PENERAPAN ANALISIS LINEAR BERGANDA

Anggota Kelompok : 1. Uli Adelina Siahaan (170803039)

2. Elsadday Easter Arga (170803051)
3. Hamonangan Simatupang (170803059)

4. Thresya Hotprita br Siregar (170803097)

5. Bedran Simbolon (170803117)

Mata Kuliah : Analisis Regresi Linear

Dosen : Drs. Laurentina Pangaribuan, M.S

S1 MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN
2019
 A. Analisis Regresi Berganda
Analisis regresi linear berganda adalah pengembangan dari analisis regresi linear
sederhana dimana terdapat lebih dari satu variabel independen X. Analisis ini digunakan
untuk melihat sejumlah variabel independen X1 , X2 , … Xk terhadap variabel dependen Y
berdasarkan nilai variabel-variabel independen X1 , X2 , … Xk.

Perbedaaan antara regresi sederhana dengan regresi berganda terletak pada jumlah
variabel bebasnya. Jika dalam regresi sederhana jumlah variabel bebas yang digunakan untuk
memprediksi variabel tergantung hanya satu, maka regresi berganda jumlah variabel bebas
yang digunakan untuk memprediksi variabel tergantung lebih dari satu. Dalam regresi
berganda seluruh variabel bebas dimasukkan kedalam perhitungan regresi serentak.

Dengan demikian dipeorleh persamaan regresi guna memprediksi variabel terikat dengan
memasukkan secara serentak serangkaian variabel bebas. Dalam persamaan regresi
dihasilkan konstanta dan koefisien regresi bagi masing-masing variabel bebas.

B. Model Regresi Berganda

Regresi berganda digunakan unuk menganalisis hubungan kausal beberapa variabel bebas
(X) terhadap satu variabel tergantung (Ŷ). Model yang digunakan untuk analisis regresi
berganda sebagai berikut:

Ŷ = a + b₁X₁ + b₂X₂ + …. + bnXn + ε

 Ŷ = nilai yang diramalkan (diprediksi)

 a = konstanta/intercep
 b₁ = koefisien regresi/slope untuk X₁
 X₁ = variabel bebas X₁
 b₂ = koefisien regresi/slope untuk X2
 X₂ = variabel bebas X2
 bn = koefisien regresi/slope untuk Xn
 Xn = variabel bebas Xn
 ε = nilai residu
C. Langkah-Langkah Komputasi
1. Entri data pada tabel kedalam Data View dan Variable View format SPSS data
viewer sebagai berikut:

2. Analyze | Regression | Linier

Pindahkan variabel X ke kolom Independent(s) dan variabel Y ke kolom Dependent

3. Klik OK, maka akan muncul hasil nya:

D. Hasil
Populasi : Mahasiswa Aktif Matematika Angkatan 2017
Sampel : 10 orang (10% dari 98 orang)
Data :

Keterangan Variabel :

Hasil menggunakan SPSS :

a. Analisis Tabel Model Summary

 R
Menunjukkan korelasi antara variabel bebas dengan variabel tergantungnya (tidak
bebas). Dalam hal ini dikarenakan regresi linier berganda maka dikatakan bahwa
korelasi berganda antara variabel X₁ dan X₂ terhadap variabel Y adalah sebesar
0,926.
 R Square
Koefisien determinasi yang menunjukkan pengaruh langsung variabel X₁ dan X₂
terhadap variabel Y yang dinyatakan dalam persentase. Koefisien determinasi
0,858 berarti bahwa variabel X₁ dan X₂ memengaruhi secara langsung variabel Y
sebesar 85,8% sedangkan (100-85,8)%= 14,2% dipengaruhi oleh faktor lain
diluar variabel X₁ dan X₂.
 Adjusted R Square
Adjusted R Square merupakan koefisien determinasi yang telah terkoreksi
dengan jumlah variabel dan ukuran sampel sehingga dapat mengurangi unsur bias
jika terjadi penambahan variabel. Adjusted R Square sebesar 0,817 berarti variasi
variabel Y dapat dijelaskan oleh variabel X₁ dan X₂ sebesar 81,7% atau variabel
X₁ dan X₂ memengaruhi variabel Y sebesar 81,7%.
 Error of the Estimate
Std. Error of the Estimate menunjukkan penyimpangan antara persamaan regresi
dengan nilai dependent riil sebesar 84,716 satuan variabel dependent (jika
variabel Y dalam satuan maka besarnya penyimpangan adalah sebesar 84,716
satuan). Semakin kecil nilai Std. Error of the Estimate maka semakin baik
persamaan regresi tersebut sebagai alat prediksi. Pada umumnya S.E < Std.
Deviasi ada pula yang menyatakan S.E < 4,00

