PRODI : ILMU KOMPUTER

ANALISIS REGRESI LINIER BERGANDA

- Lili Hariningrum, S.Si, M.Si -
 - Regresi Linier Berganda -

“ Analisis regresi linier Berganda digunakan untuk

mengukur pengaruh antara lebih dari satu variabel
bebas (X) terhadap satu variabel terikat (Y) ”

𝒀 = 𝒂 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + ⋯ + 𝒃𝒌 𝑿𝒌
 - Regresi Linier Berganda -

Nilai koefisien regresi a, b1, dan b2 dapat dipecahkan secara simultan dari tiga persamaan
berikut:

𝚺𝐘 = 𝐧𝐚 + 𝒃𝟏 𝜮𝑿𝟏 + 𝒃𝟐 𝚺𝑿𝟐
𝚺𝑿𝟏 𝐘 = 𝐚𝚺𝑿𝟏 + 𝒃𝟏 𝜮𝑿𝟏 𝟐 + 𝒃𝟐 𝚺𝑿𝟏 𝑿𝟐
𝚺𝑿𝟐 𝐘 = 𝐚𝚺𝑿𝟐 + 𝒃𝟏 𝚺𝑿𝟏 𝑿𝟐 + 𝒃𝟐 𝜮𝑿𝟐 𝟐
 - Regresi Linier berganda dua variabel bebas -

𝒀 = 𝒂 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐

a : konstanta (nilai Y, apabila 𝑋1 = 𝑋2 = 0)

𝑏1 : besarnya kenaikan/penurunan Y dalam satuan, jika 𝑋1 naik satu satuan
dan 𝑋2 konstan
𝑏2 : besarnya kenaikan/penurunan Y dalam satuan, jika 𝑋2 naik satu satuan
dan 𝑋1 konstan
 - Koefisien Regresi -

Σ𝑥1 y. Σ𝑥2 2 − Σ𝑥1 𝑥2 . Σ𝑥2 y Σ𝑥2 y . Σ𝑥1 2 − Σ𝑥1 y. Σ𝑥1 𝑥2

𝑏1 = 𝑏2 =
2 2
Σ𝑥1 . Σ𝑥2 − Σ𝑥1 𝑥2 2 Σ𝑥1 2 . Σ𝑥2 2 − Σ𝑥1 𝑥2 2

Σ𝑌 − 𝑏1 Σ𝑋1 − 𝑏2 Σ𝑋2
𝑎=
𝑛

Σ𝑥1 y = 𝑛 Σ𝑋1 Y − Σ𝑋1 ΣY

Σ𝑥2 y = 𝑛 Σ𝑋2 Y − Σ𝑋2 ΣY
Σ𝑥2 2 = 𝑛 Σ𝑋2 2 − Σ𝑋2 2
Σ𝑥1 2 = 𝑛 Σ𝑋1 2 − Σ𝑋1 2

Σ𝑥1 𝑥2 = 𝑛 Σ𝑋1 𝑋2 − Σ𝑋1 Σ𝑋2

 - Koefisien korelasi berganda -

Koefisien korelasi berganda (𝑹𝒀.𝑿𝟏.𝑿𝟐 ) merupakan ukuran keeratan

hubungan antara variabel terikat dan semua variabel bebas secara
bersama-sama.

𝒃𝟏 𝚺𝒙𝟏 𝒚 + 𝒃𝟐 𝚺𝒙𝟐 𝒚
𝑹𝒀.𝑿𝟏.𝑿𝟐 =
𝚺𝒚𝟐
 - Koefisien determinasi berganda -

Koefisien Determinasi Berganda 𝑹𝟐 , merupakan ukuran

kesesuaian garis regresi linear berganda terhadap suatu data
(goodness of fit).

