A.

Deskripsi Data
Tugas ini bertujuan untuk mengetahui pengaruh Brithweight (X1),
Headcirc (X2), Gestation (X3), mage (X4), mnocig (X5), mheight (X6),
mppwt (X7), fage (X8), fedyrs (X9), fnocig( X10) dan fheight (X11)
terhadap lenght (Y) di mana data ini mengandung informasi sebegai
berikut:

Tabel 1.1 Deskripsi Data

Variabel Deskripsi
Variabel yang mengandung informasi tentang
Lenght (tinggi bayi) dalam satuan centimeter
Lenght (Y) yang baru lahir . Ini adalah variabel respon
(variabel terikat / dependen) yang selanjutnya
akan diprediksi menggunakan prediktornya
(variabel bebas /
independen).
Variabel yang mengandung informasi tentang
Brithweight (X1) pengaruh Berat bayi (Brithweight) (dalam satuan
kilogram terhadap tinggi bayi yang baru lahir
Variabel yang mengandung informasi tentang
headcirc (X2) pengaruh lingkar kepala (headcirc) terhadap
tinggi bayi yang baru lahir.
Variabel yang mengandung informasi tentang
Gestation (X3) pengaruh Kehamilan (Gestation) (dalam satuan
celcius) terhadap tinggi bayi yang baru lahir.
Variabel yang mengandung informasi tentang
Mage (X4) pengaruh Usia ibu (Mage) terhadap tinggi bayi
baru lahir.
Variabel yang mengandung informasi tentang
Pengaruh jumlah batang rokok yang dihisap ibu
mnocig (X5) perhari (mnocig) terhadap tinggi bayi yang baru
lahir.
mheight (X6) Variabel yang mengandung informasi tentang
pengaruh tinngi ibu (mheight) dalam satuan
centimeter terhadap tinggi bayi yang baru lahir.
mppt (X7) Variabel yang mengandung informasi tentang
pengaruh berat badan ibu sebelum hamil (mppt)
dalam satuan kilogram terhadap tinggi bayi
yang baru lahir.
fage (X8) Variabel yang mengandung informasi tentang
pengaruh usia ayah terhadap tinggi bayi yang
baru lahir
 fedyrs (X9) Variabel yang mengandung informasi tenang
pengaruh masa studi ayah (fedyrs) terhadap
tinggi bayi yang baru lahir
fnocig( X10) Variabel yang mengandung informasi tentang
pengaruh jumlah batang rokok yang dihisap ayah
perhari (fnocig) terhadap
fheight (X11) Variabel yang diasumsikan dalam benutk
peluang (0-1) di mana variabel ini mengandung
informasi tentang peluang responden terhadap
tinggi ayah (fheight) (dalam satuan cenimeter)
terhadap tinggi bayi. Nilai yang mendekati 1
artinya peluang responden diamati pada tinggi
ayah tinggi.

Berdasarkan Tabel 1.1, diketahui bahwa jumlah prediktor (variabel bebas /

independen) sebanyak 11 variabel dan jumlah respon (variabel terikat /
dependen) sebanyak 1 variabel.
B. Analisis Regresi Linear Berganda
Regresi linier terbagi menjadi regresi linier sederhana dan regresi linier

berganda. Regresi linier berganda merupakan suatu algoritma yang

digunakan untuk menelusuri pola hubungan antara variabel terikat

(dependent) dengan dua atau lebih variabel bebas (independent) (Uyanik &

Guler, 2013). Sehingga untuk melakukan prediksi pada Lenght (Tinggi Bayi)

(Y) diatas diperlukan analisis regresi berganda, dikarenakan jumlah prediktor

lebih dari 1 variabel

1. Uji Asumsi klasik
Pengujian ini terdiri dari uji normalitas, uji multikolinieritas, uji

heteroskedastisitas, dan uji autokorelasi. Syarat untuk mendapatkan model

regresi yang baik adalah distribusi datanya normal atau mendekati normal.

