ANALISIS REGRESI BERGANDA

MAKALAH
Disusun untuk memenuhi tugas mata kuliah Analisis Regresi
yang dibina oleh Bapak Dr. Swasono Rahardjo, S.Pd, M.Si dan Ibu Azizah, S.Pd, M.Si

Oleh :
Kelompok 9
Ananda Eka Rahmawati (170312612013)
Nabilatul Fahma (170312612032)
Ulfinaini Rizkia Permana (170312612093)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
PROGRAM STUDI S1 MATEMATIKA
MARET 2020
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa, yang telah mencurahkan
segala nikmat dan karunia-Nya sehingga kami dapat menyelesaikan makalah ini.
Suatu kebahagiaan yang tidak ternilai bagi kami, yang telah menyelesaikan makalah ini, dengan
judul “Analisis Regresi Berganda”, untuk memenuhi salah tugas yang diajukan dalam mata
kuliah Analisis Regresi.

Kami sangat menyadari keterbatasan pengalaman, pengetahuan, kemampuan dalam

penyusunan makalah ini. Oleh karena itu, saran dan kritik yang bersifat membangun sangat
diharapkan demi kesempurnaan penulisan di dalam karya-karya kami selanjutnya. Akhirnya
kami berharap semoga makalah ini bermanfaat bagi kami dan bagi para pembaca khususnya.

Malang, 23 Maret 2020

Penyusun
 BAB 1

PENDAHULUAN
1.1 Latar Belakang
Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk
mengkaji hubungan antara beberapa variabel dan meramal suatu. Istilah “regresi” pertama kali dikemukakan oleh Sir
Francis Galton (1822-1911), seorang antropolog dan ahli meteorologi terkenal dari Inggris. Dalam makalahnya yang
berjudul “Regression towards mediocrity in hereditary stature”, yang dimuat dalam Journal of
the Anthropological Institute, volume 15, hal. 246-263, tahun 1885. Dalam mengkaji hubungan antara
beberapa variabel menggunakan analisis regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut
dengan variabel tidak bebas dan satu atau lebih variabel bebas. Jika ingin dikaji hubungan atau pengaruh satu
variabel bebas terhadap variabel tidak bebas, maka model regresi yang digunakan adalah model regresi linier
sederhana. Kemudian Jika ingin dikaji hubungan atau pengaruh dua atau lebih variabel bebas terhadap variabel
tidak bebas, maka model regresi yang digunakan adalah model regresi linier berganda (multiple linear
regression model). Kemudian untuk mendapatkan model regresi linier sederhana maupun model regresi linier
berganda dapat diperoleh dengan melakukan estimasi terhadap parameter-parameternya menggunakan metode
tertentu. Adapun metode yang dapat digunakan untuk mengestimasi parameter model regresi linier sederhana
maupun model regresi linier berganda adalah dengan metode kuadrat terkecil (ordinary least square/OLS)
dan metode kemungkinan maksimum (maximum likelihood estimation/MLE). Pada makalah ini dikaji
analisis regresi linier berganda atau sering juga disebut dengan regresi klasik.

1.2 Rumusan Masalah

1. Bagaimana konsep Analisis Regresi Berganda?
2. Bagaimana asumsi-asumsi Analisis Regresi Berganda?
3. Bagaimana estimasi parameter model Regresi Berganda?
4. Bagaimana pengujian parameter model Regresi Berganda?
1.3 Tujuan
1. Mengetahui konsep Analisis Regresi Berganda
2. Menganalisis asumsi-asumsi Analisis Regresi Berganda
3. Mengetahui estimasi parameter model Regresi Berganda?
4. Melakukan pengujian parameter model Regresi Berganda?
 BAB 2

PEMBAHASAN

2.1 Analisis Regresi Berganda

Analisis regresi linier berganda adalah analisis statistika yang digunakan untuk mengetahui
hubungan antara dua atau lebih variabel independen ( X 1 , X 2 , … , X n )dengan variabel dependen (Y
). Dalam regresi linier berganda terdapat satu variabel tak bebas (Y ) yang akan dilihat
hubungannya dengan dua atau lebih variabel bebasnya ( X 1 , X 2 , … , X n ).
Bentuk umum model regresi linier berganda dengan 𝑘 variabel bebas adalah sebagai berikut:

Y i=β 0 + β 1 X 1 i+ β 2 X 2 i +…+ β k X ki + ε i ,k =1 ,2 , 3 , … , n

Dimana

Yi : Nilai pengamatan ke-i

( X 1, X2 , … , Xk ) : Variabel bebas yang menentukan nilai pengamatan ke-𝑖

β0 : Konstanta regresi

( β 1 , β 2 , … , β k ) : Koefisien-koefisien regresi sebagian (parsial) untuk variabel

X 1 , X 2 , … , X k secara berturut-turut

εi : Faktor sisaan ke-i

𝑛 : Banyaknya pengamatan

Terdapat beberapa kriteria yang digunakan untuk melihat tepat tidaknya model regresi
yang diperoleh, salah satunya yaitu dengan melihat koefisien determinasi berganda ( R2).
Koefisien determinasi merupakan pengukuran keberartian persamaan regresi atau mengukur
kecocokan model data yang didefinisikan sebagai berikut:

2 JK regresi
R= 100 %
JK total

Semakin besar nilai R2 maka taksiran model regresi yang diperoleh semakin baik, dan sebaliknya
jika nilai R2 semakin kecil maka taksiran model regresi yang diperoleh tidak baik.

2.2 Asumsi-asumsi Model Analisis Regresi Berganda

Sebuah model regresi linier berganda dapat digunakan apabila nilai sisaannya memenuhi
asumsi-asumsi berikut:
 Berdistribusi Normal
  Tidak Heteroskedastisitas
 Tidak Multikolinearitas
 Tidak Autokorelasi

Untuk mengetahui asumsi-asumsi tersebut terpenuhi atau tidak, maka dilakukan beberapa
pengujian yaitu:

1. Kenormalan Nilai Sisaan

Pengujiam kenormalan bertujuan untuk mengetahui apakah sisaan mengikuti sebaran
normal dengan rata-rata 0 dan variansi 1. Salah satu cara untuk menguji kenormalan sisaan
yaitu dengan menggunakan uji kenormalan Anderson-Darling. Jika p>0,05, maka
sisaannya mengikuti pola sebaran normal.

2. Uji Heteroskedastisitas Nilai Sisaan

Uji Heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varian dari sisaan satu pengamatan ke pengamatan yang lain. Jika varian
dari sisaan satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan
jika berbeda disebut heterokedastisitas. Model yang baik adalah homokedastisitas atau
tidak terjadi heterokedastisitas. Salah satu cara untuk mendeteksi ada atau tidaknya
heterokedastisitas adalah dengan melihat grafik plot antara nilai prediksi variabel terikat
dengan sisaannya dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah
sisaan (Y prediksi – Y sesungguhnya) yang telah distandarisasi.
Sedangkan dasar pengambilan keputusan untuk uji heterokedastisitas adalah:
a. Jika ada pola tertentu seperti titik yang ada membentuk pola tertentu yang teratur
(bergelombang, melebar, kemudian menyempit), maka mengindikasikan telah terjadi
heterokedastisitas.
b. Jika tidak ada pola yang jelas serta titik menyebar di atas dan di bawah angka 0 pada
sumbu Y, maka tidak terjadi heterokedastisitas.

3. Kebebasan Nilai Sisaan (Autokorelasi)

Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan variabel error
yang lain. Autokorelasi seringkali terjadi pada data time series dan dapat juga terjadi pada
data cross section tetapi jarang. Salah satu cara yang dapat digunakan untuk mendeteksi
adanya autokorelasi dalam model regresi linier berganda adalah menggunakan aplikasi
Minitab dengan mencari fungsi autokorelasi. Jika nilai koefisien korelasi tidak melewati
garis merah yang merupakan garis batas signifikansi autokorelasi, maka tidak terdeteksi
adanya autokorelasi.

