LEMBAR JAWABAN MAHASISWA

Nama : Reza Muhtadin

NIM : 4202530004

Kelas : PS Matematika 2020 B

Mata Kuliah : Analisis Regresi dan Korelasi

Dosen Pengampu : Chairunnisah, M.Si

“Saya yang bertanda tangan di bawah ini menyatakan dengan sesungguhnya bahwa

jawaban yang saya tulis bebas dari segala bentuk plagiasi atau segala tindakan yang

melanggar peraturan ujian. Bila suatu saat nanti, terbukti pernyataan saya tidak sesuai dengan

kenyataannya, saya siap bersedia menerima sanksi sesuai ketentuan yang berlaku.”

Medan, 06 Desember 2022

REZA MUHTADIN
NIM. 4202530004
 1. Analisis Metode Terbaik dengan Metode Backward

Input Data :

Proses penginputan data pada SPSS dengan ketentuan sebagai berikut :

Variable Dependent (Y) : Leverage

Variable Independent (X) : 1. Profitabilitas, 2. Size, 3. Likuiditas, dan 4. Tangible

Proses Analisis SPSS :

Lalu, saya coba juga mengklik bagian diagnosa collinearity untuk mengecek hubungan kolinearitas di antara variabel terikat dan bebasnya.
Hasil Output dan Interpretasi :

A. Tabel Deskriptif Stastik :

Descriptive Statistics

Mean Std. Deviation N

Leverage_y ,502268 ,2483038 53

Profitabilitas_x1 ,109838 ,1499682 53
Size_x2 27,887162 1,5516892 53
Likuiditas_x3 25,551072 138,3767017 53
Tangible_x4 ,422338 ,1661753 53

Pada tabel Statistik Deskriptif ini akan menyajikan hasil rata-rata dan standar deviasi tiap variabel baik dependent dan independent.

B. Tabel Korelasi

Selanjutnya akan ditampilkan gambaran mengenai korelasi antara variabel terikat dan variabel bebas, yaitu sebagai berikut :

Correlations

Leverage_y Profitabilitas_x1 Size_x2 Likuiditas_x3 Tangible_x4

Pearson Correlation Leverage_y 1,000 ,094 -,164 -,043 -,060

Profitabilitas_x1 ,094 1,000 -,023 -,268 -,514

Size_x2 -,164 -,023 1,000 ,077 -,277

Likuiditas_x3 -,043 -,268 ,077 1,000 ,108

 Tangible_x4 -,060 -,514 -,277 ,108 1,000
Leverage_y . ,253 ,121 ,381 ,335
Profitabilitas_x1 ,253 . ,434 ,026 ,000
Sig. (1-tailed) Size_x2 ,121 ,434 . ,293 ,022
Likuiditas_x3 ,381 ,026 ,293 . ,220
Tangible_x4 ,335 ,000 ,022 ,220 .
Leverage_y 53 53 53 53 53

Profitabilitas_x1 53 53 53 53 53

N Size_x2 53 53 53 53 53

Likuiditas_x3 53 53 53 53 53

Tangible_x4 53 53 53 53 53

C. Tabel Entered/Remove

Variables Entered/Removeda

Model Variables Variables Method

Entered Removed

Tangible_x4,
Likuiditas_x3,
1 . Enter
Size_x2,
Profitabilitas_x1b
Backward
(criterion:
2 . Likuiditas_x3 Probability of F-
to-remove
>= ,100).
 Backward
(criterion:
3 . Profitabilitas_x1 Probability of F-
to-remove
>= ,100).
Backward
(criterion:
4 . Tangible_x4 Probability of F-
to-remove
>= ,100).
Backward
(criterion:
5 . Size_x2 Probability of F-
to-remove
>= ,100).

a. Dependent Variable: Leverage_y

b. All requested variables entered.

Dari tabel di atas, kita bisa melihat dan mengetahui variable apa saja yang dimasukkan dan variabel mana yang akan dieliminasi untuk
mengecek hasil terbaik di antara keempat variabel bebas menggunakan metode backward.

