Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear
sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:
Y = a + b1 X1 + b2 X2 + .... + bn Xn.
Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah
konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.
Korelasi adalah hubungan dan regresi adalah pengaruh. Korelasi bisa berlaku
bolak-balik, sebagai contoh A berhubungan dengan B demikian juga B berhubungan
dengan A. Untuk regresi tidak bisa dibalik, artinya A berpengaruh terhadap B, tetapi
tidak boleh dikatakan B berpengaruh terhadap A. Dalam kehidupan sehari-hari kedua
istilah itu (hubungan dan pengaruh) sering dipergunakan secara rancu, tetapi dalam
ilmu statistik sangat berbeda. A berhubungan dengan B belum tentu A berpengaruh
terhadap B. Tetapi jika A berpengaruh terhadap B maka pasti A juga berhubungan
dengan B. (Dalam analisis lanjut sebenarnya juga ada pengaruh yang bolak-balik yang
disebut dengan recursive, yang tidak dapat dianalisis dengan analisis regresi tetapi
menggunakan (structural equation modelling).
Persamaan regresinya sebagai berikut:
Y’ = a + b1X1+ b2X2
Y’ = 4662,491 + (-74,482)X1 + 692,107X2
Y’ = 4662,491 - 74,482X1 + 692,107X2
Keterangan:
Y’ = Harga saham yang diprediksi (Rp)
a = konstanta
b1,b2 = koefisien regresi
X1 = PER (%)
X2 = ROI (%)
Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77,93
dengan standar deviasi 8,779 sedangkan rata-rata nilai harian 1 adalah 70,27 dengan
standar deviasi 14,786.
Descriptive Statistics, hasil analisis data deskriptif di bawah merupakan hasil dari
pemilihan check box Descriptive pada dialog box Statistics. Didapatkan nilai rata-rata
serta standar deviasi untuk semua variabel, baik independent maupun dependent.
Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan
sex adalah -0,042 hal ini menunjukan hubungan negatif. besar hubungan nilai harian 1
dengan nilai rapot adalah 0,238 yang berarti ada hubungan positif, makin besar nilai
harian 1 maka makin tinggi pula nilai rapot.
Pada matriks korelasi tersebut, didapatkan angka signifikansi untuk hubungan antar
seluruh variabel independent dengan variabel dependent bernilai di bawah 0,05 (<0,05),
sehingga dapat disimpulkan bahwa memang terdapat hubungan yang signifikan dan
korelasi yang erat antara semua variabel independent dengan variabel dependent.
Output Correlations
Pada tabel Correlations kita dapat melihat korelasi antar variabel dalam penelitian, data
yang diperlihatkan adalah:
Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan
sex, sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada)
Pada tabel diatas angka R Square adalah 0,063 yaitu hasil kuadrat dari koefisien
korelasi (0,250 x 0,250 = 0,063). Standar Error of the Estimate adalah 9,181, perhatikan
pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8,779 yang
jauh lebih kecil dari dari standar error, oleh karena lebih besar daripada standar deviasi
nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai
rapot.
Model Summary, pada bagian ini terdapat nilai koefisien determinasi R-Square =
0.932 (93,2%). Ini menunjukkan bahwa sebesar 93,2% variasi variabel dependent (Y)
dapat dijelaskan oleh 2 variabel independent (X1 dan X2), artinya pengaruh variabel
independen terhadap perubahan variabel dependen adalah 93,2%, sedangkan sisanya
sebesar 6,8% dipengaruhi oleh variabel lain selain variabel independen X1 dan X2.
Berdasarkan tabel di atas diperoleh angka R sebesar 0,879. Hal ini menunjukkan
bahwa terjadi hubungan yang sangat kuat antara PER dan ROI terhadap harga saham.
Berdasarkan tabel di atas diperoleh angka R2 (R Square) sebesar 0,772 atau (77,2%).
Hal ini menunjukkan bahwa prosentase sumbangan pengaruh variabel independen
(PER dan ROI) terhadap variabel dependen (harga saham) sebesar 77,2%. Atau variasi
variabel independen yang digunakan dalam model (PER dan ROI) mampu menjelaskan
sebesar 77,2% variasi variabel dependen (harga saham). Sedangkan sisanya sebesar
22,8% dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam
model penelitian ini.
Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu
lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut Santoso
(2001) bahwa untuk regresi dengan lebih dari dua variabel bebas digunakan Adjusted
R2 sebagai koefisien determinasi.
Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model
regresi dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80 atau
Rp.870,80 (satuan harga saham), hal ini berarti banyaknya kesalahan dalam prediksi
harga saham sebesar Rp.870,80. Sebagai pedoman jika Standard error of the estimate
kurang dari standar deviasi Y, maka model regresi semakin baik dalam memprediksi
nilai Y.
Kolom Model terdapat angka 1, hal ini memperlihatkan bahwa hanya terdapat
satu model regresi yang terbentuk.
