Dosen Pembimbing:
Ritna Udiyani S.Kep.,Ns.,M.Kep
Oleh :
1
KATA PENGANTAR
Alhamdulillah segala puji bagi Allah yang Maha Pengasih lagi Maha Penyayang.
Dialah satu-satunya Dzat yang memberikan perlindungan dunia dan akhirat kelak. Dialah
sesungguhnya Maha pemberi petunjuk yang tiada dapat menyesatkan.Pertama-tama marilah
kita panjatkan puji syukur kehadirat Allah Swt yang senantiasa memberikan rahmat dan
karunia-Nya sehingga penulis dapat menyelesaikan makalah ini tepat pada waktunya.
Laporan ini dapat tersusun dengan baik berkat bantuan, bimbingan, masukan, dan
motivasi dari banyak pihak. Pada kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Ritna Udiyani, S.Kep.,Ns.,M.Kep selaku Dosen pembimbing mata kuliah
Biostatistik yang telah memberikan masukan dan kesempatan sehingga penulis
dapat menyelesaikan laporan ini dengan baik.
2. Orang tua serta saudara-saudara tercinta atas do’a, motivasi, dan harapannya
sehingga penulis dapat menyelesaikan laporan ini dengan lancar.
3. Teman-teman yang telah memberikan motivasi dan masukan yang baik kepada
penulis sehingga bisa menyelesaikan laporan ini dengan lancar.
Mudah-mudahan amal baik mereka senantiasa mendapat pahala dan balasan yang
setimpal dari Allah Swt. Semoga makalah ini dapat bermanfaat bagi penulis khususnya dan
pembaca pada umumnya amin.
Penulis
2
DAFTAR ISI
3
BAB I
PENDAHULUAN
4
1.2. Rumusan Masalah
Bagaimana Penerapan Uji Regresi Linier Berganda ?
1.3. Tujuan
1.3.1. Umum
Untuk mengetahui Bagaimana Penerapan Uji Regresi Linier Berganda.
1.3.2. Khusus
a. Untuk mengetahui Bagaimana Uji Regresi Linier Berganda
b. Untuk mengetahui Bagaimana banyaknya asumsi Uji Regresi Linier Berganda
c. Untuk mengetahui Bagaimana mengaplikasikan Uji Regresi Linier Berganda
menggunakan SPSS
1.4. Manfaat
a. Penulis
Semoga dengan pembuatan makalah ini penulis dapat menambah wawasan dan
pengalaman tentang Penerapan Uji Regresi Linier Berganda
b. Institusi
Sebagai bahan pertimbangan dalam menyusun program pembelajaran serta
menentukan metode dan media pembelajaran yang tepat pada Uji Regresi Linier
Berganda
c. Masyarakat
Semoga dengan ada nya penyusunan makalah ini masyarakat dapat memahami
Bagaimana Uji Regresi Linier Berganda
5
BAB II
TINJAUAN PUSTAKA
7
2.2 Asumsi Regresi Linier Berganda
Regresi linier juga memiliki syarat atau asumsi yang harus terpenuhi agar model
prediksi yang dihasilkan nantinya bersifat BLUE (Best Linear Unbiased Estimation).
Asumsi pada regresi linier berganda antara lain:
1. Data interval atau rasio Skala data semua variabel terutama variabel terikat
adalah interval atau rasio. Asumsi ini tidak perlu diuji, cukup kita pastikan
bahwa data yang digunakan adalah data interval atau rasio (numeric atau
kuantitatif).
2. Linearitas Variabel bebas berhubungan dengan variabel terikat. Asumsi
linearitas diuji dengan uji linearitas regresi, misalnya dengan kurva estimasi.
Dengan kurva estimasi kita bisa menentukan ada hubungan linier atau tidak
dengan melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat
hubungan yang linear antara prediktor dan response.
3. Normalitas residual adalah beda antara y dengan y prediksi. Dalam hal ini, y
adalah variabel terikat, sedangkan y prediksi adalah y hasil persamaan regresi
yang dibuat. Dengan demikian, residual dibangun dengan rumus y y prediksi.
Asumsi normalitas pada regresi linear adalah pada residualnya, bukan pada data
per variabel. 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.
4. Non Outlier disebut dengan data pencilan atau data yang nilainya extreme atau
lain dari pada yang lainnya. Batasan outlier tidak bisa dilihat dari nilai absolut
studentized residual. Jika absolut studentized residual > 3, maka sampel atau
observasi yang dimaksud menjadi outlier.
