NIM : 20916041
TUGAS 4
Correlations
X1 X2 X3 X4 X5 Y Z
X1 Pearson Correlation 1 .997** -.997** .132 -.271** .802** -.027
Sig. (2-tailed) .000 .000 .191 .006 .000 .790
N 100 100 100 100 100 100 100
X2 Pearson Correlation .997** 1 -.999** .123 -.272** .798** -.013
Sig. (2-tailed) .000 .000 .221 .006 .000 .900
N 100 100 100 100 100 100 100
X3 Pearson Correlation -.997** -.999** 1 -.125 .282** -.799** .015
Sig. (2-tailed) .000 .000 .216 .004 .000 .882
N 100 100 100 100 100 100 100
X4 Pearson Correlation .132 .123 -.125 1 .024 .694** -.019
Sig. (2-tailed) .191 .221 .216 .816 .000 .853
N 100 100 100 100 100 100 100
X5 Pearson Correlation -.271** -.272** .282** .024 1 -.185 .201*
Sig. (2-tailed) .006 .006 .004 .816 .065 .045
N 100 100 100 100 100 100 100
Correlations
X1 X2 X3 X4 X5 Y Z
Y Pearson Correlation .802** .798** -.799** .694** -.185 1 -.021
Sig. (2-tailed) .000 .000 .000 .000 .065 .833
N 100 100 100 100 100 100 100
Z Pearson Correlation -.027 -.013 .015 -.019 .201* -.021 1
Sig. (2-tailed) .790 .900 .882 .853 .045 .833
N 100 100 100 100 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Ketentuan
• Jika nilai signifikansi < 0,05 maka antar variabel berkorelasi
• Jika nilai signifikansi > 0,05 maka antar variabel tidak berkorelasi
Interpretasi Koefisien Korelasi
• Nilai Pearson Correlation 0,00 – 0,19 = korelasi sangat lemah
• Nilai Pearson Correlation 0,20 – 0,39 = korelasi lemah
• Nilai Pearson Correlation 0,40 – 0,59 = korelasi sedang
• Nilai Pearson Correlation 0,60 – 0,79 = korelasi kuat
• Nilai Pearson Correlation 0,80 – 1,00 = korelasi sangat kuat
Kesimpulan
Berdasarkan dari Uji Korelasi menggunakan SPSS didapatkan kesimpulan bahwa ada variabel yang
memiliki nilai signifikansi lebih dari 0,05 dan ada variabel yang memiliki nilai signifikansi kurang dari
0,05. Maka H1 diterima yaitu ada korelasi antar variabel dengan penjelasan sebagai berikut :
1. Nilai signifikansi antara X1 dan X2 adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X2 terdapat korelasi. Hubungan korelasi X1 dan X2 ditunjukkan oleh angka
0,997 artinya korelasi positif antara variabel X1 dan X2 sangat kuat.
2. Nilai signifikansi antara X1 dan X3 adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X3 terdapat korelasi. Hubungan korelasi X1 dan X3 ditunjukkan oleh angka -
0,997 artinya korelasi negatif antara variabel X1 dan X3 sangat kuat.
3. Nilai signifikansi antara X1 dan X4 adalah 0,191 yang berarti lebih dari 0,05. Artinya antara
variabel X1 dan X4 tidak terdapat korelasi.
4. Nilai signifikansi antara X1 dan X5 adalah 0,006 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X5 terdapat korelasi. Hubungan korelasi X1 dan X5 ditunjukkan oleh angka -
0,271 artinya korelasi negatif antara variabel X1 dan X5 lemah.
5. Nilai signifikansi antara X1 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan Y terdapat korelasi. Hubungan korelasi X1 dan Y ditunjukkan oleh angka 0,802
artinya korelasi positif antara variabel X1 dan Y sangat kuat.
6. Nilai signifikansi antara X1 dan Z adalah 0,79 yang berarti lebih dari 0,05. Artinya antara
variabel X1 dan Z tidak terdapat korelasi.
7. Nilai signifikansi antara X2 dan X3 adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X2 dan X3 terdapat korelasi. Hubungan korelasi X2 dan X3 ditunjukkan oleh angka -
0,999 artinya korelasi negatif antara variabel X2 dan X3 sangat kuat.
8. Nilai signifikansi antara X2 dan X4 adalah 0,221 yang berarti lebih dari 0,05. Artinya antara
variabel X2 dan X4 tidak terdapat korelasi.
9. Nilai signifikansi antara X2 dan X5 adalah 0,006 yang berarti kurang dari 0,05. Artinya antara
variabel X2 dan X5 terdapat korelasi. Hubungan korelasi X2 dan X5 ditunjukkan oleh angka -
0,272 artinya korelasi negatif antara variabel X2 dan X5 lemah.
