3.1.1.

REGRESI LINIER BERGANDA MENGGUNAKAN SPSS

Studi kasus ini berfungsi untuk mengetahui hubungan antara berbagai sektor terhadap
pertumbuhan PDRB kabupaten/kota di Jawa Tengah serta seberapa besar pengaruh sektor
tersebut terhadap pemasukan PDRB sebagai pertimbangan untuk penentuan kebijakan
pembangunan Pemerintah Provinsi Jawa Tengah.
Langkah-langkah Analisis Regresi Berganda Menggunakan SPSS
1. Uji Normalitas Data
Sebelum memasuki tahap regresi, terlebih dahulu dilakukan uji normalitas data. Apabila
data terdistribusi secara normal, maka bisa dilanjutkan ke tahap analisis korelasi dan regresi.
Tetapi apabila data tidak terdistribusi secara normal, maka ada beberapa tips yang bisa
dilakukan untuk me-normal-kan data. Normalitas adalah residu yang seharusnya terdistribusi
normal seputar skor-skor variabel terikat.
Untuk melihat apakah residu normal atau tidak, dapat dilakukan dengan cara berikut:
1) Melihat grafik Normal P-P Plot
Pada grafik Normal P-P Plot, residu yang normal adalah data memencar
mengikuti fungsi distribusi normal yaitu menyebar seiring garis z diagonal. Residu
normal dari uji Kolmogorov-Smirnov adalah diperolehnya nilai p > 0,05. Berikut
menunjukkan grafik P-Plot dari data PDRB Provinsi Jawa Tengah yang didapatkan dari
rangkaian analisis regresi.

Dapat dilihat pada gambar di atas bahwa data terdistribusi mengikuti garis
diagonal pada P-Plot.
2) Uji Kolmogorov-Smirnov
● Langkah 1: Dengan SPSS, setelah menginputkan data, selanjutnya adalah ubah
data ke dalam bentuk Unstandardized Residual, caranya adalah pilih menu
Analyze kemudian klik Regression dan pilih Linier.
● Langkah 2: Masukkan variabel Y ke kolom Dependent dan variabel X ke kolom
Independent (s) 🡪klik Save 🡪 OK. Selanjutnya akan muncul Kotak Dialog Linear
Regression: Save, pada bagian Residuals, centang Unstandardized (abaikan
kolom yang lain) 🡪 Klik OK, maka akan muncul nama RES_1 abaikan saja output
yang muncul dari program SPSS.

● Langkah 3: Pilih Menu Analyze lalu Non-Parametric Test 🡪 klik Legacy Dialogs
kemudian pilih 1-Sample K-S. Muncul kotak dialog lagi dengan nama
One-Sample Kolmogorov-Smirnov Test, selanjutnya masukkan variabel
Unstandardized Residuals [RES_1] ke kotak Test Variable List
Pada Test Distribution centang Normal 🡪 Klik OK
Akan muncul output seperti pada contoh di bawah ini:
 ● Langkah 4: Melihat nilai Sig. Jika nilai signifikansi >0,05 maka bisa disimpulkan
kalau data berdistribusi normal. Berdasarkan nilai hasil uji normalitas, diketahui
signifikansi sebesar 0.200, yang berarti lebih besar daripada 0.05 atau 0.200 >
0.05. Sehingga dapat disimpulkan bahwa nilai residual berdistribusi normal
sehingga bisa dilanjutkan ke tahap analisis korelasi dan regresi.

