ISSN 1411-0393

PERHITUNGAN REGRESI LINIER BERGANDA

DENGAN METODE LEAST SQUARE DAN
ELIMINASI GAUSS DALAM PEMROGRAMAN
PASCAL 7.00

Yudha Herlambang*)

ABSTRAK
Dalam suatu permasalahan yang kita amati tidak jarang antara variabel yang diteliti
dengan faktor-faktor yang mempengaruhinya terdapat hubungan saling keterkaitan.
Hubungan antara variabel yang diamati dengan faktor-faktor yang mempengaruhinya
seringkali dinyatakan dalam bentuk persamaan regressi. Hanya saja tingkat sampai
sejauh mana hubungan antara variabel yang diamati dengan faktor-faktor yang
mempengaruhinya tadi lebih mudah dinyatakan dalam bentuk persamaan regressi linier.
Karena hal-hal yang mempengaruhi terhadap suatu variabel yang diteliti terdiri dari
banyak fakor, maka seringkali kita nyatakan dalam bentuk persamaan regressi linier
berganda atau multiple regression. Tulisan ini mengemukakan suatu program komputer
dalam bahasa Pemrograman Pascal untuk mencari nilai-nilai parameter regressi linier
berganda, bila variabel bebas yang mempengaruhi terhadap variabel terikat adalah lebih
dari satu, sehingga membentuk persamaan regressi linier multiple. Program komputer
yang dirancang di sinis akan diuji validitasnya terhadap software aplikasi statistik yang
lain yang telah menjadi standar pemakaian, misalkan Microstat atau Minitab, sehingga
bila diberikan input nilai variabel dari permasalahan yang sama dan nantinya dapat
diperoleh hasil pemrosesan yang sama atau mendekati sama.

1. PENDAHULUAN

Regressi linier dan non linier untuk pengamatan yang terdiri atas dua variabel telah diba-
has dalam bagian-bagian yang lalu. Namun dalam kenyataan di lapangan, tampak bahwa
pengamatan seringkali terdiri atas lebih dari dua variabel. Misalnya harga beras tidak saja
hanya ditentukan oleh faktor adanya persediaan beras, tetapi juga oleh faktorlain misal-
kan harga bensin, upah buruh, dan sebagainya. Demikian juga misalkan produksi telur
ayam tidak saja tergantung banyaknya ayam petelur yang ada, namun juga banyak ma-

*)
Yudha Herlambang, SE,ST., adalah dosen Sekolah Tinggi Ilmu Ekonomi Indonesia (STIESIA) Surabaya.


196 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
kanan atau tingkat kualitas makanan ternak yang diberikan dan barangkali masih ada fak-
tor lainnya. Sehingga dengan demikian, umumnya kita sekarang akan berhadapan dengan
hasil pengamatan variabel Y yang terjadi karena “pengaruh“ k buah variabel-variabel
bebas X1,X2,.................,Xk.
Salah satu hal yang dapat dilakukan adalah menentukan hubungan antara antara va-
riabel terikat yang diamati (Y) terhadap faktor-faktor yang mempengaruhinya berupa
variabel-variabel bebas (X1, X2, X3,.....Xk), yang dinyatakan dalam bentuk garis linier Y
atas X1, X2,.......,Xk. Maka persamaan umum untuk regressi linier multiple ini adalah :
Y = a0 +a1X1 + a2X2 + a3X3+........................akXk
Di mana a0, a1, a2,........ak harus ditentukan dari data hasil observasi. Maka tampak bah-
wa bahwa model regressi multiple di atas adalah merupakan perluasan dari model regresi
linier yang telah dibahas pada tulisan lalu. Untuk menentukan nilai parameter a0, a1, a2,
a3, dan seterusnya, dapat dipergunakan metode least squares (kuadrat terkecil).
Bila ditemui kasus yang melibatkan 1 variabel terikat dan 2 variabel bebas, maka mo-
del yang akan diregressikan adalah sebagai berikut : Y = a1X1 + a2X2 + a2X3, sehingga:
dF
F = Y-a0-a1X1-a2X2, syarat metode least squares   0 , maka dapat disusun
da0
persamaan :
0  2  (Y  a 0  a1X 1  a 2 X 2)  (1)
0  2  (Y  a 0  a1X 1  a 2 X 2)
2  Y  2  a 0  2a1  X 1  2a 2  X 2
 Y  a 0n  a1  X 1  a 2  X 2
dF
Kemudian syarat selanjutnya :   0 , akan menjadikan penurunan persamaan
da1
berikut:
0  2  (Y  a 0  a1X 1  a 2 X 2)  ( X 1).
0  2  X 1Y  2a 0  X 1  2a1  X 1X 1  2a 2  X 1X 2
2  XiY  2a 0  X 1  2a1  X 1X 1  2a 2  X 1X 2
 X 1Y  a 0  X 1  a1  X 1X 1  a 2  X 1X 2
dF
Terakhir adalah syarat :   0 , yang menjadikan penurunan persamaan berikut:
da2
0  2  (Y  a 0  a1X 1  a 2 X 2)  ( X 2).
0  2  X 2Y  2a 0  X 2  2a1  X 1X 2  2a 2  X 2 X 2
2  X 2Y  2a 0  X 2  2a1  X 1X 2  2a 2  X 2 X 2
 X 2Y  a 0  X 2  a1  X 1X 2  a 2  X 2 X 2


