DHITA NOVERINA 20170302184

STATISTIK II
1. Sebutkan dan jelaskan asumsi-asumsi pada model regresi linier berganda ?
Jawaban :
Asumsi-Asumsi Model Regresi Linier Berganda Menurut Gujarati (2003) asumsi-asumsi
pada model regresi linier berganda adalah sebagai berikut:
a. Model regresinya adalah linier dalam parameter.
b. Nilai rata-rata dari error adalah nol.
c. Variansi dari error adalah konstan (homoskedastik).
d. Tidak terjadi autokorelasi pada error.
e. Tidak terjadi multikolinieritas pada variabel bebas.
f. Error berdistribusi normal
g.
2. Pengujian parameter apa saja yang dilakukan pada saat melakukan analisis regresi linier
berganda dan jelaskan tujuan dari masing-masing pengujian tersebut.
Jawaban :
Pengujian Parameter Model Regresi Linier Berganda Pengujian parameter ini bertujuan
untuk mengetahui ada atau tidaknya pengaruh variabel bebas terhadap variabel tidak bebas,
baik secara serentak maupun secara parsial.

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data
pada sebuah kelompok data atau variabel, apakah sebaran data tersebut bersifat normal
atau tidak. Uji normalitas berguna untuk menetukan data yang telah dikumpulkan
berdistribusi normal atau diambil dari populasi normal. Untuk menguji normalitas data
menggunakan beberapa metode diantaranya Chi-Square, Kolmogorov Smirnov, Liliefors,
Shapiro Wilk dan Jarque Bera.

Uji Autokorelasi adalah sebuah uji yang dilakukan untuk mengetahui adanya korelasi variabel
yang ada dalam model regresi dengan perubahan waktu. Artinya tiap variabel tidak
berkolerasi dengan dirinya sendiri baik pada nilai variabel sebelumnya maupun nilai periode
sesudahnya. Uji autokorelasi harus dilakukan apabila data merupakan time series atau runtut
waktu. Untuk menguji adanya autokorelasi menggunakan beberapa metode diantaranya :
Durbin Watson, Breucsh Godfrey, Engle’s ARCH Test.

Uji Multikolinearitas adalah sebuah uji yang dilakukan untuk mengetahui adanya korelasi
atau hubungan antara dua variabel bebas atau lebih dalam sebuah model regresi linear
berganda. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
bebasnya. Untuk menguji adanya multikolinearitas dapat dilakukan dnegan beberapa cara
antara lain melihat kekuatan korelasi antara variabel bebas, melhat nilai standar eror
koefisien regresi parsial, melihat rentang confidence interval, melihat nilai Condition Index
dan eigenvalue, dan melihat nilai Tolerance dan Variance Inflating Factor (VIF).

Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari
residual untuk semua pengamatan pada model regresi linear. Uji ini harus dilakukan pada
analisis regresi linear, jika asumsi heteroskedastisitas tidak terpenuhi, maka model regresi
dinyatakan tidak valid sebagai alat peramalan.Untuk menguji asumsi heteroskedastisitas
dapat menggunakan beberapa cara antara lain uji Glejser, uji Park, uji Spearman dan melihat
data grafik.
3. Jawablah pertanyaan berikut dengan menggunakan alat analisis SPSS dengan petunjuk pada
link yang ada di dashboard atau sumber lain yang anda ketahui. Cantumkan hasil analisisnya
beserta bahasan jawaban pertanyaannya !

Berikut adalah data tentang tingkat kehadiran di kelas dan skor IQ mahasiswa yang diperkirakan
mempengaruhi nilai akhir yang diperoleh!

Kehadiran di kelas Skor IQ Nilai

(%) akhir
1. 60 110 65
2. 70 120 70
3. 75 115 75
4. 80 130 75
5. 80 110 80
6. 90 120 80
7. 95 120 85
8. 95 125 95
9. 100 110 90
10. 100 120 98
Lakukan analisis regresi linier berganda dengan menjawab pertanyaan-pertanyaan dibawah ini:

1. Buatlah persamaan regresi linier berganda.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Correlations

Zero-
Model B Std. Error Beta t Sig. order Partial Part

1 (Constant) 23.054 25.572 .902 .397

Kehadiran .737 .109 .938 6.752 .000 .934 .931 .913

Skor_IQ -.034 .221 -.022 -.156 .881 .194 -.059 -.021

a. Dependent Variable: Nilai_akhir

Persamaan regresi :
Y = 23,054 + 0,737 X1  0,034 X2
Interpretasi : a = 23,054
Tanpa dipengaruhi oleh variabel apapun, rata – rata nilai akhir yang didapatkan
mahasiswa adalah sebesar 23,054.

b1 = 0,737

Artinya, setiap kenaikan kehadiran di kelas sebanyak 1 kali, maka rata –

rata nilai akhir mahasiswa akan naik sebesar 0,737 dengan variabel skor
IQ dianggap konstan.

b2 = 0,034

Artinya setiap kenaikan skor IQ sebanyak 1 satuan, maka rata – rata nilai akhir akan
turun sebesar 0,034 dengan variabel kehadiran dikelas dianggap konstan.