Jika data tidak berdistribusi normal, maka perlu dilakukan transformasi data

terlebih dahulu. Selanjutnya, model regresi yang baik adalah model regresi

yang tidak terjadi multikolinieritas, heteroskedastisitas, dan autokorelasi

(Ndruru, Situmorang, & Tarigan, 2014).

a. Uji Normalitas
Uji normalitas adalah uji yang digunakan untuk mengetahui apakah
sebuah data berdistribusi normal atau tidak untuk model asumsi
regresinya. Dasar pengambilan keputusan uji normalitas dengan grafik Q-
Q PLOT yaitu data dikatakan normal apabila data menyebar disekitar
garis diagonal dan sebaliknya data dikatakan tidak berdistribusi normal
jika data menyebar jauh dari arah garis atau tidak mengikuti garis
diagonal. Hasil uji Normalitas dapat dilihat pada Gambar 1.1 berikut:
 Gambar 1.1 Plot Standarisasi Residu
Berdasarkan Gambar 1.1 diatas menunjukkan bahwa data residual model

regresi sudah berdistribusi normal dikarenakan data tersebut menyebar disekitar

garis diagonal. Dengan demikian syarat kenormalan sebagai pengujian statistik

menggunakan regresi terpenuhi

b. Uji multikolinieritas
Multikolinieritas menunjukkan adanya korelasi (hubungan) yang
kuat antar variabel bebas dalam model regresi. Pendeteksian ada atau
tidaknya multikolinieritas dilakukan dengan melihat nilai tolerance dan nilai
VIF. Apabila nilai tolerance > 0,10 dan nilai VIF < 10, maka model regresi
bebas dari multikolinieritas.

Tabel 1.2 Uji Multikolinieritas

Collinearity Statistics
Variabe
  Tolerance VIF
l

  Birthweight 0.243 4.118

  Headcirc 0.432 2.316
  Gestation 0.379 2.637
  mage 0.244 4.095
  mnocig 0.687 1.455
  mheight 0.354 2.824
  mppwt 0.408 2.450
  fage 0.221 4.519
  fedyrs 0.618 1.619
  fnocig 0.589 1.698
 Collinearity Statistics
Variabe
  Tolerance VIF
l
  fheight 0.570 1.753

Table 1.2 menjelaskan bahwa nilai VIF untuk variabel Birthweight

(X1) adalah sampai dengan fheight (X11) semuanya bernilai 0 yang

artinya nilai tolerance > 0,10. Kemudian nilai VIF dari semua variabel

mulai dari Birthweigh (X1) sampai dengan Fheight (X11)

menunjukkan angka kurang dari 10 yang artinya VIF < 10 sehingga

dapat disimpulkan bahwa semua variabel bebas dari multikolinieritas.

Dengan demikian syarat multikonieritas sebagai pengujian statistic

menggunakan regresi terpenuhi

c. Uji Heteroskedastisitas

Salah satu asumsi yang harus dipenuhi agar model bersifat

BLUE (Best Linear Unbiased Estimator) adalah harus terdapat
varians yang sama dari setiap error-nya atau homoskedastisitas.
Ada beberapa cara untuk mendeteksi adanya gejala
heteroskedastisitas, diantaranya menggunakan
 grafik Residual vs. Predicted. Apabila data dalam grafik menyebar
dan tidak membentuk pola, maka data diasumsikan tidak
mengandung gejala heteroskedastisitas. Berikut grafik Residual vs.
Predicted dari data:

Gambar 1.2 Residul vs. Predicted Plot

Berdasarkan gambar 1.2 terlihat bahwa data menyebar dan tidak

membentuk pola, sehingga dapat disimpulkan bahwa data tidak

mengandung gejala heteroskedasitas.

d. Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam model

regresi linier terdapat korelasi (hubungan) antara residu / error /
galat perido 𝑡 dengan residu / error / galat perido 𝑡 − 1
(sebelumnya).

Kriteria pengambilan keputusan:

Jika nilai p.value > 0.05, maka data tidak mengalami gejala
autokorelasi. Sedangkan jika nilai p.value < 0.05, maka data
mengalami gelaja autokorelasi.
 Durbin-Watson
Mode
Autocorrelation Statistic p
l
H₁ -0.186 2.312 0.426

Beradasarkan tabel 1,5 terlihat bahwa nilai p.value > 0,05, sehingga

dapat disimpulkan bahwa data tidak mengalami gejala autokorelasi.

2. Model Regresi Linear Berganda

Analisis regresi digunakan untuk menguji hipotesis tentang pengaruh Birhweight

(X1), Headcirc (X2), Gestation (X3), Mage (X4), mnocig (X5), mheight (X6),

mppwt (X7), fage (X8), fedyrs (X9), fnocig (X10), fheight (X11) terhadap Length

(Y) yang dapat dilihat dari tabel .5 berikut:

Tabel 1.5

Collinearity Statistics

Model Unstandardized Standard Error Standardized t p Tolerance VIF

H₁ (Intercept) 0.194 12.481 0.016 0.988  

  Birthweight 1.168 0.998 0.240 1.170 0.251 0.243 4.118
  Headcirc 0.151 0.188 0.124 0.804 0.428 0.432 2.316
  Gestation 0.509 0.182 0.458 2.790 0.009 0.379 2.637
  mage 0.060 0.106 0.116 0.565 0.576 0.244 4.095
  mnocig -0.020 0.029 -0.084 -0.692 0.494 0.687 1.455
  mheight 0.136 0.077 0.300 1.766 0.088 0.354 2.824
  mppwt -0.028 0.065 -0.069 -0.433 0.668 0.408 2.450
  fage -0.020 0.092 -0.047 -0.218 0.829 0.221 4.519
  fedyrs -0.010 0.175 -0.007 -0.058 0.954 0.618 1.619
  fnocig 0.016 0.022 0.092 0.697 0.491 0.589 1.698
  fheight 0.003 0.056 0.007 0.051 0.960 0.570 1.753
 Collinearity Statistics

Model Unstandardized Standard Error Standardized t p Tolerance VIF

Berdasarkan tabel 1.5 di atas maka diperoleh persamaan regresi linear

berganda sebagai berikut

y=0.194+1.168 X 1+0.151 X 2+ 0.509 X 3+ 0.060 X 4−0.020 X 5+0.136 X 6−0.028 X 7−0.0

Persamaan regresi di atas diperoleh nilai konstanta sebesar 0.194. Variabel

Birthweight (X1) sebesar 1.168, , Headcrirc (X2) sebesar 0.151, Gestation (X3)
sebesar 0.509, Mage (X4) Sebesar 0.060, mnocig (X5) sebesar -0.020, mheigt
(X6) sebesar 0.136, mpptw (X7) sebesar – 0.028, fage (X8) sebesar -0.020,
fedyrs (X9) sebesar -0.010, fnocig (X10) sebesar 0.016, dan fheight (X11)
sebesar 1.003. Koefisien regresi variabel mnocig (X5), mnocig (X7), fage (X8)
dan fedyrs (X9) bertanda negatif, sehingga dapat diartikan bahwa mnocig, fage
dan fedyrs berpengaruh negatif terhadap tinggi bayi (Lenght) (Y). Koefisien
regresi variabel Birthweight (X1), Headcrirc (X2), Gestation (X3), Mage (X4) ,
mheigt (X6), fnocig (X10), dan fheight (X11) bertanda positif, sehingga dapat
diartikan bahwa Birthweight, Headcrirc, Gestation, Mage, mheigt, fnocig, dan
fheight berpengaruh positif terhadap lenght (Y). Dengan kata lain makna dari
persamaan di atas adalah:

a. Konstanta bernilai 0,194 yang berarti tidak ada perubahan variabel

Birthweight (X1), Headcirc (X2), Gestatiom (X3), Mage (X4), mnocig (X5),

mheight (X6), mpptw (X7) , fage (X8), fedyrs (X9), fnocig (X10), fheight

(X11) dan Length (Y) akan tetap 0,194 cm.

b. Koefisien regresi Birtthweight (X1) sebesar 1,168 menyatakan bahwa apabila

birttwheight (X1) meningkat sebesar 1 satuan maka akan menurunkan lengh

 (Y) sebesar 1.168 . begitupun sebaliknya apabila birthweight (X1) menurun

sebesar 1 satuan maka akan meningkat length (Y) sebesar 1.168 cm

c. Koefisien regresi Headcirc (X2) sebesar 0.151 menyatakan bahwa apabila

headcirc (X2) meningkat sebesar 1 satuan maka akan menurunkan length (Y)

sebesar 0.151, begitupun sebaliknya apabila headcirc (X2) menurun sebesar 1

satuan maka akan meningkat length (Y) sebesar 0.151 cm

d. Koefisien regresi gestation (X3) sebesar 0.509 menyatakan bahwa apabila

gestatation (X3) meningkat sebesar 1 satuan maka akan menurunkan length (Y)

sebesar 0.509, begitupun sebaliknya apabila gestation (X3) menurun sebesar 1

satuan maka akan meningkat length(Y) sebesar 0.509 cm

e. Koefisien regresi mage (X4) sebesar 0.060 menyatakan bahwa apabila mage

(X4) meningkat sebesar 1 satuan maka akan menurunkan length (Y) sebesar

0.060, begitupun sebaliknya apabila mage (X4) menurun sebesar 1 satuan

maka akan meningkat length (Y) sebesar 0.060 cm

f. Koefisien regresi mnocig (X5) sebesar –0.020 menyatakan bahwa apabila

mnocig (X5) meningkat sebesar 1 satuan maka akan menurunkan length (Y)