D. Tabel Model Summary

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate
 1 ,200a ,040 -,040 ,2532022
2 ,200 b
,040 -,019 ,2506123
3 ,197 c
,039 ,000 ,2482635
4 ,164 d
,027 ,008 ,2473442
5 ,000 e
,000 ,000 ,2483038

a. Predictors: (Constant), Tangible_x4, Likuiditas_x3, Size_x2,

Profitabilitas_x1
b. Predictors: (Constant), Tangible_x4, Size_x2, Profitabilitas_x1
c. Predictors: (Constant), Tangible_x4, Size_x2
d. Predictors: (Constant), Size_x2
e. Predictor: (constant)

Dari model summary terlihat ada 5 model yang tercipta dari predictor yang berbeda-beda. Terlihat dari R square bahwa semakin ke
bawah modelnya, nilai R squarenya semakin kecil.

E. Tabel Anova

ANOVAa

Model Sum of Squares Df Mean Square F Sig.

Regression ,129 4 ,032 ,502 ,734b

1 Residual 3,077 48 ,064

Total 3,206 52
Regression ,129 3 ,043 ,682 ,567c
2 Residual 3,078 49 ,063
Total 3,206 52
3 Regression ,124 2 ,062 1,008 ,372d
 Residual 3,082 50 ,062
Total 3,206 52
Regression ,086 1 ,086 1,404 ,241e
4 Residual 3,120 51 ,061
Total 3,206 52
Regression ,000 0 ,000 . .f

5 Residual 3,206 52 ,062

Total 3,206 52

a. Dependent Variable: Leverage_y

b. Predictors: (Constant), Tangible_x4, Likuiditas_x3, Size_x2, Profitabilitas_x1
c. Predictors: (Constant), Tangible_x4, Size_x2, Profitabilitas_x1
d. Predictors: (Constant), Tangible_x4, Size_x2
e. Predictors: (Constant), Size_x2
f. Predictor: (constant)

Selanjutnya kita akan melihat dari Tabel Anova atau kebaikan model, terlihat bahwa nilai F hitungnya semakin ke bawah maka nilai F
hitungnya makin besar. Dilihat dari P value α-nya, nilai signifikannya lebih besar dari 5%, sehingga kita bisa mengetahui model yang terbaik
dari α penentu yaitu sebesar 0,05 adalah model yang KELIMA. Terlihat jelas nilai signifikansi keempat model lain (0,241-0,734) jauh lebih
besar dari 0,05.

F. Tabel Coefficient

Selanjutnya kita lihat secara parsial dari persoalan :

Coefficientsa
 Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics
Coefficients

B Std. Error Beta Tolerance VIF

(Constant) 1,386 ,725 1,911 ,062

Profitabilitas_x1 ,068 ,286 ,041 ,237 ,813 ,668 1,497

1 Size_x2 -,030 ,024 -,187 -1,242 ,220 ,883 1,133

Likuiditas_x3 -1,384E-005 ,000 -,008 -,052 ,958 ,923 1,083

Tangible_x4 -,134 ,262 -,090 -,512 ,611 ,652 1,533

(Constant) 1,388 ,717 1,934 ,059
Profitabilitas_x1 ,071 ,276 ,043 ,259 ,797 ,706 1,416
2
Size_x2 -,030 ,024 -,187 -1,261 ,213 ,886 1,128
Tangible_x4 -,134 ,259 -,090 -,517 ,608 ,653 1,532
(Constant) 1,445 ,676 2,139 ,037
3 Size_x2 -,031 ,023 -,195 -1,353 ,182 ,923 1,083
Tangible_x4 -,170 ,216 -,114 -,789 ,434 ,923 1,083
(Constant) 1,233 ,617 1,997 ,051
4
Size_x2 -,026 ,022 -,164 -1,185 ,241 1,000 1,000
5 (Constant) ,502 ,034 14,726 ,000

a. Dependent Variable: Leverage_y

Pada model yang pertama terlihat tak ada nilai signifikan yang berada di bawah hingga 0,05 sesuai ketentuan. Selanjutnya pada model
yang kedua, variabel likuiditas dikeluarkan dan terlihat juga hasilnya masih belum signifikan. Selanjutnya pada model ketiga variabel tidak
signifikan profitabilitas juga dieliminasi sehingga terlihat nilai konstannya signifikan, walau pada variabel size dan Tangible juga masih tidak
signifikan sesuai nilai α = 0.05. Begitu pula model yang keempat, sehingga terlihat urutan model baik hingga terbaik adalah model 3, 4,
kemudian model 5.
 Begitulah konsep dan algoritma dari metode backward yaitu untuk menghasilkan model terbaik dengan mengeliminasi variabel
independent yang tidak signifikan.

