3.

Analisis Regresi Berganda

3.1 Pendahuluan
Analisis Regresi merupakan metode statistik yang sangat sering digunakan
dalam penelitian. Menurut Montgomery dan Peck (1991) analisis regresi merupakan
salah satu teknik statistika yang sering digunakan untuk mengetahui hubungan
antara variabel bebas dengan variabel terikat. Apabila hanya melibatkan satu
variabel bebas maka disebut regresi linier sederhana sedangkan jika melibatkan
dua atau lebih variabel bebas disebut regresi linier berganda. Selain itu analisis
regresi dapat juga digunakan untuk beberapa tujuan antara lain untuk
mendeskripsikan data dan peramalan. . Secara umum model regresi dengan k
variabel bebas dan n pengamatan dapat dituliskan sebagai berikut:
yi = β0 + β1xi1 + β2xi2 + ··· + βkxik + εi
= β0 + ∑kj=1 βj Xij + εi dimana i = 1,2,…,n

3.2 Estimasi Parameter Model

Menurut Montgomery dan Peck (1991) estimasi parameter dapat diperoleh
dengan menggunakan metode kuadrat terkecil dengan meminimumkan jumlah
kuadarat error. Persamaan 1 dapat ditulis dalam bentuk matriks sebagai berikut:
y = Xβ + ε
dimana
y1 1 x11 x12 … x1k β0 ε1
y2 1 x21 x22 … x2k β ε2
y=[⋮];X=[ ] ; β = [ 1] ; ε = [ ⋮ ]
⋮ ⋮ ⋮ ⋯ ⋮ ⋮
yn 1 xn1 xn2 … xnk βk εn
dengan
β = vektor p x 1 dari koefisien regresi, dengan p = k + 1
y = vektor n x 1 dari variabel terikat
X = matriks n x p dari variabel bebas
ε = vektor n x 1 dari error random
 ̂ adalah penaksir bagi β dan e adalah penaksir bagi ε maka persamaan
Jika 𝛃
2 dapat ditulis sebagai berikut:
̂ + e atau e = y - X𝛃
y = X𝛃 ̂
Fungsi kuadrat terkecil dapat dinyatakan sebagai berikut:
L(β) = ∑ni=1 𝐞2i = e’e
̂ ′)(y - X𝛃
= (y’ - X’𝛃 ̂)
̂ - X’𝛃
= y’y - y’X𝛃 ̂ ′y + 𝛃
̂ ′X’X𝛃
̂
̂ ′y + 𝛃
= y’y - 2X’𝛃 ̂ ′X’X𝛃
̂
̂ maka:
Dengan meminimumkan L(β) terhadap 𝛃
∂L(𝛃)
̂ =0
∂𝛃

̂=0
-2X’y + 2X’X𝛃
Persamaan diatas dapat disederhanakan menjadi:
̂ = X’y
X’X𝛃
Sehingga estimator parameter β̂ dapat dirumuskan sebagai berikut:
̂ = (X’X)-1X’y
𝛃

3.3 Uji Signifikansi dalam Regresi Linier Berganda

Menurut Montgomery dan Peck (1991) dalam analisis regresi berganda ada
beberapa uji signifikansi parameter model yang berguna untuk mengukur ketepatan
model, antara lain sebagai berikut:
1. Uji Signifikansi Regresi
Uji signifikansi regresi adalah uji yang digunakan untuk menentukan apakah ada
hubungan linier antara variabel terikat y dengan variabel bebas X1, X2,…, Xk.
a. Rumusan hipotesis:
H0 : β1 = β2 = ··· = βk = 0
H1 : βj ≠ 0 untuk j = 1, 2,…,k
b. Statistik uji:
SSR/k
F0 = SSE/(n−k−1)

dengan SSR = Jumlah Kuadrat Regresi

 SSE = Jumlah Kuadrat Error
c. Kriteria penolakan:
H0 ditolak jika F0 > Ftabel = F(α;k;n-k-1).
2. Uji Koefisien Regresi secara Individu
Uji koefisien regresi secara individu digunakan untuk menguji ada tidaknya
pengaruh masing–masing variabel bebas terhadap model regresi linier.
a. Rumusan hipotesis:
H0 : βj = 0
H1 : βj ≠ 0 untuk j = 1, 2,…,k
b. Statistik uji:
̂j
β
t0 = dengan Se(β̂j ) = √σ
̂2 Cjj
̂j)
√Se(β

dimana Cjj adalah elemen diagonal dari (X’X)-1

c. Kriteria penolakan:
H0 ditolak jika |t0| > ttabel = tα/2; n-k-1.