4. Multikolinieritas
Untuk mendapatkan model linier terbaik maka persamaan regresi yang diperoleh
terlebih dahulu harus diuji ada atau tidaknya multikolinieritas. Permasalahan yang sering
dihadapi dalam menggunakan analisis regresi linier berganda adalah adanya
multikolinieritas (ketergantungan antar peubah bebas) sehingga terdapat kesulitan untuk
mengetahui pengaruh masing-masing peubah bebas. Untuk melihat ada tidaknya kasus
multikolinieritas dalam suatu proses regresi, terdapat beberapa metode yang digunakan,
antara lain:
a. Koefisien korelasi antar peubah bebas
Cara yang paling mudah dan sederhana untuk mengetahui ada tidaknya korelasi antar
peubah bebas adalah dengan melihat koefisien korelasi antara dua peubah bebas.
koefisien korelasi seringkali disimbolkan dengan ‘r’. Besarnya korelasi berkisar antara
−1 ≤r ≤ 1. Untuk mencari korelasi antara variabel dapat dirumuskan sebagai berikut:
n ∑ X i Y i−( ∑ X i )( ∑ Y i )
r=
√ (n ∑ X −(∑ X ) (n ∑ Y −(∑ Y ) ))
i
2
i
2
i
2
i
2

Nilai koefisien korelasi adalah −1 ≤r ≤ 1. Jika dua variabel berkorelasi negatif maka
nilai koefisien korelasinya akan mendekati −1, jika dua variabel tidak berkorelasi maka
nilai koefisien korelasinya akan mendekati 0, sedangkan jika dua variabel berkorelasi
positif maka nilai koefisien korelasinya akan mendekati 1.
Untuk lebih mengetahui seberapa jauh derajat antara variabel-variabel tersebut, dapat
dilihat dalam perumusan berikut ini:
−1,00 ≤ r ←0,80, berarti berkorelasi kuat secara negatif
−0,79 ≤ r ≤−0,50, berarti berkorelasi sedang secara negatif
−0,49 ≤ r ≤ 0,49, berarti tidak berkorelasi
0,50 ≤ r ≤ 0,79, berarti berkorelasi sedang secara positif
0,80 ≤ r ≤ 1,00, berarti berkorelasi kuat secara positif

b. Dengan melihat elemen matriks korelasi

Jika korelasi antar peubah bebas lebih besar daripada korelasi antara peubah bebas
dengan peubah terikatnya maka terjadi multikolinieritas.

c. Variance Infasion Factor (VIF)

Metode lain untuk mengetahui multikolinieritas adalah menghitung besarnya
multikolinieritas tiap peubah bebas dengan faktor keragaman infasi (𝑉𝐼F). 𝑉𝐼𝐹
didefinisikan sebagai berikut:
1
VIP j=
I −R j2
R j2adalah koefisien determinasi berganda dari peubah Xj dengan semua peubah bebas
yang lain. Jika VIF >10 , maka korelasi di antara peubah bebasnya sangat tinggi, dengan
kata lain terjadi multikolinieritas.
2.3 Estimasi Parameter (Penaksir Parameter) Model Regresi Linier Berganda

Penaksiran merupakan proses yang menggunakan sampel statistic untuk menduga atau
menaksir hubungan parameter populasi yang tidak diketahui, sedangkan paramer adalah nilai
yang mengikuti acuan keterangan yang dapat menjelaskan batas-batas dari suatu sistem
persamaan. Jadi dengan penaksiran ini, keadaan parameter populasi dapat terpenuhi. Dalam
statistika, penaksiran dilambangkan dengan β sedangkan penaksir dilambangkan ^β . Estimasi
parameter/penaksir parameter bertujuan untuk mendapatkan model regresi linier berganda yang
akan digunakan dalam analisis.

