ANALISIS REGRESI BERGANDA (Multiple Regression)

Apabila dalam persamaan garis regresi tercakup lebih dari dua variabel (termasuk variabel tidak
bebas Y), maka regresi ini disebut garis regresi linear berganda. Persamaan regresi berganda
adalah persamaan regresi yang melibatkat dua atau lebih variabel dalam analisis. Tujuannya
adalah untuk menghitung parameter-parameter estimasi dan untuk melihat apakah variabel
bebas mampu menjelaskan varabel terikat dan memiliki pengaruh. Variabel yang diestimasi
adalah variabel terikat, sedangkan variabel-variabel yang mempengaruh adalah variabel.

Secara umum Model regresi berganda untuk populasi adalah sebagai berikut:

𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝜀
Dimana :

𝑌 = Variabel terikat (Dependen)

𝛽0 = Konstanta

𝛽1 … 𝛽𝑘 = Parmeter regresi

𝑋1 … 𝑋𝑘 = Variabel bebes (Independen)

𝜀 =Error (Kesalahan penggangu).

Model regresi berganda untuk populasi pada persamaan diatas dapat ditaksir berdasarkan
sebuah sampel acak yang berukuran 𝑛 dengan model regresi berganda untuk sampel yaitu :

𝑌̂ = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + ⋯ + 𝛽̂𝑘 𝑋𝑘

Dimana :

𝑌̂ = Nilai taksiran bagi Variabel Y

𝛽̂0 = Taksiran bagi parameter konstanta

𝛽̂1 , 𝛽̂2 … 𝛽̂𝑘 = Taksiran bagi parameter koefisien regresi

Untuk mencari nilai 𝛽̂0 , 𝛽̂1 , 𝛽̂2 , … , 𝛽̂𝑘 diperlikan 𝑛 buah pasangan data (𝑋1 , 𝑋2 , … , 𝑋𝑘 ) yang
dapat disajikan dalam tabel
 Responden Y 𝑋1 𝑋2 … 𝑋𝑘
1 𝑌1 𝑋11 𝑋21 … 𝑋𝑘1
2 𝑌2 𝑋12 𝑋22 … 𝑋𝑘2
3 𝑌3 𝑋13 𝑋23 … 𝑋𝑘3
: : : : : :
N 𝑌𝑛 𝑋1𝑛 𝑋2𝑛 … 𝑋𝑘𝑛

Bentuk model regresi linear berganda dengan p variabel bebas adalah seperti persamaan
berikut:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + ⋯ + 𝛽𝑝 𝑋𝑖𝑝 + 𝜀𝑖

Dimana:

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

𝛽0 , 𝛽1 , … , 𝛽𝑝 adalah parameter

𝑋𝑖1 , 𝑋𝑖2 , … , 𝑋𝑖𝑝 adalah variabel bebas

𝜀𝑖 adalah sisa (error) untuk pengamatan ke-I yang diasumsikan berdistribusi normal yang
saling bebas dan indentik dengan rata-rata 0(nol) dan variansi 𝜎 2 .

Dalam notasi matrik persamaan diatas dapat ditulis menjadi persamaan berikut:

𝑌 = 𝑋𝛽 + 𝜀

Dengan:

𝑌1 𝑋11 𝑋12 ⋯ 𝑋1,𝑝 𝛽0 𝜀1

𝑌2 𝑋 𝑋22 ⋯ 𝑋2,𝑝 𝛽 𝜀2
𝑌=( ) , 𝑋 = ( 21 ), 𝛽 = ( 1 ) , dan 𝜀 = ( ⋮ )
: ⋮ ⋮ ⋮ ⋮
⋯ 𝜀𝑛
𝑌𝑛 𝑋𝑛1 𝑋𝑛2 𝑋𝑛,𝑝 𝛽 𝑝

Dimana:

𝑌 adalah vector variabel tidak bebas berukuran 𝑛 × 1.

𝑋 adalah matriks veriabel bebas berukuran 𝑛 × 𝑝.