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 197
Maka dengan demikian terbentuklah 3 persamaan linier simultan sebagai berikut :
 Y  a 0n  a1  X 1  a 2  X 2
 X 1Y  a 0  X 1  a1  X 1X 1  a 2  X 1X 2
 X 2Y  a 0  X 2  a1  X 1X 2  a 2  X 2 X 2

Tiga persamaan di atas dapat dinyatakan dalam bentuk matriks koefisient (A) & matriks
konstanta (B) sebagai berikut :
 n  X1  X2   Y 
  X 1  X 1X 1  X 1X 2   A   X 1Y  = B
   
 X 2  X 1 X 2  X 2 X 3  X 2Y 

Selanjutnya bila terdapat kasus dengan 3 variabel bebas dan 1 variabel terikat, maka
terdapat 4 penurunan persamaan linier simultan yaitu dengan model regressi sebagai
berikut :
Y = a0 + a1X1 + a2X2 + a3X3, sehingga :
dF
F = Y-a0-a1X1-a2X2-a3X3, syarat metode least squares   0 , maka dapat disusun
da0
0  2  (Y  a 0  a1X 1  a 2 X 2  a 3X 3)  (1)
0  2  (Y  a 0  a1X 1  a 2 X 2  a 3X 3)
2  Y  2  a 0  2a1  X 1  2a 2  X 2  2a 3  X 3
 Y  a 0n  a1  X 1  a 2  X 2  a 3  X 3
dF
Kemudian syarat selanjutnya   0 , akan menjadikan penurunan persamaan :
da1
0  2  (Y  a 0  a1X 1  a 2 X 2  a 3X 3)  ( X 1).
0  2  X 1Y  2a 0  X 1  2a1  X 1X 1  2a 2  X 1X 2  2a 3  X 1X 3
2  XiY  2a 0  X 1  2a1  X 1X 1  2a 2  X 1X 2  2a 3  X 1X 3
 X 1Y  a 0  X 1  a1  X 1X 1  a 2  X 1X 2  a 3  X 1X 3
dF
Kemudian adalah syarat :   0 , yang menjadikan penurunan persamaan :
da2
0  2  (Y  a 0  a1X 1  a 2 X 2  a 3X 3)  ( X 2).
0  2  X 2Y  2a 0  X 2  2a1  X 1X 2  2a 2  X 2 X 2  2a 3  X 2 X 3
2  X 2Y  2a 0  X 2  2a1  X 1X 2  2a 2  X 2 X 2  2a 3  X 2 X 3
 X 2Y  a 0  X 2  a1  X 1X 2  a 2  X 2 X 2  a 3  X 2 X 3


198 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
 dF
Yang terakhir adalah syarat:   0 , yang menjadikan penurunan persamaan :
da3
0  2  (Y  a 0  a1X 1  a 2 X 2  a 3X 3)  ( X 3).
0  2  X 3Y  2a 0  X 3  2a1  X 1X 3  2a 2  X 2 X 3  2a 3  X 3X 3
2  X 3Y  2a 0  X 3  2a1  X 1X 3  2a 2  X 2 X 3  2a 3  X 3X 3
 X 3Y  a 0  X 3  a1  X 1X 3  a 2  X 2 X 3  a 3  X 3X 3
Sehingga dengan demikian terbentuklah 4 persamaan linier simultan sebagai berikut :
 Y  a 0n  a1  X 1  a 2  X 2  a 3  X 3
 X 1Y  a 0  X 1  a1  X 1X 1  a 2  X 1X 2  a 3  X 1X 3
 X 2Y  a 0  X 2  a1  X 2 X 1  a 2  X 2 X 2  a 3  X 2 X 3
 X 3Y  a 0  X 3  a1  X 1X 3  a 2  X 2 X 3  a 3  X 3X 3
Empat persamaan linier simultan di atas dapat dinyatakan dalam bentuk matriks koefisien
(A) dan matriks konstanta (B) sebagai berikut :
 n  X1  X2  X3   Y 
  X 1  X 1X 1  X 1X 2  X 1X 3   X 1Y 
A  B=  
 X 2  X 2 X 1  X 2 X 2  X 2 X 3  X 2Y 
   
  X 3  X 3 X 1  X 3 X 2  X 3 X 3   X 3Y 
Dalam struktur pemrograman dalam bahasa Pascal yang dirancang oleh penulis, bentuk
persamaan-persamaan linier simultan di atas akan diinputkan dalam bentuk matriks A dan
matriks B

2. KASUS DAN PERMASALAHAN

Dalam setiap kasus berikut, penulis akan menyelesaikan dengan memakai software apli-
kasi statistik yang sudah biasa dipakai secara umum, yaitu : Minitab, SPSS for Windows,
dan Microstat, serta dengan memakai cara manual yang mempergunakan pendekatan me-
tode Eliminasi Gauss. Dari hasil simulasi software tersebut akan dibandingkan dengan
hasil output dari listing program yang telah disusun penulis. Bila diperoleh hasil pemro-
sesan data yang sama atau mendekati sama, maka dikatakan program yang disusun penu-
lis adalah terjamin validitasnya.