Metode yang digunakan untuk mengestimasi parameter model regresi linier berganda
adalah metode kuadrat terkecil atau sering disebut metode Ordinary Least Square (OLS).
Metode OLS ini bertujuan meminimumkan jumlah kuadrat error. Berdasarkan persamaan (2.2)
dapat diperoleh penaksir (estimator) OLS untuk β adalah sebgai berikut:
^β=( X ' X )−1 X ' Y

Ordinary Least Square atau metode kuadrat terkecil merupakan metode yang sering
digunakan dalam menaksir nilai rata-rata dari variabel acak. Misalkan ingin mengestimasi
parameter dari persamaan regresi berikut:
Y i=β 0 + β 1 X 1 i+ β 2 X 2 i +…+ β k X ki + ε i (2.3)
Selain menggunakan notasi di atas, penggunaan matriks terhadap regresi linear mempunyai
banyak keuntungan yaitu menyajikan bentuk yang ringkas untuk menangani model regresi yang
memuat banyak variabel. Persamaan di atas merupakan penjabaran dari himpunan n
persamaan simultan:
Y 1=β 0 + β 1 X 11 + β 2 X 21+…+ β k X k1 + ε 1

Y 2=β 0 + β 1 X 12+ β 2 X 22+ …+ β k X k 2+ ε 2

Y 3=β 0 + β 1 X 13+ β2 X 23 +…+ β k X k 3 +ε 3

………………………… …………………………

Y n= β0 + β 1 X 1 n+ β2 X 2 n +…+ β k X kn+ ε n

Dalam lambang matriks dinyatakan sebagai berikut

 Y1 1 X 11 … X1k β 0 ε1

[ ][
Y2
⋮
Yn
=
1 X 21 ⋯
⋯ ⋯ ⋱
1 Xn1 ⋯
X2k
⋯
X nk ][ ] [ ]
β 1 ε2
⋮
+
⋮
β k εn

Persamaan diatas dapat ditulis secara sederhana :

Y = βX+ ε
Metode OLS bertujuan untuk meminimumkan jumlah kuadrat galat (J K Galat ¿
n
JK Galat =∑ ε i2
i=1

J K Galat =ε ' ε

Persamaan (2.4) jika dinyatakan dalam bentuk matriks maka:

'
( ε ¿¿' ε )=( Y −X ^β ) (Y −X ^β) ¿

¿(Y ' − ^β' X ' )(Y −X ^β)

¿ Y ' Y −Y ' X β−
^ β^ ' X ' Y + β^ ' X ' Xβ

¿ Y ' Y −2 β^ ' X ' Y + β^ ' X ' X ^β

Untuk membuat J K Galat minimum, maka persamaan ( ε ¿¿' ε )¿ akan diturunkan secara parsial
terhadap β kemudian disamadengankan nol.

∂(ε ' ε )
=−2 ∑ ( y i−β 0− β1 X i 1−β 2 X i 2−…−β k X ik ) =0
∂ β0

∂(ε ' ε )
=−2 ∑ ( y i−β 0− β1 X i 1−β 2 X i 2−…−β k X ik ) X i 1=0
∂ β1

∂(ε ' ε )
=−2 ∑ ( y i−β 0− β1 X i 1−β 2 X i 2−…−β k X ik ) X i 2=0
∂ β1

………………………… …………………………………………………

∂(ε ' ε )
=−2 ∑ ( y i−β 0− β1 X i 1−β 2 X i 2−…−β k X ik ) X ik =0
∂ βk

Setelah disusun kembali dan mengganti semua parameter dengan estimatornya, system
persamaan ini dapat ditulis sebagai
n ^β 0 + ^β 1 ∑ X i1 + ^β 2 ∑ X i 2+ …+ ^β k ∑ X ik =∑ Y i
^β 0 ∑ X i 1+ ^β1 ∑ X i 12 + ^β 2 ∑ X i2 X i 1 +…+ β^ k ∑ X ik X i 1=∑ X i 1 Y i

