REGRESI LINIER

BERGANDA

Dosen : Siti Nuraini, S.E., M.E

 Regresi Linier Berganda
• Menggambarkan hubungan antara beberapa
variabel bebas dengan variabel terikat

Regresi Linier
𝑌෠ = 𝑎 + 𝑏𝑋

Regresi Linier Berganda

𝑌෠ = 𝑎 + 𝑏1𝑋1 + 𝑏2𝑋2 + 𝑏3𝑋3 + …… + 𝑏𝑘𝑋𝑘

Regresi Linier Berganda-Pertemuan 5 2

CONTOH
Sebuah perusahaan property ingin meneliti Biaya Ukuran
Rumah Pemanas Suhu Harian Sekat Usia Perapian
tentang hubungan biaya pemanas rumah yang 1 250 35 3 6
dikeluarkan. Diperkirakan tiga variabel yang 2 360 29 4 10
berhubungan dengan biaya pemanas yaitu 3 165 36 7 3
suhu harian rata-rata luar ruangan, ukuran 4 43 60 6 9
sekat loteng, dan usia perapian. Data yang 5 92 65 5 6
diperoleh dari penelitian 20 rumah adalah 6 200 30 5 5
sebagai berikut: 7 355 10 6 7
8 290 7 10 10
1. Tentukan variabel bebas dan variabel 9 230 21 9 11
terikat 10 120 55 2 5
11 73 54 12 4
2. Berapa nilai intercept (titik potong) dan 12 205 48 5 1
slope (kemiringan) masing-masing variabel 13 400 20 5 15
14 320 39 4 7
3. Jelaskan hasil koefisien regresinya 15 72 60 8 6
4. Berapa perkiraan biaya pemanas apabila 16 272 20 5 8
17 94 58 7 3
suhu rata-rata di luar ruangan 30 derajat, 18 190 40 8 11
sekat loteng 5 meter, dan usia 19 235 27 9 8
perapiannya 10 tahun 20 139 30 7 5
Regresi Linier Berganda-Pertemuan 5 3
 Langkah 1
1. Tentukan Variabel Terikat dan Variabel Bebasnya
Variabel terikat (Y) = Biaya Pemanas
Variabel Terikat
Suhu Harian (X1) (Suhu)
Ukuran Sekat (X2) (Sekat)
Usia Perapian (X3) (Usia)

Bentuk Umum Persamaan Regresi

𝑌෠ = 𝑎 + 𝑏1𝑋1 + 𝑏2𝑋2 + 𝑏3𝑋3 atau
𝑌෠ = 𝑎 + 𝑏1𝑆𝑢ℎ𝑢 + 𝑏2𝑆𝑒𝑘𝑎𝑡 + 𝑏3𝑈𝑠𝑖𝑎

Regresi Linier Berganda-Pertemuan 5 4

 Langkah 2
Menggunakan Software untuk menentukan hasil Regresinya

Regresi Linier Berganda-Pertemuan 5 5

Regresi Linier Berganda-Pertemuan 5 6
 Output SPSS

Regresi Linier Berganda-Pertemuan 5 7

 Langkah 3
Berapa nilai intercept (titik potong) dan slope (kemiringan) masing-masing variabel
Intercept = 427,194
Slope X1 (Suhu Harian) = -4,583
Slope X2 (Ukuran Sekat) = -14,831
Slope X3 (Usia Perapian) = 6,101
Jelaskan hasil koefisien regresinya
𝑌෠ = 427,194 − 4,583𝑋1 – 14,831𝑋2 + 6,101𝑋3
- Hubungan antara biaya pemanas dan suhu ruangan berbanding terbalik, sehingga
semakin meningkat suhu harian maka biaya pemanas akan berkurang. Apabila X2
dan X3 konstan, maka apabila suhu harian naik 1 derajat maka dapat diperkirakan
biaya pemanas akan turun sebesar 4,583

Regresi Linier Berganda-Pertemuan 5 8

 Berapa perkiraan biaya pemanas apabila suhu rata-rata di luar
ruangan 30 derajat, sekat loteng 5 meter, dan usia perapiannya 10
tahun
X1 = 30, X2 = 5, X3 = 10
𝑌෠ = 427,194 − 4,583𝑋1 – 14,831𝑋2 + 6,101𝑋3
𝑌෠ = 427,194 − 4,583(30) – 14,831(5) + 6,101(10)
= 276,56

Regresi Linier Berganda-Pertemuan 5 9

 Evaluasi Persamaan Regresi Linier Berganda
Total Variasi variabel terikat (Y) terbagi menjadi :
1. Regresi, variasi Y yang dijelaskan oleh seluruh variabel bebas
2. Residu atau Kesalahan, variasi yang tidak dijelaskan oleh Y