5. Homoskedastisitas adalah sebuah kondisi saat varians dari error bersifat identic
untuk setiap pengamatan. Kebalikan dari homoskedastisitas adalah
heteroskedastisitas. Model regresi linear berganda yang baik adalah model yang
bebas dari kondisi heteroskedastisitas. Untuk menguji homoskedastisitas regresi
linear berganda, dapat digunakan uji homoskedastisitas dari glejser, uji park, uji
white, spearman heteroskedastisitas, dan masih banyak uji lainnya.
6. Non Multikolinearitas adalah keadaan saat terdapat interkorelasi atau korelasi
8
kuat antar variabel bebas di dalam model. Dinyatakan ada interkorelasi jika
korelasi antar variabel 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. Berdasarkan uraian di atas, maka jelas sekali bahwa asumsi
multikolinearitas hanya ada dalam regresi linear berganda dan tidak ada pada
regresi linear sederhana. Sebab pada regresi linear berganda ada lebih dari satu
variabel bebas, sedangkan pada regresi linear sederhana hanya ada satu variabel
bebas.
7. Non Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu. Sehingga
bisa diartikan dengan mudah bahwa autokorelasi ini sering terjadi pada regresi
linear berganda dengan data time series atau runtun waktu dan jarang sekali
terjadi pada data cross section.
i Y X1 X2 X3 X4 X5
1
1
2. Input Data ke dalam Aplikasi SPSS
1. Masukkan data fiktif ke SPSS (dalam tutorial ini menggunakan SPSS Versi 21)
2. Pada Menu Bar, pilih Analyze > Regression > Linear
3. Akan muncul jendela seperti dibawah ini:
4. Lalu, masukkan variabel Y ke bagian Dependent dan variabel X1, X2, X3, X4, dan
X5 ke bagian Independent(s), kemudian klik OK.
1
2
3. Tentukan Model Summary
Namun, pada hasil uji parsial tak ada satupun koefisien yang signifikan pada tingkat
signifikansi 5 persen.
1
3
6. Lakukan Pengujian Linearitas
Untuk menguji apakah asumsi Linieritas terpenuhi, kita dapat menggunakan plot
residual dengan fitted value (predicted value) atau bisa juga dengan plot residual
dengan variable independent (John Neter, 1989:118).
1
4
4. Pilih menu Graphs >> Legacy Dialogs >> Scatter/Dot >> pilih Simple Scatter
1
5
6. Maka akan muncul output seperti berikut.
Interpretasi plot:
Berdasarkan plot residual dengan fitted value tersebut, terlihat bahwa
tebaran nilai-nilai pada plot membentuk suatu pola acak, sehingga asumsi
linieritas terpenuhi.
7. Lakukan Pengujian Asumsi Normalitas
Untuk menguji asumsi Normalitas, dapat menggunakan analisis Normal
P-P Plot atau dengan uji-uji normalitas seperti uji Liliefors atau Kolmogorov-
Smirnov. Namun, pada saat ini kita akan menggunakan uji Kolmogorov-
Smirnov untuk menguji normalitas dari residual dari regresi.
a. Untuk melakukan uji normalitas, pastikan kita telah memiliki
variabel Unstandardized Residuals, yang kita dapatkan dari hasil uji
linearitas diatas.
b. Setelah itu, kita dapat melakukan uji Kolmogorov-Smirnov dengan
mengklik Analyze >> Nonparametric Test >> Legacy Dialogs >> 1-
Sample K-S
1
6
Kemudian akan muncul jendela seperti ini, dan masukkan
variabel UnstandardizedResiduals.
1
7
Lalu akan muncul hasil seperti berikut.
1
8
BAB III
HASIL ANALISIS
Judul Jurnal : “Analisis Regresi Linier Berganda Dalam Estimasi Produk tivitas
Tanaman Padi Di Kabupaten Karawang” (Tesa Nur Padilah), Volume 5 No. 2 Bulan
Desember Tahun 2019
Karawang merupakan salah satu pusat penanaman padi di Pulau Jawa. Sebagai pusat
penanaman padi, sudah seharusnya produktivitas padi dari tahun ke tahun mengalami
peningkatan. Namun, produktivitas padi ternyata tidak konsisten, tahun 2015 mengalami
kenaikan sedangkan tahun 2016 mengalami penurunan. Oleh karena itu, diperlukan suatu
estimasi sehingga dapat diketahui produktivitas padi untuk tahun-tahun berikutnya.