Akan dicari persamaan regressi linier multipel yang mencerminkan hubungan antara
Jumlah Omzet Sales / Penjualan alat berat [dalam U$$] atau variabel terikat (Y) terhadap
faktor-faktor yang mempengaruhinya antara lain var bebas : X1 = lama pengalaman sales
engineer (bln) dan X2 = Tingkat Penilaian Intelligence Quotient (IQ) dan logika dari calon
sales engineer saat test Recruitment.


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 199
 Tabel 1
Hasil Penjualan terhadap Lama Pengalaman Sales Engineer dan Tingkat Kecerdasannya

No. Sales Lama Pengalaman Hasil Test Kecerdasan & Logika Hasil Omzet
Engineer Sales Engineer (X1) Calon Sales Engineer Penjualan (Y)
1 34 12 18.4
2 38 14 20.1
3 45 17 22.7
4 39 14 19.6
5 30 15 21.8
6 37 20 23
7 27 19 19.8
8 38 22 25.7
9 39 18 28.4
10 32 17 29.1
11 40 15 31
12 44 23 36.9
13 33 14 27.8
14 35 18 29.7

Bila persoalan di atas kita selesaikan dengan memakai pendekatan metode least square,
maka kita tabulasikan dengan bantuan spreadsheet Lotus for Window atau Excell, akan
menjadi :
Tabel 2
Tabulasi Data untuk 2 variabel bebas

N X1 X2 Y X1 kuadrat X2 kuadrat X1.X2 X1.Y X2.Y

1 34 12 18.4 1156 144 408 625.6 220.8
2 38 14 20.1 1444 196 532 763.8 281.4
3 45 17 22.7 2025 289 765 1021.5 385.9
4 39 14 19.6 1521 196 546 764.4 274.4
5 30 15 21.8 900 225 450 654 327
6 37 20 23 1369 400 740 851 460
7 27 19 19.8 729 361 513 534.6 376.2
8 38 22 25.7 1444 484 836 976.6 565.4
9 39 18 28.4 1521 324 702 1107.6 511.2
10 32 17 29.1 1024 289 544 931.2 494.7
11 40 15 31 1600 225 600 1240 465
12 44 23 36.9 1936 529 1012 1623.6 848.7
13 33 14 27.8 1089 196 462 917.4 389.2
14 35 18 29.7 1225 324 630 1039.5 534.6
Total 511 238 354 18.983 4.182 8.740 13.050,8 6.134,5


200 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
Dari hasil tabulasi di atas, bila diterapkan pada persamaan linier simultan untuk 2 variabel
bebas seperti pada persaman hal 3 di atas, adalah sebagai berikut:

14a0 + 511a1 + 238a2 = 354 (a)

511a0 + 18.983a1 + 8740a2 = 13.050 (b)
238a0 + 8740a1 + 4.182a2 = 6.134 (c)

Maka dengan demikian bila deretan persamaan tersebut diatas diselesaikan dengan
metode Eliminasi Gauss secara manual, akan diperoleh prosedur-prosedur berikut :
a. Persamaan (b) dinormalkan dengan membaginya terhadap 511, akan menjadi :
a0 + 37,148 a1 + 17,1 a2 = 25,538 (d)
b. Persamaan (d) di atas dikalikan dengan 14, akan menjadi :
14a0 + 520.072 a1 + 239,4 a2 = 357,532. (e)
c. Langkah selanjutnya adalah mengurangkan persamaan (a) dengan (e), menjadi :
-9,072a1-1,4a2 =-3,532. (f)
d. Sekarang persamaan (c) dinormalkan dengan membaginya terhadap 238, akan menjadi :
a0 + 36,722a1 + 17,571428 a2 = 25,7731 (g)
e. Persamaan (g) di atas dikalikan dengan 14, akan menjadi :
14 a0 + 514,108 + 245,98 a2 = 360,8234 (h)
e. Persamaan (a) dikurangi persamaan (h), menjadi persamaan berikut :
-3,108 a1-7,98 a2 =-6,8234. (i)
f. Dengan mensubstitusi persamaan (f) ke dalam (I), maka diperoleh hasil a1 dan a2 berikut :
a1 = 0,27382 dan a2 = 0,7485
g. Dari hasil a1 dan a2 di atas, kita dapat memperoleh parameter a0 = 2,566

Sehingga dari hasil perhitungan manual dengan metode Eliminasi Gauss secara manual
ini akan diperoleh persamaan regressi linier berganda untuk kasus diatas :
Y = 2,566 + 0.27382X1 + 0,7485 X2

Bila kasus di atas diselesaikan dengan menggunakan bantuan software Microstat,

diperoleh hasil pemrosesan / output sebagai berikut :

DEPENDENT VARIABLE : Y
VAR. REGRESSION COEFFICIENT STD.ERROR T(DF=11) PROB PARTIAL r^2
X1 0,2715 0,2735 0,993 0,34224 0,0822
X2 0,7508 0,4271 1,758 0,10649 0,2193
CONSTANT 2,6117
Maka hal ini berarti persamaan regressinya adalah : Y= 2,6117 + 0,2715 x1 + 0,7508 x2