10. Nilai signifikansi antara X2 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X2 dan Y terdapat korelasi. Hubungan korelasi X2 dan Y ditunjukkan oleh angka 0,798
artinya korelasi positif antara variabel X2 dan Y kuat.
11. Nilai signifikansi antara X2 dan Z adalah 0,90 yang berarti lebih dari 0,05. Artinya antara
variabel X2 dan Z tidak terdapat korelasi.
12. Nilai signifikansi antara X3 dan X4 adalah 0,216 yang berarti lebih dari 0,05. Artinya antara
variabel X3 dan X4 tidak terdapat korelasi.
13. Nilai signifikansi antara X3 dan X5 adalah 0,004 yang berarti kurang dari 0,05. Artinya antara
variabel X3 dan X5 terdapat korelasi. Hubungan korelasi X3 dan X5 ditunjukkan oleh angka
0,282 artinya korelasi positif antara variabel X3 dan X5 lemah.
14. Nilai signifikansi antara X3 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X3 dan Y terdapat korelasi. Hubungan korelasi X3 dan Y ditunjukkan oleh angka -0,799
artinya korelasi negatif antara variabel X3 dan Y kuat.
15. Nilai signifikansi antara X3 dan Z adalah 0,882 yang berarti lebih dari 0,05. Artinya antara
variabel X3 dan Z tidak terdapat korelasi.
16. Nilai signifikansi antara X4 dan X5 adalah 0,816 yang berarti lebih dari 0,05. Artinya antara
variabel X4 dan X5 tidak terdapat korelasi.
17. Nilai signifikansi antara X4 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X2 terdapat korelasi. Hubungan korelasi X1 dan X2 ditunjukkan oleh angka
0,694 artinya korelasi positif antara variabel X1 dan X2 kuat.
18. Nilai signifikansi antara X4 dan Z adalah 0,853 yang berarti lebih dari 0,05. Artinya antara
variabel X4 dan Z tidak terdapat korelasi.
19. Nilai signifikansi antara X5 dan Y adalah 0,065 yang berarti lebih dari 0,05. Artinya antara
variabel X5 dan Y tidak terdapat korelasi.
20. Nilai signifikansi antara X5 dan Z adalah 0,045 yang berarti kurang dari 0,05. Artinya antara
variabel X5 dan Z terdapat korelasi. Hubungan korelasi X5 dan Z ditunjukkan oleh angka 0,201
artinya korelasi positif antara variabel X5 dan Z lemah.
21. Nilai signifikansi antara Y dan Z adalah 0,883 yang berarti lebih dari 0,05. Artinya antara
variabel Y dan Z tidak terdapat korelasi.
b. Lakukan analisis regresi linear sederhana dengan X1 sebagai variabel independen dan
X2 sebagai variabel dependen.
1. Uji Normalitas
• Hipotesis
Ho : Data residual berdistribusi normal (sig.>0,05)
H1 : Data residual tidak berdistribusi normal (sig.<0,05)
• Perhitungan
Hasil Uji Normalitas dengan menggunakan SPSS
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation .68824358
Most Extreme Differences Absolute .228
Positif .228
Negatif -.225
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
Test Statistic .228
Asymp. Sig. (2-tailed) .000c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
Dari hasil uji normalitas data residual regresi diatas, dapat diketahui bahwa nilai signifikansi
data sebesar 0,000 yang berarti nilai signifikansi kurang dari 0,05. Artinya, H1 diterima atau
Ho ditolak yaitu data residual tidak berdistribusi normal.
2. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
• Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.
Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,058.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=1
(jumlah variabel Independent), di dapat dl = 1,654 dan du=1,6944. Oleh karena itu, maka
dU<d<4-dU, yang berarti nilai Durbin Watson berada didaerah tidak ada autokorelasi.
3. Uji Regresi Linear Sederhana
• Hipotesis
Ho : Variabel X1 tidak mempengaruhi variabel X2
H1 : Variabel X1 mempengaruhi variabel X2
• Perhitungan
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .997a .995 .995 .69175 2.058
a. Predictors: (Constant), X1
b. Dependent Variabel: X2
Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 99,5 % dari variasi X1 bisa dijelaskan oleh variabel X2.