3.4 Ukuran Kecocokan Model dalam Analisis Regresi Berganda

Menurut Gujarati (2004) koefisien determinasi (R2) merupakan suatu nilai
atau ukuran yang dapat digunakan untuk mengetahui seberapa jauh kecocokan dari
suatu model regresi. Koefisien determinasi mengukur proporsi atau persentase total
variasi dalam y yang dijelaskan oleh model regresi.
Rumus untuk mencari koefisien determinasi adalah sebagai berikut:
SSR
R2 = SST dengan SST = SSR + SSE

Sifat-sifat koefisien determinasi yaitu sebagai berikut:

a. Koefisien determinasi merupakan besaran non negatif
b. Batasnya adalah 0 ≤ R2 ≤ 1. Suatu R2 sebesar 1 berarti suatu kecocokan
sempurna sedangkan R2 sebesar 0 berarti tidak ada hubungan antara variabel
terikat dengan variabel bebas.
3.5 Contoh Kasus
Diketahui data jumlah penduduk, Luas, Kelahiran dan Kematian di Kabupaten/Kota
Provinsi Jawa Tengah yang disajikan pada Tabel berikut ini:
Tabel 3.1 Jumlah Penduduk Kota/Kabupaten Provinsi Jawa Tengah
Jumlah
Kabupaten/Kota Luas Kelahiran Kematian
Penduduk
01. Kab. Cilacap 1629908 2138.51 126976 33
02. Kab. Banyumas 1510102 1327.59 44778 111
03. Kab. Purbalingga 834164 777.65 53780 37
04. Kab. Banjarnegara 875167 1059.74 123956 21
05. Kab. Kebumen 1222542 1282.74 57024 46
06. Kab. Purworejo 724973 1034.82 33750 52
07. Kab. Wonosobo 760819 984.68 85361 32
08. Kab. Magelang 1180217 1085.73 69402 54
09. Kab. Boyolali 943978 1015.07 33567 10
10. Kab. Klaten 1136829 655.52 37115 54
11. Kab. Sukoharjo 833575 466.66 27083 74
12. Kab. Wonogiri 985024 1822.37 19292 28
13. Kab. Karanganyar 819186 772.2 22606 11
14. Kab. Sragen 862910 946.49 33387 20
15. Kab. Grobogan 1345879 1915.85 28473 21
16. Kab. Blora 838159 179.4 69376 35
17. Kab. Rembang 578232 1014.4 15010 53
18. Kab. Pati 1175232 1491.2 41220 151
19. Kab. Kudus 797617 425.17 33028 1336
20. Kab. Jepara 1107973 1004.16 42815 19
21. Kab. Demak 1042932 897.43 83596 3
22. Kab. Semarang 921865 946.86 35775 39
23. Kab. Temanggung 714411 870.23 66586 76
24. Kab. Kendal 965808 1002.27 56074 6
25. Kab. Batang 686016 788.95 18453 16
26. Kab. Pekalongan 858967 836.13 73539 14
27. Kab. Pemalang 1391284 1011.9 51321 34
28. Kab. Tegal 1420532 879.7 108920 26
29. Kab. Brebes 1800958 1657.73 62180 23
30. Kota Magelang 137855 18.12 3900 60
31. Kota Surakarta 528202 44.03 14367 449
32. Kota Salatiga 182226 52.96 4365 64
33. Kota Semarang 1533686 373.67 18961 770
34. Kota Pekalongan 277062 44.96 9070 67
 35. Kota Tegal 241070 34.49 8175 65

3.6 Analisis dengan Menggunakan Software SPSS

Langkah-langkah dalam melakukan analisis korelasi dengan menggunakan
software SPSS sebagai berikut:
1. Buka Aplikasi software SPSS

2. Input nama variabel dilembar kerja Variable View

Note: Nama variabel pada kolom Name tidak boleh menggunakan spasi. Spasi
dapat diganti dengan menggunakan tanda (_)
3. Maka pada lembar kerja Data View akan muncul nama-nama variabel yang
sudah di input pada lembar kerja Variable View

4. Input data ke dalam lembar kerja Data View.

5. Setelah itu lakukan analisis dengan klik analyze → Regression → Linear

6. Maka akan muncul kotak dialog Linear Regression

7. Masukkan variabel Jumlah_Penduduk di kolom Dependent dan variabel Luas,

Kelahiran dan kematian di kolom Independent.

8. Klik menu statistics pilih estimates, model fit dan collinearity diagnostics
pada kolom regressions coefficient, Durbin Watson pada kolom Residuals
kemudian klik continue
9. Klik menu plots pilih Normal Probability plot pada kolom standardized
Residual Plots kemudian klik continue

10. Kemudian klik OK

11. Maka akan muncul output seperti berikut

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method

1 Kematian,
. Enter
Kelahiran, Luasa

a. All requested variables entered.

b. Dependent Variable: Jumlah_Penduduk

 Koefisien
Determinasi

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .782a .611 .573 262597.040 2.127

a. Predictors: (Constant), Kematian, Kelahiran, Luas

b. Dependent Variable: Jumlah_Penduduk

ANOVAb

Sum of Mean
Model Squares df Square F Sig.