• Jumlah Kuadrat Regresi = SSR = σ(𝑌෠ − 𝑌)

ത 2
• Jumlah kuadrat residu/kesalahan = SSE = σ(𝑌 − ෡𝑌)2
ത 2
• Jumlah Total Kuadrat = Total SS = σ(𝑌 − 𝑌)
𝑆𝑆𝑅
• Koefisien Determinasi Berganda =
𝑇𝑜𝑡𝑎𝑙 𝑆𝑆
𝑆𝑆𝐸
Model Sum of Squares df Mean Square F Sig. 𝑛−(𝑘+1)
• Koefisien Determinasi yang Disesuaikan = 1- 𝑇𝑜𝑡𝑎𝑙 𝑆𝑆
Regresi SS k MSR = SSR/k MSR/MSE 𝑛−1
Residu SSE n-1(k+1) MSE = SSE/[n-(k+1)] 𝑆𝑆𝐸
• Kesalahan Standar Estimasi 𝑆𝑦.123..𝑘 =
Total Total SS n-1 𝑛−(𝑘+1)

Regresi Linier Berganda-Pertemuan 5 10

 Koefisien Determinasi Regresi Linier Berganda
Persentase variasi variabel terikat Y yang dijelaskan oleh variabel bebas X1, X2, X3 dan
seterusnya

Ciri Ciri Koefisien Determinasi Regresi Linier Berganda

• Dilambangkan denga R kuadrat ( R2 ), karena seperti koefisien korelasi kuadrat

• Berkisar dari 0 sampai 1, nilai yang mendekati 0 menunjukkan hubungan lemah, sedangkan nilai yang mendekati 1
menunjukkan hubungan yang kuat antara variabel bebas dan variabel terikat
• Tidak dapat bernilai negative
• Mudah untuk ditafsirkan, karena nilainya antara 0 sampai 1

Kesimpulan Contoh Soal

• Dapat disimpulkan bahwa variabel bebasnya yaitu suhu harian, ukuran sekat dan usia perapian menjelaskan atau
menunjukkan 80,4 persen variasi biaya pemanas. Sedangkan sebesar 19,6 persen variasinya akibat dari variabel lain
Regresi Linier Berganda-Pertemuan 5 11
 UJI SERENTAK/UJI GLOBAL/UJI MODEL/UJI
SIMULTAN/UJI F
• Untuk mengetahui perkiraan variabel terikat tanpa memperhatikan variabel
bebasnya.
• Uji ini juga digunakan untuk mengetahui kemungkinan seluruh variasi bebas
memiliki koefisien regresi nol
• Untuk menguji koefisien regresi populasi semuanya bernilai nol, maka ditentukan
hipotesisnya dan diuji menggunakan distribusi
H0 : β1 = β2 = β3 = 0
H1 : Tidak semua β = 0
Regresi Linier Berganda-Pertemuan 5 12
 Ciri-Ciri Distribusi F
• Terdapat serumpun distribusi F, apabila derajat bebas
pembilang dan penyebutnya berubah, distribusi F yang baru 𝑺𝑺𝑹
terbentuk 𝒌 𝑴𝑺𝑹
• Distribusi F tidak bisa negative, nilai terkecil yang mungkin
Uji F = 𝑺𝑺𝑬 =
𝑴𝑺𝑬
adalah 0 𝒏−(𝒌+𝟏)
• Distribusinya kontinyu, distribusinya dapat mengasumsikan nilai
tak hingga antara 0 hingga positif tak hingga
• Distribusinya asimetris positif, sisi distribusinya berada
disebelah kanan
• Distribusinya asymptotic, seiring bertambahnya nilai X kurva F
akan mendekati sumbu datar tetapi tidak menyinggungnya