Tips Menormalkan Data

Apabila dalam kasusnya data tidak terdistribusi normal, maka lakukan beberapa tips
berikut untuk menormalkan data.
1) Membuang Outliers
Outliers adalah data yang memiliki skor ekstrem, baik ekstrem yang nilainya
terlalu tinggi maupun terlalu rendah.
Cara melihat outliers: Input data 🡪 Analyze 🡪 Descriptive statistics 🡪 Explore 🡪 Klik
variabel terikat 🡪 Pindahkan ke kotak Dependent 🡪 Klik variabel bebas 🡪 Pindahkan ke
kotak Independent (s) 🡪 Klik Plots, centang Histogram dan Normality plots with tests 🡪
Klik Continue lalu OK. Kemudian dilanjutkan dengan melihat diagram Boxplot pada
output masing-masing variabel bebas.
a) Jika data berada di atas kotak, menunjukkan data ekstrem tinggi, sedangkan jika
berada di bawah kotak menunjukkan data ekstrem rendah.
b) Semakin jauh dari kotak, semakin ekstrem data tersebut.
2) Mentransformasi Data
Transformasi data dilakukan dengan mengubah data dengan formula tertentu
tergantung dari bentuk grafik.
a) Cara Melihat Grafik: Klik Analyze 🡪 Descriptive statistics 🡪 Frequencies 🡪 Masukkan
variabel outlier 🡪 Pilih menu Chart 🡪 Pilih Histrogram 🡪 Centang Show normal curve
on histrogram 🡪 Klik Continue dan OK.
b) Cara Transformasi Data: Klik Transform 🡪 Compute variable 🡪 Pada kotak target
variable ketik nama variabel baru yang mau ditransform 🡪 Pada Numeric
expression, masukkan formula 🡪 Klik Continue dan OK.

3) Mengubah Analisis ke Non-Parametrik

Langkah ini merupakan opsi terakhir yang dilakukan jika opsi 1 dan 2 tidak
kunjung memenuhi normalitas data. Analisis non-parametrik tidak memerlukan asumsi
normalitas seperti yang diperlukan pada analisis parametrik. Meskipun demikian, power
test analisis non-parametrik ini tentu lebih lemah jika dibandingkan dengan analisis
parametrik.
2. Input Data
Langkah: Buka SPSS 🡪 New Data Set 🡪 File 🡪 Open 🡪 Data 🡪 Cari data yang akan dijadikan
inputan (perhatikan type file) *INPUT DATA PDRB JAWA TENGAH* 🡪 Open 🡪 Oke.
3. Analisis Korelasi
Uji korelasi bertujuan untuk mengetahui tingkat keeratan hubungan antar variabel
yang dinyatakan dengan koefisien korelasi (r). Adapun dalam analisis korelasi, terlebih
dahulu ditentukan hipotesis awal dan hipotesis alternatif.
1) Hipotesis awal (Ho): Tidak ada hubungan antara berbagai sektor terhadap pemasukan
PDRB.
2) Hipotesis alternatif (Ha): Ada hubungan antara berbagai sektor terhadap pemasukan
PDRB.
Pengambilan keputusan dari hipotesis di atas berdasarkan pada probabilitasnya,
Adapun probabilitas ini berdasarkan pada penggunaan selang kepercayaan 95%.
● Jika probabilitas > 0,05 maka Ho diterima
● Jika probabilitas < 0,05 maka Ho ditolak

4. Analisis Regresi
● Langkah 1: Klik Analyze 🡪 Regression 🡪 Linear 🡪 Klik variabel terikat 🡪 Pindahkan ke kotak
Dependent 🡪 Klik variabel bebas 🡪 Pindahkan ke kotak Independent (s).

● Langkah 2; Pada Method, pastikan dipilih Enter (untuk Regresi Berganda Standar) 🡪 Klik
tombol Statistics 🡪 Ceklis Estimates, Model fit, Descriptives, dan Collinearity diagnostics 🡪
Pada bagian Residual, ceklis Casewise diagnostics dan Outliers outside 3 standard
deviations 🡪 Klik Continue.
● Langkah 3: Klik tombol Options, pada bagian Missing Values ceklis Exclude cases
pairwise 🡪 Klik tombol Plots, lakukan Klik *ZRESID dan tombol panah untuk
memindahkannya ke kotak y-axis, Klik *ZPRED dan tombol panah untuk
memindahkannya ke kotak x-axis 🡪 Klik Next.

● Langkah 4: Klik *SRESID dan tombol panah untuk memindahkannya ke kotak y-axis
(untuk melihat homoskedastisitas) 🡪 Klik *ZPRED dan tombol panah untuk
memindahkannya ke kotak x-axis (untuk melihat homoskedastisitas) 🡪 Pada bagian
Standardized Residual Plots, ceklis pilihan Normal probability plot 🡪 Klik Continue.
 ● Langkah 5: Klik Save, pada bagian Predicted Values, ceklis Unstandardized,
Standardized, Adjusted 🡪 Pada bagian Residuals, ceklis Standardized, Deleted, dan
Studentized deleted 🡪 Pada bagian Distances, ceklis Mahalanobis, Cook’s, dan Leverage
values 🡪 Pada bagian Influence Statistics, ceklis Standardized dfBeta(s) dan Standardized
DfFit 🡪 Klik Continue 🡪 Klik OK.