Kolom R (korelasi) memperlihatkan besarnya hubungan secara umum antar
variabel independen dengan independen dalam output kali ini angka yang
dihasilkan adalah 0,433 dengan demikian hubungan antar variabel indepeden
dan dependen secara umum adalah 43,3% (0,433 x 100%) pada tingkat pertama.
Kolom R Square juga memperlihat nilai korelasi antar variabel independen dan
dependen, perbedaannya dengan kolom R adalah nilai ini cenderung lebih
akurat dikarenakan nilai ini berada pada tingkat kedua. Dalam kolom tersebut
teman-teman dapat melihat ada anagka 0,188 sehingga hubungan antar variabel
independen dan dependen adalah 18,8% (0,188 x 100%).
Kolom Adjusted R Square memberikan kita nilai yang paling akurat karena nilai
ini berada pada tingkat ketiga. Dalam Model Summary teman-teman bisa
melihat terdapat angka 0,083 artinya pengaruhnya sebesar 8,3% (0,083 x 100%).
Selanjutnya dalam Model Summary juga terdapat Kolom Durbin-Watson, nilai
ini tidak terkait dengan besarnya pengaruh variabel independen terhadap
dependen namun terkait dengan uji Asumsi Klasik yaitu Uji Autokorelasi.
Dalam otput kali ini kita bisa liat terdapat angka 0,357. Dasar pengambilan
keputusan terjadi tidaknya Autokorelasi yang saya gunakan disini adalah
1. Jika nilai D-W = +2 maka terdapat masalah autokorelasi negatif.
2. Jika nilai D-W = -2 maka terdapat masalah autokorelasi positif
Karena nilai D-W dalam penelitian ini adalah 0,357 maka nilai tersebut berada diantara
+2 dan -2 sehingga tidak terjadi masalah autokorelasi dalam penelitian ini.
Pengambilan keputusan nilai D-W ini juga dapat dilakukan dengan membandingkan
nilai D-W hitung ini dengan nilai D-W di tabel D-W.
Koefisien Determinan (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.
Dalam bahasa sehari-hari adalah kemampuan variabel bebas untuk berkontribusi
terhadap variabel tetapnya dalam satuan persentase.
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .956a .915 .880 .11968
a. Predictors: (Constant), NPL, BOPO
b. Dependent Variable: ROA
Uji determinasi menunjukan bahwa nilai (Adjusted R Square) 0.88 hal ini menunjukan
bahwa KAP dan NPL berpengaruh 88% terhadap ROA(Profitabilitas) dan sisanya 22%
dipengaruhi oleh variabel lain yang tidak diteliti.
Model Summary, disini kita bisa memperoleh informasi tentang besarnya pengaruh
dari seluruh variabel independen terhadap variabel dependen. Pengaruh tersebut
disimbolkan dengan R (korelasi). Seperti yang terlihat dalam tabel model summary
nilai pada kolom R adalah 0,720 artinya pengaruh variabel kompetensi auditor,
integritas auditor, dan independensi auditor terhadap kualitas audit adalah 72,0%
(0,720 x 100%), Namun nilai tersebut bisa dikatakan "terkontaminasi" oleh berbagai
nilai pengganggu yang mungkin menyebabkan kesalahan pengukuran, untuk itu SPSS
memberikan alternatif nilai R Square sebagai perbandingan akurasi pengaruhnya.
Terlihat bahwa nilai R Square sebesar 0,518 yang artinya 51,8%. Nilai ini lebih kecil dari
nilai R akibat adanya penyesuaian namun demikian sebagai catatan nilai tersebut tidak
serta merta lebih kecil dari R namun juga kadang lebih besar. Untuk lebih akuratnya
prediksi pengaruh kita juga dapat berpatokan pada nilai Adjusted R Square yaitu nilai
R Square tadi yang sudah lebih disesuaikan dan lazimnya ini yang paling akurat.
Terlihat bahwa nilai Adjusted R Square-nya sebesar 0,470 atau 47,0% pengaruh variabel
independen terhadap variabel dependen. Kolom selanjutnya pada tabel Model
Summary memperlihatkan tingkat keakuratan model regresi dapat dilihat pada kolom
Standard Error of The Estimate, disitu tertera angka 1,95573. Nilai ini semakin
mendekati angka 0 (nol) semakin akurat, dengan angka sebesar itu maka dapat
dikatakan model yang terbentuk akurat sebesar 98,04427% (1,95573 x 100%).
Regression Statistics
Multiple R 0.9714
R Square 0.9436
Adjusted R Square 0.9275
Standard Error 81.0698
Observations 10
Tabel Summary output ini melaporkan kekuatan hubungan antara model (variabel
bebas) dengan variabel terikat.