sebesar 0.020 cm, begitupun sebaliknya apabila mnocig (X5) menurun sebesar

1 satuan maka akan meningkat length (Y) sebesar 0.020 cm

g. Koefisien regresi mheight (X6) sebesar 0.136 menyatakan bahwa apabila

mheight (X6) meningkat sebesar 1 satuan maka akan menurunkan length (Y)

sebesar 0.136 cm, begitupun sebaliknya apabila mheight (X6) menurun

sebesar 1 satuan maka akan meningkat length (Y) sebesar 0.136 cm

h. Koefisien regresi mpptw (X7) sebesar -0.028 menyatakan bahwa apabila

mpptw (X7) meningkat sebesar 1 satuan maka akan menurunkan length (Y)

sebesar 0.028 cm, begitupun sebaliknya apabila mpptw (X7) menurun sebesar

1 satuan maka akan meningkat length (Y) sebesar 0.028cm

i. Koefisien regresi fage (X8) sebesar –0.020 menyatakan bahwa apabila fage

(X8) meningkat sebesar 1 satuan maka akan menurunkan length (Y) sebesar

0.020 cm, begitupun sebaliknya apabila fage(X8) menurun sebesar 1 satuan

maka akan meningkat length (Y) sebesar 0.020 cm.

j. Koefisien regresi fedyrs X9) sebesar –0.010 menyatakan bahwa apabila fedyrs

(X9) meningkat sebesar 1 satuan maka akan menurunkan length (Y) sebesar

0.010 cm, begitupun sebaliknya apabila fedyrs (X9) menurun sebesar 1 satuan

maka akan meningkat length (Y) sebesar 0.010 cm.

k. Koefisien regresi fnocig (X10) sebesar 0.016 menyatakan bahwa apabila fnocig

(X10) meningkat sebesar 1 satuan maka akan menurunkan length (Y) sebesar

0.016 cm, begitupun sebaliknya apabila fnocig (X10) menurun sebesar 1 satuan

maka akan meningkat length (Y) sebesar 0.016 cm.

l. Koefisien regresi fheight (X11) sebesar 1.003 menyatakan bahwa apabila

fheight (X11) meningkat sebesar 1 satuan maka akan menurunkan length (Y)

sebesar 1.003 cm, begitupun sebaliknya apabila fheight (X11) menurun sebesar

1 satuan maka akan meningkat length (Y) sebesar 1.003 cm.

3. Pembuktian Hipotesis

a. Uji F Simultan
 Setelah semua syarat untuk ditelitinya suatu model regresi terpenuhi

semua, maka langkah selanjutnya untuk mengetahui diterima atau tidaknya

hipotesis yang diajukan yaitu dengan melakukan uji simultan (uji F) dan uji

signifikansi (uji t). Uji F dilakukan untuk mengetahui apakah semua

variabel bebas berpengaruh secara signifikan terhadap variabel terikat.

Sedangkan uji t dilakukan untuk mengetahui apakah dalam model regresi,

variabel bebas secara parsial berpengaruh signifikan terhadap variabel

terikat (Sulistyono & Sulistiyowati, 2017).

Tabel 1.6 UJI ANOVA

Mode Sum of Mean

  df F p
l Squares Square
1
H₁ Regression 244.865 22.260 6.157 < .001
1
3
  Residual 108.468 3.616  
0
4
  Total 353.333  
1

Berdasarkan tabel 1.6, terlihat bahwa nilai signifikansi < 0.001

dimana 0.001 < 0.05, sehingga dapat disimpulkan bahwa variabel bebas
yakni Birthweight (X1), Headcrirc (X2), Gestation (X3), Mage (X4),
mnocig (X5), mheigt (X6), mpptw (X7), fage (X8), fedyrs (X9), fnocig
(X10) dan fheight (X11) berpengaruh secara simultan (bersama) terhadap
Length (Y)
b. Uji t Persial

𝐻0: Variabel independen secara parsial tidak berpengaruh secara

signifikan terhadap variabel dependen.

