ANALISIS REGRESI LINIER GANDA (DUA PREDIKTOR)

Contoh judul penelitian:

PENGARUH UMUR DAN TINGGI BADAN TERHADAP BERAT BADAN

DI RUMAH SAKIT CIPTO MANGUNKUSUMO JAKARTA

Data dianggap memenuhi asumsi dan persyaratan analisis; data dipilih secara
random; berdistribusi normal; berpola linier; data sudah homogen dan mempunyai
pasangan yang sama sesuai dengan subyek yang sama. Data sebagai berikut:

Usia 8 10 7 12 9 10 7 8 11 8 10 8 11 9 13
X1
Tinggi 125 137 100 122 129 128 98 103 130 95 115 105 122 90 130
X2
Berat 37 41 34 39 40 42 38 42 40 36 41 38 44 50 55
Badan
Y

Pertanyaan:
1. Tentukan persamaan regresi ganda?
2. Buktikan apakah ada pengaruh yang signifikan antara umur, tinggi, dan berat
badan!

Jawab:

Langkah-langkah menjawab Regresi Ganda:

Langkah 1. Membuat Ha dan H0 dalam bentuk kalimat:

Ha: Terdapat pengaruh yang signifikan antara umur dan tinggi terhadap berat badan di
Rumah Sakit Cipto Mangunkusumo Jakarta.
H0: Tidak Terdapat pengaruh yang signifikan antara umur dan tinggi terhadap berat
badan di Rumah Sakit Cipto Mangunkusumo Jakarta.
Keterangan :
Ho = Usia serta tinggi tidak berpengaruh terhadap berat badan.
Ha = Usia serta tinggi berpengaruh terhadap berat badan.

Langkah 2. Membuat Ha dan H0 dalam bentuk statistik:

Ha: R ≠ 0 ≥ ≤ 0
H0: R = 0
Langkah 3. Membuat tabel penolong untuk menghitung angka statistik:
NO Usia X1 Tinggi X2 Berat Badan Y (X1)2 (X2)2 Y2 X1Y X2Y X1X2
1 13 171 43 169
2 15 164 49 225
3 16 162 60 256
4 14 161 54 196
5 16 171 61 256
6 12 169 58 144
7 14 169 51 196
8 17 169 58 289
9 18 169 63 324
10 12 166 55 144
11 11 167 49 121
12 14 161 60 196
13 15 165 58 255
14 11 167 63 121
15 11 164 59 121
∑ 209 2495 841 3013
2
1. ∑x 21 = ∑X 21 –
( ∑ X 1 ) = 1371 – ( 141 )2 = 45,6
n 15

2 ( ∑ X 2 )2
2 ( 1729 )2
2. ∑x = ∑X –
2 2 = 202575 – = 3278,93
n 15

2 2 ( ∑ Y )2 ( 617 )2
3. ∑ y = ∑Y – = 25781 – = 401,73
n 15

( ∑ X 1 ) .(∑ Y ) ( 141 ) .(617)

4. ∑ x 1y = ∑X1Y – = 5885 – = 85,2
n 15

( ∑ X 2 ) .(∑ Y ) ( 1729 ) .( 617)

5. ∑ x 2y = ∑X2Y – = 71329 – = 209,47
n 15

( ∑ X 1 ) .(∑ X 2) ( 141 ) .(1729)

6. ∑ x 1 x 2 = ∑ X 1 X 2 – = 16507 – = 254,4
n 15
Kemudian masukkan hasil dari jumlah kuadrat ke persamaan b 1, b2, dan a:

(∑ x 22 ) . ( ∑ x 1 y )−( ∑ x1 x 2) .(∑ x2 y ) ( 3278,93 ) . ( 85,2 )−( 254,4 ) .(209,47)

b1 = = = 2,67
(∑ x 21 ) . (∑ x 22 ) – ¿ ¿ ( 45,6 ) . ( 3278,93 )−¿ ¿

(∑ x 21 ) . ( ∑ x 2 y )−( ∑ x 1 x 2) .(∑ x1 y ) ( 45,6 ) . ( 209,47 )−( 254,4 ) .(85,2)

b2 = = = − 0,14
(∑ x 21 ) . (∑ x 22 ) – ¿ ¿ ( 45,6 ) . ( 3278,93 )−¿¿

a= n
∑Y
− b 1. ( ∑nX ) − b . ( ∑nX ) = 617
1
2
15
2
( 141 )
− 2,67. 15 – (−0,14). 15 ( 1729 ) = 32,17
Jadi, persamaan regresi ganda:

Ŷ = a + b 1X1 + b 2X2

Ŷ = 32,17 + 2,67 X1 – 0,14 X2 .....................(Jawaban pertanyaan a)

Langkah 5. Mencari Korelasi Ganda dengan rumus:

b1 . ∑ x 1 y +b 2 . ∑ x 2 y ( 2,67 ) . ( 85,2 ) + (−0,14 ) .(209,47)

( RX . X . Y ) =
1 2

√ ∑y
2
=
√ 401,73
= √ 0,49 = 0,7

Lahkah 6. Mencari Koefisien Determinasi ( R2) atau nilai Kontribusi korelasi

Ganda dengan rumus:
2
KP = ( R X . X . Y ) .100% = (0,7)2.100% = 49%
1 2

Koefisien determinasi yang sering disimbulkan dengan R2 adalah sebuah besaran yang mengukur
ketepatan garis regresi. Nilai R2 ini menunjukkan prosentase besarnya variabilitas dalam data
yang dijelaskan oleh model regresi. Maksimum nilai R2 adalah 100% dan minimal 0%. Jika nilai
R2 = 100% misalnya untuk regresi linier sederhana semua titik data akan menempel ke garis
regresi, semakin kecil nilai R2 maka data makin menyebar jauh dari garis. Oleh karena itu jika R2
kecil maka keeratan hubungan X dan Y lemah dan jika R2 = 0 menunjukkan bahwa X tidak
memiliki hubungan dengan Y.
Lahkah 7. Menguji signifikansi dengan membandingkan F hitung dengan Ftabel
dengan rumus:

R 2 (n−m−1) ( 0,7 )2 .(15−2−1)

Fhitung = m.(1−R2)
= 2.(1−(0,7)2)
= 5,8
Kaidah pengujian signifikansi:
Jika Fhitung ≥ Ftabel, maka tolak H0 artinya signifikan dan
Jika Fhitung ¿ Ftabel, maka terima H0 artinya tidak signifikan
Dengan taraf signifikansi α = 0,05
Carilah nilai Ftabel, menggunakan tabel F dengan rumus:
Ftabel, = F {(1−α )( dk pembilang=m ),(dk penyebut=n−m−1) }
Ftabel, = F {(1−0,05 )( dk pembilang=2 ),(dk penyebut=15−2−1 )}
Ftabel, = F {(0,95 ) (2) ,(12)}
Ftabel, = 3,89
Lahkah 8. Membuat kesimpulan............................(jawaban pertanyaan b)

Ternyata Fhitung ¿ Ftabel, atau 5,8 lebih besar daripada 3,89, maka tolak H0 dan terima Ha
artinya terdapat pengaruh yang signifikan antara umur dan tinggi terhadap berat
badan di Rumah Sakit Cipto Mangunkusumo Jakarta.

Dengan berpedoman pada analisis regresi linier ganda secara manual yang
didukung dan dicocokkan dengan analisis dengan menggunakan SPSS-26.

