Regresi & Korelasi Berganda
Regresi & Korelasi Berganda
OLEH KELOMPOK 9:
PRODI S1 FARMASI
FAKULTAS KESEHATAN
UNIVERSITAS NAHDATUL ULAMA MATARAM
2023
KATA PENGANTAR
Puji dan syukur kami panjatkan kehadirat Allah SWT. yang telah memberikan
rahmat dan karunia -Nya sehingga tersusunnya tugas makalah ini yang berjudul “Uji
Korelasi dan Regresi Berganda”.
Saya menyadari bahwa tugas ini sangat jauh dari sempurna, masih banyak
kelemahan dan kekurangan. Setiap saran, kritik, dan komentar yang bersifat
membangun dari pembaca sangat saya harapkan untuk meningkatkan kualitas dan
menyempurnakan tugas ini.
Penulis
ii
DAFTAR ISI
KATA PENGANTAR........................................................................................i
DAFTAR ISI.......................................................................................................ii
BAB I PENDAHULUAN...................................................................................1
A. Latar Belakang..............................................................................................1
B. Rumusah Masalah.........................................................................................2
C. Tujuan...........................................................................................................2
BAB II PEMBAHASAN....................................................................................3
A. Regresi Linear Berganda..............................................................................3
B. Asumsi-Asumsi Model Regresi Linear Berganda........................................8
C. Estimasi Parameter Model Regresi Linear Berganda...................................8
D. Pengujian Parameter Model Regresi Linear Berganda.................................8
E. Pelanggaran Terhadap Asumsi Regresi Linear Berganda............................10
F. Analisis Korelasi Berganda..........................................................................14
G. Contoh Kasus................................................................................................14
H. Analisis Regresi Linear Berganda dengan SPSS..........................................21
BAB III PENUTUP............................................................................................34
A. Kesimpulan...................................................................................................34
DAFTAR PUSTAKA.........................................................................................35
iii
BAB I
PENDAHULUAN
A. Latar Belakang
Analisis regresi merupakan salah satu teknik analisis data dalam statistika
yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan
meramal suatu variabel (Kutner, Nachtsheim dan Neter, 2004). Istilah “regresi”
pertama kali dikemukakan oleh Sir Francis Galton (1822-1911), seorang
antropolog dan ahli meteorologi terkenal dari Inggris. Dalam makalahnya yang
berjudul “Regression towards mediocrity in hereditary stature”, yang dimuat
dalam Journal of the Anthropological Institute, volume 15, hal. 246-263, tahun
1885.
Galton menjelaskan bahwa biji keturunan tidak cenderung menyerupai biji
induknya dalam hal besarnya, namun lebih medioker (lebih mendekati rata-rata)
lebih kecil daripada induknya kalau induknya besar dan lebih besar daripada
induknya kalau induknya sangat kecil (Draper dan Smith, 1992). Dalam mengkaji
hubungan antara beberapa variabel menggunakan analisis regresi, terlebih dahulu
peneliti menentukan satu variabel yang disebut dengan variabel tidak bebas dan
satu atau lebih variabel bebas.
Jika ingin dikaji hubungan atau pengaruh satu variabel bebas terhadap
variabel tidak bebas, maka model regresi yang digunakan adalah model regresi
linier sederhana. Kemudian Jika ingin dikaji hubungan atau pengaruh dua atau
lebih variabel bebas terhadap variabel tidak bebas, maka model regresi yang
digunakan adalah model regresi linier berganda (multiple linear regression model).
Kemudian untuk mendapatkan model regresi linier sederhana maupun model
regresi linier berganda dapat diperoleh dengan melakukan estimasi terhadap
parameterparameternya menggunakan metode tertentu.
4
Adapun metode yang dapat digunakan untuk mengestimasi parameter model
regresi linier sederhana maupun model regresi linier berganda adalah dengan
metode kuadrat terkecil (ordinary least square/OLS) dan metode kemungkinan
maksimum (maximum likelihood estimation/MLE) (Kutner et.al, 2004).
