Jurus Ampuh SPSS untuk Riset Skripsi

Bagaimana kita membuat model yang benar dalam riset kita? Prosedur apa yang paling tepat untuk
membuat pemodelan? Pertanyaan-pertanyaan tersebut sering diajukan oleh para mahasiswa yang

Jurus Ampuh
sedang melakukan riset untuk skripsi, tesis maupun disertasi mereka.

Selama ini orang mengenal pemodelan hanya dengan menggunakan Structural Equation Modeling (SEM)
yang dirasakan masih sangat rumit bagi mahasiswa terutama tingkat S1.

Buku ini memberikan alternatif lain dalam membangun model dalam riset dengan menggunakan
prosedur-prosedur yang lebih mudah tetapi mempunyai kegunaan dan akurasi yang sangat tinggi.
Prosedur-prosedur tersebut di antaranya merupakan prosedur baru yang berhasil dikembangkan oleh
IBM SPSS.

SPSS untuk Riset Skripsi

Dibandingkan buku sejenis lainnya, buku ini jauh lebih lengkap karena mengulas hal-hal yang paling
penting:
• Teori yang melandasi pemahaman regresi linier.
• Cara mengidentifikasi predictor yang mempunyai kontribusi signifikan terhadap model secara
otomatis dengan Automatic Linier Modeling.

Jurus
• Membangun model penjualan dengan menggunakan regresi linier berganda dan mengatasi
masalah multikolinieritas.
• Membangun model promosi dengan menggunakan prosedur ‘curve estimation’.
• Membangun model hubungan antara karekteristik produk dengan penjualan menggunakan
prosedur ‘partial least square’.
• Membangun model untuk memprediksi risiko kebijakan pemberian pinjaman pada nasabah bank Ampuh
SPSS
menggunakan regresi logistik biner.
• Membangun model strategi pemasaran produk menggunakan regresi logistik multinomial.
• Membangun model untuk memprediksi risiko kebijakan pemberian kredit menggunakan
regresi ordinal.
• Membangun model hubungan antara promosi dengan nilai penjualan produk pada beberapa
segmen pasar yang berbeda menggunakan regresi probit.
• Mengoreksi model yang menghasilkan hubungan yang tidak searah dengan regresi non-linier.
• Membuat model untuk memprediksi biaya pembangunan mall menggunakan prosedur
‘weight estimation’.
• Membuat pemodelan dua arah (non-recursive) dengan prosedur ‘two stage least square’.
untuk Riset Skripsi
• Cara menghitung variabel-variabel dengan satuan yang berbeda-beda dengan menggunakan
Kupas Tuntas Prosedur-Prosedur Regresi
prosedur ‘optimal scaling’.
• Cara memprediksi peluang risiko suatu kebijakan menggunakan ‘decision trees’.
dan ‘Decision Trees’ dalam IBM SPSS
Jonathan Sarwono

• Cara-cara mengatasi hasil riset yang tidak signifikan.

Kelompok
ISBN 978-602-02-1326-2
Apl. Perkantoran
Keterampilan
Tingkat Pemula
Tingkat Menengah
PT ELEX MEDIA KOMPUTINDO Tingkat Mahir
Kompas Gramedia Building
Jenis Buku
Jl. Palmerah Barat 29-37, Jakarta 10270
Telp. (021) 53650110-53650111, Ext 3214
Webpage: http://www.elexmedia.co.id
Referensi
Tutorial 121131033
Jonathan Sarwono
Latihan
Versi Pdf Lengkapnya di ipusnas.com

12 Jurus Ampuh SPSSuntuk Riset Skripsi.indd 1 8/6/2013 11:29:16 AM

Versi Pdf Lengkapnya di ipusnas.com
12 Jurus Ampuh SPSS
untuk Riset Skripsi

Versi Pdf Lengkapnya di ipusnas.com

San ksi P elanggaran Pasal 72:
Und ang-Undang Nom or 1 9 Tah un 20 02
Tentang Hak Cipt a

