukkan semua variabel independen dengan serentak satu langkah tanpa
melewati kriteria kemaknaan statistik tertentu
2
b. FORWARD
Memasukkan satu persatu variabel dari hasil pengkorelasian variabel dan
memenuhi kriteria kemaknaan statistik untuk masuk kedalam model, sampai
semua variabelyang memenuhi kriteria tersebut masuk kedalam model. Variabel
yang masuk pertama kali adalah variabel yang mempunyai korelasi parsial
terbesar dengan variabel dependen. Versi SPSS mensyaratkan kriteria variabel
yang dapat masuk P-In (PIN) adalah 0,05 artinya variabel dapat masuk model
bila variabel mempunyai nilai p < 0,05.
c. BACKWARD
Memasukkan semua variabel kedalam model tetapi kemudian satu persatu
variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan
statistik tertentu.Variabel yang pertama dikeluarkan adalah variabel yang
memiliki korelasi parsial terkecil dengan variabel dependen. Kriteria
pengeluaran (P-Out/POT) adalah 0,10 artinya variabelyang mempunyai nilai p
>=0,10 dikeluarkan dari model.
d. STEPWISE
Merupakan kombinasi antara metode Forward dan Backward. Dimulai dengan
pemasukan satu persatu variabel independen hasil pengkorelasian dimasukkan
ke dalam model dan dikeluarkan dari model dengan kriteria tertentu. Variabel
yang pertama masuk adalah variabel yang memiliki korelasi parsial terbesar
(lihat metode forward). Selanjutnya setelah masuk, variabel pertama ini
diperiksa lagi apakah harus dikeluarkan dari model menurut kriteria
pengeluaran seperti metode backward.
e. REMOVE
mengeluarkan semua variabel independen dengan serentak satu langkah, tanpa
melewati kriteria kemaknaan statistik tertentu.
3. Melakukan diagnostik regresi linear ( MULTIVARIAT REGRESI LINEAR
GANDA)
a. Melakukan pengujian terhadap kelima asumsi (E-F-B-S-R)
b. Melakukan uji asumsi klasik (MHINL)
4. Melakukan analisis interaksi. Setelah memperoleh model yang memuat variabel-
variabel penting, maka langkah selanjutnya adalah memeriksa adanya interaksi
antar variabel independen. Interaksi merupakan keadaan dimana hubungan antara
satu variabel independen dengan dependen berbeda menurut tingkat variabel
3
independen yang lain (Interaction :may be defined as a conditionthat exists when
the relationship of interest varies according to the level (i.e. Value) of one or more
covariates
5. Penilaian reliabilitas model. Model yang sudah terpilih perlu dicek reliabilitasnya
dengan cara membagi (split) sampel kedalam dua kelompok. Lalu dibandingkan
antara model 1 dan 2, bila hasilnya sama/hampir sama maka model regresi reliabel.
Bila model reliabel maka seluruh sampel dapat digunakan untuk pembuatan model.
(MULTIVARIAT REGRESI LOGISTIK DUMMY).
Pada regresi linear sederhana estimasi R2 cenderung terlalu tinggi (overestimate),
maka untuk memperoleh ketepatan digunakan nilai adjusted R2 2(R ) dirancang
a
untuk mengurangi bias tersebut dihitung dengan cara :
2 P (1 R 2 )
(R a ) = R2 -
N P 1
2
Dengan P adalah banyaknya variabel bebas secara matematis R2 dan R a dapat

( residual sum of sguare )


dirumuskan dengan : R2 = 1- total sum of square

( residual sum of sguare ) /( N P 1)


R 2a =1- total sum of square /( N 1)

