EKONOMETRIKA

(AKKC 156)

ANALISIS REGRESI BERGANDA

Dosen Pembimbing:
Drs. H. Karim, M.Si
Indah Budiarti, M.Pd

Oleh:
Agung Handoko (A1C111037)

Program Studi Pendidikan Matematika

Jurusan Pendidikan Matematika dan Ilmu Pengetahuan Alam
Fakultas Keguruan dan Ilmu Pendidikan Universitas
Lambung Mangkurat
Banjarmasin
2013
 DAFTAR ISI

DAFTAR ISI........................................................................................................... i

BAB I PENDAHULIAN ........................................................................................1

A. Latar Belakang...................................................................................................... 1
B. Regresi linier berganda ........................................................................................ 2
C. Asumsi-asumsi model regresi linier berganda ................................................... 2
D. Pelanggaran-pelanggaran terhadap asumsi regresi linier berganda ............... 3
BAB II KAJIAN TEORI .......................................................................................7

A. Hasil Analisis Data ................................................................................................ 8

B. Analisis Uji Asumsi Klasik ................................................................................. 12
DAFTAR PUSTAKA.................................................................................................. 19

Analisis Regresi Berganda i

 BAB I
PENDAHULIAN

A. Latar Belakang
Analisis regresi merupakan salah satu teknik analisis data dalam statistika
yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan
meramal suatu variabel (Kutner, Nachtsheim dan Neter, 2004).
Istilah “regresi” pertama kali dikemukakan oleh Sir Francis Galton (1822-
1911), seorang antropolog dan ahli meteorologi terkenal dari Inggris. Dalam
makalahnya yang berjudul “Regression towards mediocrity in hereditary stature”,
yang dimuat dalam Journal of the Anthropological Institute, volume 15, hal. 246-
263, tahun 1885. Galton menjelaskan bahwa biji keturunan tidak cenderung
menyerupai biji induknya dalam hal besarnya, namun lebih medioker (lebih
mendekati rata-rata) lebih kecil daripada induknya kalau induknya besar dan lebih
besar daripada induknya kalau induknya sangat kecil (Draper dan Smith, 1992).
Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis
regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut dengan
variabel tidak bebas dan satu atau lebih variabel bebas. Jika ingin dikaji hubungan
atau pengaruh satu variabel bebas terhadap variabel tidak bebas, maka model
regresi yang digunakan adalah model regresi linier sederhana. Kemudian Jika
ingin dikaji hubungan atau pengaruh dua atau lebih variabel bebas terhadap
variabel tidak bebas, maka model regresi yang digunakan adalah model regresi
linier berganda (multiple linear regression model).
Kemudian untuk mendapatkan model regresi linier sederhana maupun
model regresi linier berganda dapat diperoleh dengan melakukan estimasi terhadap
parameter-parameternya menggunakan metode tertentu. Adapun metode yang
dapat digunakan untuk mengestimasi parameter model regresi linier sederhana
maupun model regresi linier berganda adalah dengan metode kuadrat terkecil

Analisis Regresi Berganda 1

(ordinary least square/OLS) dan metode kemungkinan maksimum (maximum
likelihood estimation/MLE) (Kutner et.al, 2004).

B. Regresi linier berganda

Bentuk umum model regresi linier berganda dengan p variabel bebas
adalah seperti pada persamaan (2.1) berikut (Kutner, Nachtsheim dan Neter,
2004).

�� = � 0 + � 1 �� 1 + � 2 �� 2 + ⋯ + � � � −1

�� � � −1 + � ��
dengan:

�� adalah variabel tidak bebas untuk pengamatan ke-i, untuk i = 1, 2, …, n.

� 0, � 1, � 2, … , � � � −1 adalah Parameter

�� 1, �� 2, … , �� � � −1 adalah Variabel Bebas

�� adalah sisa (error) untuk pengamatan ke-i yang diasumsikan berdistribusi
�
normal

yang saling bebas dan identik dengan rata-rata 0 (nol) dan variansi 2.