1 Regression 3.354E12 3 1.118E12 16.213 .000a

Residual 2.138E12 31 6.896E10

Total 5.492E12 34

a. Predictors: (Constant), Kematian, Kelahiran, Luas

Nilai F-hitung
b. Dependent Variable: Jumlah_Penduduk dan nilai P-value

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) 302455.791 103933.049 2.910 .007

Luas 499.596 96.236 .669 5.191 .000 .757 1.321

Kelahiran 3.269 1.580 .261 2.069 .047 .791 1.264

Kematian 406.205 184.431 .259 2.202 .035 .909 1.100

a. Dependent Variable: Jumlah_Penduduk

Nilai t-hitung dan
Nilai koefisien nilai P-value
model regresi
Interpretasi hasil output
 Model regresi
ŷ = 302455791 + 499.596X1 + 3.269X 2 + 406205X3
 Uji Ketepatan Model
1. uji signifikansi parameter yaitu uji F
Uji hipotesis
H0 : βi = 0 (Model tidak signifikan)
H1 : βi ≠ 0 (Model signifikan)
Statistik Uji
F-hitung = 16.213 atau P-value = 0
Kriteria Uji
H0 ditolak jika P-value < α = 5%
Keputusan
P-value = 0 < α = 5% maka Tolak H0
Kesimpulan
Model Signifikan artinya variabel Luas, Kelahiran dan Kematian secara
bersama berpengaruh terhadap variabel jumlah penduduk
2. Uji Koefisien parameter (Uji t)
a. Variabel Luas
Uji hipotesis
H0 : β1 = 0 (Parameter tidak signifikan)
H1 : β1 ≠ 0 (Parameter signifikan)
Statistik Uji
t-hitung = 5.191 atau P-value = 0
Kriteria Uji
H0 ditolak jika P-value < α = 5%
Keputusan
P-value = 0 < α = 5% maka Tolak H0
 Kesimpulan
Parameter Signifikan artinya variabel luas berpengaruh nyata
terhadap variabel jumlah penduduk
b. Variabel Kelahiran
Uji hipotesis
H0 : β1 = 0 (Parameter tidak signifikan)
H1 : β1 ≠ 0 (Parameter signifikan)
Statistik Uji
t-hitung = 2.069 atau P-value = 0.047
Kriteria Uji
H0 ditolak jika P-value < α = 5%
Keputusan
P-value = 0.047 < α = 5% maka Tolak H0
Kesimpulan
Parameter Signifikan artinya variabel kelahiran berpengaruh nyata
terhadap variabel jumlah penduduk
c. Variabel Kematian
Uji hipotesis
H0 : β1 = 0 (Parameter tidak signifikan)
H1 : β1 ≠ 0 (Parameter signifikan)
Statistik Uji
t-hitung = 2.202 atau P-value = 0.035
Kriteria Uji
H0 ditolak jika P-value < α = 5%
Keputusan
P-value = 0.035 < α = 5% maka Tolak H0
Kesimpulan
Parameter Signifikan artinya variabel Kematian berpengaruh nyata
terhadap variabel jumlah penduduk
  Ukuran Kecocokan Model dalam Analisis Regresi Berganda
Koefisien determinasi dari model adalah 61.1% artinya sebesar 61.1%
keragaman dari jumlah penduduk yang mampu diterangkan oleh variabel
luas, kelahiran dan kematian sedangkan sisanya sebesar 38.9%
diterangkan oleh variabel lain yang tidak ada dalam model.

2.5 Video Tutorial Analisis Regresi Berganda dengan menggunakan software

SPSS
https://drive.google.com/file/d/1PWF0LWsUGpugS8ykV4dy9caizMBa2pJ8/view?us
p=sharing
4. Asumsi pada Model Analisis Regresi
Berganda
4.1 Pendahuluan
Apabila model regresi sudah dipilih biasanya model tersebut tidak begitu saja
dianggap sesuai atau tepat. Ada beberapa asumsi yang tidak dipenuhi, untuk itu
analisis residual diperlukan untuk memeriksa apakah suku-suku sesatan (galat)
sudah memenuhi asumsi dalam model.
Asumsi-asumsi yang harus dipenuhi dalam model regresi berganda yaitu
asumsi normalitas, asumsi homoskesdastisitas, asumsi non autokorelasi dan
asumsi non multikolinieritas. Apabila salah satu asumsi dalam model regresi tidak
terpenuhi maka dapat menyebabkan model regresi yang diperoleh menjadi kurang
tepat. Hal tersebut dapat berakibat pada tingkat akurasi hasil analisis yang dilakukan
menjadi berkurang. Oleh karena itu setelah model regresi diperoleh maka perlu
dilakukan pengecekan asumsi terhadap galat dari model regresi untuk melihat
apakah semua asumsi sudah terpenuhi atau adakah asumsi yang dilanggar.