1.4. Uji Asumsi Klasik


Ada 5 uji kelayakan (fit) model multivariat, yaitu :
1. Uji Multikolinearitas
Menurut Agung E, Wibowo (2012) Untuk mengetahui ada tidaknya multikolinearitas
antar variabel bebas dengan melihat nilai Variance Inflation Factor (VIF) dan
Tolerance dari masing-masing variabel bebas terhadap variabel terikat. Yang baik
adalah tidak terjadi korelasi yang biasa disebut non multikolinearitas. Cara lain adalah
dengan mengkorelasikan antara variabel bebasnya. Bila nilai koefisien korelasinya
antara variabel bebas tidak lebih besar dari 0,5 dapat ditarik kesimpulan model
persamaan itu tidak mengandung multikolinearitas. Menurut Santoso (2001) pedoman
untuk mendeteksi multikolinearitas adalah :
a. Besar VIF (Variance Inflation Factor) dan Tolerance
Mempunyai Nilai VIF 1
Mempunyai angka Tolerance 1
Atau Tolerance = 1/VIF dan VIF = 1/Tolerance
Dan apabila Nilai VIF > 5 dipastikan terjadi Multikolinearitas
(Untuk menilai VIF dan Tolerance dilihat pada tabel Coefficients)
b. Besar korelasi antar variabel independennya bebas multikolinearitas
Koefisien korelasi harus lemah ( <0,5)
4
Jika ada nilai r >0,5 harus dikeluarkan dari model.
(Untuk menilai koefisien korelasi dilihat pada tabel Coefficients Correlations)
2. Uji Heteroskedastisitas
Menurut Santoso (2001), tujuan dari uji ini adalah melihat apakah ada ketidaksamaan
varians dari residual dari suatu pengamatan ke pengamatan lain dari tabel ANOVA.
Gujarati(1999), suatu variabel dinyatakan terjadi heteroskedastisitas apabila memiliki
probabilitas <0,5.Sebaliknya dinyatakan terjadi homoskedastisitas (yang diharapkan)
apabila memiliki probabilitas >0,5
Menurut Sarwono, Jonathan.(2012), untuk menilainya berdasarkan grafik scatter
plot adalah
1. Jika tidak ada pola yang jelas serta titik-titik menyebar (secara acak) di atas dan
dibawah angka 0 pada sumbu y maka tidak terjadi heteroskedastisitas
2. Jika ada pola tertentu serta titik-titik yang membentuk pola tertentu diatas dan
dibawah angka 0 pada sumbu y maka terjadi heteroskedastisitas
3. Uji Independensi (Autokorelasi)
Menurut Sutanto (2001) suatu keadaan dimana masing-masing nilai Y bebas satu sama
lain. Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai
observasi yang berbeda yang diukur dari satu individu diukur dua kali. Untuk
mengetahui asumsi ini dilakukandengan cara uji Durbin-Watson dengan ketentuan sbb:
Bila nilai durbin antara -2 s/d +2 berarti asumsi independensi terpenuhi
Bila nilai durbin dibawah -2 dan diatas. +2 berarti asumsi independensi tidak
terpenuhi (Untuk menentukan uji ini dapat dilihat pada output regresi linear ganda
tabel Model Summary kolom Durbin-Watson)
4. Uji Normalitas
Uji normalitas atau kenormalan digunakan untuk mendeteksi apakah distribusi
variabel-variabel bebas dan terikat adalah normal. Menurut Santoso (2001) normalitas
dapat dideteksi dengan melihat sebaran data (titik) pada sumbu diagonal dari grafik
Normal P-Plot of regression Standarized Residual.
Menurut Handoko, Riwidikdo (2009) Suatu model dikatakan memenuhi
asumsi normalitas apabila apabila data menyebar disekitar garis diagonal dan
mengikuti arah garis diagonal. Dapat pula dilakukan dengan menggunakan uji Chi
Square terhadap nilai standar residual hasil persamaan regresi. Bila probabilitas hasil
uji chi Square <0,05 (5%) maka data terdistribusi normal dan jika sebaliknya maka
data terdistribusi tidak normal. Sebagai contoh, hasil pengujian menunjukkan nilai chi
square sebesar 7,583 (probabilitas sebesar 0,005) yang berarti nilai residual data
terdistribusi secara normal.) cara lain untuk mendeteksi kenormalan sebaran data
5
adalah uji Kolmogorov Smirnov, dimana nilai p dibanding dengan nilai alpa. Jika
nilai p > alpa berarti data tersebar normal.
5. Uji Linearitas
Menurut Untuk mengetahui apakah model yang dihasilkan bersifat linear atau
tidak dapat dideteksi dengan melihat scatter plot antara standar residual dengan
prediksinya. Sebagai contoh, apabila hasil pengujian menunjukkan scatter plot tidak
membentuk pola tertentu sehingga uji asumsi linearitas memenuhi persyaratan. Cara
lain untuk mengetahui asumsi linearitas adalah dari uji ANOVA (overall F test) bila
hasilnya signifikan (p < alpa) maka model berbentuk linear).