G. Tabel Collinearity Diagnostics

Collinearity Diagnosticsa

Model Dimension Eigenvalue Condition Index Variance Proportions

(Constant) Profitabilitas_x1 Size_x2 Likuiditas_x3 Tangible_x4

1 3,309 1,000 ,00 ,02 ,00 ,00 ,01

2 1,083 1,748 ,00 ,08 ,00 ,64 ,00

1 3 ,545 2,465 ,00 ,48 ,00 ,34 ,02

4 ,062 7,310 ,01 ,36 ,01 ,01 ,79

5 ,001 51,612 ,99 ,06 ,99 ,00 ,18

1 3,277 1,000 ,00 ,02 ,00 ,01
2 ,659 2,229 ,00 ,56 ,00 ,02
2
3 ,063 7,236 ,01 ,35 ,01 ,79
4 ,001 51,295 ,99 ,07 ,99 ,18
1 2,904 1,000 ,00 ,00 ,01
3 2 ,095 5,531 ,00 ,01 ,87
3 ,001 46,586 1,00 ,99 ,12
1 1,998 1,000 ,00 ,00
4
2 ,002 36,316 1,00 1,00
5 1 1,000 1,000 1,00

a. Dependent Variable: Leverage_y

Hasil dari diagnosa kolinearitas digunakan ada atau tidaknya masalah multikolinearitas. Yang perlu diperhatikan dari tabel ini adalah
eigen value dan condition indeks. Bila nilai eigen value lebih dari 0,01 dan condition indeks kurang dari 30, maka dapat ditarik kesimpulan
bahwa tidak terjadi gejala multikolinearitas pada permasalahn di atas. Dari tabel di atas terlihat bahwa nilai condition indeksnya lebih dari 30
sehingga dapat diyakini dan disimpulkan bahwa KEMUNGKINAN terjadi multikolinearitas pada analisis regresinya. NAMUN HARUS
DIBUKTIKAN LANGSUNG MENGGUNAAN UJI MULTIKOLINEARITAS PADA BAGIAN C LEMBAR JAWABAN INI.

H. Excluded Variables

Excluded Variablesa

Model Beta In t Sig. Partial Collinearity Statistics

Correlation Tolerance VIF Minimum
Tolerance

2 Likuiditas_x3 -,008 b
-,052 ,958 -,008 ,923 1,083 ,652
Likuiditas_x3 -,016 c
-,112 ,911 -,016 ,976 1,025 ,907
3
Profitabilitas_x1 ,043 c
,259 ,797 ,037 ,706 1,416 ,653
Likuiditas_x3 -,030 d
-,217 ,829 -,031 ,994 1,006 ,994
4 Profitabilitas_x1 ,090 d
,646 ,521 ,091 ,999 1,001 ,999
Tangible_x4 -,114 d
-,789 ,434 -,111 ,923 1,083 ,923
Likuiditas_x3 -,043 e
-,306 ,761 -,043 1,000 1,000 1,000

Profitabilitas_x1 ,094e ,671 ,505 ,094 1,000 1,000 1,000

5
Tangible_x4 -,060 e
-,428 ,670 -,060 1,000 1,000 1,000

Size_x2 -,164e -1,185 ,241 -,164 1,000 1,000 1,000

a. Dependent Variable: Leverage_y

b. Predictors in the Model: (Constant), Tangible_x4, Size_x2, Profitabilitas_x1
c. Predictors in the Model: (Constant), Tangible_x4, Size_x2
d. Predictors in the Model: (Constant), Size_x2
e. Predictor: (constant)
2. Uji Autokorelasi
 Saya melakukan uji autokorelasi Durbin Watson dengan SPSS dan menghasilkan output sebagai berikut :

Variables Entered/Removeda

Model Variables Variables Method

Entered Removed

Tangible_x4,
Likuiditas_x3,
1 . Enter
Size_x2,
Profitabilitas_x1b

a. Dependent Variable: Leverage_y

b. All requested variables entered.

