Analisis Regresi Linier

Regresi linier merupakan metode statistika yang digunakan untuk memodelkan

hubungan linier antara variabel respon dengan variabel prediktor. Metode regresi linier
yang merupakan metode yang memodelkan hubungan antara variabel respon y dan variabel
prediktor x1 , x2 ,..., x p . Model regresi linier untuk p variabel prediktor secara umum ditulis

sebagai:

y   0  1 x1   2 x2  ...   p x p  

Jika diambil sebanyak n pengamatan, maka model untuk pengamatan ke- i adalah:

p
yi   0    k xik   i (1)
k 1

dengan i = 1, 2, ... , n ;  0 ,  1 ,...,  p adalah parameter model dan  1 ,  2 ,...,  n adalah error yang

diasumsikan identik, independen, dan berdistribusi Normal dengan mean nol dan varians
konstan  2 atau (  i ~ IIDN  0,  2  ). Jika dituliskan dalam notasi matriks maka persamaan

(1) menjadi:

y  Xβ  ε

dengan:

 y1  1 x11 x12 x1 p   0   1 
       
y2  1 x21 x22 x2 p   1  
y  ,X , β , ε  2 .
       
       
 yn  1 xn1 xn 2 xnp  p  n 

Sedangkan nilai estimasi untuk y dan ε adalah:

yˆ  Xβˆ dan εˆ  y  yˆ  y  Xβˆ .

Estimasi Parameter β Model Regresi Linier

Estimator dari parameter model didapat dengan meminimumkan jumlah kuadrat error
atau yang dikenal dengan Ordinary Least Square (OLS), yaitu:

    y  Xβˆ 
T
 2  εˆ T εˆ  y  Xβˆ
n
i 1 i
 εˆ T εˆ  y T y  2y T Xβˆ  βˆ T XT Xβˆ

Untuk menentukan nilai β̂ yang meminimumkan εˆ T εˆ adalah dengan menurunkan εˆ T εˆ

terhadap β̂ dan kemudian disamadengankan nol, sehingga diperoleh:

εˆ T εˆ
 0  2yT X  2XT Xβˆ  0
β ˆ

Sehingga diperoleh persamaan normal:

XT Xβˆ  XT y

Dan estimasi untuk β̂ adalah:

βˆ   XT X  XT y
1
(2)

β̂ merupakan penaksir yang takbias untuk β̂ (Rencher, 2000).

Estimasi Parameter  2 Model Regresi Linier

Metode least square tidak bisa menghasilkan fungsi y dan x yang dapat
diminimumkan untuk mendapatkan penaksir  2 . Oleh karena itu, penaksir  2 didapat

berdasarkan penaksir β̂ . Berdasarkan asumsi dan menurut persamaan (1) , maka nilai  2

akan sama untuk setiap yi , i = 1,2, ..., n.

var  yi   E  yi  E  yi  
2

2
 2  E  yi  xTi β 

Penaksir  2 diperoleh dari rata-rata sampel sebagai berikut:

 
n
1
 yi  xTi βˆ
2
s2  (3)
n  p  1 i 1

Dalam bentuk matriks persamaan (3) dapat dituliskan sebagai berikut:

 1
   y  Xβˆ 
T
s2  y  Xβˆ
n  p 1

 
y  X  XT X  XT y y  X  XT X  XT y 
T
1 1 1

n  p 1


1
n  p 1 y T y  2y T X  XT X  XT y  y T X  XT X  XT X  XT X  XT y
1 1 1


1
n  p 1 y T y  y T X  XT X  XT y
1


1
n  p 1
 yT  I  H  y 

SSE

n  p 1

Dengan SSE  yT  I  H  y dan H  X  XT X  XT .

1

s 2 merupakan penaksir yang takbias untuk  2 jika matriks kovarian cov  y    2I

(Rencher, 2000).

Pengujian Hipotesis Model Regresi Linier

Untuk menguji kesesuaian model regresi OLS digunakan analisis varian yang dibuat
dengan cara menguraikan bentuk jumlah kuadrat total atau Sum Square Total (SST) menjadi
dua komponen: Jumlah kuadrat regresi atau Sum Square Regression (SSR) dan Jumlah
Kuadrat Error atau Sum Square Error (SSE).

Hipotesisnya adalah:

H 0 : 1   2   p  0

H1 : minimal ada satu i  0

 Tabel 1 Analisis Varians Model Regresi

Sumber Jumlah Kuadrat Derajat Rata-rata Kuadrat F Hitung

Variasi Bebas

p
Regresi
yT  H  1n J  y MSR  SSR / p
MSR
SSE F
MSE  MSE
Error y I  H y
T
n  ( p  1) n  ( p  1)

Total yT  I  1n J  y n 1

Sumber : Draper dan Smith, 1992

J adalah matriks berukuran nxn dengan semua elemen bernilai 1.

Tolak H0 bila Fhitung  F , p, n p1 atau p -value <  .

Adapun pengujian secara parsial untuk mengetahui parameter mana saja yang
signifikan terhadap model dilakukan dengan hipotesis:

H0 : k  0

H1 :  k  0

ˆk
Statistik uji dalam pengujian parsial ini adalah t  (Gujarati,1992). se( ˆk )  s g kk
se( ˆk )

adalah standar error dari koefisien ˆk . Sedangkan g kk adalah elemen diagonal ke-k dari

matriks  XT X  dan s  MSE .

1

Dibawah H0 t akan mengikuti distribusi t dengan derajat bebas  n  p 1 sehingga

jika diberikan tingkat signifikansi sebesar  maka diambil keputusan tolak H0 jika
thit  t ;n  p 1
.
2

Sedangkan untuk mengukur besarnya variansi variabel respon yang dijelaskan oleh
model regresi digunakan nilai koefisien determinasi R2 sebagai berikut:
 SSE
R2  1 
SST
 yT  I  H  y 
 1  T
 y  I  1 J  y 
 n 

Pengujian Asumsi Model Regresi Linier

Untuk menguji asumsi normal dari error digunakan uji Kolmogorof-Smirnov dengan
hipotesis sebagai berikut :

H0 : Error mengikuti distribusi normal

H1 : Error tidak mengikuti distribusi normal

Statistik uji dalam uji K-S ini adalah

D  max F0  xi   Sn  xi  , i  1, 2, , n.

dengan F0  xi  merupakan fungsi distribusi frekuensi kumulatif relatif dari distribusi teoritis

di bawah H0, sedangkan Sn  xi  merupakan distribusi frekuensi kumulatif pengamatan

sebanyak sampel. Kesimpulan diambil dengan menolak H0 jika p-value < α.

Salah satu uji yang digunakan untuk menguji independensi adalah uji Durbin-Watson
(Draper dan Smith, 1992). Hipotesis dalam pengujian ini adalah:

H0 : Tidak ada serial autokorelasi baik positif maupun negatif

H1 : Ada serial autokorelasi baik positif maupun negatif

dengan statistik uji:

 (e i  ei 1 ) 2
d i 2
n

e
2
i
i 1

Jika diberikan tingkat signifikansi sebesar α, maka keputusan yang diambil adalah
dengan membandingkan antara nilai d pengujian dengan nilai dU (nilai batas atas dari tabel
Durbin-Watson) dan dL (nilai batas bawah dari tabel Durbin-Watson). Selanjutnya aturan
keputusannya adalah sebagai berikut:

dw < dL : H0 ditolak

dw > (4-dL) : H0 ditolak

dU < dw < (4-dU) : H0 tidak ditolak

dL ≤ dw ≤ dU atau (4-dU) ≤ dw ≤(4-dL) :pengujian tidak dapat diambil keputusan.