BAB 2
PENGARUH USIA, BERAT BADAN DAN KADAR GULA DARAH TERHADAP
KEJADIAN TEKANAN DARAH TINGGI PADA LANSIA

2.1. Kerangka Konsep


Independent variabel Dependet variabel

Kadar gula darah Tekana darah


usia
berat badan

Model yang diusulkan :


Y= a+ b1X1+ b2X2+ b3X3 + e
Keterangan :
6
y = tekanan darah
a = nilai konstanta
b = nilai koefisien regresi
X1= usia
X2= Kadar Gula Darah
X3= berat badan
e = standar eror /nilai residual.
2.2. Pengolahan Data
Pada kasusu ini kita akan meliht pengaruh variabel usia, berat badan dan kadar gula
darah terhadap tekanan darah tinggi pada lansia. Penelitian dilakukan pada 40
responden lansia yang memiliki kadar gula darah tinggi. Tekanan darah diukur dengan
melihat tekanan darah sistolik.

Tabel. Tabulasi Data (Data Fiktif)


Subjek Usia Kadar Gula Darah Berat Badan Tekanan Darah
1 54 205 65 180
2 54 200 60 145
3 55 250 64 150
4 60 254 69 180
5 57 230 68 160
6 57 250 68 170
7 58 278 67 175
8 58 250 67 170
9 55 210 67 160
10 55 250 66 160
11 56 230 63 150
12 54 200 63 140
13 60 265 64 160
14 62 300 60 180
15 62 250 60 190
16 62 345 60 180
7
17 58 345 67 170
18 59 364 60 190
19 54 300 65 165
20 58 254 68 180
21 58 246 67 170
22 56 235 64 165
23 55 200 62 150
24 55 234 62 150
25 62 250 67 170
26 62 265 65 160
27 56 235 60 150
28 57 264 65 168
29 62 300 70 180
30 60 350 70 180
31 57 309 70 170
32 60 306 70 170
33 64 342 72 200
34 64 350 72 200
35 55 235 63 155
36 65 346 70 232
37 65 365 72 250
38 58 230 65 180
39 56 232 62 150
40 55 245 65 160

2.3. Langkah-Langkah Pengujian :


A. Analisis Univariat
1. Melakukan uji normalitas data : menggunakan One-Sample Kolmogorov-Smirnov Test
Menentukan hipotesis
Ho: Data mengikuti distribusi normal
Ha: Data tidak mengikuti distribusi normal
Bila p maka data mengikuti distribusi normal
Langkan uji dengan menggunakan SPSS :
a. Masukan semua data yang ada usia, kada gula darah dan tekanan darah pada
data editor SPSS
b. Klik menu analyze, kemudian pilih sub menu nonparametric test, selanjutnya
pilih 1- sampel K-S

8
c. Setelah itu kita telah masuk dalam pengujian Kolmogorov-Smirnov Test, lau pilih
test distribution pada normal dan akan tampil :

d. Hasil uji akan muncul seperti pada tabel dibawah ini :


One-Sample Kolmogorov-Smirnov Test
Usia Kadar Gula Berat Tekanan
Darah Badan Darah
N 40 40 40 40
Normal Parametersa Mean 58.25 269.22 65.60 171.62
Std. Deviation 3.311 49.709 3.643 21.702
Most Extreme Absolute .155 .195 .100 .200
Differences Positive .155 .195 .090 .200
Negative -.121 -.128 -.100 -.110
Kolmogorov-Smirnov Z .981 1.235 .630 1.264
Asymp. Sig. (2-tailed) .291 .095 .822 .082
a. Test distribution is Normal.
Berdasarkan nilai signifikansi yang ada Asymp. Sig. (2-tailed) yang besarnya 0,291
untuk usia, 0,95 untuk kadar gula darah, 0,822 untuk berat badan dan 0,082 untuk
tekanan darah yang jika dibandingkan dengan =0,05 yang nilainya lebih besar (p >
0,05 maka H0 diterima yang artinya data berdistribusi normal.
B. Analisis Bivariat
1. Deteksi kolinearitas