Model Summaryb

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

Square Estimate

1 ,200a
,040 -,040 ,2532022 2,237

a. Predictors: (Constant), Tangible_x4, Likuiditas_x3, Size_x2, Profitabilitas_x1

b. Dependent Variable: Leverage_y

Untuk melihat hasil uji auto korelasi kita akan mengolah bagian tabel model summary,
n= 53
d= 2,237 [dilihat dari tabel model summary bagian model summary]
k=4 [banyaknya jumlah variabel bebas yang dipakai pada permasalahan]

Selanjutnya adalah kita cek nilai dari tabel Durbin Wattson dengan ketentuan n= 53 dan k= 4, yaitu :
Dari tabel yang dikotaki warna ungu, maka kita dapatkan nilai :
dL = 1,4000
dU = 1,7228
Nilai manual :
4 – dL = 4 – 1,4 = 2,6000
4 – dU = 4 – 1,7228 = 2,2772

Langsung cek “Dasar Pengambilan Keputusan Durbin Wattson”, maka didapatkan kesimpulan :
dU = 1,7228 < d= 2,237 < 4 – dU = 4 – 1,7228 = 2,2772, disimpulkan TAK TERDAPAT AUTOKORELASI.

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression ,129 4 ,032 ,502 ,734b

1 Residual 3,077 48 ,064

Total 3,206 52

a. Dependent Variable: Leverage_y

b. Predictors: (Constant), Tangible_x4, Likuiditas_x3, Size_x2, Profitabilitas_x1

Coefficientsa

Model Unstandardized Coefficients Standardized T Sig.

Coefficients

B Std. Error Beta

(Constant) 1,386 ,725 1,911 ,062

Profitabilitas_x1 ,068 ,286 ,041 ,237 ,813

1 Size_x2 -,030 ,024 -,187 -1,242 ,220

Likuiditas_x3 -1,384E-005 ,000 -,008 -,052 ,958

Tangible_x4 -,134 ,262 -,090 -,512 ,611

 a. Dependent Variable: Leverage_y

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value ,402248 ,598210 ,502268 ,0497504 53

Residual -,3405528 1,2821171 0E-7 ,2432688 53
Std. Predicted Value -2,010 1,928 ,000 1,000 53
Std. Residual -1,345 5,064 ,000 ,961 53

a. Dependent Variable: Leverage_y

3. Uji Multikolinieritas

Dasar pengambilan keputusan untuk menentukan hasil Uji Multikolinearitas ialah :

A. Berdasarkan Nilai Tolerance

a. Tolerance > 0,10 = Tidak terjadi Multikolinearitas.
b. Tolerance < 0,10 = Terjadi Multikolinearitas.
B. Berdasarkan Nilai VIF
a. Tolerance > 10,00 = Terjadi Multikolinearitas.
b. VIF < 10,00 = Tidak terjadi Multikolinearitas.

Hasil Output SPSS :

 Coefficientsa

Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

Coefficients

B Std. Error Beta Tolerance VIF

(Constant) 1,386 ,725 1,911 ,062

Profitabilitas_x1 ,068 ,286 ,041 ,237 ,813 ,668 1,497

1 Size_x2 -,030 ,024 -,187 -1,242 ,220 ,883 1,133

Likuiditas_x3 -1,384E-005 ,000 -,008 -,052 ,958 ,923 1,083

Tangible_x4 -,134 ,262 -,090 -,512 ,611 ,652 1,533

a. Dependent Variable: Leverage_y

Berdasarkan hasil SPSS, pada semua nilai tolerance variabel terlihat nilainya lebih besar dari 0,10 dan nilai VIF-nya lebih kecil dari
10, maka dapat disimpulkan bahwa hasil uji regresinya TIDAK TERJADI MULTIKOLINEARITAS SECARA VALID.