MAKALAH

UJI REGRESI LINIER SEDERHANA DAN BERGANDA

(Disusun guna memenuhi tugas mata kuliah Biostatistik Inferensial kelas A)

Dosen Pengampu :
Dimas Bagus Cahyaningrat, S.Si., M.Si

Disusun Oleh :
1. Silvia Sugiatiningsih 152110101253
2. Sandra Faviola Dewayanti 172110101157

PROGRAM STUDI ILMU KESEHATAN MASYARAKAT

FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS JEMBER
2020
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT atas berkat dan limpahan
rahmat-Nya, sehingga kami dapat menyelesaikan makalah ini yang berjudul “Uji
Regresi Linier Sederhana dan Berganda” dengan tepat waktu. Shalawat serta
salam semoga selalu tercurah pada Nabi Muhammad SAW. Tidak lupa penyusun
sampaikan ucapan terima kasih kepada semua pihak yang telah membantu dalam
penyusunan makalah ini, yaitu :
1. Bapak Dimas Bagus Cahyaningrat, S.Si., M.Si selaku dosen pengampu
mata kuliah Biostatistik Inferensial Fakultas Kesehatan Masyarakat
Universitas Jember
2. Keluarga yang selalu memberikan doa dan dukungan, serta
3. Rekan-rekan yang menempuh mata kuliah Biostatistik Inferensial
Kami menyadari bahwa masih terdapat kesalahan ataupun kekurangan,
tentunya kami mengharapkan kritik dan saran dari semua pihak demi
kesempurnaan makalah ini. Semoga makalah ini dapat memberikan tambahan
wawasan bagi kita semua khususnya teman-teman mahasiswa serta bisa menjadi
bahan referensi untuk pembelajaran kita bersama.

Jember, 6 Februari 2020

Penyusun

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................ i

DAFTAR ISI .......................................................................................................... ii
BAB 1 PENDAHULUAN ..................................................................................... 1
1.1 Latar Belakang .............................................................................................. 1
1.2 Rumusan Masalah ......................................................................................... 2
1.3 Tujuan ............................................................................................................ 2
1.3.1 Tujuan Umum ......................................................................................... 2
1.3.1 Tujuan Khusus ........................................................................................ 2
1.4 Manfaat .......................................................................................................... 2
BAB 2 PEMBAHASAN ........................................................................................ 3
2.1 Pengertian Regresi ......................................................................................... 3
2.2 Uji Regresi Linier Sederhana dan Berganda ................................................. 4
2.2.1 Regresi Linier Sederhana ........................................................................ 4
2.2.2 Regresi Linier Berganda ......................................................................... 5
2.2.3 Uji Asumsi Klasik................................................................................... 6
2.2.4 Koefisien Determinasi regresi Linier ...................................................... 8
2.2.7 Nilai t dalam regresi linear.................................................................... 11
2.2.8 Kelebihan Dan Kekurangan Regresi Linier .......................................... 12
2.3 Langkah Pengujian Manual Regresi Linier ................................................. 12
2.4 Langkah-Langkah Pengujian Menggunakan SPSS ..................................... 16
2.4.1 Langkah Pengujian SPSS Pada Regresi Linier Sederhana ................... 16
2.4.2 Langkah Pengujian SPSS Pada Regresi Linier Berganda .................... 22
BAB 3 CONTOH SOAL ..................................................................................... 27
3.1 Silvia Sugiatiningsih.................................................................................... 27
3.2 Sandra Faviola ............................................................................................. 28
BAB 4 PENUTUP................................................................................................ 30
4.1 Kesimpulan .................................................................................................. 30
DAFTAR PUSTAKA .......................................................................................... 31

ii
 BAB 1 PENDAHULUAN

1.1 Latar Belakang

Statistika adalah metode yang berhubungan dengan penyajian dan
penafsiran kejadian yang bersifat peluang dalam suatu penyelidikan terencana
atau penelitian ilmiah. Dalam kehidupan sehari-hari, sebenarnya kita banyak
bermain dengan dasar ilmu statistika, misalnya mengatur keuangan,
memperkirakan cuaca, mengambil kesimpulan dari obrolan dan lainnya. Statistika
terkait erat dengan data dan informasi. Data adalah sesuatu yang belum
mempunyai arti bagi penerimanya dan masih memerlukan adanya suatu
pengolahan. Dalam hal ini, data bisa dianggap sebagai objek dan informasi adalah
suatu subjek yang bermanfaat bagi penerimannya. Informasi juga bisa disebut
sebagai hasil pengolahan ataupun pemrosesan data.
Analisis regresi linier merupakan teknik dalam statistika yang digunakan
untuk membentuk model hubungan antara variabel dependen dengan satu atau
lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel
yaitu variabel dependen dan variabel independen. Regresi linier yang terdiri dari
satu variabel dependen dan satu variable independen disebut regresi linier
sederhana, sedangkan regresi linier yang terdiri dari satu variable dependen dan
beberapa variable independen disebut regresi linier berganda. Hubungan antar
variabel-variabel tersebut dapat dinyatakan dalam model matematika.
Model regresi linier sederhana adalah model probabilistik yang
menyatakan hubungan linier antara dua variabel dimana salah satu variabel
dianggap memengaruhi variabel yang lain. Variabel yang memengaruhi
dinamakan variabel independen dan variabel yang dipengaruhi dinamakan
variabel dependen.
Analisis regresi pada mulanya bertujuan untuk membuat perkiraan nilai
satu variabel (variabel independen) terhadap satu variabel yang lain (variabel
dependen). Penggunaan analisis regresi semakin meluas hampir di setiap bidang
ilmu pengetahuan dan dunia bisnis.Analisis regresi saat ini tidak hanya terdiri dari
satu variabel independen saja, tetapi terdapat lebih dari satu variabel independen.
Analisis regresi linier yang mempunyai lebih dari satu variabel independen

1
disebut analisis regresi linier berganda atau biasa juga disebut "multiple regression
analysis". Perbedaan antara analisis regresi linier sederhana dengan analisis
regresi linier berganda terletak pada jumlah variabel independen.