𝒃𝟏 𝚺𝒙𝟏 𝒚 + 𝒃𝟐 𝚺𝒙𝟐 𝒚
𝑹𝟐 =
𝚺𝒚𝟐
 - Koefisien korelasi Parsial -

𝑛Σ𝑌𝑋1 − ΣYΣ𝑋1
𝑟𝑌.𝑋1 =
nΣ𝑌 2 − Σ𝑌 2 nΣ𝑋1 2 − Σ𝑋1 2

𝑛Σ𝑌𝑋2 − ΣYΣ𝑋2
𝑟𝑌.𝑋2 =
nΣ𝑌 2 − Σ𝑌 2 nΣ𝑋2 2 − Σ𝑋2 2

𝑛Σ𝑋1 𝑋2 − Σ𝑋1 Σ𝑋2

𝑟𝑋1.𝑋2 =
nΣ𝑋1 2 − Σ𝑋1 2 nΣ𝑋2 2 − Σ𝑋2 2
 - Standar Error -

“ Suatu ukuran yang mengukur ketidakakuratan prediksi nilai Y berdasarkan X, atau

sebaliknya ”

Σ(𝑌 − 𝑌)2
𝑆𝑌.𝑋1.𝑋2 =
n– k– 1
Ket.
k ∶ Jumlah variabel bebas
𝑌 ∶ Nilai Y duga
 - Pengujian Koefisien regresi -

Pengujian Hipotesis Simultan (F statistik)

Hipotesis yang digunakan adalah :
𝑯𝟎 ∶ 𝜷𝟏 , 𝜷𝟐 , … , 𝜷𝒌 = 𝟎 ; (𝑿𝟏 dan𝑿𝟐 secara bersama-sama tidak mempengaruhi Y)
𝑯𝟏 ∶ 𝜷𝟏 , 𝜷𝟐 , … , 𝜷𝒌 ≠ 𝟎 ; (𝑿𝟏 dan𝑿𝟐 secara bersama-sama mempengaruhi Y atau
paling sedikit ada satu X yang mempengaruhi Y)

𝑡𝑎𝑟𝑎𝑓 𝑛𝑦𝑎𝑡𝑎 (𝜶) → nilai F tabel ditentukan dengan df1 = k - 1 dan df2 = n – k.

𝑴𝑺𝑹 𝑺𝑺𝑹 𝑺𝑺𝑬

𝑭= → 𝑴𝑺𝑹 = 𝑴𝑺𝑬 = → 𝑺𝑺𝑻 = 𝚺𝒀𝟐 − 𝒏𝒀𝟐 𝑺𝑺𝑹 = 𝒃 𝚺𝑿𝟏 𝒀 + 𝒃 𝚺𝑿𝟐 𝐘 SSE = SST – SSR
𝑴𝑺𝑬 𝒅𝒇𝟏 𝒅𝒇𝟐
 - Pengujian Koefisien regresi -

Pengujian Hipotesis Simultan (F statistik)

F stat ≤ F tabel → 𝑯𝟎 diterima
F stat > F tabel → 𝑯𝟎 ditolak
atau
Sig. ≥ 𝜶→ 𝑯𝟎 diterima
Sig. <𝜶→ 𝑯𝟎 ditolak

Menyimpulkan apakah 𝑯𝟎 diterima atau ditolak.

 Pengaruh kehadiran dan Skor IQ terhadap Nilai Akhir

3.
Tentukan persamaan
Tentukan regresi beserta
persamaan regresinya interpretasinya.
dan interpretasikan!
 Kehadiran di kelas (%) Skor IQ Nilai Akhir
X1^2 X2^2 Y^2 X1.X2 X1.Y X2.Y
(X1) (X2) (Y)
1 60 110 65 3600 12100 4225 6600 3900 7150
2 70 120 70 4900 14400 4900 8400 4900 8400
3 75 115 75 5625 13225 5625 8625 5625 8625
4 80 130 75 6400 16900 5625 10400 6000 9750
5 80 110 80 6400 12100 6400 8800 6400 8800
6 90 120 80 8100 14400 6400 10800 7200 9600
7 95 120 85 9025 14400 7225 11400 8075 10200
8 95 125 95 9025 15625 9025 11875 9025 11875
9 100 110 90 10000 12100 8100 11000 9000 9900
10 100 120 98 10000 14400 9604 12000 9800 11760
Jumlah 845 1180 813 73075 139650 67129 99900 69925 96060

Σ𝑥1 y = 𝑛 Σ𝑋1 Y − Σ𝑋1 ΣY = 10 69925 − 845 813 =12265 Σ𝑥2 y = 𝑛 Σ𝑋2 Y − Σ𝑋2 ΣY = 10 96060 − 1180 813