R Square (R2) sering disebut dengan koefisien determinasi, adalah mengukur kebaikan
suai (goodness of fit) dari persamaan regresi; yaitu memberikan proporsi atau
persentase variasi total dalam variabel terikat yang dijelaskan oleh variabel bebas. Nilai
R2 terletak antara 0 – 1, dan kecocokan model dikatakan lebih baik kalau R2 semakin
mendekati 1. (uraian lebih lanjut mengenai R2 lihat pembahasan di bawah)
Adjusted R Square. Suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak
pernah menurun dari banyaknya variabel bebas yang ada dalam model. Oleh
karenanya, untuk membandingkan dua R2 dari dua model, orang harus
memperhitungkan banyaknya variabel bebas yang ada dalam model. Ini dapat
dilakukan dengan menggunakan “adjusted R square”. Istilah penyesuaian berarti nilai
R2 sudah disesuaikan dengan banyaknya variabel (derajat bebas) dalam model.
Memang, R2 yang disesuaikan ini juga akan meningkat bersamaan meningkatnya
jumlah variabel, tetapi peningkatannya relatif kecil.
Seringkali juga disarankan, jika variabel bebas lebih dari dua, sebaiknya menggunakan
adjusted R square.
Standard Error. Merupakan standar error dari estimasi variabel terikat(dalam kasus
kita adalah permintaan). Angka ini dibandingkan dengan standar deviasi dari
permintaan. Semakin kecil angka standar error ini dibandingkan angka standar deviasi
dari permintaan maka model regresi semakin tepat dalam memprediksi permintaan
Anova
Hipotesis:
Ho: B1=B2=0
Ha: ada Bi yang tidak nol
Pengambilan keputusan:
Jika F hitung <= T tabel atau probabilitas >= 0,05 maka Ho diterima
Jika F hitung > T tabel atau probabilitas < 0,05 maka Ho ditolak
Dari tabel diatas dapat dilihat nilai F hitung yaitu 0,401, sedangkan nilai F tabel
dapat diperoleh dengan menggunakan tabel F dengan derajat bebas (df) Residual (sisa)
yaitu 12 sebagai df penyebut dan df Regression (perlakuan) yaitu 2 sebagai df
pembilang dengan tarap siginifikan 0,05, sehingga diperoleh nilai F tabel yaitu 3,89.
Karena F hitung (0,401) < F tebel (3,89) maka Ho diterima.
Berdasarkan nilai Signifikan, terlihat pada kolom sig yaitu 0,679 itu berarti probabilitas
0,679 lebih dari daripada 0,05 maka Ho diterima.
Kesimpulan:
Tidak ada koefisien yang tidak nol atau koefisien berarti, maka model regresi tidak
dapat dipakai untuk memprediksi nilai rapot.
Uji F adalah uji kelayakan model (goodness of fit) yang harus dilakukan dalam
analisis regresi linear. Untuk analisis regresi linear sederhana Uji F boleh dipergunakan
atau tidak, karena uji F akan sama hasilnya dengan uji t.
Anova, pada bagian ini ditampilkan tabel analisis varian (Anova). Dari tabel di
bawah didapat nilai F = 47,917 yang dapat digunakan untuk melakukan uji hipotesis
atau F-test dalam memprediksi kontribusi variabel-variabel independent (X1 dan X2)
terhadap variabel dependent (Y).
Hypothesis:
H0: β1 = β2 = 0
H1: Minimal satu dari dua variabel tidak sama dengan nol
Dengan menentukan level of significant = 5% (0,05) dan degree of freedom untuk df1 =
2 dan df2 = 7, maka didapat dari tabel (dalam buku statistik) F-tabel = 4,74.
Oleh karena F-hitung = 47,917 > F-tabel (0,05) = 4,74, maka H0 ditolak dan H1 diterima.
Kesimpulannya, bahwa variabel independent (X1 dan X2) dengan signifikan
memberikan kontribusi terhadap variabel dependent.
Output Anova
Dari tabel Anova kita dapat melihat pada kolom Sum of Square memperlihat
banyaknya nilai data yang dihitung, kemudian terdapat nilai df (degre of freedom) dan
nilai signifikansi (probabilitasnya) adapun penjelasannya sebagai berikut:
Kolom Sum of Square memperlihatkan banyaknya nilai data yang diolah secara
umum perbaris data, dalam output disini secara total terdapat angka 25,645,
residual sebesar 20,835 dan Regression sebesar 4,809.
Kolom df (derajat kebebasan) dalam output kali ini sebesar 35, nilai ini diperoleh
dari rumus df = n-1 =36 - 1 = 35.
Kolom Mean Square memperlihatkan jumlah nilai rata-rata nilai yang diolah
tersebut.
Kolom F memperlihatkan nilai F yang dijadikan tolak ukur dalam uji F, semakin
besar nilai F maka semakin besar bengaruh secara simultan. Dalam output kali
ini nilai F sebesar 1,789 masih cukup kecil untuk dainggap berpengaruh. Tolak
ukur berpengaruh tidaknya nilai uji juga dapat dilakukan dengan
membandingkannya dengan nilai F tabel.