Sekarang bila kasus di atas diselesaikan dengan menggunakan bantuan software Minitab
maka akan diperoleh hasil pemrosesan / output sebagai berikut :
The Regression Equation is : Y= 2,6 + 0,272 x1 + 0,751 x2


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 201
Predictor Coef Stdev t-ratio p
Constant 2,61 10,86 0,24 0,814
x1 0,2715 0,2735 0,99 0,342
x2 0,7508 0,4271 1,76 0,106

Dan bila kasus di atas diselesaikan dengan bantuan software SPSS for Windows, akan
diperoleh hasil sebagai berikut :

* * * MULTIPLE REGRESSION * * *
----------------------------------------Variables in the Equation--------------------------------------
Variable B SE B Beta T Sig T
VAR00001 0.271515 0.273540 0.254080 0.993 0.3422
VAR00002 0.750807 0.427064 0.450020 1.758 0.1065
(Constant) 2.611701 10.856682 0.241 0.8143
Yang berarti menurut Software SPSS tsb, persamaan regressi mulitiple yg dicari adalah:
Y = 2.611701 + 0.271515 X1 + 0.750807 X2

3. PENYELESAIAN DENGAN SOFTWARE MATLAB 3.00

( Software multiguna untuk kasus matematik , ekonomi , statistik dan engineering )

>> menginputkan matrik A
>> A=[ 14 511 238; 511 18983 8740 ; 238 8740 4182 ]
>> menginputkan matrik B
>> B=[ 354 ; 13050 ; 6134]
>> PARAMETER = A \ B
>> PARAMETER = 2.7324 , 0.2696 , 0.7479
>> PARAMETER = inv(A)*B
>> PARAMETER = 2.7324 , 0.2696 , 0.7479
Maka hal ini berarti persamaan regressinya adalah :
Y=2.7324 + 0.2696 X1 + 0.7479 X2

Dan bila kasus di atas diselesaikan dengan program Pascal yang disusun penulis yang
listingnya tampak pada bagian berikut ini :
{ GAUSS ELIMINATION }
{ PROGRAMMED BY YUDHA HERLAMBANG }
uses crt;
type matrix=array [1..10,1..10] of real;
var matrix1,matrix2 : matrix;
A : array [1..10,1..10] of real;
B,X : array [1..10] of real;
jawab : char;


202 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
normal,subs : real;
i,j,k,n,t : integer;

Begin
repeat
clrscr;
repeat
gotoxy(2,2);write('Ordo matriks A (nxn) = ');
{$I-}
readln(n);
{$I+}
until((ioresult=0)and(n<=10)and(n>0));

gotoxy (2,3);
write ('matrix A: ');
for i:=1 to n do
begin
for j:=1 to n do
begin
repeat
{$I-}
gotoxy(j*5,4+i);readln(A[i,j]);
{$I+}
until ioresult=0;
end;
end;
gotoxy(2*j+50,3);write('matriks B: ');
for i:=1 to n do
begin
repeat
{$I-}
gotoxy(j*3+50,4+i);readln(B[i]);
{$I+}
until ioresult=0;
end;

for i:=1 to n-1 do

for k:=i+1 to n do
begin
normal:=A[k,i]/A[i,i];
for j:=i+1 to n do
A[k,j]:=A[k,j]-normal*A[i,j];


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 203
 B[k]:=B[k]-normal*B[i];

A[k,i]:= 0;
end;

for i:=n downto 1 do

begin
subs:=b[i];
for j:=i+1 to n do
subs:=subs-A[i,j]*X[j];
X[i]:=subs/A[i,i];
end;

for i:=1 to n do
begin
gotoxy(32,14+i);writeln('a(',i-1:4,') = ',X[i]:19:14);
end;
writeln;
repeat
write('Ulangi lagi <Ya/Tidak>?: ');readln(jawab);
until jawab in['Y','y','T','t'];
Until jawab in['T','t'];
end.

Apabila program di atas dijalankan dengan menekan tombol ALT-RUN akan diperoleh
hasil pemrosesan sebagai berikut :

Ordo matrix A (nxn) = 3 matrix B :

14 511 238 354
511 18.983 8.740 13.050,8
238 8.740 4.182 6.134,5

Coefficient Regression a(0)= 2,61170127600

Coefficient Regression a(1)= 0,27151507982
Coefficient Regression a(2)= 0,75080662330
Ulangi lagi < Ya/ Tidak>?:

Penjelasan : Hal ini berarti persamaan regressinya :

Y = 2.61170127600 + 0.27151507982 X1 + 0.75080662330 X2
matrik A dan matrik B di atas diisi terlebih dahulu berdasarkan hasil
tabulasi.