1. Barang siapa dengan sengaja m elanggar dan tanpa hak m elakukan per-
buatan sebagaim ana dimaksud dalam P asal 2 A yat (1) atau Pasal 49 A yat
(1) dan A yat (2) dipidana dengan pidana penjara m asing-masing paling
sing kat 1 ( sat u) bulan dan / atau d end a paling sedi kit Rp 1. 0 0 0. 0 0 0, 0 0
(sat u juta rupiah), atau pidan a penjara paling lama 7 (tujuh) tah un
dan / atau dend a paling ban yak Rp 5. 0 0 0. 0 0 0. 0 0 0, 0 0 (lima milyar rupi ah).
2. Barang siapa d engan sengaja m en yiarkan, mem am erkan, m eng edarkan,
atau m enjual kep ada um um suat u ciptaan atau barang hasil pelanggaran
hak ci pta atau hak terkait sebagai di m aksud pad a A yat (1) dipidan a
deng an pidana penjara paling lama 5 (lim a) tah un dan /at au denda paling
ban yak Rp 50 0. 0 0 0. 0 0 0, 0 0 (lim a ratus juta rupi ah).

Versi Pdf Lengkapnya di ipusnas.com

 12 Jurus Ampuh SPSS
untuk Riset Skripsi
Kupas Tuntas Prosedur-Prosedur Regresi dan
‘Decision Trees’ dalam IBM SPSS

Jonathan Sarwono

Ο∆Μ∆ΘΑΗΣ ΟΣ ∆Κ∆Ω Λ∆ΧΗ≅ ϑΝΛΟΤΣΗΜΧΝ

Versi Pdf Lengkapnya di ipusnas.com

12 Jurus Ampuh SPSS untuk Riset Skripsi
J onathan Sar won o

© 201 3, P T Elex Media Kom putind o, Jakarta

Hak cipta dilindungi undang-undang
Dit erbit kan pert am a kali oleh
P en erbit PT Elex Media Kom putind o
Kelom pok Gram edia, Angg ota IK A P I, Jakarta 201 3

121131 03 3
ISB N: 978-602-02-1326-2

EISBN: 978-602-04-0384-7

Dilarang keras m en erjem ah kan, mem fot okopi, atau m em perban yak sebagian atau
seluruh isi buku ini tanpa izin tert ulis dari pen erbit.

Dicetak oleh P ercet akan PT Gram edia, Jakart a

Isi di luar tanggung jawab percetakan

Versi Pdf Lengkapnya di ipusnas.com

 Motto

PUBLISH OR PERISH

This book is dedicated to:

My wife R.A.J. Wiwik Adri Wijayanti
My daughter Regina Tiatira Fortuna Buwana

Versi Pdf Lengkapnya di ipusnas.com

Versi Pdf Lengkapnya di ipusnas.com
 Kata Pengantar

Puji Tuhan karena kekuatan dan hikmah dari Tuhan akhirnya penulis
dapat menyelesaikan buku yang ke 33 dengan judul: “12 Jurus Am-
puh SPSS untuk Riset Skripsi: Kupas Tuntas Prosedur-Prosedur
Regresi dan ‘Decision Trees’ dalam IBM SPSS’.
Buku ini lahir karena penulis memikirkan bagaimana membuat
pemodelan yang mudah dan cepat tetapi mengandung ketepatan yang
tinggi.
Hal ini dikarenakan banyaknya riset skripsi, tesis ataupun disertasi
yang arahnya pada pemodelan. Selama ini pemodelan hanya diiden-
tikkan dengan Structural Equation Modeling (SEM) yang dikenal
sangat rumit khususnya untuk para mahasiswa S1.
IBM SPSS versi 19, 20, 21 dan seterusnya mempunyai kemampuan
dalam membuat pemodelan dengan akurasi yang tinggi tetapi dapat
dijalankan dengan mudah.
Untuk itu buku ini merupakan jawaban bagi para mahasiswa yang
memerlukan pengetahuan dalam membuat model dalam riset mereka.
Semua prosedur dalam buku ini hanya dapat dijalankan dengan
menggunakan setidak-tidaknya IBM SPSS versi 19 karena beberapa
prosedur ini dibuat oleh IBM SPSS pada versi 19, 20 dan 21. Dengan
demikian prosedur-prosedur ini akan terus dapat dijalankan pada
prosedur-prosedur IBM SPSS pada versi-versi yang akan datang.
Penulis mengucapkan terima kasih pada kolega di Penjaminan Mutu
UKRIDA, yaitu dr. Wani S. Gunardi, SpMk dan Amelia, S.Psi; juga
rektor UKRIDA Dr. Aristarchus Sukarto, M.Th. Juga untuk teman-
teman penulis di Fakultas Ekonomi Universitas Tarumangara Jakarta,
khususnya di Laboratorium Kuantitatif.
Juga untuk teman-teman penulis di Universitas Komputer Indonesia
Bandung, khususnya Dr. Ir. Eddy Suryanto Soegoto, M.Sc. dan Prof.
Dr. Hj. Umi Narimawati, S.E, M.Si. Tak Lupa untuk teman-teman di