9
Kolinearitas merupakan terjadinya gabungan linear antar variabel independen, Uji
kolinearitas perlu dilakukan lebih dulu untuk mengetahui apakah antara variabel
independen telah memenuhi kondisi tidak saling berkorelasi. Beberapa kriteria
yang dapat digunakan untuk mengetahui adanya kolinearitas diantara variabel
independen antara lain dengan menggunakan koefisien korelasi (Person
correlation) dan Variance Inflation Factors (VIF) Deteksi dengan nilai koefisien
korelasi (r) antar independen variabel : Jika r >0,80 dianggap terjadi kolinearitas
Langkah dalam SPSS :
a. Masukan semua data yang ada usia, kada gula darah dan tekanan darah pada data
editor SPSS
b. Klik menu analyze, kemudian pilih sub menu correlate, selanjutnya pilih
bivariate

c. Selanjutnya masukan usia, berat badan dan kadar gula darah pada kolom
variabel. Pada correlation coefficient pilih person, lalu pilih OK

d. Selanjutnya akan keluar output seperti dibawah ini :


Correlations
Usia Kadar Gula Berat
Darah Badan
Usia Pearson 1 .714** .442**
Correlation
Sig. (2-tailed) .000 .004
N 40 40 40
10
Kadar Gula Pearson .714** 1 .435**
Darah Correlation
Sig. (2-tailed) .000 .005
N 40 40 40
** **
Berat Badan Pearson .442 .435 1
Correlation
Sig. (2-tailed) .004 .005
N 40 40 40
**. Correlation is significant at the 0.01 level (2-tailed).
Perhatikan nilai Pearson Correlation ( r) antara kadar gula darah dengan usia
adalah sebesar 0,714, dan usia dengan berat badan sebesar 0,442 dan berat badan
dengan kadar gula darah adalah 0,435. Nilai ini lebih kecil dari 0.80 artinya
tidak terjadi kolinearitas.
2. Screening (pemilihan kandidat independent variabel ) yang akan dimasukaan
dalaam uji regresi. Dapat dilakukan dengan menggunakan Uji Korelasi
Pearson/Spearman), uji t atau uji Anova. Pengujian dengan menggunakan korelasi
pearson dengan ketentuan independent variabel yang ikut dalam regresi bila
p0,250.
Langkah uji denngan menggunakan SPSS sebagai berikut :
a. Klik menu analyze, kemudian pilih sub menu correlate, selanjutnya pilih
bivariate

b. Selanjutnya masukan usia , kadar gula darah dan tekanan darah pada kolom
variabel. Pada correlation coefficient pilih person, lalu pilih OK

11
c. Selanjutnya akan keluar output seperti dibawah ini :

Correlations
Usia Kadar Gula Berat Tekanan
Darah Badan Darah
Usia Pearson Correlation 1 .714** .442** .783**
Sig. (2-tailed) .000 .004 .000
N 40 40 40 40
** **
Kadar Gula Pearson Correlation .714 1 .435 .712**
Darah Sig. (2-tailed) .000 .005 .000
N 40 40 40 40
** **
Berat Badan Pearson Correlation .442 .435 1 .532**
Sig. (2-tailed) .004 .005 .000
N 40 40 40 40
Tekanan Darah Pearson Correlation .783** .712** .532** 1
Sig. (2-tailed) .000 .000 .000
N 40 40 40 40
**. Correlation is significant at the 0.01 level (2-tailed).
Perhatikan nilai ( p )/ signifiknsi dari usia, kadar gula darah dan berat badan
dengan tekanan darah masing-masing bernilai 0, 000 menunjukan nilai (p<0,250)
artinya variabel usia, berat badan dan kadar gula darah layak ikut dalam uji regresi.
C. Analisis Multivariat
1. Regresi Linear Ganda
Dilakukan secara bertahap, Estimasi koefisien regresi dengan metode ENTER.
Variabel independen dengan signifikansi parsial >0,100 harus dikeluarkan.
Lakukan kembali regresi sampai diperoleh model yg parsimony (lengkap &
sederhana)
Signifikan model; p0,05
Signifikan parsial; p<0,100
Langkah uji dengan SPSS
a. Masukan semua data yang ada usia, kada gula darah dan tekanan darah pada
data editor SPSS
b. Klik menu analyze, kemudian pilih sub menu regression, selanjutnya pilih
linear