C. Asumsi-asumsi model regresi linier berganda

Menurut Gujarati (2003) asumsi-asumsi pada model regresi linier berganda
adalah sebagai berikut:
1. Model regresinya adalah linier dalam parameter.
2. Nilai rata-rata dari error adalah nol.
3. Variansi dari error adalah konstan (homoskedastik).
4. Tidak terjadi autokorelasi pada error.
5. Tidak terjadi multikolinieritas pada variabel bebas.
6. Error berdistribusi normal.
D. Pelanggaran-pelanggaran terhadap asumsi regresi linier berganda
Dalam analisis regresi linier berganda terdapat beberapa pelanggaran-
pelanggaran yang seringkali dilakukan terhadap asumsi-asumsinya, diantaranya
diuraikan berikut ini.
1. Multikolinieritas
Multikolinieritas adalah terjadinya hubungan linier antara variabel bebas
dalam suatu model regresi linier berganda (Gujarati, 2003). Hubungan linier
antara variabel bebas dapat terjadi dalam bentuk hubungan linier yang sempurna
(perfect) dan hubungan linier yang kurang sempurna (imperfect).
Adapun dampak adanya multikolinieritas dalam model regresi linier berganda
adalah (Gujarati, 2003 dan Widarjono, 2007):
a. Penaksir OLS masih bersifat BLUE, tetapi mempunyai variansi dan
kovariansi yang yang besar sehingga sulit mendapatkan taksiran (estimasi)
yang tepat.
b. Akibat penaksir OLS mempunyai variansi dan kovariansi yang yang besar,
menyebabkan interval estimasi akan cenderung lebih lebar dan nilai hitung
statistik uji t akan kecil, sehingga membuat variabel bebas secara statistik
tidak signifikan mempengaruhi variabel tidak bebas.
c. Walaupun secara individu variabel bebas tidak berpengaruh terhadap variabel
tidak bebas melalui uji t, tetapi nilai koefisien determinasi (R2) masih bisa
relatif tinggi. Selanjutnya untuk mendeteksi adanya multikolinieritas dalam
model regresi linier berganda dapat digunakan nilai variance inflation factor
(VIF) dan tolerance (TOL) dengan ketentuan jika nilai VIF melebihi angka
10, maka terjadi multikolinieritas dalam model regresi. Kemudian jika nilai
TOL sama dengan 1, maka tidak terjadi multikolinieritas dalam model regresi.

2. Heteroskedastisitas
Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau
variansi antar error yang satu dengan error yang lain berbeda (Widarjono, 2007).
Dampak adanya heteroskedastisitas dalam model regresi adalah walaupun
estimator OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi
yang minimum dan menyebabkan perhitungan standard error metode OLS tidak
bisa dipercaya kebenarannya. Selain itu interval estimasi maupun pengujian
hipotesis yang didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya
untuk evaluasi hasil regresi.
Akibat dari dampak heteroskedastisitas tersebut menyebabkan estimator OLS
tidak menghasilkan estimator yang BLUE dan hanya menghasilkan estimator OLS
yang linear unbiased estimator (LUE). Selanjutnya dilakukan deteksi masalah
heteroskedastisitas dalam model regresi. Salah satu cara yang dapat digunakan
untuk mendeteksi adanya heteroskedastisitas dalam model regresi adalah dengan
Metode Glejser. Glejser merupakan seorang ahli ekonometrika dan mengatakan
bahwa nilai variansi variabel error model regresi tergantung dari variabel bebas.
Selanjutnya untuk mengetahui apakah pola variabel error mengandung
heteroskedastisitas Glejser menyarankan untuk melakukan regresi nilai mutlak
residual dengan variabel bebas. Jika hasil uji F dari model regresi yang diperoleh
tidak signifikan, maka tidak ada heteroskedastisitas dalam model regresi
(Widarjono, 2007).

3. Autokorelasi
Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan
variabel error yang lain. Autokorelasi seringkali terjadi pada data time series dan
dapat juga terjadi pada data cross section tetapi jarang (Widarjono, 2007). Adapun
dampak dari adanya autokorelasi dalam model regresi adalah sama dengan
dampak dari heteroskedastisitas yang telah diuraikan di atas, yaitu walaupun
estimator OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi
yang minimum dan menyebabkan perhitungan standard error metode OLS tidak
bisa dipercaya kebenarannya. Selain itu interval estimasi maupun pengujian
hipotesis yang didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya
untuk evaluasi hasil regresi. Akibat dari dampak adanya autokorelasi dalam model
regresi menyebabkan estimator OLS tidak menghasilkan estimator yang BLUE
dan hanya menghasilkan estimator OLS yang LUE (Widarjono, 2007).
Selanjutnya untuk mendeteksi adanya autokorelasi dalam model regresi linier
berganda dapat digunakan metode Durbin- Watson. Durbin-Watson telah
berhasil mengembangkan suatu metode yang
digunakan untuk mendeteksi adanya masalah autokorelasi dalam model regresi
linier berganda menggunakan pengujian hipotesis dengan statistik uji yang cukup
populer seperti pada persamaan (6.1) berikut.
∑��=��
� = 2 (�� − ���−1 )
2
�
∑��=�
��=1 �
2

Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas bawah (dL) dan
batas atas (dU) sehingga jika nilai d hitung dari persamaan (6.1) terletak di luar
nilai kritis ini, maka ada atau tidaknya autokorelasi baik positif atau negatif dapat
diketahui. Deteksi autokorelasi pada model regresi linier berganda dengan metode
Durbin-Watson adalah seperti pada
Tabel berikut.
Nilai Statistik Durbin-Watson

0 < � < ��

�� ≤ � ≤ ��

�� ≤ � ≤ 4 − ��

4 − �� ≤ � ≤ 4 − ��

4 − �� ≤ � ≤ 4

Sumber : Widarjono (2007)

Salah satu keuntungan dari uji Durbin-Watson yang didasarkan pada error adalah
bahwa setiap program komputer untuk regresi selalu memberi informasi statistik
d. Adapun prosedur dari uji Durbin-Watson adalah (Widarjono, 2007):
1. Melakukan regresi metode OLS dan kemudian mendapatkan nilai errornya.
2. Menghitung nilai d dari persamaan (6.1) (kebanyakan program komputer
secara otomatis menghitung nilai d).
3. Dengan jumlah observasi (n) dan jumlah variabel bebas tertentu tidak
termasuk
konstanta (p-1), kita cari nilai kritis �� dan �� di statistik Durbin-Watson.
4.
pada Keputusan ada atau tidaknya autokorelasi dalam model regresi didasarkan
Tabel 6.1.
Selain Kriteria uji seperti pada Tabel 6.1, dapat juga digunakan kriteria lain untuk
mendeteksi adanya autokorelasi dalam model regresi linier berganda adalah
sebagai berikut
(Santoso, 2000):
1. Jika nilai d < −2, maka ada autokorelasi positif.
2. Jika −2 ≤ d ≤ 2, maka tidak ada autokorelasi.
3. Jika nilai d > 2, maka ada autokorelasi negatif.
 BAB II
KAJIAN TEORI

Kasus:

Seorang Manajer Pemasaran deterjen Hotel Castaneda ingin mengetahui apakah Promosi
dan

Harga berpengaruh terhadap keputusan konsumen memilih hotel tersebut ?

Hipotesis:

Ho : b1 = b2 = 0, Promosi dan Harga tidak berpengaruh signifikan terhadap keputusan

konsumen memilih Hotel “Castaneda”.

Ha : b1 ¹ b2 ¹ 0, Promosi dan Harga berpengaruh signifikan terhadap keputusan

konsumen

memilih Hotel “Castaneda”.

DATA KASUS
A. Hasil Analisis Data

Analisis Regresi Linear Berganda

Tabel 1
Variables Entered/Removedb
Model
1

a. All requested variables entered.

b. Dependent Variable: Keputusan_konsumen
 Dari tabel di atas diketahui bahwa variabel yang dimasukkan adalah Promosi
dan Harga. Sedangkan variabel yang dihilangkan atau dihapuskan tidak ada.
Dengan kata lain, semua variabel bebas (X1, X2) dimasukkan dalam analisis
regresi linear berganda tersebut.

Tabel 2

Model Summary
Change Statistics
Model

1 .609a

a. Predictors: (Constant), Promosi, Harga

Tabel di atas menunjukkan bahwa koefisisen atau R simultannya adalah

0,609. Kisaran nilai R adalah 0 hingga 1. Semakin nilai R mendekati angka 1,
maka semakin kuat variabel-variabel bebas memprediksikan variabel terikat.
Karena
0,609 mendekati angka 1, maka variabel-variabel bebas yakni Promosi dan Harga
dapat memprediksikan tingkat keputusan konsumen dengan sangat kuat.
Sedangkan R Square adalah 0,371 yaitu hasil kuadrat dari koefisien korelasi
(0,609 x 0,609 = 0,371). Seperti halnya R simultan, kisaran nilai adjusted R square
adalah
0 hingga 1. Dari tabel di atas diketahui nilai adjusted R square adalah 0,297
mendekati nilai 1, sehingga ketepatan mencari jawaban dari suatu populasi
berdasarkan sampel yang ada cukup tinggi. Standard Error of Estimate adalah
3.666. Karena 3.666 mendekati tidak nilai nol, maka bukan model yang excellent.
 Tabel 3
ANOVAb
Model
1 Regression
Residual
Total
a. Predictors: (Constant), Promosi, Harga
b. Dependent Variable: Keputusan_konsumen