Kolom Sig. atau probabilitas memperlihatkan tingkat signifikansi, dimana nilai
ini juga dijadikan nilai cut off untuk menilai berpengaruh tidaknya variabel-
variabel indepeden terrhadap dependen. Jika nilai tersebut dibawah 0,05 (α)
maka berpengaruh jika sebaliknya tidak berpengaruh.
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. Outputnya sebagai berikut :
ANOVAb
Mean
Sum of df Square F Sig.
Model Squares
Regression .767 2 .384 26.779 .002a
Residual .072 5 .014
1 Total .839 7
a. Predictors: (Constant), NPL, BOPO
b. Dependent Variable: ROA
Uji F’ menunjukan bahwa nilai Fhitung sebesar 26.779 dengan tingkat (sig) 0.002 atau
dapat nilai signifikansi 0.002 lebih kecil dari nilai probabilitas 0.005.
“Hal tersebut membuktikan bahwa terdapat pengaruh signifikan antara NPL dan
BOPO terhadap ROA atau Secara Simultan (bersama-sama) NPL dan BOPO
signifikan terhadap ROA”
Dengan df1 sebesar 2 dan df2 sebesar 31 maka kita dapat tarik garis vertikal horizontal
dan mendapatkan angka F tabel sebesar 3,304817 atau 3,305. Nilai ini kita bandingkan
dengan nilai F-Hitung tadi, jika nilai F tabel lebih kecil dari F Hitung maka
kesimpulannya seluruh variabel independen berpengaruh terhadap variabel dependen
dan begitu pula sebaliknya. Dalam kasus kita nilai F-Tabel 3,305 masih lebih kecil dari
F-Hitung 10,752 maka kesimpulannya variabel independensi auditor, kompetensi
auditor dan integritas auditor berpengaruh secara bersama-sama terhadap hasil audit.
Df1 = k-1
Df2 = n-k
Hipotesis Uji :
Ho : b1 = b2 = 0
Ha : Terdapat bi ≠ 0 dengan i = 1 dan 2
Taraf Signifikansi :
Pilih nilai a = 5%
Daerah Kritis :
Dengan nilai signifikansi 5%, derajat bebas pembilang dk = 2 dan derajat bebas
penyebut df = n-k-1 = 12-2-1 = 9, maka diperoleh F-tabel =19,39.
Statistik Uji :
Diperoleh F-hitung = 73,312 dan nilai p-value = 0,000
Keputusan :
Nilai t-hitung = 73,312 > F-tabel = 19,39 atau nilai p-value = 0,000 < 0,05.
Jadi Ho ditolak dan Ha diterima.
Kesimpulan :
Dengan signifikansi 5% harga minyak goreng dan pendapatan konsumen secara
bersama-sama berpengaruh terhadap permintaan minyak goreng.
ANOVA
df SS MS F Significance F
Regression 2 769993.78 384996.89 58.58 0.00
Residual 7 46006.22 6572.32
Total 9 816000.00
Tabel ANOVA (Analysis of Variance) menguji penerimaan (acceptability) model dari
perspektif statistik dalam bentuk analisis sumber keragaman. ANOVA ini sering juga
diterjemahkan sebagai analisis ragam.
Dari tabel ANOVA tersebut diungkapkan bahwa keragaman data aktual variabel
terikat (permintaan) bersumber dari model regresi dan dari residual. Dalam pengertian
sederhana untuk kasus kita adalah variasi (turun-naiknya atau besar kecilnya)
permintaan disebabkan oleh variasi dari harga dan pendapatan (model regresi) serta
dari faktor-faktor lainnya yang mempengaruhi permintaan yang tidak kita masukkan
dalam model regresi (residual).
Degree of Freedom (df) atau derajat bebas dari total adalah n-1, dimana n adalah
banyaknya observasi. Karena observasi kita ada 10, maka derajat bebas total adalah 9.
Derajat bebas dari model regresi adalah 2, karena ada dua variabel bebas dalam model
kita (harga dan pendapatan). Derajat bebas untuk residual adalah sisanya yaitu derajat
bebas total – derajat bebas regresi = 9 – 2 = 7.
Kolom SS (Sum of Square) atau jumlah kuadrat untuk regression diperoleh dari
penjumlahan kuadrat dari prediksi variabel terikat (permintaan) dikurangi dengan nilai
rata-rata permintaan dari data sebenarnya. Jadi secara manual kita cari dulu rata-rata
permintaan dari data asli kita. Kemudian masing-masing prediksi permintaan (lihat
tabel residual output di bawah) dikurangi dengan rata-rata tersebut kemudian
dikuadratkan. Selanjutnya, seluruh hasil perhitungan tersebut dijumlahkan.