Analisis regresi berganda merupakan perluasan dari analisis regresi linier
sederhana. Dalam regresi linier sederhana, dibuat analisis hubungan dua variabel
(satu variabel independent dengan satu variabel dependent) yang dinyatakan
dengan persamaan linier Y’ = a + bX, dengan tujuan membuat prediksi tentang
besarnya nilai Y (variabel dependent) berdasarkan nilai X (variabel independent)
tertentu.
Prediksi perubahan variabel dependent (Y) akan menjadi lebih baik apabila
dimasukkan lebih dari satu variabel independent dalam persamaan liniernya (X1,
X2,……..Xn). Hubungan antara lebih dari satu variabel independent dengan satu
variabel dependent inilah yang dibicarakan dalam analisis regresi linier berganda.
Hubungan antara banyak variabel inilah yang sesungguhnya terjadi dalam dunia
nyata, karena sebenarnya kebanyakan hubungan antar variabel dalam ilmu soisal
merupakan hubungan statistikal, artinya bahwa perubahan nilai Y tidak mutlak
hanya dipengaruhi oleh satu nilai X tertentu tetapi dipengaruhi oleh banyak nilai
X.
A. Rumusan Masalah
1. Apa yang dimaksud dengan uji korelasi berganda?
2. Apa yang dimaksud dengan uji regresi berganda?
3. Bagaimana cara perhitungan regresi dan korelasi dengan SPSS
C. Tujuan
1. Untuk mengetahui apa itu uji korelasi berganda
2. Untuk mengetahui apa itu uji regresi berganda
3. Untuk mengetahui bagaimana cara perhitungan regresi dan korelasi dengan
SPSS
5
BAB II
PEMBAHASAN
6
Keterangan:
(ΣX1)2
a. Σ𝑋12 = Σ𝑋12 – 𝑛
𝑛
f. ∑𝑥1𝑥2 = ∑𝑥1𝑥2 - (∑𝑥1𝑛)(𝑥1)
7
3. Uji Parsial (T)
Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana
pengaruh masing-masing variabel bebasnya secara sendiri-sendiri (parsial)
terhadap variabel terikatnya. Uji ini dapat dilakukan dengan mambandingkan t
hitung dengan t tabel.
Menurut Ghozali (2012: 98) uji beda t-tes digunakan untuk menguji
seberapa jauh pengaruh variabel independen yang digunakan dalam penelitian
ini secara individual dalam menerangkan variabel dependen secara parsial.
Dasar pengambilan keputusan digunakan dalam uji t adalah sebagai berikut :
8
𝑆𝑌,𝑋1,𝑋2
𝑆𝑏1 = √{∑ 𝑋12 −
𝑛𝑋̃12}{1 − 𝑟𝑋1𝑋22 }
𝑆𝑌,𝑋1,𝑋2
2 ̃ 2 2
𝑆𝑏2 = √ {∑ 𝑋2 − 𝑛𝑋 2 }{1 − 𝑟 𝑋1𝑋2 }
Keterangan :
Ket :
9
dikurangi 1. Derajat kebebasan penyebut (Denominator, df) menggunakan n –
K atau jumlah sampel dikurangi jumlah variabel.
a. Jika nilai F lebih besar dari 4 maka H0 ditolak pada derajat kepercayaan 5%
dengan kata lain kita menerima hipotesis alternatife, yang menyatakan
bahwa semua variabel independen secara serentak dan signifikan
mempengaruhi variabel denpenden.
b. Membandingkan nilai F hasil perhitungan dengan F menurut dengan F
menurut table. Bila nilai F (hitung) lebih besar dari pada nilai F (table) maka
Ho ditolak dan menerima Ha.
Ket :
SSE = Sum Square of Error
10
n = Jumlah sampel
k = variabel bebas , contoh 𝑋1dan 𝑋2
11
𝐻0 ≠ 0
b. Menentukan tingkat signifikansi (𝛼)
Tingkat signifikansi (𝛼) yang seringkali digunakan dalam penelitian adalah
5%.
c. Menentukan statistik uji
Statistik uji yang digunakan adalah:
RKR
F=
RKE
dengan: RKR adalah rata-rata kuadrat regresi (dapat diperoleh dari Tabel
Analisis Variansi). RKE adalah rata-rata kuadrat error (dapat diperoleh dari
Tabel Analisis Variansi).