𝛽 adalah vector parameter berukuran 𝑝 × 1.

𝜀 adalah vector dengan error berukuran 𝑛 × 1.

Asumsi-asumsi Model Regresi Berganda

Menurut (Gujarati, 2003) dalam metode regresi berganda ada beberapa asumsi yang
harus dipenuhi, asumsi tersebut adalah:

1. Model regresi linier dalam parameter

2. Nilai rata-rata kesalahan penggagu nol, yaitu 𝐸(𝜀𝑖 ) = 0, untuk 𝑖 = 1,2, … , 𝑛
3. Variansi dari error adalah konstan (homoskedastik)
4. Tidak terjadi autokorelasi
5. Tidak ada multikolenieritas antara variabel bebas x
6. Error berdistribusi Normal, artinya kesalahan pengganggu mengikuti distribusi normal
dengan rata-rata nol dan variansi

Adapun asumsi lain yaitu:

Menurut V,Wiratna Sujarweni (2014;181) model regresi liner berganda dapat disebut
sebagai model yang baik (memiliki ketepatan dalam estimasin tidak bias dan konsisten) jika
model tersebut memnuhi asumsi Normalitas dan bebas dari asumsi klasik (Multikolinearitas,
Heteroskedastisitas, dan Autokorelasi)

 Dasar pengambilan keputusan Uji Normalitas

Menurut imam ghozali(2011;161) model regresi dikatakan berdistribusi normal jika data
ploting (titik-titik) yang menggambarkan data sesungguhnya mengikuti garis diagonal
 Dasar pengambilan keputusan Uji Multikolinearitas
Menurut imam ghozali (2011;107-108) tidak terjadi gejala Multikolinearitas, jika nilai
Tolerance > 0,1 dan nilai VIF < 10,00
 Dasar pengambilan keputusan Uji Heteroskedastisitas
Heteroskedastisitas, jika tidak ada pola yang jelas (bergelombang, melebar kemudian
menyempit) pada gambar scaterplots, serta titik-titik menyebar di atas dan dibawa
angka 0 pada sumbu Y.
 Dasar pengambilan keputusan Uji Autokorelasi
Menurut imam ghozali tidak ada gejala Autokorelasi, jika nilai Durbin Watson terletak
antara du sampai 4-du
Pembahasan: 1. Nilai Du dicari pada distribusi nilai tabel durbin Watson bedasarkan k,
n, dan signifikansi. 2. Du<durbin Watson<4-du
Pengujian parameter model regresi linear berganda

1) Uji Parsial (Uji t)

Digunakan untuk menguji tingkat signifikansi masing-masing koefisien variabel bebas secara
individu terhadap variabel tidak bebas
(Signifikansi < 0,05, berpengaruh).

Beberapa langkah dalam pengujian koefisien regresi parsial (uji t) adalah sebagai berikut:
a) Menentukan hipotesis:
𝐻0 ∶ 𝛽𝑗 = 0 , untuk 𝑗 = 1,2, … , 𝑘 berarti tidak ada pengaruh yang signifikansi antara
variabel bebas ke-j terhadap variabel terikat.

𝐻1 ∶ 𝛽𝑗 ≠ 0 untuk 𝑗 = 1,2, … , 𝑘 berarti ada pengaruh yang signifikansi antara variabel

bebas ke-j terhadap variabel terikat.

b) Menentukan nilai derjat kepercayaan 95% (𝛼 = ,005)

𝛼
c) Kriteria pengambilan keputusan: tolak 𝐻0 jika 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝑡𝑎𝑏𝑒𝑙 (𝑡𝑡𝑎𝑏𝑒𝑙 = 2 ; 𝑛 − 𝑘 − 1)
d) Kesimpulan : jika 𝐻𝑜 ditolak berarti variabel bebas secara individu mempunyai pengaruh
yang signifikansi terhadap variabel terikat.