1.2 Rumusan Masalah

1. Apakah Itu Uji Regresi?
2. Apakah Itu Uji Regresi Linier Sederhana dan Berganda ?
3. Bagaimana Langkah Pengujian Atau Perhitungan Manual Uji Regresi
Linier Sederhana dan Berganda ?
4. Bagaimana Langkah – Langkah Penggunaan Menggunakan SPSS ?

1.3 Tujuan
1.3.1 Tujuan Umum
Untuk memahami konsep dan langkah dari uji t-tes 2 sampel berpasangan.
1.3.1 Tujuan Khusus
1. Mengetahui pengertian Uji Regresi
2. Mengetahui Uji Regresi Linier Sederhana dan Berganda
3. Mengetahui Pengujian Atau Perhitungan Manual Uji Regresi Linier
Sederhana dan Berganda
4. Mengetahui langkah – langkah pengujian menggunakan SPSS

1.4 Manfaat
Penelitian ini diharapkan dapat menambah ilmu pengetahuan kesehatan
masyarakat khususnya tentang konsep dan praktek dari uji regresi linier sederhana
dan berganda.

2
 BAB 2 PEMBAHASAN

2.1 Pengertian Regresi

Regeresi adalah alat yang berfungsi untuk membantu memperkirakan nilai
suatu variabel yang tidak diketahui dari satu atau beberapa variabel yang tidak
diketahui. Analisis regresi didefinisikan sebagai kajian terhadap hubungan satu
variabel yang disebut variabel yang diterangkan (the explaind variabel) atau
sering disebut sebagai variabel tergantung, dan variabel tidak tergantung atau
variabel bebas.
Metode regresi yang sering digunakan yaitu analisis regresi linier dan non
linier. Jika variabel tidak bebas bersifat diskrit, analisis linier tidak layak
digunakan karena bebebarapa alasan, yaitu :
a. Variabel tidak bebas di dalam metode regresi linier harus bersifat
continue
b. Variabel tidak bebas di dalam metode regresi linier harus dapat
mengakomodasi nilai negatif Variabel diskrit biasa juga dikatakan Dalam
kategori dan sering juga disebut variabel nominal atau variabel kategorik.
Metode analisis regresi digunakan untuk menghasilkan hubungan
antara dua variabel atau lebih dalam bentuk numerik dan untuk bagaimana
dua atau lebih peubah saling berkait, dimana telah diketahui variabel
lainnya dan variabel mana yang mempengaruhinya. Persamaan regresi ini
merupakan persamaan garis yang paling mewakili hubungan antara dua
variabel tersebut. Beberapa asumsi statistik yang diperlukan dalam
melakukan analisis regresi adalah :
a. Variabel tak bebas, yaitu fungsi linier dari variabel bebas. Jika
hubungan tersebut tidak linier, data sering kali harus
ditransformasikan agar menjadi linier.
b. Variabel bebas adalah tetap atau diukur tanpa kesalahan.
c. Tidak ada korelasi antara variabel bebas
d. Variansi dari variabel tak bebas terhadap garis regresi adalah
sama untuk seluruh nilai variabel tak bebas.

3
 e. Nilai variabel tak bebas harus berdistribusi normal atau
mendekati normal.
f. Nilai peubah bebas sebaiknya merupakan besaran yang relative
mudah diproyeksikan.

2.2 Uji Regresi Linier Sederhana dan Berganda

2.2.1 Regresi Linier Sederhana
Regresi linier sederhana digunakan untuk mendapatkan hubungan
matematis dalam bentuk suatu persamaan antara variabel tak bebas tunggal
dengan variabel bebas tunggal. Regresi linier sederhana hanya memiliki satu
peubah yang dihubungkan dengan satu peubah tidak bebas .
Regresi linier sederhana memiliki fungsi sebagai berikut :
a. Menguji hubungan / korelasi / pengaruh satu variabel bebas terhadap
satu variabel terikat.
b. Melakukan prediksi atau estimasi variabel terikat berdasarkan variabel
bebasnya.
c. Data yang dianalisis haru berupa data yang berskala interval / rasio.
Regresi linier mempunyai persamaan yang disebut sebagai persamaan
regresi. Persamaan regresi mengekspresikan hubungan linear antar 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
X1, X2, sampai dengan Xk jika terdapat lebih dari satu prediktor (Crammer &
Howitt, 2006)
a. Untuk persamaan regresi dimana Y merupakan nilai yang diprediksi
maka persamaannya adalah:
Y = 0 + 1X1
b. Untuk persamaan regresi dimana Y merupakan nilai sebenarnya
(observasi), maka persamaan menyertakan kesalahan (error
term/residual) akan menjadi:
Y = 0 + 1X1 + e

4
Dimana:
X: merupakan nilai sebenarnya suatu kasus (data) pada variabel bebas (X)
: merupakan koefisien regresi jika hanya da satu prediktor dan koefisien regresi
parsial jika terdapat lebih dari satu prediktor. Nilai ini juga mewakili koefisien
regresi baku (standardized) dan koefisien regresi tidak baku (unstandardized).
Koefisien regresi ini merupakan jumlah perubahan yang terjadi pada Y yang
disebabkan oleh perubahan nilai X. Untuk menghitung perubahan ini dapat
dilakukan dengan cara mengalikan nilai prediktor sabenarnya untuk kasus (data)
tertentu dengan koefisien regresi prediktor tersebut.
A: merupakan intercept yang merupakan nilai Y saat nilai prediktor (variabel
bebas) sebesar nol (X=0).

