ANALISIS

REGRESI
LINIER
BERGANDA

Pertemuan ke 10 dan 11
Kelas A, C, dan E Statistika Inferensial
 Kerangka Berpikir Keseluruhan Materi

Sebar Dapat
Kuesioner data

Koefisien
Determinasi

Uji Analisis
Olah data : Uji F
-Uji Validitas Regresi Linier
- Uji Reliabilitas
Berganda Uji T
Persamaan
Uji Asumsi Klasik: Regresi
- Uji Normalitas
- Uji
Multkoleniertitas
- Uji
Heterokedastisita
s
Pengantar

• Analisis regresi merupakan suatu metode atau teknik analisis

hipotesis penelitian untuk menguji ada tidaknya perngaruh
antara variabel satu dengan variabel lain, yang dinyatakan dalam
bentuk persamaan matematik (regresi).

• Terdapat dua jenis dasar regresi yaitu, regresi linear sederhana

dan regresi linear berganda.
Jenis Analisis Regresi

• Regresi linear sederhana menggunakan satu variabel

independen untuk menjelaskan atau memprediksi hasil dari
variabel dependen Y.
• Sedangkan regresi linear multiples atau berganda
berfungsi untuk mencari pengaruh dari dua atau lebih
variabel independent (variabel bebas atau X) terhadap
variabel dependent (variabel terikat Y).
Analisis Regresi Linier Berganda

• Apabila kita ingin mengetahui ada tidaknya pengaruh satu variabel X

terhadap variabel Y maka digunakan analisis regresi sederhana.
Sementara apabila kita ingin mengetahui pengaruh dua variabel X
atau lebih terhadap variabel Y maka digunakan analisis regresi linear
ganda (multiples).
• Metode analisis regresi linier berganda merupakan metode yang
bertujuan untuk memperoleh gambaran yang menyeluruh mengenai
hubungan antara variabel independen dan variabel dependen untuk
kinerja pada masing- masing perusahaan baik secara parsial maupun
secara simultan
Syarat Uji Analisis Linier Berganda

• Sebelum melakukan uji linier berganda, metode

mensyaratkan untuk melakukan uji asumsi klasik guna
mendapatkan hasil yang terbaik (Ghozali, 2011: 105).
• Tujuan pemenuhan asumsi klasik ini dimaksudkan agar
variabel bebas sebagai estimator atas variabel terikat tidak
bias.
Uji Asumsi Klasik

Uji
Uji Normalitas Uji Multikolineritas
Heterokedastisitas

Uji Autokorelasi Uji Linieritas

Uji Normalitas

• Menurut Ghozali (2016) uji normalitas dilakukan untuk menguji apakah pada
suatu model regresi, suatu variabel independen dan variabel dependen
ataupun keduanya mempunyai distribusi normal atau tidak normal
• Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal
• Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual
mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik
menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk
mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan
analisis grafik dan uji statistik.
Ketentuan Uji Normalitas

Pada uji normalitas data dapat dilakukan dengan menggunakan

uji One Sample Kolmogorov Smirnov yaitu dengan ketentuan :
• Jika nilai signifikansi diatas 5% atau 0,05 maka data memiliki
distribusi normal.
• Jika hasil uji One Sample Kolmogorov Smirnov menghasilkan
nilai signifikan dibawah 5% atau 0,05 maka data tidak memiliki
distribusi normal.
Langkah Uji Normalitas dengan SPSS (1)

1. memunculkan nilai unstandardized residual (RES_1) yang

selanjutnya akan kita uji normalitasnya, dengan : pilih
menu Analyze, kemudian klik Regression lalu pilih Linier
2. Muncul kotak dialog dengan nama “Liner Regression”,
selanjutnya masukkan variabel Kemampuan Berpikir Kritis
(Y) ke Dependent, lalu masukkan variabel Efikasi Diri,
Manajemen Waktu, Motivasi Belajar ke kotak
Independents, kemudian klik Save
Langkah Uji Normalitas dengan SPSS (2)