2) Uji Simultan (Uji F)

Uji F digunakan untuk menunjukan apakah variabel-variabel bebas yang dimasukan dalam
model secara bersama-sama (simultan) mempengaruh beriabel terikat.
Jika nilai signifikansi < 0,05 maka artinya variabel independen (X) secara simultan
berpengaruh terhadap dependet (Y).
Prosedur pengujian yang digunakan adalah sebagai berikut:
a) Menentukan hipotesis:
𝐻0 ∶ 𝛽1 , 𝛽2 , … , 𝛽𝑘 = 0 (variabel bebas secara bersama-sama tidak mempunyai pengaruh
yang signifikansi terhadap variabel terikat)
𝐻1 ∶ 𝛽1 , 𝛽2 , … , 𝛽𝑘 ≠ 0 (variabel bebas secara bersama-sama mempunyai pengaruh yang
signifikansi terhadap variabel terikat)
b) Menentukan taraf nyata (𝛼) dan nilai 𝐹𝑡𝑎𝑏𝑒𝑙 . Nilai taraf nyata yang digunakan 0,05 dan
nilai 𝐹𝑡𝑎𝑏𝑒𝑙 dengan derajat bebas 𝑉1 = 𝑘 dan 𝑉2 = 𝑛 − 𝑘 − 1
c) Kriteria pengambilan keputusan : tolak 𝐻𝑜 jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 maka terima 𝐻1
d) Kesimpulan : jika 𝐻0 ditolak berarti variabel bebas secara bersama-sama mempunyai
pengaruh yang signifikansi terhadap variabel terikat.
contoh soal

Sebuah penelitian dilakukan untuk mengetahui apakah ada pengaruh pendapatan rumah
tangga (ribu/bula) dan jumlah anggota keluarga terhadap permintaan minyak tanah
(liter/bulan) dari data d bawa ini

Y X1 X2 43 3000 7
24 1500 5 26 1750 5
20 1700 6 25 1100 6
15 1500 4 43 1600 8
45 4000 7 20 2000 5
23 1000 6 50 3500 8
27 1200 5 18 1000 5
40 1400 8 32 1800 5
15 1100 5 39 3000 6
18 1500 4 30 2000 7
35 2000 7 35 2500 6
45 2500 9 18 1300 3
25 1500 5 57 3500 2
23 1300 6 35 3000 3
30 1400 7 27 1500 6
53 3500 9
40 2780 8
45 3100 7
24 1300 8
38 3700 4
25 2500 5

Tentukan:

1. Persamaan regresi ganda

2. Buktikan apakah ada pengaruh yang signifikansi antara pendapatan rumah tangga dan
jumlah anggota rumah tangga terhadap permintaan minyak tanah.
Jawab:

Dik:

𝑌 = Permintaan minyak tanah (liter/bulan)

𝑋1 = Pendapatan rumah tangga (ribu/bulan)

𝑋2 = Jumlah anggota rumah tangga

Hipotesis:

𝐻0 ∶ 𝑅 = 0 (tidak terdapat pengaruh yang signifikan antara pendapatan rumah tangga

dan jumlah anggota keluarga terhadap permintaan minyak tanah)

𝐻1 ∶ 𝑅 ≠ 0 (terdapat pengaruh yang signifikan antara pendapatan rumah tangga dan

jumlah anggota keluarga terhadap permintaan minyak tanah)