Sementara sisanya (100% - 99,5% = 0,5 %) dijelaskan oleh sebab-sebab yang lain. R square
berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin
lemah hubungan kedua variabel. Jadi X1 dan X2 mempunyai hubungan yang kuat karena
nilainya mendekati 1.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 9164.816 1 9164.816 19152.712 .000b
Residual 46.894 98 .479
Total 9211.710 99
a. Dependent Variabel: X2
b. Predictors: (Constant), X1
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 19152,712 dengan tingkat
signifikansi 0,000. Oleh karena probabilitas (0,000) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X1.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.331 .722 1.845 .068
X1 1.994 .014 .997 138.393 .000
a. Dependent Variabel: X2
c. Lakukan analisis regresi linear sederhana dengan X1 sebagai variabel independen dan X2
sebagai variabel dependen
1. Uji Normalitas
• Hipotesis
Ho : Data residual berdistribusi normal (sig.>0,05)
H1 : Data residual tidak berdistribusi normal (sig.<0,05)
• Perhitungan
Hasil Uji Normalitas dengan menggunakan SPSS
Dari hasil uji normalitas data residual regresi diatas, dapat diketahui bahwa nilai signifikansi
data sebesar 0,000 yang berarti nilai signifikansi kurang dari 0,05. Artinya, H1 diterima atau
H0 ditolak yaitu data residual tidak berdistribusi normal.
2. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
• Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.
Hasil Uji Autokorelasi dengan menggunakan SPSS
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .997a .994 .994 .56699 2.386
a. Predictors: (Constant), X1
b. Dependent Variabel: X3
Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,386.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=1
(jumlah variabel Independent), di dapat dl = 1,654 dan du=1,6944. Oleh karena itu, maka
nilai Durbin Watson > 4 - dl, yang berarti terjadi autokorelasi negatif.
Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 99,7 % dari variasi X1 bisa dijelaskan oleh variabel X3.
Sementara sisanya (100% - 99,7% = 0,3 %) dijelaskan oleh sebab-sebab yang lain. R square
berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin
lemah hubungan kedua variabel. Jadi X1 dan X3 mempunyai hubungan yang kuat karena
nilainya mendekati 1.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 5097.256 1 5097.256 15855.871 .000b
Residual 31.504 98 .321
Total 5128.760 99
a. Dependent Variabel: X3
b. Predictors: (Constant), X1
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 15855,871 dengan tingkat
signifikansi 0,000. Oleh karena probabilitas (0,000) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X1.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.309 .591 3.904 .000
X1 -1.487 .012 -.997 -125.920 .000
a. Dependent Variabel: X3
d. Lakukan analisis regresi linear dengan X5 sebagai variabel independen dan Z sebagai
variabel dependen menggunakan model linear dan Model Kuadratik. Model manakah
yang lebih baik.
1. Uji Normalitas
• Hipotesis
Ho : Data residual berdistribusi normal (sig.>0,05)
H1 : Data residual tidak berdistribusi normal (sig.<0,05)
• Perhitungan
Hasil Uji Normalitas dengan menggunakan SPSS
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation 22.02358505
Most Extreme Differences Absolute .217
Positif .201
Negatif -.217
Test Statistic .217
Asymp. Sig. (2-tailed) .000c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
Dari hasil uji normalitas data residual regresi diatas, dapat diketahui bahwa nilai signifikansi
data sebesar 0,000 yang berarti nilai signifikansi kurang dari 0,05. Artinya, H1 diterima atau
H0 ditolak yaitu data residual tidak berdistribusi normal.
2. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
• Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.
Hasil Uji Autokorelasi dengan menggunakan SPSS
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .201a .040 .031 22.13567 2.157
a. Predictors: (Constant), X5
b. Dependent Variabel: Z
Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,157.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=1
(jumlah variabel Independent), di dapat dl = 1,654 dan du=1,6944. Oleh karena itu, maka dU
< nilai Durbin Watson < 4 – Du yang berarti Ho diterima atau tidak terjadi autokorelasi.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 2025.798 1 2025.798 4.134 .045b
Residual 48018.792 98 489.988
Total 50044.590 99
a. Dependent Variabel: Z
b. Predictors: (Constant), X5
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 26.345 2.224 11.844 .000
X5 .112 .055 .201 2.033 .045
a. Dependent Variabel: Z
Model Linear
Z = 𝛽0 + 𝛽1 𝑋5
Z = 26,345 + 0,112 . 𝑋5
Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 4 % dari variasi X5 bisa dijelaskan oleh variabel Z. Sementara
sisanya (100% - 4% = 96 %) dijelaskan oleh sebab-sebab yang lain. R square berkisar pada
angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin lemah
hubungan kedua variabel. Jadi X5 dan Z mempunyai hubungan yang sangat lemah karena
nilainya mendekati 1.
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 11,844 dengan tingkat
signifikansi 0,045. Oleh karena probabilitas (0,045) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X5.
b. Model Kuadratik
Model Summary
Adjusted R Std. Error of the
R R Square Square Estimate
.985 .970 .970 3.912
The independent variabel is X5.
ANOVA
Sum of Squares df Mean Square F Sig.
Regression 48560.456 2 24280.228 1586.906 .000
Residual 1484.134 97 15.300
Total 50044.590 99
The independent variabel is X5.