3. Maka muncul lagi kotak dialog dengan nama “Linier

Regression : Save”, pada bagian “Residuals”, centang (v)
Unstandardized (abaikan kolom dan pilihan yang lain).
Selanjutnya klik Continue lalu klik ok.
4. Abaikan output yang muncul dari program SPSS.
Perhatikan pada tampilan Data View, maka akan muncul
variabel baru dengan nama RES_1. Maka tampak di layar
SPSS.
Langkah Uji Normalitas dengan SPSS (3)

5. Langkah berikutnya, pilih menu Analyze, lalu pilih

Nonparamateric test, klik Legacy Dialogs, kemudian pilih
submenu 1-Sample K-S.
6. Muncul kotak dialog lagi dengan nama “One-Sample
Kolmogrov-Smirnov Test”. Selanjutnya, masukkan variabel
Unstandardized Residuals kekotak Test Varaibele List :
pada “Test Distribution” aktifkan atau centng (v) pilihan
Normal.
Langkah Uji Normalitas dengan SPSS (3)

7. Langkah terkahir, klik Ok untuk mengakhiri perintah.

Selanjutnya, lihat tampilan tabel output yang muncul di
SPSS “One-Sample Kolmogrov-Smirnov Test”, maka
tinggal kita interpretasikan supaya maknanya lebih jelas
lagi.
Intepretasi Uji Normalitas

Nilai signifikansinya adalah 0,200 ( > 0,05) maka data di atas berdistribusi Normal
Uji Multikolinearitas

• Menurut Ghozali (2016) pada pengujian multikolinearitas

bertujuan untuk mengetahui apakah model regresi ditemukan
adanya korelasi antar variabel independent atau variable bebas
• Efek dari multikolinearitas ini adalah menyebabkan tingginya
variabel pada sampel. Hal tersebut berarti standar error besar,
akibatnya ketika koefisien diuji, t-hitung akan bernilai kecil dari t-
tabel. Hal ini menunjukkan tidak adanya hubungan linear antara
variabel independen yang dipengaruhi dengan variabel
dependen
Ketentuan Uji Multikolinieritas

• Untuk menemukan terdapat atau tidaknya multikolinearitas pada

model regresi dapat diketahui dari nilai toleransi dan nilai variance
inflation factor (VIF).
• Pedoman berdasarkan Nilai Tolerence :
• Jika nilai tolerence lebih besar dari 0,10 maka tidak terjadi multikoliniertitas
• Jika nilai tolerence lebih kecil dari 0,10 maka terjadi multikoliniertitas
• Pedoman berdasarkan Nilai VIF :
• Jika nilai VIF < 10,00 maka artinya tidak terjadi mulikolinieritas dalam model
regresi
• Jika nilai VIF > 10,00 maka artinya terjadi mulikolinieritas dalam model regresi
Langkah Uji Multikolinieritas dengan SPSS

1. Langkah 1-4 sama dengan Uji Normalitas, hanya pada Langkah

ke empat, bukan klik bagian Save, namun klik bagian
“Statistics”
2. Aktifkan pilihan dengan mencentang (v) pada Covariance
matrix dan Collinerity Diagnostics. Abaikan pilihan lain atau
biarkan tetap default kemudian klik Continue.
3. Terakhir klik ok, maka muncul ouput SPSS dengan judul
Regression. Untuk melihat ada tidaknya gejala multikolinieritas
cukup memperhatikan tabel output “Coefficients”
 Intepretasi Uji Multikolinieritas
Nilai tolerance pada variabel independent
masing-masing adalah:
• Efikasi Diri : 0,665
• Manajemen Waktu : 0,594
• Motivasi Diri : 0,575
Ketiganya bernilai lebih besar dari 0,10 maka
data dalam penelitian ini Tidak terjadi
multikolenieritas
Nilai VIF pada variabel independent masing-masing
adalah:
• Efikasi Diri : 1,503
• Manajemen Waktu : 1,682
• Motivasi Diri : 1,739
Ketiganya bernilai lebih kecil dari < 10 maka data
dalam penelitian ini Tidak terjadi multikolenieritas
Uji Heterokedastisitas