2.2.2 Regresi Linier Berganda

Regresi linier berganda merupakan model persamaan yang menjelaskan
hubungan satu variabel tak bebas/ response (Y) dengan dua atau lebih variabel
bebas/ predictor (X1, X2,…Xn). Tujuan dari uji regresi linier berganda adalah
untuk memprediksi nilai variable tak bebas/ response (Y) apabila nilai-nilai
variabel bebasnya/ predictor (X1, X2,..., Xn) diketahui. Disamping itu juga untuk
dapat mengetahui bagaimanakah arah hubungan variabel tak bebas dengan
variabel - variabel bebasnya.
Persamaan regresi linier berganda secara matematik diekspresikan oleh :
Y = 0 + 1 X1 + 2 X2 + … + n Xn
yang mana :
Y = variable tak bebas (nilai variabel yang akan diprediksi)
a = konstanta
b1,b2,…, bn = nilai koefisien regresi
X1,X2,…, Xn = variable bebas
Bila terdapat 2 variable bebas, yaitu X1 dan X2, maka bentuk persamaan
regresinya adalah :
Y = 0 + 1 X1 + 2 X2 + … + n Xn
Keadaan-keadaan bila koefisien-koefisien regresi, yaitu 1 dan 2 mempunyai
nilai :

5
 a) Nilai=0. Dalam hal ini variabel Y tidak dipengaruh oleh X1 dan X2
b) Nilainya negative. Disini terjadi hubungan dengan arah terbalik antara
variabel tak bebas Y dengan variabel-variabel X1 dan X2
c) Nilainya positif. Disni terjadi hubungan yang searah antara variabel tak
bebas Y dengan variabel bebas X1 dan X2
Koefisien-koefisien regresi 1 dan 2 serta konstanta a dapat dihitung dengan
menggunakan rumus :

2.2.3 Uji Asumsi Klasik

Tujuan pengujian asumsi klasik ini adalah untuk memberikan kepastian
bahwa persamaan regresi yang didapatkan memiliki ketepatan dalam estimasi,
tidak bisa dan konsisten. Uji asumsi klasik yang akan dibahas antara lain: uji
normalitas residual, uji multikolinearitas, uji autokorelasi, dan uji
heteroskedastisitas (Gunawan, 2019).

1. Normalitas residual

uji normalitas residual pada model regresi ini digunakan untuk mengetahui
apakah nilai residual yang dihasilkan berdistribusi normal atau tidak. Terdapat
dua metode untuk melakukan uji ini diantaranya:

a. Metode grafik
Kode grafik uji normalitas dengan menggunakan metode ini dilakukan
dengan cara melihat penyebaran data pada sumber diagonal pada grafik
normal PP plot of regression standardized residual.
b. Metode uji one sample kolmogorov smirnov
Metode uji one sample kolmogorov smirnov seperti halnya metode grafik
metode ini digunakan untuk mengetahui apakah data residual berdistribusi

6
 normal atau tidak. Residual berdistribusi normal jika signifikansi lebih dari
0,05.

2. Multikolinearitas

Uji multikolinearitas adalah uji yang dilakukan untuk memastikan apakah

di dalam sebuah model regresi ada interkorelasi atau kolinearitas antar variabel
bebas. Interkorelasi adalah hubungan yang linear atau hubungan yang kuat antara
satu variabel bebas atau variabel prediktor dengan variabel prediktor lainnya di
dalam sebuah model regresi.

3. Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi

linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya. Jika terjadi korelasi, maka dinamakan ada
problem autokorelasi.

Korelasi muncul karena observasi yang berurutan sepanjang waktu

berkaitan satu sama lainnya. Masalah ini timbul karena residual tidak bebas dari
satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut
waktu karena “gangguan” pada seseorang individu atau kelompok cenderung
mempengaruhi “gangguan” pada individu atau kelompok yang sama atau pada
periode berikutnya.

4. Heteroskedastisitas

Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan

varian dari residual untuk semua pengamatan pada model regresi linear. Uji ini
merupakan salah satu dari uji asumsi klasik yang harus dilakukan pada regresi
linear. Apabila asumsi heteroskedastisitas tidak terpenuhi, maka model regresi
dinyatakan tidak valid sebagai alat peramalan. Heteroskedastisitas adalah keadaan
dimana terjadinya ketidaksamaan varian dari error untuk semua pengamatan
setiap variabel bebas pada model regresi.

7
 Cara mendeteksi heteroskedastisitas dapat menggunakan:

1. Uji Glejser

2. Uji Park

3. Uji Spearman

4. Melihat Grafik

2.2.4 Koefisien Determinasi regresi Linier

Nilai R2 digunakan untuk melihat apakah model regresi yang dibuat
berdasarkan data observasi sudah benar atau tidak. Nilai R2 diperoleh dari jumlah
kuadrat model regresi (sum of squares of the model) dibagi dengan jumlah total
kuadrat (total sum of squares). Rumusnya seperti di bawah ini:

Dimana:

SSreg= nilai sum of square dari model regresi

SStotal= Ssy= nilai sum of square total

Ssres= nilai sum of square residual

Hasil dari penghitungan R2 ini dapat dipersenkan dengan cara mengalikan

100 yang kemudian disebut sebagai Koefisien Determinasi yang menyatakan
jumlah persentase varian variabel tergantung yang dapat dijelaskan oleh model
regresi yang kita buat. Jika nilai R2 ini diakarkan, kita akan memperoleh nilai
koefisien pearson (R). Dengan demikian dalam regresi linier sederhana, nilai R
memberikan estimasi yang baik untuk kecocokan keseluruhan model regresi dan
R2 memberikan penilaian yang baik untuk ukuran mendasar hubungan dua
variabel yang kita regresikan (Field,2006).