Coefficients
Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
X5 .011 .010 .021 1.159 .249
X5 ** 2 .010 .000 .981 55.149 .000
(Constant) 10.793 .484 22.310 .000
Model Kuadratik
Z = 𝛽0 + 𝛽1 𝑋5 + 𝛽2 𝑋5 2
Z = 10,793 + 0,011 𝑋5 + 0,01 𝑋5 2
Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 97 % dari variasi X5 bisa dijelaskan oleh variabel Z. Sementara
sisanya (100% - 97% = 3 %) dijelaskan oleh sebab-sebab yang lain. R square berkisar pada
angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin lemah
hubungan kedua variabel. Jadi X5 dan Z mempunyai hubungan yang kuat karena nilainya
mendekati 1.
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 1586,906 dengan tingkat
signifikansi 0,000. Oleh karena probabilitas (0,000) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X5.
e. Lakukan analisis regresi linear dengan X1; X2; X3; X4; X5 sebagai variabel independen
dan Y sebagai variabel dependen. Carilah model terbaiknya.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 4.959 .743 6.673 .000
X1 .229 .133 .112 1.726 .088 .005 207.534
X2 .326 .106 .318 3.065 .003 .002 533.905
X3 -.406 .131 -.295 -3.100 .003 .002 451.027
X4 1.008 .008 .604 132.304 .000 .967 1.035
X5 6.113E-5 .001 .000 .052 .958 .877 1.140
a. Dependent Variabel: Y
Dari hasil uji multikolinearitas menggunakan SPSS dapat disimpulkan bahwa Ho ditolak atau
H1 diterima yang berarti ada multikolinearitas. Multikolinearitas terjadi antara Y dengan
X1,X2,X3 karena nilai tolerance kurang dari 0,1 dan VIF lebih dari 10. Sedangkan antara Y
dengan X4 dan X5 tidak terjadi multikolinearitas karena nilai tolerance lebih dari 0,1 dan VIF
kurang dari 10.
3. Uji Heteroskedastisitas
Correlations
X1 X2 X3 X4 X5 ABS_RES
Spearman's rho X1 Correlation Coefficient 1.000 .996** -.996** .076 -.328** -.121
Sig. (2-tailed) . .000 .000 .453 .001 .230
N 100 100 100 100 100 100
X2 Correlation Coefficient .996** 1.000 -.998** .069 -.331** -.124
Sig. (2-tailed) .000 . .000 .493 .001 .217
N 100 100 100 100 100 100
Correlations
X1 X2 X3 X4 X5 ABS_RES
X3 Correlation Coefficient -.996** -.998** 1.000 -.079 .338** .119
Sig. (2-tailed) .000 .000 . .434 .001 .238
N 100 100 100 100 100 100
X4 Correlation Coefficient .076 .069 -.079 1.000 .016 -.058
Sig. (2-tailed) .453 .493 .434 . .876 .565
N 100 100 100 100 100 100
X5 Correlation Coefficient -.328** -.331** .338** .016 1.000 -.114
Sig. (2-tailed) .001 .001 .001 .876 . .257
N 100 100 100 100 100 100
ABS_RES Correlation Coefficient -.121 -.124 .119 -.058 -.114 1.000
Sig. (2-tailed) .230 .217 .238 .565 .257 .
N 100 100 100 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).
4. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
• Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.
Hasil Uji Autokorelasi dengan menggunakan SPSS
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .999a .998 .998 .44170 2.345
a. Predictors: (Constant), X5, X4, X2, X1, X3
b. Dependent Variabel: Y
Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,345.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=5
(jumlah variabel Independent), di dapat dl = 1,571 dan du=1,7804. Oleh karena itu, maka 4 –
dU < Durbin Watson < 4 – dl, yang berarti tidak ada keputusan yang pasti.
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .999a .998 .998 .44170
a. Predictors: (Constant), X5, X4, X2, X1, X3
b. Dependent Variabel: Y
Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 99,8 % dari variasi Y bisa dijelaskan oleh variabel
X1,X2,X3,X4,X5. Sementara sisanya (100% - 99,8% = 0,2 %) dijelaskan oleh sebab-sebab
yang lain. R square berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R
square maka semakin lemah hubungan kedua variabel.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 9678.901 5 1935.780 9922.059 .000b
Residual 18.339 94 .195
Total 9697.240 99
a. Dependent Variabel: Y
b. Predictors: (Constant), X5, X4, X2, X1, X3
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.959 .743 6.673 .000
X1 .229 .133 .112 1.726 .088
X2 .326 .106 .318 3.065 .003
X3 -.406 .131 -.295 -3.100 .003
X4 1.008 .008 .604 132.304 .000
X5 6.113E-5 .001 .000 .052 .958
a. Dependent Variabel: Y