204 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
 Tabel 3
Perbandingan hasil koefisien persamaan regressi berganda
untuk kasus A dengan berbagai macam software aplikasi

Software yang Konstanta Variabel X1 Variabel X2

dipergunakan
Cara Manual 2.566 0.27382 0.7485
( Eliminasi Gauss )
Microstat 2.6117 0.2715 0.7508
Minitab 2.6 0.272 0.751
SPSS for Windows 2.611701 0.271515 0.750807
Matlab ver 3.00 2.7324 0.2696 0.7479
Listing Program 2.61170127600 0.27151507982 0.75080662330
Pascal Buatan
Penulis

Tampak bahwa dari berbagai pemecahan di atas, baik dari cara manual, dengan soft-ware
aplikasi Statistik, maupun dengan memakai program buatan penulis di atas adalah
menghasilkan output yang hampir sama untuk kasus yang sama, atau dengan kata program
di atas menghasilkan persamaan regressi yang tidak jauh berbeda nilainya dengan bila kita
memakai cara manual atau software statistik yang lain, maka dikatakan program yang
telah disusun penulis di atas adalah teruji validitasnya. Dan sekarang akan diadakan
pengujian validitas untuk kasus yang melibatkan variabel bebas yang lebih banyak (3
variabel bebas) yaitu pada permasalahan sebagai berikut :

Sekarang akan dicari persamaan regressi linier multiple yang mencerminkan hubungan
antara Prestasi Hasil Omzet Penjualan (Y) terhadap Lama Pengalaman Sales Engineer
(X1), Hasil Penilaian Kecerdasaan dan Logika Calon Sales Engineer (X2), serta
Kemampuan Komunikatif (Personal Approach) dari Sales Engineer (X3), dengan data
tabulasi pada halaman berikut.


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 205
 Tabel 4
Tabel Prestasi Hasil Omzet Penjualan, Lama Pengalaman, Hasil Penilaian Kecerdasaan
dan Logika, serta Kemampuan Komunikatif (Personal Approach) dari Sales Engineer

No Lama Pengalaman Hasil Penilaian Kemampuan Komunikatif Hasil Omzet

Sales (Bulan) Kecerdasaan (Personal Approach) Penjualan
[X1] & Logika [X2] [X3] (Y)
1 34 12 14 18.4
2 38 14 15 20.1
3 45 17 19 22.7
4 39 14 98 19.6
5 30 15 78 21.8
6 37 20 59 23
7 27 19 65 19.8
8 38 22 28 25.7
9 39 18 49 28.4
10 32 17 39 29.1
11 40 15 34 31
12 44 23 43 36.9
13 33 14 13 27.8
14 35 18 69 29.7

Bila persoalan di atas kita selesaikan dengan memakai pendekatan metode least square,
maka kita tabulasikan dulu dengan bantuan spreadsheet Lotus for Window atau Excell,
akan menjadi :
Tabel 5
Tabulasi Data Untuk 3 Variabel Terikat

X1 X2 X3 Y X1Y X2Y X3Y X1X2 X1X3 X2X3 X1X1 X2X2 X3X3

34 12 14 18 625 220 257 408 476 168 1156 144 196
38 14 15 20 763 281 301 532 570 210 1444 196 225
45 17 19 22 1021 385 431 765 855 323 2025 289 361
39 14 98 19 764 274 1920 546 3824 1372 1521 196 9604
30 15 78 21 654 327 1700 450 2340 1170 900 225 6084
37 20 59 23 851 460 1357 740 2183 1180 1369 400 3481
27 19 65 19 534 376 1287 513 1755 1235 729 361 4225
38 22 28 25 976 565 719 836 1064 616 1444 484 784
39 18 49 28 1107 511 1391 702 1911 882 1521 324 2401
32 17 39 29 931 494 1134 544 1248 663 1024 289 1521
40 15 34 31 1240 465 1054 600 1360 510 1600 225 1156
44 23 43 36 1623 848 1586 1012 1892 989 1936 529 1849
33 14 13 27 917 389 361 462 429 182 1089 196 169
35 18 69 29 1039 534 2049 630 2415 1242 1225 324 4761
8740 4182 36817
511 238 623 354 13050 613 15553 22320 10742 18983


206 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
Bila kasus di atas diselesaikan dengan menggunakan bantuan software Microstat, di-
peroleh hasil pemrosesan / output sebagai berikut :

DEPENDENT VARIABLE : Y
VAR. REGRESSION COEFFICIENT STD.ERROR T(DF=11) PROB PARTIAL r^2
X1 0,2341 0,2967 0,789 0,44842 0,0586
X2 0,7924 0,4536 1,747 0,11124 0,2338
X3 -0,0243 0.0554 -0,440 0,66948 0,0190
CONSTANT 4,3547
Maka hal ini berarti persamaan regressinya adalah :
Y= 4,3547 + 0,2341 X1 + 0,7924 X2-0,0243X3.

Sekarang bila kasus di atas diselesaikan dengan menggunakan bantuan software Minitab
maka akan diperoleh hasil pemrosesan / output sebagai berikut :

Predictor Coef Stdev t-ratio p

Constant 4,351 11,95 0,36 0,723
x1 0,2341 0,2967 0,79 0,448
x2 0,7924 0,4536 1,75 0,111
x3 -0,02434 0.05536 -0,44 0,669

Hal ini berarti mempunyai persamaan regressi multipel :

Y = 4,351 + 0,2341 X1 +0, 7924 X2-0,02434 X3.