Dengan bahasa yang mudah, dapat kita katakan bahwa nilai koefisien
korelasi pearson (R) dapat digunakan sebagai indikator benar atau salahnya model
regresi linier sederhana secara keseluruhan. Sedangkan nilai R2 mencerminkan

8
kebenaran hubungan yang mendasar antara variabel bebas dan variabel tergantung
yang kita regresikan. Kesimpulannya, jika nilai R semakin tinggi mendekati 1
(nilai maksimum R sebesar 1) maka model yang dibuat semakin benar dan nilai
R2 semakin tinggi maka hubungan antara variaebl bebas dan variabel tergantung
semakin mendekati linear sempurna.

Sekalipun demikian, kita tidak dapat membuat kesimpulan kelayakan

model semata-mata hanya menggunakan nilai R dan R2. Karena tujuan utama
membuat model regresi linier bukan hanya mencari nilai R dan R2 yang tinggi
tetapi ada tujuan yang lebih penting yaitu memprediksi parameter koefisien
regresi () yang signifikan. Jika kita hanya melihat nilai R2 saja maka kita melihat
kebenaran model regresi yang kita buat hanya dari sudtu pandang linearitas
hubungan dua variabel yang kita regresikan.

Sebagaimana pendapat Gujarati (2009), dia mengatakan perlu diluruskan

bahwa tujuan utama dalam prosedur analisis regresi linear bukan hanya semata-
mata untuk memperoleh nilai R2 setinggi mungkin, tetapi lebih ke memperoleh
estimasi koefisien regresi pada populasi yang sebenarnta melalui sampel yang kita
teliti yang pada akhirnya nilai tersebut dapat digunakan untuk melakukan
inferensi secara statistik. Jika saat kita melakukan riset diperoleh nilai R2 tinggi,
hal tersebut merupakan salah satu petunjuk riset tersebut benar dan baik,
sekalipun sama sekali bahwa hasil riset tersebut salah atau jelek. Oleh karena itu,
saat melakukan riset kita harus lebih fokus pada relevansi teoritis hubungan antara
variabel-variabel bebas dengan variabel tergantungnya dan signifikansi hubungan
tersebut secara statistik. Dengan menggunakan bahasa yang umum, sebaiknya kita
lebih fokus untuk memperoleh hasil riset yang signifikan. Itu jauh lebih penting
dibandingkan dengan memperoleh nilai R2 yang tinggi semata-mata.

2.2.5 Nilai Adjusted R Square (R2) dalam Regresi Linear

Adjusted R square (R2) : nilai R2 yang disesuaikan dengan

mempertimbangkan jumlah variabel bebas/predictor yang dimasukkan dalam
persamaan regresi dan ukuran sampel. Asumsinya, jika variabel bebas
ditambahkan, nilai ini cenderung naik. Nilai ini sering digunakan sebagai nilai

9
kecocokan model (goodness of fit) dimana jika nilainya semakin tinggi
(mendekati 1), model semakin benar/akurat. Nilai ini umumnya lebih kecil dari
nilai R squarenya meski kadang dapat juga sama. Nilai ini hanya dapat naik jika
nilai t absolut dari variabel nilai R square dan nilai adjusted R square untuk
pengukuran kecocokan model, maka nilai R2 akan lebih baik. untuk menghasilkan
perbandingan yang valid diperlukan variabel tergantung yang sama. rumus untuk
nilai ini adalah:

Dimana:

Ssres= nilai sum of square residual

Sstotal= Ssy= nilai sum of square total

n= jumlah sampel

k- jumlah variabel

R2= nilai R square

2.2.6 Nilai F dalam Regresi Linier

Nilai F terdapat dalam keluaran ANOVA merupakan nilai yang digunakan

untuk melakukan pengujian hipotesis secara simultan. Pengujian ini dilakukan
dengan cara membandingkan antara nilai F hitung (F0) dengan nilai F tabel (F
nilai kritis) dengan menggunakan ketentuan, yaitu jika nilai F hitung > F tabel
dengan tingkat signifikansi (α) tertentu, misalnya sebesar 0,05 maka H0 ditolak
dan Ha diterima; sebaliknya jika nilai F hitung < F tabel maka H0 diterima dan Ha
ditolak. Hipotesis untuk uji signifkansi regresi yaitu H0 : koefisien persamaan
regresi tidak signifikan, Ha : Koefisien persamaan regresi signifikan. Untuk
memperoleh nilai F digunakan formula seperti dibawah ini:

10
Dimana:
Ssreg= nilai sum of square dari regresi
Ssres= nilai sum of square residual
n= jumlah sampel
k= jumlah variabel
jika dilihat dari rumus di atas, untuk memperoleh nilai F tinggi, kita
memerlukan nilai residual yang kecil dan jumlah data yang besar serta jumlah
variabel bebas yang tidak banyak. Nilai residual akan kecil jika hubungan antara
variabel bebas dan tergantung linear. Hubungan antara variabel bebas dan
tergantung akan semakin linear jika data observasi yang kita peroleh di lapangan
berdistribusi normal dan dalam jumlah yang memenuhi persyaratan, misalnya
dengan tingkat keyakinan sebesar 90%, data akan sebesar 98-100. Nilai F
berbanding lurus dengan nilai R2. Dengan demikian, jika nilai R2 semakin besar,
maka nilai F juga semakin besar. Sebaliknya jika nilai R2 semakin kecil, maka
nilai F juga semakin kecil. Oleh karena itu, kita dapat menyimpulkan bahwa
pengujian hipotesis dengan nilai F tidak hanya berfungsi sebagai signifikansi
keseluruhan regresi yang diestimasi, tetapi juga untuk pengujian signifikansi nilai
R2. Dengan demikian, untuk memperoleh nilai F selain menggunakan rumus di
atas, kita dapat mendapatkannya dengan rumus:

2.2.7 Nilai t dalam regresi linear

Nilai t diperoleh pada bagian keluaran koefisien regresi yang berfungsi
untuk digunakan sebagai pengujian hipotesis secara parsial atau sendiri-sendiri
saat kita menggunakan prosedur regresi linear sederhana dan berganda dimana
kita menggunakan variabel bebas atau prediktor lebih dari 1. Pada saat kita
merumuskan hipotesis dan melakukan pengujian hipotesis dengan nilai t, maka
bunyi hipotesis nol adalah nilai  sama dengan 0. Dengan demikian, jika koefisien
regresi signifikan (nilainya tidak sama dengan 0), maka variabel bebas tersebut
memberikan kontribusi secara signifikan terhadap perubahan nilai pada variabel
tergantung.

11
 Kriteria pengujian hipotesis ini dilakukan dengan cara membandingkna
antara nilai t hitung (t0) dengan nilai t tabel (t nilai kritis) dengan ketentuan: jika
nilai t hitung > t tabel dengan tingkat signifikansi (α) tertentu, misalnya sebesar
0,05, maka H0 ditolak dan Ha diterima; sebaliknya jika nilai t hitung < t tabel,
maka H0 diterima dan Ha ditolak. Untuk memperoleh nilai t digunakan formula
seperti dibawah ini:

Dengan √

2.2.8 Kelebihan Dan Kekurangan Regresi Linier

Kelebihan regresi linier yaitu algoritma atau analisis yang terbaik untuk
digunakan karena regresi linier merupakan analisis yang paling kompleks
dibandingkan dengan algoritma lain yang fungsinya juga untuk menentukan
hubungan antara variabel independen dan dependen. Sedangkan kekurangannya
yaitu data-data yang diukur harus linear untuk memperoleh hasil yang baik.

2.3 Langkah Pengujian Manual Regresi Linier

Sebuah penelitian terhadap pohon Mahoni, dimana akan diteliti apakah ada
hubungan antara tinggi pohon dengan diameter batang pohon, dengan artian
apakah ada pengaruh diameter batang pohon terhadap tinggi pohon tersebut.
Diambil sampel secara acak sejumlah delapan pohon mahoni. Dapat dilihat dari
tabel pada kolom X dan Y.

12
 no Tinggi Pohon Diameter
(y) Batang (x)
1 35 8
2 49 9
3 27 7
4 33 6
5 60 13
6 21 7
7 45 11
8 51 12

1. Hal pertama yang akan kita lakukan adalah membentuk persamaan regresi,
yaitu :
Y' = 0 + 1 X
2. Selanjutnya adalah menentukan konstanta a dan koefisien b, kita ikuti langkah
sebagai berikut :

13
 maka diperoleh :

Persamaan regresi diperoleh :

Y' = -1,3147 + 4,5413X

dimana :
Y' = Tinggi pohon mahoni yang diprediksi
X = Diameter batang pohon mahoni

3. Interpretasi dari koefisien regresi :

 Nilai 0 = -1,3147 artinya tidak mempunyai makna. Parameter β0 dan β1
dalam model regresi dinamakan koefisien regresi. Β1 adalah kemiringan
(slope) garis regresi. Kemiringan menunjukkan perubahan rataan sebaran
peluang bagi y untuk setiap kenaikan x 1 satuan. β0 adalah nilai intersep y
garis regresi tersebut. Bila cakupan model tidak mencakup x = 0 maka β0
tidak mempunyai makna.

 Nilai 1 = 4,5413 artinya jika terjadi peningkatan diameter batang pohon

mahoni satu satuan maka akan terjadi peningkatan tinggi pohon mahoni
sebesar 4,5413 satuan.
4. Koefisien Determinasi R2 :

r = 0,886 bernilai positif dan kuat

14
 artinya terdapat hubungan atau korelasi yang kuat antara tinggi pohon mahoni
dengan diameter batang pohon mahoni. Semakin besar diameter batang pohon
mahoni maka semakin tinggi batang pohon mahoni.

R2 = 0,8862 = 0,785
artinya sekitar 78,5% variasi dari variabel diameter batang pohon mahoni dapat
menjelaskan variasi dari variabel tinggi pohon mahoni.
5. Standar error estimate persamaan regresi:

Jadi besarnya standar error estimate persamaan regresi adalah 6,6364. Hal ini
menunjukkan penyimpangan data-data terhadap garis regresi, atau bagaimana
penyimpangan data yang menyebar disekitar garis regresi.
6. Pengujian Koefisien Regresi :
A. Hipotesis Uji
Ho (1) : koefisien regresi tidak signifikan
Ha (1) : koefisien regresi signifikan
B. Taraf Signifikansi
Pilih nilai signifikansi a = 5%
C. Daerah Kritis
Dengan nilai a = 5% dan derajat bebas n-2=8-2=6, maka diperoleh nilai
t-tabel pada 5%/2 = 2,5% yaitu 2,447.