• Uji ini bertujuan untuk melakukan uji apakah pada sebuah model regresi terjadi
ketidaknyamanan varian dari residual dalam satu pengamatan ke pengamatan
lainnya. Apabila varian berbeda, disebut heteroskedastisitas.
• Salah satu cara untuk mengetahui ada tidaknya heteroskedastisitas pada suatu
model regresi linier berganda, yaitu dengan melihat grafik scatterplot atau dari nilai
prediksi variabel terikat yaitu SRESID dengan residual error yaitu ZPRED.
• Apabila tidak terdapat pola tertentu dan tidak menyebar diatas maupun dibawah
angka nol pada sumbu y, maka dapat disimpulkan tidak terjadi heteroskedastisitas.
• Untuk model penelitian yang baik adalah yang tidak terdapat heteroskedastisitas
(Ghozali, 2016).
Langkah Uji Heterokedastisitas dengan SPSS

1. Langkah 1-4 sama dengan Uji Normalitas, hanya pada

Langkah ke 4, yang diklik bagian “Plots”
2. Muncul kotak dialog : masukkan *ZPRED pada kotak X
dan *SRESID pada kotak Y, lalu klik Continue
3. Klik ok, maka akan muncul output SPSS
 Intepretasi Uji Heterokedastisitas

Hasil Scatter plot di atas dapat dilihat bahwa titik titik data tidak
membentuk pola tertentu dan data menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka dari itu dapat disimpulkan
bahwa data penelitian ini tidak terjadi heterokedastisitas
Uji Autokorelasi

• Uji autokorelasi hanya dilakukan pada data time series (runtut

waktu) dan tidak perlu dilakukan pada data cross section seperti pada
kuesioner di mana pengukuran semua variabel dilakukan secara
serempak pada saat yang bersamaan.
• Model regresi pada penelitian di Bursa Efek Indonesia di mana
periodenya lebih dari satu tahun biasanya memerlukan uji
autokorelasi.
• Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-
Watson, uji dengan Run Test dan jika data observasi di atas 100 data
sebaiknya menggunakan uji Lagrange Multiplier
Uji Linieritas

• Uji linearitas dipergunakan untuk melihat apakah model yang

dibangun mempunyai hubungan linear atau tidak.
• Uji ini jarang digunakan pada berbagai penelitian, karena
biasanya model dibentuk berdasarkan telaah teoretis bahwa
hubungan antara variabel bebas dengan variabel terikatnya
adalah linear.
• Hubungan antar variabel yang secara teori bukan merupakan
hubungan linear sebenarnya sudah tidak dapat dianalisis
dengan regresi linear, misalnya masalah elastisitas.
Langkah Analisis Regresi Linier Berganda

• Setelah melakukan uji asumsi klasik, dan data dinyatakan normal, tidak terjadi
multikolenieritas , serta tidak terdapat heteroskedastisitas, maka data dapat diolah lebih lanjut
sesuai dengan tujuan penelitian
• Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear berganda adalah :
1) Koefisien Determinasi
2) Uji F
3 ) uji t.
• Persamaan regresi sebaiknya dilakukan di akhir analisis karena interpretasi terhadap
persamaan regresi akan lebih akurat jika telah diketahui signifikansinya.
• Koefisien determinasi sebaiknya menggunakan Adjusted R Square dan jika bernilai negatif
maka uji F dan uji t tidak dapat dilakukan.
Langkah Uji Analisis Regresi Linier Berganda
dengan SPSS

1. Langkah 1-4 sama dengan Uji Multikolenieritas, pada

bagian method, pastikan pilih Enter
2. Muncul kotak dialog, berikan centang pada Estimates dan
Model fit kemudian klik Continue
3. Langkah terakhir adalah klik ‘Ok”, maka akan muncul
output SPSS
Tabel Output SPSS Analisis Regresi Berganda

• Tabel Output “Variables Entered/Removed”

