Analisis Regresi Linier Berganda

1. Seorang mahasiswa geografi melakukan penelitian pengaruh ketinggian dan

tutupan vegetasi terhadap suhu di wilayah dataran tinggi dan dataran rendah.
Buatlah pembahasan dan kesimpulan dari hasil analisis yang didapat.

 Analisis regresi linier berganda adalah hubungan secara linear antara dua atau
lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y).
 Persamaan regresi linear berganda sebagai berikut:

Y’ = a + b1X1+ b2X2+…..+ bnXn

Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)

Dari soal diketahui:

Variable Dependent (Y) : Suhu
Variable Independent (X1,X2) : Ketinggian dan Tutupan Vegetasi
Langkah 1:
Masukkan data ke SPSS dan diapat hasil :

a
Coefficients

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 40.434 1.375 29.415 .000

1 ketinggian -.532 .125 -.647 -4.248 .000

tutupanvegetasi -.168 .079 -.322 -2.113 .045

a. Dependent Variable: suhu

Diperoleh persamaan :
Y = a + b1 X1 + b2 X2
Y = 40,434 - 0,532 X1 - 0,168 X2
Dengan y = suhu
X1 = ketinggian (100 m dpl)
X2 = tutupan vegetasi
Langkah 2:
Berdasarkan data berikut:

b
Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate
a
1 .947 .897 .888 3.442

a. Predictors: (Constant), tutupanvegetasi, ketinggian

b. Dependent Variable: suhu

Dilakukan analisis korelasi (R) untuk menunjukkan seberapa besar

hubungan yang terjadi antara variabel independen (X1, X2,) secara serentak
terhadap variabel dependen (Y).

Dari model summary didapat nilai R adalah 0,947. Hal ini berarti 94,7 % dari suhu
dipengaruhi oleh ketinggian (100 m dpl) dan tutupan vegetasi.

Langkah 3:
Dilakukan analisis determinasi (R2) untuk menunjukkan seberapa besar
prosentase variasi variabel independen yang digunakan dalam model mampu
menjelaskan variasi variabel dependen.

Diperoleh:

R2 = 0,897: artinya terdapat 89,7% pengaruh variabel independen (ketinggian

100 m dpl, tutupan vegetasi) terhadap variabel dependen (suhu) atau variasi
variabel independen yang digunakan dalam model (ketinggian 100 m dpl,
tutupan vegetasi) mampu menjelaskan sebesar 89,7% variasi variabel
dependen (suhu). Sedangkan sisanya dipengaruhi atau dijelaskan oleh variabel
lain yang tidak dimasukkan dalam model penelitian ini.

Langkah 4:
Dilakukan analisa Standard Error of the Estimate yang merupakan suatu
ukuran banyaknya kesalahan model regresi dalam memprediksikan nilai Y.

Diperoleh:
SSE = 3,442: artinya banyaknya kesalahan dalam prediksi suhu 3,44%.
Sebagai pedoman jika standard error of the estimate kurang dari standar
deviasi Y, maka model regresi semakin baik dalam memprediksi nilai Y.