5. Output Regresi
Langkah: Tabel Coefficients 🡪 Kolom B menunjukkan koefisien b yaitu nilai yang menjelaskan
bahwa Y (variabel terikat) akan berubah jika X (variabel bebas) diubah 1 unit.
6. Uji Asumsi dan Uji Statistik
Asumsi Uji Regresi Berganda
i. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah terjadi interkorelasi
(hubungan yang kuat) antar variabel independen. Model yang baik ditandai dengan
tidak terjadi interkorelasi antar variabel (tidak ada gejala multikolinearitas).
Dalam Regresi Berganda dengan SPSS, masalah Multikolinieritas ini ditunjukkan
lewat tabel Coefficient, yaitu pada kolom Tolerance dan kolom VIF (Variance Inflated
Factors). Tolerance menjelaskan banyaknya varians pada suatu variabel yang tidak bisa
dijelaskan oleh variabel prediktor lainnya.
Jika nilai Tolerance sangat kecil (< 0,10), maka itu menandakan korelasi berganda
satu variabel bebas sangat tinggi dengan variabel bebas lainnya dan mengindikasikan
Multikolinieritas. Nilai VIF merupakan invers dari nilai Tolerance (1 dibagi Tolerance). Jika
nilai VIF > 10, maka itu mengindikasikan terjadinya Multikolinieritas.
Langkah Uji Multikolinearitas: Pada output regresi, perhatikan tabel coefficients. Jika Nilai
VIF dari variabel X lebih kecil dari 10 dan Nilai Tolerance lebih besar 0,10 maka tidak
terjadi Multikolinearitas.

Dari tabel tersebut terlihat variabel bebas yang memiliki nilai VIF < 10 dan
Tolerance >0,1 (tidak terjadi multikolinearitas) adalah kemiskinan, pengangguran,
 angkatan kerja, upah, inflasi, transportasi, industri, konstruksi, dan pariwisata.
Sedangkan variabel perdagangan terjadi gejala multikolinearitas karena nilai VIF >10 dan
Tolerance <0,1.

ii. Uji Heteroskedastisitas

Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala
heteroskedastisitas. Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas,
bukan Heteroskedastisitas. Homoskedastisitas adalah kondisi dimana varians dari data
adalah sama pada seluruh pengamatan.
Cara Uji Heteroskedastisitas
● Uji Glejser
● Uji Spearman
● Melihat grafik Scatter Plot
● Uji Park
Namun, Wang and Jain beranggapan bahwa Uji Park dapat lebih teliti dalam
memantau gejala heteroskedastisitas ini.
1. Uji Glejser
Kriteria Uji Glejser dengan melihat Tabel Coefficients adalah sebagai berikut:
● Tidak terjadi gejala heteroskedastisitas jika nilai Sig. > 0,05
● Terjadi gejala heteroskedastisitas jika nilai Sig. < 0,05

Jika nilai Sig. X1 dan X2 lebih kecil dari 0.05 maka terjadi gejala heteroskedastisitas
2. Uji Spearman
Kriteria pengujian Spearman dengan melihat Tabel Correlations adalah sebagai berikut:
● Ho: Tidak ada gejala heteroskedastisitas
● Ha: Ada gejala heteroskedastisitas
● Ho diterima apabila nilai p value atau signifikansi > 0,05.

Semuanya nilai Sig. < 0,05 berarti terdapat gejala heteroskedastisitas atau Ho ditolak
3. Melihat grafik Scatter Plot
Kriteria melihat grafik scatter plot adalah sebagai berikut:
● Ho: Tidak ada gejala heteroskedastisitas apabila tidak ada pola yang jelas, seperti
titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y.
● Ha: Ada gejala heteroskedastisitas apabila ada pola tertentu yang jelas, seperti
titik-titik membentuk pola tertentu yang teratur (bergelombang, melebar kemudian
 menyempit)

Titik tersebar diatas dan dibawah 0 pada sumbu Y, maka Ho diterima

4. Uji Park
Kriteria pengujian adalah sebagai berikut:
● Menentukan Ho dan Ha
→ Ho : tidak ada gejala heteroskedastisitas
→ Ha : ada gejala heteroskedastisitas
● Ho diterima bila –t tabel < t hitung < t tabel berarti tidak terdapat
heteroskedastisitas
● Ho ditolak bila t hitung > t tabel atau t hitung < -t tabel yang berarti terdapat
heteroskedastisitas.
● Syarat tidak terjadi heteroskedastisitas yakni nilai Sig. > 0,05

•Dihitung dengan Uji Park.