Versi Pdf Lengkapnya di ipusnas.com

Politeknik Piksi Ganesha Bandung, khususnya Dr. Prihartono. Juga
untuk teman-teman di International Woman University Bandung, khu-
susnya Wakil Rektor Drs. Dadang Munandar, M.Si.
Untuk memudahkan para pembaca penulis menyimpan file-file dalam
buku ini di web penulis dengan alamat
http://www.jonathansarwono.info/regresi.html dimana pembaca
dapat men-download semua file-file perhitungan dan latihan dalam
buku ini.
Masukan dan saran untuk perbaikan buku ini dapat dikirimkan me-
lalui kuesioner elektronik yang disediakan oleh penulis di
http://www.jonathansarwono.info

Jakarta, April 2013

Penulis

Pemesanan Buku
Untuk melakukan pemesanan buku, hubungi
Layanan Langsung PT Elex Media Komputindo:

Gramedia Direct
Jl. Palmerah Barat No. 33, Jakarta 10270
Telemarketing/CS: 021-53650110/111 ext:
3901/3902
Email: cs@gramediapublishers.com
Layanan online: http://grazera.com

viii

Versi Pdf Lengkapnya di ipusnas.com

 DAFTAR ISI

KATA PENGANTAR ........................................................................... vii

BAB 1 TEORI REGRESI ................................................................ 1

1.1 Pengertian..................................................................... 1
1.2 Tujuan .......................................................................... 8
1.3 Asumsi Penggunaan Regresi......................................... 8
1.4 Syarat-Syarat................................................................ 9
1.5 Konsep Linieritas dalam Regresi ................................ 10
1.6 Uji Hipotesis............................................................... 10
1.7 Karakteristik Model yang Baik .................................. 13
1.8 Istilah-Istilah Dasar .................................................... 14

BAB II AUTOMATIC LINEAR MODELING ............................ 23

2.1 Pengertian................................................................... 23
2.2 Tujuan (objectives) ..................................................... 23
2.3 Hal-Hal Pokok dalam ALM ....................................... 25
2.4 Cara Memperoleh Model Linier ................................. 32
2.5 Contoh Analisis Menggunakan ALM dalam
IBM SPSS.................................................................. 32
2.6 Latihan ....................................................................... 47

BAB III REGRESI LINIER ............................................................ 49

3.1 Pendahuluan ............................................................... 49
3.2 Cara Mengatasi Multikolinieritas dalam
Regresi Linier Berganda ............................................ 49
3.2.1 Kasus.......................................................... 49
3.2.2 Penyelesaian ............................................... 50
3.2.3 Mengatasi Masalah Kolinieritas................. 58
3.2.4 Kesimpulan ................................................ 72
3.3 Regresi Linier Sederhana dan Berganda ..................... 72
3.3.1 Prosedur Analisis Regresi Linier Sederhana............... 72
3.4 Prosedur Analisis Regresi Linier Berganda ................ 92
3.5 Latihan ..................................................................... 106

Versi Pdf Lengkapnya di ipusnas.com

BAB IV REGRESI ESTIMASI KURVA (CURVE
ESTIMATION) ................................................................ 109
4.1 Pengertian................................................................. 109
4.2 Contoh Kasus ........................................................... 111
4.3 Latihan ..................................................................... 118

BAB V PARTIAL LEAST SQUARE .......................................... 119

5.1 Pengertian................................................................. 119
5.2 Kasus dan Penyelesaian............................................ 119
5.3 Kesimpulan............................................................... 131
5.4 Latihan ..................................................................... 131

BAB VI REGRESI LOGISTIK BINER (BINARY

LOGISTICS REGRESSION) ......................................... 133
6.1 Pengertian................................................................. 133
6.2 Kasus dan Penyelesaiannya ...................................... 134
6.3 Kesimpulan............................................................... 152
6.4 Latihan ..................................................................... 152