Dan bila kasus di atas diselesaikan dengan bantuan software SPSS for Windows, akan
diperoleh hasil sebagai berikut :

* * * MULTIPLE REGRESSION * * *
----------------------------------------Variables in the Equation-----------------------------------
Variable B SE B Beta T Sig T
VAR00001 0.234053 0.296652 0.219023 0.789 0.4484
VAR00002 0.792435 0.453627 0.474971 1.747 0.1112
VAR0004 -0.024344 0.055360 -0.119314 -0.440 0.6695
(Constant) 4.354690 11.954303 0.364 0.7232

Hasil ini berarti menurut Software SPSS tsb, persamaan regressi mulitiple yg dicari adalah
: Y = 4.354690 + 0,234053 X1 + 0,792435 X2-0,024344 X3

Sedangkan bila kasus 3 tersebut di atas dikerjakan dengan cara manual yang memakai
metode least squares dan Eliminasi Gauss, maka berdasar hasil tabulasi tabel 2 di atas,
adalah sebagai berikut :


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 207
 14a0 + 511a1 + 238a2 + 623 a3 = 354 (a)
511a0 + 18.983a1 + 8740a2 + 22.320 a3 = 13.050 (b)
238a0 + 8740a1 + 4.182a2 + 10.742 a3 = 6.134,5 (c)
623a0 + 22.320a1 + 10.742 a2 + 36.817 a3 = 15.553,1 (d)

a. Persamaan (b) dinormalkan dengan membaginya terhadap 511 dan mengalikannya

dengan 14, sehingga persamaan (b) akan menjadi :
14a0 + 520,0821918a1 + 239,4520548 a2 + 611,506849 a3 = 357,5561644 (e)
c. Langkah selanjutnya adalah mengurangkan persamaan (a) dengan (e), menjadi :
-9,0821918a1-1,45205448 a2 + 11,4931507a3 =-3,555161437 (f)
d. Sekarang persamaan (c) dinormalkan dengan membaginya terhadap 238, dan menga-
likannya dengan 14, sehingga persamaan (c) akan menjadi :
14a0 + 514,1176471a1 + 246 a2 +631,8823529a3 = 360,8529412 (g)
e. Persamaan (a) dikurangi persamaan (g), menjadi persamaan berikut :
-3,1176471 a1-8 a2-8,8823529 a3 =-6,8529412 (h)
d. Sekarang persamaan (d) dinormalkan dengan membaginya terhadap 623, dan menga-
likannya dengan 14, sehingga persamaan (d) akan menjadi :
14a0 + 501,5730337a1 + 241,3932584 a2 + 827,3483146a3 = 349,5078652 (i)
e. Persamaan (a) dikurangi persamaan (i), menjadi persamaan berikut :
9,4269663 a1-3,3932584 a2-204,348314 a3 = 4,4921348 (j)
f. Persamaan (h) dinormalkan dengan membaginya thdp-3,1176471 dan mengalikannya
dengan-9, 0821918, maka akan menjadi persamaan berikut :
-9,0821918a1-23,30524657 a2-25,87567806 a3 =-19,96368555 (k)
g.Persamaan (j) dinormalkan dengan membaginya thdp 9,4269663 dan mengalikannya
dengan-9,0821918, maka akan diperoleh persamaan baru sebagai berikut :
-9,0821918a1 + 3,269156018 a2 + 196,8746384a3 =-4,327842972 (l)
h. Persamaan (f) dikurangi dengan persamaan (k), akan diperoleh persamaan berikut :
21, 85319177 a2 + 37,36882876 a3 = 16,41207118 (m)
i. Persamaan (f) dikurangi persamaan (L), akan diperoleh persamaan berikut :
-4,721210818 a2-185,381487a3 = 0,776228602 (n)
j. Persamaan (n) dibagi dengan-4,721210818 dan dikalikan dengan 21,85319177, akan
menjadi:
21,85319177a2 + 858,0801259 a3 =-3, 592949595 (0)

k. Persamaan (m) dikurangi persamaan (o) diperoleh persamaan berikut :

-820, 711297 a3 = 20, 00502078.========> a3 =-0,024375222

Dengan demikian, paramater-parameter yang lain dapat dicari dengan mudah, yaitu :
a2 = 0, 79269632
a1 = 0,23346826
a0 = 4,372982729


208 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
Sehingga dari hasil perhitungan manual dengan metode Eliminasi Gauss ini diperoleh
persamaan regressi linier berganda untuk kasus diatas :
Y = 4,372982729 + 0,23346826 X1 + 0,79269632 X2-0,024375222 X3

4. PENYELESAIAN DENGAN SOFTWARE MATLAB 3.00

>> menginputkan matrik C

>> A=[ 14 511 238 623 ; 511 18983 8740 22320 ; 238 8740 4182 10742 ;
623 22320 10742 36817 ]
>> menginputkan matrik D
>> B=[ 354 ; 13050 ; 6134 ; 15553,1 ]
>> PARAMETER = C \ D
>> PARAMETER = 4.4423 , 0.2312 , 0.7917 ,-0.0245.
>> PARAMETER = inv(A)*B
>> PARAMETER = 4.4423 , 0.2312 , 0.7937 ,-0.0245.
Maka hal ini berarti persamaan regressinya adalah :
Y= 4.4423 + 0.2312 X1 + 0.7917 X2-0.0245 X3.