−1, 𝑛−𝑝) disebut dengan F tabel. Selain dari daerah kritik di atas, dapat juga
digunakan daerah kritik yang lain yaitu jika nilai peluang (Sig.) < tingkat
signifikansi (𝛼) maka H0 ditolak.
e. Menarik kesimpulan
2. Pengujian Parameter Secara Individu (Parsial)
Prosedur pengujian parameter secara parsial adalah sebagai berikut:
a. Membuat hipotesis
𝐻0 = 𝛽1 = 𝛽2 = ⋯ 𝛽𝑝−1 = 0
𝐻0 ≠ 0
b. Menentukan tingkat signifikansi (𝛼)
Tingkat signifikansi (𝛼) yang seringkali digunakan dalam penelitian adalah
5%.
12
c. Menentukan statistik uji
Statistik uji yang digunakan adalah:
bk
t=
s (bk )
𝑏𝑘 = adalah nilai taksiran parameter (𝑏𝑘 yang diperoleh dari metode OLS).
(𝑏𝑘 ) = adalah standar deviasi nilai taksiran parameter 𝑏𝑘.
13
c. Walaupun secara individu variabel bebas tidak berpengaruh terhadap
variabel tidak bebas melalui uji t, tetapi nilai koefisien determinasi (R2)
masih bisa relatif tinggi.
Selanjutnya untuk mendeteksi adanya multikolinieritas dalam model regresi
linier berganda dapat digunakan nilai variance inflation factor (VIF) dan
tolerance (TOL) dengan ketentuan jika nilai VIF melebihi angka 10, maka
terjadi multikolinieritas dalam model regresi. Kemudian jika nilai TOL sama
dengan 1, maka tidak terjadi multikolinieritas dalam model regresi.
2. Heteroskedastisitas
Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau
variansi antar error yang satu dengan error yang lain berbeda (Widarjono,
2007). Dampak adanya heteroskedastisitas dalam model regresi adalah
walaupun 9 estimator OLS masih linier dan tidak bias, tetapi tidak lagi
mempunyai variansi yang minimum dan menyebabkan perhitungan standard
error metode OLS tidak bisa dipercaya kebenarannya.
Selain itu interval estimasi maupun pengujian hipotesis yang didasarkan pada
distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil regresi.
Akibat dari dampak heteroskedastisitas tersebut menyebabkan estimator OLS
tidak menghasilkan estimator yang BLUE dan hanya menghasilkan estimator
OLS yang linear unbiased estimator (LUE).
Selanjutnya dilakukan deteksi masalah heteroskedastisitas dalam model regresi.
Salah satu cara yang dapat digunakan untuk mendeteksi adanya
heteroskedastisitas dalam model regresi adalah dengan Metode Glejser. Glejser
merupakan seorang ahli ekonometrika dan mengatakan bahwa nilai variansi
variabel error model regresi tergantung dari variabel bebas
Selanjutnya untuk mengetahui apakah pola variabel error mengandung
heteroskedastisitas Glejser menyarankan untuk melakukan regresi nilai mutlak
residual dengan variabel bebas. Jika hasil uji F dari model regresi yang
14
diperoleh tidak signifikan, maka tidak ada heteroskedastisitas dalam model
regresi (Widarjono, 2007)
3. Autokorelasi
Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan
variable error yang lain. Autokorelasi seringkali terjadi pada data time series
dan dapat juga terjadi pada data cross-section tetapi jarang (Widarjono, 2007).
Adapun dampak dari adanya autokorelasi dalam model regresi adalah sama
dengan dampak dari heteroskedastisitas yang telah diuraikan di atas, yaitu
walaupun estimator OLS masih linier dan tidak bias, tetapi tidak lagi
mempunyai variansi yang minimum dan menyebabkan perhitungan standard
error metode OLS tidak bisa dipercaya kebenarannya.
