Membentuk Matriks Korelasi

Tabel 4. Koefisien korelasi antara 𝒀 dengan 𝑿𝒊 dan antara variabel

Sumber: Perhitungan menggunakan Software SPSS 17

Membentuk Persamaan Regresi Pertama

Berdasarkan matriks korelasi di atas variabel yang mempunyai harga mutlak koefisien korelasi
terhadap 𝑌 adalah 𝑋8. Dan yang pertama diregresikan adalah 𝑋8 terhadap 𝑌. Persamaan regresi
yang didapat sebagai berikut:

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -1168.368 6966.689 -.168 .871

X8 .001 .000 .807 3.863 .005

a. Dependent Variable: Y

Sumber: Perhitungan menggunakan Software SPSS 17

Sehingga 𝑏0 = −1168,368; 𝑏8 = −0,001

Uji Keberartian Regresi antara 𝑌 dan 𝑋8

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 3.072E9 1 3.072E9 14.926 .005a

Residual 1.647E9 8 2.058E8

Total 4.718E9 9

a. Predictors: (Constant), X8

b. Dependent Variable: Y
 Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .807a .651 .607 14346.24824

a. Predictors: (Constant), X8

H0 : 𝛽1 = 0
H1 : 𝛽1 ≠ 0
Untuk 𝛼 = 5% = 0,05. Karena P-value < 𝛼 atau 0,005 < 0,05 maka tolak H0. Regresi antara 𝑌
dan 𝑋8 berarti. Dan variabel 𝑋8 tetap dalam regresi. Persamaan regresi yang terbentuk adalah
𝑌 = −1168,368 − 0,001𝑋8
Koefisen korelasi determinasi regresi (R2) adalah 0,651 dan (R2adj) adalah 0,607

Menghitung Harga Masing-masing Parsial Korelasi Variabel Sisa

Untuk perhitungan harga masing-masing parsial korelasi variabel sisa yang selanjutnya, penulis
menggunakan Software SPSS 17.

Tabel 6. Perhitungan Harga Masing-masing Parsial Korelasi sisa

Contol Y X1 X2 X3 X4 X5 X6 X7 X9 X10
Variabel
X8 Y 1 -0,347 -0.747 -0.267 -0.905 -0.137 -0.152 -0.194 -0.159 -0.240

Menentukan Persamaan Regresi antara 𝒀, 𝑿𝟒 , 𝒅𝒂𝒏 𝑿𝟖

Dari perhitungan yang telah dilakuka ternyata bahwa parsial korelasi terbesar adalah
𝑋8 (𝑟(𝑌𝑋4 .𝑋8) = −0,905), sehingga 𝑋4 terpilih sebagai variabel kedua untuk diregresika sebagai
berikut :

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 26322.228 5836.263 4.510 .003

X8 .001 .000 .723 7.506 .000

 X4 -.626 .111 -.541 -5.614 .001

a. Dependent Variable: Y

Sumber: Perhitungan menggunakan Software SPSS 17

Sehingga 𝑏1 = 26322,228; 𝑏4 = −0,626; 𝑏8 = 0.001

Uji Keberartian Regresi antara 𝑌, 𝑋4 𝑑𝑎𝑛 𝑋8

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 4.419E9 2 2.210E9 51.685 .000a

Residual 2.993E8 7 4.275E7

Total 4.718E9 9

a. Predictors: (Constant), X4, X8

b. Dependent Variable: Y

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .968a .937 .918 6538.40691

a. Predictors: (Constant), X4, X8

H0 : 𝛽1 = 0
H1 : 𝛽1 ≠ 0
Untuk 𝛼 = 5% = 0,05. Karena P-value < 𝛼 atau 0,000 < 0,05 maka tolak H0. Regresi antara 𝑌,
𝑋4 𝑑𝑎𝑛 𝑋8 berarti. Dan variabel 𝑋4 tetap dalam regresi karena nilai parsial dari 𝑋4 0,001 < 0,05.
Persamaan regresi yang terbentuk adalah 𝑌 = 30167,564 − 0,759𝑋4 + 0.267𝑋8
Koefisen korelasi determinasi regresi (R2) adalah 0,937 dan (R2adj) adalah 0.918

Menghitung Harga Masing-masing Parsial Korelasi Variabel Sisa

Untuk perhitungan harga masing-masing parsial korelasi variable sisa ini, penulis menggunakan
Software SPSS 17. Maka diperoleh seperti table 8 :
Tabel 8. Perhitungan Harga Masing-masing Parsial Korelasi sisa

Contol Y X1 X2 X3 X5 X6 X7 X9 X10
Variabel
X4 dan X8 Y 1 -0.340 -0.693 -0.342 -0.198 -0.231 -0.151 -0.027 -0.245

Menentukan Persamaan Regresi antara 𝒀, 𝑿𝟒 , 𝑿𝟖 𝒅𝒂𝒏 𝑿𝟐

Dari perhitungan yang telah dilakuka ternyata bahwa parsial korelasi terbesar adalah
𝑋8 (𝑟(𝑌𝑋4 𝑋8 .𝑋2 ) = −0,693), sehingga 𝑋2 terpilih sebagai variabel kedua untuk diregresika sebagai
berikut :

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 35353.552 5942.827 5.949 .001

X8 .001 .000 .699 9.235 .000

X4 -.490 .104 -.423 -4.702 .003

X2 -.614 .261 -.214 -2.357 .057

a. Dependent Variable: Y

Sumber: Perhitungan menggunakan Software SPSS 17

Sehingga 𝑏1 = 35353,552; 𝑏2 = −0,614; 𝑏4 = −0,490 𝑏8 = 0,001

Uji Keberartian Regresi antara 𝑌, 𝑋4 , 𝑋5 𝑑𝑎𝑛 𝑋8

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 4.563E9 3 1.521E9 58.731 .000a

Residual 1.554E8 6 2.590E7

Total 4.718E9 9

a. Predictors: (Constant), X2, X8, X4

b. Dependent Variable: Y
 Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .983a .967 .951 5089.01039

a. Predictors: (Constant), X2, X8, X4

H0 : 𝛽2 = 𝛽4 = 𝛽8 = 0
H1 : 𝛽2 = 𝛽4 = 𝛽8 ≠ 0
Untuk 𝛼 = 5% = 0,05. Karena P-value < 𝛼 atau 0,000 < 0,05 maka tolak H0. Regresi antara 𝑌,
𝑋4 , 𝑋2 𝑑𝑎𝑛 𝑋8 berarti. Tetapi untuk uji keberartian 𝑋2 :
0.057 > 0.050, maka koefisien regresi variable tersebut tidak berarti.
Berdasarkan keadaan ini, maka 𝑋2 tidak masuk (keluar) dari model regresi. Berarti proses
pemasuka variable ke dalam regresi telah selasai dan regresi yang memenuhi adalah regresi
dengan variable 𝑋4 𝑑𝑎𝑛 𝑋8.
Persamaan penduga yang diperoleh adalah :

𝑌 = 30167,564 − 0,759𝑋4 + 0.267𝑋8

Besar variansi yang dijelaskan penduga adalah harga dari koefisien determinasi (R2) = 93,7%
dan nilai (Radj) = 9.18 %