^β 0 ∑ X i 2+ ^β1 ∑ X i 1 X i 2+ ^β2 ∑ X i 12 +…+ β^ k ∑ X ik X i 2=∑ X i 2 Y i

………………………… …………………………………………………

^β 0 ∑ X ik + ^β1 ∑ X i 1 X ik + β^ 2 ∑ X i 2 X ik + …+ ^β k ∑ X ik2=∑ X ik Y i

Persamaan tersebut dinamakan persamaan normal. Jika ditulis dalam bentuk matriks maka akan
menjadi

n ∑ Xi1 ∑ Xi2 … ∑ X ik ^β 0 Y1

[ ][ ] [
1 1 … 1
∑ Xi1
⋮
∑ X ik
⋮
2
∑ X i 1 ∑ X i 2 X i1
∑ X i 1 X ik
⋮
…
⋱
∑ X i 2 X ik …
∑ X ik X i 1
⋮
∑ X ik 2
^β 1
⋮
^β k
X
= 11
X 21
⋯ ⋯
X1k X2k
⋱ ⋯
][ ]
⋯ Xn1 Y 2
⋮
⋯ X nk Y n

X'X ^β = X' Y
Sehingga

( X ' X ) ^β= X ' Y

−1
^ ( X ' X )−1 X ' Y
( X ' X ) ( X ' X ) β=
^β=(X ¿¿ ' X )−1 X ' Y ¿

Dimana
^β = matriks penduga parameter berukuran ( k +1 ) ×1

1 '
( X ¿ ¿' X)−1 ¿ = x x adj| X X| , berukuran (k + 1)( k+ 1)
|i |
X' = transpose matriks X i , berukuran (k + 1)n

X' Y = matriks berukuran ( k +1 ) ×1

Maka ^β disebut penaksir parameter β secara kuadrat terkecil atau OLS.

Selain menggunakan rumus ^β=(X ¿¿ ' X )−1 X ' Y ¿, koefisien regresi dapat pula dihitung
menggunakan metode eliminasi substitusi untuk jumlah variabel yang sedikit. Sebagai contoh
untuk k =2, maka persamaan regresinya menjadi Y i=β 0 + β 1 X 1 i+ β 2 X 2 i. Kemudian menggunakan
persamaan normal yang sudah dijabarkan diatas, bisa dibentuk 3 persamaan berikut

n ^β 0 + ^β 1 ∑ X i1 + ^β 2 ∑ X i 2=∑ Y i
^β 0 ∑ X i 1+ ^β1 ∑ X i 12 + ^β 2 ∑ X i2 X i 1=∑ X i 1 Y i
^β 0 ∑ X i 2+ ^β1 ∑ X i 1 X i 2+ ^β2 ∑ X i 22=∑ X i 2 Y i

Yang berikutnya dapat diselesaikan untuk mendapatkan nilai koefisien regresi ^β 0 , β^ 1 dan ^β 2.

Penaksir OLS pada persamaan (2.3) merupakan penaksir yang bersifat:

1. Linier
Estimator yang diperoleh dengan metode Ordinary Least Square adalah linier:
^β=( X ' X )−1 X ' Y
Karena ( X ' X )−1 X ' merupakan matriks dengan bilangan tetap, ^β adalah fungsi linier dari Y .
2. Tak Bias
Tujuan dari suatu penaksiran ialah penaksir harus mendekati nilai sebenarnya dari
parameter yang ditaksir. Jika ^β merupakan penaksiran tak bias dari parameter β, maka:

−1
E ( ^β )=E [ ( X ' X ) X ' Y ]
−1
¿ E[ ( X ' X ) X ' ( X β + ε)]
¿ E¿¿
−1
¿ E[ Iβ + ( X ' X ) X ' ε ]
−1
¿ E ( β )+ E( ( X ' X ) X ' ε )
' −1 '
¿ β + ( X X ) X E (ε )
¿ β +0
¿β
Jadi ^β merupakan estimator tak bias dari β.

3. Best Linier Unbiased Estimator (BLUE)

Cara menunjukkan bahwa semua β i dalam vector ^β adalah penaksir-penaksir terbaik (best
estimator), harus dibuktikan bahwa ^β mempunyai variansi yang terkecil atau minimum
diantara variansi estimator tak bias linier yang lain.