Contohnya, rata-rata permintaan dari data kita = 820. Berdasarkan tabel residual output
dibawah, untuk observasi pertama prediksi permintaan = 498.2362193. Selanjutnya kita
hitung (498.24 – 820 )2 = 103531.93. Untuk observasi kedua dihitung (262.98 – 820)2 =
310271.8. Demikian seterusnya sampai data terakhir. Selanjutnya, hasil-hasil
perhitungan tersebut dijumlahkan dan hasilnya = 769993.78.
Kolom SS untuk residual diperoleh dari jumlah pengkuadratan dari residual. Lihat cara
menghitung residual pada tabel residual output dibawah. Nilai-nilai residual tersebut
dikuadratkan, kemudian hasilnya dijumlahkan dan hasilnya adalah 46006.22.
Kolom SS untuk total adalah penjumlahan dari SS untuk regresi dengan dengan SS
untuk residual. Sebenarnya SS total ini adalah variasi (besar-kecil,naik-turun) dari
permintaan. Ini diukur dengan mengurangi nilai masing-masing permintaan aktual
dengan rata-ratanya, kemudian dikuadratkan. Hasil perhitungan tersebut kemudian
dijumlahkan.
Lalu, apa artinya dari angka-angka tersebut ? Sekarang perhatikan ketiga hasil kita, SS
regresi, SS residual dan SS total.
SS total kita adalah 816000. Artinya, variasi dari pemintaan yang dikuadratkan adalah
sebesar nilai tersebut. Lalu apa yang menyebabkan permintaan tersebut bervariasi ?
Sebagian berasal dari variabel bebas (harga dan pendapatan) yaitu sebesar 769993.78
(regresi). Lalu sisanya, yang sebesar 46006.22 disebabkan oleh variabel lain yang juga
mempengaruhi pendapatan, tetapi tidak dimasukkan dalam model (residual).
Kalau kita bandingkan (bagi) antara SS regresi dengan SS total, maka akan kita
dapatkan proporsi dari total variasi permintaan yang disebabkan oleh variasi harga dan
pendapatan. Coba kita bagi: 769993.78 / 816000 = 0.9436. Anda ingat ini angka apa ?
……….. Ya, benar. Ini adalah R2 atau koefisien determinasi yang telah kita bahas diatas.
Selanjutnya kolom berikutnya dari ANOVA adalah kolom MS (Mean of Square) atau
rata-rata jumlah kuadrat. Ini adalah hasil bagi antara kolom SS dengan kolom df. Dari
perhitungan MS ini, selanjutnya dengan membagi antara MS Regresi dengan MS
Residual didapatkan nilai F. Nilai F ini yang dikenal dengan F hitung dalam pengujian
hipotesa dibandingkan dengan nilai F tabel. Jika F hitung > F tabel, maka dapat
dinyatakan bahwa secara simultan (bersama-sama) harga dan pendapatan berpengaruh
signifikan terhadap permintaan. Selain itu, kita juga bisa membandingkan antara taraf
nyata dengan p-value (dalam istilah Excel adalah Significance F). Jika taraf nyata > dari
p-value maka kesimpulannya sama dengan di atas. Misalnya kita menetapkan taraf
nyata 5%. Karena p-value (Significance F) = 0.000, maka dapat disimpulkan bahwa harga
dan pendapatan secara bersama-bersama berpengaruh signifikan terhadap permintaan.
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:
Hipotesis:
Ho: Bi=0
Ha: ada Bi yang tidak nol , i=1 atau 2
Pengambilan keputusan:
Jika T hitung <= T tabel atau probabilitas >= 0,05 maka Ho diterima
Jika T hitung > T tabel atau probabilitas < 0,05 maka Ho ditolak
* Constant: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Constant
yaitu 5,360, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena
T hitung > T tabel maka Ho ditolak. sedangkan sig pada tabel B adalah 0,000 yang
berarti probabilitas 0,000, karena probabilitas kurang dari 0,05 maka ditolak. Berarti
bermakna dan diramalkan tidak melalui titik (0,0).
** Sex: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Sex yaitu -
0,277, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T
hitung < T tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang
berarti probabilitas 0,786, karena probabilitas kurang dari 0,05 maka diterima. artinya B
tidak berarti.
*** Harian 1: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Harian
1 yaitu 0,882, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782,
karena T hitung < T tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786
yang berarti probabilitas 0,395, karena probabilitas kurang dari 0,05 maka diterima.
artinya B tidak berarti
Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu:
Y = 69,429
Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan
maksimum, mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan
statistic residu.
Coefficients, pada bagian ini ditampilkan nilai koefisien regresi (lihat: nilai-nilai pada
kolom B pada Unstandardized Coefficients di bawah ini) sehingga terbentuk
persamaan regresi:
Pada bagian Unstandardized Coefficients ini ditampilkan juga Standard Error dari
masing-masing variabel. Nilai pada kolom Beta, ditampilkan Z-score. Pada kolom
berikutnya ditampilkan nilai t dari masing-masing variabel, yang dapat dimanfaatkan
untuk menguji keberartian (t-Test) koefisien regresi yang didapatkan. Proses
pengujiannya menyerupai F-test, yaitu “t hitung” dibandingkan dengan nilai “t tabel”.
