X1 X2 Y
50 20 60
40 25 55
60 30 65
55 35 70
45 40 62
65 50 75
70 55 80
75 60 85
80 65 90
90 70 95
80 74 93
81 81 94
RMSE= 1,475557
Untuk nilai eror intercept,X1 DAN X2
Sebelum mencari regresi bergandanya kita perlu mencari nilai ∑ x12 yang kecil, ∑ x22 , ∑
y2 besar, x kecil, ∑ x1y, ∑ x2y dan ∑ x1x2 dengan bantuan EXCEL, setelah di peroleh
hasilnya kemudian kita masukan dengan n = 12 yaitu:
Dengan rumus:
n 12
x1^2 2820,917
x2^2 4534,917
y^2 2306
x1y 2487
x2y 3116
x1x2 3226,417
b1 0,514014546
b2 0,321411617
a 26,91337211
Nah, sekarang biasa di buktikan apakah nilai regresi yang di cari manual dengan yang di
cari menggunakan data analysis di excel itu sama.
Model Summaryb
Nilai Adjusted R2 sebesar 0,986 atau 98,6%. Artinya variabel X1 (Pengeluaran Makanan) dan
X2 (Pengeluaran Transportasi) mempengaruhi variabel Y (Berat Badan) sebesar 98,6% dan
sisanya 1,4% dipengaruhi oleh faktor lainnya.
2. Uji statistik
Hipotesis:
H1 : Terdapat pengaruh pengeluaran konsumsi (X1) dan pengeluaran transportasi
(X2) secara simultan terhadap berat badan (Y).
Tingkat signifikansi (α) = 0%
Pengujian H1 dan H2 dengan Uji t
1. Jika nilai sig < 0,00, atau t hitung > ttabel maka terdapat pengaruh variabel independen
(X) terhadap variabel dependepn (Y).
Coefficientsa
Standardiz
ed
Unstandardized Coefficient Collinearity
Coefficients s Correlations Statistics
Zero- Toleran
Model B Std. Error Beta t Sig. order Partial Part ce VIF
1 (Constant) 26,913 2,619 10,278 ,000
pengeluaran
,514 ,074 ,569 6,915 ,000 ,975 ,917 ,245 ,186 5,369
makanan
pengeluaran
,321 ,059 ,451 5,483 ,000 ,964 ,877 ,195 ,186 5,369
trasportasi
a. Dependent Variable: berat badan
2. Jika nilai sig > 0,00, atau t hitung < ttabel maka tidak terdapat pengaruh variabel
independen (X) terhadap variabel dependen (Y)
ttabel = n-k-1
=12-2-1
=9
3,520
H1 : Diketahui nilai sig pengeluaran makanan (X1) sebesar =0,000 <0,01 dan t hitung
= 6,915 > ttabel = 3,520. Maka, dapat disimpulkan bahwa H1 diterima yang artinya
terdapat pengaruh secara persial Pengeluaran makanan (X1) terhadap Berat Badan
(Y).
H2: Diketahui nilai sig pengeluaran transportasi (X2) sebesar = 0,000 <0,01 dan
thitung = 5,483 > ttabel = 3,520. Maka, dapat disimpulkan bahwa H2 diterima yang
artinya terdapat pengaruh secara parsial pengeluaran transportasi (X2) terhadap
berat badan (Y).
Pengujian H3 dengan Uji F
1. Jika nilai sig < 0,01 atau Fhitung > Ftabel maka terdapat pengaruh variabel
independen (X) secara simultan terhadap variabel dependen (Y).
2. Jika nilai sig > 0,01 atau Fhitung < Ftabel maka tidak terdapat pengaruh variabel
independen (X) secara simultan terhadap variabel dependen (Y).
Ftabel = k; n-k
=2;10
=7,56
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 2279,873 2 1139,936 392,672 ,000b
Residual 26,127 9 2,903
Total 2306,000 11
a. Dependent Variable: berat badan
b. Predictors: (Constant), pengeluaran trasportasi, pengeluaran makanan
H3: Diketahui nilai sig = 0,000 < 0,01 dan Fhitung = 392,672 > Ftabel = 7,56. Maka,
disimpulkan bahwa H3 diterima yang artinya terdapat pengaruh secara simultan
antara Variabel dependen X1 (pengeluaran Makanan) dan X2 (Pengeluaran
Transportasi) terhadap variabel dependen Y (Berat Badan)
Gambar 1 Gambar 2
Pada pengujian asumsi normalitas error dengan pendekatan analisis grafik, diketahui
titik- titik mengikuti garis diagonal. Disimpulkan bahwa asumsi normalitas dipenuhi.