Uji heteroskedastisitas dilakukan untuk mengetahui apakah dalam sebuah model

regresi terjadi ketidaksamaan varian dari error satu pengamatan ke pengamatan lain. Salah
satu uji yang digunakan adalah uji Glejser (Gujarati, 1992) dengan hipotesis sebagai berikut:

H0 : Tidak terjadi heteroskedastistitas

H1 : Terjadi heteroskedastistitas

Uji ini dilakukan dengan meregresikan nilai absolute error dari model yang dibuat
dengan semua variabel prediktor x yang ada. Jika variabel prediktornya ternyata signifikan
maka disimpulkan terjadi heteroskedastisitas, sebaliknya jika variabel prediktornya tidak
signifikan maka terjadi homoskedastisitas.
Salah satu syarat yang harus dipenuhi dalam regresi dengan beberapa variabel
prediktor adalah tidak adanya korelasi antara satu variabel prediktor dengan variabel
prediktor yang lain. Adanya korelasi dalam model regresi menyebabkan taksiran parameter
regresi yang dihasilkan akan memiliki error yang sangat besar. Pendeteksian adanya kasus
kolinieritas menurut Hocking (1996) dapat dilihat melalui koefisien korelasi Pearson (r ij). Jika
koefisien korelasi Pearson (rij) antar variabel > 0,95 maka terdapat korelasi antar variabel
tersebut. Untuk mendeteksi adanya kolinieritas juga dapat menggunakan Variance Inflation
Factors (VIF) yang dinyatakan sebagai berikut :

1
VIFj 
1  R 2j

dengan R2j adalah koefisien determinasi antara xj dengan variabel prediktor lainnya. VIFj

yang lebih besar dari 10 menunjukan adanya kolinieritas antar variabel prediktor. Solusi
untuk mengatasi adanya kasus tersebut adalah dengan mengeluarkan variabel prediktor
yang tidak signifikan dan meregresikan kembali variabel-variabel prediktor yang signifikan.

Selain itu, pada regresi OLS (Ordinary Least Square) diasumsikan bahwa nilai
estimasi parameter regresi akan tetap (konstan), artinya parameter regresi akan sama untuk
setiap lokasi pengamatan (parameter global). Bila terjadi heterogenitas spasial pada
parameter regresi, maka informasi yang tidak dapat ditangani oleh metode regresi OLS akan
ditampung sebagai error. Bila kasus semacam itu terjadi, regresi OLS menjadi kurang mampu
dalam menjelaskan fenomena data yang sebenarnya.

Contoh
Tujuan penelitian adalah mendapatkan faktor-faktor apa saja yang berpengaruh terhadap
persentase rumah tangga miskin berdasarkan model Regresi Linier Berganda. Unit observasi dalam
penelitian ini adalah 304 desa/kelurahan pada 18 kecamatan di Kabupaten Mojokerto

Variabel Penelitian
Variabel respon dalam penelitian ini adalah persentase rumah tangga miskin per
desa/kelurahan hasil PPLS 2008. Variabel prediktor yang digunakan adalah variabel
ketertinggalan desa/kelurahan berdasarkan data PODES 2008. Variabel penelitian secara
lengkap disajikan pada Tabel 3.1.
Tabel 2 Variabel Penelitian
Tipe
Variabel Variabel respon
Variabel

Y Persentase rumah tangga miskin per desa/kelurahan Kontinu

Tipe
Variabel Faktor Alam dan Lingkungan
Variabel

X1 Kepadatan penduduk (Jiwa/Km2) Kontinu

X2 Persentase keluarga yang tinggal dibantaran/tepi sungai Kontinu

X3 Persentase keluarga yang tinggal di permukiman kumuh Kontinu

X4 Jumlah penderita wabah penyakit selama setahun terakhir Diskrit

Tipe
Variabel Faktor Sarana dan Prasarana
Variabel

X5 Jarak dari desa ke ibukota kecamatan (Km) Kontinu

 X6 Jarak dari desa ke ibukota kabupaten/kota (Km) Kontinu

X7 Jarak dari desa ke ibukota kabupaten/kota lain terdekat (Km) Kontinu

Rasio fasilitas pendidikan dasar (SD/SMP setaraf) per 100

X8 Kontinu
penduduk

Rasio fasilitas kesehatan dasar (Puskesmas/Pustu/tempat

X9 praktek dokter atau bidan/poskesdes/polindes) per 100 Kontinu
penduduk

X10 Rasio tenaga kesehatan per 100 penduduk Kontinu

X11 Persentase keluarga yang berlangganan telepon kabel Kontinu

Jumlah pusat perdagangan dan koperasi (pasar tanpa

bangunan, mini market/restoran/rumah
X12 Diskrit
makan/warung/kedai maknan minuman/toko warung
kelontong/koperasi)

Tipe
Variabel Faktor Sosial Ekonomi
Variabel

X13 Persentase keluarga pertanian Kontinu

X14 Persentase penderita gizi buruk dalam 3 tahun terakhir Kontinu

Sedangkan struktur data penelitiannya adalah sebagai berikut:

Tabel 3 Struktur Data Penelitian

Desa/Kelurahan Y X1 X2 X3 … X14

(1) (2) (3) (4) (5) (16)

1 y1 x11 x21 x31 … x14,1

2 y2 x12 x22 x32 … x14,2

3 y3 x13 x23 x33 … x14,3

4 y4 x14 x24 x34 … x14,4

304 y304 x1,304 x2,304 x3,304 … x14,304

Untuk mengetahui faktor-faktor yang berpengaruh pada perentase rumah tangga miskin di
desa dan kelurahan di Kabupaten Mojokerto tahun 2008 dilakukan analisis dengan langkah-
langkah sebagai berikut:
1. Melakukan analisis deskriptif data sebagai gambaran awal untuk mengetahui
kemiskinan di Kabupaten Mojokerto tahun 2008.
2. Menganalisis model regresi linier dengan langkah-langkah sebagai berikut:
a. Melakukan estimasi parameter model regresi
b. Melakukan pengujian kesesuaian model regresi
c. Melakukan pengujian parsial setiap parameter regresi
d. Melakukan pengujian asumsi model regresi klasik, yaitu uji normalitas error,
autokorelasi error, uji kesamaan varian, multikolinieritas
e. Membuat kesimpulan
Analisis Persentase Rumah Tangga Miskin di Kabupaten Mojokerto Tahun 2008
Pada penulisan ini model regresi linier diterapkan pada kasus kemiskinan di
Kabupaten Mojokerto Provinsi Jawa Timur pada tahun 2008. Variabel yang diteliti yaitu
persentase rumah tangga miskin per desa/kelurahan di Kabupaten Mojokerto pada tahun
2008 sebagai variabel respon (Y) dan variabel Kepadatan penduduk (Jiwa/Km2) (X1),
Persentase keluarga yang tinggal di bantaran/tepi sungai (X2), Persentase keluarga yang
 tinggal di permukiman kumuh (X3), Jumlah penderita wabah penyakit selama setahun
terakhir (X4), Jarak dari desa ke ibukota kecamatan (Km) (X5), Jarak dari desa ke ibukota
kabupaten/kota (Km) (X6), Jarak dari desa ke ibukota kabupaten/kota lain terdekat (Km)
(X7) Rasio fasilitas pendidikan dasar (SD/SMP setaraf) per 100 penduduk (X8), Rasio
fasilitas kesehatan dasar (Puskesmas/Pustu/tempat praktek dokter atau
bidan/poskesdes/polindes) per 100 penduduk (X9), Rasio tenaga kesehatan per 100
penduduk (X10), Persentase keluarga yang berlangganan telepon kabel (X11), Jumlah pusat
perdagangan dan koperasi (pasar tanpa bangunan, mini market/restoran/rumah
makan/warung/kedai maknan minuman/toko warung kelontong/koperasi) (X12),
Persentase keluarga pertanian (X13), Persentase penderita gizi buruk dalam 3 tahun
terakhir (X14) sebagai variabel prediktornya.