Σ𝑥2 2 = 𝑛 Σ𝑋2 2 − Σ𝑋2 2

= 10 139650 − 1180 2
= 4100 3.
= 𝑛 Σ𝑋1 2 − Σ𝑋1 2 = 10 73075 − 845 2 = 16725
Σ𝑥1 𝑥2 = 𝑛 Σ𝑋1 𝑋2 − Σ𝑋1 Σ𝑋2 = 10 99900 − 845 1180 =1900
 Σ𝑥1 y. Σ𝑥2 2 − Σ𝑥1 𝑥2 . Σ𝑥2 y (12265 ) 4100 − 1900 1260 −175
𝑏1 = = = = 0.7372
Σ𝑥1 2 . Σ𝑥2 2 − Σ𝑥1 𝑥2 2 16725 4100 − 1900 2 175

Σ𝑥2 y . Σ𝑥1 2 − Σ𝑥1 y. Σ𝑥1 𝑥2 1260 16725 − 12265 1900 350

𝑏2 = = = = −0,0343
Σ𝑥1 2 . Σ𝑥2 2 − Σ𝑥1 𝑥2 2 (16725)(4100) − (1900)^2 175

Σ𝑌 − 𝑏1 Σ𝑋1 − 𝑏2 Σ𝑋2 813 − 0.7372 (845) − (−0,0343)(1180)

𝑎= = = 23,054
𝑛 10
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 → 𝑌 = 23,054 + 0.7372𝑋1 − 0,0343𝑋2 .
Interpretasi :

a = 23,054
Tanpa dipengaruhi oleh variabel apapun, rata – rata nilai akhir yang didapatkan
mahasiswa adalah sebesar 23,054.

b1 = 0,7372
Artinya, setiap kenaikan kehadiran di kelas sebanyak 1 kali, maka rata – rata nilai
akhir mahasiswa akan naik sebesar 0,7372 dengan variabel skor IQ dianggap konstan.

b2 = 0,0343
Artinya setiap kenaikan skor IQ sebanyak 1 satuan, maka rata – rata nilai akhir akan
turun sebesar 0,0343 dengan variabel kehadiran dikelas dianggap konstan.
3.
3.
 3.

𝒀 = 𝒂 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 → 𝒀 = 𝟐𝟑, 𝟎𝟓𝟒 + 𝟎. 𝟕𝟑𝟕𝟐𝑿𝟏 − 𝟎, 𝟎𝟑𝟒𝟑𝑿𝟐 .

 Pengujian Hipotesis Simultan (F statistik)
Hipotesis yang digunakan adalah :
𝑯𝟎 ∶ 𝜷𝟏 , 𝜷𝟐 = 𝟎 ; (𝑿𝟏 dan𝑿𝟐 secara bersama-sama tidak mempengaruhi Y)
𝑯𝟏 ∶ 𝜷𝟏 , 𝜷𝟐 ≠ 𝟎 ; (𝑿𝟏 dan𝑿𝟐 secara bersama-sama mempengaruhi Y atau
paling sedikit ada satu X yang mempengaruhi Y)

𝜶 − 𝟓% → df1 = k – 1 = 2-1 = 1 dan df2 = n – k = 10-2=8 → F tabel = 5,32

𝑭 = 23,823 → 𝒔𝒊𝒈𝒏. 𝑭 = 𝟎, 𝟎𝟎𝟎𝟕𝟓

F stat (23,832) > F tabel (5,32) → 𝑯𝟎 ditolak atau Sig. F (0,00075 < 𝜶 (𝟎, 𝟎𝟓) → 𝑯𝟎 ditolak

Kesimpulan : Pada tingkat signifikansi 5%, variabel kehadiran

3. di kelas dan variabel skor IQ secara bersama-sama
berpengaruh signifikan terhadap variabel nilai akhir mahasiswa.
3.
𝑹𝒀.𝑿𝟏.𝑿𝟐 = 0,934 → Artinya, hubungan keseluruhan antara variabel nilai akhir
mahasiswa, variabel kehadiran, dan variabel skor IQ adalah
searah dan sifatnya sangat erat yaitu sebesar 0,934 atau 93,4%.

𝑹𝟐 (Adjusted R2) = 0.835 → 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.

𝑺𝑬 = 4.346 → Artinya, rata-rata penyimpangan variabel nilai akhir mahasiswa

yang diprediksi dengan variabel nilai akhir mahasiswa yang
sebenarnya adalah sebesar 4,34592.
 THANK YOU
@lilihariningrum lilihariningrum18@gmail.com