Pada tabel coeficient kita disajikan berbagai informasi penting dan tidak penting,
informasi pentingnya terdiri atas nama-nama variabel, nilai kostanta (Constant), nilai t
dan nilai signifikansi. Informasi tidak pentinya adalah standard error dan nilai beta
pada kolom standarized coeficient. Tidak penting karena standar error disini adalah
standar error per variabel, kita gak perlu itu karena kita cuma peduli masalah standar
error estimatenya. sedangkan nilai beta pada standarized coefficient tidak perlu di
bahas disini karena nilai itu akan berguna jika anda melakukan analisis jalur kita kan
enggak.
Seperti yang saya bilang sebelumnya tabel ini bisa digunakan untuk melihat
pengaruh per variabel. Caranya ada dua, pertama dengan cara melihat nilai sig. pada
setiap variabel, jika nilai sig. nya lebih kecil dari 0,05 maka kesimpulannya berpengaruh
semakin kecil sig. maka semakin berpengaruh. Cara kedua dengan cara
membandingkan nilai t-hitung dangan t-tabel, t hitung adalah nilai pada kolom t yang
dihasilkan SPSS pada tabel coefficient sedangkan nilai t-tabel ini yang masih harus kita
cari. Cara mencari nilai t-tabel yaitu dengan terlebih dahulu menghitung nilai df, rumus
yang digunakan berbeda dengan pada tabel anova yaitu df = n-k-1 yang dengan
demikian terhitung df=34-3-1=30. Setelah mendapat nilai df maka selanjutnya buka
buku statistik yang paling belakang cari tabel distribusi t yang penampakannya kurang
lebih seperti ini:
Dari tabel dengan df sebesar 30 pada sig. 0,05 kita dapat memperoleh nilai t-tabel
1,697261 atau 1,697. Nilai ini dibandingkan dengan nilai t hitung setiap variabel dengan
kriteria, apabila nilai t tabel lebih kecil dari nilai t hitung maka kesimpulannya variabel
tersebut berpengaruh terhadap variabel dependennya.
Dari tabel Coefficient tersebut kita juga bisa menyusun Persamaan Model Regresi
dengan melihat nilai-nilai pada kolom Coeficien B, yang dalam kasus ini model yang
terbentuk:
Y; -7,881 + 0,302X1 + 0,228X2 + 0,690 X3 nah begitulah kira-kira.
Dan untuk uji-t diambil dari kolom t dan sig. pada variabel X1 dan X2. Tabel ini
berguna untuk pengujian parameter secara parsial, apakah variabel bebas secara
terpisah berpengaruh signifikan terhadap variabel tak bebas.
a. Uji parameter b1
Hipotesis Uji :
Ho : b1 = 0
Ha : b1 ≠ 0
Taraf Signifikansi :
Pilih nilai a = 5%
Daerah Kritis :
Dengan nilai signifikansi 5% dan derajat bebas df = n-2 = 12-2 = 10, maka diperoleh t-
tabel = 2,228.
Statistik Uji :
Diperoleh t-hitung = -1,486 dan nilai p-value = 0,172
Keputusan :
Nilai t-hitung = -1,486 > t-tabel = -2,228 atau nilai p-value = 0,172 > 0,05.
Jadi Ho diterima dan Ha ditolak.
Kesimpulan :
Dengan signifikansi 5% ternyata harga minyak goreng tidak berpengaruh terhadap
permintaan minyak goreng tersebut. Hal ini minyak goreng adalah kebutuhan pokok
yang sangat dibutuhkan oleh semua orang dalam memenuhi kebutuhan makanannya.
Berapapun harganya permintaan akan minyak gorengpun tetap ada.
b. Uji parameter b2
Hipotesis Uji :
Ho : b2 = 0
Ha : b2 ≠ 0
Taraf Signifikansi :
Pilih nilai a = 5%
Daerah Kritis :
Dengan nilai signifikansi 5% dan derajat bebas df = n-2 = 12-2 = 10, maka diperoleh t-
tabel = 2,228.
Statistik Uji :
Diperoleh t-hitung = -3,776 dan nilai p-value = 0,172
Keputusan :
Nilai t-hitung = -3,776 < t-tabel = -2,228 atau nilai p-value = 0,004 < 0,05.
Jadi Ho ditolak dan Ha diterima.
Kesimpulan :
Dengan signifikansi 5% ternyata pendapatan konsumen berpengaruh terhadap
permintaan minyak goreng tersebut.
Tabel 3. Koefisien Regresi
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 607.53 274.67 2.21 0.06 -41.97 1257.03
Harga -13.31 4.59 -2.90 0.02 -24.17 -2.44
Pendapatan 0.36 0.09 3.78 0.01 0.13 0.58
Tabel berikutnya dari output Excel menampilkan nilai-nilai koefisien, standard error,
tsat, P-value dan selang kepercayaan.