Tabel 4. Deskriptif Data Kemiskinan di Kabupaten Mojokerto

Variabel N Mean Minimum Maximum StDev

Y 304 24,16 6,39 76,62 9,72

X1 304 1666,12 175,00 14011,00 1507,09

X2 304 0,20 0,00 8,73 0,86

X3 304 0,03 0,00 3,69 0,29

X4 304 11,18 0,00 301,00 29,27

X5 304 4,03 0,00 18,00 2,73

X6 304 18,40 1,50 62,00 9,44

X7 304 21,09 1,00 60,00 13,22

X8 304 0,09 0,00 0,41 0,05

X9 304 0,11 0,00 0,82 0,09

X10 304 0,09 0,00 0,82 0,08

X11 304 7,12 0,00 90,45 12,37

X12 304 62,50 4,00 685,00 63,42

X13 304 99,33 76,53 100,00 2,89

X14 304 0,04 0,00 0,81 0,10

 Tabel 4 menunjukan bahwa rata-rata persentase rumah tangga miskin per desa/
kelurahan di Kabupaten Mojokerto Jawa Timur pada tahun 2008 adalah 24,16% dimana
persentase rumah tangga miskin terendah berada pada desa Wonokusumo dengan 6,39%
rumah tangga miskin sedangkan persentase rumah tangga miskin tertinggi adalah 76,62%
yang berada pada desa Jembul. Rata-rata kepadatan penduduk desa di Kabupaten Mojokerto
adalah 1,666 jiwa/Km2 namun jika dilihat variasi antar desa ternyata cukup besar yaitu
sekitar 1507 jiwa/Km2. Rasio fasilitas kesehatan dasar maupun rasio tenaga kesehatan per
100 penduduk pada tiap desa sangat kecil. Hal ini mengindikasikan kurangnya sarana
kesehatan dasar dan tenaga kesehatan di desa. Ditemukan kurang dari 10 persen keluarga di
desa yang berlangganan telpon kabel. Namun yang cukup menggembirakan adalah hampir
tidak ada penderita gizi buruk di desa.

Model Regresi Persentase Rumah Tangga Miskin

Model regresi global digunakan untuk mengetahui variabel prediktor mana saja yang
berpengaruh secara signifikan terhadap persentase rumah tangga miskin di Kabupaten
Mojokerto dengan tanpa melibatkan faktor lokasi pengamatan. Karena terdapat perbedaan
satuan data, maka terlebih dahulu variabel prediktor distandarkan (Variabel Z) yaitu
dikurangi mean dan dibagi dengan standar deviasinya..

Berdasarkan analisis variansi yang ditunjukkan pada Tabel 5 diperoleh bahwa nilai
statistik uji F sebesar 15,715 dengan p-value sebesar 0,000. Dengan menggunakan tingkat
signifikansi   sebesar 5% maka dapat disimpulkan bahwa variabel prediktor secara
serentak berpengaruh pada variabel respon. Koefisien determinasi (R 2) yang dihasilkan
sebesar 43,2%, artinya model regresi global mampu menjelaskan variasi dari persentase
rumah tangga miskin sebesar 43,2%, sedangkan sisanya (yaitu 56,8%) dijelaskan oleh
variabel lain diluar dari model.

Tabel 5 Analisis Variansi Model Regresi Global

Sumber Jumlah Derajat Rata-rata

Variasi Kuadrat Bebas kuadrat F p-value

Regresi 12383,18 14 884,51 15,715 0,000

Error 16265,90 289 56,28

Total 28649,09 303

 Berdasarkan Tabel 6 didapatkan nilai t hitung untuk semua parameter. Dengan
menggunakan tingkat signifikansi   sebesar 5% maka terlihat bahwa tidak semua variabel
prediktor berpengaruh signifikan terhadap persentase rumah tangga miskin. Dengan 
sebesar 5% diperoleh 8 parameter yang signifikan yaitu  0 ,  4 ,  6 ,  8 ,  9 , 10 , 11 dan

13 . Oleh karena itu perlu dilakukan seleksi variabel prediktor dengan menggunakan metode
Stepwise Regression sehingga model regresi yang dibentuk untuk persentase rumah tangga
miskin di Kabupaten Mojokerto tahun 2008 adalah:

yˆi  24,1588  0,9641Z4i  1,3271Z6i  1,5745Z8i  4,3165Z9i

(4)
2,0483Z10i  2,6712Z11i  1,0832Z13i

Tabel 6 Estimasi Parameter Model Regresi Linier

Parameter Estimasi Standar Error t Hitung p-value

0 24,1588 0,4303 56,1464 0,0000*

1 -0,9444 0,7162 -1,3186 0,1883

2 -0,3096 0,4905 -0,6312 0,5284

3 0,2695 0,4471 0,6027 0,5472

4 -1,1423 0,4535 -2,5189 0,0123*

5 -0,2854 0,4831 -0,5908 0,5551

6 -1,9504 0,5841 -3,3394 0,0009*

7 0,7187 0,5646 1,2731 0,2040

8 1,4740 0,5664 2,6022 0,0097*

9 4,2572 0,5963 7,1393 0,0000*

10 -2,2170 0,4852 -4,5692 0,0000*

11 -1,8775 0,7230 -2,5967 0,0099*

12 -0,3249 0,4676 -0,6948 0,4878

13 -1,1472 0,4674 -2,4545 0,0147*

14 0,4742 0,4573 1,0370 0,3006

 Ket: *) signifikan pada   5%

Dengan persamaan (4) diketahui bahwa variabel prediktor yang paling berpengaruh
adalah variabel rasio fasilitas kesehatan dasar (Puskesmas/Pustu/tempat praktek dokter atau
bidan/poskesdes/polindes) per 100 penduduk karena mempunyai koefisien yang paling besar.
Sedangkan yang berpengaruh paling kecil adalah variabel jumlah penderita wabah penyakit
selama setahun terakhir karena mempunyai koefisien yang paling kecil.