Model Summary

Adjusted R Std. Error of

Model R R Square Square the Estimate

1 .934a .872 .835 4.34592

a. Predictors: (Constant), Skor_IQ, Kehadiran

Correlations

Nilai_akhir Kehadiran Skor_IQ

Pearson Correlation Nilai_akhir 1.000 .934 .194

Kehadiran .934 1.000 .229

Skor_IQ .194 .229 1.000

Sig. (1-tailed) Nilai_akhir . .000 .296

Kehadiran .000 . .262

Skor_IQ .296 .262 .

N Nilai_akhir 10 10 10

Kehadiran 10 10 10
 Correlations

Nilai_akhir Kehadiran Skor_IQ

Pearson Correlation Nilai_akhir 1.000 .934 .194

Kehadiran .934 1.000 .229

Skor_IQ .194 .229 1.000

Sig. (1-tailed) Nilai_akhir . .000 .296

Kehadiran .000 . .262

Skor_IQ .296 .262 .

N Nilai_akhir 10 10 10

Kehadiran 10 10 10

Skor_IQ 10 10 10

2. Variabel apa yang memberikan pengaruh lebih besar terhadap nilai akhir mahasiswa!
Jelaskan mengapa?

Hipotesis :

𝐻0: 𝛽1=𝑂 (variabel kehadiran di kelas secara parsial tidak berpengaruh

signifikan terhadap variabel nilai akhir mahasiswa)

𝐻𝑎: 𝛽1≠𝑂 (variabel kehadiran di kelas secara parsial berpengaruh

signifikan terhadap variabel nilai akhir mahasiswa)

Nilai t stat dan t tabel :

t stat = 6,752

t tabel = 2,3646

df = n – k – 1 = 10 – 2 – 1 = 7

α = 0,05

Kriteria uji :
 i. Uji tabel t

-ttabel ≤ tstat ≤ ttabel→ Ho tidak dapat ditolak

tstat< -ttabel→ Ho ditolak

tstat> ttabel→ Ho ditolak

Ternyata tstat> ttabel, yaitu 6,752 ˃ 2,3646 maka Ho ditolak

ii. Uji sig.

Sig. ≥ α → 𝐻0 tidak dapat ditolak

Sig. < α → 𝐻0 ditolak

Sig. = 0,000 dan α = 0,05

Ternyata Sig. < α, yaitu 0,000< 0,05 maka 𝑯𝟎 ditolak

Kesimpulan :

Pada tingkat signifikansi 5%, variabel kehadiran di kelas secara parsial berpengaruh signifikan
terhadap variabel nilai akhir mahasiswa.

3. Berapa nilai koefisien determinasinya? Apa artinya?

Koefisien Determinasi : R2 = 0,835 (Adjusted R2) Koefisien Non Determinasi :

K2 = 1 - R2 = 1 – 0,835 = 0,165

Artinya,variabel kehadiran di kelas dan variabel skor IQ mampu menjelaskan variasi

dari nilai akhir mahasiswa sebesar 83,5%, dan sisanya sebesar 16,5% dijelaskan oleh
faktor lain di luar model.

Koefisien Korelasi Berganda (R) = 0,934

Artinya, hubungan keseluruhan antara variabel nilai akhir mahasiswa, variabel

kehadiran di kelas, dan variabel skor IQ adalah searah dan sifatnya sangat erat yaitu
sebesar 0,934 atau 93,4%.
Koefesien Parsial (r)

ry1.2 = 0,934

Artinya hubungan antara variabel kehadiran di kelas secara parsial terhadap variabel nilai akhir
mahasiswa adalah searah dan sifatnya sangat erat dengan nilai sebesar 0,934, dengan menganggap
variabel skor IQ konstan.

ry2.1 = 0,194

Artinya hubungan antara variabel skor IQ secara parsial terhadap variabel nilai akhir mahasiswa adalah
searah dan sifatnya kurang erat dengan nilai sebesar 0,194, dengan menganggap variabel kehadiran di
kelas konstan.

r12.y = 0,229

Artinya hubungan antara variabel kehadiran di kelas dan variabel skor IQ secara parsial adalah searah
dan sifatnya lemah dengan nilai sebesar 0,2

29, dengan menganggap variabel nilai akhir mahasiswa konstan.