12
c. Pindahkan variabel tekanan darah ke kolom dependen, usia, berat badan dan
kadar gula darah ke kolom independen, isi kolom method dengan perintah enter,
kemudian pilih options: pada pilihan stepping Method Criteria masukan
angka 0,05 pada kolom entry. Centang include constan in equation pada
pilihan missing values centang exlude cases listwise, lalu pilih continue

d. Klik ok akan keluar hasil:


Variabel yang dimasukan :
Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Berat Badan, Kadar Gula Darah, . Enter
Usiaa
a. All requested variables entered.
b. Dependent Variable: Tekanan Darah
Bagian ini menunjukan metode ketika memasukan variabel yang akan dianalisis
dengan metode ENTER
Ringkasan model (koefisien determinsi)
Model Summary
Model R R Adjusted R Std. Error of the Estimate
Square Square
13
1 .831a .690 .664 12.581
a. Predictors: (Constant), Berat Badan, Kadar Gula Darah, Usia
Dari tabel dapat dijelaskan bahwa nilai koefsien korelasi (R) sebesar 0,831
sedangkan nilai dari koefisien determinasi (R2) adalah sebesar 0,690. Hal ini
menunjukan besarnya pengaruh usia, berat badan dan kadar gula darah terhadap
tekanan darah lansia adalah sebesar 69 % sedangkan sisanya 31 % dipengaruhi
oleh faktor lain diluar model regresi ini.
ANOVA
ANOVAb
Model Sum of df Mean F Sig.
Squares Square
1 Regression 12669.367 3 4223.122 26.682 .000a
Residual 5698.008 36 158.278
Total 18367.375 39
a. Predictors: (Constant), Berat Badan, Kadar Gula Darah, Usia
b. Dependent Variable: Tekanan Darah
Dari tabel diatas dapat dijelaskan bahwa nilai signifikansi sebesar 0,000 artinya
adalah. Jika dibandingkan dengan nilai = 0,05, maka nilai (sig< ). Hal ini
menunjukan model regresi ini sudah layak digunakan untuk menentukan
tekanan darah pada lansia.
2. Signifikansi Parsial
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
1 (Constant) -128.800 49.308 -2.612 .013
Usia 3.335 .888 .509 3.754 .001
Kadar Gula Darah .116 .059 .266 1.968 .057
Berat Badan 1.142 .628 .192 1.819 .077
a. Dependent Variable: Tekanan Darah

Dari tabel di atas dapat dijelaskan bahwa semua variabel independen memiliki nilai
signifikan p0,05. Artinya tidak ada variabel independen yang memiliiki nilai sig.
parsial. Korelasi parsial ada jika Signifikan parsial; p<0,100
3. Pemeriksaan Asumsi Multivariat
Diantaranya :
a. Homocedasticity
b. Existency
c. Independency
d. Linearity
14
e. Multivariat Normality
f. Multikolinearity
Langkah-langkah dalam SPSS :
a. Masukan semua data yang ada usia, kada gula darah dan tekanan darah pada
data editor SPSS
b. Klik menu analyze, kemudian pilih sub menu regression, selanjutnya pilih
linear

c. Pindahkan variabel tekanan darah ke kolom dependen, usia, berat badan dan
kadar gula darah ke kolom independen, isi kolom method dengan perintah enter,
kemudian pilih options: pada pilihan stepping Method Criteria masukan
angka 0,05 pada kolom entry. Centang include constan in equation pada
pilihan missing values centang exlude cases listwise, lalu pilih continue

15
d. Lalu pilih statistics pada pilihan regression coefficient pilih estimate, model
fit, Descriptive, part and partial correlation dan collienarity diagnostics
pada pilihan residual pilih Durbin Watson, casewise diagnostics dan centang
all cases tekan continue.

e. Klik plot, masukan SRESID kedalam kolom Y dan ZPRED kedalam kolom X,
pada standardized residual polt centang histogram dan normal probaillity plot.
Pilih continue

f. Lalu kliik ok maka akan keluar hasilnya sebagi berikut :