b. Analisis Tabel ANOVA

 Sum of Square Regression

Sum of Square Regression (SSReg) merupakan nilai yang menunjukkan jumlah
kuadrat dari selisih antara nilai prediksi dengan nilai rata-rata prediksi sebesar
302808,536.
 Sum of Square Residual
Sum of Square Residual (SSRes) merupakan nilai yang menunjukkan jumlah
kuadrat dari selisih antara nilai riil prediksi sebesar 50237,864.
 Sum of Square Total
Sum of Square Total (SSSum) merupakan nilai yang menunjukkan jumlah
kuadrat dari selisih antara nilai riil dengan nilai rata-rata Y riil sebesar
353046,400.
 df Regression
df Regression dirumuskan dengan k-1 dimana k adalah jumlah variabel. Dimana
k =2 maka df= 3-1=2.
 df Residual
df Residual dirumuskan n-k dengan n jumlah sampel (responden) dan k jumlah
variabel. n = 10 dan k = 3, maka df = 10 – 3 = 7.
 df Total
df Total dirumuskan n -1 dengan n jumlah sampel (responden). Dimana n = 10,
maka df = 10 -1 = 9.
 Mean Square Regression
Mean Square Regression (MSReg) diperoleh dari perbandingan antara Sum of
Square Regression dengan df Regression sebesar 151404,268.
 Mean Square Residual
Mean Square Residual (MSRes) diperoleh dari perbandingan antara Sum of
Square Residual dengan df Residual sebesar 7176,838.
 F hitung
F hitung diperoleh dari perbandingan antara Mean Square Regression dengan
Mean Square Residual sebesar 21,096.
 Sig.
Sig. merupakan nilai yang menunjukan titik kesalahan yang terjadi jika nilai F-
hitung sebesar 21,096. Ternyata tingkat kesalahan atau probabilitas sebesar 0,001
yang berarti lebih kecil dari 0,05. Jadi dapat disimpulkan bahwa variabel bebas
secara simultan mampu menjelaskan perubahan pada variabel tergantung, atau
model dinyatakan cocok atau fit.
c. Analisis Tabel Coefficients

 Unstandardize Coefficients (Constant)

