1.

Tujuan dari penggunaan analisis regresi adalah :

a) Membuat estimasi rata-rata dan nilai variabel tergantung yang didasarkan pada nilai
variabel bebas.
b) Untuk menguji hipotesis karakteristik dependensi.
c) Meramalkan nilai rata-rata pada variabel bebas, yang didasari pada nilai variabel bebas
diluar jangkauan sampel.
https://www.weschool.id/analisis-regresi-lengkap/

2. Perbedaan regresi sederhana dan regresi berganda

a) Analisis regresi adalah studi tentang masalah hubungan beberapa variabel yang
ditampilkan dalam persamaan matematika (Andi, 2009). Analisis regresi lebih akurat
dalam melakukan analisis korelasi, peramalan atau perkiraan nilai variabel terikat pada
nilai variabel bebas lebih akurat pula karena pada analisis ini kesulitan dalam
menunjukkan slop (tingkat perubahan suatu variabel terhadap variabel lain dapat
ditentukan)
b) Regresi linear sederhana adalah hubungan secara linear antara satu variabel independen
(X) dengan variabel dependen (Y). Analisis ini digunakan untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah positif atau
negatif serta untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan nilai. Data yang digunakan biasanya
berskala interval atau rasio.
c) Perbedaan antar keduanya terletak pada jumlah variabel independennya. Regresi linear
sederhana hanya memiliki satu variabel independen, sedangkan regresi linear berganda
mempunyai banyak variabel independen.
http://fatkhan.web.id/pengertian-dan-contoh-kasus-uji-regresi-linear-sederhana-
dan-berganda/

3. Berikut langkah-langkah pengujian analisis regresi inier berganda dengan SPSS

a) Sediakan data penelitian
 Dalam kasus ini, untuk menambah pemahaman mengenai analisis regresi berganda, kita
lakukan ujicoba pengujian regresi berganda dengn SPSS, kita ambil salah satu contoh
dimana data yang kita masukkan adalah data fiktif.
b) Input data kedalam aplikasi SPSS
 Masukkan data fiktif ke SPSS (dalam tutorial ini menggunakan SPSS Versi 21)

 Pada Menu Bar, pilih Analyze > Regression > Linear

 Akan muncul jendela seperti dibawah ini

  Lalu, masukkan variabel Y ke bagian Dependent dan variabel X1, X2, X3, X4, dan
X5 ke bagian Independent(s), kemudian klik OK.
c. Tentukan Model Summary

d. Lakukan Uji Simultan

Diketahui p-value uji simultan 0,003 (lebih kecil dari ). Berdasarkan hasil uji simultan
dapat dinyatakan bahwa terdapat cukup bukti untuk menyatakan bahwa minimal ada satu
βi yang tidak sama dengan nol atau dengan kata lain, minimal ada satu variable bebas
yang berpengaruh signifikan terhadap variable Y.
e. Buat Output Koefisien dan Signifikansi
 Namun, pada hasil uji parsial tak ada satupun koefisien yang signifikan pada tingkat
signifikansi 5 persen.
f. Lakukan Pengujian Linearitas
Untuk menguji apakah asumsi Linieritas terpenuhi, kita dapat menggunakan plot residual
dengan fitted value (predicted value) atau bisa juga dengan plot residual dengan variable
independent (John Neter, 1989:118).
Cara menampilkan plot residual vs fitted value di SPSS:

 Pilih menu Analyze >> Regression >> Linear

 Masukkan variable dependent dan variable-variabel bebas
 Klik Save >> centang pada Unstandardized Predicted Value dan Unstandardized
Residual >> Continue >> OK
 Pilih menu Graphs >> Legacy Dialogs >> Scatter/Dot >> pilih Simple Scatter
 Masukkan variable Unstandardized Residual sebagai Y dan Unstandardized Predicted
Value sebagai X >> OK
 Maka akan muncul output seperti berikut
 Interpretasi plot:

Berdasarkan plot residual dengan fitted value tersebut, terlihat bahwa tebaran nilai-nilai
pada plot membentuk suatu pola acak, sehingga asumsi linieritas terpenuhi.