BAB VII REGRESI LOGISTIK MULTINOMIAL ..................... 155

7.1 Pengertian................................................................. 155
7.2 Kasus dan Penyelesaiannya ...................................... 156
7.3 Kesimpulan............................................................... 165
7.4 Latihan ..................................................................... 165

BAB VIII REGRESI ORDINAL ...................................................... 167

8.1 Pengertian................................................................. 167
8.2 Kasus dan Penyelesaian............................................ 168
8.3 Kesimpulan............................................................... 176
8.4 Latihan ..................................................................... 179

BAB IX REGRESI PROBIT ......................................................... 181

9.1 Pengertian................................................................. 181
9.2 Kasus dan Penyelesaiannya ...................................... 181
9.3 Kesimpulan............................................................... 188
9.4 Latihan ..................................................................... 188

Versi Pdf Lengkapnya di ipusnas.com

BAB X REGRESI NON LINIER................................................. 191
10.1 Pengertian................................................................. 191
10.2 Kasus dan Penyelesaian............................................ 191
10.3 Kesimpulan............................................................... 199
10.4 Praktik ...................................................................... 200
10.5 Latihan ..................................................................... 208

BAB XI WEIGHT ESTIMATION (Weight Least Squares /

WLS) ................................................................................. 209
11.1 Pengertian................................................................. 209
11.2 Kasus dan Penyelesaiannya ...................................... 210
11.3 Kesimpulan............................................................... 223
11.4 Latihan ..................................................................... 223

BAB XII 2 STAGE LEAST SQUARE ........................................... 225

12.1 Pengertian................................................................. 225
12.2 Kasus dan Penyelesaian............................................ 227
12.3 Kesimpulan............................................................... 233
12.4 Latihan ..................................................................... 234

BAB XIII OPTIMAL SCALING (CATREG)................................. 235

13.1 Pengertian................................................................. 235
13.2 Kasus dan Penyelesaian............................................ 237
13.3 Kesimpulan............................................................... 244
13.4 Latihan ..................................................................... 244

BAB XIV DECISION TREES .......................................................... 245

14.1 Pengertian................................................................. 245
14.2 Kegunaan ................................................................. 246
14.3 Persyaratan data ....................................................... 247
14.4 Asumsi...................................................................... 247
14.5 Pengukuran ............................................................... 247
14.6 Cara Analisis ............................................................ 248
14.6.1 Growing Methods ..................................... 248
14.6.2 Memilih Kategori ..................................... 249
14.6.3 Menyertakan / Mengeluarkan
Kategori ................................................... 250

xi

Versi Pdf Lengkapnya di ipusnas.com

 14.6.4 Kategori Target ........................................ 250
14.6.5 Kategori dan Label Nilai .......................... 250
14.6.6 Kriteria CHAID ....................................... 251
14.6.7 Kriteria CRT ............................................ 253
14.6.8 Kriteria QUEST ....................................... 254
14.6.9 Pruning Trees (Memangkas
Diagram Pohon) ....................................... 254
14.6.10 Variabel Pengganti (Surrogates) .............. 255
14.6.11 Opsi-Opsi ................................................. 256
14.7 Kasus dan Penyelesaiannya ...................................... 263
14.8 Latihan ..................................................................... 270

BAB XV MENANGANI HASIL PENGUJIAN HIPOTESIS

YANG TIDAK SIGNIFIKAN ........................................ 271
15.1 Pendahuluan ............................................................. 271
15.2 Pengertian Signifikan ............................................... 271
15.3 Signifikan dan Bermakna ......................................... 273
15.4 Cara-Cara Mengatasi Hasil Riset yang Tidak
Signifikan................................................................. 274