4.2 Asumsi Normalitas

Asumsi Normalitas diperlukan terutama pada saat pengujian hipotesis dan
penyusunan selang kepercayaan bagi parameter. Pelanggaran terhadap
kenormalan dapat terjadi karena sampel tidak berasal dari populasi normal atau
adanya pencilan. Ada beberapa metode yang dapat dilakukan untuk melakukan
pemeriksaan terhadap asumsi kenormalan.
1. Metode Grafik
Grafik normal P Plot yang membandingkan kumulatif dari distribusi normal, di
mana normalittas dapat dideteksi dengan melihat penyebaran data (titik) pada
sumbu diagonal dari grafik normal.
Dasar pengambilan keputusannya adalah:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonalnya, maka model regresi memenuhi asumsi normalitas
 2. Jika data menyebar jauh dari garis diagonal dan tidak mengikutoarah garis
diagonal, maka model regresi tidak memenuhi asumsi normalitas.

Gambar 4.1 Normal Probability Plot

2. Uji Normalitas dengan Kolmogorov Smirnov

Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak dipakai,
terutama setelah adanya banyak program statistik yang beredar. Kelebihan dari
uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara
satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji
normalitas dengan menggunakan grafik.
o Hipotesis
H0: Sisaan menyebar normal
H1: Sisaan tidak menyebar normal
o Statistik uji Kolmogorov-Smirnov (D) dapat dirumuskan sebagai:
D = supx |Fn (x) − F(x)| atau menggunakan nilai P-value
o Keputusan
Tolak H0 jika p-value < α
4.3 Asumsi Homoskesdastisitas
Homoskedastisitas adalah situasi dimana varians dari residual satu
pengamatan ke pengamatan yang lain tetap dan jika berbeda disebut
heteroskedastisitas pada analisis regresi. Menurut Gujarati (1978)
heteroskedastisitas biasa terjadi dalam data cross-sectional dibandingkan dengan
data deretan waktu. Dalam data cross-sectional, biasanya berhubungan dengan
populasi pada suatu saat tertentu, seperti konsumen individual atau keluarga,
perusahaan, industri, pembagian geografis seperti negara bagian, wilayah, kota,
dan seterusnya. Sebaliknya dalam data deretan waktu, peubahnya cenderung untuk
mempunyai derajat yang sama dalam besarnya karena orang biasanya
mengumpulkan data untuk kesatuan yang sama selama suatu periode waktu.
Heteroskedastisitas dapat dideteksi dengan beberapa metode antara lain sebagai
berikut:
1. Metode grafik
Membuat plot antara sisaan dengan dugaan respon. Pola Tebaran Sisaan
terhadap yi yaitu sebagai berikut
1. Pola tebaran sisaan yang memenuhi asumsi Homoskesdastisitas yaitu
berpusat di nol, lebar pita sama, dan tidak berpola. Contoh pola grafik yang
memenuhi asumsi homosedastisitas sebagai berikut:

2. Pola tebaran sisaan yang tidak memenuhi asumsi homoskedastisitas yaitu

pola tebaran sisaan yang menunjukkan pola tertentu misalnya berbentuk
seperti corong. Contoh pola tebaran sisaan yang tidak memenuhi asumsi
homoskedastisitas sebagai berikut:
 3. Penyimpangan terhadap persamaan regresi bersifat sistematis atau karena
tidak disertakannya β0 ke dalam model. Contoh pola grafik yaitu sebagai
berikut:

4. Model tidak pas (perlu suku-suku lain model atau transformasi terhadap y.
Contoh pola grafik sebagai berikut:

2. Uji Glejser
Langkah-langkah pengujiannya:
o Menentukan hipotesis uji:
𝐻0 : Homoskedastisitas
𝐻1 : Heterokedastisitas
o Menentukan taraf nyata kesalahan (𝛼 = 0,5)
o Statistik uji
Asumsi |𝑒𝑖 | berkaitan erat dengan variabel X, dengan bentuk model regresi
sebagai berikut:
|𝑒𝑖 | = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑣𝑖
|𝑒𝑖 | = 𝛽0 + 𝛽1 √𝑋𝑖 + 𝑣𝑖
1
|𝑒𝑖 | = 𝛽0 + 𝛽1 + 𝑣𝑖
𝑋𝑖
1
|𝑒𝑖 | = 𝛽0 + 𝛽1 + 𝑣𝑖
√𝑋𝑖
|𝑒𝑖 | = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑣𝑖
|𝑒𝑖 | = √𝛽0 + 𝛽1 𝑋𝑖 + 𝑣𝑖
 |𝑒𝑖 | = √𝛽0 + 𝛽1 𝑋𝑖2 + 𝑣𝑖

Dengan salah satu bentuk model regresi di atas ujilah koefisien regresi (uji t)
untuk model yang dipilih.
o Kriteria uji
Tolak 𝐻0 jika nilai P-value <𝛼 artinya ada heterokedastisitas.