g. Lakukan Pengujian Asumsi Normalitas

Untuk menguji asumsi Normalitas, dapat menggunakan analisis Normal P-P Plot atau
dengan uji-uji normalitas seperti uji Liliefors atau Kolmogorov-Smirnov. Namun, pada
saat ini kita akan menggunakan uji Kolmogorov-Smirnov untuk menguji normalitas dari
residual dari regresi.
 Untuk melakukan uji normalitas, pastikan kita telah memiliki variabel
Unstandardized Residuals, yang kita dapatkan dari hasil uji linearitas diatas.
 Setelah itu, kita dapat melakukan uji Kolmogorov-Smirnov dengan mengklik
Analyze >> Nonparametric Test >> Legacy Dialogs >> 1-Sample K-S
 Kemudian akan muncul jendela seperti ini, dan masukkan variabel Unstandardized
Residuals.

 Lalu akan muncul hasil seperti berikut

 Kita perhatikan pada nilai Asymp. Sig. (2-tailed) yang merupakan p-value untuk uji KS
ini. P-Value atau Asymp. Sig. (2-tailed) yang dihasilkan sebesar 0,652 yang lebih besar
dari alpha=0,05. Hal ini menunjukkan bahwa residual dari regresi telah memenuhi asumsi
normalitas.
h. Lakukan Pengujian Asumsi Homoskedastisitas
Menurut John Neter (1989:120), untuk mendeteksi terjadinya heteroscedastisitas, dapat
menggunakan plot residual dengan fitted values atau Unstandardized Residual VS

Unstandardized Predicted Value (yang telah kita lakukan pada uji asumsi Linearitas).
Berdasarkan plot antara unstandardized residual dengan unstandardized predicted value
(fitted value) dapat diperhatikan bahwa tebaran titik-titik pada plot tersebut membentuk
pola acak. Hal ini mengindikasikan bahwa tidak terjadi heteroscedastisitas pada model
regresi yang telah dibuat. Selain dengan melihat scatter plot, asumsi homoskedastisitas
dapat dilihat dengan melakukan uji Park dan uji Rank Spearmen. Pada kesempatan ini
kita akan menggunakan uji Park.
 Sebelum melakukan uji Park, kita terlebih dahulu melakukan transformasi logaritma
natural terhadap variabel independen. Sedangkan untuk variabel dependen adalah
logaritma natural dari kuadrat residual.
 Kemudian, lakukan seperti regresi biasa dengan memasukkan logaritma natural dari
kuadrat residual sebagai variabel dependen, dan logaritma natural dari masing-
masing variabel bebas sebagai variabel independen.

 Maka, akan muncul hasil seperti berikut.

 Berdasarkan output diatas, dapat kita ketahui bahwa tidak ada variabel yang signifikan
sehingga dapat dikatakan bahwa tidak terdapat masalah heteroskedastisitas, sehingga
asumsi terpenuhi.

i. Lakukan Pengujian Asumsi Autokolerasi

Untuk menguji asumsi Autokolerasi, akan dilakukan dengan melihat statistik Durbin-
Watson
 Lakukan regresi seperti biasa, namun pada bagian Statistics, centang bagian Durbin-
Watson
 • Maka akan muncul output seperti berikut.

Berdasarkan output tersebut, diketahui nilai statistic hitung Durbin -Watson yaitu D =
2.173.

Dari TABLE A.6 Durbin – Watson Test Bounds (John Neter, 1989:642), untuk p-1= 5 dan
n=50 , maka diperoleh nilai:

dL=1.34,

dU=1.77,
 4−dU=2.23 ,

4−dL=2.66,

Nilai statistic hitung D = 2.173 >dU

Karena nilai DW lebih besar dari du , maka dapat kita ketahui bahwa tidak terdapat
masalah autokorelasi.

j. Lakukan Pengujian Asumsi Multikolinearitas

Untuk menguji asumsi multikolinearitas, dapat dilakukan dengan melihat nilai korelasi
antar variabel independen.
 Klik Analyze >> Correlation >> Bivariate lalu masukkan seluruh variabel
independen
 Maka akan muncul output seperti berikut.
Berdasarkan output diatas dapat kita lihat bahwa korelasi antara variabel X1 dan X3
sebesar 0,959 (korelasi yang sangat kuat) sehingga dapat kita simpulkan bahwa terdapat
multikolinearitas pada model regresi tersebut.

https://statmat.id/regresi-linier-berganda-dengan-spss/