Pengujian asumsi normalitas error dengan pendekatan uji Kolmogorov Smirnov;
Jika nilai probabilitas > tingkat signifikansi, H0 diterima dan H1 ditolak.
Jika nilai probabilitas < tingkat signifikansi, H0 ditolak dan H1 diterima.
Dari hasil uji diatas, diketahui nilai probabilitas = 0,140 > sig = 0,01. Maka H0
diterima dan H1 ditolak yang artinya asusmsi normalitas terpenuhi.
Autokorelasi
Untuk menguji asumsi independensi dari error, dapat digunakan uji Durbin Watson.
Field (2009) menyatakan nilai statistik dari uji Durbin-Watson yang lebih besar dari
(greater than) 2 atau lebih kecil (less than) dari -2 diindikasi terkena gejala
autokorelasi.
Model Summaryb
Nilai durbin watson pada distribusi tabel diatas adalah 2,798. Nilai tersebut tidak
berada di antara -2 dan 2 atau > 2. Sehingga disimpulkan bahwa terdapat gejala
autokorelasi.
Heteroskedastitas/homoskedastitas
Untuk mendeteksi terjadinya gejala heteroskedastisitas dapat dilakukan dengan
menggunakan analisis grafis dari residu atau menggunakan uji Park. Dalam metode
analisis residu grafis, sumbu horizontal mewakili nilai perkiraan dari variabel terikat
standar (nilai prediksi regresi standar ), sedangkan sumbu vertikal mewakili nilai
residu. Jika sebaran titik-titik pada histogram analisis residu meluas secara acak
(tanpa pola sistematis) disekitar nol (interval nol), maka hal ini menunjukkan tidak
terjadi heteroskedastisitas, namun jika titik-titik pada plot analisis residu tidak
menyebar secara acak (membentuk pola), maka menunjukkan telah terjadi
heteroskedastisitas.
Pengujian dengan pendekatan analisis grafik residual
Gambar 3
Output SPSS untuk uji asumsi homoskedastisitas dengan pendekatan analisis
grafik residual disajikan pada Gambar 3. Berdasarkan grafik pada Gambar 3,
titik-titik menyebar secara acak di sekitar 0, sehingga diindikasi tidak terjadi
heteroskedastisitas.
Pengujian dengan pendekatan uji Park
Berdasarkan tabel hasil pengujian diatas diketahui bahwa nilai probabilitas (Sig)
untuk X1 = 0,531 dan X2 = 0,297 < α = 0,01. maka disimpulkan bahwa tidak
terjadi heteroskedastisitas. Dengan kata lain, asumsi mengenai homoskedastisitas
dipenuhi.
95,0%
Unstandardized Standardized Confidence Collinearity
Coefficients Coefficients Interval for B Statistics
Std. Lower Upper
Model B Error Beta t Sig. Bound Bound Tolerance VIF
1 (Constant) 1,217 1,448 ,840 ,423 -2,060 4,493
pengeluaran -
-,036 ,032 -,778 ,297 -,109 ,037 ,186 5,369
trasportasi 1,107
pengeluaran
,027 ,041 ,457 ,651 ,531 -,066 ,120 ,186 5,369
makanan
Multikolonieritas
Untuk mendeteksi apakah terindikasi terjadi gejala multikolinieritas atau tidak, dapat
digunakan pendekatan nilai VIF (variance inflation factor) atau nilai tolerance. Nilai
VIF dari masing-masing variabel bebas dihitung dengan maksud untuk mendeteksi
apakah terindikasi terjadi gejala multikolinieritas atau tidak. Nilai VIF yang lebih
besar dari 10 diindikasi terjadi multikolinearitas (Myers dalam Steven, 2009).
Coefficientsa
Standardiz
ed
Unstandardized Coefficient Collinearity
Coefficients s Correlations Statistics
Zero- Toleran
Model B Std. Error Beta t Sig. order Partial Part ce VIF
1 (Constant) 26,913 2,619 10,278 ,000
pengeluaran ,245
,514 ,074 ,569 6,915 ,000 ,975 ,917 ,186 5,369
makanan
pengeluaran
,321 ,059 ,451 5,483 ,000 ,964 ,877 ,195 ,186 5,369
trasportasi
a. Dependent Variable: berat badan
Berdasarkan tabel hasil pengujian diatas diketahui nilai VIF Pengeluaran Makanan
(X1) dan Pengeluaran Transportasi (X2) = 5,369 < 10. Dan nilai Tolerance
Pengeluaran Makanan (X) dan Pengeluaran Transportasi (X2) = 0,186 > 0,1. Maka
dapat disimpulkan bahwa tidak terjadi multikolinieritas.