ANALISIS REGRESI LINIER GANDA (DUA PREDIKTOR) DENGAN

MENGGUNAKAN SPSS 26
NO Usia Tinggi X2 Berat Badan Y
X1
1 13 171 43

2 15 164 49

3 16 162 60

4 14 161 54

5 16 171 61

6 12 169 58

7 14 169 51

8 17 169 58

9 18 169 63

10 12 166 55

11 11 167 49

12 14 161 60

13 15 165 58

14 11 167 63
 15 11 164 59

∑ 209 2495 841

REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2
/SCATTERPLOT=(*SRESID ,*ZPRED)
/RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID).
Variables Entered/Removeda
Model Variables Variables Method
Entered Removed
1 Tinggi (X2), . Enter
Usia ( X1 )b
a. Dependent Variable: Berat Badan (Y)
b. All requested variables entered.

Model Summaryb
Model R R Square Adjusted R Std. Error of Durbin-
Square the Estimate Watson
1 .701a .491 .406 4.129 1.184
a. Predictors: (Constant), Tinggi (X2), Usia ( X1 )
b. Dependent Variable: Berat Badan (Y)
ANOVAa
Model Sum of df Mean Square F Sig.
Squares
1 Regression 197.197 2 98.599 5.785 .017b
Residual 204.536 12 17.045
Total 401.733 14
a. Dependent Variable: Berat Badan (Y)
b. Predictors: (Constant), Tinggi (X2), Usia ( X1 )

Coefficientsa
Model Unstandardized Standardized t Sig. Collinearity
Coefficients Coefficients Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 32.552 8.387 3.881 .
002
Usia 2.666 .812 .898 3.284 . .567 1.763
( X1 ) 007
Tinggi -.143 .096 -.408 - . .567 1.763
(X2) 1.493 161
a. Dependent Variable: Berat Badan (Y)

Collinearity Diagnosticsa
Model Dimension Eigenvalue Condition Variance Proportions
Index
(Constant) Usia Tinggi
( X1 ) (X2)
1 1 2.977 1.000 .00 .00 .00
2 .017 13.300 .44 .61 .00
3 .006 22.102 .56 .39 1.00
a. Dependent Variable: Berat Badan (Y)
Residuals Statisticsa
Minimum Maximum Mean Std. N
Deviation
Predicted Value 36.01 48.62 41.13 3.753 15
Std. Predicted Value -1.365 1.996 .000 1.000 15
Standard Error of Predicted 1.179 2.499 1.806 .398 15
Value
Adjusted Predicted Value 35.63 49.77 40.87 3.752 15
Residual -8.102 6.375 .000 3.822 15
Std. Residual -1.963 1.544 .000 .926 15
Stud. Residual -2.262 1.940 .027 1.090 15
Deleted Residual -10.766 10.060 .266 5.327 15
Stud. Deleted Residual -2.860 2.242 .023 1.254 15
Mahal. Distance .209 4.194 1.867 1.219 15
Cook's Distance .001 .725 .150 .263 15
Centered Leverage Value .015 .300 .133 .087 15
a. Dependent Variable: Berat Badan (Y)

Descriptive Statistics
Mean Std. N
Deviation
Berat Badan 41.13 5.357 15
(Y)
Usia ( X1 ) 9.40 1.805 15
Tinggi (X2) 115.27 15.304 15
Correlations
Berat Badan Usia Tinggi
(Y) ( X1 ) (X2)
Pearson Berat Badan 1.000 .629 .183
Correlation (Y)
Usia ( X1 ) .629 1.000 .658
Tinggi (X2) .183 .658 1.000
Sig. (1-tailed) Berat Badan . .006 .258
(Y)
Usia ( X1 ) .006 . .004
Tinggi (X2) .258 .004 .
N Berat Badan 15 15 15
(Y)
Usia ( X1 ) 15 15 15
Tinggi (X2) 15 15 15
Interpretasi Hasil:
1. Nilai R2 (R Square) dari tabel Model Summary menunjukkan bahwa 49,1% dari
variance Berat dapat dijelaskan oleh perubahan dalam variabel Umur dan tinggi badan.
 2. Nilai uji statistik Durbin-Watson = 1,184 jadi dapat diasumsikan tidak terjadi
autocorrelation.