Unstandardize Coefficients (Constant) merupakan konstanta regresi yang
dinotasikan dengan a, yang mengandung pengertian bila tidak ada perubahan
pada variabel X (X =0) maka variabel tidak memiliki penambahan nilai dimana
nilainya Constant, yaitu a = -415,014
 Unstandardize Coefficients Variabel X₁
Unstandardize Coefficients variabel X merupakan koefisien arag regresi b, yang
berarti jika variabel X₁ mengalami peningkatan 1 satuan, maka variabel Y akan
meningkat sebesar 78,027.
 Unstandardize Coefficients Variabel X₂
Unstandardize Coefficients variabel X merupakan koefisien arag regresi b, yang
berarti jika variabel X₂ mengalami peningkatan 1 satuan, maka variabel Y akan
meningkat sebesar 144,308.
 Standard Error (Constant)
Standard Error (Constant) merupakan penyimpangan dari konstanta yang ada
dalam model persamaan regresi sebesar 168,399.
 Error Variabel X₁
Std. Error Variabel X₁ menunjukkan penyimpangan koefisien regresi variabel X₁.
Semakin kecil penyimpangan dalam koefisien regresi itu berarti semakin berarti
kontribusi variabel X₁ tersebut terhadap variabel Y sebesar 19,945.
 Error Variabel X₂
Std. Error Variabel X₂ menunjukkan penyimpangan koefisien regresi variabel X₂.
Semakin kecil penyimpangan dalam koefisien regresi itu berarti semakin berarti
kontribusi variabel X₂ tersebut terhadap variabel Y sebesar 40,696.
 Standardized Coefficients (Beta) Variabel X₁
Standardized Coefficients (Beta) variabel X₁ merupakan koefisien jalur atau
koefisien regresi tetapi semua variabel telah ditransformasi terlebih dahulu ke
dalam bentuk standardized sebesar 0,593.
 Standardized Coefficients (Beta) Variabel X₂
Standardized Coefficients (Beta) variabel X₂ merupakan koefisien jalur atau
koefisien regresi tetapi semua variabel telah ditransformasi terlebih dahulu ke
dalam bentuk standardized sebesar 0,538.
 t-Constant
t-Constant digunakan untuk mengetahui apakah signifikasi intercept (konstanta
regresi) namun nilai intercept biasanya tidak diuji. Yang diuji adalah nilai t-stat
koefisien regresinya.
 t-variable X₁
t-variable X₁ merupakan perbandingan antara Unstandardize Coefficients variabel
X₁ dengan Std. Error Variabel X₁, digunakan untuk mengetahui signifikasi
variabel X₁. Jika nilai lebih besar dari nilai t-tabel dengan df:α, (n-k-1) maka
variabel tersebut memiliki pengaruh yang signifikan terhadap variabel
tergantung. Dengan df: α, (n-k-1) atau 0,001 (10-2) diperoleh nilai t-tabel sebesar
2,365. Karena nilai thitung 3,912 > ttabel (2,365), maka dapat disimpulkan
bahwa variabel X₁ memiliki pengaruh positif terhadap variabel Y.
 t-variable X₂
t-variable X₂ merupakan perbandingan antara Unstandardize Coefficients variabel
X₁ dengan Std. Error Variabel X₂, digunakan untuk mengetahui signifikasi
variabel X₂. Jika nilai lebih besar dari nilai t-tabel dengan df:α, (n-k-1) maka
variabel tersebut memiliki pengaruh yang signifikan terhadap variabel
tergantung. Dengan df: α, (n-k-1) atau 0,05 (10-3) diperoleh nilai t-tabel sebesar .
Karena nilai thitung 3,546 > ttabel (2,365), maka dapat disimpulkan bahwa
variabel X₂ memiliki pengaruh positif terhadap variabel Y.
 Variable X₁
Sig. Variable X₁ merupakan angka yang menunjukkan besarnya tingkat kesalahan
pada nilai thitung X₁ yang diperoleh 3,912. Jika nilai t-variabel X semakin besar
maka nilai kesalahan Sig. akan semakin kecil. Karena nilai Sig. variabel X₁
 (0,006) (< 0,05) dengan arah koefisien positif, maka dapat disimpulkan bahwa
variabel X₁ berpengaruh positif signifikan terhadap variabel Y.
 Variable X₂
Sig. Variable X₁ merupakan angka yang menunjukkan besarnya tingkat kesalahan
pada nilai thitung X₁ yang diperoleh 3,546. Jika nilai t-variabel X semakin besar
maka nilai kesalahan Sig. akan semakin kecil. Karena nilai Sig. variabel X₁
(0,009) (< 0,05) dengan arah koefisien positif, maka dapat disimpulkan bahwa
variabel X₁ berpengaruh positif signifikan terhadap variabel Y.

E. Kesimpulan
Dari hasil di atas maka diperoleh :
1) Persamaan regresi ganda : Ŷ = -415,014 + 78,027X₁ +144,308X₂
2) Hipotesis keberartian regresi parsial sebagai berikut:
 Nilai thitung 3,912 > ttabel 2,365 atau Sig. 0,006 (< 0,05) dengan demikian
disimpulkan terdapat pengaruh positif yang signifikan X₁ terhadap Y.
 Nilai thitung 3,546 > ttabel 2,365 atau Sig. 0,009 (< 0,05) dengan demikian
disimpulkan terdapat pengaruh positif yang signifikan X₂ terhadap Y.