Memberikan informasi tentang variabel penelitian serta metode yang digunakan dalam analisis
regresi. Jika tidak ada variabel yang dibuang, maka kolom Variables Removed kosong
• Tabel “Model Summary”
Memberikan infromasi tentang nilai koefisien determinasi, yakni kontribusi atau sumbangan
pengaruh variabel X secara simultan terhadap variabel Y
• Tabel ”ANOVA”
Memberikan informasi tentang ada tidaknya pengaruh variabel X secara simultan terhadap
variabel Y
• Tabel “Coefficients”
Memberikan informasi tentang persamaan regresi dan ada tidaknya pengaruh variabell X secara
parsial terhadap variabel Y
Koefisien Determinasi pada Regresi linier

• Koefisien determinasi pada regresi linier sering diartikan sebagai seberapa

besar kemampuan semua variabel bebas dalam menjelaskan varians dari
variabel terikatnya. Secara sederhana koefisien determinasi dihitung dengan
mengkuadratkan Koefisien Korelasi (R)
• Nilai Adjusted R Square dapat naik atau turun dengan adanya penambahan
variabel baru, tergantung dari korelasi antara variabel bebas tambahan
tersebut dengan variabel terikatnya.
• Nilai Adjusted R Square dapat bernilai negatif, sehingga jika nilainya negatif,
maka nilai tersebut dianggap 0, atau variabel bebas sama sekali tidak
mampu menjelaskan varians dari variabel terikatnya.
Intepretasi Koefisien Determinasi

• Nilai R square adalah sebesar 0,715 atau sama dengan 71,5%.

• Angka tersebut mengandung arti bahwa variabel efikasi diri (X1), Manajemen
Waktu (X2), Motivasi Diri (X3) secara simultan (bersama-sama) berpengaruh
terhadap variabel kemampuan berpikir kritis (Y) sebesar 71,5%.
• Sedangkan sisanya (100%-71,5% = 28,5%) dipengaruhi oleh variabel lain di luar
persamaan regresi ini atau variabel yang tidak diteliti.
Uji F

• Uji F adalah uji kelayakan model (goodness of fit) yang harus dilakukan dalam
analisis regresi linear

• Syarat pengujian uji F :

1. Berdasarkan nilai signifikansi dari Output Anova
• Jika nilai Sig <0,05 maka terdapat pengaruh X1,X2, dan X3 secara simultan terhadap Y
• Jika nilai Sig > 0,05 maka tidak terdapat pengaruh X1,X2, dan X3 secara simultan terhadap Y

2. Bedasarkan perbandingan nilai F Hitung dengan F Tabel

• Jika nilai F hitung > F tabel maka terdapat pengaruh X1,X2, dan X3 secara simultan terhadap Y
• Jika nilai F hitung < F tabel maka tidak terdapat pengaruh X1,X2, dan X3 secara simultan terhadap Y
Menentukan F tabel

• F tabel dicari pada distribusi nilai r tabel statitistik pada

signifikansi 5% atau 0,05 dengan menggunakan rumus:
Ftabel = (k ; n-k)
• di mana ”k” adalah jumlah variabel independent (variabel
bebas atau X), dan “n” adalah jumlah responden.
• Angka tsb, kemudian dijadikan acuan untuk mencari atau
melihat nilai F tabel pada distribusi nilai F tabel statistik
Intepretasi Uji F

• Nilai Signifikan dari tabel ANOVA adalah 0,00 yang berarti di bawah 0,05 sehingga
disimpulkan bahwa seluruh variabel independent yang diteliti berpengaruh secara
simultan (Bersama-sama) terhadap variabel dependen

• Nilai F hitung 42,376 > F tabel 2,78, maka variabel independent yang diteliti
berpengaruh secara simultan (Bersama-sama) terhadap variabel dependen
Uji T

• Uji t bertujuan untuk mengetahui apakah variabel bebas atau variabel

independent (X) secara parsial (sendiri-sendiri) berpengaruh terhadap
variabel terikat atau dependen (Y)
• Dasar pengambilan Uji t Parsial
1. Berdasarkan nilai signifikansi (Sig.)
• Jika nilai Signifikansi (Sig.) < 0,05 maka terdapat pengaruh variabel bebas (X) terhadap variabel
terikat (Y)
• Jika nilai Signifikansi (Sig.) > 0,05 maka tidak terdapat pengaruh variabel bebas (X) terhadap
variabel terikat (Y)