Selain itu interval estimasi maupun pengujian hipotesis yang didasarkan pada
distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil regresi.
Akibat dari dampak adanya autokorelasi dalam model regresi menyebabkan
estimator OLS tidak menghasilkan estimator yang BLUE dan hanya
menghasilkan estimator OLS yang LUE (Widarjono, 2007).
Selanjutnya untuk mendeteksi adanya autokorelasi dalam model regresi linier
berganda dapat digunakan metode Durbin-Watson. Durbin-Watson telah
berhasil mengembangkan suatu metode yang digunakan untuk mendeteksi
adanya masalah autokorelasi dalam model regresi linier berganda menggunakan
pengujian hipotesis dengan statistik uji yang cukup popular
Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas bawah (dL)
dan batas atas (dU) sehingga jika nilai d hitung dari persamaan (6.1) terletak di
luar nilai kritis ini, maka ada atau tidaknya autokorelasi baik positif atau negatif
dapat diketahui. Deteksi autokorelasi pada model regresi linier berganda dengan
metode Durbin-Watson adalah seperti pada Tabel berikut:
15
Salah satu keuntungan dari uji Durbin-Watson yang didasarkan pada error adalah
bahwa setiap program komputer untuk regresi selalu memberi informasi statistik d.
Adapun prosedur dari uji Durbin-Watson adalah (Widarjono, 2007):
16
Analisis korelasi berganda merupakan perluasan dari analisis korelasi
sederhana. Dalam analisis korelasi berganda bertujuan untuk mengetahui
bagaimana derajat hubungan antara beberapa variabel independent (Variabel X1,
X2, ……., Xk) dengan variabel dependent (Variabel Y) secara bersama-sama.
G. Contoh Kasus
Konsumen yang loyal akan memberi peningkatan keuntungan. Banyak cara
yang bisa dilakukan untuk meningkatkan loyalitas konsumen. Untuk memuaskan
konsumen, ada pemikiran di kalangan pengusaha kuliner atau rumah makan di
daerah Bandung untuk meningkatkan keuntungan usaha, yaitu dengan menambah
jumlah tenaga kerja untuk meningkatkan kepuasan pelayanan atau memperluas
area parkir sebagai usaha memberikan pelayanan yang baik pada konsumen.
Untuk itu, dilakukan survey terhadap 15 pengusaha kulinerdi wilayah Bandung
pada tahun 2012. Hasil survey tersebut adalah sebagai berikut
17
Pembahasaan Kasus Menggunakan Uji Regresi dan Korelasi Berganda, Uji
Parsial (T), Uji Simultan (F) Menggunakan Cara Manual
18
8 64 4 8 256 512 32 16 64 4096
9 340 48 55 16320 18700 2640 2304 3025 115600
10 670 81 98 54270 65660 7938 6561 9604 448900
11 370 12 65 4440 24050 780 144 4225 136900
12 644 59 9 37996 5796 531 3481 81 414736
13 128 44 12 5632 1536 528 1936 144 16384
14 415 28 9 11620 3735 252 784 81 172225
15 387 65 12 25155 4644 780 4225 144 149769
Jumla 5046 513 429 22607 19782 2107 2641 2619 222126
h 8 2 4 9 1 4
= 6402,2
mencari nilai b:
19
𝑏1 = (∑ 𝑥2(∑2 x12)(Σ X1Y)(Σ𝑋)2– )(−(∑
𝑥2y∑𝑥1𝑥)(∑2)𝑥1𝑥− 2)
2
= 4,873
2
b2 =
= 1,602
=
= 123,911
20
2) Menggunakan Taraf signifikan 5%
3) Statistik Hitung
Didapatkan nilai :
Sum Square Error (SSE) = 177316,552
Sum Square of Regression (SSR) = 346419,238
𝑆𝑆𝐸 177316,552
√
𝑆𝑌.𝑋1.𝑋2 = 𝑛− (𝑘+1 ) = √ = 121,558
15 − (2+1 )
21
Sehingga dari nilai-nilai diatas dapat ditentukan :
𝑏1 4,873
𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 𝑋1 = == 3,0881
𝑆𝑏1 1,578
𝑏2 1,602
𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 𝑋2 = == 1,271
𝑆𝑏2 1,26
𝑡 𝑡𝑎𝑏𝑒𝑙 = 𝑇𝐼(0,05; 14) = 2,145
4) Kriteria Uji
Tolak 𝐻0 jika nilai t hitung > t tabel
5) Keputusan
Tolak 𝐻0 untuk variabel Jumlah tenaga kerja (X1) karena 3,0881 > 2,145
Terima 𝐻0 untuk variabel parkir mobil (X2) karena 1,271 < 2,145
6) Kesimpulan
Dengan taraf signifikan 5%, dapat disimpulkan bahwa terdapat pengaruh
signifikan jumlah tenaga kerja terhadap pendapatan dan tidak terdapat
pengaruh signifikan parkir mobil terhadap pendapatan.