4.4 Asumsi Non Autokorelasi

Salah satu asumsi dari model regresi linier adalah tidak ada autokorelasi
antara sisaan (𝜀𝑖 ). Dengan pengertian lain, sisaan menyebar bebas atau
Cov(εi , εj ) = E(εi , εj ) = 0 untuk semua 𝑖 ≠ 𝑗. Jika antara sisaan tidak bebas atau
E(εi , εj ) ≠ 0 maka dikatakan bahwa terdapat masalah autokorelasi. Masalah
autokorelasi sering terjadi dalam data time series, misalnya jika ingin memprediksi
pertumbuhan deviden suatu saham, hasil dari dugaan yang terlalu tinggi
(overestimate) dalam tahun tertentu cenderung akan menyebabkan overestimate
dalam tahun-tahun berikutnya. Jika asumsi nonautokorelasi tidak terpenuhi maka
akan mengakibatkan penduga tidak lagi efisien atau ragamnya tidak lagi minimum.
1. Metode grafik
Metode grafik dilakukan dengan cara membuat plot antara sisaan (𝑒𝑖 ) dan waktu
(𝑡). Jika plot menunjukkan adanya pola tertentu, maka diduga terdapat
pelanggaran asumsi autokorelasi.
2. Uji Durbin-Watson
Uji Durbin-Watson dalam mendeteksi ada atau tidaknya autokorelasi dalam
regresi menggunakan pengujian terhadap sisaan (𝑒𝑖 ) dari suatu regresi linier.
o Hipotesis:
H0 : Tidak ada autokorelasi ordo 1 pada sisaan
H1 : Ada autokorelasi ordo 1 pada sisaan
o Statistik uji
∑𝑛
𝑡=2(𝑒𝑡 −𝑒𝑡−1 )
2
𝑑= 𝑛
∑𝑖=1 𝑒𝑡
~𝐷𝑊(𝛼, 𝑛, 𝑘)
 dengan 𝑛 adalah banyaknya pengamatan dan 𝑘 adalah banyaknya variabel
penjelas (𝑋). Uji Durbin-Watson ini digunakan untuk model regresi yang
mengandung unsur intersep (𝛽0)

4.5 Asumsi Non Multikolinieritas

Multikolinearitas adalah salah satu pelanggaran asumsi dimana adanya
hubungan linear (KORELASI) antara peubah bebasnya. Akibat jika model regresi
terdapat masalah multikolinieritas yaitu
1. Interpretasi menjadi sulit karena setiap ada perubahan pada peubah yang saling
berkorelasi maka peubah lain yang berkorelasi juga akan mengalami perubahan
sesuai arah korelasinya.
2. Pendugaan dengan OLS akan diperoleh ragam dan koragam yang besar.
Sehingga sulit untuk disimpulkan.
3. Hasil uji F signifikan tetapi dengan uji-t banyak peubah yang tidak signifikan.
(Tidak selaras)
4. Penduga OLS dan standar error sensitif terhadap perubahan data.
5. Matriks X’X akan hampir singular (ill-conditioned) yang pada akhirnya akan
menyebabkan dugaan bagi  memiliki dugaan ragam yang menduga lebih
(overestimate) walaupun tetap takbias.
6. Rsq(adj) bernilai tinggi
Ada beberapa metode yang dapat digunakan untuk mendeteksi masalah
multikolinieritas diantaranya sebagai berikut:
1. Melihat nilai koefisien determinasi (R2)
Multikolinieritas seringkali diduga ketika R2 tinggi (misalnya antara 0,7 sampai 1)
dan ketika korelasi derajat nol juga tinggi, tetapi tidak satu pun atau sangat
sedikit koefisien regresi parsial yang secara individual penting secara statistik.
Jika R2 tinggi, ini akan berarti bahwa uji F dari analisis varian dalam sebagian
kasus akan menolak hipotesis nol (Gujarati, 2004).
2. Korelasi antar variabel bebas
Mendeteksi adanya multikolinieritas dapat juga dilakukan dengan menguji
koefisien korelasi (r) antar variabel bebas. Jika koefisien korelasi cukup tinggi
 misalnya di atas 0,85 maka dapat diduga ada multikolinieritas dalam model.
Sebaliknya jika koefisien korelasi rendah maka dapat diduga model tidak
mengandung multikolinieritas (Widarjono, 2007).
3. Variance Inflation Factors (VIF)
Variance Inflation Factors (VIF) dapat dihitung dengan menggunakan rumus
sebagai berikut:
1
VIF = 1− R2
j

dengan Rj merupakan koefisien determinasi ke-j dimana j = 1, 2, …, k.