2.4 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.

a. Pengujian Parameter Secara Serentak (Simultan)

Prosedur pengujian parameter secara simultan adalah sebagai berikut:
1. Membuat hipotesis.
H 0 : β1 =β2 =… β p−1=0

H 1 : Tidak semua β k sama dengan nol, untuk k =1,2 , … , p−1

 Atau

H 0 : Variabel X 1 , X 1 , … , X k secara simultan tidak berpengaruh terhadap variabel

tidak bebas
H 1 : Variabel X 1 , X 1 , … , X k secara simultan berpengaruh terhadap variabel tidak
bebas

2. Menentukan tingkat signifikansi (α).

Tingkat signifikansi (α) yang seringkali digunakan dalam penelitian adalah 5%.

3. Menentukan statistik uji.

Statistik uji yang digunakan adalah:
RKR
F=
RKE
dengan:
RKR adalah rata-rata kuadrat regresi (dapat diperoleh dari Tabel Analisis Variansi).
RKE adalah rata-rata kuadrat error (dapat diperoleh dari Tabel Analisis Variansi).

4. Menentukan daerah kritis (penolakan H 0).

Daerah kritis yang digunakan adalah H 0 ditolak bila F> F (α , p−1 ,n− p)
Dengan F(α , p−1 ,n −p ) disebut dengan F tabel.
Selain dari daerah kritis di atas, dapat juga digunakan daerah kritik yang lain yaitu
jika nilai peluang (Sig.) < tingkat signifikansi (α), maka H 0 ditolak.
5. Menarik kesimpulan.

b. Pengujian Parameter Secara Individu (Parsial)

Prosedur pengujian parameter secara parsial adalah sebagai berikut:

1. Membuat hipotesis.

H 0 : β k =0
H 1 : β k ≠ 0, untuk k =1,2 , … , p−1

atau:
H 0 : Variabel bebas ke-k tidak berpengaruh terhadap variabel tidak bebas
H 1 : Variabel bebas ke-k berpengaruh terhadap variabel tidak bebas
untuk k = 1, 2, …, p-1.

2. Menentukan tingkat signifikansi (α).

Tingkat signifikansi (α) yang seringkali digunakan dalam penelitian adalah 5%.

3. Menentukan statistik uji.

Statistik uji yang digunakan adalah:
bk
t=
s (b k )
 dengan:
b kadalah nilai taksiran parameter β k (yang diperoleh dari metode OLS).
s ¿) adalah standar deviasi nilai taksiran parameter β k .

4. Menentukan daerah kritis (penolakan H 0).

Daerah kritis yang digunakan adalah:
H 0 ditolak bila t hitung > t ( α , n− p) atau t hitung <−t ( α , n− p)
2 2
t
dengan ( α2 ,n− p)disebut dengan t tabel.
Selain dari daerah kritis di atas, dapat juga digunakan daerah kritis yang lain yaitu
jika nilai peluang (Sig.) < tingkat signifikansi (α), maka H 0ditolak.

5. Menarik kesimpulan.

2.5 Pelanggaran Terhadap Asumsi Regresi Linier Berganda

1. Multikolinearitas
Multikolinieritas adalah terjadinya hubungan linier antara variabel bebas dalam suatu
model regresi linier berganda. Adapun dampak adanya multikolinieritas dalam model
regresi linier berganda adalah jika terjadi multikolinieritas sempurna maka koefisien
regresi dari variabel 𝑋 tidak dapat ditentukan dan memiliki standart error yang besar.
Sedangkan jika multikolinieritas kurang sempurna maka akan mengakibatkan koefisien
regresi variabel 𝑋 dapat ditentuan tetapi memiliki standart error yang besar sehingga
interval keyakinan untuk parameter dari populasi juga cenderung melebar.

2. Heteroskedastisitas
Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau variansi
antar error yang satu dengan error yang lain berbeda. Dampak adanya heteroskedastisitas
dalam model regresi adalah walaupun estimator OLS masih linier dan tidak bias, tetapi
tidak lagi mempunyai variansi yang minimum dan menyebabkan perhitungan standard
error metode OLS tidak bisa dipercaya kebenarannya. Selain itu interval estimasi maupun
pengujian hipotesis yang didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya
untuk evaluasi hasil regresi. Akibat dari dampak heteroskedastisitas tersebut menyebabkan
estimator OLS tidak menghasilkan estimator yang BLUE dan hanya menghasilkan
estimator OLS yang linear unbiased estimator (LUE).