Homocedasticity

16
Plot antara residu dengan variabel dependen tidak terdapat pola tertentu,
sehingga asumsi terpenuhi. Hal itu tampak pada garis vertikal dan horisontal
pada nilai 0, yang menyebar di keempat kuadran tersebut maka data yang
diperoleh homogen. Artinya varians variabel independen adalah konstan
(sama) untuk setiap nilai tertentu variabel independen
Existency
Residuals Statisticsa
Minimum Maximum Mean Std. N
Deviation
Predicted Value 143.03 212.55 171.62 18.024 40
Std. Predicted Value -1.587 2.271 .000 1.000 40
Standard Error of Predicted 2.183 7.183 3.803 1.184 40
Value
Adjusted Predicted Value 142.80 208.66 171.44 17.918 40
Residual -22.957 37.445 .000 12.087 40
Std. Residual -1.825 2.976 .000 .961 40
Stud. Residual -1.930 3.250 .007 1.028 40
Deleted Residual -25.687 44.649 .189 13.875 40
Stud. Deleted Residual -2.010 3.812 .027 1.100 40
Mahal. Distance .199 11.738 2.925 2.563 40
Cook's Distance .000 .508 .039 .089 40
Centered Leverage Value .005 .301 .075 .066 40
a. Dependent Variable: Tekanan Darah
Mean residual adalah 0,000
Diagnosa : nilai mean residual = 0,000 sehingga artinya asumsi terpenuhi
Independency
Nilai Y antara satu observasi dengan yang lain tidak saling bergantung
Diagnosa : Uji Durbin-Watson. Apabila nilai Durbin-Watson berkisar antara -2
sampai dengan +2 maka asumsi terpenuhi
Model Summaryb
Model R R Square Adjusted R Std. Error of Durbin-
Square the Estimate Watson
1 .831a .690 .664 12.581 .992
17
a. Predictors: (Constant), Berat Badan, Kadar Gula Darah, Usia
b. Dependent Variable: Tekanan Darah
Dari tabel diketahui nilai Durbin-Watson sebesar 0,992 artinya tidak terjadi
otokorelasi.
Linearity
Koefisien dan berhubungan linear. Diagnosa : Overal F test/Anova
Regresi Bila p< maka model dikatakan linear

ANOVAb
Model Sum of df Mean F Sig.
Squares Square
1 Regression 12669.367 3 4223.122 26.682 .000a
Residual 5698.008 36 158.278
Total 18367.375 39
a. Predictors: (Constant), Berat Badan, Kadar Gula Darah, Usia
b. Dependent Variable: Tekanan Darah

Hasil uji Anova di atas menunjukkan model adalah linear, dikarenakan p < ,
yaitu nilai p sama dengan 0,000
Multivariat Normality
Dapat dilihat dari Histogram yang membentuk bel ( bell-shaped) dan PP
plot yang menunjukan sebaran data berada di sekitar garis lurus atau
berpilin.

Dari gambar dapat dikatakan asumsi Multivariat Normality terpenuhi dilihat


dari :
- Histogram : bell-shaped
18
- PP plot : berada di sekitar garis lurus atau berpilin
Multikolinearity
Cara untuk mengetahui ada tidaknya Multikolinearity antara variabel
independen adalah dengan melihat nilai TOLerance atau VIF.
TOL = 1 Rsquared
VIF = 1/TOL
Diagnosa : Multikolinearity terjadi bila nilai TOLerance < 0,100 atau VIF >
10
Coefficientsa
Unstandardize Standardized Collinearity
d Coefficients Coefficients Correlations Statistics
Std. Zero-
Model B Error Beta t Sig. order Partial Part Tolerance VIF
1 (Constant) - 49.30
-2.612 .013
128.800 8
Usia 3.335 .888 .509 3.754 .001 .783 .530 .348 .469 2.132
Kadar Gula
.116 .059 .266 1.968 .057 .712 .312 .183 .473 2.115
Darah
Berat Badan 1.142 .628 .192 1.819 .077 .532 .290 .169 .776 1.289
a. Dependent Variable: Tekanan Darah
Dari tabel diatas diketahui bahwa nilai variance inflation factor untuk usia sebesar
2,132, kadar gula darah sebesar 2,115 dan berat badan sebesar 1,289. Hal ini
menunjukan tidak terjadi Multikolinearity dalam regresi ini
4. Kontribusi yang paling dominan
Untuk menentukan kontribusi yang paling dominan dari variabel independen
terhadap perubahan tekanan darah dapat dilihat pada correlation part. (correlation
part)2 x(100%)

