Analisis regresi berganda

1. Uji asumsi klasik

 uji normalitas

One-Sample Kolmogorov-Smirnov Test

berat ikan

N 12
Mean 39,0000
Normal Parametersa,b
Std. Deviation 2,48633
Absolute ,156
Most Extreme Differences Positive ,114
Negative -,156
Kolmogorov-Smirnov Z ,541
Asymp. Sig. (2-tailed) ,931

a. Test distribution is Normal.

b. Calculated from data.

Berdasarkan table diatas, diketahui nilai Sig. adalah 0.931 > 0.05. jadi dapat disimpulkan
bahwa variable berat ikan berdistribusi normal.

Note : Menggambarkan jarak data dari rata2 = standar deviasi

  uji multikolinearitas : apakah x1 dan x2 itu ada hubungan? Karena x1 dan x2 tidak boleh ada
hubungan,

Coefficientsa

Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics

B Std. Error Beta Tolerance VIF

(Constant) 28,321 5,294 5,350 ,000

1 makanan ikan ,520 ,591 ,333 ,879 ,402 ,502 1,991

panjang ikan ,052 ,064 ,307 ,810 ,439 ,502 1,991

a. Dependent Variable: berat ikan

H0 ; tidak terjadi multikolinearitas

H1 ; terjadi multikolinearitas
Kriteria uji ; terima h0 jika VIF < 10 atau tolerance > 0.1
Cara bacanya ada 2 , dari tolerance dan vif .
Berdasarkan table diatas, diketahui nilai VIF untuk variable makanan dan Panjang ikan memiliki
nilai VIF < 10, jadi dapat disimpulkan bahwa variable independent terbebas dari
multikolinearitas.

 uji autokorelasi
h 0 : tidak terjadi autokoleras
h1 : terjadi autokolerasi
Kriteria uji : terima h 0 jika -2 < DW < 2

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 ,591a ,350 ,205 2,21633 1,660

a. Predictors: (Constant), panjang ikan , makanan ikan

b. Dependent Variable: berat ikan

Berdasarkan tabel diatas, diketahui nilai Durbin-Watson adalah 1,660 dan berada
diantara -2 sampai dengan 2. Jadi dapat disimpulkan bahwa model agresi tidak memiliki
masalah autokolerasi.
  uji heteroskedastisitas ; varian dari residualitas nya tidak sama

cara yang plots :

y *sresid
x *zpred
H 0 :Tidak terjadi heteroskedastisitas

h1 : terjadi heteroskedastisitas
Kriteria uji : terima h 0 jika nilai Sig. > 0.05 (alpha)

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 5,041 2,946 1,711 ,121

1 makanan ikan ,047 ,329 ,063 ,144 ,889

panjang ikan -,034 ,036 -,416 -,953 ,365

a. Dependent Variable: ABSRES

Berdasarkan table diatas diketahui nilai Sig untuk makanan ikan dan Panjang ikan memiliki nilai
Sig.>0.05. jadi dapat disimpulkan bahwa model regresi terbebas dari masalah h
eteroskedastisitas
Note :
Normalitas -> analyze -> non parametik -> legacy dialog -> one simple KS
Auto korelasi -> statistics -> durbin Watson
Multikoll -> statistics -> collinearity diagnositics
Heteros -> residual -> abs (Residual)-> jadikan dependet save -> uns residual
2. uji regresi linear berganda

 uji hipotesis simultan / F

h 0 : tidak ada pengaruh yang signifikan makanan ikan dan Panjang ikan terhadap berat ikan
secara bersama – sama
H 1 : Ada pengaruh yang signifikan makanan ikan dan Panjang ikan terhadap berat ikan secara
Bersama-sama atau simultan

Kriteria uji : terima h 0 jika nilai Sig. > 0.05

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 23,791 2 11,896 2,422 ,144b

1 Residual 44,209 9 4,912

Total 68,000 11

a. Dependent Variable: berat ikan

b. Predictors: (Constant), panjang ikan , makanan ikan

Berdasarkan tabel anova, diketahui nilai Sig. adalah 0,144 > 0,05. Jadi dapat disimpulkan
bahwa tidak ada pengaruh signifikan makanan ikan dan Panjang ikan terhadap berat ikan
secara Bersama-sama atau simultan
  uji hipotesis parsial / T
hipotesis x1
h 0 : tidak ada pengaruh yang signifikan makanan ikan terhadap berat ikan
H 1 : Ada pengaruh yang signifikan makanan ikan terhadap berat ikan secara

Hipotesis x2
h 0 : tidak ada pengaruh yang signifikan Panjang ikan terhadap berat ikan
H 1 : Ada pengaruh yang signifikan Panjang ikan terhadap berat ikan

Kriteria uji : terima h 0 jika nilai Sig. > 0.05

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 28,321 5,294 5,350 ,000

1 makanan ikan ,520 ,591 ,333 ,879 ,402

panjang ikan ,052 ,064 ,307 ,810 ,439

a. Dependent Variable: berat ikan

Berdasarkan tabel coefficients, diketahui nilai Sig. adalah 0,402 > 0,05. Jadi dapat
disimpulkan bahwa tidak ada pengaruh signifikan makanan ikan terhadap berat ikan

Berdasarkan tabel coefficients, diketahui nilai Sig. adalah 0,439 > 0,05. Jadi dapat
disimpulkan bahwa tidak ada pengaruh signifikan Panjang ikan terhadap berat ikan

 model persamaan regresi

berat ikan = 28,321 makanan ikan + 0.520 panjang ikan

 koefisien determentasi R2

Model Summaryb

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 ,591a ,350 ,205 2,21633

a. Predictors: (Constant), panjang ikan , makanan ikan

b. Dependent Variable: berat ikan
R square ; data kita adjusted r square : estimasi dari data kita
Berdasarkan table model summary diketahui R square adalah 0,350 / 35%. Jadi dapat
disimpulkan bahwa makanan ikan dan Panjang memberikan besar pengaruh bersama2 sebesar
35% dan 65% dipengaruhi oleh factor penelitian