1.

Analisis Regresi Linier Berganda

Analisis regresi linier berganda ini digunakan untuk mengetahui ada tidaknya
pengaruh dari variabel bebas terhadap variabel terikat. Disini saya akan
memberikan contoh seperti artikel saya sebelumnya, lihat artikelnya disini.
Sehingga yang saya cari adalah pengaruh variabel bebas (independen variable)
yaitu Leverage (X1), CR (X2), Return On Asset (X3) dan Return On Equity (X4)
terhadap variabel terikat (dependen variable) yaitu Beta (Y).

Dan persamaan regresinya dapat dirumuskan sebagai berikut (Suharyadi dan

Purwanto, 2004:509):

Dimana:
Y = Beta (β)
a = Konstanta
b1,b2,b3,b4 = Koefisien determinasi
X1 = Leverage
X2 = CR
X3 = Return On Asset (ROA)
X4 = Return On Equity (ROE)
e = Error

Untuk membaca dari hasil SPSS terhadap persamaan regresinya adalah dengan
melihat output spss pada tabel “Coefficients” (yang belum tau caranya bisa dilihat
langkahnya dengan klik disini).
Untuk lebih jelasnya bisa lihat pada contoh saya yang sebelumnya dan gambar di
bawah ini:
 Berdasarkan tabel diatas dapat diperoleh rumus regresi sebagai berikut:

Y = (-0,094) + 2,934 X1 - 0,071 X2 - 0,043 X3 – 0,003 X4 + e

Interpretasi dari regresi diatas adalah sebagai berikut:

1. Konstanta (a)
Ini berarti jika semua variabel bebas memiliki nilai nol (0) maka nilai variabel
terikat (Beta) sebesar -0,094.

2. Leverage (X1) terhadap beta (Y)

Nilai koefisien Leverage untuk variabel X1 sebesar 2,839. Hal ini mengandung arti
bahwa setiap kenaikan Leverage satu satuan maka variabel Beta (Y) akan naik
sebesar 2,839 dengan asumsi bahwa variabel bebas yang lain dari model regresi
adalah tetap.

3. CR (X2) terhadap beta (Y)

Nilai koefisien Current Ratio untuk variabel X2 sebesar 0,071 dan bertanda negatif,
ini menunjukkan bahwa Current Ratio mempunyai hubungan yang berlawanan arah
dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan Current
Ratio satu satuan maka variabel Beta (Y) akan turun sebesar 0,071 dengan asumsi
bahwa variabel bebas yang lain dari model regresi adalah tetap.

4. ROA (X3) terhadap Beta (Y)

Nilai koefisien ROA terstandarisasi untuk variabel X3 sebesar 0,043 dan bertanda
negatif, ini menunjukkan bahwa ROA mempunyai hubungan yang berlawanan arah
dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROA satu
satuan maka variabel Beta (Y) akan turun sebesar 0,043 dengan asumsi bahwa
variabel bebas yang lain dari model regresi adalah tetap.

5. ROE (X4) terhadap Beta (Y)

Nilai koefisien ROE untuk variabel X4 sebesar 0,003 dan bertanda negatif, ini
menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan
Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROE satu satuan
maka variabel Beta (Y) akan turun sebesar 0,003 dengan asumsi bahwa variabel
bebas yang lain dari model regresi adalah tetap.

2. Uji t

Uji t digunakan untuk mengetahui apakah variabel-variabel independen secara

parsial berpengaruh nyata atau tidak terhadap variabel dependen. Derajat
signifikansi yang digunakan adalah 0,05. Apabila nilai signifikan lebih kecil dari
derajat kepercayaan maka kita menerima hipotesis alternatif, yang menyatakan
bahwa suatu variabel independen secara parsial mempengaruhi variabel dependen.