𝐻𝑎: Variabel independen secara parsial berpengaruh signifikan terhadap

variabel dependen.
 Kriteria pengambilan keputusan berdasarkan nilai probabilitas: Jika
probabilitas (sig) > α, maka Ho di terima dan Ha ditolak. Sedangkan jika
probabilitas (sig) < α, maka Ho di tolak dan Ha diterima. Hasil uji t dapat
dilihat pada tabel 1.7 sebagai berikut:

Tabel 1.7 Uji Persial

Collinearity
Statistics
Mode Unstandardize Standard Standardize
  t p
l d Error d
(Intercept) 51.333 0.453 113.324 < .001
(Intercept) 0.194 12.481 0.016 0.988
Birthweigh
  1.168 0.998 0.240 1.170 0.251
t
  Headcirc 0.151 0.188 0.124 0.804 0.428
  Gestation 0.509 0.182 0.458 2.790 0.009
  mage 0.060 0.106 0.116 0.565 0.576
  mnocig -0.020 0.029 -0.084 -0.692 0.494
  mheight 0.136 0.077 0.300 1.766 0.088
  mppwt -0.028 0.065 -0.069 -0.433 0.668
  fage -0.020 0.092 -0.047 -0.218 0.829
  fedyrs -0.010 0.175 -0.007 -0.058 0.954
  fnocig 0.016 0.022 0.092 0.697 0.491
  fheight 0.003 0.056 0.007 0.051 0.960

Berdasarkan tabel 1.7 diperoleh hasil sebagai berikut:

a. Variabel Birthweight (X1) memiliki nilai signifikansi 0.251 > 0.05,

sehingga 𝐻0 diterima yang berarti secara parsial variabel Birthweight
(X1) tidak berpengaruh signifikan terhadap length (Y).
b. Variabel Headcirc (X2) memiliki nilai signifikansi 0.428 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel Headcirc
(X2) tidak berpengaruh signifikan terhadap length (Y).
c. Variabel Gestation (X3) memiliki nilai signifikansi 0.009 > 0.05,
sehingga 𝐻0 ditolak yang berarti secara parsial variabel Gestation
(X2) berpengaruh signifikan terhadap length (Y).
d. Variabel mage (X4) memiliki nilai signifikansi 0.576 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel mage (X4)
tidak berpengaruh signifikan terhadap length (Y).
e. Variabel mnocig (X5) memiliki nilai signifikansi 0.494 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel mnocig
 (X5) tidak berpengaruh signifikan terhadap length (Y).
f. Variabel mheight (X6) memiliki nilai signifikansi 0.088 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel mheight
(X6) tidak berpengaruh signifikan terhadap length (Y).
g. Variabel mpptw (X7) memiliki nilai signifikansi 0.668 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel mpptw
(X7) tidak berpengaruh signifikan terhadap length (Y).
h. Variabel fage (X8) memiliki nilai signifikansi 0.829 > 0.05, sehingga
𝐻0 diterima yang berarti secara parsial variabel fage (X8) tidak
berpengaruh signifikan terhadap length (Y).
i. Variabel fedyrs (X9) memiliki nilai signifikansi 0.954 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel fedyrs (X9)
tidak berpengaruh signifikan terhadap length (Y).
j. Variabel fnocig (X10) memiliki nilai signifikansi 0.491 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel fnocig
(X10) tidak berpengaruh signifikan terhadap length (Y).
k. Variabel fheight (X11) memiliki nilai signifikansi 0.960 > 0.05,
sehingga 𝐻0 diterima yang berarti secara parsial variabel fheight
(X11) tidak berpengaruh signifikan terhadap length (Y).

C. Koefisien Determinasi (𝑅2)

Koefisien Determinasi (𝑅2) digunakan untuk mengukur

ketepatan yang baik dari analisis regresi berganda, 𝑅 2 mendekati 1
(satu) maka akan dapat dikatakan semakin kuat kemampuan
variabel bebas pada model regresi tersebut dalam menerangkan
variasi variabel berikutnya. Sebaliknya, jika 𝑅2 mendekati 0 (nol)
maka semakin lemah variasi variabel bebas menerangkan variabel
terikat. Adapun hasil pengujian data yaitu sebagai berikut:

Tabel 1.8 Koefisien Determinasi

 R R² Adjusted R² RMSE

0.83
0.693 0.580 1.901
2

Berdasarkan tabel 1.8 dapat diketahui bahwa nilai R Square

adalah 0.693. Hal ini menunjukkan bahwa sebesar 69,3% Length
dipengaruhi oleh variasi sebelas variabel independen yaitu
Birthweight (X1), Headcrirc (X2), Gestation (X3), Mage (X4),
mnocig (X5), mheigt (X6), mpptw (X7), fage (X8), fedyrs (X9),
fnocig (X10) dan fheight (X11), sedangkan sisanya sebesar 30,7%
dipengaruhi oleh variabel- variabel lainnya yang tidak diteliti
dalam kasus ini.