22
2) Menggunakan Taraf signifikan 5%
3) Statistika Hitung :
4) Kriteria Uji
Tolak 𝐻0 jika nilai F hitung > F tabel
5) Keputusan
Tolak 𝐻0 karena F hitung > F tabel yaitu 11,719 > 3,885
6) Kesimpulan
Dengan taraf signifikan 5%, dapat disimpulkan bahwa terdapat pengaruh
signifikan jumlah tenaga kerja dan parkir mobil terhadap pendapatan
secara bersamaan.
23
H. Analisis Korelasi Dan Regresi dengan SPSS
1. Buka aplikasi SPSS 27
2. Lalu klik menu variable view dan isi variabel data sesuai data yang akan di
statistikan
24
3. Lalu beralih ke data view kemudian isi data sesuai variable view
4. Sebelum memulai uji regresi dan korelasi kita mencari data deskriptif dengan
klik analyze-descriptive statistic-frequencies
25
Klik variable Y dan X masukkan ke Kotak Variable(s)
26
klik pilihan Chart kemudian akan muncul tampilannya, pada Chart Type
pilih Bar Charts dan pada Chart Values pilih Frequencies klik Continue
lalu klik OK
27
Statistics
Jumlah Tenaga Pendapat (Juta
Kerja Parkir Mobil Rupiah)
N Valid 15 15 15
Missing 1 1 1
Mean 34.20 28.60 336.40
Median 28.00 12.00 340.00
Std. Deviation 25.177 31.534 193.426
Variance 633.886 994.400 37413.543
Percentiles 25 12.00 8.00 130.00
50 28.00 12.00 340.00
75 59.00 55.00 450.00
28
Total 16 100.0
Parkir Mobil
Cumulative
Frequency Percent Valid Percent Percent
Valid 3 1 6.3 6.7 6.7
5 1 6.3 6.7 13.3
7 1 6.3 6.7 20.0
8 2 12.5 13.3 33.3
9 2 12.5 13.3 46.7
12 2 12.5 13.3 60.0
18 1 6.3 6.7 66.7
36 1 6.3 6.7 73.3
55 1 6.3 6.7 80.0
65 1 6.3 6.7 86.7
84 1 6.3 6.7 93.3
98 1 6.3 6.7 100.0
Total 15 93.8 100.0
Missing System 1 6.3
Total 16 100.0
29
315 1 6.3 6.7 46.7
340 1 6.3 6.7 53.3
370 1 6.3 6.7 60.0
387 1 6.3 6.7 66.7
415 1 6.3 6.7 73.3
450 1 6.3 6.7 80.0
570 1 6.3 6.7 86.7
644 1 6.3 6.7 93.3
670 1 6.3 6.7 100.0
Total 15 93.8 100.0
Missing System 1 6.3
Total 16 100.0
5. Langkah selanjutnya menguji uji regresi dan korelasi berganda. Klik Analyze –
regression- linear
30
6. Pindahkan variable Y pada independent dan variable X1 dan X2 pada
dependent
31
7. Klik Statistics, pada menu Regression Coefficient pilih Estimates, Model fit,
Collinearity diagnostics dan pada menu Residuals pilih Durbin-Watson
32
9. Klik OK kemudian muncul output sebagai berikut
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Parkir Mobil, . Enter
Jumlah Tenaga
Kerjab
a. Dependent Variable: Pendapat (Juta Rupiah)
b. All requested variables entered.