Analisis uji t juga dilihat dari tabel ”Coefficient”. Contoh dari artikel saya
sebelumnya:
 Cara bacanya:

1. Leverage (X1) terhadap Beta (Y)

Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,002. Nilai sig lebih
kecil dari nilai probabilitas 0,05, atau nilai 0,002<0,05, maka H1 diterima dan Ho
ditolak. Variabel X1 mempunyai thitung yakni 3,317 dengan ttabel=2,021. Jadi
thitung>ttabel dapat disimpulkan bahwa variabel X1 memiliki kontribusi terhadap Y.
Nilai t positif menunjukkan bahwa variabel X1 mempunyai hubungan yang searah
dengan Y. Jadi dapat disimpulkan leverage memiliki pengaruh signifikan terhadap
Beta.

2. Current Ratio (X2) terhadap beta (Y)

Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,039. Nilai sig lebih
kecil dari nilai probabilitas 0,05, atau nilai 0,039<0,05, maka H1 diterima dan Ho
ditolak. Variabel X2 mempunyai thitung yakni 2,134 dengan ttabel=2,021. Jadi
thitung>ttabel dapat disimpulkan bahwa variabel X2 memiliki kontribusi terhadap Y.
Nilai t negatif menunjukkan bahwa X2 mempunyai hubungan yang berlawanan arah
dengan Y. Jadi dapat disimpulkan CR memiliki pengaruh signifikan terhadap beta.

3. ROA (X3) terhadap Beta (Y)

Terlihat nilai sig untuk ROA adalah 0,100. Nilai sig lebih besar dari nilai
probabilitas 0,05, atau nilai 0,100>0,05, maka H1 ditolak dan Ho diterima. Variabel
X3 mempunyai thitung yakni 1,683 dengan ttabel=2,021. Jadi thitung<ttabel dapat
disimpulkan bahwa variabel X3 tidak memiliki kontribusi terhadap Y. Nilai t negatif
menunjukkan bahwa X3 mempunyai hubungan yang berlawanan arah dengan Y. Jadi
dapat disimpulkan ROA tidak berpengaruh signifikan terhadap risiko Beta
.
4. ROE (X4) terhadap
Terlihat nilai sig pada ROE adalah 0,726. Nilai sig lebih besar dari nilai probabilitas
0,05, atau nilai 0,726>0,05, maka H1 ditolak dan Ho diterima. Variabel X4
mempunyai thitung yakni 0,353 dengan ttabel=2,021. Jadi thitung<ttabel dapat
disimpulkan bahwa variabel X4 tidak memiliki kontribusi terhadap Y. Nilai t negatif
menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan
Beta. Jadi dapat disimpulkan ROE tidak berpengaruh signifikan terhadap risiko
Beta.

Sehingga ringkasan hasil pengujian hipotesis adalah sbb:

3. Uji F

Uji F digunakan untuk mengetahui apakah variabel-variabel independen

secara simultan berpengaruh signifikan terhadap variabel dependen. Derajat
kepercayaan yang digunakan adalah 0,05. Apabila nilai F hasil perhitungan lebih
besar daripada nilai F menurut tabel maka hipotesis alternatif, yang menyatakan
bahwa semua variabel independen secara simultan berpengaruh signifikan
terhadap variabel dependen.

Untuk analisisnya dari output SPSS dapat dilihat dari tabel ”Anova”, seperti contoh
saya:

Cara bacanya:

Pengujian secar simultan X1, X2, X3 dan X4 terhadap Y:

Dari tabel diperoleh nilai Fhitung sebesar 5,889 dengan nilai probabilitas (sig)=0,001.
Nilai Fhitung (5,889)>Ftabel (2,61), dan nilai sig. lebih kecil dari nilai probabilitas 0,05
atau nilai 0,001<0,05; maka H01 diterima, berarti secara bersama-sama (simultan)
Leverage, CR, ROA dan ROE berpengaruh signifikan terhadap Beta. ditolak dan H

4. Koefisien determinasi (R²)

Koefisien determinasi digunakan untuk mengetahui seberapa besar hubungan dari
beberapa variabel dalam pengertian yang lebih jelas. Koefisien determinasi akan
menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan
oleh perubahan atau variasi pada variabel yang lain (Santosa&Ashari, 2005:125).

