Pengamatan X1 X2 Y

1 58,8 20 8,40
2 70,7 21 7,82
3 28,1 21 11,88
4 46,8 23 10,94
5 59,3 22 10,09
6 74,5 23 8,88
7 61,4 21 9,27
8 33,4 20 10,36
9 59,3 19 9,57
10 72,1 20 7,68
11 74,4 11 6,36
12 70,7 21 7,82
13 30,8 23 12,51
14 71,3 22 8,73
15 39,1 19 9,57
16 53,4 17 7,81
17 61,6 13 9,74
18 43,5 16 8,99
19 85,7 22 6,89
20 62,9 19,5 7,21
21 53,9 18 10,3
22 64,7 18 8,27
23 65,4 18,7 8,21
24 55,5 17,7 10,10

Langkah 1, Regresikanlah Y terhadap salah satu variabel independen, misal X2

Diperoleh persamaan = 5.84 + 0.166 x2 (3.1)

Langkah 2, Hitung residual Y terhadap model regresi pada langkah 1

Nilai Y – dapat dilihat pada tabel 3.2. Pada residual ini pengaruh linier dari X2 terhadap Y
sudah hilang atau dapat dikatakan pengaruh X2 dikontrol, dengan demikian tinggal pengaruh
(linier) dari X1 dan pengaruh residual (error).

Tabel 3.2. Pengaruh X2 Dikeluarkan

 Residual Y– X1 –
1 -0.75578 0.7893
2 -1.50164 13.0469
3 2.55836 -29.5531
4 1.28664 -10.1379
5 0.60250 2.0045
6 -0.77336 17.5621
7 -0.05164 3.7469
8 1.20422 -24.6107
9 0.58008 0.9317
10 -1.47578 14.0893
11 -1.30302 13.1708
12 -1.50164 13.0469
13 2.85664 -26.1379
14 -0.75750 14.0045
15 0.58008 -19.2683
16 -0.84819 -5.6836
17 1.74526 1.0860
18 0.49767 -15.9412
19 -2.59750 28.4045
20 -1.86285 4.7105
21 1.47595 -4.826
22 -0.55405 5.9740
23 -0.73016 6.9244
24 1.32571 -3.3332

Langkah 3, Regresikanlah X1 terhadap X2.

Diperoleh persamaan = 65.2 – 0.36 x2 (3.2)

Langkah 4, Hitung residual X1 terhadap model regresi pada langkah 3

Nilai X1 -dapat dilihat pada tabel 3.2. Pada residual ini pengaruh linier dari X2 terhadap X1
juga sudah hilang, dengan demikian dari kedua residual pada tabel 3.2 pengaruh (linier) dari X2
telah dikeluarkan.

Langkah 5, Regresikanlah residual pada langkah 2 terhadap residual pada langkah 4.

Langkah terakhir adalah regresi Y – terhadap X1 -, hasilnya sebagai berikut :

= -0.0799 (X1 -) (3.3)

Dengan mengganti dari persamaan 3.1 dan dari persamaan 3.2, kemudian memasukkannya pada
persamaam 3.3, diperoleh hasil sebagai berikut

= 5.84 + 0.166 X2 – 0.0799 (X1 – (65.2 – 0.36 X2)

= 11.04948 – 0.0799 X1 + 0.137236 X2 (3.4)

Hasil yang sama juga akan diperoleh jika X1 yang dikontrol. Dalam hal
ini diregresikan terlebih dulu Y terhadap X1 dan kemudian hitung residual Y –
. Selanjutnya regresikan X2 terhadap X1, hitung kembali residual X2 – dan kemudian
ganti serta dengan persamaan yang diperoleh.

Peranan Variabel Independen Berdasar Urutan Masuk (Sekuensial)

Dari persamaan (3.1.) terlihat bahwa jika hanya X2 yang berada dalam model maka koefisien
adalah 0,166, sedangkan bila X1 dan X2 keduanya berada dalam model maka koefisien menjadi
0,137 (lihat persamaan 3.4).

Begitu pula, bila hanya X1 dalam model maka diperoleh model :

=13.8 – 0.0819 x1

Sehingga koefisiennya adalah -0,0819, sedangkan bila kedua variabel berada dalam model maka
koefisien X1 menjadi -0,0799 (persamaan 3.4). Besarnya koefisien regresi terlihat dipengaruhi
oleh variabel yang dalam model. Selain itu juga dipengaruhi oleh skala yang digunakan. Seorang
yang menggunakan skala Celcius dan orang yang lain menggunakan Fahrenheit, untuk masalah
yang sama akan mendapat koefisien regresi yang berlainan.

Berikut ini diberikan tabel anova jika salah satu variabel independen masuk terlebih dulu.

Tabel 3.1. Tabel Anova, Jika X1 Masuk Pertama

Sumber Df SS MS F
Regresi 2 38,315 19,157 26,19
– karena 1 34,434 34,434 47,041
– karena 1 3,881 3,881 5,302
Residual 21 15,363 0,732
Total 23 53,678

Tabel 3.2. Tabel Anova, Jika X2 Masuk Pertama

 Sumber Df SS MS F
Regresi 2 38,315 19,157 26,19
– karena 1 5,693 5,693 7,777
– karena 1 32,622 32,622 44,566
Residual 21 15,363 0,732
Total 23 53,678

Pada tabel di atas dapat dihitung berapa kontribusi kedua variabel independen terhadap
model secara sekuensial dengan melihat nilai R2 sebagai berikut :

Jika X1 Masuk Pertama

– R2 karena X1 = 34,434 / 53,678 = 64,15%

– R2 karena X2 masuk sesudah X1 = 3,881/ 53,678 = 7,23%

– R2 karena X1 dan X2 = 38,315/ 53,678 = 71,38%

Jika X2 Masuk Pertama

– R2 karena X2 = 5,693 / 53,678 = 10,605%

– R2 karena X1 masuk sesudah X2 = 32,622 / 53,678 = 60,77%

– R2 karena X1 dan X2 = 38,315/ 53,678 = 71,38%

Dari nilai-nilai tersebut dapat dijelaskan bahwa jika X1 saja berada dalam model maka
akan memberikan kontribusi sebesar 64,15%, sedangkan jika X2 sudah masuk dalam model
maka kontribusi X1 turun menjadi 60,17%. Begitu juga jika hanya X2 saja berada dalam model
maka akan memberikan kontribusi sebesar 10,605%. Kontribusi ini akan turun menjadi 7,23%
jika X1 telah berada dalam model.