VIF untuk masing-masing hubungan di dalam model mengukur efek
ketergantungan diantara variabel bebas pada varians dari model. Satu atau lebih
yang mempunyai nilai VIF yang besar mengindikasikan adanya multikolinieritas.
Nilai VIF yang semakin besar akan menunjukkan multikolinieritas yang lebih
kompleks. Jika nilai VIF melebihi 5 atau 10 mengindikasikan bahwa koefisien
regresi yang diestimasi kurang baik karena adanya multikolinieritas
(Montgomery dan Peck, 1991).

4.6 Contoh Kasus

Diketahui data jumlah penduduk, Luas, Kelahiran dan Kematian di Kabupaten/Kota
Provinsi Jawa Tengah yang disajikan pada Tabel berikut:
Tabel 2.1 Jumlah Penduduk Kota/Kabupaten Provinsi Jawa Tengah
Jumlah
Kabupaten/Kota Luas Kelahiran Kematian
Penduduk
01. Kab. Cilacap 1629908 2138.51 126976 33
02. Kab. Banyumas 1510102 1327.59 44778 111
03. Kab. Purbalingga 834164 777.65 53780 37
04. Kab. Banjarnegara 875167 1059.74 123956 21
05. Kab. Kebumen 1222542 1282.74 57024 46
06. Kab. Purworejo 724973 1034.82 33750 52
07. Kab. Wonosobo 760819 984.68 85361 32
08. Kab. Magelang 1180217 1085.73 69402 54
09. Kab. Boyolali 943978 1015.07 33567 10
10. Kab. Klaten 1136829 655.52 37115 54
11. Kab. Sukoharjo 833575 466.66 27083 74
12. Kab. Wonogiri 985024 1822.37 19292 28
 13. Kab. Karanganyar 819186 772.2 22606 11
14. Kab. Sragen 862910 946.49 33387 20
15. Kab. Grobogan 1345879 1915.85 28473 21
16. Kab. Blora 838159 179.4 69376 35
17. Kab. Rembang 578232 1014.4 15010 53
18. Kab. Pati 1175232 1491.2 41220 151
19. Kab. Kudus 797617 425.17 33028 1336
20. Kab. Jepara 1107973 1004.16 42815 19
21. Kab. Demak 1042932 897.43 83596 3
22. Kab. Semarang 921865 946.86 35775 39
23. Kab. Temanggung 714411 870.23 66586 76
24. Kab. Kendal 965808 1002.27 56074 6
25. Kab. Batang 686016 788.95 18453 16
26. Kab. Pekalongan 858967 836.13 73539 14
27. Kab. Pemalang 1391284 1011.9 51321 34
28. Kab. Tegal 1420532 879.7 108920 26
29. Kab. Brebes 1800958 1657.73 62180 23
30. Kota Magelang 137855 18.12 3900 60
31. Kota Surakarta 528202 44.03 14367 449
32. Kota Salatiga 182226 52.96 4365 64
33. Kota Semarang 1533686 373.67 18961 770
34. Kota Pekalongan 277062 44.96 9070 67
35. Kota Tegal 241070 34.49 8175 65

4.7 Analisis dengan Menggunakan Software SPSS

Langkah pertama yang harus dilakukan yaitu membuat model regresi linier
berganda. Langkah-langkah melakukan analisis regresi linier berganda dengan
menggunakan software SPSS yaitu sebagai berikut:
1. Buka Aplikasi software SPSS
2. Input nama variabel dilembar kerja Variable View
Note: Nama variabel pada kolom Name tidak boleh menggunakan spasi. Spasi
dapat diganti dengan menggunakan tanda (_)

3. Maka pada lembar kerja Data View akan muncul nama-nama variabel yang
sudah di input pada lembar kerja Variable View

4. Input data ke dalam lembar kerja Data View.

5. Setelah itu lakukan analisis dengan klik analyze → Regression → Linear

6. Maka akan muncul kotak dialog Linear Regression

7. Masukkan variabel Jumlah_Penduduk di kolom Dependent dan variabel Luas,

Kelahiran dan kematian di kolom Independent.
8. Untuk melakukan pengecekan terhadap asumsi analisis regresi berganda maka
perlu menyimpan residual dari hasil regresi yang dilakukan yaitu dengan pilih
save → centang unstandardized pada kolom residuals dan unstandardized
pada kolom predicted values → klik continue

9. Selanjutnya pilih statistics → centang collinearity diagnostics untuk

memperoleh output nilai VIF dan centang Durbin-Watson → klik continue untuk
memperoleh output nilai Durbin Watson
10. Setelah itu klik Ok maka akan diperoleh hasil output seperti berikut

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .782a .611 .573 262597.040 2.127

a. Predictors: (Constant), Kematian, Kelahiran, Luas

b. Dependent Variable: Jumlah Penduduk

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 3.354E12 3 1.118E12 16.213 .000a