Dalam bahasa sehari-hari adalah kemampuan variabel bebas untuk berkontribusi

terhadap variabel tetapnya dalam satuan persentase.

Nilai koefisien ini antara 0 dan 1, jika hasil lebih mendekati angka 0 berarti
kemampuan variabel-variabel independen dalam menjelaskan variasi variabel amat
terbatas. Tapi jika hasil mendekati angka 1 berarti variabel-variabel independen
memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen.

Untuk analisisnya dengan menggunakan output SPSS dapat dilihat pada tabel
”Model Summary”.
Supaya lebih sederhana lihat contoh saya berikut ini:

Cara bacanya (berdasarkan contoh saya sebelumnya):

Berdasarkan Tabel ”Model Summary” dapat disimpulkan bahwa Leverage, CR, ROA
dan ROE berpengaruh sebesar 35,4% terhadap Risiko Sistematis, sedangkan 64,6%
dipengaruhi variabel lain yang tidak diteliti. Karena nilai R Square dibawah 5% atau
cenderung mendekati nilai 0 maka dapat disimpulkan kemampuan variabel-variabel
independen dalam menjelaskan variasi variabel amat terbatas.

Demikian penjelasan dari saya. Semoga bermanfaat bagi kita semua. Jangan lupa
lihat link Contoh Cara Analisis Data Dengan SPSS yang bisa di lihat dengan klik
disini. Atau jika tidak bisa bisa copy paste link ini di jendela baru:
(http://carapandangku.blogspot.com/2011/07/uji-asumsi-klasik-dengan-spss-
panduan_04.html#more)
Salam,
Sisca

Kata kunci yang berhubungan Dengan Artikel ini:

Pengujian Hipotesis, Regresi Linear Berganda, Pengujian Hipotesis Dengan SPSS, Uji T, Uji R2, Uji F, Uji T Student, Uji R Square, Uji
Koefisien determinasi, Uji Pengaruh, Uji Sample dijelaskan secara lengkap berserta contoh soalnya.
Uji F dan Uji T
Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji untuk melihat
bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama terhadap variabel
terikatnya. Atau untuk menguji apakah model regresi yang kita buat baik/signifikan atau
tidak baik/non signifikan.

Jika model signifikan maka model bisa digunakan untuk prediksi/peramalan, sebaliknya jika
non/tidak signifikan maka model regresi tidak bisa digunakan untuk peramalan.

Uji F dan Uji T

Uji F dapat dilakukan dengan membandingkan F hitung dengan F tabel, jika F hitung > dari F
tabel, (Ho di tolak Ha diterima) maka model signifikan atau bisa dilihat dalam kolom
signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji Regresi dengan Metode
Enter/Full Model). Model signifikan selama kolom signifikansi (%) < Alpha (kesiapan
berbuat salah tipe 1, yang menentukan peneliti sendiri, ilmu sosial biasanya paling besar
alpha 10%, atau 5% atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model tidak
signifikan, hal ini juga ditandai nilai kolom signifikansi (%) akan lebih besar dari alpha.

Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh masing-masing
variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat dilakukan
dengan mambandingkan t hitung dengan t tabel atau dengan melihat kolom signifikansi pada
masing-masing t hitung, proses uji t identik dengan Uji F (lihat perhitungan SPSS pada
Coefficient Regression Full Model/Enter). Atau bisa diganti dengan Uji metode Stepwise.

Untuk mempelajari tentang bagaimana melakukan uji F dan uji t parsial, baca artikel kami
yang berjudul:
"Analisis Regresi Korelasi", "Analisis Regresi dalam Excel" dan "Regresi Linear Sederhana
dengan SPSS".

Apabila anda kesulitan, bisa menggunakan jasa kami untuk bantuan olah dan analisa data.