Dari tabel di atas, diketahui bahwa df (degree of freedom) adalah derajat

kebebasan dimana df regression (perlakuan) sebagai df pembilang, df residual
(sisa) sebagai df penyebut. Nilai df pembilang adalah 2 (jumlah variabel bebas),
sedangkan df penyebut adalah 17. Di samping itu diketahui pula bahwa Fhitung
adalah 5,009 diperoleh dari mean square untuk regression dibagi mean square
untuk residual (67,334 : 13,443). Kemudian nilai Ftabel kita peroleh dengan melihat
pada tabel untuk nilai dari F(0,05;2;17) adalah 3,59. Karena Fhitung > Ftabel, maka
dapat disimpulkan bahwa variabel bebas yakni harga dan promosi secara serentak
mempengaruhi tingkat tingkat keputusan konsumen atau dengan kata lain model
regresi dapat digunakan untuk memprediksi tingkat keputusan konsumen.
Selain itu, kita juga dapat menarik kesimpulan dengan membandingkan nilai
Sig. pada tabel di atas yaitu 0,019 dengan �= 0,05 dimana Sig. <
hitung hitung

�,
sehingga juga dapat dapat ditarik kesimpulan yang sama bahwa variabel bebas
yakni harga dan promosi secara serentak mempengaruhi tingkat tingkat keputusan
konsumen atau dengan kata lain model regresi dapat digunakan untuk
memprediksi tingkat keputusan konsumen.
 Tabel 4
Coefficientsa
Model

1 (Constant
) Harga

Promosi

a. Dependent Variable: Keputusan_konsumen

Dari tabel di atas diperoleh koefisien nilai � dari kolom B pada

Unstandardized Coefficient, yaitu
� = 6,154
0

�1 = 1,038

�2 = 1,234

Masing-masing koefisien � tersebut menunjukkan nilai yang menjelaskan

bahwa Y (variabel terikat) akan berubah jika X (variabel bebas) diubah 1 unit.
Adapun persamaan regresi linier berganda sementara yang dapat diperoleh :
Ŷ = β0 + β1 X1 + β2 X2 + ε
Ŷ = 6,154 + 1,038X1 + 1,234X2 + ε

Di samping itu, kolom Sig. di atas juga menunjukkan nilai signifikansi

hubungan antara setiap variabel bebas dengan variabel terikat dimana jika Sig.hitung
< �(� = 0,05), maka variabel bebas tersebut berpengaruh signifikan

terhadap
variabel terikatnya. Artinya :
 Harga
Sig. = 0,011 < � = 0,05, jadi harga berpengaruh signifikan
hitung

terhadap
tingkat keputusan konsumen.
 Promosi
 ig. = 0,129 < � = 0,05, jadi promosi berpengaruh signifikan
hitung
terhadap
tingkat konsumsi.

Dari tabel yang didapat, kedua variabel signifikan karena bernilai < 0,05. Oleh karena
model analisi yang didapat adalah :

Ŷ = 6,154 + 1,038X1 + 1,234X2 + ε

Hasil analisis :
- Konstanta sebesar 6,154 artinya jika harga nilainya adalah 0 dan
promosi nilainya adalah 0, maka keputusan konsumen adalah 6,154.
- Koefisien regresi variabel harga (X1) sebesar 1,038 artinya jika harga
mengalami kenaikan 1% dan promosi 0 maka nilai keputusan konsumen (Y) akan
mengalami peningkatan sebesar 1,038 . Kemudian bila harga bernilai 0 maka
promosi mengalami peningkatan sebesar 1,234. Koefisien bernilai positif artinya
terjadi hubungan positif antara harga dengan promosi, semakin niak harga dan
promosi maka semakin meningkat nilai keputusan konsumen.

B. Analisis Uji Asumsi Klasik

a. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi,

variabel pengganggu atau residual memiliki distribusi normal atau tidak. Model
regresi yang baik adalah yang memiliki distribusi normal. Uji statistik yang dapat
dilakukan dalam uji normalitas adalah uji Kolmogorov-Smirnov. Secara
multivarians, pengujian normalitas data dilakukan terhadap nilai residualnya. Data
yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05.

Uji normalitas bisa dilakukan dengan dua cara. Yaitu “Normal P-P Plot” dan
“Tabel Kolmogrov Smirnov”.
 Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat
penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram
dari residualnya.
Dasar pengambilan keputusan :

a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal,
maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi normalitas.

Dari analisis kurva dapat dilihat bahwa titik-titik yang menyebar disekitar garis diagonal
dan penyebarannya mengikuti arah garis diagonal sehingga dapat disimpulkan bahwa data
yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas
terpenuhi. Atau bisa juga dengan melihat Histogram berikut.
Dapat dilihat bahwa data berdistribusi normal. Untuk menganalisisn Kolmogrov-
Smirnov, lihat pada baris “Asymp. Sig. (2-tailed)” baris paling bawah. Apabila
nilainya lebih dari (>0,05) maka uji normalitas bisa terpenuhi.