Untuk menginterpretasikan model maka variabel dalam bentuk standar (Z)

dikembalikan ke variabel asal (X), sehingga diperoleh model berikut:

yˆi  59,8717  0,0329X 4i  0,1406X 6i  32,3390X8i  50,1627X9i

(5)
24,8165X10i  0,2159X11i  0,3745X13i

Berdasarkan model regresi global pada persamaan (5) dapat diinterpretasikan sebagai
berikut:

1. Setiap kenaikan jumlah penderita wabah penyakit selama setahun terakhir sebesar 1
satuan maka persentase rumah tangga miskin akan berkurang sebesar 0,0329 persen.
2. Setiap kenaikan jarak dari desa ke ibukota kabupaten/kota sebesar 1 satuan maka
persentase rumah tangga miskin akan berkurang sebesar 0,1406 persen.
3. Setiap kenaikan rasio fasilitas pendidikan dasar (SD/SMP setaraf) per 100 penduduk
sebesar 1 satuan maka persentase rumah tangga miskin akan bertambah sebesar 32,3390
persen.
4. Setiap kenaikan rasio fasilitas kesehatan dasar (Puskesmas/Pustu/tempat praktek dokter
atau bidan/poskesdes/polindes) per 100 penduduk sebesar 1 satuan maka persentase
rumah tangga miskin akan bertambah sebesar 50,1627 persen.
5. Setiap kenaikan rasio tenaga kesehatan per 100 penduduk sebesar 1 satuan maka
persentase rumah tangga miskin akan berkurang sebesar 24,8165 persen.
6. Setiap kenaikan persentase keluarga yang berlangganan telepon kabel sebesar 1 satuan
maka persentase rumah tangga miskin akan berkurang sebesar 0,2159 persen.
7. Setiap kenaikan persentase keluarga pertanian sebesar 1 satuan maka persentase rumah
tangga miskin akan berkurang sebesar 0,3745 persen.
 Pengujian Asumsi Model Regresi
Uji Asumsi yang pertama adalah uji kolinieritas. Uji ini bertujuan untuk mengetahui
apakah variabel-variabel prediktornya telah memenuhi kondisi saling tidak berkorelasi. Ada
dua kriteria yang dapat digunakan untuk mengetahui adanya kondisi kolinieritas antara
variabel-variabel prediktor. Kriteria pertama adalah dengan menggunakan koefisien korelasi
(Pearson Correlation). Tabel 7 menunjukan bahwa semua variabel prediktor pada penelitian
ini mempunyai nilai koefisien korelasi yang lebih kecil dari 0,95, maka antar variabel
prediktor dapat dikatakan tidak saling berkorelasi.

Tabel 7 Koefisien Korelasi Antara Variabel Prediktor

X1 X2 X3 X4 X5 X6 X7

X2 -0,048
X3 0,035 0,044
X4 -0,099 0,133 0,021
X5 -0,280 -0,017 -0,047 -0,032
X6 -0,258 -0,038 -0,088 0,080 0,182
X7 -0,235 0,124 -0,087 0,159 0,151 0,583
X8 0,006 0,125 0,147 -0,017 0,127 0,186 0,183
X9 -0,158 -0,097 -0,011 -0,030 0,268 0,324 0,257
X10 0,240 -0,040 0,108 -0,007 -0,261 -0,074 0,023
X11 0,747 -0,072 0,100 -0,043 -0,250 -0,022 -0,139
X12 0,208 0,061 0,103 -0,021 -0,135 -0,216 -0,233
X13 0,069 -0,273 0,023 -0,216 -0,085 -0,055 -0,145
X14 -0,029 0,254 -0,016 0,117 0,041 0,015 0,107
Tabel 7 Koefisien Korelasi Antara Variabel Prediktor (Lanjutan)

X8 X9 X10 X11 X12 X13

X2
X3
X4
X5
X6
X7
X8
X9 0,559
X10 0,114 0,155
X11 0,177 -0,040 0,300
X12 -0,128 -0,267 0,010 0,103
X13 -0,104 -0,118 0,023 0,074 0,080
X14 -0,030 -0,018 0,006 -0,057 -0,113 -0,003

Kriteria kedua yang digunakan untuk memeriksa kolinieritas antar variabel prediktor
adalah dengan menggunakan nilai Variance Inflation Factors (VIF) pada variabel-vatiabel
prediktor. Berikut ini adalah nilai VIF untuk masing-masing variabel prediktor tahun 2008
yang telah distandarkan, yaitu dengan mengurangi setiap pengamatan dengan rataannya dan
membaginya dengan standar deviasinya:

Tabel 8 Nilai VIF Variabel Prediktor

Nilai VIF

Z1 Z2 Z3 Z4 Z5 Z6 Z7

2,761 1,295 1,076 1,107 1,256 1,836 1,716

Nilai VIF

Z8 Z9 Z10 Z11 Z12 Z13 Z14

1,727 1,914 1,267 2,814 1,177 1,176 1,126

Nilai VIF masing-masing variabel prediktor pada Tabel 8 menunjukkan nilai kurang dari 10,
maka dapat dikatakan tidak terjadi multikolinieritas.

Kedua kriteria menunjukan hasil yang sama yaitu tidak adanya kolinieritas diantara
variabel-variabel prediktor sehingga variabel-variabel prediktor pada penelitian ini dapat
digunakan dalam pembentukan model regresi.

Kemudian Uji asumsi kenormalan error dilakukan dengan uji Kolmogorov-Smirnov.

Asumsi ini dibutuhkan sebagai kesahihan dalam pengujian hipotesis model. Diperoleh nilai p
value statistik uji Kolmogorov Smirnov lebih dari 0,150 sehingga dapat disimpulkan bahwa
error model regresi yang terbentuk mengikuti distribusi normal.

Asumsi independensi error bertujuan untuk mengetahui apakah dalam model regresi
linier terdapat korelasi antara error. Cara yang dilakukan yaitu dengan melihat statistik uji
Durbin Watson. Hasilnya nilai statistik Durbin Watson-nya adalah 1,104. Apabila
dibandingkan dengan tabel statistik uji Durbin Watson untuk α=0,05, n=304 dan dengan
variabel prediktor sebanyak 14 diperoleh batas bawah (dL)= 1,799 dan batas atas (dU)= 1,875
maka nilai statistik Durbin Watson-nya kurang dari dL sehingga dapat dinyatakan errornya
saling berkorelasi positif. Maka dapat disimpulkan terjadi pelanggaran asumsi untuk
pemodelan dengan regresi OLS dimana errornya saling berkorelasi.

Model regresi yang sahih mengasumsikan varians dari errornya tetap

(homoskedastisitas). Statistik uji yang digunakan adalah uji Glejser (Gujarati, 1999). Statistik
uji ini diperoleh dengan meregresikan nilai absolut error dari model dibuat sebelumnya
dengan semua variabel prediktor yang digunakan. Hasil menunjukkan bahwa variabel
prediktornya ternyata signifikan mempengaruhi nilai absolut error, ini berarti bahwa dalam
data.

DAFTAR PUSTAKA

Draper, N., & Smith, H. (1992), Analisis Regresi Terapan, PT Gramedia Pustaka Utama, Jakarta

Gujarati, D. (1992), Essentials of Econometrics. Mc Graw-Hill, Inc, New York.

