14

LANJUTAN
BAB IV
HASIL DAN PEMBAHASAN

A. ANALISIS REGRESI LINIER BERGANDA

Uji regresi linier dengan dua atau lebih variabel independent digunakan
untuk menguji pengaruh dan meramalkan suatu variabel dependen (Y berdasarkan
dua atau lebih variabel independent (X1, X2, ........) dalam persamaan linier yaitu:
Y = a + b1 X1 + b2 X2+ e.

Langkah kerja
 Buka kembali dan Aktikan data pada File pada EXEL atau data di SPSS
(Data Skore Total Kualitas Produk (X1), Pelayanan (X2) dan Kepuasan
Konsumen (Y) yang berisi data:

Tabel 4.19 Skor Total Seluruh Variabel

No X1 X2 Y
1 45 44 43
2 40 41 40
3 41 41 42
4 45 45 44
5 38 43 41
6 42 44 43
7 39 40 37
8 42 38 38
9 42 41 42
10 35 35 35
11 39 40 40
12 40 42 43
13 42 41 44
14 38 41 39
15 35 42 41
16 41 43 43
17 39 41 40
18 44 43 40
19 39 39 39
20 40 45 40
21 42 44 40
22 40 43 42
 15

23 36 36 35
24 38 39 39
25 43 46 45
26 40 40 40
27 41 43 43
28 39 40 41
29 42 46 44
30 40 39 42
31 43 40 45
32 37 37 40
33 40 39 42
34 41 37 41
35 45 41 45
36 44 41 43
37 38 50 39
38 37 43 41
39 41 43 43
40 39 41 40
41 44 42 42
42 38 37 38
43 37 41 39
44 37 43 41
45 42 45 44
46 40 43 41
47 44 42 42
48 43 36 38
49 42 44 43
50 40 38 40
51 41 41 42
52 43 45 44
53 45 37 40
54 42 44 41
55 39 40 39
56 41 43 42
57 39 39 39
58 42 44 41
59 40 40 40
60 41 44 43
 16

 Secara bersamaan buka juga Program SPSS lalu Pilih menu ANALYZE,
pilih REGRESSION, kemudian pilih LINEAR.

 Maka akan muncul kotak dialog sebagai berikut:

 17

 Masukkan variabel Y pada kotak Independent, lalu variabel X1 dan X2

pada kotak Dependent.
 Klik statistik pilih model Estimates dan model Fit, R square change,
descriptives, Part and partial correlation, selanjutnya klik CONTINUE
lalu klik OK maka hasilnya OUTPUT sebagai berikut.

Correlations
Y X1 X2

Pearson Y 1,000 ,613 ,564

Correlation X1 ,613 1,000 ,283

X2 ,564 ,283 1,000

Sig. (1-tailed) Y . ,000 ,000
X1 ,000 . ,014
X2 ,000 ,014 .
N Y 60 60 60

X1 60 60 60

X2 60 60 60

Model Summary
Model Change Statistics
R
Squar
Adjusted Std. Error e F
R R of the Chang Chang Sig. F
R Square Square Estimate e e df1 df2 Change
a
1 ,736 ,541 ,525 1,535 ,541 33,654 2 57 ,000
d
i
m
e
n
s
i
o
n
0

a. Predictors: (Constant), X2, X1

Coefficientsa
Model Stand
ardize
d
Unstandardize Coeffic
d Coefficients ients t Sig. Correlations Collinearity Statistics
 18

Zero
-
Std. orde
B Error Beta r Partial Part Tolerance VIF

1 (Constant 9,419 3,862 2,439 ,018

)

X1 ,444 ,084 ,493 5,275 ,000 ,613 ,573 ,473 ,920 1,087

X2 ,329 ,073 ,424 4,533 ,000 ,564 ,515 ,407 ,920 1,087

a. Dependent Variable: Y

ANOVAb
Model Sum of Mean
Squares df Square F Sig.
a
1 Regression 158,567 2 79,283 33,654 ,000
Residual 134,283 57 2,356

Total 292,850 59

a. Predictors: (Constant), X2, X1

b. Dependent Variable: Y