D. Statistik Uji

E. Hipotesis
H0: tidak ada pengaruh, t hitung < t tabel
H1: ada pengaruh, t hitung > t tabel
F. Keputusan
Nilai t-hitung = 4,6805 > t-tabel = 2,447 sehingga Ho ditolak dan Ha
diterima.

15
 G. Kesimpulan
Dengan tingkat signifikansi 5% cukup menjelaskan bahwa ada pengaruh
diameter batang pohon mahoni terhadap tinggi pohon mahoni.

2.4 Langkah-Langkah Pengujian Menggunakan SPSS

2.4.1 Langkah Pengujian SPSS Pada Regresi Linier Sederhana
Berikut merupakan langkah-langkah menguji regresi linier sederhana dalam
SPSS : contoh kasus Sebuah penelitian terhadap pohon Mahoni, dimana akan
diteliti apakah ada hubungan antara tinggi pohon dengan diameter batang pohon,
dengan artian apakah ada pengaruh diameter batang pohon terhadap tinggi pohon
tersebut.
Diambil sampel secara acak sejumlah delapan pohon mahoni.
no Tinggi Pohon Diameter
(y) Batang (x)
1 35 8
2 49 9
3 27 7
4 33 6
5 60 13
6 21 7
7 45 11
8 51 12

Langkah penyelesaiannya sebagai berikut :

1. Buka lembar kerja SPSS lalu klik variabel View, selanjutnya pada kolom name
untuk baris pertama tulis x, baris kedua y. Lalu pada kolom label baris pertama
tulis diameter batang dan baris kedua tulis tinggi pohon.

16
2. Langkah berikutnya klik data view, selanjutnya masukkan data penelitian
dengan ketentuan X untuk data diameter batang dan Y untuk tinggi pohon

3. Jika sudah yakin diinput dengan benar, langkah selanjutnya kita klik menu
analyze-kemudian klik regression-lalu klik linier

4. Setelah itu akan muncul kotak dialog linear regression, masukkan variabel
diameter batang ke kotak independence, dan masukkan variabel tinggi pohon

17
 ke kotak dependent, caranya dengan mengklik tanda panah yang tersedia.
Selanjutnya pada bagian method: pilih enter

5. Langkah terakhir adalah klik ok untuk mengakhiri perintah, maka akan keluar
output SPSS regresi linier sederhana sebagai berikut

18
 A. Membuat Persamaan Regresi Linear Sederhana
Secara umum rumus persamaan regresi linear sederhana adalah y = a + BX.
Sementara untuk mengetahui nilai koefisien regresi tersebut kita dapat
berpedoman pada output yang berada pada tabel koefisien berikut

A= angka konstan dari unstandardize koefisien. Dalam kasus ini nilainya

sebesar -1,315. Parameter β0 dan β1 dalam model regresi dinamakan
koefisien regresi. β1 adalah kemiringan (slope) garis regresi. Kemiringan
menunjukkan perubahan rataan sebaran peluang bagi y untuk setiap
kenaikan x 1 satuan. β0 adalah nilai intersep y garis regresi tersebut. Bila
cakupan model tidak mencakup x = 0 maka β0 tidak mempunyai makna.

B = angka koefisien regresi titik nilainya sebesar 4,541. Angka Ini

mengandung arti bahwa jika terjadi peningkatan diameter batang pohon
mahoni satu satuan maka akan terjadi peningkatan tinggi pohon mahoni
sebesar 4,5413 satuan.
Karena nilai koefisien regresi bernilai positif, maka dengan demikian dapat
dikatakan bahwa terdapat hubungan atau korelasi yang kuat antara tinggi pohon
mahoni dengan diameter batang pohon mahoni. Semakin besar diameter batang
pohon mahoni maka semakin tinggi batang pohon mahoni.

19
 B. Uji Hipotesis Dalam Analisis Regresi Linier Sederhana
Uji hipotesis atau uji pengaruh berfungsi untuk mengetahui apakah
koefisien regresi tersebut signifikan atau tidak.
H0 = tidak ada pengaruh diameter batang terhadap Tinggi pohon.
Ha = ada pengaruh diameter batang terhadap Tinggi pohon
C. Uji Hipotesis Membandingkan Nilai Sig Dengan 0,05
Adapun yang menjadi dasar pengambilan keputusan dalam analisis regresi
dengan melihat nilai signifikansi hasil output SPSS adalah:
1. Jika nilai signifikansi lebih kecil dari probabilitas 0,05 mengandung arti
bahwa wa ada pengaruh diameter batang terhadap Tinggi pohon
2. Sebaliknya jika nilai signifikansi lebih besar dari probabilitas 0,05
mengandung arti bahwa tidak ada pengaruh diameter batang terhadap
tinggi pohon

Berdasarkan output di atas diketahui nilai signifikansi sebesar 0,003 lebih

kecil dari probabilitas 0,05 sehingga dapat disimpulkan bahwa h0 ditolak dan ha
diterima, yang berarti bahwa “ada pengaruh diameter batang terhadap tinggi
pohon”
D. Uji Hipotesis Membandingkan Nilai T Hitung Dengan T Tabel
Pengujian Hipotesis ini sering disebut juga dengan uji t, dimana dasar
pengambilan keputusan dalam uji t adalah:
1 Jika nilai T hitung lebih besar dari t tabel maka ada pengaruh diameter
batang terhadap tinggi pohon
2 Sebaliknya, jika nilai T hitung lebih kecil dari t tabel maka tidak ada
pengaruh diameter batang terhadap tinggi pohon