Y X1 X2 X1*Y X2*Y X1*X2 X1^2 X2^2

24 1500 5 36000 120 7500 2250000 25
20 1700 6 34000 120 10200 2890000 36
15 1500 4 22500 60 6000 2250000 16
45 4000 7 180000 315 28000 16000000 49
23 1000 6 23000 138 6000 1000000 36
27 1200 5 32400 135 6000 1440000 25
40 1400 8 56000 320 11200 1960000 64
15 1100 5 16500 75 5500 1210000 25
18 1500 4 27000 72 6000 2250000 16
35 2000 7 70000 245 14000 4000000 49
45 2500 9 112500 405 22500 6250000 81
25 1500 5 37500 125 7500 2250000 25
23 1300 6 29900 138 7800 1690000 36
30 1400 7 42000 210 9800 1960000 49
53 3500 9 185500 477 31500 12250000 81
40 2780 8 111200 320 22240 7728400 64
45 3100 7 139500 315 21700 9610000 49
24 1300 8 31200 192 10400 1690000 64
38 3700 4 140600 152 14800 13690000 16
25 2500 5 62500 125 12500 6250000 25
43 3000 7 129000 301 21000 9000000 49
 26 1750 5 45500 130 8750 3062500 25
25 1100 6 27500 150 6600 1210000 36
43 1600 8 68800 344 12800 2560000 64
20 2000 5 40000 100 10000 4000000 25
50 3500 8 175000 400 28000 12250000 64
18 1000 5 18000 90 5000 1000000 25
32 1800 5 57600 160 9000 3240000 25
39 3000 6 117000 234 18000 9000000 36
30 2000 7 60000 210 14000 4000000 49
35 2500 6 87500 210 15000 6250000 36
18 1300 3 23400 54 3900 1690000 9
57 3500 2 199500 114 7000 12250000 4
35 3000 3 105000 105 9000 9000000 9
27 1500 6 40500 162 9000 2250000 36

Dari data di atas diperoleh

∑ 𝑌 = 1108

∑ 𝑋1 = 73030

∑ 𝑋2 = 207

∑ 𝑋1 × 𝑌 = 2584100

∑ 𝑋2 × 𝑌 = 6823

∑ 𝑋1 × 𝑋2 = 438190

∑ 𝑋12 = 179380900

∑ 𝑋22 = 1323

Setelah mendapatkan, maka buat dalam bentuk matriks

Matriks:

𝑛 ∑ 𝑋1 ∑ 𝑋2 ∑𝑌
𝐴 = [∑ 𝑋1 ∑ 𝑋12 ∑ 𝑋1 𝑋2 ], 𝐻 = [∑ 𝑋1 𝑌]
∑ 𝑋2 ∑ 𝑋1 𝑋2 ∑ 𝑋22 ∑ 𝑋2 𝑌
Matriks A:

35 73030 207 1108

𝐴 = [73030 179380900 438190] 𝐻 = [2584100]
207 438190 1323 6823
𝐷𝑒𝑡(𝐴) = 91931296000

Matriks A1:

1108 73030 207

𝐴1 = [2584100 179380900 438190] , 𝐷𝑒𝑡(𝐴1) = −84387063000
6823 438190 1323
Matriks A2:

35 1108 207
𝐴2 = [73030 2584100 438190] , 𝐷𝑒𝑡(𝐴2) = 881407600
207 6823 1323
Matriks A3:

35 1108 1108
𝐴3 = [73030 2584100 2584100] , 𝐷𝑒𝑡(𝐴3) = 195383𝐸 + 11
207 6823 6823
Dari diketahui matriks dan dterminan maka dapat diperoleh nilai 𝛽0 , 𝛽1 , 𝛽2:
𝐷𝑒𝑡(𝐴1)
𝛽0 = = −0.918
𝐷𝑒𝑡(𝐴)

𝐷𝑒𝑡(𝐴2)
𝛽1 = = 0.01
𝐷𝑒𝑡(𝐴)

𝐷𝑒𝑡(𝐴3)
𝛽2 = = 2.125
𝐷𝑒𝑡(𝐴)

Maka didapat persamaan regresi berganda adalah

𝑌 = −0.918 + 0.01𝑋1 + 2.125𝑋2

Coefficientsa
 Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -.918 4.257 -.216 .831

X1 .010 .001 .754 8.155 .000

X2 2.125 .615 .320 3.457 .002

a. Dependent Variable: Y

Berdasarkan tabel diatas dapat dilihat bahwa nilai signifikansi untuk variabel 𝑋1 =0.00 dan
𝑋2=0.002 memiliki nilai signifikansi < 0.05. oleh karena itu, dapat disimpulkan bahwa variabel
𝑋1 dan 𝑋2berpengaruh terhadap Y.