One-Sample Kolmogorov-Smirnov Test

N
Normal Parametersa,b Mean
Std. Deviation
Most Extreme Differences Absolute Positive Negative
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)

a. Test distribution is Normal.

b. Calculated from data.

Berdasarkan tabel di atas, diketahui data berdistribusi normal. Hal ini

ditunjukkan dengan nilai nilai signifikansi di atas 0,05, yaitu 0,999.
 b. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi

ditemukan korelasi antar variabel independen. Akibat yang muncul jika sebuah
model regresi berganda memiliki kasus multikolinearitas adalah kesalahan standar
estimasi akan cenderung meningkat dengan bertambahnya variabel bebas yang
masuk pada model. Sehingga signifikansi yang digunakan akan menolak hipotesis
nol akan semakin besar. Akibatnya, model regresi yang diperoleh tidak shahih
(valid) untuk menaksir variabel independen. Untuk mengetahui ada tidaknya
multikolinearitas di dalam regresi dapat dilihat dari dari nilai Tolerance dan
Variance Inflation Factor (VIF). Suatu model regresi dinyatakan bebas dari kasus
multikolinearitas jika nilai Tolerance di bawah 1 dan VIF di bawah 10.

Coefficientsa
Model

1 (Constant
)

harga promosi

a. Dependent Variable: keputusan_konsumen

Berdasarkan tabel diatas, diketahui bahwa model regresi tersebut bebas dari
kasus multikolinearitas. Hal ini ditunjukkan dari nilai Tolerance < 1 yaitu 0,898
dan VIF < 10 yaitu 1,114.

c. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1
(sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi.
Konsekuensi dari adanya autokorelasi dalam model regresi adalah model regresi
yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen
pada nilai variabel independen tertentu. Untuk mendeteksi adanya korelasi dalam
suatu model regrsi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson
(Uji DW). Kriteria pengujian Durbin-Watson dapat dilihat pada tabel berikut ini :

Tabel Kriteria Pengujian Autokorelasi

1,10 – 1,54

1,55 – 2,46

2,47 – 2,90

> 2,91

Model Summaryb
Model

1 .609a

a. Predictors: (Constant), promosi, harga

b. Dependent Variable: keputusan_konsumen

Berdasarkan tabel di atas, diperoleh nilai Durbin Watson (DW) = 1,705.

Nilai tersebut terletak pada selang 1,55 – 2,46. Hal ini menunjukkan bahwa pada
model regresi tersebut tidak terjadi autokorelasi.
 d. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi

terjasi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang
lain. Jika varian dari residual suatu pengamatan ke pengamatan lain tetap, maka
disebut homoskedastisitas dan jika berbeda akan disebut heretoskedastisitas.
Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas
(Ghozali,
2006). Konsekuensi adanya heteroskedastisitas dalam model regresi adalah
penaksir (estimator) yang diperoleh tidak efisien, baik dalam sampel kecil,
maupun dalam sampel besar.

Untuk menentukan heteroskedastisitas dapat meggunakan grafik scatterplot,

titik-titik yang terbentuk harus menyebar secara acak, tersebar baik di atas maupun
di bawah angka 0 pada sumbu Y, bila kondisi ini terpenuhi maka tidak terjadi
heteroskedastisitas dan model regresi layak digunakan.

Dari grafik scatterplot di atas terlihat titik-titik menyebar secara acak serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Dengan demikian
dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model ini.
 Berdasarkan berbagai macam pengujian di atas dapat disimpulkan bahwa
syarat asumsi klasik ada yang tidak terpenuhi sehingga data dengan menggunakan
persamaan regresi berganda dapat dilakukan.
 DAFTAR PUSTAKA

Nachrowi D.N, Hardius Usman. 2002. Penggunaan Teknik Ekonometri (Edisi

Revisi). PT RajaGrafindo Persada: Jakarta

http://digilib.usm.ac.id/files/disk1/4/gdl-usm--dyahnirmal-160-1-statisti-n.pdf
(diakses 12 Desember 2013, 10:00)

http://aliefworkshop.wordpress.com/2013/08/19/uji-multikolinearitas-dengan-
spss/ (diakses 15 Desember 2013, 08:00)

http://statistikian.blogspot.com/2013/01/uji-heteroskedastisitas.html (diakses 15
Desember 2013, 09:10 )