20
 Berdasarkan output di atas diketahui nilai T hitung sebesar 4, 686 karena
nilai T hitung sudah ditemukan, maka langkah selanjutnya mencari nilai T tabel.
Adapun rumus dalam mencari t tabel adalah:
Nilai a/2=0,05/2=0,025
Derajat kebebasan (df)= n-2=8-2=6, maka diperoleh nilai t-tabel pada 5%/2 =
2,5% yaitu 2,447.
Karena nilai T hitung sebesar 4,686 lebih besar dari 2,447 sehingga dapat
disimpulkan bahwa h0 ditolak dan ha diterima yang berarti bahwa “ada pengaruh
diameter batang terhadap tinggi pohon “
E. Melihat Besarnya Pengaruh Variabel X Terhadap Y
Untuk mengetahui besarnya pengaruh diameter batang terhadap Tinggi
pohon dalam analisis regresi linear sederhana, kita dapat berpedoman pada nilai r
Square atau R2 yang terdapat pada output SPSS bagian model summary

Output di atas diketahui nilai r Square sebesar 0,785. Nilai Ini mengandung
arti bahwa pengaruh diameter batang terhadap Tinggi pohon adalah sebesar output
di atas diketahui nilai r Square sebesar 0,785. Nilai Ini mengandung arti bahwa
pengaruh diameter batang terhadap tinggi pohon adalah sebesar 78,5% Sedangkan
21,5% tinggi pohon dipengaruhi oleh variabel yang lain yang tidak diteliti
F. Kesimpulan Dari Uji Analisis Regresi Linier Sederhana
Merujuk pada pembahasan di atas maka dapat kita simpulkan bahwa
diameter batang berpengaruh positif terhadap tinggi pohon dengan total pengaruh

21
sebesar 78, 5%. Pengaruh positif ini bermakna semakin kecilnya diameter batang
maka akan berpengaruh terhadap tingginya pohon tersebut

2.4.2 Langkah Pengujian SPSS Pada Regresi Linier Berganda

1. Analisis berganda 3 variabel dengan SPSS
Analisis regresi berganda 3 variabel dengan SPSS tidak serumit dibandingkan
dengan cara manual seperti di atas, sebab semua rumus manual di atas sudah
tersedia di dalam program SPSS. Berikut merupakan contoh dan cara melakukan
uji menggunakan SPSS:
Contoh: Misal peneliti akan meneliti tentang pengaruh motivasi (X1) dan minat
(X2) terhadap prestasi siswa (Y). Dengan data sebagai berikut:

Variabel Data Penelitian

X1 116 136 96 156 176 236 116 296 96 156
X2 96 106 136 126 146 196 76 156 116 86
Y 56 69 76 76 86 96 46 103 56 66

Analisis yang akan kita lakukan yaitu:

a. Persamaan regresi ganda Y atas X1 dan X2 dan uji signifikansi regresi
ganda Y atas X1 dan X2
b. Uji linieritas garis regresi
c. Uji signifikansi korelasi parsial

Prosedur penyelesaian:
a. Menentukan persamaan regresi
1. Siapkan SPSS kemudian klik variabel view. Ketikkan X1 pada kolom
name. Pada kolom Decimals, set angka 0, pada kolom label ketikkan
motivasi. Pada baris kedua, ketikkan X2. Pada kolom Decimals, set angka
0 dan pada kolom label ketikkan minat. Pada baris ketiga, ketikkan Y.
Pada kolom Decimals, set angka 0 dan kolom label ketikkan prestasi.

22
2. Klik data view kemudian input seluruh data variabel “X1”, “X2” dan
variabel “Y” sebagai berikut

3. Selanjutnya untuk analisis regresi, klik analyze. Sorot regression, lalu klik
linear akan muncul kotak dialog sebagai berikut.

4. Pindahkan variabel Y ke kotak Dependent dan pindahkan variabel X1 dan

X2 ke kotak Independent dengan mengklik kotak panah. Abaikan tombol-
tombol yang lain dan klik OK, maka akan diperoleh output sebagai
berikut.

23
  Koefisien determinasi berdasarkan tabel di atas diperoleh R square
0,899. Dengan demikian koefisien determinasi KD diperoleh 0,899 x
100% = 89,9%. Jadi, 89% variasi pada variabel terikat dapat
dijelaskan oleh variabel X1 dan X2 dan sisanya oleh faktor lain yang
tidak di teliti.

Perhatikan output analisis regresi pada tabel Coefficients di atas. Nilai

Contstants diperoleh 16,615, nilai slope/koefisien regresi (a1) diperoleh 0,279
dengan nilai sig 0,11. Dengan demikian, persamaan regresinya dpat ditulis
sebagai berikut:
Y= a0 + a1X1 + a2X2
Y= 16,615 + 0,138X2 + 0,279X2

24
interpretasi:
a. jika motivasi (X1) dan minat (X2) mendektasi atay sama dengan 0, maka
skor prestasi (Y) = 16,615. Dengan interpretasi bahwa jika motivasi dan
minat rendah, maka rata-rata prestasi tetap sebesar 16,615. Artinya
keseluruhan prestasi tetap, tidak lebih baik.
b. Jika motivasi naik satu satuan, sedangkan minat tetap, maka prestasi akan
naik sebesar 0,138 kali. Dengan interpretasi bahwa setiap peningkatan
motivasi sebesar 1 satuan, akan berdampak meningkatkan prestasi sebesar
0,138.
c. Jika minat naik 1 satuan, sedangkan motivasi tetap, maka prestasi akan
naik sebesar 0,279 kali. Dengan interpretasi bahwa setiap peningkatan
minat akan berdampak menaikkan prestasi sebesar 0,279.