DAFTAR PUSTAKA .......................................................................... 275

xii

Versi Pdf Lengkapnya di ipusnas.com

 BAB I
TEORI REGRESI

1.1 Pengertian
Apa yang dimaksud dengan regresi linier?
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton dimana yang bersangkutan melakukan kajian yang
menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para
orang tua yang tinggi cenderung bergerak (regress) kearah ketinggian
rata-rata populasi secara keseluruhan.
Galton memperkenalkan kata regresi (regression) sebagai nama
proses umum untuk memprediksi satu variabel, yaitu tinggi badan
anak dengan menggunakan variabel lain, yaitu tinggi badan orang tua.
Pada perkembangan berikutnya hukum Galton mengenai regresi ini
ditegaskan lagi oleh Karl Pearson dengan menggunakan data lebih
dari seribu.
Pada perkembangan berikutnya, para ahli statistik menambahkan
istilah regresi berganda (multiple regression) untuk menggambarkan
proses dimana beberapa variabel digunakan untuk memprediksi satu
variabel lainnya.
Regresi dalam pengertian moderen menurut Gujarati (2009) ialah se-
bagai kajian terhadap ketergantungan satu variabel, yaitu variabel ter-
gantung terhadap satu atau lebih variabel lainnya atau yang disebut
sebagai variabel-variabel eksplanatori dengan tujuan untuk membuat
estimasi dan / atau memprediksi rata-rata populasi atau nilai rata-rata
variabel tergantung dalam kaitannya dengan nilai-nilai yang sudah
diketahui dari variabel ekslanatorinya.

Versi Pdf Lengkapnya di ipusnas.com

Selanjutnya menurut Gujarati meski analisis regresi berkaitan dengan
ketergantungan atau dependensi satu variabel terhadap variabel-varia-
bel lainnya hal tersebut tidak harus menyiratkan sebab-akibat (causa-
tion).
Dalam mendukung pendapatnya ini, Gujarati mengutip pendapat
Kendal dan Stuart yang diambil dari buku mereka yang berjudul “The
Advanced Statistics” yang terbit pada tahun 1961 yang mengatakan
bahwa,” suatu hubungan statistik betapapun kuat dan sugestifnya tidak
akan pernah dapat menetapkan hubungan sebab akibat (causal con-
nection); sedang gagasan mengenai sebab akibat harus datang dari
luar statistik, yaitu dapat berasal dari teori atau lainnya”.
Sedang menurut Levin & Rubin (1998:648), regresi digunakan untuk
menentukan sifat-sifat dan kekuatan hubungan antara dua variabel
serta memprediksi nilai dari suatu variabel yang belum diketahui
dengan didasarkan pada observasi masa lalu terhadap variabel tersebut
dan variabel-variabel lainnya.
Selanjutnya dalam regresi kita akan mengembangkan persamaan esti-
masi (estimating equation), yaitu rumus matematika yang menghu-
bungkan variabel-variabel yang diketahui dengan variabel-variabel
yang tidak diketahui.
Setelah dipelajari pola hubungannya, kemudian kita dapat mengapli-
kasikan analisis korelasi (correlation analysis) untuk menentukan
tingkatan dimana variabel-variabel tersebut berhubungan.
Kesimpulannya, analisis korelasi mengungkapkan seberapa benar per-
samaan estimasi sebenarnya menggambarkan hubungan tersebut.
Lebih lanjut Levin & Rubin mengatakan bahwa: “Kita sering
menemukan hubungan sebab akibat antar variabel-variabel; yaitu vari-
abel bebas ‘menyebabkan’ variabel tergantung berubah.
Sekalipun demikian mereka melanjutkan bahwa: “Penting untuk kita
perhatikan bahwa yang kita anggap hubungan (relationship) yang
diketemukan melalui regresi sebagai hubungan asosiasi (relationship
of association) tetapi tidak selalu harus sebab dan akibat (cause and
effect).
Kecuali kita mempunyai alasan-alasan khusus untuk percaya bahwa
(perubahan pada) nilai-nilai variabel tergantung disebabkan oleh nilai-