Regresi Linier Berganda-Pertemuan 5 13

 Uji F hitung diperoleh dari table ANOVA

Distribusi F

df = (3,16)
𝑺𝑺𝑹
𝒌 𝑴𝑺𝑹 𝟓𝟕𝟎𝟕𝟑,𝟒𝟗𝟏
Uji F = 𝑺𝑺𝑬 =
𝑴𝑺𝑬
=
𝟐𝟔𝟎𝟓,𝟗𝟓𝟓
= 21,9011806 Daerah penolakan
𝒏−(𝒌+𝟏)
Daerah H0 (tk. Sig. 0,05)
• Nilai F hitung 21,901 berada pada daerah penolakan, sehingga
hipotesis nol yang mengasusmsikan seluruh koefisien regresi diterima
berganda sama dengan nol ditolak, sehingga sedikitnya satu
variabel bebas memiliki kemampuan untuk menjelaskan variasi
variabel terikat.
3,24 21,9
• Membandingkan p-value dengan tingkat signifikansinya
p-value < tk.signifikansi : menolak hipotesis nol
F tabel
p-value > tk.signifikansi : menerima hipotesis nol
Regresi Linier Berganda-Pertemuan 5 14
Koefisien Regresi Individual/ Uji t/ Uji Parsial
Digunakan untuk menguji variabel bebas secara individu untuk menentukan koefisien
regresi manakah yang bernilai 0 dan yang bukan
• Lakukan uji hipotesis pada tiga variabel bebas, suhu harian, sekat, usia perapian
H0 : β1 = 0 H0 : β2 = 0 H0 : β3 = 0
H1 : β1 ≠ 0 H1 : β2 ≠ 0 H1 : β3 ≠ 0
𝒃𝒊 −𝟎
• Uji t, t=
𝑺𝒃𝒊
𝑏𝑖 −0 −4,583−0
t= = = -5,937
𝑆𝑏𝑖 0,772
• Membandingkan p-value dengan tingkat signifikansinya
p-value < tk.signifikansi : menolak hipotesis nol
p-value > tk.signifikansi : menerima hipotesis nol

Regresi Linier Berganda-Pertemuan 5 15

 Kesimpulan dari Uji t tersebut sebagai berikut:
1. Suhu Harian (X1), nilai-p (0,00) < tk.sig (0,05) sehingga koefisien regresinya tidak sama
dengan nol dan variabel suhu harian merupakan penaksir biaya pemanas yang signifikan
2. Ukuran Sekat (X2), nilai-p (0,00) < tk.sig (0,05) sehingga koefisien regresinya tidak sama
dengan nol dan variabel ukuran sekat merupakan penaksir biaya pemanas yang
signifikan
3. Usia Perapian (X3), nilai-p (0,148) > tk.sig (0,05) sehingga koefisien regresinya sama
dengan nol dan variabel usia perapian bukan merupakan penaksir biaya pemanas yang
signifikan

Note.
Karena Terdapat variabel usia perapian (X3) yang bukan penaksir untuk memprediksi biaya
pemanas maka variabel X3 dapat dihilangkan dalam persamaan dan dilakukan
perhitungan ulang untuk persamaan regresi linier
Bagaimanakah hasil regresi linier bergandanya? Apakah terdapat perbedaan?

Regresi Linier Berganda-Pertemuan 5 16

 Variabel Bebas Kualitatif
• Variabel skala nominal (jenis kelamin, sudah menikah atau belum, mahasiswa
atau bekerja
• Variabel tersebut disebut sebagai variabel kualitatif karena menggambarkan
sifat
• Dalam regresi disebut sebagai variabel dummy, sebagai salah satu dari dua
kondisi, dapat diberi kode 0 dan 1
• Variabel dummy merupakan variabel yang hanya memiliki dua kemungkinan
hasil

Regresi Linier Berganda-Pertemuan 5 17

CONTOH VARIABEL DUMMY
• Dalam contoh kasus sebelumnya karena Rumah
Biaya
Pemanas Suhu Harian
Ukuran
Sekat Usia Perapian Garasi
variabel usia perapian bukanlah penaksir 1
2
250
360
35
29
3
4
6
10
0
1
untuk biaya pemanas maka akan ditambahkan 3 165 36 7 3 0
4 43 60 6 9 0
variabel lain, yaitu keberadaan garasi 5 92 65 5 6 0
6 200 30 5 5 0
• Rumah dengan garasi digunakan 1 dan tanpa 7 355 10 6 7 1
8 290 7 10 10 1
garasi akan diberi 0 9 230 21 9 11 0
10 120 55 2 5 0
• Sehingga data nya akan bertambah sebagai 11
12
73
205
54
48
12
5
4
1
0
1
berikut: 13 400 20 5 15 1
14 320 39 4 7 1
15 72 60 8 6 0
16 272 20 5 8 1
17 94 58 7 3 0
18 190 40 8 11 1
19 235 27 9 8 0
20 139 30 7 5 0
Regresi Linier Berganda-Pertemuan 5 18
Output Variabel Dummy
Karena variabel Usia Perapian (X3) bukan penaksir untuk memprediksi biaya pemanas
maka dalam input variabel regresi linier dapat dihilangkan

Regresi Linier Berganda-Pertemuan 5 19

Regresi Linier Berganda-Pertemuan 5 20
Regresi Linier Berganda-Pertemuan 5 21
 1. Dari Output dengan Variabel Dummy tersebut bagaimanakah persamaan
regresinya?