Hocking, R. (1996), Methods and Application of Linear Models. John Wiley & Sons, New York
Praktikum
Analisis Regresi Berganda

X1 X2 X3 X4 Y
3,67 3,33 3,67 4,00 84
4,00 4,33 4,33 4,33 84,5
4,00 5,00 4,67 4,33 83,75
4,00 4,00 4,33 4,00 81,75
3,67 4,33 4,33 4,67 81,75
4,67 4,67 4,00 3,67 79,5
3,67 3,67 3,33 3,67 78,75
3,67 4,00 4,67 4,67 78,5
4,00 4,33 4,00 4,00 79,75
4,67 4,67 4,67 4,33 79,5
3,33 3,00 3,00 3,33 74,75
4,33 4,67 4,00 4,33 80
5,00 4,33 4,67 4,00 79,25
2,67 4,33 3,67 4,00 86,75
4,00 4,00 4,00 3,67 88
4,00 4,33 4,00 4,33 87,25
3,67 4,67 4,67 4,67 86,25
4,33 4,33 4,33 4,33 81,75
4,33 4,00 4,00 4,00 88
4,33 5,00 5,00 4,33 90,25
4,67 4,00 3,33 4,33 84,75
4,67 4,00 4,00 4,33 80
4,33 3,67 4,33 5,00 90,5
4,00 4,00 4,67 4,00 86
3,67 2,00 3,67 3,67 89,75
4,33 4,00 4,33 4,33 87,25
4,67 4,67 4,33 4,33 87,75
4,33 4,33 4,33 4,33 92,25
4,33 3,33 5,00 3,33 84,25
4,33 4,33 4,00 4,67 87,5
4,00 4,67 4,67 4,00 83,5
3,67 4,00 4,33 4,67 85,25
4,33 4,33 4,33 4,67 88
4,67 4,33 3,33 4,33 86,25
4,33 4,67 4,67 4,33 79,75
4,33 4,33 4,33 4,33 90,25
4,00 3,00 4,00 4,67 91,25
5,00 4,00 4,67 4,67 84,25
4,67 4,67 4,67 5,00 83,75
4,67 4,00 5,00 5,00 83,5
 I. Statistika Deskriptif

Descriptive Statistics

N Range Minimum Maximum Mean Std. Deviation Variance

X1 40 2.33 2.67 5.00 4.1752 .47094 .222

X2 40 3.00 2.00 5.00 4.1330 .58411 .341

X3 40 2.00 3.00 5.00 4.2332 .48527 .235

X4 40 1.67 3.33 5.00 4.2662 .41518 .172

Y 40 17.50 74.75 92.25 84.4938 4.15813 17.290

Berdasarkan hasil statistika deskriptif diketahui bahwa variabel X dengan nilai range
terbesar adalah X2, sedangkan X4 memiliki range terendah diantara variabel X lainnya.
Variabel X4 memilikinilai mean terbesar yaitu 4,2662 sedangkan X2 memiliki nilai mean
terendah yakni 4,133. Nilai variance dan standart deviasi terbesar adalah varaiabel X2,
sedangkan yang memiliki nilai variance dan standart deviasi terkecil adalah variabel X4.
Variabel Y memiliki nilai mean sebesar 84,4938 dengan variance sebesar 17,29.

II. Korelasi (Nilai, Scatterplot, Matriks)

Pengujian korelasi ini dilakukan untuk mengetahui besar nilai korelasi antara variabel
X dengan variabel Y. Berikut tabel nilai korelasi variabel X1, X2, X3, X4 dengan Y.

Correlations: X1; X2; X3; X4; Y

X1 X2 X3 X4
X2 0,307
0,054

X3 0,341 0,431
0,032 0,005

X4 0,280 0,344 0,391

0,080 0,030 0,013

Y 0,022 -0,095 0,101 0,278

0,891 0,561 0,5330,082

Cell Contents: Pearson correlation

P-Value

Hipotesis :𝐻0 : 𝜌 = 0 (tidak terdapat korelasi)

𝐻1 ∶ 𝜌 ≠ 0 (terdapat korelasi)
Tarafsignifikan (α) : 10% (0,10)
Daerah kritis : TolakH0 jika P-Value < α (0,10)
 Berdasarkan nilai-nilai korelasi di atas diketahui bahwa nilai p-value antara variabel
Y dengan X1, X2, dan X3 secara berturut-turutadalah 0,891 ; 0,561 ; 0,533 yang nilai nya
lebih besar dari (α = 0,10). Sehingga disimpulkan bahwa korelasi tersebut gagal tolak H0
yang artinya tidak terdapat korelasi antara Y dengan X1, Y dengan X2, dan Y dengan
X3.Sedangkan nilai p-value antara variabel Y dengan X4 yaknisebesar 0,082 yang nilainya
lebih kecil dari (α = 0,10) sehingga disimpulkan bahwa nilai Y memiliki korelasi dengan X4.
Secara Visual berikut disajikan scatterplot korelasi antara variabel Y dengan X.

Scatterplot of Y vs X1; X2; X3; X4

X1 X2

90

85

80

75
3,0 3,5 4,0 4,5 5,0 2 3 4 5
Y

X3 X4

90

85

80

75
3,0 3,5 4,0 4,5 5,0 3,5 4,0 4,5 5,0

Berdasarkan hasil visual scatterplot dapat dilihat bahwa korelasi antara Y dengan X
menunjukkan plot-plot yang menyebar menjauhi garis normal yang artinya hubungan
variabel Y dengan X tidak linear. Berikut disajikan pula matriks korelasi antara Y dengan X.

Matrix CORR1

1,00000 0,30651 0,34058 0,27977 0,02238

0,30651 1,00000 0,43114 0,34356 -0,09472
0,34058 0,43114 1,00000 0,39123 0,10150
0,27977 0,34356 0,39123 1,00000 0,27848
0,02238 -0,09472 0,10150 0,27848 1,00000

III. Regresi Model Terbaik Menggunakan Eliminasi Backward dan Pendeteksian

Multikolineritas

Pengujian parameter dalam metode regresi berganda dapat dilakukan dengan

pengujian serentak dan pengujian secara parsial (individu). Berikut merupakan pengujian
secara serentak.

a. Uji Serentak
Pada uji serentak dilakukan pengujian terhadap𝛽𝑖 dimana i = 1,2,3,4. pengujian ini
digunakan untuk mengetahui apakah parameter tersebut berpengaruh atau tidak
terhadap variabel y.
Hipotesis
H0 : βi = 0 i = 1,2,3,4
H1 : minimal ada satu βi ≠ 0
Taraf signifikan (α) :10%
Daerah kritis : Tolak H0 jika Pvalue< α
StatistikaUji :

ANOVAe

Model Sum of Squares df Mean Square F Sig.