Beberapa algoritma yang dapat digunakan untuk mengestimasi hubungan antar
variabel diantaranya regresi linier, fuzzy, dan jaringan syaraf tiruan. Regresi linier terbagi
menjadi regresi linier sederhana dan regresi linier berganda. Regresi linier berganda
digunakan untuk menelusuri pola hubungan antara variabel terikat dengan dua atau lebih
variabel bebas. Berdasarkan suatu penelitian, regresi linier berganda lebih baik jika
dibandingkan dengan metode fuzzy dan jaringan syaraf tiruan.
Oleh karena itu, masalah produktivitas padi di Kabupaten Karawang dapat diestimasi
dengan menggunakan analisis regresi linier berganda. Model regresi linier berganda dapat
dinyatakan dalam bentuk perkalian matriks. Selanjutnya, perhitungan nilai-nilai koefisien
regresi dapat dicari dengan menggunakan eliminasi Gauss.
Berdasarkan model regresi yang didapat, sebesar 80,46% faktor-faktor produktivitas
padi dapat dijelaskan oleh produksi, luas panen, luas tanam, curah hujan, dan hari hujan.
Sedangkan sisanya 19,54% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti dalam
penelitian ini. Variabel-variabel yang mempengaruhi peningkatan jumlah produktivitas yaitu
variabel produksi dan curah hujan, sedangkan variabel-variabel yang mempengaruhi
penurunan jumlah produktivitas yaitu variabel luas panen, luas tanam, dan hari hujan.
Ratarata kesalahan relatif regresi yang diperoleh yaitu 0,04642 atau 4,642%.
1
9
A. Identifikasi Variabel
Data yang digunakan adalah data perbulan yang berjumlah 57 data. Variabel terikat
pada penelitian ini adalah produktivitas padi (kw/ha). Data produktivitas padi dihasilkan
dari dua data utama yaitu data produksi dibagi dengan luas panen (Damiri & Ishak, n.d.).
Sedangkan variabel-variabel bebasnya yaitu produksi, luas panen, luas tanam, rata-rata
curah hujan, dan rata-rata hari hujan.
Analisis Data Pengujian Asumsi Klasik
1. Uji Normalitas Uji normalitas menggunakan uji Kolmogorov-Smirnov (K-S)
dengan bantuan tools Minitab. Hasil uji normalitas untuk data produksi dapat
dilihat pada gambar berikut.
Berdasarkan Gambar 1, 2, 3, 4, dan 5, nilai P-Value untuk data produksi, luas panen,
luas tanam, ratarata curah hujan, dan rata-rata hari
2 hujan masing-masing adalah >0,150;
1
0,110; >0,150; <0,010; dan 0,035. Data berdistribusi normal jika nilai P-value lebih dari 0,05.
Ini berarti variable produksi, luas panen, dan luas tanam berdistribusi normal, sedangkan
variable rata-rata curah hujan dan rata-rata hari hujan tidak berdstribusi normal.
Pada data yang tidak berdistribusi normal dilakukan transformasi Box-Cox.
Kemudian pada data hasil transformasi tersebut dilakukan uji normalitas, hasilnya sebagai
berikut.
Berdasarkan Gambar 6, P-Value untuk data transformasi curah hujan dan transformasi
hari hujan keduanya bernilai >0,150. Ini berarti kedua variabel tersebut berdistribusi normal.
Dengan demikian, data yang akan digunakan selanjutnya adalah variabel produksi, luas
panen, luas tanam, transformasi curah hujan, dan transformasi hari hujan.
2
2
BAB IV
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang
seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
suatu variabel. Dalam analisis regresi terdapat dua jenis analisis yaitu analisis regresi
linier sederhana dan analisis regresi linier berganda. Analisis regersi linier sederhana
adalah analisis yang melibatkan satu variabel, sedangkan analisis regresi linier berganda
adalah analisis yang melibatkan lebih dari satu variabel bebas atau prediktor. Regresi
linier berganda digunakan untuk mengetahui linearitas hubungan dua atau lebih variabel
independen dengan satu variable dependen dan dapat pula digunakan untuk memprediksi
harga variabel dependen jika harga-harga variabel independen diketahui.
4.2 Saran
Sebaiknya mahasiswa/i mampu mempelajari dan memahami tentang Penerapan Uji
Regresi Linier Berganda
2
3
DAFTAR PUSTAKA
Aziz, K.W., Prasetyo, Y., & Sukmono, D. 2018. “ANALISIS REGRESI LINIER
TERHADAP POLA HISTOGRAM SPEKTRAL ALGORITMA NDVI,
EVI, DAN LSWI UNTUK MENGESTIMASI TINGKAT
PRODUKTIVITAS PADI (STUDI KASUS : KABUPATEN DEMAK,
JAWA TENGAH)”. Jurnal Geodesi Undip. Vol. 7
2
4