Dalam pengujian hipotesis regresi, tahap berikutnya setelah pengujian secara simultan
(uji F seperti yang telah kita sampaikan sebelumnya) adalah pengujian koefisien regresi
secara parsial. Pengertian pengujian secara parsial ini dalam kasus kita adalah untuk
menjawab pertanyaan “dengan asumsi faktor-faktor lain tetap/tidak berubah, apakah
harga atau pendapatan berpengaruh terhadap permintaan ?”.
Dalam uji parsial, kita menggunakan uji t, yaitu membandingkan antara t-hitung (t Stat)
dengan t tabel. Jika t hitung > t tabel pada taraf nyata tertentu, maka dapat disimpulkan
variabel tersebut berpengaruh secara signifikan.
t hitung ditampilkan pada kolom 4, yang merupakan hasil bagi antara kolom 2
(coefficients) dengan kolom 3 (Standard Error). Catatan: perhitungan ini dalam kasus
yang umum digunakan dimana Hipotesis nol (H0) = 0. Untuk kasus dimana kita
merumuskan H0 lebih besar/kecil dari 0, maka perlu dilakukan perhitungan manual.
Selain membandingkan dengan nilai t-tabel, kita juga bisa menarik kesimpulan
signifikansinya dengan membandingkan taraf nyata dengan p-value (kolom 5). Jika
misalkan kita menggunakan taraf nyata 5 %, maka variabel dengan p-value sama atau
lebih kecil dari 5 %, dapat dinyatakan sebagai variabel yang secara parsial berpengaruh
signifikan.
Berdasarkan hal tersebut, terlihat bahwa harga maupun pendapatan secara parsial
berpengaruh terhadap permintaan.
Selanjutnya, kolom 6 dan 7 memberikan selang kepercayaan untuk koefisien. Di
judulnya tertulis Lower 95% dan Upper 95%. Angka 95% adalah penetapan kita pada
waktu pengolahan dengan Excel dan bisa dirubah sesuai keinginan.
Apa artinya selang kepercayaan tersebut ? Nilai koefisien yang diberikan pada output
regresi merupakan dugaan titik (point estimate) dari parameter koefisien regresi (ingat,
pengertian parameter koefisien regresi adalah koefisien regresi yang dihasilkan dari
pengolahan data populasi. Karena umumnya kita hanya mengolah data sampel, maka
koefisien regresi yang diberikan sifatnya adalah dugaan/taksiran kita terhadap
keadaan/koefisien populasi (parameter) yang sebenarnya). Namun, jika informasinya
hanya dari dugaan titik, kita tidak tahu seberapa besar kesalahan atau tingkat
kepercayaan dari dugaan parameter tersebut. Oleh karenanya, dalam statistika juga
diberikan dugaan selang (confidence interval), dimana nilai paramater sebenarnya
diharapkan berada dalam selang tersebut dengan tingkat kepercayaan tertentu.
Berdasarkan hal tersebut, dari output Excel terlihat bahwa dengan tingkat kepercayaan
95%, maka koefisien regresi untuk pendapatan yang sebesar 0.36, dalam faktanya di
tingkat populasi akan berkisar antara 0.13 – 0.58
Selanjutnya dari informasi kolom 1 – 5 (tabel 3) ditambah informasi dari tabel 1 dan
tabel 2, kita dapat meringkas persamaan regresi menjadi sebagai berikut (banyak cara
untuk menampilkan hasil regresi, menurut saya ini yang cukup sederhana dan
informatif):
Permintaan = 607.53 – 13.31 Harga + 0.36 Pendapatan R2 = 0.9436
Se (274.67) (4.57 ) (0.09) F = 58.58**
t ( 2.21) (-2.90)* (3.78)**
Pada baris pertama, adalah persamaan regresi dengan koefisiennya. Baris kedua adalah
standar error untuk masing-masing koefisien dan baris ketiga adalah nilai t hitungnya.
Disampingnya nilai R2 dan F hitung. Perhatikan pada nilai t dan F ada bintang 1 dan
bintang 2. Seringkali orang menandai dengan bintang 1 yang menunjukkan uji tersebut
signifikan pada taraf nyata 5 % dan bintang 2 sebagai signifikan pada taraf nyata 1 %.
Sekarang kita baca hasilnya. Dari persamaan regresi menunjukkan koefisien harga
bernilai negatif yang berarti ada pengaruh negatif (berlawanan arah) antara harga dan
permintaan. Besaran koefisiennya berarti bahwa dengan asumsi pendapatan tidak
berubah, maka setiap kenaikan harga 1000 rupiah (karena dalam kasus kita satuannya
adalah ribu rupiah), maka permintaan barang akan turun/berkurang sebanyak 13.31
unit (karena dalam kasus kita satuannya adalah unit).