1 Regression 83.327 4 20.832 1.234 .314a

Residual 590.984 35 16.885

Total 674.311 39

2 Regression 82.912 3 27.637 1.682 .188b

Residual 591.399 36 16.428

Total 674.311 39

3 Regression 80.104 2 40.052 2.494 .096c

Residual 594.207 37 16.060

Total 674.311 39

4 Regression 52.333 1 52.333 3.197 .082d

Residual 621.978 38 16.368

Total 674.311 39

a. Predictors: (Constant), X4, X1, X2, X3

b. Predictors: (Constant), X4, X2, X3

c. Predictors: (Constant), X4, X2

d. Predictors: (Constant), X4

e. Dependent Variable: Y

Berdasarkan hasil uji serentak antara Y dengan X1, X2, X3, dan X4 didapatkan nilai
p-value sebesar 0,314 yang nilainya lebih dari α (0,10). Disimpulkan bahwa gagal tolak H0
artinya variabel X tidak signifikan mempengaruhi variabel Y. Setelah dilakukan eliminasi
Backward didapatkan model terbaik yaitu regresi antara variabel Y dengan X4 yang memiliki
nilai p-value lebih kecil dari α yaitu 0,082 < 0,10 , sehingga didapatkan keputusan tolak H0
artinya variabel X4 signifikan mempengaruhi variabel Y.

b. Uji Parsial
Pada uji parsial dilakukan pengujian lanjutan terhadap𝛽𝑖 untuk mengetahui parameter
tersebut berpengaruh atau tidak terhadap variabel Y. Setelah dilakukan eliminasi
Backward maka hanya X4 saja yang terpilih sebagai model terbaik. Maka berikut
diulas mengenai regresi antara Y dengan X4.
Hipotesis : H 0 : β4 = 0
H1 : β4 ≠ 0
Taraf signifikan (α) : 0,10 (10%)
Daerah kritis : Tolak H0 jika Pvalue< α
StatistikaUji :

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) 75.197 8.340 9.017 .000

X1 -.239 1.526 -.027 -.157 .876 .838 1.193

X2 -1.684 1.293 -.237 -1.302 .201 .759 1.318

X3 .689 1.599 .080 .431 .669 .719 1.391

X4 3.361 1.776 .336 1.893 .067 .796 1.256

2 (Constant) 74.700 7.611 9.815 .000

X2 -1.716 1.259 -.241 -1.363 .181 .779 1.284

X3 .639 1.546 .075 .413 .682 .748 1.337

X4 3.324 1.736 .332 1.915 .063 .811 1.233

3 (Constant) 75.792 7.058 10.739 .000

X2 -1.537 1.169 -.216 -1.315 .197 .883 1.132

X4 3.529 1.645 .352 2.146 .039 .883 1.132

4 (Constant) 72.590 6.688 10.854 .000

X4 2.790 1.560 .279 1.788 .082 1.000 1.000

a. Dependent Variable: Y

Berdasarkanhasil uji parsial tersebutdiketahui bahwa nilai p-value hasil regresi antara
Y dengan X4 bernilai 0,82 >α (0,10), sehingga dapatdisimpulkan bahwa variabel X4
mempengaruhi variabel Y.
Pada output SPSS tersebut juga menghasilkan nilai VIF yang digunakan untuk
pendeteksian multikolineritas. Apabila nilai VIF lebih besar dari 10 maka terindikasi terdapat
multikolineritas. Nilai VIF pada regresi berganda antara variabel Y dengan variabel X1, X2,
X3, dan X4 dengan secara berturut-turut bernilai 1,193; 1,318; 1,391; dan 1,256 yang
nilainya kurang dar 10. Sehingga disimpulkan bahwa tidak terjadi kasus multikolineritas
antar varaiabel independennya. Setelah dilakukan eliminasi Backward untuk mencari model
terbaik dan dilakukan regresi antara variabel Y dengan variabel X4 didapatkan nilai VIF
sebesar 1,000 yang nilainya juga lebih kecil dari 10 sehingga tidak terindikasi kasus
multikolineritas. Selanjutnya disajikan tabel nilai R-squareyang menunjukkan nilai kebaikan
model sebagai berikut.
Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .352a .124 .023 4.10917

2 .351b .123 .050 4.05312

3 .345c .119 .071 4.00745

4 .279d .078 .053 4.04572

a. Predictors: (Constant), X4, X1, X2, X3

b. Predictors: (Constant), X4, X2, X3

c. Predictors: (Constant), X4, X2

d. Predictors: (Constant), X4

Pada tabel di atas menunjukkan bahwa pada regresi antara variabel Y dengan variabel
X1, X2, X3, dan X4 memiliki nilai R-square sebesar 0,124. Kemudian setelah dilakukan
eliminasi Backward yang pertama yakni dengan menghilangkan variabel X1 didapatkan nilai
R-square sebesar 0,123. Pada eliminasi Backward tahap kedua dengan mengeliminasi
variabel X3 didapatkan nilai R-square sebesar 0,119. Sedangkan pada eliminasi Backward
yang tahap akhir yakni mengeliminasi X2 dan model terbaik yaitu dengan melakukan regresi
antara X4 dengan variabel Y didapatkan nilai R-square sebesar 0,78.
Berikut asumsi IIDN untuk regresi antara Y dengan X4 yang disajikan secara visual
yakni sebagai berikut.

Residual Plots for Y

Normal Probability Plot Versus Fits
99 8

90 4
Residual
Percent

50 0

10 -4

1 -8
-10 -5 0 5 10 82 83 84 85 86
Residual Fitted Value

Histogram Versus Order

8
8
4
Frequency

6
Residual

0
4
-4
2

0 -8
-8 -4 0 4 8 1 5 10 15 20 25 30 35 40
Residual Observation Order

Pada grafik “Normal Probability Plot” diketahui bahwa plot-plot merah sejajar
mengikuti garis normal yang artinya residual berdisribusi normal. Pada grafik “Versus Fits”
diketahui plot-plot merah tidak menyebar acak namun membentuk pola yang artinya residual
tidak memenuhi asumsi identik. Pada grafik “Versus Order” diketahui plot-plot merah
menyebar acak yang artinya residual memenuhi asumsi independen. Pada histogram
diketahui bahwa grafiknya mengikuti kurva normal artinya residual berdistribusi normal.
Tabel Normal
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002

-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003

-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005

-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007

-3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010

-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014

-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019

-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026

-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036

-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048

-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064

-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084

-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110

-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143

-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183

-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233

-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294

-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367

-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455

-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559

-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681

-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985

-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170

-1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379

-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611

-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867

-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148

-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451

-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776

-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121

-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483

-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859

-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247

-0,0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641

0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359

0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753

0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141

0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517

0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879

0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224

0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549

0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852

0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133

0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389

1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621

1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830

1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015

1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

1.4 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319 0.9332
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441