Versi Pdf Lengkapnya di ipusnas.com

nilai variabel (variabel) bebas; jangan menyimpulkan (infer) hubu-
ngan sebab akibat dari hubungan yang diketemukan dalam regresi.
Karena Levin & Rubin dalam mendefinisikan regresi juga
menggunakan istilah “analisis korelasi”, maka sebaiknya dalam ba-
gian ini penulis perlu menjelaskan perbedaan antara regresi dan ko-
relasi.
Menurut Gujarati (2009: 20) analisis korelasi bertujuan untuk mengu-
kur kekuatan (strength) atau tingkatan (degree) hubungan linier (line-
ar association) antara dua variabel.
Untuk mengukur kekuatan hubungan linier ini digunakan koefisien
korelasi. Sebaliknya dalam regresi kita tidak melakukan pengukuran
seperti itu.
Dalam regresi kita membuat estimasi atau memprediksi nilai rata-rata
satu variabel didasarkan pada nilai-nilai tetap variabel-variabel lain.
Perbedaan yang mendasar antara regresi dan korelasi ialah dalam re-
gresi terdapat (hubungan) asimetri dalam kaitannya dengan perlakuan
terhadap variabel tergantung dan variabel bebas.
Variabel tergantung diasumsikan statistitikal, acak atau stokhastik,
yaitu mempunyai distribusi probabilitas. Sedang variabel bebas /
prediktornya diasumsikan mempunyai nilai-nilai tetap.
Sebaliknya dalam korelasi kita memperlakukan dua variabel atau vari-
abel-variabel apa saja secara simetris, yaitu tidak ada perbedaan antara
variabel bebas dan variabel tergantung.
Sebagai contoh korelasi antara nilai ujian matematik dan statistik
sama dengan korelasi nilai ujian statistik dan matematik. Lebih lanjut
dalam korelasi kedua variabel diasumsikan random.
Regresi linier mempunyai persamaan yang disebut sebagai persamaan
regresi. Persamaan regresi mengekspresikan hubungan linier antara
variabel tergantung / variabel kriteria yang diberi simbol Y dan salah
satu atau lebih variabel bebas / prediktor yang diberi simbol X jika
hanya ada satu prediktor dan X 1, X2 sampai dengan Xk, jika terdapat
lebih dari satu prediktor (Crammer & Howitt, 2006:139).
Persamaan regresi akan terlihat seperti di bawah ini:

Versi Pdf Lengkapnya di ipusnas.com

1) Untuk persamaan regresi dimana Y merupakan nilai yang dipre-
diksi, maka persamaannya ialah:
Y = a + β1X1 (untuk regresi linier sederhana)
Y = a + β1X1 + β2X2 + … + βkXk (untuk regresi linier berganda)
2) Untuk persamaan regresi dimana Y merupakan nilai sebenarnya
(observasi), maka persamaan menyertakan kesalahan (error term
/ residual) akan menjadi:
Y = a + β1X1 + e (untuk regresi linier sederhana)
Y = a + β1X1 + β2X2 + … + βkXk + e (untuk regresi linier ber-
ganda)
Dimana:
- X: merupakan nilai sebenarnya suatu kasus (data)
- β: merupakan koefisien regresi jika hanya ada satu prediktor
dan koefisien regresi parsial jika terdapat lebih dari satu
prediktor. Nilai ini juga mewakili mewakili koefisien regresi
baku (standardized) dan koefisien regresi tidak baku (un-
standardized). Koefisien regresi ini merupakan jumlah peru-
bahan yang terjadi pada Y yang disebabkan oleh perubahan
nilai X. Untuk menghitung perubahan ini dapat dilakukan
dengan cara mengalikan nilai prediktor sebenarnya (ob-
servasi) untuk kasus (data) tertentu dengan koefisien regresi
prediktor tersebut.
- a: merupakan intercept yang merupakan nilai Y saat nilai
prediktor sebesar nol.
Sedang garis regresi didefinisikan sebagai garis lurus yang ditarik dari
titik-titik diagram pencar (scattered diagram) dari nilai variabel ter-
gantung dan variabel bebas sehingga garis tersebut menggambarkan
hubungan linier antara variabel-variabel tersebut.
Jika nilai-nilai ini merupakan garis regresi nilai baku maka garis ini
sama dengan garis korelasi. Garis ini disebut juga sebagai garis keco-
cokan yang sempurna dimana garis lurus tersebut berada pada posisi
terdekat pada titik-titik diagram pencar.
Garis ini dapat digambarkan dari nilai-nilai persamaan regresi dalam
bentuk yang paling sederhana yaitu:

Versi Pdf Lengkapnya di ipusnas.com

Nilai yang diprediksi = intercept + (koefisien regresi x nilai prediktor)
Sumbu vertikal dari diagram pencar digunakan untuk menggambarkan
nilai-nilai variabel tergantung sedang sumbu horizontal menggam-
barkan nilai prediktor.
Intercept merupakan titik sumbu vertikal yang merupakan nilai varia-
bel tergantung yang diprediksi saat nilai prediktor atau variabel bebas
sebesar nol.
Nilai yang diprediksi akan sebesar akan sebesar 0 jika koefisien re-
gresi baku digunakan. Itulah sebabnya saat menggunakan IBM SPSS
keluaran yang digunakan dalam koefisien regresi menggunakan
keluaran pada kolom “unstandardized coefficient”.
Jika digambarkan akan nampak seperti di bawah ini:

Gambar 1.1 Garis Regresi

Persamaannya ialah
Y = a + β1X1

Versi Pdf Lengkapnya di ipusnas.com

Dengan:
Y= variabel tergantung / variabel kriteria
a= intercept Y
β = kemiringan (slope)
X= variabel bebas

Garis regresi mempunyai 3 (tiga) kemungkinan yaitu: 1) hubungan

linier positif, 2) hubungan linier negatif, dan 3) tidak ada hubungan
linier. Gambarnya seperti di bawah ini:
1) Hubungan Linier Positif

Gambar 1.2 Hubungan Linier Positif

Versi Pdf Lengkapnya di ipusnas.com

2) Hubungan Linier Negatif

Gambar 1.3 Hubungan Linier Negatif

3) Tidak Ada Hubungan Linier

Gambar 1.4 Tidak Ada Hubungan Linier

Versi Pdf Lengkapnya di ipusnas.com

 Agar kita memperoleh kejelasan dalam penggunaan istilah, maka
di bawah ini diberikan istilah-istilah yang mewakili pengertian
variabel bebas dan variabel tergantung dalam regresi. Gujarati
memberikan istilah sebagai berikut:
- Variabel tergantung (dependent variable): disebut juga se-
bagai variabel yang dijelaskan (explained variable) / variabel
yang diprediksi (predictand) / regresan (regressand) / variabel
yang merespon (response) / endegenous / keluaran (outcome)
/ variabel yang dikontrol (controlled variable).
- Variabel yang menerangkan (explanatory variable): disebut
juga sebagai variabel tergantung (dependent variable) / varia-
bel yang memprediksi (predictor) / regresor (regressor) /
variabel stimulus (stimulus) / exogenous / kovariat (covariate)
/ variabel kontrol (control variable).

1.2 Tujuan
Tujuan menggunakan analisis regresi ialah
1) Membuat estimasi rata-rata dan nilai variabel tergantung
dengan didasarkan pada nilai variabel bebas.
2) Menguji hipotesis karakteristik dependensi.
3) Untuk meramalkan nilai rata-rata variabel bebas dengan
didasarkan pada nilai variabel bebas diluar jangkauan sampel.

1.3 Asumsi Penggunaan Regresi

Penggunaan regresi linear sederhana didasarkan pada asumsi dian-
taranya sebagai berikut:
1) Model regresi harus linier dalam parameter.
2) Variabel bebas tidak berkorelasi dengan disturbance term (Er-
ror) .
Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut:
1) (E (U / X) = 0
2) Varian untuk masing-masing error term (kesalahan) konstan.

Versi Pdf Lengkapnya di ipusnas.com

 3) Tidak terjadi otokorelasi.
4) Model regresi dispesifikasi secara benar. Tidak terdapat bias
spesifikasi dalam model yang digunakan dalam analisis em-
piris.
5) Jika variabel bebas lebih dari satu, maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata.

1.4 Syarat-Syarat
Model kelayakan regresi linear dalam IBM SPSS didasarkan pada hal-
hal sebagai berikut:
1) Model regresi dikatakan layak jika angka signifikansi pada
ANOVA sebesar < 0.05
2) Predictor yang digunakan sebagai variabel bebas harus layak.
Kelayakan ini diketahui jika angka Standard Error of Esti-
mate < Standard Deviation
Koefisien regresi harus signifikan. Pengujian dilakukan dengan uji t.
Koefisien regresi signifikan jika t hitung > t table (nilai kritis). dalam
IBM SPSS dapat diganti dengan menggunakan nilai signifikansi (sig)
dengan ketentuan sebagai berikut:
- Jika sig < 0,05; koefisien regresi signifikan
- Jika sig > 0,05; koefisien regresi tidak signifikan
Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi ko-
relasi antar variabel bebas yang sangat tinggi atau terlalu rendah.
Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel
bebas lebih dari satu. Terjadi multikolinieritas jika koefisien korelasi
antara variable bebas > 0,7 atau < - 7
Tidak terjadi otokorelasi jika:
1) - 2 ≤ DW ≤ 2
2) Keselarasan model regresi dapat diterangkan dengan
menggunakan nilai r2 semakin besar nilai tersebut maka model
semakin baik. Jika nilai mendekati 1 maka model regresi se-
makin baik.
9

