Dosen Pengampu :
Dimas Bagus Cahyaningrat, S.Si., M.Si
Disusun Oleh :
1. Silvia Sugiatiningsih 152110101253
2. Sandra Faviola Dewayanti 172110101157
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.
Penyusun
i
DAFTAR ISI
ii
BAB 1 PENDAHULUAN
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.
1.3 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
3
e. Nilai variabel tak bebas harus berdistribusi normal atau
mendekati normal.
f. Nilai peubah bebas sebaiknya merupakan besaran yang relative
mudah diproyeksikan.
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).
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 :
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
3. Autokorelasi
4. Heteroskedastisitas
7
Cara mendeteksi heteroskedastisitas dapat menggunakan:
1. Uji Glejser
2. Uji Park
3. Uji Spearman
4. Melihat Grafik
Dimana:
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.
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:
n= jumlah sampel
k- jumlah variabel
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:
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 √
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 :
dimana :
Y' = Tinggi pohon mahoni yang diprediksi
X = Diameter batang pohon mahoni
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.
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
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
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
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.
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.
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.
Pengujian:
Hipotesis penelitian untuk uji signifikansi regresi:
H0 : koefisien persamaan regresi tidak signifikan
Ha : Koefisien persamaan regresi signifikan
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:
APLIKASI:
Jawab:
27
2. Informasi apa yang didapatkan dari tabel dibawah ini?
b. Hubungan antara variabel jumlah prediksi biaya, biaya tetap dan biaya
variabel signifikan, yang berarti berhubungan
d. a dan b benar
e. semua benar
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
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
Johar, A. (2017). SPSS 24 Untuk Penelitian dan Skripsi. Jakarta: PT. Elex Media
Komputindo
Suwarno. (2008). Analisis Regresi Linier Sederhana dan Korelasi. Jakarta: Binus.
31