1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545

1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633

1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706

1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767

2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817

2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857

2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890

2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916

2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936

2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952

2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964

2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974

2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981

2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986

3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990

3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993

3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995

3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997

3.5 0.99975 0.99976 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982

Tabel t
α

v 0.100 0.050 0.025 0.010 0.005 0.001 0.001

1 3.08 6.31 12.71 31.82 63.66 318.31 636.62

2 1.89 2.92 4.30 6.96 9.92 22.33 31.60

3 1.64 2.35 3.18 4.54 5.84 10.21 12.92

4 1.53 2.13 2.78 3.75 4.60 7.17 8.61

5 1.48 2.02 2.57 3.36 4.03 5.89 6.87

6 1.44 1.94 2.45 3.14 3.71 5.21 5.96

7 1.41 1.89 2.36 3.00 3.50 4.79 5.41

8 1.40 1.86 2.31 2.90 3.36 4.50 5.04

9 1.38 1.83 2.26 2.82 3.25 4.30 4.78

10 1.37 1.81 2.23 2.76 3.17 4.14 4.59

11 1.36 1.80 2.20 2.72 3.11 4.02 4.44

12 1.36 1.78 2.18 2.68 3.05 3.93 4.32

13 1.35 1.77 2.16 2.65 3.01 3.85 4.22

14 1.35 1.76 2.14 2.62 2.98 3.79 4.14

15 1.34 1.75 2.13 2.60 2.95 3.73 4.07

16 1.34 1.75 2.12 2.58 2.92 3.69 4.01

17 1.33 1.74 2.11 2.57 2.90 3.65 3.97

18 1.33 1.73 2.10 2.55 2.88 3.61 3.92

19 1.33 1.73 2.09 2.54 2.86 3.58 3.88

20 1.33 1.72 2.09 2.53 2.85 3.55 3.85

21 1.32 1.72 2.08 2.52 2.83 3.53 3.82

22 1.32 1.72 2.07 2.51 2.82 3.50 3.79

23 1.32 1.71 2.07 2.50 2.81 3.48 3.77

24 1.32 1.71 2.06 2.49 2.80 3.47 3.75

25 1.32 1.71 2.06 2.49 2.79 3.45 3.73

26 1.31 1.71 2.06 2.48 2.78 3.43 3.71

27 1.31 1.70 2.05 2.47 2.77 3.42 3.69

28 1.31 1.70 2.05 2.47 2.76 3.41 3.67

29 1.31 1.70 2.05 2.46 2.76 3.40 3.66

30 1.31 1.70 2.04 2.46 2.75 3.39 3.65

31 1.31 1.70 2.04 2.45 2.74 3.37 3.63

32 1.31 1.69 2.04 2.45 2.74 3.37 3.62

33 1.31 1.69 2.03 2.44 2.73 3.36 3.61

34 1.31 1.69 2.03 2.44 2.73 3.35 3.60

35 1.31 1.69 2.03 2.44 2.72 3.34 3.59

 36 1.31 1.69 2.03 2.43 2.72 3.33 3.58

37 1.30 1.69 2.03 2.43 2.72 3.33 3.57

38 1.30 1.69 2.02 2.43 2.71 3.32 3.57

39 1.30 1.68 2.02 2.43 2.71 3.31 3.56

40 1.30 1.68 2.02 2.42 2.70 3.31 3.55

41 1.30 1.68 2.02 2.42 2.70 3.30 3.54

42 1.30 1.68 2.02 2.42 2.70 3.30 3.54

43 1.30 1.68 2.02 2.42 2.70 3.29 3.53

44 1.30 1.68 2.02 2.41 2.69 3.29 3.53

45 1.30 1.68 2.01 2.41 2.69 3.28 3.52

46 1.30 1.68 2.01 2.41 2.69 3.28 3.51

47 1.30 1.68 2.01 2.41 2.68 3.27 3.51

48 1.30 1.68 2.01 2.41 2.68 3.27 3.51

49 1.30 1.68 2.01 2.40 2.68 3.27 3.50

50 1.30 1.68 2.01 2.40 2.68 3.26 3.50

60 1.30 1.67 2.00 2.39 2.66 3.23 3.46

Tabel Chi-square
α

v 0.995 0.99 0.975 0.95 0.9 0.75 0.5 0.25 0.1 0.05 0.025 0.01 0.005 0.001

1 0.00 0.00 0.00 0.00 0.02 0.10 0.45 1.32 2.71 3.84 5.02 6.63 7.88 10.83

2 0.01 0.02 0.05 0.10 0.21 0.58 1.39 2.77 4.61 5.99 7.38 9.21 10.60 13.82

3 0.07 0.11 0.22 0.35 0.58 1.21 2.37 4.11 6.25 7.81 9.35 11.34 12.84 16.27

4 0.21 0.30 0.48 0.71 1.06 1.92 3.36 5.39 7.78 9.49 11.14 13.28 14.86 18.47

5 0.41 0.55 0.83 1.15 1.61 2.67 4.35 6.63 9.24 11.07 12.83 15.09 16.75 20.52

6 0.68 0.87 1.24 1.64 2.20 3.45 5.35 7.84 10.64 12.59 14.45 16.81 18.55 22.46

7 0.99 1.24 1.69 2.17 2.83 4.25 6.35 9.04 12.02 14.07 16.01 18.48 20.28 24.32

8 1.34 1.65 2.18 2.73 3.49 5.07 7.34 10.22 13.36 15.51 17.53 20.09 21.95 26.12

9 1.73 2.09 2.70 3.33 4.17 5.90 8.34 11.39 14.68 16.92 19.02 21.67 23.59 27.88

10 2.16 2.56 3.25 3.94 4.87 6.74 9.34 12.55 15.99 18.31 20.48 23.21 25.19 29.59
11 2.60 3.05 3.82 4.57 5.58 7.58 10.34 13.70 17.28 19.68 21.92 24.72 26.76 31.26

12 3.07 3.57 4.40 5.23 6.30 8.44 11.34 14.85 18.55 21.03 23.34 26.22 28.30 32.91

13 3.57 4.11 5.01 5.89 7.04 9.30 12.34 15.98 19.81 22.36 24.74 27.69 29.82 34.53

14 4.07 4.66 5.63 6.57 7.79 10.17 13.34 17.12 21.06 23.68 26.12 29.14 31.32 36.12

15 4.60 5.23 6.26 7.26 8.55 11.04 14.34 18.25 22.31 25.00 27.49 30.58 32.80 37.70

16 5.14 5.81 6.91 7.96 9.31 11.91 15.34 19.37 23.54 26.30 28.85 32.00 34.27 39.25

17 5.70 6.41 7.56 8.67 10.09 12.79 16.34 20.49 24.77 27.59 30.19 33.41 35.72 40.79

18 6.26 7.01 8.23 9.39 10.86 13.68 17.34 21.60 25.99 28.87 31.53 34.81 37.16 42.31

19 6.84 7.63 8.91 10.12 11.65 14.56 18.34 22.72 27.20 30.14 32.85 36.19 38.58 43.82

20 7.43 8.26 9.59 10.85 12.44 15.45 19.34 23.83 28.41 31.41 34.17 37.57 40.00 45.31

21 8.03 8.90 10.28 11.59 13.24 16.34 20.34 24.93 29.62 32.67 35.48 38.93 41.40 46.80

22 8.64 9.54 10.98 12.34 14.04 17.24 21.34 26.04 30.81 33.92 36.78 40.29 42.80 48.27

23 9.26 10.20 11.69 13.09 14.85 18.14 22.34 27.14 32.01 35.17 38.08 41.64 44.18 49.73

24 9.89 10.86 12.40 13.85 15.66 19.04 23.34 28.24 33.20 36.42 39.36 42.98 45.56 51.18

25 10.52 11.52 13.12 14.61 16.47 19.94 24.34 29.34 34.38 37.65 40.65 44.31 46.93 52.62

26 11.16 12.20 13.84 15.38 17.29 20.84 25.34 30.43 35.56 38.89 41.92 45.64 48.29 54.05

27 11.81 12.88 14.57 16.15 18.11 21.75 26.34 31.53 36.74 40.11 43.19 46.96 49.64 55.48

28 12.46 13.56 15.31 16.93 18.94 22.66 27.34 32.62 37.92 41.34 44.46 48.28 50.99 56.89

29 13.12 14.26 16.05 17.71 19.77 23.57 28.34 33.71 39.09 42.56 45.72 49.59 52.34 58.30

