Praktikum
Statistika Bisnis
EBH0B4
ASSITANT LABORATORIUM
STATISTIKA BISNIS
A. PENGERTIAN
Regresi linear berganda menganalisis lebih dari dua variable, yaitu analisis regresi di mana
terdapat satu variable tergantung (variable Y) yang diterangkan atau dijelaskan oleh lebih
dari satu variable lain yang menerangkan (variable X) atau analisis regresi di mana terdapat
satu variable yang tergantung (variable Y) yang diterangkan atau dijelaskan oleh lebih dari
satu variable lain yang menerangkan (variable X) yang disebut dengan regresi berganda
multivariate atau analisis ragam multi variat (multivariate multiple regression).
Analisis regresi dengan satu variable diterangkan atau variabel Y oleh lebih dari
sebuah variable yang lain atau variable X, maka analisis yang demikian ini dinamakan
analisis regresi majemuk atau analisis regresi berganda atau analisis regresi darab.
Sangatlah jelas bahwa dalam permasalahan ini, tidak cocok lagi memakai perkataan atau
istilah garis regresi, karena fungsi linear yang terdiri dari tiga buah variable, sudah tidak
berbentuk grafik garis lagi, melainkan berbentuk bidang atau bentuk yang lain.
Selanjutnya, jika variable bebas lebih dari tiga buah, menyebabkan penggambaran
grafiknya sangat sulit dan bukan berbentuk bidang atau ruang. Bentuknya dinamakan multi
bidang atau berbidang banyak (hyperplane). Grafik suatu fungsi akan berbentuk garis jika
di dalam fungsi itu hanya terdapat dua macam variable, yang koordinatnya berdimensi dua
atau bidang.
Sehingga dalam penggambaran grafik dari tiga macam variable dapat memakai
istilah bidang regresi atau grafiknya berdimensi tiga atau berdimensi ruang. Tetapi istilah
ini pun tidak dapat dipertahankan lagi secara bebas jika telah dipergunakan fungsi regresi
yang terdiri dari empat macam atau lebih variable yang dipergunakan. Sebagaimana halnya
dalam analisis regeresi linear sederhana.
Di dalam analisis regresi berganda ini juga dapat dikenal adanya:
1. Analsis regresi linear berganda
2. Analisis regresi berganda kurvilinier atau analisis regresi berganda non linear.
Perbedaan dari kedua analisis di atas antara analisis regresi linear berganda dan
analisis regresi berganda kurvilinier atau analisis regresi berganda non linear
D. PENGUJIAN HIPOTESA
Untuk tujuan pengujian hipotesis nilai parameter model, model regresi linear juga hal-
hal sebagai berikut yang dikenal dengan nama Uji Asumsi Klasik:
Di sini akan diketahui besar hubungan atau seberapa jauh Kosa_Kata, Pemahaman_Tema dan
Tata_Bahasa berpengaruh terhadap Kemampuan_Menulis_Mahasiswa di Telkom University.
Maka akan dilakukan uji regresi, dengan variabel independent adalah Kosa_Kata,
Pemahaman_Tema dan Tata_Bahasa dan variabel dependent adalah
10. Selanjutnya isi variabel Dependent dengan yang akan kita uji yaitu
Kemampuan_Menulis_Mahasiswa. Variabel Independent diisi dengan Kosa_Kata,
Pemahaman_Tema dan Tata_Bahasa dan Case Label diisi dengan Kode_Mahasiswa (Case
Label hanya digunakan untuk penomoran/pelabelan)
12. Selanjutnya pilih Plots… pada scatter 1 of 1 masukkan ke Y : *SRESID dan X : *ZPRED
dan pilih Normal probability plot. Selanjutnya klik next dan pada scatter 1 of 2 masukkan
ke Y : *ZPRED dan X : DEPENDNT dan pilih Normal probability plot. Setelah itu klik
Continue
Angka R square adalah 0,965 (yang merupakan nilai kuadrat dari R). R kuadrat ini disebut
koefisien determinasi, mempunyai arti bahwa 96,5 % Kemampuan_Menulis_Mahasiswa
bisa dijelaskan oleh Kosa_Kata, Pemahaman_Tema dan Tata_Bahasa. Sedangkan sisanya
3,5% dijelaskan oleh sebab-sebab lain.
2. Uji F
Dari uji ANOVA atau F test, nilai F hitung adalah 101.214 dengan tingkat signifikansi
mendekati 0, karena nilai signifikansi < 0,05 maka model regresi bisa digunakan untuk
memprediksi Kemampuan_Menulis_Mahasiswa.
3. Uji T
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau
tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi
normal. Dengan melihat grafik Normal P-P Plot, titik berada disekitar garis
diagonal (cenderung naik) yang artinya data terdistribusi normal.
Multikolinearitas
Heteroskedastisitas
Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t
dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi
adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi
tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Dalam
penelitian ini terjadi autokorelasi karena nilai Durbin Watson tidak berada
diantara -2 dan +2, yakni 2,319 maka tidak lolos uji autokorelasi.
5. Model Regresi
6. Kesimpulan
Pada pengujian ini lolos pada beberapa Uji yaitu Uji Model (Koefisien Determinasi), Uji
F, Uji T, Uji Normalitas, Uji Heteroskedastisitas. Dan tidak lolos Uji Multikolinearitas dan
Uji Autokorelasi sehingga dapat dinyatakan bahwa model regresi berganda masih valid dan
berpengaruh sehingga Y = 0.232 + 0.214 X1 + 0.101 X2 + 0.152 X3 dapat digunakan.
Dari data diatas, akan diketahui besar hubungan antara periklanan, personal selling, pesaing dan
pendapatan berpengaruh terhadap volume penjualan. Kemudiaan akan dilakukan uji regresi
dimana variabel dependentnya adalah periklanan, personal selling, pesaing dan pendapatan serta
variabel independentnya adalah volume penjualan.
Setia Atmaja, Lukas. Statistika Untuk Bisnis dan Ekonomi. 2009. Yogyakarta : Penerbit ANDI
Layaman. STATISTIKA (Aplikasi dalam Penelitian Manajemen). 2010. Jakarta : Penerbit Pustaka
Utama
http://elearning.gunadarma.ac.id/docmodul/statistika_untuk_ekonomi_dan_bisnis/bab16_regresi
_linier_berganda.pdf
Sudjana. 2005. Metoda Statistika. Bandung: Tarsito
Hasan, Iqbal. 2010. Pokok-Pokok Materi Statistik 2 (Statistik Infrensial). Jakarta: Bumi Aksara.
Santoso,Singgih. 2012. Paduan Lengkap SPSS Versi 20. Jakarta : PT. Elex media Komputindo