Residual 2.138E12 31 6.896E10

Total 5.492E12 34

a. Predictors: (Constant), Kematian, Kelahiran, Luas

b. Dependent Variable: Jumlah Penduduk

 Coefficientsa

Unstandardized Standardized Collinearity

Coefficients Coefficients Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) 302455.791 103933.049 2.910 .007

Luas 499.596 96.236 .669 5.191 .000 .757 1.321

Kelahiran 3.269 1.580 .261 2.069 .047 .791 1.264

Kematian 406.205 184.431 .259 2.202 .035 .909 1.100

a. Dependent Variable: Jumlah Penduduk

A. Langkah – langkah melakukan uji Normalitas dengan menggunakan SPSS yaitu

sebagai berikut:
a. Membuat uji Kolmogorov Smirnov
1. Klik menu Analyze → pilih Nonparametric Test → Pilih 1-
Sample K-S
2. Maka akan muncul kotak dialog One Sample Kolmogorov Smirnov Test
kemudian masukkan variabel unstandardized residuals (RES_1) ke
kolom Test Variable List dan centang Normal pada kolom test
distribution kemudian klik OK

3. Maka akan diperoleh output sebagai berikut:

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 35

Normal Parametersa Mean .0000000

Std. Deviation 2.50744384E5

Most Extreme Differences Absolute .124

Positive .124

Negative -.070

Kolmogorov-Smirnov Z .736

Asymp. Sig. (2-tailed) .651

a. Test distribution is Normal.

b. Membuat grafik normal probability plot
1. klik menu Analyze→Deskriptive Statistics→P-P Plot

2. Maka akan muncul Kotak Dialog P-P Plots kemudian masukkan variabel
Unstandardized Residuals → Pilih Normal pada kolom Test
Distribution → OK

3. Maka akan diperoleh Output seperti berikut ini:

 Interpretasi Asumsi Normalitas
 Berdasarkan grafik normal P-P plot terlihat bahwa data
menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonalnya, maka model regresi memenuhi asumsi normalitas
 Uji Normalitas dengan Kolmogorov Smirnov
o Hipotesis
H0: Sisaan menyebar normal
H1: Sisaan tidak menyebar normal
o Nilai P-value pada hasil output tabel One-Sample
Kolmogorov-Smirnov Test adalah 0.651 > α = 0.05 maka
gagal tolak H0 maka dapat disimpulkan bahwa sisaan
menyebar normal sehingga asumsi normalitas terpenuhi.
B. Langkah – langkah melakukan uji Homoskesdastisitas dengan menggunakan
SPSS yaitu sebagai berikut:
a. Membuat Grafik plot antara sisaan dengan dugaan respon
1. Klik menu Graphs → Pilih Legacy Dialogs → pilih Scatter/Dots
2. Maka akan muncul kotak dialog Scatter/Dot → Simple Scatter → Define

3. Maka akan muncul kotak dialog simple scatterplot kemudian masukkan

variabel unstandardized residuals di Y_Axis dan Unstandardized
Predicted di X_Axis kemudian klik OK

4. Maka akan diperoleh output seperti berikut ini:

b. Pengujian dengan Uji Glejser
1. Langkah pertama dengan mengabsolutkan nilai residual dengan klik
menu Transform → Compute Variable

2. Maka akan muncul kotak dialog Compute Variable kemudian Isikan

Nama Variabel baru yang akan digunakan misalkan disini Abs_Residual
pada kolom Function Group → Pilih Aritmetic pada kolom Function and
Special Variables → pilih Abs maka pada kolom Numeric Expression
akan muncul ABS() setelah itu masukkan variabel Unstandardized
Residuals ke kolom Numeric Expression kemudian → Klik OK
3. Maka pada data View akan Muncul Variabel baru yaitu Abs_Residual

4. Membuat model regresi antara variabel Abs_Residual sebagai variabel

Dependen dengan Variabel Indpenden (Luas, Kelahiran, dan kematian).
Langkah-langkah melakukan pemodelan regresi seperti yang dilakukan
sebelumnya. Diperoleh hasil sebagai berikut:

Model Summaryb

Adjusted R Std. Error of the Durbin-

Model R R Square Square Estimate Watson

1 .434a .188 .110 1.48753E5 2.060

a. Predictors: (Constant), Kematian, Kelahiran, Luas

b. Dependent Variable: Abs_Residual

ANOVAb

Sum of Mean
Model Squares df Square F Sig.