•Jumlah Variabel (k): 10
•Jumlah data (n): 35
•Taraf Sig. (2 sisi): 5% (0.05)
•Derajat bebas (df): n-k =25
•Cek pada t table, di dapat nilai t tabel sebesar 2,059539.
•–t tabel < t hitung < t tabel

Tahapan Pengerjaan Uji Park di SPSS

a. Dengan SPSS klik Analyze 🡪 Regression 🡪 Linear 🡪 Masukkan variabel y ke
Dependent 🡪 Masukkan variabel x1, x2 ke Independent(s) 🡪 Klik Save
b. Pada Residual klik Unstandardized 🡪 Continue 🡪 OK 🡪 pada tabel muncul RES_1

c. Kuadratkan nilai residual dengan cara (pada SPSS) klik Transform 🡪 Compute
Variable 🡪 Isi Target Variable dengan RES_ 🡪 Pada Numeric Expression klik 2x
unstandardized residual, klik *, lalu klik 2x unstandardized residual sehingga muncul
rumus seperti gambar 2
d. Pada Variable View SPSS muncul variabel baru bernama RES_2

e. Lakukan logaritma normal pada RES_2

dengan klik transform→ compute variable→ isi kolom target variable dengan
LnRes_2→ klik Arithmetic pada kotak function group dan klik Ln dua kali pada kotak
functions and special variables sehingga muncul LN(?) pada numeric expression→
isikan nilai RES_2 pada tanda rumus LN di numeric expression dengan klik dua kali
RES_2 pada type & label→ OK

muncul variabel baru bernama LnRes_2

f. Regresikan hasil Ln dengan variable 🡪 klik Analyze 🡪 Regression 🡪 Linear 🡪 Masukkan
variabel LnRes_2 ke Dependent 🡪 Masukkan semua variabel bebas ke
Independent(s) 🡪 Klik Save

g. Pada Residual uncentang Unstandardized 🡪 Continue 🡪 OK 🡪 muncul tabel hasil uji

Park sebagai berikut, cek nilai t atau signifikansi

Bandingkan nilai t hitung dengan t tabel yang sudah dilakukan perhitungan

sebelumnya dimana syaratnya adalah
–t tabel < t hitung < t tabel, atau bandingkan juga nilai Sig. nya yang syaratnya
adalah Sig. > 0,05

•Dihitung dengan Uji Park.

 •Jumlah Variabel (k): 10
•Jumlah data (n): 35
•Taraf Sig. (2 sisi): 5% (0.05)
•Derajat bebas (df): n-k =25
•Cek pada t table, di dapat nilai t tabel sebesar 2,059539

● Dari Tabel Coefficients bisa dilihat bahwa variabel kemiskinan memiliki nilai t
hitung < -t tabel atau nilai Sig. < 0,05 sehingga terdapat gejala
heteroskedastisitas.
● Adapun variabel bebas lain (pengangguran, angkatan kerja, upah, inflasi,
transportasi, industri, konstruksi, pariwisata, dan perdagangan) memiliki nilai –t
tabel < t hitung < t tabel atau Sig. > 0,05 sehingga tidak terdapat gejala
heteroskedastisitas.
iii. Autokorelasi
Dalam uji ini, model harus terbebas dari Autokorelasi. Autokorelasi adalah kondisi
dimana terdapat hubungan linier antar kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode sebelumnya (t-1) yang diurutkan menurut waktu (data
time series).
● Autokorelasi terjadi bila nilai gangguan dalam periode tertentu berhubungan dengan
nilai gangguan sebelumnya. Model regresi yang baik = tidak terjadi autokorelasi.
● Uji autokorelasi yang paling sederhana adalah menggunakan uji Durbin-Watson (DW)
dimana dalam uji ini nilai DW hitung yang mendekati 2 dianggap menunjukkan bahwa
model terbebas dari autokorelasi (Gujarati,2003: 469); Ghozali, 2018: 111.