2. Berdasarkan perbandingan nilai t hitung dengan t tabel

• Jika nilai t hitung > t tabel maka terdapat pengaruh variabel bebas (X) terhadap variabel terikat
(Y)
• Jika nilai t hitung < t tabel maka tidak terdapat pengaruh variabel bebas (X) terhadap variabel
terikat (Y)
Menentukan t tabel

• Rumus untuk mencari nilai t tabel:

!
t tabel : ; 𝑛 − 𝑘 − 1 𝑎𝑡𝑎𝑢 𝑑𝑓 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙
"
t tabel : (0,05/2 ; 55-3-1)
t tabel : (0,025 ; 51)
• Contoh di atas sesuai dengan data di video tutorial, sebenarnya
angka 51 sudah ada secara otomatis pada tabel output SPSS “Anova”
• Maka t tabel = angka 0,025 ; 51 ini dicari pada distribusi nilai t tabel
statistik.
 Intepretasi Uji T
Pengaruh Efikasi diri (X1) terhadap
Kemampuan Berpikir Kritis (Y)
- Nilai t hitung 1,811 < t tabel 2,00
maka X1 tidak berpengaruh
terhadap Y
- Nilai sig 0,076 > 0,05 maka X1
tidak berpengaruh terhadap Y
Pengaruh Manajemen waktu (X2)
terhadap Kemampuan Berpikir Kritis
(Y)
- Nilai t hitung 5,707 > t tabel 2,00 maka
X2 berpengaruh terhadap Y
- Nilai sig 0,000 < 0,05 maka X1
berpengaruh terhadap Y
Pengaruh Motivasi diri (X3)
terhadap Kemampuan Berpikir
Kritis (Y)
- Nilai t hitung 2,676 > t tabel 2,00
maka X3 berpengaruh terhadap Y
- Nilai sig 0,010 < 0,05 maka X3
berpengaruh terhadap Y
Persamaan Analisis Regresi Linier Berganda

Dalam penelitian ini persamaan regresi berganda yang digunakan adalah :

Y = a+b1X1+b2X2+b3X3
Keterangan :
Y = Kemampuan berpikir kritis/Prokastinasi tugas kuliah/Minat berorganisasi
α = Konstanta
b1 = Koefisien regresi efikasi diri
b2 = Koefisien regresi manajemen waktu
b3 = Koefisien regresi motivasi diri
X1 = Variabel Efikasi Diri
X2 = Variabel Manajemen Waktu
X3 = Variabel Motivasi Diri
 Membaca persamaan analisis regresi liner
berganda

Y = 3,778+0,211X1+0,446X2+0,257X3

• Besarnya konstanta adalah 3,778 yang artinya terdapat pengaruh positif terhadap variabel independen yaitu efikasi diri, manajemen waktu, motivasi diri
.
• Nilai koefisien regresi untuk variabel efikasi diri sebesar 0.211 bernilai positif, maka variabel efikasi diri menunjukkan adanya hubungan searah dengan
variabel dependen kemampuan berpikir kritis. Nilai koefisien regresi sebesar 0.211 memiliki arti bahwa untuk setiap penambahan variabel sebesar satu-
satuan akan bertambahnya variabel dependen sebesar 0.211

• Nilai koefisien regresi untuk variabel manajemen waktu 0.446 yang bernilai positif, maka variabel manajemen waktu memiliki hubungan searah dengan
variabel dependen. Nilai koefisien regresi sebesar 0.446 memiliki arti bahwa untuk setiap penambahan variabel manajemen waktu sebesar satu-satuan
akan menyebabkan bertambahnya variabel dependen sebesar 0,446

• Nilai koefisien regresi untuk variabel motivasi diri sebesar 0,257 yang bernilai positif, maka variabel motivasi diri memiliki hubungan searah dengan
variabel dependen. Nilai koefisien regresi sebesar 0.257 memiliki arti bahwa untuk setiap penambahan variabel manajemen waktu sebesar satu-satuan
akan menyebabkan bertambahnya variabel dependen sebesar 0,257