Begitu juga untuk interpretasi koefisien pendapatan. Dengan asumsi harga tidak
berubah, maka setiap kenaikan pendapatan sebesar 1000 rupiah akan meningkatkan
permintaan sebanyak 0.36 unit (ingat, karena koefisien regresinya positif, berarti
pengaruhnya searah).
Konstanta yang sebesar 607.53 secara matematis berarti bahwa ketika variabel bebas
nilainya 0, maka variabel terikat nilainya adalah sebesar konstanta tersebut. Tapi hati-
hati dalam membaca konstanta dalam kasus kita ini. Selain karena nilainya tidak
signifikan, juga secara logika kita tidak akan pernah berhadapan dengan harga dan
pendapatan yang nilai 0. Harga barang dengan nilai 0 bukan barang ekonomi (yang
tidak masuk dalam analisis kita). Demikian juga, tidak mungkin orang yang tidak
punya pendapatan bisa membeli barang yang ada harganya.
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 X 3
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.
7. Kelinieran
Jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data akan
terletak sekitar garis lurus, terlihat bahwa sebaran data pada gambar diatas tersebar
hampir semua tidak pada sumbu normal, maka dapat dikatakan bahwa pernyataan
normalitas tidak dapat dipenuhi.
Tabel 4. Residual dan Probability Output
PROBABILITY
RESIDUAL OUTPUT OUTPUT
Predicted Standard
Observation Permintaan Residuals Residuals Percentile Permintaan
1 498.2362193 1.763780707 0.024669343 5 300
2 262.9793289 37.02067106 0.517794321 15 500
-
3 738.2489515 38.24895147 -0.534973821 25 600
4 743.0047933 56.99520671 0.797170703 35 700
-
5 747.7606351 147.7606351 -2.066672903 45 800
6 880.8343319 19.16566806 0.268063052 55 900
7 921.2365189 78.76348113 1.10163544 65 1000
-
8 1089.956561 89.95656081 -1.258188871 75 1000
9 1054.310216 45.6897843 0.639045975 85 1100
10 1263.432445 36.56755542 0.511456762 95 1300
RESIDUAL OUTPUT
Kolom pertama dari residual output adalah nomor urutan data kita, sesuai dengan
urutan data yang kita input. Kolom kedua (predicted permintaan) adalah kolom yang
memuat perkiraan/prediksi variabel terikat (dalam kasus kita adalah permintaan)
untuk nilai-nilai dari variabel bebas dari data asli kita. Prediksi ini didasarkan dari
output persamaan regresi sebelumnya. Misalnya untuk observasi pertama, harga = 35
dan pendapatan = 1000, maka prediksi permintaan adalah:
Persamaan regresi : Permintaan = 607.53 – 13.31 Harga + 0,36 Pendapatan
Prediksi : Permintaan = 607.53 – 13.31 (35) + 0,36 (1000) = 498.2362193
Kolom ketiga (residuals) adalah selisih antara prediksi variabel terikat (dalam hal ini
permintaan) dengan nilai sebenarnya. Misalnya untuk observasi pertama, nilai
sebenarnya untuk permintaan adalah 500. Sehingga selisihnya (residual) = 500 –
498.2362193 = 1.763780707
Kolom keempat (Standard Residuals) adalah residual yang distandarisasikan, yang juga
dikenal sebagai residual Pearson. Rata-rata dari standar residual = 0 dan standar
deviasinya =1. (Anda bisa membuktikan dengan mencari rata-rata dan standar deviasi
dari nilai-nilai kolom keempat ini).
Standar residual dihitung dengan cara membagi residual (kolom 3) dengan standar
deviasi residual tersebut. Jadi, untuk mencari standar residual, kita cari dulu standar
deviasi kolom 3, kemudian masing-masing nilai pada kolom ketiga, dibagi dengan
standar deviasi. Sebagai contoh, standar deviasi dari kolom ketiga setelah dihitung
adalah 71.49686574. Nah, pada observasi pertama, maka standar residualnya adalah
1.763780707/71.49686574 =0.024669343. Demikian seterusnya.
PROBABILITY OUTPUT
Disamping residual output terdapat tabel probability output. Inti dari tabel ini adalah
menggambarkan persentile dan nilai-nilai dari variabel terikat (yaitu permintaan).
GRAFIK-GRAFIK
Terdapat beberapa grafik yang ditampilkan dalam output regresi Excel, yaitu:
1. Grafik yang menghubungkan antara variabel bebas (harga dan pendapatan) dengan
residual
2. Grafik plot yang menghubungkan antara variabel bebas (harga dan pendapatan)
dengan variabel terikat (permintaan) baik permintaan atas dasar data aktual maupun
prediksi.
3. Grafik normal probability atas dasar persentil untuk variabel terikat (permintaan).
Dalam kasus kita, grafik-grafik tersebut dapat Anda lihat pada tulisan Analisis Regresi
dengan Excel sebelumnya.