Cara Uji Autokorelasi dengan SPSS

a. Lakukan uji autokorelasi dengan klik Analyze 🡪 Regression 🡪 Linear 🡪 Klik fitur statistik,
dan centang kotak Estimates, Covariance matrix, Model fit, Collinearity diagnostic,
Durbin watson, dan Casewise diagnostics 🡪 Continue 🡪 OK
 b. jika nilai DW mendekati 2, maka bahwa model terbebas dari autokorelasi (Gujarati,
2003: 469; Ghozali, 2018: 111) Dari Tabel Model Summary, nilai DW 1,8 atau mendekati 2

c. MENGECEK DURBIN WATSON DENGAN PERHITUNGAN

*angka du dan dl dapat dilihat pada tabel Durbin Watson (format yang sudah ditetapkan)
Sumber: https://lkeb.umm.ac.id/files/file/tabel-dw.pdf
 Pada Model Summary diketahui nilai Durbin Watson (d) = 1,800.
Sedangkan jumlah variabel bebas (k) = 10 dan jumlah sampel (n) = 35.
Sehingga:
dL = 0,8452
dU = 2,2359

Sehingga 0,8452 < 1,800 < 2,2359 atau nilai dL < d < du yang artinya tidak dapat
disimpulkan.
d. Mengatasi Autokorelasi dengan Run Test
Input Data 🡪 Analyze 🡪 Regression 🡪 Linear 🡪 Klik variabel terikat 🡪 Pindahkan ke kotak
Dependent 🡪 Klik variabel bebas 🡪 Pindahkan ke kotak Independent (s) 🡪 Klik Save 🡪 Pada
Residuals centang Unstandardized 🡪 Akan muncul RES_1 pada Variable View.

Analyze 🡪 Nonparametric Tests 🡪 Legacy Dialogs 🡪 Runs 🡪 Pindahkan Unstandardized

Residual (RES_1) ke dalam Test Variable List 🡪 OK
Jika nilai Asymp Sig. (2-tailed) < 0,05 maka terdapat gejala autokorelasi
Jika nilai Asymp Sig. (2-tailed) > 0,05 maka tidak terdapat gejala autokorelasi
 Nilai Asymp Sig. 0,996 atau > 0,05 maka tidak terdapat gejala autokorelasi

KESIMPULAN UJI ASUMSI KLASIK

Uji Asumsi Syarat Keterangan Variabel Lolos Variabel
Uji ter-Eliminasi

Uji Model P-Plot tersebar

normalitas terdistribusi mengikuti garis
normal diagonal serta nilai
● P-Plot tersebar Asymp. Sig.
mengikuti garis (2-tailed) 0,200
diagonal. sehingga model
● Nilai Asym. Sig. terdistribusi
(2-tailed) > normal.
0,05

Uji Tidak terjadi Kemiskinan, Perdagangan

multikoline gejala Pengangguran,
aritas multikolinearitas Angkatan Kerja,
● Nilai Tolerance Upah, Inflasi,
> 0,1 Transportasi,
● Nilai VIF < 10 Industri,
Konstruksi, dan
Pariwisata

Uji Tidak terjadi Pengangguran, Kemiskinan

heterosked gejala Angkatan Kerja,
astisitas heteroskedastisit Upah, Inflasi,
as Transportasi,
 ● –t tabel < t Industri,
hitung < t tabel Konstruksi,
atau Pariwisata, dan
● Nilai Sig. > 0,05 Perdagangan

Uji Tidak terjadi d = 1,8

autokorelas autokorelasi (nilai du = 2,236
i Durbin-Watson dl = 0,845
mendekati 2) 4-dl = 3,155
du < d < (4-dl)
jadi nilai 0,8452 <
1,800 < 2,2359 atau
nilai dL < d < du
yang artinya tidak
dapat disimpulkan.