3. Autokorelasi
Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan variable error yang lain.
Adapun dampak dari adanya autokorelasi dalam model regresi adalah sama dengan
dampak dari heteroskedastisitas yang telah diuraikan di atas, yaitu walaupun estimator
OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang minimum dan
menyebabkan perhitungan standard error metode OLS tidak bisa dipercaya kebenarannya.
Selain itu interval estimasi maupun pengujian hipotesis yang didasarkan pada distribusi t
maupun F tidak bisa lagi dipercaya untuk evaluasi hasil regresi. Akibat dari dampak
adanya autokorelasi dalam model regresi menyebabkan estimator OLS tidak menghasilkan
estimator yang BLUE dan hanya menghasilkan estimator OLS yang LUE. Selanjutnya
untuk mendeteksi adanya autokorelasi dalam model regresi linier berganda dapat
digunakan metode Durbin-Watson.

Contoh Soal
1. Diketahui data seperti berikut. Tentukan model regresi linier berganda!

Sampe Umur Berat Tinggi X1 . Y X2 . Y X 1 . X 2 X 12 X 22 Y2

l (Y) Badan Badan
( X 1) ( X 2)
1 18 64 157 1152 2826 10048 4096 24649 324
2 20 71 159 1420 3180 11289 5041 25281 400
3 16 53 149 848 2384 7897 2809 22201 256
4 21 67 162 1407 3402 10854 4489 26244 441
5 18 55 151 990 2718 8305 3025 22801 324
6 17 58 150 986 2550 8700 3364 22500 289
7 20 77 155 1540 3100 11935 5929 24025 400
8 19 57 148 1083 2812 8436 3249 21904 361
9 20 56 152 1120 3040 8512 3136 23104 400
10 16 51 142 816 2272 7242 2601 20164 256
Jumlah 185 609 1525 1136 28284 93218 3773 23287 3451
2 9
Rata- 18.5 60.9 152.5
rata
Jawab

Karena jumlah variable bebas ada 2, maka bisa digunakan persamaan normal berikut

n ^β 0 + ^β 1 ∑ X i1 + ^β 2 ∑ X i 2=∑ Y i
^β 0 ∑ X i 1+ ^β1 ∑ X i 12 + ^β 2 ∑ X i2 X i 1=∑ X i 1 Y i
^β 0 ∑ X i 2+ ^β1 ∑ X i 1 X i 2+ ^β2 ∑ X i 22=∑ X i 2 Y i

Sehingga didapat persamaan berikut

185=10 β 0 +609 β 1+1525 β 2

11362 = 609 β 0 + 37739 β 1+ 93218 β 2

 28284=1525 β 0+ 93218 β 1 +232873 β 2

Lakukan eliminasi:

−112665=−6090 β 0−370881 β1−928725 β2

¿
113620=6090 β 0 +373390 β1 +932180 β 2

955=6509 β1 +3452 β 2

−282125=−15250 β 0 −928725 β1−2325625 β 2

¿
282840=15250 β 0+ 932180 β 1 +2328739 β 2

715=3455 β 1 +3105 β2

−3299525=−22488595 β 0−119266600 β2
¿
4653936=22488595 β 0 +20210445 β 2

1354410=8283785 β 2

β 2=0,1635

955=6509 β1 +3452 β 2

955=6509 β1 +3452(0,1635)

955=6509 β1 +564,402

β 1=0,060

Kemudian nilai β 1 dan β 2 disubstitusikan ke persamaan [i]

−112665=−6090 β 0−370881. ( 0,060 )−928725. ( 0,1635 )

6090 β 0=−16928,677

β 0=−2,7797

Maka persamaan regresi linier berganda adalah:

Y^ i = β 0 - β 1 X i1 - β 2 X i 2
Y^ i = - 2,7797 + 0,060 X i 1+ 0,1635 X i 2
2. Diketahui data seperti berikut. Tentukan model regresi linier berganda!