1 Regression 1.590E11 3 5.298E10 2.395 .087a

Residual 6.860E11 31 2.213E10

Total 8.449E11 34

a. Predictors: (Constant), Kematian, Kelahiran, Luas

b. Dependent Variable: Abs_Residual

 Interpretasi Asumsi Homoskesdastisitas
 Berdasarkan grafik plot antara sisaan dengan dugaan respon
terlihat bahwa npola tebaran sisaan tidak membentuk pola
tertentu, maka dapat disimpulkan bahwa model regresi
memenuhi asumsi homoskesdastisitas.
 Uji Normalitas dengan Kolmogorov Smirnov
o Hipotesis
H0 : Homoskedastisitas
H1 : Heterokedastisitas
o Nilai P-value = 0.087 > α = 0.05 maka gagal tolak H0
sehingga dapat disimpulkan bahwa sisaan memenuhi
asumsi homoskesdastisitas.

C. Langkah – langkah melakukan Uji Non AUtokorelasi dengan menggunakan

SPSS yaitu sebagai berikut:
a. Membuat grafik plot sisaan dengan urutan waktu
1. Menambah variabel baru yaitu variabel waktu
2. Mnginput data variabel waktu pada lembar kerja Data View

3. Klik menu Graphs → Pilih Legacy Dialogs → pilih Scatter/Dots

4. Maka akan muncul kotak dialog Scatter/Dot → Simple Scatter → Define

5. Maka akan muncul kotak dialog simple scatterplot kemudian masukkan
variabel unstandardized residuals di Y_Axis dan variabel waktu di
X_Axis kemudian klik OK

6. Maka akan diperoleh output sebagai berikut:

Interpretasi Asumsi Non Autokorelasi

 Berdasarkan grafik plot sisaan dengan urutan waktu terlihat bahwa
sebaran sisaan tidak membentuk pola tertentu atau pola sisaan
acak, maka model regresi memenuhi asumsi non autokorelasi
  Uji Durbin Watson
Hipotesis
H0 : Tidak ada autokorelasi ordo 1 pada sisaan
H1 : Ada autokorelasi ordo 1 pada sisaan
Nilai Durbin Watson = 2.127 > dl = 1.2833 maka gagal tolak H0 maka
dapat disimpulkan bahwa tidak ada autokorelasi pada sisaan
sehingga asumsi non autokorelasi terpenuhi.
*Note: Nilai dl diperoleh dari Tabel Durbin Watson dengan α = 5%.

D. Langkah – langkah melakukan Uji Non Multikolinieritas dengan menggunakan

SPSS yaitu sebagai berikut:
Mencari nilai korelasi antara variabel penjelas menggunakan SPSS dengan
langkah-langkah sebagai berikut:
1. Klik menu Analyze → correlate → bivariate
2. Muncul kotak dialog Bivariate Correlations masukkan variabel Luas,
Kelahiran dan Kematian ke kolom Variables → centang Pearson pada
kolom Corelation Coefficients → Centang Two-tailed pada kolom test of
Significance → centang Flag significant correlations → Klik OK

3. Maka akan keluar output sebagai berikut:

Correlations

Luas Kelahiran Kematian

Luas Pearson Correlation 1 .450** -.289

Sig. (2-tailed) .007 .092

N 35 35 35

Kelahiran Pearson Correlation .450** 1 -.207

Sig. (2-tailed) .007 .233

N 35 35 35

Kematian Pearson Correlation -.289 -.207 1

Sig. (2-tailed) .092 .233

N 35 35 35

**. Correlation is significant at the 0.01 level (2-tailed).

 Interpretasi Asumsi Non Multikolinieritas
Identifikasi adanya multikolinieritas yaitu sebagai berikut:
 Koefisien Determinasi dari model regresi adalah 61.1% artinya
keragaman dari variabel jumlah penduduk yang mampu
diterangkan oleh variabel bebas yaitu sebesar 61.1% sisanya
38.9% diterangkan oleh variabel lain diluar model. Nilai koefisien
determinasi yang diperoleh tidak terlalu tinggi.

 Korelasi antar Variabel bebas

Berdasarkan output correlations yang diperoleh dari SPSS tidak
ada korelasi yang terjadi antara variabel Luas dengan Kematian dan
Kelahiran dengan kematian. Korelasi terjadi antara variabel Luas
dengan Kelahiran tetapi korelasi yang terjadi sangat lemah.
Sehingga dapat dikatakan bahwa tidak ada korelasi antara variabel
bebas dalam model regresi.
 Variance Inflation Factor (VIF)
Berdaarkan output SPSS untuk model regresi yang diperoleh pada
tabel Coefficients nilai VIF untuk masing-masing variabel kurang
dari 5 artinya tidak ada indikasi masalah multikolinieritas pada
model regresi.
Kesimpulan:
Berdasarkan identifikasi yang dilakukan maka dapat disimpulkan
bahwa tidak terjadi multikolinieritas antar variabel bebas sehingga
asumsi non multikolinieritas terpenuhi.

2.6 Video Tutorial Identifikasi Asumsi pada model regresi Linier Berganda dengan
menggunakan software SPSS
https://drive.google.com/file/d/1z7bGY6m4ZPOs02bea0DTd905V3Fg2vW2/vie
w?usp=sharing