Dan bila kasus 3 tersebut di atas diselesaikan dengan program Pascal yang telah dibuat di
muka, dengan menekan tombol ALT + RUN akan tampak hasil pemrosesan data sbb.:

Ordo matrix A (nxn) = 4 matrix B :

14 511 238 623 354
511 18.983 8.740 22.320 13.050,8
238 8.740 4.182 10.742 6.134,5
623 22.320 10.742 36.817 15.553,1

Coefficient Regression a (0) = 4.35468971900

Coefficient Regression a (1) = 0.23405322201
Coefficient Regression a (2) = 0.79243474876
Coefficient Regression a (3) =-0.02434401720
Ulangi lagi < Ya/ Tidak>?:T

Dengan demikian, tampak bahwa persamaan regessi linier multipel menurut hasil
pemrosesan dari program buatan penulis tersebut adalah :

Y = 4.35468971900 + 0.2340532201 X1 + 0.79243474876 X2-0.02434401720 X3


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 209
 Tabel 6
Perbandingan hasil koefisien persamaan regressi berganda
untuk kasus A dengan berbagai macam software aplikasi

Software yang Konstanta Variabel Variabel Variabel

dipergunakan X1 X2 X3
Cara Manual 4.372982729 0.23346826 0.79269632 -0.024375222
( Eliminasi Gauss )
Microstat 4.3547 0.2341 0.7924 -0.0243
Minitab 4,351 0.2341 0.7924 -0.02434
SPSS for Windows 4.354690 0.23405 0.792435 - 0,024344
Matlab ver 3.00 4.4423 0.2312 0.7917 - 0.0245
Listing Program 4.354689719 0.23405322 0.79243474 -0.0243440172
Pascal Buatan Penulis

Karena program ini dirancang untuk mencari persamaan regressi linier berganda, maka
sebenarnya program ini adalah kelanjutan dari program terdahulu, sehingga dapat
dikatakan bahwa program ini dapat pula untuk mencari persamaan regressi linier tunggal
dengan 1 variabel bebas (X) dan 1 variabel terikat (Y), dengan prosedur yang sama
dengan pemecahan 2 kasus di atas tadi. Dan program ini memang sudah dirancang untuk
dapat menyelesaikan hingga 9 variabel bebas (X1 s/d X9) dan 1 variabel terikat (Y).

5. PENJELASAN LISTING PROGRAM

Baris Penjelasan Statement (Perintah)

1-2. Hanya Judul & Keterangan Pencipta Program (tidak diproses / unprocessed) dlm
perhitungan
4 Matrik A dan B yang diisikan nanti maksimum berisi 10 kolom dan 10 baris yg terdiri
dari bilangan pecahan (decimal) dan bulat.
5 Nantinya variabel matrix akan ada matrix 1 dan matrix 2
6 Matriks A maksimal berisi deretan angka 10 baris dan 10 kolom dalam bentuk
bilangan pecahan dan bulat.
7 Matrik B dan X akan berisi maksimal 10 baris dan 1 kolom membujur ke bawah
nantinya
8 Mendefinisikan bahwa variabel “ jawab” tergolong data type character (abjad/
alphabet)
9 Sedangkan variabel “ normal “ & “ subs” tergolong type real (bilangan bulat &
pecahan)
10 Mendefiniskan variabel i,j,k,n (variabel penunjuk / penghitung baris dan kolom
matriks) tergolong type integer (bil. bulat)
11-19 Sederetan perintah untuk menginputkan isi matriks A
(bersambung)


210 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
 15 Perintah untuk menampilkan kalimat “ Orde Matriks A (nxn)” pada koordinat
2 baris dari atas pada layar monitor---> menyuruh user utk menginputkan
ukuran matrik A (kolom & baris)
16-18 Memerintahkan memory komputer untuk membaca dan menyimpan data yang
kita isikan sehubungan dengan baris 15 (berupa jawaban kita tentang dimensi
atau ukuran banyak kolom dan baris pada matriks A yg ditanyakan oleh
komputer pada kita)
19 Memerintahkan komputer untuk menolak hasil data yg kita inputkan,bila
ukuran matrik di luar ukuran dimensi (lebih dari 10 kolom & baris) atau kurang
dari 1 (negatif & nol)
20-32 Sederetan perintah prosedur pemasukan data berupa elemen-elemen matriks A
oleh user agar siap dibaca dan direkam memory komputer.
20-21 Memerintahkan komputer menuliskan tulisan “ matriks A “ pada koordinat 3
baris dari atas pada layar monitor, agar user memulai prosedur pengisian
elemen matriks A tersebut
22-32 Memerintahkan memory komputer membaca, menyimpan serta mengingat data berupa
elemen matrik A yang diisikan oleh user, menurut baris 1 kol 1, baris 1 kol 2, baris 1
kol 3...dst, baris 2 kol 1, baris 2 kol 2, baris 3 kol 3,......dst, baris 3 kol 1, baris 3 kol
2,...........dst
33-41 Sederetan perintah prosedur pemasukan data berupa elemen-elemen matriks B
oleh user agar siap dibaca dan direkam memory komputer.
33 Memerintahkan komputer menuliskan tulisan “ matriks B “ pada koordinat 3
baris dari atas pada layar monitor, agar user memulai prosedur pengisian
elemen matriks B tersebut
34-41 Memerintahkan memory komputer membaca, menyimpan serta mengingat data berupa
elemen matrik B yang diisikan oleh user,menurut baris 1, baris 2. baris 3,baris 4.....dst,
tanpa kolom. Karena memang matriks B adalah matriks kolom yang elemennya terdiri
hanya 1 kolom saja
42-50 Prosedur Perhitungan Eliminasi Gauss (menormalkan persamaan,
mengalikannya dengan elemen pertama, menguranginya dengan persamaan ke
satu, dan seterusnya) hingga terjadi hasil parameter An, yang kita cari.
Prosedur selengkapnya dpt dilihat pd sajian manual Prosedur Eliminasi Gauss
hal 5, 6, & 11
51-57 Prosedur untuk mencari paramater yg lain a0, a1, a2, a3, yg kita cari, sehingga
semua parameter terjawab hasilnya. Prosedur itu dilakukan dengan cara
substitusi persamaan.
58-63 Prosedur untuk menampilkan hasil parameter a0,a1, a2,.....a10 yg kita cari ke
layar monitor
64-67 Prosedur untuk menanyai user apakah ingin mengulangi perhitungan ?
64 Perintah menuliskan pertanyaan “ Ulangi lagi <Ya/Tidak> “ di layar monitor.
Jawaban yg kita berikan (Y atau T)disimpan dalam variabel “jawab” oleh
memory komputer.