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .813a .661 .605 121.558 2.787
a. Predictors: (Constant), Parkir Mobil, Jumlah Tenaga Kerja
b. Dependent Variable: Pendapat (Juta Rupiah)
33
Kesimpulan :
Hubungan variable jumlah tenaga kerja dan luas parkir mobil terhadap
pendapatan sangat kuat, karena nilai R berada pada imterval koefisien
0,80 – 1000 yang menunjukan hubungan sangat kuat.
Variable jumlah tenaga kerja dan luas parker mobil secara bersama-sama
berpengaruh terhadap pendapatan sebesar 661% sedangkan sisanya 33,9
% dipengaruhi oleh variable lain diluar variable yang diteliti.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 346473.054 2 173236.527 11.724 .002b
Residual 177316.546 12 14776.379
Total 523789.600 14
a. Dependent Variable: Pendapat (Juta Rupiah)
b. Predictors: (Constant), Parkir Mobil, Jumlah Tenaga Kerja
Kesimpulan :
n-k-1 = 15 - 2 - 1= 12 f table = 3,885 f hitung = 11,724 dari ouput tersebut
untuk variable F hitung sebesar 11,719 dan nilai F tabelnya sebesar 3,885
dengan nilai signifikasinya sebesar 0,002 maka dapat disimpulkan menerima
hipotesis pertama artinya jumlah tenaga kerja (X1) dan luas parker mobil
(X2) secara signifikan berpengaruh terhadap variable pendapatan (Y)
34
Kesimpulan :
a. Interprestasi Koefisien Regresi :
35
Collinearity Diagnosticsa
Variance Proportions
Jumlah Tenaga
Model Dimension Eigenvalue Condition Index (Constant) Kerja Parkir Mobil
1 1 2.535 1.000 .04 .03 .04
2 .316 2.833 .49 .00 .60
3 .149 4.125 .46 .97 .36
a. Dependent Variable: Pendapat (Juta Rupiah)
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 156.22 675.67 336.40 157.315 15
Residual -229.557 218.153 .000 112.541 15
Std. Predicted Value -1.145 2.157 .000 1.000 15
Std. Residual -1.888 1.795 .000 .926 15
a. Dependent Variable: Pendapat (Juta Rupiah)
36
BAB III
PENUTUP
A. Kesimpulan
Uji regresi berganda sangat bermanfaat dalam penelitian karena dapat
mengetahui seberapa besar pengaruh dan hubungan dari beberapa variabel bebas
terhadap variabel tidak bebas dan juga dapat meramalkan nilai variabel tidak bebas
apabila seluruh variabel bebas sudah diketahui nilainya.
Dari hasil pembahasan yang telah dilakukan terhadap kasus Pengaruh
Jumlah Tenaga Kerja Dan Jumlah Ruang Parkir Mobil Terhadap Jumlah
Pendapatan Restoran Di Bandung Pada Tahun 2012 didapatkan persamaan
regresinya yaitu 𝒀 = 𝟏𝟐𝟑, 𝟗𝟏𝟏 + 𝟒, 𝟖𝟕𝟑 𝑿𝟏 + 𝟏, 𝟔𝟎𝟐 𝑿𝟐 yang berarti terdapat
pengaruh antara jumlah tenaga kerja (X1) dan luas parker mobil (X2) terhadap
pendapatan (Y).
DAFTAR PUSTAKA
37
Herdanto,Dadan.2019."Pengaruh Kualitas Produk Dan Servicecape Lingkungan
Layanan Terhadap Kepuasan Konsumen". Skripsi.Universitas Pasudan.
38