19
Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Correlations Statistics
Zero
Std. -
Model B Error Beta t Sig. order Partial Part Tolerance VIF
1 (Constant) -128.800 49.308 -2.612 .013
Usia 3.335 .888 .509 3.754 .001 .783 .530 .348 .469 2.132
Kadar
Gula .116 .059 .266 1.968 .057 .712 .312 .183 .473 2.115
Darah
Berat
1.142 .628 .192 1.819 .077 .532 .290 .169 .776 1.289
Badan
a. Dependent Variable: Tekanan Darah

Dari data dapat dihitung sumbangan variabel independen terhadap variabel dependen
Usia = (0,348)2 x (100)% = 12,11 %
Kadar gula darah = (0,183)2 x (100)% = 3, 35 %
Berat Badan = (0,169)2 x (100)% = 2,86 %

Persamaan regresinya adalah :


Y= a+ b1X1+ b2X2+ b3X3
Tekanan Darah = -128.800 + 3.335 (usia)+0,116 (kadar gula darah) + 1,142 (Berat
badan).
Persamaan tersebut dapat dijelaskan sebagai berikut

Nilai constant sebesasr -128,800 memiliki arti bahwa besarnya tekanan


darah saat nilai usia, kadar gula darah dan berat badan bernilai 0.
Kenaikan 1 unit skor usia dapat meningkatkan nilai Tekanan darah sebesar
3,335 dengan kadar gula darah dan berat badan konstan
Kenaikan 1 unit skor kadar gula darah dapat meningkatkan nilai Tekanan
darah sebesar 0,116 dengan usia dan berat badan konstan
Kenaikan 1 unit skor berat badan dapat meningkatkan nilai Tekanan darah
sebesar 1,142 dengan nilai kadar gula darah dan usia konstan

20
BAB 3
PENUTUP

3.1. Kesimpulan
Analisis Regresi Linear Ganda atau sering disebut juga Analisis Multiple
Regression Linear merupakan perluasan dari Simple Regression Linear (Regresi Linear
Sederhana). Pada analisis ini bentuk hubungannya adalah beberapa variabel bebas
terhadap satu variabel terikat. Adapun kegunaan regresi linear adalah untuk
menentukan model yang paling fit (sesuai/cocok) menggambarkan faktor-faktor yang
terkait dengan variabel dependen (terikat).
Sebuah model regresi yang baik harus memenuhi beberpa uji asumsi klasik. Ada
beberpa uji asumsi klasik yang digunakan dalam uji regresi diantaranya
uji multikolinearitas, homocedasticity, existency, independency, linearity dan
multivariat Normality. Jika semua uji asumsi klasik terpenuhi maka model regresi yang
dinginkan akan menjadi model yang fit atau parsimony.
3.2. Saran

21
Bagi para pemula yang baru mempelajari uji regresi linear ganda diharapkan untuk
meningkatkan pemahaman dengan terus melakukan latihan soal terkait uji regresi
linear ganda.

22
DAFTAR PUSTAKA

Agung E, Wibowo (2012). Aplikasi Praktis SPSS dalam Penelitian. Yogyakarta: Gava Media
Handoko, Riwidikdo (2009). Statistik Kesehatan:Belajar Mudah Teknik Analisis Data Dalam
Penelitian Kesehatan (Plus Aplikasi Software SPSS) Yogyakarta: Mitra Cendikia Press.
Hartono (2011). SPSS 16.0 Analisis Data Statistik dan penelitian. Yogyakarta : Pustaka Pelajar
Santoso (2001). Buku SPSS Statistik Parametrik.Jakarta: Elex Media Komputindo kelompok
Gramedia
Sarwono, Jonathan.(2012). IBM SPSS Advanced Statistic: Prosedur-Prosedur Generalisasi dan
Perluasan General Linear Model (GLM)

23