30 13.79 14.95 16.79 18.49 20.60 24.48 29.34 34.80 40.26 43.77 46.98 50.89 53.67 59.70

31 14.46 15.66 17.54 19.28 21.43 25.39 30.34 35.89 41.42 44.99 48.23 52.19 55.00 61.10

32 15.13 16.36 18.29 20.07 22.27 26.30 31.34 36.97 42.58 46.19 49.48 53.49 56.33 62.49

33 15.82 17.07 19.05 20.87 23.11 27.22 32.34 38.06 43.75 47.40 50.73 54.78 57.65 63.87

34 16.50 17.79 19.81 21.66 23.95 28.14 33.34 39.14 44.90 48.60 51.97 56.06 58.96 65.25

35 17.19 18.51 20.57 22.47 24.80 29.05 34.34 40.22 46.06 49.80 53.20 57.34 60.27 66.62

36 17.89 19.23 21.34 23.27 25.64 29.97 35.34 41.30 47.21 51.00 54.44 58.62 61.58 67.99

37 18.59 19.96 22.11 24.07 26.49 30.89 36.34 42.38 48.36 52.19 55.67 59.89 62.88 69.35

38 19.29 20.69 22.88 24.88 27.34 31.81 37.34 43.46 49.51 53.38 56.90 61.16 64.18 70.70

39 20.00 21.43 23.65 25.70 28.20 32.74 38.34 44.54 50.66 54.57 58.12 62.43 65.48 72.05

40 20.71 22.16 24.43 26.51 29.05 33.66 39.34 45.62 51.81 55.76 59.34 63.69 66.77 73.40

41 21.42 22.91 25.21 27.33 29.91 34.58 40.34 46.69 52.95 56.94 60.56 64.95 68.05 74.74

42 22.14 23.65 26.00 28.14 30.77 35.51 41.34 47.77 54.09 58.12 61.78 66.21 69.34 76.08

43 22.86 24.40 26.79 28.96 31.63 36.44 42.34 48.84 55.23 59.30 62.99 67.46 70.62 77.42
44 23.58 25.15 27.57 29.79 32.49 37.36 43.34 49.91 56.37 60.48 64.20 68.71 71.89 78.75

45 24.31 25.90 28.37 30.61 33.35 38.29 44.34 50.98 57.51 61.66 65.41 69.96 73.17 80.08

46 25.04 26.66 29.16 31.44 34.22 39.22 45.34 52.06 58.64 62.83 66.62 71.20 74.44 81.40

47 25.77 27.42 29.96 32.27 35.08 40.15 46.34 53.13 59.77 64.00 67.82 72.44 75.70 82.72

Tabel - F
pada α=0.05

v1 = numerator db

v2 1 2 3 4 5 6 7 8 9 10 12 15 20 25

1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.9 245.9 248.0 249.3

2 18.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4 19.4 19.4 19.4 19.5

3 10.1 9.6 9.3 9.1 9.0 8.9 8.9 8.8 8.8 8.8 8.7 8.7 8.7 8.6

4 7.7 6.9 6.6 6.4 6.3 6.2 6.1 6.0 6.0 6.0 5.9 5.9 5.8 5.8

5 6.6 5.8 5.4 5.2 5.1 5.0 4.9 4.8 4.8 4.7 4.7 4.6 4.6 4.5

6 6.0 5.1 4.8 4.5 4.4 4.3 4.2 4.1 4.1 4.1 4.0 3.9 3.9 3.8

7 5.6 4.7 4.3 4.1 4.0 3.9 3.8 3.7 3.7 3.6 3.6 3.5 3.4 3.4

8 5.3 4.5 4.1 3.8 3.7 3.6 3.5 3.4 3.4 3.3 3.3 3.2 3.2 3.1

9 5.1 4.3 3.9 3.6 3.5 3.4 3.3 3.2 3.2 3.1 3.1 3.0 2.9 2.9

10 5.0 4.1 3.7 3.5 3.3 3.2 3.1 3.1 3.0 3.0 2.9 2.8 2.8 2.7

11 4.8 4.0 3.6 3.4 3.2 3.1 3.0 2.9 2.9 2.9 2.8 2.7 2.6 2.6

12 4.7 3.9 3.5 3.3 3.1 3.0 2.9 2.8 2.8 2.8 2.7 2.6 2.5 2.5

13 4.7 3.8 3.4 3.2 3.0 2.9 2.8 2.8 2.7 2.7 2.6 2.5 2.5 2.4

14 4.6 3.7 3.3 3.1 3.0 2.8 2.8 2.7 2.6 2.6 2.5 2.5 2.4 2.3

15 4.5 3.7 3.3 3.1 2.9 2.8 2.7 2.6 2.6 2.5 2.5 2.4 2.3 2.3

16 4.5 3.6 3.2 3.0 2.9 2.7 2.7 2.6 2.5 2.5 2.4 2.4 2.3 2.2

17 4.5 3.6 3.2 3.0 2.8 2.7 2.6 2.5 2.5 2.4 2.4 2.3 2.2 2.2

18 4.4 3.6 3.2 2.9 2.8 2.7 2.6 2.5 2.5 2.4 2.3 2.3 2.2 2.1

19 4.4 3.5 3.1 2.9 2.7 2.6 2.5 2.5 2.4 2.4 2.3 2.2 2.2 2.1

20 4.4 3.5 3.1 2.9 2.7 2.6 2.5 2.4 2.4 2.3 2.3 2.2 2.1 2.1

21 4.3 3.5 3.1 2.8 2.7 2.6 2.5 2.4 2.4 2.3 2.3 2.2 2.1 2.0

22 4.3 3.4 3.0 2.8 2.7 2.5 2.5 2.4 2.3 2.3 2.2 2.2 2.1 2.0

23 4.3 3.4 3.0 2.8 2.6 2.5 2.4 2.4 2.3 2.3 2.2 2.1 2.0 2.0

24 4.3 3.4 3.0 2.8 2.6 2.5 2.4 2.4 2.3 2.3 2.2 2.1 2.0 2.0
25 4.2 3.4 3.0 2.8 2.6 2.5 2.4 2.3 2.3 2.2 2.2 2.1 2.0 2.0

26 4.2 3.4 3.0 2.7 2.6 2.5 2.4 2.3 2.3 2.2 2.1 2.1 2.0 1.9

27 4.2 3.4 3.0 2.7 2.6 2.5 2.4 2.3 2.3 2.2 2.1 2.1 2.0 1.9

28 4.2 3.3 2.9 2.7 2.6 2.4 2.4 2.3 2.2 2.2 2.1 2.0 2.0 1.9

29 4.2 3.3 2.9 2.7 2.5 2.4 2.3 2.3 2.2 2.2 2.1 2.0 1.9 1.9

30 4.2 3.3 2.9 2.7 2.5 2.4 2.3 2.3 2.2 2.2 2.1 2.0 1.9 1.9

40 4.1 3.2 2.8 2.6 2.4 2.3 2.2 2.2 2.1 2.1 2.0 1.9 1.8 1.8

60 4.0 3.2 2.8 2.5 2.4 2.3 2.2 2.1 2.0 2.0 1.9 1.8 1.7 1.7

120 3.9 3.1 2.7 2.4 2.3 2.2 2.1 2.0 2.0 1.9 1.8 1.8 1.7 1.6