Perhitungan Regresi Linier Berganda (Yudha Herlambang) 211
 6. KETERKAITAN DENGAN ILMU EKONOMI
7.
Dengan disusunnya program Regressi Linier Berganda ini sebagai alternatif lain di sam-
ping software Statistik yang sudah ada (Microstat, Minitab, SPSS for Window), maka da-
pat diperoleh persamaan regressi linier berganda. Dengan diperolehnya persamaan linier
berganda ini, kita dapat memperkirakan/memprediksi “Response“ dari suatu variabel
terikat, bila diinputkan variabel–variabel bebas yang telah diketahui.

Sebagai contoh dari kasus di atas misalkan : kita dapat memprediksi omzet sales (pen-
dapatan penjualan) untuk salesman- salesman yang lain setelah kita mendapatkan persa-
maan linier berganda yang memuat hubungan antara omzet (Y) sales tersebut dengan fak-
tor-faktor yang mempengaruhinya antara lain lama pengalaman kerja seorang salesman
(X1), penilaian skill dan logika saat recruitment (X2), serta kemampuan komunikatif seo-
rang salesman yang bersangkutan (X3). Sedangkan yang disebut prediksi (forecast) me-
mang belum tentu benar, namun dapat dipergunakan sebagai patokan atau pedoman da-
lam pengambilan suatu keputusan.

8. SIMPULAN
Telah berhasil dirancang suatu program yang berfungsi untuk melakukan regressi linier
multiple dari sekumpulan data yang mengandung variabel terikat dan beberapa
variabel/faktor lain yang mempengaruhinya. Terhadap program tersebut telah dilakukan
pengujian validitas dengan cara membandingkan hasil pemrosesan berupa parameter-
paramater regressi linier berganda, dengan parameter- parameter serupa yang telah dipe-
roleh dari cara manual ataupun memakai software-software standard untuk aplikasi Statis-
tik Ekonomi yang lain. Ternyata dari contoh kasus yang diberikan, diperoleh hasil output
(parameter) yang mendekati sama antara hasil pemrosesan yang diperoleh dari program
buatan penulis dengan hasil yang diperoleh dari cara manual atau Software Statistik yg
lain (Microstat, Minitab, SPSS for Window) sebagai pembandingnya. Sehingga dapat di-
katakan bahwa validitas program telah diuji terhadap kasus yang sama.
Dengan selesainya program yang disusun penulis ini, maka diharapkan dapat membantu
dalam memecahkan persoalan – persoalan untuk mencari persamaan regressi linier
berganda. (multiple). Kelebihan yang didapat dari program ini adalah kita dapat
“mensetting “ (mengubah) supaya dapat menampilkan hasil pengolahan data yang kita
inginkan. Misalkan kita menginginkan hasil yang mengandung beberapa digit di belakang
koma, dengan maksud memperoleh tingkat ketelitian tertentu sesuai kehendak kita. Di
samping itu kita dapat “mensetting“ (mengubah) program tersebut untuk masukan yang
lebih dari 10 variabel bebas, yang selanjutnya secara otomatis akan mengubah dimensi/
ukuran matriks A dan B nya.


212 Ekuitas Vol.3 No.4 Desember 1999 : 196-213
 9. DAFTAR PUSTAKA

Bambang Trihatmodjo, Dr, Ir, DEA, Metode Numerik, Balai Pustaka Jakarta 1998

Jogiyanto, Turbo Pascal, Andi Offset Yogyakarta, 1988

Sudjana, Dr, MA, MS, Statistik untuk Ekonomi dan Niaga, Tarsito Bandung 1982

Rudy Badrudin, Bambang Kustituanto, Statistik Ekonomi, Penerbit STIE YKPN,

Yogyakarta, 1995




Perhitungan Regresi Linier Berganda (Yudha Herlambang) 213