6.2 Pengujian Statistik Regresi

1. Uji R 🡪 Untuk mengukur seberapa kuat hubungan variabel independen (serentak)
terhadap variabel dependen Y. Sugiyono (2007) pedoman untuk memberikan
interpretasi koefisien korelasi (R):
a.0-0.199 = sangat rendah
b.0.2-0.399 = rendah
c.0.4-0.599 = sedang
d.0.6-0.799 = kuat
e.0.8-1.00 = sangat kuat
2. Uji R Square 🡪 untuk mengukur persentase sumbangan pengaruh variabel independen
(serentak) terhadap variabel dependen Y. Syarat model yang signifikan jika nilai R
square ≥ 0,70.
3. Uji Signifikansi Simultan (Uji F) 🡪 untuk menunjukkan apakah semua variabel
independen atau bebas yang dimasukkan ke dalam model mempunyai pengaruh secara
bersama-sama terhadap variabel dependen.
4. Uji Signifikansi Parameter Individual (Uji Statistik t) 🡪 untuk menunjukkan seberapa jauh
pengaruh satu variabel penjelas atau independen secara individual dalam menerangkan
variasi dependen.

1. Uji R Square
● Pada regresi linier berganda, yang dilihat adalah R Square. Adapun nilai R
digunakan pada regresi linier sederhana.
● Tabel Model Summary 🡪 Kolom R Square menunjukkan seberapa baik
variabel-variabel bebas memprediksikan hasil, semakin mendekati 1 maka
semakin kuat variabel-variabel bebas memprediksikan variabel terikat, ketepatan
nilai R Square disempurnakan oleh Adjusted R Square yang merupakan koreksi
atas nilai R Square 🡪 Kolom Adjusted R Square menjelaskan apakah sampel
penelitian mampu mencari jawaban yang dibutuhkan dari populasinya.
Interpretasinya:

● Kolom R Square 🡪 dikalikan dengan 100% menunjukkan Koefisien Determinasi.

 ● R Square 0,896 sehingga Koefisien Determinasi adalah 0,896 x 100% = 89,6%, artinya
variabel-variabel bebas secara serentak mempengaruhi variabel terikat sebesar 89,6%.
Sedangkan sisanya sebesar 10,4% ditentukan oleh variabel-variabel lain yang tidak
disertakan di dalam penelitian
● Adjusted R Square 0,853 artinya sampel memiliki ketepatan tinggi dalam mencari jawaban
yang dibutuhkan populasi. Juga berarti bahwa varians tiap sampel pada variabel terikat bisa
diprediksi oleh variabel-variabel bebas secara simultan sebesar 85,3%

2. Uji F dengan melihat nilai F atau Sig.

● Uji F juga dilakukan dengan melihat nilai F tabel atau melihat nilai Sig. pada Tabel
ANOVA
● Tabel ANOVA 🡪 Sig. Tabel ANOVA menunjukkan kelayakan model analisis, model
analisis layak jika Sig < 0,05 Kolom F menunjukkan F hitung, jika dibandingkan
dengan F Tabel maka aturannya:

Cara menentukan F Tabel

1. Tentukan signifikansi penelitian yaitu 0,05.
2. Tentukan df1. Df1 diperoleh dari jumlah variabel bebas. Pada case ini ada 10
variabel bebas.
3. Tentukan df2. Df2 diperoleh dari n – k – 1 dimana n = jumlah sampel dan k =
jumlah variabel bebas, sehingga df2 = 35-10-1 = 24
4. Cari angka 10 (kolom) dan 24 (baris) dalam tabel F untuk signifikansi 0,05.
Dalam case ini F Tabel bernilai 2,254739
5. Dengan Excel, ketikkan rumus = FINV(p;df1;df2) = FINV(0,05;10;24)

● Nilai F hitung 20,764 sedangkan nilai F Tabel 2,254739 artinya F hitung > F Tabel sehingga
variabel-variabel bebas secara serentak mempengaruhi variabel terikat.
● Nilai Sig 0,00 atau < 0,05 artinya model regresi layak.