No Y X1 X2 X 21 X 22 X1 X2 X1 Y X2 Y
1 23 10 7 100 49 70 230 161
2 7 2 3 4 9 6 14 21
3 15 4 2 16 4 8 60 30
4 17 6 4 36 16 24 102 68
5 23 8 6 64 36 48 184 138
6 22 7 5 49 25 35 154 110
7 10 4 3 16 9 12 40 30
8 14 6 3 36 9 18 84 42
9 20 7 4 49 16 28 140 80
10 19 6 3 36 9 18 114 57
Jumlah 170 60 40 406 182 267 1122 737

Selesaian
Dari data diatas dapat dibentuk matriks sebagai berikut

n ∑ Xi1 ∑ Xi2 … ∑ X ik ^β 0 Y1

[ ][ ] [
1 1 … 1
∑ Xi1
⋮
∑ X ik
⋮
2
∑ X i 1 ∑ X i 2 X i1
∑ X i 1 X ik
⋮
…
⋱
∑ X i 2 X ik …
∑ X ik X i 1
⋮
∑ X ik 2
^β 1
⋮
^β k
=
X 11

X1k
⋯
X 21
⋯
X2k
⋱ ⋯
][ ]
⋯ Xn1 Y 2
⋮
⋯ X nk Y n

Sehingga
−1
^β 0 n ∑ Xi1 ∑ Xi2 … ∑ X ik Y1

[ ][
1 1 … 1
β^ 1
⋮
^β k
= ∑ Xi1
⋮
∑ X ik
⋮
∑ i 1 X ik
X
2
∑ X i 1 ∑ X i2 X i 1
X
⋮
X
∑ i 2 ik
…
⋱
…
∑ X ik X i 1
⋮
∑ X ik2 ][ ⋯ ⋯ ⋱ ⋯
][ ]
X 11 X 21 ⋯ X n 1 Y 2
⋮
X 1 k X 2 k ⋯ X nk Y n

Substitusikan data dalam table diatas

^β 0 23

[][ ][ ]
−1
10 60 40 1 1 ⋯ 1
^β = 60 406 267
1

β^ 2 40 267 182
10 2 ⋯ 6
7 3 ⋯ 3 ][
7
⋮
19

^β 0

[][
−1
10 60 40 170
^β 1 = 60 406 267
^β 2 40 267 182
1122
737 ][ ]
 ^β 0

[][ 0,919 −0,084 −0,077 170

^β 1 = −0,084 0,078 −0,095 1122
^β 2 −0,077 −0,095 0,163 737 ][ ]
^β 0

[][ 5,233
β^ 1 = 3,221
^β 2 0,451]
Dari hasil penghitungan diatas, didapatkan model regresi linier berganda sebagai berikut
Y^ =5,233+ 3,221 X 1+0,451 X 2
 BAB 3
PENUTUP
3.1 Kesimpulan
Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel
independen ( X 1 , X 2 , … , X n )dengan variabel dependen (Y ). Bentuk umum model regresi linier
berganda dengan 𝑘 variabel bebas adalah sebagai berikut:

Y i=β 0 + β 1 X 1 i+ β 2 X 2 i +…+ β k X ki + ε i ,k =1 ,2 , 3 , … , n

Sebuah model regresi linier berganda dapat digunakan apabila nilai sisaannya memenuhi
asumsi-asumsi berikut:
 Berdistribusi Normal
 Tidak Heteroskedastisitas
 Tidak Multikolinearitas
 Tidak Autokorelasi

Metode yang digunakan untuk mengestimasi parameter model regresi linier berganda
adalah metode kuadrat terkecil atau sering disebut metode Ordinary Least Square (OLS).
Metode OLS ini bertujuan meminimumkan jumlah kuadrat error. Penaksir (estimator) OLS
untuk β adalah sebgai berikut:
^β=(X ' X )−1 X ' Y

Pengujian parameter model Regresi Berganda bertujuan untuk mengetahui ada atau
tidaknya pengaruh variabel bebas terhadap variabel tidak bebas, yang dilakukan baik secara
serentak (simultan) maupun secara individu (parsial).