1. Bagaimana hasil analisa terhadap output tersebut?

1. Apakah sebaiknya variabel garasi dimasukkan sebagai penaksir dari biaya

pemanas?

Regresi Linier Berganda-Pertemuan 5 22

 Variabel Interaksi Rumah Biaya Pemanas Suhu Harian Ukuran Sekat Suhu x Sekat
1 250 35 3 105
2 360 29 4 116
• Variabel interaksi merupakan hasil kali 3 165 36 7 252

antara nilai data pada satu variabel 4 43 60 6 360

5 92 65 5 325
bebas dengan nilai variabel bebas 6 200 30 5 150

lainnya. 7
8
355
290
10
7
6
10
60
70

• Pada contoh kasus diatas dapat 10

9 230
120
21
55
9
2
189
110
digunakan antara variabel suhu ruangan 11 73 54 12 648

dan sekat sehingga menghasilkan hasil 12

13
205
400
48
20
5
5
240
100
kali variabel baru 14 320 39 4 156
15 72 60 8 480
• Sehingga persamaan regresi liniernya 16 272 20 5 100
17 94 58 7 406
𝑌෠ = 𝑎 + 𝑏1𝑋1 + 𝑏2𝑋2 + 𝑏3𝑋1 𝑋2 18 190 40 8 320
19 235 27 9 243
20 139 30 7 210

Regresi Linier Berganda-Pertemuan 5 23

 Regresi Berjenjang
• Metode tahap demi tahap untuk menentukan persamaan regresi yang dimulai dengan satu
variabel bebas dan menambahkan atau menghapus variabel bebasnya satu demi satu. Hanya
variabel bebas dengan koefisien regresi bukan nol yang dimasukkan dalam persamaan regresi
• Terdapat dua metode pemilihan variabel
• Step Forward, dimulai tanpa variabel bebas dan menambahkan satu variabel bebas ke persamaan
regresi pada setiap iterasi
• Step Backward, dimulai dengan keseluruhan variabel dan mengeluarkan satu variabel bebas pada setiap
iterasi
• Kelebihan regresi berjenjang adalah :
• Hanya variabel bebas dengan koefisien regresi signifikan saja yang dimasukkan dalam persamaan
• Langkah-langkah yang digunakan dalam membangun regresi sudah jelas
• Metodenya lebih efisien hanya dengan koefisien regresi yang signifikan saja yang digunakan
• Perubahan dalam kesalahan standar estimasi beserta koefisien determinasi diperlihatkan

Regresi Linier Berganda-Pertemuan 5 24

 Contoh Regresi Berjenjang

Regresi Linier Berganda-Pertemuan 5 25

 OUTPUT SPSS

Regresi Linier Berganda-Pertemuan 5 26

Regresi Linier Berganda-Pertemuan 5 27
Regresi Linier Berganda-Pertemuan 5 28
 • Bagaimana persamaan regresinya untuk masing-masing variabel?

Regresi Linier Berganda-Pertemuan 5 29

LATIHAN SOAL Perusahaan
1
Investasi Harga Produk
13240 65044
Lama
Perusahaan
3
Go Public
1
Pendapatan
Perusahaan
107919
2 22554 101376 5 1 118866
3 16916 124989 7 1 98579
Seorang mahasiswa mengambil skripsi 4 20967 55249 2 0 122015
dengan tema pengaruh jumlah 5
6
19576
15039
73775
48484
3
5
0
1
152827
91259
investasi, harga jual produk, lama 7 21857 138809 8 0 123550

berdirinya perusahaan, perusahaan go 8

9
26435
24024
50244
104300
2
6
1
1
160931
98496
public atau tidak terhadap pendapatan 10 14987 37852 2 0 108052
11 30902 66921 3 0 144788
perusahaan tersebut. Dari total 12 31573 166332 4 0 164571
populasi diambil 25 sampel dalam 13
14
19001
20058
61951
100441
3
5
0
1
105564
102564
penelitian ini dengan data yang 15 16194 39462 2 1 103342

diperoleh adalah sebagai berikut. 16

17
21384
18800
139900
171740
5
6
0
0
127030
166755
18 15289 149894 6 1 125343
Bagaimana hasil penelitian mahasiswa 19 16702 57386 3 1 121886
tersebut? 20
21
19093
26502
185105
114520
6
3
0
1
134594
152937
22 18760 52933 3 0 109662
23 33242 203500 5 1 149884
24 14988 39334 4 0 98388
25 18505 95120 3 0 140791
Regresi Linier Berganda-Pertemuan 5
30
 FR
FABRIKAM RESIDENCES
Thank You.