3. Tabel ANOVA mengindikasikan bahwa regresi berganda secara statistik sangat

signifikan dengan uji statistik F = 5,785 dengan derajat kebebasan k = 2 dan n - k - 1 = 15
– 2 - 1 = 12. P-value = 0,000 lebih kecil dari α = 0,05.

4. Uji F menguji hipotesis H0: β 1 = β 2 = 0 terhadap H1: β 1 dan β 2 tidak semuanya nol. Dari
P-value = 0,000 yang lebih kecil dari α = 0,05, terlihat bahwa H0 = β 1 = β 2 = 0 ditolak
secara signifikan. Ini berarti bahwa koefisien regresi β 1 dan β 2 tidak semuanya bernilai
nol.

5. Untuk menguji apakah masing-masing koefisien regresi signifikan, digunakan uji-t

dengan hasil sebagai berikut:

a. Variabel Umur: H0: β 1 = 0 terhadap H1: β 1 ≠ 0

Hasil uji-t: t = 3,284 dengan derajat kebebasan n – k – 1 = 15 – 2 – 1 = 12, dan
P-value = 0,007 yang lebih kecil dari α = 0,05. Hal ini merupakan bukti kuat penolakan H0: β 1 =
0.

b. Variabel Tinggi Badan: H0: β 2 = 0 terhadap H1: β 2 ≠ 0

Hasil uji-t: t = –1,493 dengan derajat kebebasan n – k – 1 = 15 – 2 – 1 = 12, dan
P-value = 0,161 yang lebih kecil dari α = 0,05. Hal ini merupakan bukti kuat penolakan H0: β 1 =
0.
Sehingga dapat disimpulkan bahwa koefisien regresi tidak ada yang bernilai nol.

6. Persaman regresi berganda yang diperoleh dengan menggunakan metode kuadrat terkecil
kriteria (least squares criterion) adalah:
Ŷ = 32,17 + 2,67 X1 – 0,14 X2 Dimana: Ŷ = Berat Badan, X1 = Umur, dan X2 = Tinggi
Badan.
 7. Dari tabel Coefficient juga terlihat bahwa nilai VIF = 1,763 sehingga masih dapat
dianggap tidak terjadi multicollinearity (atau tepatnya hanya low collinearity).

8. Dari Normal Probability Plot juga terlihat bahwa titik-titik data membentuk pola linier
sehingga konsisten dengan distribusi normal.

9. Scatterplot antara standardized residual ‫٭‬ZRESID dan standardized predicted value

‫٭‬ZPRED tidak membentuk suatu pola tertentu, sehingga bisa dianggap residual
mempunyai variance konstan (homoscedasticity).

Catatan:
 Collinearity Diagnostics digunakan untuk mengetahui apakah terdapat multicollinearity
atau korelasi diantara variabel independen X1, X2.

 Durbin-Watson digunakan untuk menguji apakah asumsi residuals atau error (ε i) dari
model regresi berganda y i = β 0 + β 1 x 1 i + β 2 x 2 i + β 3 x 3 i + ... + β k x ki + ε i bersifat
independen atau tidak terjadi autocorrelation. Nilai uji statistik Durbin-Watson berkisar
antara 0 dan 4. Sebagai pedoman umum, bila nilai uji statistik Durbin-Watson lebih kecil
dari satu atau lebih besar dari tiga, maka residuals atau error (ε i) dari model regresi
berganda y i = β 0 + β 1 x 1 i + β 2 x 2 i + β 3 x 3 i + ... + β k x ki + ε i tidak bersifat independen atau
terjadi autocorrelation.

 Plot dari standardized residual ‫٭‬ZRESID terhadap standardized predicted value

‫٭‬ZPRED digunakan untuk mengetahui linieritas (linearity) dari regresi dan kesamaan
variance (homoscedasticity).