Nama : Putu Aprilia Wulandari

No : 32
NIM : 2007531264
Kelas : AAK B3
Syarat- syarat Analisis Linear Berganda dan Sederhana

Pengertian Analisis Linear Berganda

Regresi linier sederhana adalah salah satu metode analisi statistik yang
membahas hubungan dari dua variabel yaitu satu variabel X dan satu variabel Y.
Sebagai contoh, kita dapat melihat hubungan antara biaya periklanan (X) dan
hasil penjualan (Y). Menurut perkiraan hubungan tersebut sangat mungkin, bisa
jadi periklanan bukanlah satu-satunya penentu tinggi rendahnya hasil penjualan.
Selain biaya periklanan bisa saja terdapat variabel lain yang dapat memengaruhi
hasil penjualan.

Sehingga bisa kita katakan bahwa ada banyak variabel (X) yang akan
memengaruhi variabel penjualan (Y). Maka dalam hal ini persamaan regresi linier
berganda dapat digunakan untuk melihat hubungan dari satu variabel Y dan
beberapa variabel X.

Seperti halnya uji parametris lainnya, maka regresi linear juga mempunyai syarat atau
asumsi klasik yang harus terpenuhi. Agar model prediksi yang dihasilkan nantinya bersifat
BLUE (Best Linear Unbiased Estimation).

Asumsi klasik pada regresi linear berganda antara lain: Data interval atau rasio, linearitas,
normalitas pada residual, non outlier atau tanpa adanya data pencilan (data extreme),
homoskedastisitas (Non Heteroskedastisitas), non multikolinearitas dan non
autokorelasi.

• Data Interval atau rasio. Skala data semua variable terutama variable terikat
adalah interval atau rasio. Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa
data yang digunakan adalah data interval atau rasio (numeric atau kuantitatif) Agar
anda paham tentang berbagai skala data, kami sudah membahasnya dalam artikel
berjudul jenis data dan pemilihan analisis statistik.

• Linearitas Ada hubungan linear antara variable bebas dengan variable terikat.
Asumsi linearitas diuji dengan uji linearitas regresi, misalnya dengan kurva
estimasi.Dengan kurva estimasi kita bisa tentukan ada hubungan linear atau tidak
 dengan melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat hubungan
yang linear antara predictor dan response.

• Normalitas ResidualResidual adalah beda antara y dengan y prediksi. Y adalah

variable terikat, sedangkan y prediksi adalah Y hasil persamaan regresi yang
dibuat. Sehingga residual dibangun dengan rumus: y – y prediksi.Asumsi
normalitas pada regresi linear berganda adalah pada residualnya, bukan pada data
per variabelnya Uji Asumsi normalitas regresi linear dapat diuji dengan berbagai
metode uji normalitas, seperti uji Shapiro wilk, lilliefors atau Kolmogorov smirnov,
Anderson darling, Ryan joiner, Shapiro francia, Jarque bera, Skewness kurtosis test
dan berbagai jenis uji normalitas lainnya.

• Non Outlier Outlier disebut dengan data pencilan atau data yang nilainya extreme
atau lain dari pada yang lainnya. Batasan outlier atau tidak bisa dilihat dari nilai
absolut studentized residual. Jika absolut studentized residual > 3 maka sampel
atau observasi yang dimaksud menjadi outlier.

• Homoskedastisitas Homoskedastisitas adalah sebuah kondisi dimana varians

dari error bersifat konstan atau tetap. Dengan kata lain bahwa varians dari error
bersifat identic untuk setiap pengamatan.Kebalikan dari homoskedastisitas
adalah heteroskedastisitas. Model regresi linear yang baik adalah model yang
bebas dari kondisi heteroskedastisitasUntuk menguji homoskedastisitas pada
regresi linear, dapat digunakan uji homoskedastisitas dari glejser, uji park, uji white,
spearman heteroskedastisitas, dan masih banyak uji lainnya.

• Non Multikolinearitas Multikolinearitas adalah keadaan dimana terdapat

interkorelasi atau korelasi kuat antar variable bebas di dalam model. Dinyatakan
ada interkorelasi jika korelasi antar variable bebas di dalam model regresi linear
berganda > 0,8. Beberapa pakar menggunakan batasan lebih dari 0,9.Cara lain
yang lebih objektif adalah dengan menggunakan nilai variance inflating factor (VIF)
dan tolerance. Dikatakan ada multikolinearitas jika nilai VIF > 10 dan/atau nilai
tolerance < 0,01.
 Analisis Regresi Sederhana

Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis regresi sederhana dapat
digunakan untuk mengetahui arah dari hubungan antara variabel bebas dengan
variabel terikat, apakah memiliki hubungan positif atau negatif serta untuk
memprediksi nilai dari variabel terikat apabila nilai variabel bebas mengalami
kenaikan ataupun penurunan. Pada regresi sederhana biasanya data yang digunakan
memiliki skala interval atau rasio.

Analisis regresi sederhana bertujuan untuk mengetahui pengaruh dari suatu variabel
terhadap variabel lainnya. Pada analisis regresi suatu variabel yang mempengaruhi
disebut variabel bebas atau independent variable, sedangkan variabel yang
dipengaruhi disebut variabel terkait atau dependent variable. Jika persamaan regresi
hanya terdapat satu variabel bebas dengan satu variabel terkait, maka disebut dengan
persamaan regresi sederhana. Jika variabel bebasnya lebih dari satu, maka disebut
dengan persamaan regresi berganda. Pada regresi sederhana kita dapat mengetahui
berapa besar perubahan dari variabel bebas dapat mempengaruhi suatu variabel
terkait

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa di antaranya adalah :

• Variabel bebas tidak berkorelasi dengan istilah gangguan (Error). Nilai gangguan
termebesar 0 atau dengan simbol sebagai berikut: E (U/X) = 0,

• Jika variabel bebas lebih dari satu, maka antara variabel bebas (penjelas) tidak ada
hubungan linier yang nyata,

• Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0,05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of EstimnyatStandard Deviation,

• Koefisien regresi harus signifikan. Dilakukan dengan Uji T. Koefesien regresi

signifikan jika T hitung > T tabel (nilai kritis), Model regresi dapat diterangkan
 dengan menggunakan nilai koefisien determinasi (KD = R Square x 100% ) semakin
besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model
regresi semakin baik,

• Residual harus berdistribusi normal,

• Data interval atau rasio,

• Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(variabel prediktor) sedang variabel lainnya variabel (respon variabel) Berikut ini
contoh perhitungan regresi linier sederhana menggunakan software SPSS 20.