Apabila yang kita hadapi adala kondisi (pola) pertama, maka analisisnya
akan sederhana. Sebaliknya jika yang kita hadapi adalah pola yang kedua, maka
kita harus melihat besarnya kontribusi bersama maupun yang benar-benar
terpisah. Lain halnya jika tujuan kita tidak akan melihat kontribusi variabel
bebas terhadap variabel terika, tetapi hanya sekedar untuk melakukan prediksi
atas nilai variabel terikat dengan dasar variabel bebas. Tujuan yang terakhir ini
kurang mempunyai sumbangan dalam pengambilan kebijakan. Sebaiknya kita
dapat menggunakan analisis statistik (khususnya regresi ganda) semaksimal
mungkin. Semakin banyak variabel bebas yang dilibatkan dalam perhitungan
(tentunya sesuai dengan teori yang mendasari penelitian) semakin baik
keputusan yang dapat diambil.
Regresi linier berganda hampir sama dengan regresi linier sederhana, hanya
saja pada regresi linier berganda variabel bebasnya lebih dari satu variabel
penduga. Tujuan analisis regresi linier berganda adalah untuk mengukur
intensitas hubungan antara dua variabel atau lebih dan membuat prediksi perkiraan
nilai Y atas X
Garis regresi yang baik mempunyai cirri-ciri :
a(Y) = 0
a(Y) 2 = nilai minimum
dimana
Y = nilai actual variable Y
a = nilai taksirn vaiabel Y
dasar yang berbeda atau diantaranya sebagai fungsi dari variabel dasar yang
lain. Jika kejadian pertama yang terjadi, kita peroleh model regresi linear
berganda, karena semua variabelnya linear dan tidak ada yang merupakan
fungsi dari variabel lainnya. (Tiro, 2006)
1. Asumsi Eksistensi
Untuk setiap kombinasi khusus nilai-nilai tetap dari variabel bebas
3. Asumsi kelinearan
Atau
4. Asumsi Kehomogenan
yakni
5. Asumsi Kenormalan
berikut:
1. Ukuran Sampel
Masalah berkenaan ukuran sampel di sini adalah generabilitas.
Dengan sampel kecil anda tidak bisa melakukan generalisasi (tidak bisa
diulang) dengan sampel lainnya. Berbeda penulis berbeda berapa sampel
yang seharusnya dalam uji Regresi Berganda. Stevens (1996, p.72)
merekomendasikan bahwa “untuk penelitian ilmu sosial, sekitar 15 sampel
per prediktor (variabel bebas) dibutuhkan untuk mengisi persamaan uji
regresi.” Tabachnick and Fidell (1996, p.132) memberi rumus guna
menghitung sampel yang dibutuhkan uji Regresi, berkaitan dengan jumlah
variabel bebas yang digunakan:
n > 50 + 8m
Dimana :
n = Jumlah Sampel
m = Jumlah Variabel Bebas
2. Outlier
Regresi Berganda sangat sensitif terhadap Outlier (skor terlalu tinggi
atau terlalu rendah). Pengecekan terhadap skor-skor ekstrim seharusnya
dilakukan sebelum melakukan Regresi Berganda. Pengecekan ini dilakukan
baik terhadap variabel bebas maupun terikat. Outlier bisa dihapus dari data
atau diberikan skor untuk variabel tersebut yang tinggi, tetapi tidak terlampau
beda dengan kelompok skor lainnya. Prosedur tambahan guna mendeteksi
outlier juga terdapat pada program SPSS file mah_1. Outlier pada variabel
terikat dapat diidentifikasi dari Standardised Residual plot yang dapat
disetting. Tabachnick and Fidell (1996, p. 139) menentukan outlier adalah
nilai-nilai Standardised Residual di atas 3,3 (atau < - 3,3).
3. Normalitas Residu
Normalitas adalah residu yang seharusnya terdistribusi normal seputar
skor-skor variabel terikat. Residu adalah sisa atau perbedaan hasil antara
nilai data pengamatan variabel terikat terhadap nilai variabel terikat hasil
prediksi. Untuk melihat apakah residu normal atau tidak, dapat dilakukan
dengan cara berikut:
Melihat grafik Normal P-P Plot, dan
Uji Kolmogorov-Smirnov
Pada grafik Normal P-P Plot, residu yang normal adalah data
memencar mengikuti fungsi distribusi normal yaitu menyebar seiring garis
z diagonal. Residu normal dari uji Kolmogorov-Smirnov adalah
diperolehnya nilai p > 0,05.
4. Multikolinieritas
5. Autokorelasi
Autokorelasi juga disebut Independent Errors. Regresi Berganda
mengasumsikan residu observasi seharusnya tidak berkorelasi (atau bebas).
Asumsi ini bisa diuji dengan teknik statistik Durbin-Watson, yang
menyelidiki korelasi berlanjut antar error (kesalahan). Durbin-Watson
menguji apakah residual yang berdekatan saling berkorelasi. Statistik
pengujian bervariasi antara 0 hingga 4 dengan nilai 2 mengindikasikan
residu tidak berkorelasi. Nilai > 2 mengindikasikan korelasi negatif antar
residu, di mana nilai < 2 mengindikasikan korelasi positif. >
6. Homoskedastisitas
Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas bukan
Heteroskedastisitas. Homoskedastisitas adalah kondisi dalam mana varians
dari data adalah sama pada seluruh pengamatan. Terdapat sejumlah uji guna
mendeteksi gejala heteroskedastisitas misalnya uji Goldfeld-Quandt dan Park.