Selanjutnya, persamaan regresi ini perlu diuji signifikansinya dengan cara

melihat nilai F dan nilai sig. nya berdasarkan output SPSS pada tabel Anova di
atas diperoleh nilai F sebesar 31,093 dengan nilai sig. 0,00.

Pengujian:
Hipotesis penelitian untuk uji signifikansi regresi:
H0 : koefisien persamaan regresi tidak signifikan
Ha : Koefisien persamaan regresi signifikan

P value < 0,05 = tolak H0

P value > 0,05 = terima H0

25
Kesimpulan:
Uji regresi berdasarkan tabel Anova di atas diperoleh nila F sebesar 31,093
dengan nilai sig. 0,00. Karena nilai sig. lebih kecil dari 0,05 maka tolak H0 terima
H1. Dengan demikian dapat disimpulkan bahwa koefisien persamaan regresi
signifikan.

26
 BAB 3 CONTOH SOAL
3.1 Silvia Sugiatiningsih
TEORI:

1. Tujuan dilakukannya uji regresi linier berganda adalah ...

a. Untuk membandingkan rata-rata dua variabel untuk suatu

grup sampel tunggal

b. Untuk menguji perbedaan rata-rata atau pengaruhperlakuan dari suatu

percobaan pada beberapa kelompok yang berkorelasi.

c. Untuk mengukur intensitas hubungan antara dua variabel atau

lebih dan membuat prediksi perkiraan nilai Y atas X

d. Untuk memberikan gambaran mengenai suatu data agar data yang

tersaji mudah dipahami

e. Untuk memprediksi variabel terikat yang berskala dikotomi

APLIKASI:

1. Lihatlah tabel di bawah ini!

Pada tabel di atas, dapat diambil kesimpulan bahwa...

Jawab:

Berdasarkan output di atas diketahui nilai T hitung sebesar 4, 686 karena

nilai T hitung sudah ditemukan, maka langkah selanjutnya mencari nilai T tabel.
Diperoleh nilai t-tabel pada 5%/2 = 2,5% yaitu 2,447.
Karena nilai T hitung sebesar 4,686 lebih besar dari 2,447 sehingga dapat
disimpulkan bahwa h0 ditolak dan ha diterima yang berarti bahwa “ada pengaruh
diameter batang terhadap tinggi pohon “

27
 2. Informasi apa yang didapatkan dari tabel dibawah ini?

a. Hubungan antara variabel jumlah prediksi biaya dan biaya variabel

sangat kuat.

b. Hubungan antara variabel jumlah prediksi biaya, biaya tetap dan biaya
variabel signifikan, yang berarti berhubungan

c. Hubungan antara ketiga variabel tidak signifikan yang berarti tidak

berhubungan

d. a dan b benar

e. semua benar

3.2 Sandra Faviola

TEORI:
1. Regresi linear hanya dapat menggunakan skala data bersifat...
a. interval dan ratio
b. nominal dan ordinal
c. ordinal dan interval
d. interval dan nominal

28
APLIKASI:
2. Untuk melakukan pengujian hipotesis secara simultan yang harus
diperhatikan dalam tabel dibawah ini adalah...

a. sig.
b. r2
c. F
d. x2

3. Untuk membandingkan t hitung dan t tabel yang harus diperhatikan adalah

a. B dan t hitung
b. sig. dan t hitung
c. sig. dan df
d. t hitung dan df

29
 BAB 4 PENUTUP

4.1 Kesimpulan
Dari penjelasan diatas dapat diambil kesimpulan bahwa analisis regresi
linear dibagi menjadi 2, yaitu regresi linier sederhana dan regresi linier berganda.
Regresi linier sederhana dipergunakan untuk mengetahui pengaruh antara satu
buah variabel bebas terhadap satu buah variabel terikat. Persamaan umumnya
adalah: Y = β0 + β1 X. Sedangkan pada analisis regresi berganda terdapat lebih
dari satu variabel independen. Uji regresi linier berganda bertujuan untuk
memprediksi nilai variable tak bebas/ response apabila nilai-nilai variabel
bebasnya/ predictor diketahui. Disamping itu juga untuk dapat mengetahui
bagaimanakah arah hubungan variabel tak bebas dengan variabel - variabel
bebasnya. Persamaan regresi linier berganda secara matematik diekspresikan oleh
: Y = 0 + 1X1 + 2 X2 + … + nXn

30
 DAFTAR PUSTAKA

Budhiarto, W. (2015). Metode Penelitian Ilmu Komputer Dengan Komputasi

Berbasis R. Yogyakarta: Deepublish.
Gunawan, C. (2019). Regresi Linear Tutorial SPSS Lengkap. Sukabumi: Skripsi
Bisa

Johar, A. (2017). SPSS 24 Untuk Penelitian dan Skripsi. Jakarta: PT. Elex Media
Komputindo

Suyono. (2018). Analisis Regresi Untuk Penelitian. Yogyakarta: Deepublish.

Wicaksono, Y. (2006). Aplikasi Excel Dalam Menganalisis Data. Jakarta: PT
Elex Media Komputindo.
Sarwono, J. (2017). Mengenal Prosedur-Prosedur Populer dalam SPSS 23.
Jakarta: PT. Elex Media Komputindo

Suwarno. (2008). Analisis Regresi Linier Sederhana dan Korelasi. Jakarta: Binus.

31