Versi Pdf Lengkapnya di ipusnas.com

 3) Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif,
2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan
mempunyai arti kesesuaian yang sempurna.
4) Maksudnya seluruh variasi dalam variabel tergantung (varia-
bel Y) dapat diterangkan oleh model regresi. Sebaliknya jika
r2 sama dengan 0, maka tidak ada hubungan linier antara vari-
abel bebas (variabel X) dan variabel tergantung (variabel Y).
5) Terdapat hubungan linier antara variabel bebas (X) dan varia-
bel tergantung (Y)
6) Data harus berdistribusi normal
7) Data berskala interval atau rasio
8) Terdapat hubungan dependensi, artinya satu variabel merupa-
kan variabel tergantung yang tergantung pada variabel (varia-
bel) lainnya.

1.5 Konsep Linieritas dalam Regresi

Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam
variabel dan linieritas dalam parameter. Yang pertama, linier dalam
variabel merupakan nilai rata-rata kondisional variabel tergantung
yang merupakan fungsi linier dari variabel (variabel) bebas.
Sedang yang kedua, linier dalam parameter merupakan fungsi linier
parameter dan dapat tidak linier dalam variabel.

1.6 Uji Hipotesis

Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal,
yaitu: tingkat signifikansi atau probabilitas (α) dan tingkat ke-
percayaan atau confidence level.
Didasarkan tingkat signifikansi pada umumnya orang menggunakan
0,05. Kisaran tingkat signifikansi mulai dari 0,01 sampai dengan 0,1.
Yang dimaksud dengan tingkat signifikansi adalah probabilitas
melakukan kesalahan tipe I, yaitu kesalahan menolak hipotesis ketika
hipotesis tersebut benar.

10

Versi Pdf Lengkapnya di ipusnas.com

Tingkat kepercayaan pada umumnya ialah sebesar 95%, yang dimak-
sud dengan tingkat kepercayaan ialah tingkat dimana sebesar 95%
nilai sample akan mewakili nilai populasi dimana sample berasal.
IBM SPSS menggunakan istilah interval kepercayaan (confidence in-
terval). Interval kepercayaan yang sering juga disebut margin of error
merupakan nilai yang mencerminkan kurang atau lebih, misalnya in-
terval kepercayaan 5 dan 50% dalam pengambilan sampel mempunyai
makna bahwa sampel yang kita pilih akan menjawab pertanyaan-per-
tanyaan yang kita berikan dalam kisaran antara 45% (50% - 5%) dan
55% (50% + 5%).
Untuk melakukan uji hipotesis diperlukan hipotesis riset. Hipotesis
riset merupakan dugaan mengenai sifat fakta-fakta yang memung-
kinkan.
Hipotesis ini dianggap sebagai titik awal penyelidikan. Sebagai con-
toh, peneliti berpendapat bahwa promosi secara besar-besaran ber-
pengaruh terhadap penjualan.
Sedang dalam statistik, terdapat dua hipotesis, yaitu hipotesis nol (H0)
dan hipotesis alternatif (H1 / Ha). Hipotesis nol dalam statistik meru-
pakan hipotesis yang sebenarnya kita uji.
Hipotesis ini merupakan pernyataan peneliti yang mengatakan bahwa
variabel bebas tidak mempunyai pengaruh terhadap variabel tergan-
tung (dalam regresi) dan tidak ada hubungan antara dua variabel (da-
lam korelasi).
Dalam hipotesis nol kita berasumsi bahwa sampel-sampel berasal dari
populasi yang sama. Sedang hipotesis alternatif merupakan hipotesis
yang memberikan alternatif berbeda dengan hipotesis nolnya.
Dengan demikian dalam kaitannya dengan hipotesis nol di atas; maka
peneliti mengatakan bahwa variabel bebas mempunyai pengaruh ter-
hadap variabel tergantung (dalam regresi) dan ada hubungan antara
dua variabel (dalam korelasi).
Contoh uji hipotesis misalnya rata-rata produktivitas pegawai sama
dengan 10 (μ x= 10), maka bunyi hipotesisnya ialah:
H0: Rata-rata produktivitas pegawai sama dengan 10
H1: Rata-rata produktivitas pegawai tidak sama dengan 10

11

Versi Pdf Lengkapnya di ipusnas.com