Namun, Wang and Jain beranggapan bahwa Uji Park dapat lebih teliti dalam
memantau gejala heteroskedastisitas ini. Dengan demikian, penelitian ini
akan menggunakan Uji Park guna menentukan gejala heteroskedastisitas
variabel-variabelnya.
Uji Park dilakukan dengan meregresikan nilai residual (Lne2) dengan masing-
masing variabel independent. “The Park test suggests that if heteroscedasticity
is present, the heteroscedastic varianc eσ_i^2 may be systematically related
to one or more of the explanatory variables.” Rumus uji Park sebagai berikut:
Dengan mempertemukan nilai 46 dan 0,025 dan uji 2 sisi pada taraf 95%
(0,025) pada Tabel t diperoleh nilai t tabel penelitian sebesar ......
Tabel Descriptives
Pada tabel Descriptive dapat dilihat nilai Standar Deviasi. Nilai ini
terdapat pada kolom Std. Deviation. Nilai ini nanti akan diperbandingkan
dengan nilai Std. Error of the Estimate.
Tabel Model Summary
Tabel ini memberi informasi seberapa baik model analisis kita secara
keseluruhan, yaitu bagaimana 4 variabel bebas mampu memprediksikan 1
variabel terikat, dengan rincian sebagai berikut ini:
Kolom Model. Menunjukkan berapa buah model analisis yang kita bentuk.
Tabel Coefficients
Pada tabel Coefficient, mohon perhatikan lalu jelaskan nilai- nilai yang
tertera pada kolom-kolom berikut ini:
Model. Kolom ini menjelaskan berapa banyak model analisis yang dibuat
peneliti. Pada kolom ini juga terdapat nama-nama variabel bebas yang
digunakan dalam penelitian. Variabel-variabel tersebut diberi label “Constant”
yaitu nilai konstanta yang digunakan dalam persamaan uji Regresi Berganda
(a).
Unstandardized Coefficient. Kolom ini terdiri atas b dan Std. Error.
Kolom b menunjukkan Koefisien b, yaitu nilai yang menjelaskan bahwa Y
(variabel terikat) akan berubah jika X (variabel bebas) diubah 1 unit.
Standardized Coefficients. Pada kolom ini terdapat Beta. Penjelasan
sebelumnya mengenai nilai b punya masalah karena variabel- variabel kerap
diukur menggunakan skala-skala pengukuran yang berbeda. Akibatnya, kita
tidak bisa menggunakan nilai b guna melihat variabel-variabel bebas mana
yang punya pengaruh lebih kuat atas variabel terikat. Misalnya, jika variabel
yang diteliti adalah jenis kelamin yang punya skala minimal 1 dan maksimal
2 dan pengaruhnya terhadap sikap yang skalanya minimal 1 dan maksimal
6, nilai b diragukan efektivitas prediksinya. Ini akibat nilai yang diperolehnya
rendah atas pengaruh perbedaan skala pengukuran. Untuk memastikan
pengaruh inilah maka nilai Beta dijadikan patokan. Nilai Beta punya kisaran
0 hingga 1, di mana semakin mendekati 1 maka semakin berdampak besar
signifikansinya.
Sig. Kolom ini menjelaskan tentang signifikansi hubungan antar
variabel bebas dengan variabel terikat. Nilai Sig. ini sebaiknya adalah di
bawah 0,05 (signifikansi penelitian).
Tolerance. Kolom ini menjelaskan banyaknya varians pada suatu
variabel yang tidak bisa dijelaskan oleh variabel prediktor lainnya. Kisarannya
0 hingga 1, di mana semakin mendekati 1 maka semakin mengindikasikan
prediktor-prediktor lain tidak bisa menjelaskan varians di variabel termaksud.
Nilai yang semakin mendekati 0 artinya hampir semua varians di dalam
variabel bisa dijelaskan oleh variabel prediktor lain. Nilai Torelance
sebaiknya ada di antara 0,10 hingga 1.
Tabel ANOVA
Sig. Tabel ANOVA menunjukkan besarnya angka probabilitas atau
signifikansi pada perhitungan ANOVA. Nilai yang tertera digunakan
untuk uji kelayanan Model Analisis [dimana sejumlah variabel x
mempengaruhi variabel y] dengan ketentuan angka probabilitas yang baik
untuk digunakan sebagai model regresi harus
< 0,05. Nilai ini bisa dilihat pada kolom Sig. Jika Sig. < 0,05, maka Model
Analisis dianggap layak. Jika Sig. > 0,05, maka Model Analisis dianggap
tidak layak.
DATA
Variables Entered/Removed
Model Summaryb
Std. Error
Mode R Adjusted R
of the
l R Square Square
Estimate
b. Dependent Variable: y
Model Summaryb
Change Statistics
b. Dependent Variable: y
ANOVAb
Sum of Mean
Model df F Sig.
Squares Square
Total 264.917 11
b. Dependent Variable: y
Coefficientsa
Standardiz
ed
Unstandardized Coefficient
Coefficients s
Model
B Std. Error Beta t Sig.
a. Dependent Variable: y
Residuals Statisticsa
Minimu Maximu Std.
Mean N
m m Deviation
a. Dependent Variable: y
Taksiran parameter diperoleh dari hasil pengolahan SPSS yaitu; b0 :
1.939
b1 : 0,423
b2 : 0,886