3. Uji t dengan melihat t tabel atau nilai Sig.

● Uji t dapat dilakukan dengan melihat t tabel atau melihat nilai Sig pada Tabel
Coefficients.
● Tabel Coefficients 🡪 kolom t menunjukkan t hitung, akan dilakukan Uji t melalui
Koefisien Regresi Parsial yang menunjukkan apakah variabel-variabel bebas
punya pengaruh secara parsial (terpisah atau sendiri-sendiri) terhadap variabel
terikat, jika t hitung > t tabel maka variabel bebas berpengaruh secara spasial
terhadap variabel terikat.
Nilai t tabel bisa dicari dengan cara berikut ini:
 1. α = 0,05; untuk uji 2 sisi = 0,025
2. Degree of Freedom (df) = jumlah sampel – jumlah variabel bebas – 1 (angka 1
adalah konstanta). Dalam case ini df = 35 – 10 – 1 = 24.
3. Cari persilangan antara df = 24 dan 0,025 = 2,063899
4. Pencarian nilai t tabel dengan Excel mudah sekali. Ketik rumus = TINV(p;df)
● Tabel Coefficients 🡪 Sig. menjelaskan signifikansi hubungan antar variabel bebas
dengan variabel terikat, nilai Sig. baiknya < 0,05

● Dapat dilihat bahwa nilai t hitung variabel perdagangan dan konstruksi > 2,063899, sedangkan
variabel bebas yang lain memiliki nilai t hitung < 2,063899. Artinya hanya variabel
perdagangan konstruksi yang berpengaruh secara spasial terhadap PDRB sedangkan variabel
lainnya tidak berpengaruh secara spasial.
● Variabel bebas yang memiliki nilai Sig < 0,05 adalah: Pengangguran, Konstruksi, dan
Perdagangan. Artinya sektor-sektor tersebut yang berpengaruh signifikan terhadap laju
pertumbuhan PDRB di Jawa Tengah.

TABEL F

TABEL T
 Source: https://lkeb.umm.ac.id/files/file/tabel_distribusi.pdf

KESIMPULAN UJI STATISTIK

Uji Statistik Syarat Keterangan Variabel Lolos Variabel ter-Eliminasi
Uji

Uji R Mendek Digunakan pada regresi linier

ati 1 sederhana

Uji R Square Mendek Nilai R Square 0,896 artinya

ati 1 variabel-variabel bebas
secara serentak
mempengaruhi variabel
terikat sebesar 89,6%.
Adapun nilai Adjusted R
Square 0,853 artinya varians
tiap sampel pada variabel
terikat bisa diprediksi oleh
variabel-variabel bebas
secara simultan sebesar
85,3%.

Uji F ● F hitung Dengan melihat Nilai Sig

>F 0,00 atau < 0,05 artinya
tabel model regresi layak
atau
● Nilai
Sig. <
0,05

Uji t ● t hitung Dengan melihat nilai Sig. Pengangguran Kemiskinan, Angkatan

> t tabel menunjukkan hanya 3 , Konstruksi, Kerja, Upah, Inflasi,
atau variabel yang lolos uji t dan Transportasi, Industri,
● Nilai Perdagangan dan Pariwisata
Sig. <
0,05

7. Iterasi Regresi
Iterasi regresi berarti melakukan regresi ulang dengan memasukkan variabel bebas
 yang memenuhi uji asumsi klasik dan uji statistic sebelumnya, yaitu variabel Pengangguran
dan Konstruksi. Caranya adalah melakukan analisis regresi dengan tahapan sama seperti
tahapan analisis regresi di awal sampai didapatkan output regresi.

8. Interpretasi Hasil Regresi

Setelah dilakukan iterasi regresi dan diperoleh output regresi 🡪 Melihat output
regresi Tabel Coefficients 🡪 Melihat koefisien variabel bebas dari kolom B 🡪 Menuliskan
persamaan regresinya dengan melihat koefisien variabel terkait 🡪 Menginterpretasikan

Dari Tabel Coefficients di atas dapat dirumuskan Persamaan Regresi:

Y = 1,899 x 1013 - 2,959 x 1012 Pengangguran + 5,868 x 1010 Konstruksi dengan
interpretasinya:
● Bila tidak ada variabel Pengangguran dan Konstruksi maka nilai PDRB adalah 1,899 x 10 13.
● Koefisien Pengangguran sebesar - 2,959 x 1012 memiliki arti bahwa setiap penambahan 1
Pengangguran, PDRB akan menurun sebanyak 2,959 x 1012.
● Koefisien Konstruksi sebesar 5,868 x 1010 memiliki arti bahwa setiap penambahan 1
Konstruksi, PDRB akan meningkat sebanyak 5,868 x 1010.